QUẢN TRỊ ĐẠI HỌC THÔNG MINH DỰA TRÊN DIGITAL TWIN: PHÁT TRIỂN VÀ KIỂM ĐỊNH KHUNG TÍCH HỢP DỮ LIỆU, MÔ PHỎNG VÀ HỖ TRỢ RA QUYẾT ĐỊNH

English title:

Digital Twin–Enabled Smart University Governance: Development and Validation of an Integrated Framework for Data, Simulation, and Decision Support

NGUYỄN VĂN HÙNG

TÓM TẮT

Chuyển đổi số trong giáo dục đại học đang dịch chuyển từ số hóa các quy trình riêng lẻ sang xây dựng các hệ sinh thái quản trị có khả năng tích hợp dữ liệu, tái hiện trạng thái hệ thống, mô phỏng các phương án và hỗ trợ ra quyết định gần thời gian thực. Trong bối cảnh đó, Digital Twin (DT) mở ra khả năng hình thành các biểu diễn số động của tài sản, không gian, quy trình và hoạt động đại học thông qua kết nối liên tục giữa hệ thống vật lý và hệ thống số. Tuy nhiên, bằng chứng hiện có vẫn tập trung chủ yếu vào kiến trúc kỹ thuật, BIM–GIS–IoT, quản lý tòa nhà, năng lượng, cơ sở vật chất và các ứng dụng smart campus chuyên biệt; cơ chế qua đó Digital Twin được chuyển hóa thành giá trị quản trị cấp thể chế vẫn chưa được khái niệm hóa và đo lường đầy đủ. Nghiên cứu này đề xuất Digital Twin–Enabled Smart University Governance Framework (DT-SUGF), trong đó Digital Twin Governance Capability (DTGC) được khái niệm hóa như một năng lực tổ chức bậc cao gồm năm cấu phần: Data Integration Capability, Digital–Physical Synchronization Capability, Modeling & Simulation Capability, Predictive & Prescriptive Analytics Capability, và Organizational & Responsible Governance Capability. DTGC được giả định thúc đẩy Digital Twin Decision Intelligence (DTDI) thông qua ba cơ chế: integrated situational awareness, scenario simulation intelligence và evidence-based decision support; DTDI sau đó góp phần nâng cao Smart University Governance Performance (SUGP) về chất lượng quyết định, hiệu quả vận hành, tối ưu nguồn lực, khả năng thích ứng, chất lượng dịch vụ và tính bền vững. Responsible Data & AI Governance (RDAIG) được mô hình hóa như một điều kiện biên bảo đảm rằng giá trị của Digital Twin được tạo ra trong khuôn khổ quyền riêng tư, an ninh, minh bạch, trách nhiệm giải trình, chất lượng dữ liệu, độ hợp lệ của mô hình và giám sát của con người. Nghiên cứu đề xuất thiết kế hỗn hợp khám phá tuần tự để phát triển và kiểm định thang đo, gồm xác lập miền khái niệm, nghiên cứu định tính, tạo mục đo, đánh giá chuyên gia, tiền kiểm nhận thức, nghiên cứu thử nghiệm và khảo sát đa cơ sở; EFA, CFA và SEM được sử dụng trên các mẫu độc lập khi điều kiện dữ liệu cho phép. Đóng góp trung tâm của DT-SUGF không nằm ở việc áp dụng Digital Twin như một công nghệ mô phỏng, mà ở việc giải thích khi nào, thông qua cơ chế nào và dưới những năng lực quản trị nào dữ liệu và mô phỏng có thể được chuyển hóa thành quyết định quản trị đại học có trách nhiệm và dựa trên bằng chứng.

TỪ KHÓA: Bản sao số (Digital Twin); Đại học thông minh (Smart University); Quản trị đại học (University Governance); Tích hợp dữ liệu (Data Integration); Mô phỏng (Simulation); Trí tuệ quyết định (Decision Intelligence); Hỗ trợ ra quyết định (Decision Support); Giáo dục đại học (Higher Education).

ABSTRACT

 Digital transformation in higher education is moving beyond the digitization of isolated processes toward governance ecosystems capable of integrating heterogeneous data, representing system states, simulating alternative scenarios, and supporting near-real-time decision-making. Digital Twin (DT) technologies offer the potential to create dynamic digital representations of university assets, spaces, processes, and operations through continuous connections between physical and digital systems. Yet existing research remains dominated by technical architectures, BIM–GIS–IoT integration, building and energy management, facilities, and specialized smart-campus applications, leaving the institutional mechanisms through which DT generates governance value insufficiently conceptualized and measured. This study develops the Digital Twin–Enabled Smart University Governance Framework (DT-SUGF) and conceptualizes Digital Twin Governance Capability (DTGC) as a higher-order organizational capability comprising Data Integration Capability, Digital–Physical Synchronization Capability, Modeling and Simulation Capability, Predictive and Prescriptive Analytics Capability, and Organizational and Responsible Governance Capability. DTGC is proposed to enhance Digital Twin Decision Intelligence (DTDI) through integrated situational awareness, scenario simulation intelligence, and evidence-based decision support, which in turn improves Smart University Governance Performance (SUGP) across decision quality, operational efficiency, resource optimization, organizational agility and resilience, stakeholder service quality, and sustainability. Responsible Data and AI Governance (RDAIG) is modeled as a boundary condition governing the trustworthy conversion of DT capabilities into decision intelligence. A sequential exploratory mixed-method scale-development design is proposed, combining construct-domain specification, qualitative elaboration, item generation, expert assessment, cognitive pretesting, pilot testing, and multi-institutional validation. EFA, CFA, and SEM will be conducted on independent samples where feasible. The principal contribution of DT-SUGF is therefore not the application of DT as a simulation technology per se, but an explanation of when, through which mechanisms, and under which governance capabilities integrated data and simulation can be transformed into responsible, evidence-based university governance decisions.

Keywords: Digital Twin; Smart University; University Governance; Data Integration; Simulation; Decision Intelligence; Higher Education.

1. GIỚI THIỆU

1.1. Bối cảnh nghiên cứu

Các trường đại học ngày càng vận hành như những hệ thống tổ chức phức hợp, nơi hoạt động giảng dạy, nghiên cứu, tuyển sinh, dịch vụ sinh viên, quản lý nhân sự, tài chính, cơ sở vật chất, năng lượng, an ninh, giao thông nội bộ và hạ tầng số phụ thuộc lẫn nhau. Sự gia tăng của Internet of Things (IoT), cloud computing, Building Information Modeling (BIM), Geographic Information Systems (GIS), artificial intelligence (AI), learning analytics và các nền tảng quản trị doanh nghiệp giúp các cơ sở giáo dục tạo ra khối lượng dữ liệu chưa từng có. Tuy nhiên, nhiều trường vẫn quản lý dữ liệu theo các silo chức năng: hệ thống quản lý sinh viên tách khỏi hệ thống tài chính, dữ liệu không gian tách khỏi cơ sở vật chất, dữ liệu năng lượng tách khỏi lịch sử dụng phòng, trong khi các dashboard thường chỉ cung cấp trạng thái quá khứ hoặc hiện tại. Vấn đề quản trị vì vậy không còn đơn thuần là thiếu dữ liệu, mà là thiếu khả năng kết nối dữ liệu với mô hình, mô phỏng và quyết định.

