AI Governance Maturity Capability in Higher Education: Scale Development and Validation of a Multidimensional Model in Vietnamese Universities
NGUYỄN VĂN HÙNG
TÓM TẮT
Sự tích hợp nhanh chóng của trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI), đang chuyển AI từ vị trí một công cụ công nghệ ngoại vi thành một thành phần ngày càng quan trọng của hạ tầng giảng dạy, học tập, nghiên cứu và quản trị đại học. Tuy nhiên, mức độ ứng dụng AI cao không đồng nghĩa với năng lực quản trị AI trưởng thành. Một trường đại học có thể triển khai nhiều công cụ AI nhưng vẫn thiếu chiến lược thống nhất, trách nhiệm giải trình, quản trị dữ liệu và rủi ro, năng lực con người, cơ chế tích hợp vận hành, cũng như hệ thống giám sát và học hỏi thích ứng. Khoảng cách giữa AI adoption và AI governance capability đặt ra nhu cầu phát triển một cấu trúc đo lường cấp thể chế có khả năng đánh giá không chỉ sự tồn tại của chính sách mà cả năng lực chuyển các nguyên tắc quản trị thành thực hành tổ chức bền vững.
Nghiên cứu này khái niệm hóa Năng lực Trưởng thành Quản trị AI trong Giáo dục Đại học (AI Governance Maturity Capability in Higher Education – AIGMC-HE) như một năng lực thể chế bậc cao, đa chiều, phản ánh khả năng của trường đại học trong việc thiết kế, triển khai, tích hợp, giám sát, học hỏi và liên tục tái cấu hình các cơ chế quản trị AI phù hợp với mục tiêu giáo dục, yêu cầu trách nhiệm và môi trường công nghệ biến đổi. Trên cơ sở tích hợp Dynamic Capabilities View, Responsible AI, AI governance và logic maturity, sáu cấu phần được đề xuất: Strategic & Policy Governance Capability (SPGC); Responsible AI & Accountability Capability (RAAC); Data, Privacy & Risk Governance Capability (DPRGC); Human & Organizational Capability (HOC); Operational Integration Capability (OIC); và Monitoring, Audit & Adaptive Learning Capability (MAALC).
Khác với các mô hình maturity áp đặt trước các mức Level 1–5, nghiên cứu phân biệt governance capability với empirical maturity profiling. Sáu cấu phần bậc một được đặc tả ban đầu theo logic phản xạ, trong khi AIGMC-HE được đề xuất như một cấu trúc tổng hợp/tạo thành bậc cao. Mô hình quan hệ trung tâm được thiết kế theo chuỗi AIGMC-HE → Responsible AI Institutionalization (RAII) → AI Governance Effectiveness (AIGE), qua đó giải thích cách năng lực quản trị được chuyển hóa thành mức độ thể chế hóa AI có trách nhiệm và cuối cùng thành hiệu quả quản trị.
Quy trình kiểm định gồm xác định miền khái niệm, tạo mục hỏi diễn dịch–quy nạp, thẩm định chuyên gia, phỏng vấn nhận thức, nghiên cứu thí điểm, EFA, CFA, kiểm định cấu trúc bậc cao và SEM. Đóng góp cốt lõi của nghiên cứu là chuyển AI governance maturity từ một hệ thống phân loại mang tính chuẩn tắc sang một measurable and adaptive institutional capability, đồng thời thiết lập logic phương pháp scale validation first → empirical profiling second → maturity-level validation third. Cách tiếp cận này cung cấp nền tảng cho đo lường, so sánh và phát triển năng lực quản trị AI tại các trường đại học trong điều kiện chuyển đổi công nghệ nhanh chóng.
Từ khóa: Quản trị AI (AI governance); Trưởng thành quản trị AI (AI governance maturity); Giáo dục đại học (Higher education); Năng lực thể chế (Institutional capability); AI có trách nhiệm (Responsible AI); Phát triển thang đo (Scale development); Năng lực động (Dynamic Capabilities); Các trường đại học Việt Nam (Vietnamese universities).
ABSTRACT
The rapid integration of Artificial Intelligence (AI), particularly Generative AI (GenAI), is transforming AI from a peripheral technological tool into an increasingly critical component of higher education teaching, learning, research, and administrative infrastructure. However, high levels of AI adoption do not necessarily correspond to mature AI governance capability. A university may deploy numerous AI tools yet lack a coherent strategy, accountability mechanisms, data and risk governance, human capacity, operational integration mechanisms, as well as monitoring and adaptive learning systems. The gap between AI adoption and AI governance capability necessitates the development of an institutional-level measurement construct capable of assessing not only the existence of policies but also the capability to translate governance principles into sustainable organizational practice.
This study conceptualizes AI Governance Maturity Capability in Higher Education (AIGMC-HE) as a higher-order, multidimensional institutional capability that reflects a university’s ability to design, implement, integrate, monitor, learn from, and continuously reconfigure AI governance mechanisms in alignment with educational objectives, accountability requirements, and a rapidly evolving technological environment. Drawing upon the Dynamic Capabilities View, Responsible AI frameworks, AI governance literature, and maturity logic, six constituent dimensions are proposed: Strategic & Policy Governance Capability (SPGC); Responsible AI & Accountability Capability (RAAC); Data, Privacy & Risk Governance Capability (DPRGC); Human & Organizational Capability (HOC); Operational Integration Capability (OIC); and Monitoring, Audit & Adaptive Learning Capability (MAALC).
