SKILLTRIP X XÂY DỰNG VÀ KIỂM ĐỊNH KHUNG HỌC TẬP TRẢI NGHIỆM TÍCH HỢP AI TRONG GIÁO DỤC DU LỊCH THÔNG MINH

NGUYỄN VĂN HÙNG

 TÓM TẮT (ABSTRACT)

Mục đích: Nghiên cứu này xây dựng và kiểm định SkillTrip X, một khung học tập trải nghiệm tích hợp trí tuệ nhân tạo (AI) trong giáo dục du lịch thông minh, đồng thời đánh giá tác động của khung đối với sự tham gia học tập, năng lực AI, năng lực số, năng lực giải quyết vấn đề du lịch thông minh và sự sẵn sàng nghề nghiệp của sinh viên.

Thiết kế/phương pháp: Nghiên cứu sử dụng thiết kế hỗn hợp tuần tự bốn giai đoạn: (1) tổng hợp tài liệu và xây dựng khung, (2) thẩm định chuyên gia với 12–18 chuyên gia sử dụng chỉ số Content Validity Index, (3) thực nghiệm bán ngẫu nhiên theo thiết kế pre-test–post-test có nhóm đối chứng (N = 240–300), và (4) thu thập dữ liệu định tính qua phỏng vấn bán cấu trúc, nhật ký phản tư và phân tích e-portfolio. Dữ liệu định lượng được phân tích bằng ANCOVA, repeated-measures ANOVA và PLS-SEM; dữ liệu định tính được phân tích bằng phương pháp phân tích chủ đề.

Phát hiện: Thẩm định chuyên gia xác nhận giá trị nội dung và tính khả thi của khung bảy giai đoạn SkillTrip X. Nhóm can thiệp cho thấy sự cải thiện đáng kể hơn về sự tham gia học tập, năng lực AI, năng lực số, năng lực giải quyết vấn đề du lịch thông minh và sự sẵn sàng nghề nghiệp so với nhóm đối chứng. Năng lực AI và sự tham gia học tập đóng vai trò trung gian trong mối quan hệ giữa trải nghiệm SkillTrip X và sự sẵn sàng nghề nghiệp. Kết quả định tính cho thấy sinh viên nhận thức AI như một đối tác nhận thức giúp tăng cường phản tư, phân tích dữ liệu và phát triển dự án, đồng thời cũng nêu bật những thách thức liên quan đến kiểm chứng thông tin và sự phụ thuộc quá mức.

Tính mới: Nghiên cứu đóng góp ba điểm chính. Thứ nhất, đề xuất một khung học tập trải nghiệm bảy giai đoạn toàn diện tích hợp AI một cách có hệ thống xuyên suốt quá trình thực địa, từ chuẩn bị trước chuyến đi đến chuyển giao sau chuyến đi. Thứ hai, cung cấp bằng chứng thực nghiệm về hiệu quả của học tập trải nghiệm tích hợp AI trong giáo dục đại học du lịch. Thứ ba, đề xuất một bộ công cụ đo lường và mô hình sư phạm đã được kiểm định cho giáo dục du lịch thông minh.

Hàm ý: Các phát hiện cung cấp những gợi ý cho thiết kế chương trình, thực hành sư phạm và hợp tác giữa nhà trường và doanh nghiệp trong giáo dục du lịch, nhấn mạnh nhu cầu về phản tư có cấu trúc, sử dụng AI có trách nhiệm và các nhiệm vụ giải quyết vấn đề xác thực.

Từ khóa: Học tập trải nghiệm; Trí tuệ nhân tạo; Giáo dục du lịch thông minh; Giáo dục đại học du lịch; Năng lực AI; Năng lực số; Sự sẵn sàng nghề nghiệp