Digital Twin cung cấp một logic khác cho chuyển đổi số đại học. Thay vì chỉ lưu trữ thông tin hoặc trực quan hóa tài sản, DT kết nối một thực thể hoặc hệ thống vật lý với biểu diễn số có khả năng cập nhật, phân tích và mô phỏng. Phân loại kinh điển của Kritzinger et al. (2018) phân biệt Digital Model, Digital Shadow và Digital Twin theo mức độ tích hợp dữ liệu giữa thế giới vật lý và số; distinction này đặc biệt quan trọng trong giáo dục đại học vì không phải mọi mô hình BIM, bản đồ 3D hoặc dashboard campus đều là Digital Twin. Ở cấp độ trưởng thành cao hơn, DT có thể kết hợp dữ liệu cảm biến, mô hình không gian, thông tin vận hành và analytics để hỗ trợ giám sát, mô phỏng và predictive decision support.

Các nghiên cứu smart campus gần đây cho thấy AI, IoT, Big Data và Digital Twin đang hội tụ để hỗ trợ giám sát thời gian thực, tối ưu năng lượng, quản lý tài sản, mobility, an ninh và sustainability. Tuy nhiên, các tổng quan cũng chỉ ra rằng interoperability, data governance, privacy, cybersecurity và cross-domain integration vẫn là những thách thức đáng kể (Haggag et al., 2025). ITU-T Y.4241 (2026) củng cố xu hướng này khi xác lập common requirements và capability framework cho Digital Twin trong smart complex and campus, bao gồm data collection, data processing, modelling/simulation, visualization và privacy/security. Điều này gợi ý rằng giá trị của DT không nằm ở mô hình số tự thân mà ở năng lực tổ chức để vận hành một vòng lặp dữ liệu–mô phỏng–quyết định.

Từ góc độ quản trị giáo dục, vì vậy câu hỏi quan trọng không phải là “Trường đại học đã có Digital Twin hay chưa?” mà là: “Trường đại học có những năng lực nào để tích hợp dữ liệu, duy trì sự đồng bộ vật lý–số, mô phỏng các kịch bản, tạo intelligence và chuyển hóa intelligence đó thành quyết định quản trị tốt hơn?” Đây là điểm xuất phát của nghiên cứu này.

1.2. Khoảng trống nghiên cứu

Thứ nhất, nghiên cứu Digital Twin trong bối cảnh đại học vẫn mang tính technology-centric. Phần lớn công trình tập trung vào BIM, GIS, IoT, 3D visualization, facility management, energy optimization, laboratory twins hoặc smart infrastructure. Những đóng góp này cần thiết để xây dựng nền tảng kỹ thuật, nhưng chưa đủ để giải thích tại sao cùng một hạ tầng DT có thể tạo ra giá trị quản trị khác nhau giữa các trường. Một hệ thống có nhiều cảm biến và mô hình 3D không mặc nhiên có khả năng hỗ trợ quyết định chiến lược.

Thứ hai, chuỗi data-to-decision trong literature còn phân mảnh. Data integration, visualization, simulation, predictive analytics và decision support thường được nghiên cứu như các chức năng riêng. Trong khi đó, bằng chứng gần đây cho thấy Digital Twin có tiềm năng hỗ trợ institutional operations, predictive resource planning và infrastructure modeling khi được tích hợp vào một hệ thống decision support rộng hơn (Vrček et al., 2025). Điều còn thiếu là một mô hình lý thuyết giải thích cách các chức năng này kết nối thành một cơ chế tạo giá trị quản trị.

Thứ ba, literature thiếu một construct ở cấp độ tổ chức phản ánh Digital Twin Governance Capability. Các nghiên cứu về smart campus thường đo mức độ triển khai công nghệ hoặc mô tả architecture, trong khi nghiên cứu quản trị cần trả lời một vấn đề khác: những năng lực nào giúp một tổ chức có thể cảm nhận trạng thái hệ thống, tái cấu hình dữ liệu, mô phỏng phương án, kết hợp kết quả mô hình với phán đoán con người và đưa ra quyết định có trách nhiệm? Khoảng trống này đặc biệt quan trọng vì Digital Twin là một socio-technical infrastructure; hiệu quả của nó phụ thuộc đồng thời vào công nghệ, dữ liệu, con người, quy trình và cơ chế quản trị.

Thứ tư, các khía cạnh responsible governance thường xuất hiện ở phần hạn chế hoặc ethics thay vì được tích hợp vào mô hình lý thuyết. Digital Twin có thể kết hợp dữ liệu về vị trí, hành vi, lịch biểu, tài sản, người học, nhân sự và môi trường. Khi predictive hoặc prescriptive analytics được tích hợp, các vấn đề về data quality, model validity, algorithmic bias, cybersecurity, access control, accountability và human oversight trở thành điều kiện quyết định tính hợp pháp và giá trị của hệ thống. Bởi vậy, một mô hình Digital Twin dành cho quản trị đại học cần lý giải không chỉ khả năng tạo ra intelligence, mà cả điều kiện để intelligence đó được sử dụng có trách nhiệm.

1.3. Mục tiêu, câu hỏi và đóng góp nghiên cứu

Nghiên cứu theo đuổi bốn mục tiêu: (1) tái khái niệm hóa Digital Twin từ technological artifact thành một organizational governance capability; (2) phát triển Digital Twin–Enabled Smart University Governance Framework (DT-SUGF); (3) phát triển và kiểm định thang đo Digital Twin Governance Capability (DTGC); và (4) kiểm định cơ chế qua đó DTGC tạo ra Smart University Governance Performance thông qua Digital Twin Decision Intelligence.

Từ các mục tiêu này, nghiên cứu đặt ra năm câu hỏi: RQ1: Những năng lực nào cấu thành DTGC trong giáo dục đại học? RQ2: Data integration, digital–physical synchronization, simulation và analytics kết hợp như thế nào để tạo ra DTDI? RQ3: DTDI ảnh hưởng như thế nào đến Smart University Governance Performance? RQ4: DTDI có đóng vai trò trung gian giữa DTGC và SUGP hay không? RQ5: Responsible Data & AI Governance điều kiện hóa quá trình chuyển hóa DTGC thành decision intelligence như thế nào?