Distinct from maturity models that impose predetermined Level 1–5 classifications, this study distinguishes governance capability from empirical maturity profiling. The six first-order dimensions are initially specified as reflective constructs, while AIGMC-HE is proposed as a higher-order formative/composite construct. The core relational model follows the sequence AIGMC-HE → Responsible AI Institutionalization (RAII) → AI Governance Effectiveness (AIGE), thereby explaining how governance capability translates into the degree of responsible AI institutionalization and ultimately into governance effectiveness.
The validation procedure encompasses domain specification, deductive–inductive item generation, expert review, cognitive interviews, pilot testing, EFA, CFA, higher-order construct validation, and SEM. The central contribution of this study is the transformation of AI governance maturity from a normative classification system into a measurable and adaptive institutional capability, while establishing the methodological logic of scale validation first → empirical profiling second → maturity-level validation third. This approach provides a foundation for the measurement, comparison, and development of AI governance capability in universities under conditions of rapid technological transformation.
Keywords: AI governance; AI governance maturity; higher education; institutional capability; Responsible AI; scale development; Dynamic Capabilities; Vietnamese universities.
- GIỚI THIỆU
1.1. Từ ứng dụng AI đến thể chế hóa AI trong giáo dục đại học
AI đang làm thay đổi phạm vi và logic vận hành của giáo dục đại học. Các hệ thống AI hiện có thể hỗ trợ thiết kế học liệu, phản hồi học tập, đánh giá, phân tích dữ liệu, nghiên cứu, quản trị sinh viên, dự báo, ra quyết định và tự động hóa quy trình. GenAI tiếp tục mở rộng phạm vi này thông qua khả năng tạo nội dung, đối thoại, lập trình, tổng hợp thông tin và hỗ trợ giải quyết vấn đề.
Sự phát triển đó tạo ra một quá trình chuyển đổi:
AI experimentation → AI adoption → AI institutionalization → AI governance maturity.
Ở giai đoạn thử nghiệm, việc sử dụng AI có thể được quản lý cục bộ bởi từng cá nhân hoặc đơn vị. Khi AI được tích hợp sâu vào các chức năng cốt lõi, mô hình quản trị phân tán trở nên không đủ. Những quyết định liên quan đến AI bắt đầu ảnh hưởng đến dữ liệu, quyền riêng tư, công bằng, chất lượng học thuật, sở hữu trí tuệ, trách nhiệm nghề nghiệp, mua sắm công nghệ và phân bổ nguồn lực.
Các nguyên tắc Responsible AI do UNESCO (2021), OECD và National Institute of Standards and Technology (NIST, 2023) đề xuất cung cấp nền tảng quan trọng về công bằng, minh bạch, trách nhiệm giải trình, an toàn, quyền riêng tư và giám sát con người. Tuy nhiên, việc một trường đại học tuyên bố tuân thủ các nguyên tắc đó không chứng minh rằng tổ chức có khả năng thực thi chúng một cách nhất quán.
Do đó, câu hỏi nghiên cứu cần chuyển từ:
“Trường đại học đang sử dụng bao nhiêu AI?”
sang:
“Trường đại học có năng lực thể chế nào để quản trị AI một cách có trách nhiệm, tích hợp và thích ứng?”
1.2. Nghịch lý adoption–governance
AI tạo ra một nghịch lý quản trị. Tổ chức càng mở rộng AI thì giá trị tiềm năng càng lớn, nhưng đồng thời phạm vi rủi ro và sự phụ thuộc lẫn nhau giữa công nghệ, dữ liệu, con người và quy trình cũng tăng lên.
Mức độ adoption cao có thể cùng tồn tại với governance maturity thấp. Một trường có thể triển khai nhiều nền tảng GenAI nhưng chưa có quy định rõ về dữ liệu nào được phép nhập vào hệ thống; có chiến lược chuyển đổi số nhưng chưa xác định trách nhiệm đối với AI; hoặc có chính sách Responsible AI nhưng thiếu audit, monitoring và incident response.
Vì vậy:
AI adoption ≠ AI governance maturity.
Tương tự:
Policy existence ≠ governance capability.
Một chính sách chỉ là một artifact tổ chức. Năng lực quản trị đòi hỏi khả năng thiết kế, triển khai, phối hợp, giám sát, học hỏi và tái cấu hình.
1.3. Khoảng trống nghiên cứu
Nghiên cứu xác định năm khoảng trống liên kết.
Thứ nhất, khoảng trống từ AI adoption sang AI governance capability. Phần lớn nghiên cứu về AI trong giáo dục tập trung vào chấp nhận công nghệ, thái độ, AI literacy hoặc kết quả sử dụng. Các nghiên cứu này chưa trả lời đầy đủ tổ chức cần những năng lực nào để quản trị AI ở quy mô thể chế.
Thứ hai, khoảng trống từ principles sang implementation capability. Các khung Responsible AI xác định rõ những giá trị mà tổ chức nên bảo vệ, nhưng nguyên tắc chuẩn tắc không tự động tạo ra khả năng thực thi.
Thứ ba, khoảng trống từ policy sang organizational capability. Sự tồn tại của policy không bảo đảm chính sách được hiểu, triển khai, giám sát và cập nhật nhất quán.