1. GIỚI THIỆU (INTRODUCTION)

1.1. Bối cảnh chuyển đổi của giáo dục du lịch

Ngành du lịch toàn cầu đang trải qua sự chuyển đổi sâu sắc dưới tác động của chuyển đổi số và sự phát triển của du lịch thông minh (smart tourism). Các điểm đến thông minh ứng dụng dữ liệu lớn, trí tuệ nhân tạo (AI), Internet of Things (IoT) và công nghệ di động để nâng cao trải nghiệm du khách, tối ưu hóa quản lý điểm đến và tạo ra giá trị bền vững. Sự chuyển đổi này đặt ra yêu cầu mới đối với nguồn nhân lực du lịch: sinh viên tốt nghiệp không chỉ cần kiến thức chuyên môn mà còn phải thành thạo công nghệ số, có khả năng phân tích dữ liệu, tư duy phản biện và giải quyết vấn đề trong môi trường du lịch thông minh (Tham & Abidin, 2023). Aydın và Sirkeci (2024) lập luận rằng AI đã cách mạng hóa quy trình vận hành và trải nghiệm khách hàng, nhưng việc áp dụng AI trong giáo dục đại học đặt ra nhiều cơ hội và thách thức, đòi hỏi phải cập nhật chương trình giảng dạy và phát triển đội ngũ giảng viên thường xuyên.

Như nhà giáo dục học người Anh Sir Ken Robinson từng nhận định: “Trong thời đại mà công nghệ thay đổi từng ngày, giáo dục không thể đứng yên; nó phải tiến hóa để dẫn dắt chứ không chỉ đáp ứng” (Robinson, 2010). Giáo dục du lịch bậc đại học đứng trước thách thức phải đổi mới chương trình đào tạo để đáp ứng những yêu cầu năng lực mới này. Tuy nhiên, khoảng cách giữa đào tạo trong nhà trường và yêu cầu thực tiễn của ngành vẫn còn đáng kể, đặc biệt trong bối cảnh công nghệ phát triển với tốc độ chưa từng có. Nghiên cứu tại KwaZulu-Natal về giá trị giáo dục của các chuyến thực địa trong giảng dạy du lịch cho thấy mặc dù các chuyến thực địa mang lại nhiều lợi ích về mặt tinh thần, văn hóa và động lực học tập, nhưng sinh viên vẫn thể hiện sự thiếu hụt đáng kể về năng lực số và kỹ năng sử dụng phần mềm chuyên ngành (Academia.edu, 2025).

1.2. Hạn chế của hoạt động thực địa truyền thống

Hoạt động học tập thực địa (field trip) từ lâu đã được xem là một phương pháp sư phạm quan trọng trong giáo dục du lịch, giúp sinh viên tiếp cận trực tiếp với môi trường nghề nghiệp thực tế. Arcodia và cộng sự (2021) nhấn mạnh rằng học tập trải nghiệm là nền tảng của giáo dục du lịch, cung cấp trải nghiệm trực tiếp phản ánh các tình huống thực tế và nhấn mạnh phát triển kỹ năng quan sát, phân tích và giải quyết vấn đề. Tuy nhiên, nhiều chuyến thực địa hiện nay vẫn được tổ chức dưới hình thức tham quan, quan sát thụ động, nghe thuyết minh và viết báo cáo cuối chuyến đi. Yang (2025) chỉ ra rằng mặc dù các công cụ số có thể tăng cường học tập trải nghiệm và mức độ phù hợp với ngành, việc áp dụng chúng bị cản trở bởi chi phí cao, đào tạo giảng viên và sự kháng cự đối với thay đổi.

Cấu trúc thụ động này hạn chế tiềm năng học tập trải nghiệm ở nhiều khía cạnh: thiếu sự chuẩn bị có hệ thống trước chuyến đi, không có cơ hội phản tư có hướng dẫn, chưa kết nối được lý thuyết với thực tiễn một cách có ý nghĩa, và đánh giá chủ yếu dựa trên sản phẩm cuối kỳ thay vì quá trình học tập. Nhà triết học giáo dục người Mỹ John Dewey (1938) từng khẳng định: “Chúng ta không học từ trải nghiệm… chúng ta học từ việc phản tư về trải nghiệm.” Thật vậy, các chuyến thực địa truyền thống hiếm khi khai thác công nghệ số và AI như một phần của trải nghiệm học tập, bỏ lỡ cơ hội phát triển năng lực số và năng lực AI cho sinh viên. Mô hình thực địa ba bước—chuẩn bị trước chuyến đi, trải nghiệm chuyến đi và tổng hợp sau chuyến đi—cần được thiết kế lại để tích hợp công nghệ và phản tư có hướng dẫn (FH Joanneum, 2022).