Nghiên cứu dự kiến tạo ba đóng góp. Về lý thuyết, nghiên cứu dịch chuyển trọng tâm từ Digital Twin adoption sang Digital Twin governance capability và nối Dynamic Capabilities Theory với Organizational Information Processing Theory trong bối cảnh đại học. Về đo lường, nghiên cứu phát triển DTGC như một higher-order construct và kiểm định cấu trúc đo lường của nó thay vì mặc định rằng các capability dimensions có thể thay thế cho nhau. Về thực tiễn, DT-SUGF cung cấp nền tảng chẩn đoán để các trường đại học xác định liệu trở ngại của họ nằm ở dữ liệu, synchronization, simulation, analytics hay governance, qua đó tránh đầu tư Digital Twin theo logic “technology-first”.

2. CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU

2.1. Từ Digital Campus đến Digital Twin–Enabled Smart University

Khái niệm smart university phát triển từ nhiều dòng nghiên cứu về smart campus, digital campus, intelligent university và data-driven higher education. Có thể mô tả quá trình trưởng thành theo năm mức khái niệm. Digitized University số hóa tài liệu và quy trình; Connected University kết nối hệ thống và thiết bị; Data-Driven University sử dụng analytics để hỗ trợ quản lý; Smart University có khả năng thích ứng, dự báo và điều phối nguồn lực; còn Digital Twin–Enabled University bổ sung dynamic representation, synchronization và simulation để kiểm thử phương án trước khi can thiệp vào hệ thống thực. Đây là một continuum khái niệm chứ không phải taxonomy chuẩn hóa tuyệt đối, nhưng nó hữu ích để phân biệt số hóa đơn thuần với năng lực mô phỏng và học hỏi ở cấp hệ thống.

Các tổng quan mới về smart campus cho thấy IoT, AI, Big Data, distributed computing và Digital Twin tạo nên một technological stack ngày càng tích hợp. Haggag et al. (2025) chỉ ra rằng các công nghệ này có tiềm năng nâng cao sustainability, operational efficiency và user experience nhưng đồng thời làm gia tăng thách thức về privacy, security và integration. Những phát hiện này cho thấy “smartness” không phải là kết quả tuyến tính của số lượng công nghệ được triển khai. Một trường đại học chỉ trở nên thông minh khi công nghệ giúp cải thiện khả năng cảm nhận, hiểu, dự báo và điều phối hệ thống.

2.2. Digital Twin: từ biểu diễn số đến vòng lặp quyết định

Kritzinger et al. (2018) phân biệt ba mức độ tích hợp: Digital Model là biểu diễn số không có data flow tự động từ thực thể vật lý; Digital Shadow có data flow tự động chủ yếu theo hướng physical-to-digital; và Digital Twin thể hiện mức độ tích hợp cao hơn với sự tương tác giữa hai miền. Mặc dù các định nghĩa DT tiếp tục phát triển theo từng ngành, distinction này giúp tránh việc gắn nhãn “Digital Twin” cho bất kỳ mô hình 3D hoặc dashboard nào.

Trong bối cảnh smart campus, ITU-T Y.4241 (2026) mô tả DT như một hệ thống có thể khai thác dữ liệu thời gian thực của physical complex/campus, mô hình hóa người, thiết bị, sự vật và sự kiện, hỗ trợ intelligent monitoring, simulation và trong một số trường hợp remote control. Khuyến nghị này cũng xác định các nhóm capability liên quan đến data collection, data processing, modelling/simulation, visualization và privacy/security. Như vậy, Digital Twin trong quản trị đại học có thể được hiểu là một infrastructure số–vật lý động kết nối dữ liệu, mô hình và analytics nhằm hỗ trợ quan sát, mô phỏng và ra quyết định về hệ thống đại học.

Đối tượng được “twinning” không nhất thiết chỉ là campus vật lý. Có thể xây twin cho tòa nhà, lớp học, phòng thí nghiệm, mạng lưới năng lượng, dòng người, asset lifecycle, timetable, dịch vụ hoặc một tập hợp quy trình. Tuy nhiên, việc mở rộng twin sang các thực thể xã hội như người học đòi hỏi thận trọng hơn vì dữ liệu về con người có tính ngữ cảnh, không ổn định và nhạy cảm. Vì vậy, DT-SUGF ưu tiên institutional operations and governance và không giả định rằng mọi hành vi con người có thể hoặc nên được tái hiện đầy đủ trong twin.

2.3. Dynamic Capabilities Theory như nền tảng lý thuyết neo

Dynamic Capabilities Theory giải thích cách tổ chức xây dựng, tích hợp và tái cấu hình năng lực trong môi trường thay đổi nhanh (Teece et al., 1997). Lý thuyết này phù hợp với Digital Twin bởi giá trị của DT không nằm ở một tài sản công nghệ cố định mà ở khả năng tổ chức sử dụng nó để liên tục cảm nhận, lựa chọn và tái cấu hình hành động.

Trong DT-SUGF, sensing được thể hiện qua khả năng tích hợp dữ liệu và duy trì situational awareness; seizing được hỗ trợ bởi simulation, predictive analytics và lựa chọn phương án; còn transforming diễn ra khi kết quả phân tích được chuyển thành thay đổi về nguồn lực, quy trình hoặc cấu hình vận hành. DTGC vì vậy có thể được hiểu là một dạng dynamic governance capability: năng lực kết nối technological resources với managerial action. Lập luận này giúp tránh deterministic assumption rằng DT tự động làm tăng performance. Hai trường có cùng nền tảng kỹ thuật nhưng khác nhau về dữ liệu, kỹ năng mô hình hóa, năng lực phân tích, governance structure và change capability có thể đạt kết quả rất khác nhau.

2.4. Organizational Information Processing Theory

Galbraith (1974) lập luận rằng khi task uncertainty tăng, tổ chức cần tăng information-processing capacity hoặc điều chỉnh cơ cấu để xử lý bất định. Đại học là một bối cảnh phù hợp với logic này vì nhiều quyết định diễn ra dưới điều kiện dữ liệu phân tán, stakeholder đa dạng, mục tiêu xung đột và các tác động liên kết. Ví dụ, thay đổi lịch học ảnh hưởng đồng thời đến sử dụng phòng, di chuyển sinh viên, năng lượng, workload và dịch vụ; mở ngành mới ảnh hưởng đến enrollment, staffing, capacity và tài chính.

Digital Twin có thể làm tăng information-processing capacity bằng cách tích hợp dữ liệu từ nhiều hệ thống, duy trì trạng thái cập nhật, mô phỏng kịch bản và trình bày các consequences có thể xảy ra. Tuy nhiên, information processing không đồng nghĩa với decision quality. Một mô hình có thể chính xác về mặt tính toán nhưng không phù hợp với mục tiêu, sử dụng dữ liệu kém chất lượng hoặc bỏ qua yếu tố xã hội. Vì vậy, nghiên cứu đưa vào Digital Twin Decision Intelligence (DTDI) như cơ chế chuyển hóa giữa capability và performance.