Thứ tư, khoảng trống từ maturity classification sang validated measurement. Nhiều maturity models sử dụng các mức phát triển được xác định trước. Cách tiếp cận này hữu ích cho chẩn đoán quản trị nhưng có nguy cơ tạo ra ranh giới tùy ý nếu các mức maturity chưa được xác lập bằng dữ liệu.
Thứ năm, khoảng trống từ governance capability sang governance effectiveness. Cần giải thích cơ chế qua đó năng lực tổ chức thực sự chuyển thành các thực hành AI được thể chế hóa và tạo ra hiệu quả quản trị.
Các khoảng trống trên cho thấy nhu cầu phát triển một construct có thể đồng thời giải quyết ba câu hỏi:
What constitutes AI governance capability?
How can it be measured?
Through what mechanism does it produce governance effectiveness?
1.4. Mục tiêu và câu hỏi nghiên cứu
Nghiên cứu hướng đến bốn mục tiêu:
- khái niệm hóa AIGMC-HE như một năng lực thể chế bậc cao, đa chiều;
- phát triển và kiểm định thang đo AIGMC-HE;
- kiểm định Responsible AI Institutionalization (RAII) như cơ chế chuyển hóa năng lực quản trị thành thực hành tổ chức;
- kiểm định mối quan hệ giữa AIGMC-HE, RAII và AI Governance Effectiveness (AIGE).
Câu hỏi nghiên cứu trung tâm là:
Năng lực Trưởng thành Quản trị AI trong giáo dục đại học được cấu thành và đo lường như thế nào, và thông qua cơ chế nào năng lực này thúc đẩy quá trình thể chế hóa AI có trách nhiệm và hiệu quả quản trị AI?
- CƠ SỞ LÝ THUYẾT
2.1. AI governance trong giáo dục đại học
AI governance có thể được hiểu như hệ thống quyền quyết định, chính sách, cấu trúc trách nhiệm, quy trình, năng lực và cơ chế kiểm soát nhằm định hướng vòng đời AI phù hợp với mục tiêu của tổ chức và các yêu cầu về trách nhiệm.
Trong giáo dục đại học, AI governance có đặc điểm khác với quản trị AI thuần túy trong doanh nghiệp vì trường đại học đồng thời thực hiện nhiều sứ mệnh: giảng dạy, nghiên cứu, phục vụ cộng đồng và phát triển con người. AI có thể tác động đến quyền học tập, tự chủ học thuật, đánh giá, dữ liệu người học, liêm chính nghiên cứu và công bằng giáo dục.
Do đó, quản trị AI cần kết nối ít nhất bốn lớp:
Values → Policies → Organizational mechanisms → Practices.
Một khoảng cách đáng kể giữa các lớp này sẽ tạo ra governance–implementation gap.
2.2. Responsible AI
Responsible AI cung cấp miền chuẩn tắc cho AIGMC-HE. UNESCO (2021) nhấn mạnh nhân phẩm, quyền con người, công bằng, minh bạch, trách nhiệm và giám sát con người. NIST AI RMF tổ chức quản trị rủi ro AI theo các chức năng Govern–Map–Measure–Manage, qua đó nhấn mạnh rằng AI risk governance là một chu trình liên tục thay vì một hoạt động kiểm tra một lần (NIST, 2023).
Tuy nhiên, Responsible AI principles và AIGMC-HE không phải cùng một construct.
Responsible AI trả lời:
AI nên được quản trị theo nguyên tắc nào?
AIGMC-HE trả lời:
Tổ chức có năng lực nào để biến các nguyên tắc đó thành thực hành ổn định và thích ứng?
Sự phân biệt này là cơ sở để chuyển từ normative governance sang measurable organizational capability.
2.3. Dynamic Capabilities View
Dynamic Capabilities View cung cấp nền tảng lý thuyết chủ đạo để giải thích tính “capability” của AIGMC-HE. Teece et al. (1997) và Teece (2007) cho rằng tổ chức trong môi trường biến động cần khả năng tích hợp, xây dựng và tái cấu hình các nguồn lực và năng lực.
Trong quản trị AI:
Sensing phản ánh khả năng nhận diện công nghệ mới, rủi ro, quy định, nhu cầu và các use case AI.
Seizing phản ánh khả năng chuyển nhận thức thành chiến lược, chính sách, đầu tư, cấu trúc trách nhiệm và quy trình.
Transforming phản ánh khả năng tái cấu hình hệ thống quản trị dựa trên giám sát, audit, sự cố, thay đổi công nghệ và học hỏi tổ chức.
Logic này đặc biệt quan trọng bởi một mô hình governance “trưởng thành” không phải là mô hình đạt trạng thái cuối cùng bất biến. Trong môi trường AI, maturity phải bao gồm adaptive capacity.
2.4. Tái khái niệm hóa maturity
Maturity models truyền thống thường mô tả sự tiến triển qua các mức từ ban đầu, lặp lại, được xác định, được quản lý đến tối ưu hóa. Cách tiếp cận này hữu ích trong quản trị nhưng đặt ra hai vấn đề khi áp dụng trực tiếp vào AI governance.
Thứ nhất, các mức được xác định trước có thể giả định rằng mọi tổ chức đi theo cùng một tuyến phát triển.
Thứ hai, việc thiết lập cutoff mà chưa có bằng chứng thực nghiệm có thể tạo ra false precision.
Nghiên cứu này vì vậy tách ba bước:
Scale validation → empirical maturity profiling → maturity-level validation.