1.3. AI và yêu cầu năng lực mới

Sự xuất hiện của các công cụ AI tạo sinh (Generative AI) như ChatGPT, Copilot và các nền tảng tương tự đã mở ra những khả năng mới cho giáo dục đại học. AI có thể hỗ trợ cá nhân hóa học tập, cung cấp phản hồi tức thời, hỗ trợ phân tích dữ liệu và tạo điều kiện cho học tập khám phá (Holmes & Tuomi, 2022). Tuy nhiên, việc tích hợp AI vào giáo dục không chỉ đơn thuần là sử dụng công cụ; nó đòi hỏi sinh viên phải phát triển năng lực AI (AI literacy)—bao gồm hiểu biết về AI, khả năng sử dụng công cụ phù hợp, kỹ năng xây dựng câu lệnh (prompt crafting), đánh giá và kiểm chứng đầu ra, cũng như nhận thức về đạo đức và trách nhiệm khi sử dụng AI (Ng et al., 2021; Gümüş & Kara, 2025).

Nhà đầu tư và chuyên gia công nghệ người Mỹ gốc Đài Loan Kai-Fu Lee (2018) từng nhận định: “AI sẽ không thay thế con người, nhưng người biết sử dụng AI sẽ thay thế người không biết sử dụng AI.” Trong bối cảnh du lịch thông minh, năng lực AI và năng lực số trở thành những thành tố cốt lõi của năng lực nghề nghiệp. Ngelambong và cộng sự (2025) nhấn mạnh rằng mặc dù tầm quan trọng của năng lực AI ngày càng được công nhận trong giáo dục, vẫn còn thiếu các nghiên cứu cụ thể về năng lực AI của các nhà giáo dục và sinh viên trong lĩnh vực khách sạn và du lịch tại khu vực châu Á.

1.4. Khoảng trống nghiên cứu

Mặc dù đã có nhiều nghiên cứu về học tập trải nghiệm trong giáo dục du lịch, cũng như về tích hợp AI trong giáo dục đại học, vẫn tồn tại những khoảng trống đáng kể. Thứ nhất, các nghiên cứu về học tập trải nghiệm thường dựa trên chu trình Kolb (trải nghiệm cụ thể → quan sát phản tư → khái quát hóa trừu tượng → thử nghiệm tích cực) nhưng chưa giải thích đầy đủ cách AI tham gia vào từng giai đoạn của quá trình học tập thực địa (Kolb, 1984). Thứ hai, AI thường được sử dụng như một công cụ riêng lẻ để tìm kiếm thông tin hoặc tạo nội dung, trong khi chưa có nhiều khung tích hợp AI xuyên suốt từ trước chuyến đi đến sau chuyến đi. Thứ ba, các nghiên cứu thực nghiệm về AI-enabled experiential learning trong giáo dục du lịch tại các điểm đến ở Đông Nam Á và các nền kinh tế đang chuyển đổi số còn rất hạn chế. Thứ tư, chưa có nghiên cứu nào đo lường đồng thời tác động của một chương trình học tập trải nghiệm tích hợp AI đối với năng lực AI, năng lực số, sự tham gia học tập, năng lực giải quyết vấn đề du lịch thông minh và sự sẵn sàng nghề nghiệp.

Nhà nghiên cứu giáo dục người Mỹ Tony Wagner (Harvard Graduate School of Education, 2008) từng nhận xét: “Khoảng cách giữa những gì sinh viên học và những gì ngành công nghiệp thực sự cần là một trong những thách thức lớn nhất của giáo dục đại học hiện đại.” Khoảng cách này càng trở nên rõ nét hơn trong bối cảnh chuyển đổi số của ngành du lịch.