2.5. Digital Twin Decision Intelligence và evidence-based governance

Trong nghiên cứu này, decision intelligence không được hiểu là tự động hóa quyết định. Nó là năng lực kết hợp data, models, simulation, analytics, domain knowledge và human judgment để nâng chất lượng lựa chọn quản trị. Vrček et al. (2025) cho thấy Digital Twin có thể mô phỏng institutional operations và hỗ trợ predictive resource planning trong một architecture decision-support rộng hơn tích hợp learning analytics và generative AI. Yang và Gao (2026), trong một ứng dụng quản trị ký túc xá, cũng minh họa cách DT có thể kết nối trạng thái sinh viên, nguồn lực phòng, rule-based screening và counselor review trong một governance loop có thể truy vết. Những ví dụ này không chứng minh hiệu quả phổ quát của DT, nhưng cho thấy decision support là một cơ chế có cơ sở để nghiên cứu.

DTDI trong DT-SUGF gồm ba năng lực liên quan nhưng phân biệt: Integrated Situational Awareness (ISA), cung cấp cái nhìn tích hợp về trạng thái hiện tại; Scenario Simulation Intelligence (SSI), cho phép so sánh các phương án và consequences; và Evidence-Based Decision Support (EDS), chuyển kết quả phân tích thành alerts, alternatives, recommendations hoặc prioritized actions để nhà quản trị xem xét. Cấu trúc này phản ánh progression từ knowing what is happening đến exploring what may happen và supporting what should be considered.

2.6. Responsible Data & AI Governance

Digital Twin có thể tạo ra một dạng “institutional observability” mạnh, nhưng chính năng lực đó cũng làm tăng rủi ro giám sát, misuse, unauthorized access và over-automation. Do đó, Responsible Data & AI Governance không phải một phụ lục đạo đức mà là điều kiện biên của value creation. Khung này bao gồm ít nhất bảy nguyên tắc: privacy, security, transparency, accountability, data quality, model validity và human oversight. Khi AI được sử dụng cho predictive hoặc prescriptive analytics, cần bổ sung kiểm soát bias, model drift và contestability.

Ở cấp campus, ITU-T Y.4241 (2026) đã đưa privacy/security vào capability framework. Ở cấp tổ chức, logic responsible governance còn yêu cầu xác định data ownership, access rights, model owners, escalation paths và giới hạn sử dụng. Điều này đặc biệt quan trọng trong đại học vì decision consequences không chỉ liên quan đến chi phí vận hành mà còn có thể ảnh hưởng cơ hội học tập, quyền tiếp cận tài nguyên và đời sống của sinh viên, nhân viên.

3. PHÁT TRIỂN MÔ HÌNH VÀ GIẢ THUYẾT NGHIÊN CỨU

3.1. Digital Twin Governance Capability (DTGC)

DT-SUGF khái niệm hóa DTGC là năng lực tổ chức bậc cao cho phép trường đại học tích hợp dữ liệu đa nguồn, duy trì sự tương ứng vật lý–số, mô hình hóa và mô phỏng hệ thống, tạo analytics dự báo–khuyến nghị, và quản trị việc sử dụng Digital Twin nhằm hỗ trợ quyết định có trách nhiệm. Năm cấu phần được đề xuất không phải năm giai đoạn tuyến tính tuyệt đối mà là các capability domains bổ trợ lẫn nhau.

3.1.1. Data Integration Capability (DIC)

DIC là khả năng thu nhận, chuẩn hóa, liên kết và quản trị dữ liệu từ các nguồn dị thể. Nguồn có thể bao gồm IoT, BIM, GIS, Student Information System, Learning Management System, ERP, HRM, finance, asset management, energy, security và research systems. Digital Twin phụ thuộc vào data continuity; nếu dữ liệu bị phân mảnh, không đồng nhất về semantics hoặc kém chất lượng, twin có thể tạo ra biểu diễn sai lệch. DIC vì vậy bao gồm interoperability standards, APIs, metadata, master data, semantic alignment, data quality controls và near-real-time pipelines khi cần thiết.

3.1.2. Digital–Physical Synchronization Capability (DPSC)

DPSC phản ánh khả năng duy trì sự tương ứng có ý nghĩa giữa trạng thái vật lý và biểu diễn số. Thành phần này bao gồm sensing, state updating, temporal synchronization, event detection, fidelity và—khi thích hợp—bidirectional information flow. DPSC giúp phân biệt DT với database hoặc mô hình tĩnh. “Real-time” không nên được xem là yêu cầu cứng cho mọi use case; mức độ cập nhật phải phù hợp với tốc độ thay đổi và criticality của quyết định. Ví dụ, energy management có thể cần dữ liệu theo phút, trong khi strategic space planning có thể chỉ cần periodic synchronization.

3.1.3. Modeling & Simulation Capability (MSC)

MSC là khả năng tạo và hiệu chỉnh các mô hình đủ tin cậy để thực hiện what-if analysis, capacity simulation, process simulation, resource simulation, risk simulation và policy scenario analysis. Đây là điểm mà DT vượt qua trạng thái “quan sát”. Simulation tạo một môi trường an toàn để kiểm tra consequences tiềm năng trước khi thay đổi hệ thống thực. Tuy nhiên, chất lượng quyết định phụ thuộc vào assumptions, calibration và validation; một mô hình phức tạp nhưng không được kiểm định có thể tạo ra false precision. Vì vậy, MSC bao hàm không chỉ năng lực chạy mô phỏng mà cả model verification, validation và documentation.

3.1.4. Predictive & Prescriptive Analytics Capability (PPAC)

PPAC phản ánh khả năng sử dụng thống kê, machine learning, forecasting, anomaly detection, optimization và các kỹ thuật AI để chuyển dữ liệu và simulation outputs thành dự báo hoặc khuyến nghị. Predictive analytics trả lời câu hỏi “điều gì có khả năng xảy ra?”, trong khi prescriptive analytics hỗ trợ “những lựa chọn nào nên được xem xét dưới các mục tiêu và ràng buộc đã xác định?”. Trong đại học, ứng dụng có thể bao gồm demand forecasting, predictive maintenance, energy optimization hoặc capacity planning. PPAC không đồng nghĩa với autonomous decision-making; kết quả analytics là input cho managerial judgment.

3.1.5. Organizational & Responsible Governance Capability (ORGC)

ORGC bao gồm leadership commitment, digital strategy, governance structure, DT ownership, cross-functional coordination, staff competence, investment governance, cybersecurity, privacy, model governance, change management và human oversight. Cấu phần này ngăn DT trở thành một “technical island” vận hành tách khỏi quy trình quản trị. Một trường có thể xây twin tốt về mặt kỹ thuật nhưng vẫn không tạo value nếu không có người chịu trách nhiệm sử dụng kết quả, không có decision rights rõ ràng hoặc nếu staff không tin tưởng/hiểu mô hình.