“Maturity” trước hết được hiểu như mức phát triển của một tập hợp năng lực quản trị bổ trợ, không phải một nhãn Level 1–5 được áp đặt trước dữ liệu.
- KHÁI NIỆM HÓA AIGMC-HE
AIGMC-HE được định nghĩa là:
Năng lực thể chế bậc cao của một cơ sở giáo dục đại học trong việc thiết kế, triển khai, tích hợp, giám sát, học hỏi và liên tục tái cấu hình các cơ chế quản trị AI nhằm bảo đảm AI phù hợp với chiến lược, các nguyên tắc có trách nhiệm, yêu cầu quản trị rủi ro và mục tiêu tạo giá trị giáo dục.
Sáu cấu phần bổ trợ được đề xuất.
3.1. Strategic & Policy Governance Capability – SPGC
SPGC phản ánh khả năng tổ chức trong việc liên kết AI với chiến lược, xác định định hướng quản trị và chuyển định hướng đó thành hệ thống chính sách có thể triển khai.
Năng lực này bao gồm:
- AI governance vision;
- strategic alignment;
- policy architecture;
- decision rights;
- AI use classification;
- procurement principles;
- policy communication;
- policy updating.
Một tổ chức có SPGC cao không chỉ có “AI policy”, mà có khả năng bảo đảm các quyết định AI nhất quán với sứ mệnh và chiến lược.
3.2. Responsible AI & Accountability Capability – RAAC
RAAC phản ánh khả năng chuyển các nguyên tắc Responsible AI thành trách nhiệm, safeguard và cơ chế khắc phục cụ thể.
Các miền cốt lõi gồm:
- fairness;
- transparency;
- explainability phù hợp ngữ cảnh;
- human oversight;
- accountability;
- contestability;
- redress;
- responsible use.
RAAC giải quyết câu hỏi:
Who is accountable when AI affects educational decisions, rights, opportunities, or academic work?
Responsible AI trong mô hình này không phải tuyên bố đạo đức, mà là một organizational capability for accountable action.
3.3. Data, Privacy & Risk Governance Capability – DPRGC
DPRGC phản ánh khả năng quản trị dữ liệu, quyền riêng tư và các rủi ro AI xuyên suốt vòng đời công nghệ.
Năng lực này bao gồm:
- data governance;
- privacy;
- data classification;
- access control;
- cybersecurity;
- vendor risk;
- model/system risk assessment;
- incident response;
- high-impact use assessment.
AI làm mở rộng governance từ dữ liệu được thu thập sang dữ liệu được suy luận, prompt, output, synthetic data và các dòng dữ liệu qua nhà cung cấp bên ngoài. Vì vậy, data governance và AI risk governance cần được tích hợp thay vì vận hành như hai silo.
3.4. Human & Organizational Capability – HOC
HOC phản ánh năng lực con người và tổ chức cần thiết để thực thi governance.
Nó bao gồm:
- AI literacy;
- leadership competence;
- professional development;
- role clarity;
- interdisciplinary coordination;
- change capability;
- culture of responsible experimentation;
- stakeholder participation.
Đây là cấu phần ngăn AIGMC-HE trở thành một mô hình chỉ tập trung vào policy và technology.
Một tổ chức không thể có governance maturity cao nếu những người phải thực hiện governance không hiểu AI, không biết trách nhiệm của mình hoặc không có khả năng phối hợp liên chức năng.
3.5. Operational Integration Capability – OIC
OIC phản ánh khả năng nhúng governance vào các quy trình vận hành thực tế.
Các miền bao gồm:
- AI procurement;
- system approval;
- teaching and assessment workflows;
- research workflows;
- student support;
- quality assurance;
- third-party management;
- lifecycle governance.
OIC tạo cầu nối quan trọng:
Policy → Practice.
Nếu governance chỉ tồn tại trong văn bản mà không đi vào procurement, deployment, use và quality assurance, maturity vẫn ở mức thấp về mặt thực chất.
3.6. Monitoring, Audit & Adaptive Learning Capability – MAALC
MAALC phản ánh khả năng quan sát hiệu quả của governance, phát hiện sai lệch và sử dụng bằng chứng để điều chỉnh hệ thống.
Nó bao gồm:
- continuous monitoring;
- AI inventory;
- audit trails;
- incident learning;
- governance KPIs;
- periodic review;
- stakeholder feedback;
- policy revision;
- adaptive learning.
MAALC là cấu phần tạo chiều dynamic cho AIGMC-HE.
Chu trình được khái quát:
Monitor → Audit → Learn → Adapt → Reconfigure.
Nếu thiếu MAALC, governance dễ trở thành một hệ thống compliance tĩnh.
- KIẾN TRÚC ĐO LƯỜNG
AIGMC-HE được đề xuất như một higher-order multidimensional institutional capability.
Sáu cấu phần bậc một:
SPGC – RAAC – DPRGC – HOC – OIC – MAALC
được đặc tả ban đầu là các reflective first-order constructs.
Trong từng dimension, các item được xem như biểu hiện của một năng lực tiềm ẩn cụ thể và được kỳ vọng có mức tương quan thích hợp.
Ở bậc cao, AIGMC-HE được đề xuất theo logic formative/composite.
Lý do là sáu cấu phần cùng tạo thành năng lực quản trị tổng thể và không thể thay thế hoàn toàn cho nhau. Một trường có chiến lược tốt nhưng không có audit; một trường có quản trị dữ liệu mạnh nhưng thiếu năng lực nhân sự; hoặc một trường có Responsible AI principles tốt nhưng không tích hợp chúng vào vận hành đều không thể được xem là có năng lực quản trị toàn diện.