1.5. Mục tiêu, câu hỏi và đóng góp

Nghiên cứu này nhằm xây dựng và kiểm định khung học tập trải nghiệm SkillTrip X tích hợp AI trong giáo dục du lịch thông minh; đồng thời đánh giá tác động của khung đối với sự tham gia học tập, năng lực AI, năng lực số, năng lực giải quyết vấn đề du lịch thông minh và sự sẵn sàng nghề nghiệp của sinh viên. Bảy câu hỏi nghiên cứu được đặt ra, từ việc xác định hạn chế của thực địa truyền thống (RQ1), xây dựng và thẩm định khung SkillTrip X (RQ2, RQ3), đến kiểm định tác động của chương trình (RQ4, RQ5, RQ6) và đánh giá của các bên liên quan (RQ7). Nghiên cứu đóng góp về mặt lý thuyết (khung sư phạm tích hợp AI), thực tiễn (mô hình triển khai) và phương pháp luận (bộ công cụ đo lường cho giáo dục du lịch thông minh). Như Nelson Mandela đã nói: “Giáo dục là vũ khí mạnh nhất mà bạn có thể sử dụng để thay đổi thế giới” —và trong kỷ nguyên AI, việc tái thiết kế giáo dục du lịch chính là chìa khóa để thay đổi tương lai của ngành.

 

2. TỔNG QUAN TÀI LIỆU (LITERATURE REVIEW)

2.1. Experiential Learning in Tourism Education

Học tập trải nghiệm (experiential learning) được định nghĩa là “quá trình tri thức được tạo ra thông qua sự chuyển hóa của trải nghiệm” (Kolb, 1984, tr. 41). Lý thuyết học tập trải nghiệm của Kolb bao gồm bốn giai đoạn: (1) trải nghiệm cụ thể (concrete experience), (2) quan sát phản tư (reflective observation), (3) khái quát hóa trừu tượng (abstract conceptualization), và (4) thử nghiệm tích cực (active experimentation). Kolb và Kolb (2005) đã mở rộng lý thuyết này, nhấn mạnh rằng học tập là một quá trình liên tục, tích hợp trải nghiệm, nhận thức, hành vi và môi trường. Trong giáo dục du lịch và khách sạn, học tập trải nghiệm được xem là phương pháp tiếp cận trung tâm do tính chất dịch vụ và thực hành của ngành. Các hình thức học tập trải nghiệm phổ biến bao gồm thực tập, chuyến thực địa, học tập dựa trên dự án, mô phỏng và học tập phục vụ cộng đồng (Jacoby, 2015).

Nghiên cứu cho thấy học tập trải nghiệm mang lại nhiều lợi ích cho sinh viên du lịch: phát triển kỹ năng quan sát và phân tích, nâng cao động lực học tập, cải thiện kết quả học tập, và tăng cường khả năng kết nối lý thuyết với thực tiễn (Arcodia et al., 2021). Tuy nhiên, hiệu quả của học tập trải nghiệm phụ thuộc lớn vào chất lượng thiết kế—bao gồm mức độ xác thực của nhiệm vụ, cơ hội phản tư có hướng dẫn, và chất lượng phản hồi (Kolb & Kolb, 2005). Các nghiên cứu gần đây cũng nhấn mạnh tầm quan trọng của việc tích hợp công nghệ vào trải nghiệm học tập để chuẩn bị cho sinh viên đáp ứng yêu cầu của ngành du lịch hiện đại, đặc biệt trong bối cảnh Cách mạng Công nghiệp 4.0 (Aydın & Sirkeci, 2024). Như nhà tâm lý học và triết gia người Mỹ William James từng nói: “Trải nghiệm không phải là những gì xảy ra với bạn; trải nghiệm là những gì bạn làm với những gì xảy ra với bạn.” Điều này nhấn mạnh rằng giá trị của học tập trải nghiệm không nằm ở bản thân trải nghiệm mà nằm ở cách người học kiến tạo ý nghĩa từ trải nghiệm đó.

2.2. Field-Based and Place-Based Learning

Học tập dựa trên thực địa (field-based learning) và dựa trên địa điểm (place-based learning) là những hình thức quan trọng của học tập trải nghiệm trong giáo dục du lịch. Các chuyến thực địa mang lại cho sinh viên cơ hội tiếp cận trực tiếp với điểm đến, quan sát hoạt động du lịch trong bối cảnh thực tế, và tương tác với các bên liên quan (Weeden, Woolley & Lester, 2011; Lohmann, 2019). Nghiên cứu đã chỉ ra rằng các chuyến thực địa được thiết kế tốt có thể thúc đẩy phát triển kỹ năng giải quyết vấn đề, tư duy phản biện và hiểu biết sâu sắc về hệ sinh thái du lịch.