Năm capability domains này được đề xuất cấu thành DTGC ở bậc cao. Vì chúng khác biệt về nội hàm và sự thay đổi của một dimension có thể làm thay đổi bản chất năng lực tổng thể mà không nhất thiết kéo theo sự thay đổi đồng đều ở các dimensions khác, cấu trúc reflective–formative là một đặc tả có cơ sở lý thuyết. Tuy nhiên, nghiên cứu không “khóa” trước mô hình đo lường; correlated first-order, reflective–reflective và reflective–formative specifications sẽ được so sánh trong quá trình validation.

H1a–H1e. Data Integration Capability, Digital–Physical Synchronization Capability, Modeling & Simulation Capability, Predictive & Prescriptive Analytics Capability và Organizational & Responsible Governance Capability là các năng lực phân biệt nhưng bổ trợ cấu thành Digital Twin Governance Capability.

3.2. DTGC và Digital Twin Decision Intelligence

Theo Dynamic Capabilities Theory, technological resources chỉ tạo lợi thế khi tổ chức có khả năng huy động và tái cấu hình chúng. Theo Organizational Information Processing Theory, capability value tăng khi nó giúp tổ chức xử lý uncertainty hiệu quả hơn. DTGC kết hợp hai logic này: data integration và synchronization giúp xây dựng situational awareness; simulation giúp đánh giá alternatives; predictive/prescriptive analytics mở rộng khả năng dự báo; và governance capability kết nối outputs với decision processes. Do đó, trường có DTGC cao được kỳ vọng tạo ra DTDI cao hơn.

H2. Digital Twin Governance Capability có tác động tích cực đến Digital Twin Decision Intelligence.

3.3. DTDI và Smart University Governance Performance

DTDI tạo value khi nó làm thay đổi chất lượng quyết định và hành động. Integrated situational awareness có thể giảm information latency; scenario simulation cho phép nhận diện trade-offs trước khi can thiệp; evidence-based decision support có thể giúp nhà quản trị so sánh alternatives nhất quán hơn. Những cơ chế này có khả năng ảnh hưởng đến Decision Quality, Operational Efficiency, Resource Optimization, Organizational Agility & Resilience, Stakeholder Service Quality và Sustainability Performance. Vì các outcomes này không nhất thiết đồng biến hoàn toàn, nghiên cứu không mặc định chúng là reflective indicators có thể thay thế cho nhau; cấu trúc SUGP sẽ được kiểm định như một composite bậc cao hoặc báo cáo theo domains nếu dữ liệu không hỗ trợ cấu trúc tổng hợp.

H3. Digital Twin Decision Intelligence có tác động tích cực đến Smart University Governance Performance.

3.4. Tác động trực tiếp và cơ chế trung gian

DTGC có thể tạo một số lợi ích trực tiếp, chẳng hạn tăng transparency của tài sản hoặc rút ngắn thời gian truy cập thông tin. Tuy nhiên, luận điểm cốt lõi của DT-SUGF là capability không tự động biến thành performance; nó phải được chuyển hóa thành decision intelligence. Do đó, nghiên cứu giữ đường dẫn trực tiếp DTGC → SUGP để kiểm tra partial versus full mediation, nhưng kỳ vọng phần quan trọng của tác động được truyền qua DTDI.

H4. Digital Twin Governance Capability có tác động tích cực đến Smart University Governance Performance.

H5. Digital Twin Decision Intelligence đóng vai trò trung gian trong mối quan hệ giữa Digital Twin Governance Capability và Smart University Governance Performance.

3.5. Vai trò điều tiết của Responsible Data & AI Governance

DTGC cao không bảo đảm DTDI hữu ích nếu data quality kém, mô hình thiếu validity, quyền truy cập không được kiểm soát hoặc users không biết giới hạn của recommendation. Responsible governance có thể tăng credibility, interpretability và organizational acceptance của Digital Twin outputs, qua đó làm tăng khả năng capability được chuyển hóa thành intelligence có thể sử dụng. Ngược lại, governance yếu có thể tạo “high-tech, low-trust” systems, nơi dữ liệu nhiều nhưng decision-makers không tin hoặc không thể giải trình kết quả.

H6. Responsible Data & AI Governance điều tiết tích cực mối quan hệ giữa Digital Twin Governance Capability và Digital Twin Decision Intelligence; tác động của DTGC lên DTDI mạnh hơn khi RDAIG ở mức cao.

3.6. Mô hình nghiên cứu tổng quát

DIGITAL & PHYSICAL UNIVERSITY RESOURCE BASE
IoT – BIM – GIS – ERP – SIS – LMS – Cloud – Sensors – Institutional Data
↓
DIGITAL TWIN GOVERNANCE CAPABILITY (DTGC)
DIC – Data Integration Capability
DPSC – Digital–Physical Synchronization Capability
MSC – Modeling & Simulation Capability
PPAC – Predictive & Prescriptive Analytics Capability
ORGC – Organizational & Responsible Governance Capability
↓
DIGITAL TWIN DECISION INTELLIGENCE (DTDI)
ISA – Integrated Situational Awareness
SSI – Scenario Simulation Intelligence
EDS – Evidence-Based Decision Support
↓
SMART UNIVERSITY GOVERNANCE PERFORMANCE (SUGP)
Decision Quality – Operational Efficiency – Resource Optimization – Organizational Agility & Resilience – Stakeholder Service Quality – Sustainability Performance

Boundary condition: RESPONSIBLE DATA & AI GOVERNANCE (RDAIG) – Privacy – Security – Transparency – Accountability – Data Quality – Model Validity – Human Oversight – Contestability.

4. PHƯƠNG PHÁP NGHIÊN CỨU

4.1. Thiết kế nghiên cứu tổng thể

Do DTGC là một construct mới và mục tiêu đồng thời bao gồm phát triển thang đo và kiểm định nomological network, nghiên cứu áp dụng sequential exploratory mixed-method scale-development design. Quy trình dựa trên nguyên tắc xác định rõ construct domain trước khi tạo item, đánh giá content validity trước khi purification, và tách giai đoạn khám phá khỏi xác nhận khi điều kiện mẫu cho phép (Churchill, 1979; Hinkin, 1998). Sáu bước được đề xuất: (1) conceptual domain specification; (2) qualitative construct elaboration; (3) item generation and content validation; (4) cognitive pretest and pilot purification; (5) measurement validation; và (6) structural validation.

4.2. Giai đoạn 1: Conceptual domain specification

Nghiên cứu thực hiện systematic/scoping review với các nhóm thuật ngữ: “Digital Twin”, “smart campus”, “smart university”, “higher education management”, “university governance”, “decision support”, “digital twin capability”, “simulation”, “data-driven university”, “campus digital twin”, “data governance” và “AI governance”. Scopus, Web of Science, IEEE Xplore, ScienceDirect và SpringerLink là các cơ sở dữ liệu ưu tiên. Review cần ghi rõ search date, strings, inclusion/exclusion criteria, deduplication, screening và extraction protocol để tăng reproducibility.