Do đó:
SPGC + RAAC + DPRGC + HOC + OIC + MAALC → AIGMC-HE.
Bảng 1. Kiến trúc khái niệm AIGMC-HE
| Cấu phần | Nội dung trung tâm | Câu hỏi quản trị |
| SPGC | Chiến lược, policy, decision rights | AI governance có được định hướng và thể chế hóa chiến lược không? |
| RAAC | Responsible AI, accountability, redress | AI có được sử dụng có trách nhiệm và có chủ thể chịu trách nhiệm không? |
| DPRGC | Data, privacy, security, risk | Dữ liệu và rủi ro AI có được quản trị xuyên vòng đời không? |
| HOC | AI literacy, leadership, culture, coordination | Tổ chức có con người và văn hóa đủ năng lực thực thi governance không? |
| OIC | Procurement, deployment, workflow, QA | Governance có thực sự được nhúng vào vận hành không? |
| MAALC | Monitoring, audit, learning, adaptation | Tổ chức có khả năng học hỏi và tái cấu hình governance không? |
4.1. Level of analysis
Một điểm cần được xử lý rõ trong nghiên cứu thực nghiệm là sự khác biệt giữa construct level và measurement level.
AIGMC-HE được định nghĩa ở cấp thể chế, nhưng bảng hỏi thường được hoàn thành bởi cá nhân. Vì vậy, trong nghiên cứu kiểm định ban đầu, cấu trúc thực nghiệm nên được gọi là:
Perceived AI Governance Maturity Capability in Higher Education – P-AIGMC-HE.
Điều này tránh suy luận sai rằng một phản hồi cá nhân đại diện cho năng lực khách quan của toàn trường.
Khi có nhiều respondent trên mỗi tổ chức, nghiên cứu tiếp theo có thể kiểm tra rwg, ICC(1) và ICC(2) trước khi aggregate dữ liệu lên cấp trường.
- MÔ HÌNH NGHIÊN CỨU VÀ GIẢ THUYẾT
Mô hình sau phản biện được chủ động thu gọn thành ba tầng nhằm tăng parsimony và tránh tình trạng structural model quá tải.
5.1. Tầng I – Institutional Capability
AI Governance Maturity Capability in Higher Education – AIGMC-HE
5.2. Tầng II – Institutionalization Mechanism
Responsible AI Institutionalization – RAII
RAII phản ánh mức độ Responsible AI đã chuyển từ nguyên tắc hoặc policy sang các routines, norms và practices ổn định trong tổ chức.
Các biểu hiện có thể gồm:
- AI governance được tích hợp vào quy trình;
- trách nhiệm được hiểu và thực thi;
- risk assessment diễn ra thường xuyên;
- approved AI practices được áp dụng nhất quán;
- Responsible AI trở thành chuẩn mực tổ chức;
- monitoring và reporting được thực hiện thường kỳ.
5.3. Tầng III – Outcome
AI Governance Effectiveness – AIGE
AIGE phản ánh mức độ hệ thống quản trị AI đạt được các mục tiêu cốt lõi như:
- giảm governance ambiguity;
- cải thiện consistency;
- tăng accountability;
- kiểm soát rủi ro;
- hỗ trợ quyết định;
- tạo điều kiện cho AI có trách nhiệm;
- tăng khả năng thích ứng của tổ chức.
5.4. Phát triển giả thuyết
Một tổ chức có năng lực chiến lược, Responsible AI, quản trị dữ liệu, năng lực con người, tích hợp vận hành và adaptive monitoring tốt hơn sẽ có khả năng chuyển governance từ chính sách sang routine cao hơn.
H1: AIGMC-HE có mối quan hệ tích cực với Responsible AI Institutionalization.
Năng lực quản trị cũng có thể trực tiếp cải thiện hiệu quả thông qua sự rõ ràng về quyền quyết định, kiểm soát rủi ro, nguồn lực và phối hợp.
H2: AIGMC-HE có mối quan hệ tích cực với AI Governance Effectiveness.
Tuy nhiên, governance chỉ tạo ra kết quả bền vững khi được thể chế hóa trong hành vi và quy trình.
H3: Responsible AI Institutionalization có mối quan hệ tích cực với AI Governance Effectiveness.
Do đó, RAII được kỳ vọng là cơ chế trung gian:
H4: Responsible AI Institutionalization đóng vai trò trung gian trong mối quan hệ giữa AIGMC-HE và AI Governance Effectiveness.
Mô hình trung tâm
AIGMC-HE → RAII → AIGE
với đường trực tiếp:
AIGMC-HE → AIGE.
Mô hình này tạo ra logic rõ ràng:
Capability → Institutionalization → Effectiveness.
- PHƯƠNG PHÁP NGHIÊN CỨU
6.1. Thiết kế tổng thể
Quy trình phát triển và kiểm định AIGMC-HE được tổ chức theo ba pha:
Phase I – Construct Development
Phase II – Scale Purification and Measurement Validation
Phase III – Nomological and Structural Validation
Cách tiếp cận tuần tự này phù hợp với nguyên tắc phát triển thang đo của Churchill (1979), Hinkin (1998) và DeVellis và Thorpe (2021).