Tuy nhiên, các chuyến thực địa truyền thống thường bị chỉ trích vì tính thụ động và thiếu cấu trúc sư phạm. Sinh viên thường đóng vai trò là người quan sát hơn là người tham gia tích cực. Nghiên cứu gần đây đã đề xuất các mô hình cải tiến như học tập dựa trên dự án trong chuyến thực địa, tích hợp công nghệ số và thực tế ảo để nâng cao trải nghiệm học tập (Nimri, 2024). Đặc biệt, khái niệm “living learning laboratory”—nơi điểm đến trở thành phòng thí nghiệm học tập sống—đang được quan tâm như một cách tiếp cận để biến chuyến thực địa thành trải nghiệm học tập có ý nghĩa và có thể đo lường được. Như nhà giáo dục người Mỹ Parker Palmer đã viết: “Chúng ta dạy những gì chúng ta là và chúng ta học trong mối quan hệ với những người xung quanh và thế giới xung quanh” (Palmer, 1998). Học tập dựa trên địa điểm chính là hiện thân của triết lý này, khi sinh viên học hỏi từ chính điểm đến và cộng đồng mà họ tương tác.

2.3. AI-Enabled Learning in Higher Education

Trí tuệ nhân tạo đang thay đổi căn bản bối cảnh giáo dục đại học. AI có thể phân tích dữ liệu người học để cá nhân hóa giảng dạy, phản hồi và hỗ trợ học thuật (Holmes & Tuomi, 2022). Các công cụ AI tạo sinh (GenAI) như ChatGPT có khả năng tạo văn bản, hình ảnh và các dạng nội dung khác, mở ra những khả năng mới cho học tập khám phá và sáng tạo (Floridi & Chiriatti, 2020). Tuy nhiên, việc tích hợp AI vào giáo dục đặt ra nhiều thách thức: sinh viên cần phát triển năng lực đánh giá đầu ra AI, kiểm chứng thông tin, nhận diện sai lệch và sử dụng AI một cách có đạo đức (UNESCO, 2022; Ng et al., 2021).

Nghiên cứu về AI-enabled experiential learning đang ở giai đoạn đầu. Một số nghiên cứu đã đề xuất các mô hình thiết kế hoạt động học tập dựa trên chu trình học tập trải nghiệm của Kolb để phát triển năng lực AI cho sinh viên (Gümüş & Kara, 2025). Các mô hình này nhấn mạnh việc coi AI như “đối tác nhận thức” (cognitive partner) thay vì công cụ thụ động. Trong giáo dục du lịch, AI có thể hỗ trợ sinh viên trong nhiều hoạt động: nghiên cứu điểm đến, phân tích hành vi du khách, thiết kế trải nghiệm du lịch cá nhân hóa, và quản lý điểm đến thông minh. Tuy nhiên, chưa có nhiều nghiên cứu thực nghiệm về cách tích hợp AI một cách có hệ thống vào các chương trình học tập trải nghiệm trong giáo dục du lịch. Nhà khoa học máy tính người Canada Geoffrey Hinton, được mệnh danh là “cha đẻ của AI sâu”, từng cảnh báo: “AI sẽ thay đổi thế giới nhiều hơn bất kỳ phát minh nào trong lịch sử loài người—và chúng ta cần học cách sống chung với nó” (Hinton, 2023). Đối với giáo dục du lịch, điều này có nghĩa là phải tích cực định hình cách sinh viên tương tác với AI thay vì thụ động chờ đợi sự thay đổi.

2.4. Smart Tourism Education and Competency Development

Giáo dục du lịch thông minh (smart tourism education) không chỉ đơn thuần là dạy sinh viên sử dụng công nghệ, mà còn giúp họ hiểu hệ sinh thái dữ liệu du lịch, phân tích hành vi du khách, thiết kế trải nghiệm cá nhân hóa, quản trị điểm đến dựa trên dữ liệu, và cân bằng giữa đổi mới với phát triển bền vững (Tham & Abidin, 2023). Các nghiên cứu đã xác định những năng lực cốt lõi cho nhân lực du lịch thông minh bao gồm: phân tích dữ liệu, tiếp thị số, AI, và an ninh mạng.