Mục tiêu của giai đoạn này không phải đếm ứng dụng DT mà là xác lập boundaries của DTGC và phân biệt nó với các constructs lân cận như digital maturity, IT capability, analytics capability, smart-campus readiness và AI readiness. Một criterion quan trọng là DTGC phải phản ánh organizational ability to use Digital Twin for governance, không phải chỉ mức độ hiện diện của công nghệ.

4.3. Giai đoạn 2: Qualitative construct elaboration

Phỏng vấn bán cấu trúc khoảng 20–30 người có kinh nghiệm phù hợp, bao gồm university leaders, higher education managers, CIO/CTO, digital transformation managers, facility managers, data/AI specialists, BIM/GIS/IoT specialists và educational management scholars. Sampling nên theo purposive maximum-variation để bao quát các trường có mức trưởng thành số và use cases khác nhau. Phỏng vấn tập trung vào: dữ liệu nào được tích hợp; mức synchronization cần thiết; simulation nào có giá trị; ai sử dụng outputs; failures thường gặp; và cơ chế governance nào cần thiết.

Thematic analysis được sử dụng để kiểm tra xem năm dimensions đề xuất có đủ, có chồng lấn hay cần điều chỉnh. Giai đoạn định tính cũng giúp phát hiện ngôn ngữ thực tế của respondents để tránh item quá kỹ thuật. Nếu saturation đạt sớm, sample không cần tăng cơ học; nếu xuất hiện dimensions mới có ý nghĩa lý thuyết, framework cần được cập nhật trước khi tạo thang đo.

4.4. Giai đoạn 3: Item generation và content validity

Item pool được tạo từ literature, phỏng vấn và adaptation có kiểm soát từ các thang đo liên quan. Item cần phản ánh capability chứ không phản ánh possession. Ví dụ, thay vì “trường có hệ thống BIM”, item tốt hơn là “trường có khả năng tích hợp dữ liệu BIM với các nguồn vận hành có liên quan để hỗ trợ quyết định”. Cách viết này giảm nguy cơ đo technology availability thay vì organizational capability.

Hội đồng 8–15 chuyên gia đánh giá relevance, clarity, representativeness và redundancy. Có thể sử dụng Item-Level Content Validity Index (I-CVI), Scale-Level CVI và modified kappa. Quyết định giữ/xóa item không chỉ dựa trên cut-off thống kê mà còn dựa trên construct coverage. Các item mang nội dung riêng biệt về theoretically essential dimension không nên bị loại chỉ vì wording ban đầu chưa tối ưu.

4.5. Cognitive pretest và pilot study

Cognitive interviews với khoảng 15–30 người thuộc target population được dùng để kiểm tra cách hiểu các thuật ngữ Digital Twin, synchronization, simulation, predictive analytics và governance. Đây là bước quan trọng vì respondents có thể hiểu “Digital Twin” như mô hình 3D, metaverse hoặc dashboard. Một định nghĩa ngắn, trung lập nên được cung cấp ở đầu khảo sát để chuẩn hóa frame of reference mà không dẫn dắt câu trả lời.

Pilot study dự kiến n ≈ 120–200. Phân tích tập trung vào missingness, floor/ceiling effects, item distributions, item-total correlations, internal consistency, preliminary EFA và cross-loadings. Alpha không được sử dụng như criterion duy nhất. Item purification phải bảo đảm mỗi dimension còn đủ breadth về nội dung.

4.6. Main validation study và chiến lược lấy mẫu

Main study thực hiện tại nhiều cơ sở giáo dục đại học. Respondents có thể gồm lãnh đạo trường/đơn vị, cán bộ quản lý, chuyên viên chuyển đổi số, quản trị công nghệ, quản trị cơ sở vật chất, data specialists và giảng viên có vai trò quản lý liên quan. Để giảm key-informant bias, nếu có thể nên thu nhiều respondents trong cùng tổ chức và tạo institutional-level measures khi intraclass correlations và interrater agreement hỗ trợ aggregation.

Cỡ mẫu 500–800 chỉ là khoảng lập kế hoạch. Sample size cuối cùng cần dựa trên power analysis, số free parameters, estimator, complexity của higher-order model, tỷ lệ missing data và chiến lược split-sample. Nếu dữ liệu đủ lớn, Sample A được dùng cho EFA và Sample B độc lập cho CFA/SEM; tốt hơn nữa có thể dùng holdout sample cho predictive/robustness validation.

4.7. Kiểm định mô hình đo lường

CFA đánh giá standardized loadings, Cronbach’s alpha, Composite Reliability, Average Variance Extracted, convergent validity và discriminant validity. HTMT được sử dụng như một chỉ báo bổ sung để đánh giá discriminant validity. Model fit nên báo cáo χ²/df, CFI, TLI, RMSEA và SRMR, đồng thời tránh tư duy “cut-off hunting”; fit phải được xem cùng residuals, modification indices và lý thuyết.

Với DTGC, ít nhất ba specifications được so sánh: correlated first-order model, reflective–reflective higher-order model và reflective–formative higher-order model. Nếu bậc hai là formative, cần đánh giá multicollinearity, dimension weights, statistical significance và nomological/content validity. Với SUGP, nghiên cứu cũng kiểm tra liệu sáu outcomes có thể tạo composite bậc cao hay nên được giữ như separate dependent variables. Việc ép một higher-order factor chỉ để đơn giản hóa SEM sẽ bị tránh nếu theory và data không hỗ trợ.

4.8. Kiểm định mô hình cấu trúc

Vì mục tiêu chính là theory testing và scale validation, covariance-based SEM (CB-SEM) là lựa chọn mặc định. PLS-SEM chỉ được sử dụng nếu có justification rõ ràng liên quan đến formative measurement, prediction orientation hoặc distribution/sample constraints; phương pháp không được chọn sau khi quan sát kết quả để tối đa hóa significance.

Structural model kiểm định H2–H6. Direct effects được báo cáo với standardized coefficients, standard errors, confidence intervals và p-values. Mediation của DTDI được kiểm định bằng bootstrapped indirect effects. Moderation của RDAIG được kiểm định bằng latent interaction hoặc product indicator approach phù hợp với estimator; simple slopes được báo cáo để diễn giải interaction. Các competing models gồm: Model A (DTGC → SUGP), Model B (DTGC → DTDI → SUGP) và Model C (moderated mediation model). Incremental explanatory value được đánh giá bằng fit, explained variance, information criteria khi phù hợp và theoretical parsimony.

4.9. Common method bias, multilevel structure và robustness

Procedural remedies bao gồm anonymity, separation of predictor/outcome sections, neutral wording và giảm ambiguity. Statistical diagnostics có thể gồm marker-variable hoặc latent-method-factor approaches nếu thiết kế dữ liệu cho phép. Harman’s single-factor test, nếu sử dụng, chỉ được xem là kiểm tra sơ bộ và không phải bằng chứng đủ để loại trừ common method bias.