6.2. Xác định miền khái niệm
Construct domain được triangulate từ:
- AI governance;
- Responsible AI;
- Dynamic Capabilities;
- organizational governance;
- data and privacy governance;
- risk governance;
- AI maturity literature;
- higher education governance.
Các framework của UNESCO, OECD và NIST nên được sử dụng như normative-operational sources, không được trình bày như causal theories.
Dynamic Capabilities View giữ vai trò lý thuyết giải thích chính.
6.3. Tạo ngân hàng mục hỏi
Ngân hàng ban đầu nên gồm khoảng 60–72 items, tương đương 10–12 item cho mỗi dimension.
Hai chiến lược được kết hợp.
Deductive item generation dựa trên literature và các governance frameworks.
Inductive item generation dựa trên phỏng vấn bán cấu trúc với các bên liên quan, bao gồm lãnh đạo trường, cán bộ chuyển đổi số, CIO/CDO, cán bộ bảo đảm chất lượng, chuyên gia AI, giảng viên và cán bộ phụ trách dữ liệu hoặc rủi ro.
Phỏng vấn nên tập trung vào critical incidents và governance failures thay vì chỉ yêu cầu người tham gia xác nhận sáu dimensions.
6.4. Thẩm định giá trị nội dung
Panel khoảng 15–20 chuyên gia có thể đánh giá:
- relevance;
- clarity;
- representativeness;
- institutional observability.
Có thể sử dụng I-CVI và S-CVI/Ave như bằng chứng bổ sung.
Tuy nhiên, quyết định giữ hoặc loại item cần kết hợp chỉ số định lượng với đánh giá định tính và construct coverage.
6.5. Cognitive interviews
Khoảng 10–15 người thuộc nhóm respondent mục tiêu nên tham gia cognitive interviewing.
Bốn quá trình cần kiểm tra:
comprehension → retrieval → judgment → response mapping.
Đặc biệt cần xác định người trả lời có đủ thông tin để đánh giá năng lực cấp tổ chức hay chỉ đang mô tả trải nghiệm cá nhân.
6.6. Pilot study
Pilot dự kiến n ≈ 150–200.
Các tiêu chí kiểm tra bao gồm:
- missingness;
- distribution;
- floor/ceiling effects;
- corrected item–total correlations;
- redundancy;
- Cronbach’s α;
- McDonald’s ω;
- preliminary factor structure.
Mục tiêu của pilot không phải tối đa hóa alpha mà là tạo ra thang đo ngắn gọn nhưng bảo toàn construct domain.
6.7. Nghiên cứu chính
Mục tiêu nên đạt ≥600 phản hồi hợp lệ, lý tưởng từ khoảng 15–20 trường đại học Việt Nam, với sự đa dạng về:
- công lập/tư thục;
- vùng địa lý;
- lĩnh vực đào tạo;
- mức độ triển khai AI;
- vị trí công tác;
- kinh nghiệm sử dụng AI.
Việc tuyên bố đo năng lực cấp trường phải phụ thuộc vào cấu trúc mẫu. Nếu số tổ chức và số respondent trong từng tổ chức chưa đủ cho aggregation, kết quả cần được diễn giải dưới dạng perceived institutional capability.
6.8. EFA
EFA nên sử dụng principal axis factoring hoặc maximum likelihood, kết hợp:
- parallel analysis;
- scree plot;
- theoretical interpretability;
- oblique rotation.
Không nên sử dụng PCA như phương án thay thế cho common factor analysis.
6.9. CFA
CFA nên kiểm định ít nhất ba competing models:
- one-factor model;
- six correlated first-order factors;
- theoretically appropriate higher-order alternative.
Báo cáo nên bao gồm:
CFI, TLI, RMSEA, SRMR và χ².
Độ tin cậy và giá trị cấu trúc cần đánh giá bằng:
α, ω, Composite Reliability, AVE và HTMT.
Không nên sử dụng cutoff một cách máy móc; các chỉ số phải được diễn giải cùng lý thuyết và đặc điểm mẫu.
6.10. Kiểm định cấu trúc bậc cao
Do AIGMC-HE được đề xuất như formative/composite higher-order capability, việc kiểm định cần phù hợp với đặc tả này.
Có thể áp dụng two-stage approach.
Giai đoạn đầu kiểm định chặt chẽ sáu reflective first-order constructs.
Giai đoạn sau đánh giá higher-order composite thông qua:
- collinearity/VIF;
- outer weights;
- significance;
- relevance;
- robustness of specification.
Không nên mặc định CB-SEM hoặc PLS-SEM là ưu việt. Lựa chọn phương pháp phải dựa vào measurement specification và mục tiêu kiểm định.
6.11. Kiểm định mô hình cấu trúc
SEM kiểm định H1–H4.
Đối với mediation, nên sử dụng bootstrapped confidence intervals cho indirect effect.
Ngoài statistical significance cần báo cáo:
- standardized coefficients;
- confidence intervals;
- effect sizes;
- R²;
- predictive indicators khi phù hợp.
6.12. Common method bias
Vì nhiều biến có thể được đo bằng self-report, nghiên cứu cần thiết kế procedural remedies trước khi thu thập dữ liệu:
- anonymity;
- tách predictor và criterion;
- tránh wording mang tính đạo đức hoặc đánh giá quá trực tiếp;
- sắp xếp item hợp lý;
- giảm item similarity.
Harman’s single-factor test không nên được sử dụng như bằng chứng duy nhất. Có thể bổ sung marker-variable hoặc latent-method approaches khi phù hợp (Podsakoff et al., 2003).
6.13. Causality và robustness
Thiết kế cắt ngang không cho phép chứng minh quan hệ nhân quả.
Vì vậy, bài báo nên sử dụng:
relationship, association, indirect effect
thay vì:
causal impact, proves, determines.
Robustness checks có thể so sánh direct-effects model, partial-mediation model và alternative measurement specifications.
- KIỂM ĐỊNH TRƯỞNG THÀNH: TỪ ĐIỂM THANG ĐO ĐẾN MATURITY PROFILE
Một cải tiến phương pháp quan trọng sau phản biện là không đồng nhất scale score với maturity level.
Quy trình nên gồm ba giai đoạn.
Giai đoạn 1 – Scale validation
Xác nhận:
- dimensionality;
- reliability;
- convergent validity;
- discriminant validity;
- higher-order specification;
- nomological validity.
Giai đoạn 2 – Empirical maturity profiling
Sau khi thang đo được xác nhận, dữ liệu sáu dimensions có thể được phân tích để nhận diện các cấu hình maturity thực tế.
Các tổ chức có thể không phát triển tuyến tính. Ví dụ, có thể xuất hiện cấu hình:
High Policy – Low Operations
hoặc:
High Technology/Risk – Low Human Capability
hoặc:
Integrated Governance – Weak Adaptive Learning.
Các profile này có giá trị quản trị lớn hơn việc chỉ sử dụng một total score.
Giai đoạn 3 – Maturity-level validation
Chỉ sau khi có đủ bằng chứng mới cân nhắc thiết lập các mức maturity.
Các mức phải có cơ sở từ:
- empirical clustering/profiling;
- criterion validity;
- external benchmarks;
- expert interpretation;
- longitudinal evidence.
Do đó:
Không nên áp đặt Level 1–5 trước validation.
Đây là một nguyên tắc quan trọng phân biệt AIGMC-HE với các maturity framework thuần túy mang tính tư vấn.
- ĐÓNG GÓP LÝ THUYẾT
8.1. Từ AI adoption sang AI governance capability
Đóng góp đầu tiên là thay đổi đơn vị phân tích.
Thay vì hỏi tổ chức đã triển khai bao nhiêu AI, AIGMC-HE tập trung vào năng lực quản trị AI.
Điều này giúp tách:
technology intensity khỏi governance quality.
8.2. Từ Responsible AI principles sang measurable capability
AIGMC-HE xây dựng cầu nối:
Responsible AI principles → Institutional capabilities → Institutionalization → Governance effectiveness.
Các nguyên tắc chuẩn tắc được chuyển thành những năng lực tổ chức có thể operationalize và kiểm định.
8.3. Từ policy existence sang institutionalization
Mô hình RAII giải quyết khoảng trống implementation.
Governance không được xem là hiệu quả chỉ vì chính sách tồn tại. Chính sách phải trở thành routines, practices và norms.
Do đó:
Policy ≠ Institutionalization.
8.4. Tích hợp maturity với Dynamic Capabilities
AIGMC-HE tái định nghĩa maturity không phải như điểm cuối của một tuyến phát triển, mà như năng lực ngày càng cao để:
Sense → Govern → Integrate → Monitor → Learn → Adapt.
Điều này làm cho maturity phù hợp hơn với bản chất biến động của AI.
8.5. Phân biệt capability và maturity level
Một đóng góp đo lường quan trọng là tách ba khái niệm thường bị nhập làm một:
Capability ≠ Scale score ≠ Maturity level.
Capability là construct lý thuyết.
Scale score là kết quả đo.
Maturity level là phân loại diễn giải cần validation riêng.
Sự phân biệt này làm tăng độ chặt chẽ phương pháp của nghiên cứu maturity trong AI governance.
- HÀM Ý QUẢN TRỊ
Nếu được kiểm định, AIGMC-HE có thể trở thành công cụ diagnostic cho lãnh đạo các trường đại học.
Thay vì chỉ trả lời trường “có” hay “không có” governance, công cụ có thể cho biết năng lực nào đang tạo bottleneck.
Ví dụ, SPGC cao nhưng OIC thấp cho thấy khoảng cách policy–implementation. DPRGC cao nhưng HOC thấp cho thấy governance thiên về kỹ thuật trong khi năng lực con người chưa phát triển tương ứng. OIC cao nhưng MAALC thấp cho thấy tổ chức đã tích hợp AI nhưng chưa xây dựng vòng phản hồi để thích ứng.
Một chu trình quản trị có thể được thiết kế:
Strategy → Responsible Governance → Data/Risk → People → Operations → Monitoring → Learning → Reconfiguration.
Thang đo cũng có thể hỗ trợ:
- AI governance self-assessment;
- strategic planning;
- AI procurement;
- governance-gap analysis;
- capability development;
- quality assurance;
- internal audit;
- benchmarking sau khi có dữ liệu chuẩn thích hợp.
Tuy nhiên, AIGMC-HE không nên được sử dụng như một bảng xếp hạng trường đại học khi chưa có bằng chứng về measurement invariance và criterion validity.
- HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI
Thứ nhất, dữ liệu self-report có thể phản ánh perception hơn là governance capability khách quan.
Thứ hai, nếu dữ liệu được thu từ cá nhân nhưng construct được định nghĩa ở cấp tổ chức, nguy cơ cross-level inference cần được kiểm soát.