Nếu respondents được lồng trong universities, standard errors cần điều chỉnh theo clustering hoặc sử dụng multilevel SEM khi số cluster đủ. Measurement invariance được kiểm tra trước khi Multi-Group Analysis giữa public/private universities, high/low digital maturity hoặc DT adopters/early-stage institutions. Robustness cũng bao gồm alternative model testing, sensitivity analyses và kiểm tra endogeneity khi có cơ sở.

4.10. Đạo đức nghiên cứu

Nghiên cứu bảo đảm informed consent, voluntary participation, anonymity/confidentiality, data minimization và secure storage. Nếu AI được sử dụng để hỗ trợ coding, translation hoặc language editing, việc sử dụng phải được công bố theo quy định của tạp chí và không thay thế trách nhiệm của tác giả. Dữ liệu người tham gia không được đưa vào public generative AI systems nếu chưa có cơ sở pháp lý và biện pháp bảo vệ phù hợp.

5. CHIẾN LƯỢC PHÂN TÍCH VÀ BÁO CÁO KẾT QUẢ

Vì bản thảo này phát triển mô hình và thiết kế validation, nghiên cứu không dự đoán hệ số trước khi thu thập dữ liệu. Bài thực nghiệm cần báo cáo đầy đủ cả các giả thuyết được ủng hộ và không được ủng hộ, tránh diễn giải post hoc như dự đoán ban đầu.

Ở measurement model, báo cáo cấu trúc nhân tố, loading, reliability, AVE, HTMT, model fit và kết quả so sánh higher-order specifications. Với formative higher-order DTGC, báo cáo dimension weights, VIF và ý nghĩa thống kê; nếu một dimension không có weight đáng kể nhưng có theoretical/content importance, cần phân biệt giữa statistical contribution và conceptual relevance thay vì tự động loại bỏ.

Ở structural model, báo cáo standardized β, SE, 95% confidence intervals, p-values, R² và effect sizes. Indirect effect DTGC → DTDI → SUGP phải được đánh giá bằng bootstrapping. Interaction DTGC × RDAIG → DTDI được minh họa bằng simple-slope plot ở các mức RDAIG phù hợp. Nếu H4 trực tiếp trở nên không còn ý nghĩa khi DTDI được thêm vào, kết quả sẽ phù hợp hơn với full mediation; nếu vẫn còn, partial mediation là interpretation phù hợp hơn.

Robustness analysis nên so sánh ít nhất ba mô hình: Model A: DTGC → SUGP; Model B: DTGC → DTDI → SUGP; Model C: DTGC × RDAIG → DTDI → SUGP. Mục tiêu không phải tìm mô hình phức tạp nhất mà xác định liệu mediator và boundary condition có tạo incremental explanatory value đủ lớn so với cost về complexity.

6. THẢO LUẬN

6.1. Luận điểm trung tâm

Phần thảo luận của nghiên cứu cần quay lại câu hỏi: Digital Twin tạo ra một đại học thông minh vì nó tái hiện chính xác hệ thống vật lý, hay vì tổ chức có khả năng biến sự tái hiện đó thành intelligence và hành động quản trị tốt hơn? DT-SUGF lựa chọn lập luận thứ hai. Digital Twin tạo ra potential information value; governance capability và decision intelligence mới quyết định việc potential đó có chuyển thành institutional value hay không.

Lập luận này có ba hệ quả. Thứ nhất, “smartness” không thể đo bằng số lượng cảm biến, số mô hình 3D hoặc mức độ hiện đại của dashboard. Thứ hai, simulation chỉ có giá trị quản trị nếu kết quả được interpret trong bối cảnh mục tiêu, constraints và stakeholder consequences. Thứ ba, tự động hóa nhiều hơn không đồng nghĩa với governance tốt hơn; trong các quyết định có ảnh hưởng cao, human judgment và accountability phải được duy trì.

6.2. Đóng góp lý thuyết

Đóng góp thứ nhất – Repositioning Digital Twin. Nghiên cứu chuyển Digital Twin từ technological artifact sang organizational governance capability. Đây là thay đổi đơn vị phân tích: từ “hệ thống có chức năng gì” sang “tổ chức có khả năng gì khi sử dụng hệ thống”.

Đóng góp thứ hai – Higher-order capability construct. DTGC tích hợp năm capability domains: data integration, digital–physical synchronization, modeling & simulation, predictive & prescriptive analytics, và organizational & responsible governance. Cấu trúc này cho phép giải thích vì sao đầu tư kỹ thuật tương tự có thể tạo outcomes khác nhau.

Đóng góp thứ ba – Mechanism explanation. DT-SUGF không giả định DTGC → Performance như một black box mà đưa vào DTDI để giải thích cách capability tạo value. Điều này nối Dynamic Capabilities Theory với Organizational Information Processing Theory: capability tăng khả năng xử lý bất định; decision intelligence chuyển information-processing gains thành decision value.

Đóng góp thứ tư – Integrating simulation into governance. Simulation được đưa vào core governance mechanism chứ không chỉ là technical feature. Điều này mở rộng research agenda từ facility visualization sang policy/capacity/resource scenario analysis.

Đóng góp thứ năm – Responsible governance as boundary condition. Privacy, security, data quality, model validity và human oversight được đưa vào nomological model. Điều này làm rõ rằng responsible governance không chỉ hạn chế rủi ro mà có thể là value-enabling condition, vì trust, validity và accountability quyết định liệu decision-makers có thể sử dụng outputs hay không.

6.3. Đóng góp cho nghiên cứu quản trị giáo dục

DT-SUGF giúp đưa Digital Twin vào phạm vi của educational governance thay vì giới hạn trong engineering hoặc facility management. Governance ở đây không chỉ là vận hành campus mà bao gồm khả năng phối hợp nguồn lực, tăng transparency, cải thiện evidence use, mô phỏng trade-offs và xây dựng organizational resilience. Tuy nhiên, nghiên cứu cũng tránh mở rộng quá mức: không phải mọi quyết định học thuật đều nên được “twinning”, và không phải mọi dữ liệu người học đều phù hợp để mô hình hóa. Phạm vi ứng dụng phải được xác định theo proportionality giữa decision value và ethical risk.

7. HÀM Ý QUẢN TRỊ VÀ CHÍNH SÁCH

Đối với lãnh đạo đại học, điểm khởi đầu không nên là “Nên mua nền tảng Digital Twin nào?” mà là “Quyết định quản trị nào cần được cải thiện, mức bất định nào cần giảm, và dữ liệu/mô phỏng nào cần thiết để cải thiện quyết định đó?” Logic đầu tư nên đi theo chuỗi Governance Problem → Decision Requirement → Data Requirement → Twin Capability → Technology, thay vì mua công nghệ rồi tìm use case.

Đối với quản trị dữ liệu, DT đòi hỏi institutional data architecture có interoperability standards, data catalog, master data, APIs, metadata, access controls, data quality rules và stewardship roles. Nếu nền dữ liệu chưa trưởng thành, đầu tư vào visualization hoặc AI có thể làm tăng complexity mà không tạo decision value.

Đối với facility và operations management, DT có thể hỗ trợ predictive maintenance, utilization analysis, energy management, space planning và emergency simulation. Nghiên cứu case của Yang và Gao (2026) cho thấy DT-enabled decision support có thể được thiết kế thành một auditable governance loop cho quản lý ký túc xá, minh họa tiềm năng vượt ra ngoài building visualization.

Đối với hoạch định chiến lược, Digital Twin có thể được sử dụng cho enrollment scenarios, campus expansion, capacity planning, sustainability và resource allocation, nhưng các mô hình phải công khai assumptions và uncertainty. Nhà quản trị nên xem simulation là decision rehearsal, không phải dự báo tất định.

Ở cấp chính sách, tiêu chuẩn smart university nên chuyển từ equipment-based indicators sang capability- and outcome-based indicators. ITU-T Y.4241 (2026) cung cấp một điểm tham chiếu kỹ thuật quan trọng cho smart campus DT; tuy nhiên, giáo dục đại học cần bổ sung dimensions về governance, human oversight, institutional accountability và educational values.

8. HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

Mô hình đề xuất có một số giới hạn. Thứ nhất, nếu validation dựa trên dữ liệu cross-sectional, khả năng suy luận nhân quả sẽ hạn chế; longitudinal design cần thiết để xác định capability development và performance change theo thời gian. Thứ hai, self-report measures có thể tạo common method bias và overestimation; nghiên cứu tiếp theo nên kết hợp survey với digital trace, sensor, energy, maintenance hoặc objective performance data. Thứ ba, Digital Twin maturity khác nhau đáng kể giữa trường; respondents ở early-stage institutions có thể đánh giá aspiration thay vì actual capability. Screening questions và maturity controls cần được sử dụng.

Thứ tư, khái niệm DT tiếp tục thay đổi và có nguy cơ bị “label inflation”; việc phân biệt Digital Model, Digital Shadow và Digital Twin cần được giữ trong sampling và interpretation. Thứ năm, bối cảnh pháp lý, hạ tầng và governance khác nhau giữa quốc gia hạn chế khả năng khái quát hóa. Cross-country validation và measurement invariance là hướng quan trọng. Thứ sáu, SUGP là multidimensional; các nghiên cứu tiếp theo nên kiểm tra objective outcomes riêng thay vì luôn tổng hợp thành một chỉ số.

Các hướng nghiên cứu tiềm năng bao gồm multilevel modeling, quasi-experiments, causal inference, agent-based simulation, AI-enabled Digital Twins, federated digital twin architectures, privacy-preserving analytics và human–AI decision collaboration. Một hướng đặc biệt quan trọng là nghiên cứu model uncertainty and contestability: khi twin đưa ra recommendation, người quản trị cần biết mức độ chắc chắn, assumptions và cơ chế phản biện/chỉnh sửa mô hình.

9. KẾT LUẬN

Digital Twin trong đại học không nên được thu hẹp thành mô hình 3D của campus hoặc công cụ theo dõi cơ sở vật chất. Giá trị chiến lược của DT nằm ở khả năng hình thành một biểu diễn số động, có mức đồng bộ phù hợp, có thể mô phỏng và kết nối với analytics, qua đó biến dữ liệu phân tán thành intelligence hỗ trợ quyết định. Tuy nhiên, công nghệ tự thân không tạo ra “smart university”.

Nghiên cứu đề xuất Digital Twin–Enabled Smart University Governance Framework (DT-SUGF) với chuỗi lý thuyết: Digital & Physical Resource Base → Digital Twin Governance Capability → Digital Twin Decision Intelligence → Smart University Governance Performance, dưới điều kiện của Responsible Data & AI Governance. Trong kiến trúc này, DTGC là higher-order organizational capability kết hợp tích hợp dữ liệu, synchronization, simulation, analytics và governance; DTDI là cơ chế chuyển hóa capability thành situational awareness, scenario intelligence và evidence-based support; RDAIG bảo đảm rằng việc tạo value gắn với data quality, model validity, privacy, security, accountability và human oversight.

Đóng góp cốt lõi của DT-SUGF vì vậy không nằm ở việc đưa Digital Twin vào khuôn viên đại học, mà ở việc giải thích khi nào, bằng cơ chế nào và dưới những năng lực quản trị nào Digital Twin có thể cải thiện quản trị. Theo cách tiếp cận này, smartness là một thuộc tính nổi lên của năng lực tổ chức biến dữ liệu và mô phỏng thành quyết định tốt hơn, chứ không phải thuộc tính nội tại của công nghệ.

TUYÊN BỐ ĐÓNG GÓP LÝ THUYẾT CỐT LÕI

The theoretical contribution of the DT-SUGF does not lie merely in applying Digital Twin technology to university campuses. Rather, it lies in conceptualizing Digital Twin Governance Capability as a higher-order organizational capability through which universities integrate heterogeneous data, synchronize physical and digital states, simulate alternative scenarios, generate predictive and prescriptive intelligence, and transform such intelligence into responsible and evidence-based governance decisions.

TÀI LIỆU THAM KHẢO

1. 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/10.1177/002224377901600110
2. Galbraith, J. R. (1974). Organization design: An information processing view. Interfaces, 4(3), 28–36. https://doi.org/10.1287/inte.4.3.28
3. Haggag, M., Oulefki, A., Amira, A., Kurugollu, F., Mushtaha, E. S., Soudan, B., Hamad, K., & Foufou, S. (2025). Integrating advanced technologies for sustainable smart campus development: A comprehensive survey of recent studies. Advanced Engineering Informatics, 66, 103412. https://doi.org/10.1016/j.aei.2025.103412
4. 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
5. International Telecommunication Union. (2026). ITU-T Y.4241: Common requirements and capability framework of digital twin for smart complex and campus. ITU.
6. Kritzinger, W., Karner, M., Traar, G., Henjes, J., & Sihn, W. (2018). Digital twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine, 51(11), 1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474
7. 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.
8. 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.
9. 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
10. Vrček, N., Begičević Ređep, N., Šlibar, B., & Grabar, D. (2025). Smart decision-making: The role of digital twins, retrieval-augmented generation-enhanced AI, and learning analytics. Ubiquity Proceedings, 6(1), 2. https://doi.org/10.5334/uproc.170
11. Yang, L., & Gao, Y. (2026). Digital twin-enabled decision support for flexible dormitory governance in higher education. In Proceedings of the 2026 5th International Conference on Humanities, Wisdom Education and Service Management (HWESM 2026). Atlantis Press. https://doi.org/10.2991/978-2-38476-593-5_50