Thứ ba, thiết kế cross-sectional hạn chế khả năng xác định sự phát triển maturity theo thời gian.
Thứ tư, AI governance là một moving target. Agentic AI, multimodal AI, automated decision systems và các thay đổi pháp lý có thể làm xuất hiện những miền năng lực mới.
Thứ năm, 15–20 trường có thể đủ cho việc thu thập mẫu respondent lớn nhưng chưa chắc đủ cho các kết luận multilevel ở cấp tổ chức.
Nghiên cứu tương lai nên kết hợp:
Policy Audit + AI System Inventory + Leadership Survey + Faculty Survey + Student Evidence + Incident Data + Governance Documentation.
Thiết kế longitudinal có thể kiểm tra:
Capability development → Institutionalization → Governance outcomes over time.
Nghiên cứu đa quốc gia cũng cần kiểm tra measurement invariance trước khi so sánh maturity giữa các hệ thống giáo dục và regulatory regimes.
- KẾT LUẬN
Sự phát triển nhanh chóng của AI đặt giáo dục đại học trước một chuyển dịch quản trị căn bản. Vấn đề không còn chỉ là liệu các trường đại học có khả năng tiếp nhận AI hay không, mà là liệu họ có thể quản trị AI một cách chiến lược, có trách nhiệm, tích hợp và thích ứng hay không.
Nghiên cứu đề xuất AI Governance Maturity Capability in Higher Education – AIGMC-HE như một năng lực thể chế bậc cao được cấu thành bởi sáu chiều:
Strategic & Policy Governance Capability
Responsible AI & Accountability Capability
Data, Privacy & Risk Governance Capability
Human & Organizational Capability
Operational Integration Capability
Monitoring, Audit & Adaptive Learning Capability.
Kiến trúc giải thích trung tâm là:
AI Governance Principles → AIGMC-HE → Responsible AI Institutionalization → AI Governance Effectiveness.
Điểm mới của mô hình không nằm ở tuyên bố rằng strategy, accountability, privacy, human capability hoặc audit là những khái niệm hoàn toàn mới. Đóng góp nằm ở việc tích hợp chúng thành một higher-order measurable institutional capability, đồng thời giải thích cơ chế qua đó capability được chuyển hóa thành institutionalized governance practices và governance effectiveness.
Quan trọng hơn, nghiên cứu tái định nghĩa “maturity”. Maturity không nên được xem là một nhãn Level 1–5 áp đặt lên tổ chức trước khi có bằng chứng. Nó phải được xây dựng từ một chuỗi kiểm định:
Scale validation → Empirical profiling → Maturity-level validation.
Theo logic đó, một trường đại học trưởng thành về quản trị AI không đơn thuần là trường có nhiều chính sách, nhiều hệ thống AI hoặc nhiều cơ chế kiểm soát. Đó là tổ chức có khả năng nhận diện thay đổi, thiết lập governance, tích hợp governance vào vận hành, giám sát kết quả, học hỏi từ bằng chứng và tái cấu hình hệ thống khi công nghệ và rủi ro thay đổi.
Vì vậy, luận điểm trung tâm của nghiên cứu có thể được cô đọng:
AI governance maturity is not a static level of compliance; it is an adaptive institutional capability to govern AI responsibly, coherently, and continuously under conditions of technological change.
Đây là sự chuyển dịch từ AI adoption sang AI institutional capability, từ policy existence sang Responsible AI institutionalization, và từ maturity as classification sang maturity as empirically validated adaptive governance capability.
HIGHLIGHTS
- AIGMC-HE được khái niệm hóa như một higher-order multidimensional institutional capability thay vì mức độ ứng dụng AI.
- Sáu cấu phần bao gồm SPGC, RAAC, DPRGC, HOC, OIC và MAALC.
- Mô hình cấu trúc được thu gọn thành AIGMC-HE → RAII → AIGE, với RAII đóng vai trò cơ chế thể chế hóa.
- AIGMC-HE phân biệt rõ governance capability, scale score và maturity level.
- Maturity levels không được áp đặt trước mà tuân theo trình tự Scale validation → Empirical profiling → Maturity-level validation.
- Mô hình tích hợp Responsible AI với Dynamic Capabilities để giải thích AI governance như một adaptive institutional capability.
TÀI LIỆU THAM KHẢO CỐT LÕI – APA 7
- Abraham, R., Schneider, J., & vom Brocke, J. (2019). Data governance: A conceptual framework, structured review, and research agenda. International Journal of Information Management, 49, 424–438. https://doi.org/10.1016/j.ijinfomgt.2019.07.008
- Churchill, G. A., Jr. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73. https://doi.org/10.2307/3150876
- DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE.
- Dignum, V. (2019). Responsible artificial intelligence: How to develop and use AI in a responsible way. Springer. https://doi.org/10.1007/978-3-030-30371-6
- Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28, 689–707. https://doi.org/10.1007/s11023-018-9482-5
- Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121. https://doi.org/10.1177/109442819800100106
- Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1, 389–399. https://doi.org/10.1038/s42256-019-0088-2
- Khatri, V., & Brown, C. V. (2010). Designing data governance. Communications of the ACM, 53(1), 148–152. https://doi.org/10.1145/1629175.1629210
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
- Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 1). AITECHBOOK.
- Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 2). AITECHBOOK.
- Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
- Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
- Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
- Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7%3C509::AID-SMJ882%3E3.0.CO;2-Z
- (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