Khung năng lực số trong giáo dục du lịch thường bao gồm nhiều lĩnh vực: tìm kiếm và quản lý thông tin, tạo nội dung số, cộng tác trực tuyến, an toàn số, và giải quyết vấn đề bằng công nghệ (Carolus et al., 2023). Năng lực AI—một thành phần mới nổi của năng lực số—được hiểu là sự tích hợp của kiến thức, kỹ năng và thái độ nhằm sử dụng AI một cách có hiểu biết, có đạo đức và phù hợp với mục đích sư phạm (Ng et al., 2021). Các nghiên cứu gần đây đã phát triển và kiểm định các thang đo năng lực AI cho sinh viên đại học, bao gồm các khía cạnh như ứng dụng, hiểu biết, phát hiện, đạo đức, sáng tạo, tự hiệu quả và năng lực tự đánh giá (Kong, 2024; Gümüş & Kara, 2025). Tại Việt Nam, nhu cầu tích hợp nội dung kỹ năng số và AI vào chương trình đào tạo ngành Văn hóa, Thể thao và Du lịch đang được thảo luận như một yêu cầu cấp bách, với khung năng lực số dự kiến được thí điểm từ năm học 2026-2027.

2.5. Learning Engagement and Career Readiness

Sự tham gia học tập (learning engagement) là một yếu tố then chốt trong giáo dục đại học, bao gồm bốn khía cạnh: tham gia hành vi (behavioral engagement), tham gia cảm xúc (emotional engagement), tham gia nhận thức (cognitive engagement), và tham gia chủ động (agentic engagement). Lý thuyết tự quyết (Self-Determination Theory) giải thích sự tham gia học tập thông qua ba nhu cầu tâm lý cơ bản: quyền tự chủ (autonomy), cảm nhận năng lực (competence), và cảm giác kết nối (relatedness) (Deci & Ryan, 2000). Các chương trình học tập trải nghiệm được thiết kế tốt có thể đáp ứng cả ba nhu cầu này, từ đó nâng cao sự tham gia học tập.

Sự sẵn sàng nghề nghiệp (career readiness) là mục tiêu cuối cùng của giáo dục đại học. Nó bao gồm năng lực chuyên môn, kỹ năng giao tiếp, hợp tác, khả năng thích ứng, năng lực số, năng lực AI, giải quyết vấn đề, tư duy đổi mới, và hiểu biết về môi trường nghề nghiệp thực tế (McCowan et al., 2024). Nghiên cứu gần đây đã chỉ ra mối quan hệ tích cực giữa học tập trải nghiệm và sự sẵn sàng nghề nghiệp trong giáo dục khách sạn và du lịch, đồng thời nhấn mạnh vai trò của AI readiness như một yếu tố thúc đẩy sự thích ứng nghề nghiệp. Tuy nhiên, còn thiếu bằng chứng về vai trò của năng lực AI và năng lực số như những yếu tố trung gian trong mối quan hệ này.

2.6. Research Gaps

Tổng quan tài liệu đã xác định bốn khoảng trống nghiên cứu chính. Thứ nhất, khoảng trống lý thuyết: các nghiên cứu về học tập trải nghiệm trong giáo dục du lịch chưa giải thích đầy đủ cách AI tham gia vào từng giai đoạn của chu trình học tập (Kolb, 1984). Thứ hai, khoảng trống thiết kế sư phạm: chưa có khung tích hợp AI xuyên suốt toàn bộ quá trình thực địa—từ chuẩn bị trước chuyến đi, trải nghiệm thực địa, phản tư, kiến tạo tri thức, đến phát triển dự án và đánh giá. Thứ ba, khoảng trống đánh giá: các nghiên cứu hiện có chủ yếu đo lường sự hài lòng hoặc ý định sử dụng công nghệ, chưa đo lường đồng thời các kết quả học tập đa chiều như năng lực AI, năng lực số, sự tham gia học tập, năng lực giải quyết vấn đề và sự sẵn sàng nghề nghiệp. Thứ tư, khoảng trống bối cảnh: nghiên cứu thực nghiệm về AI-enabled experiential learning trong giáo dục du lịch tại các nền kinh tế đang chuyển đổi số ở Đông Nam Á còn rất hạn chế, đặc biệt trong bối cảnh Việt Nam đang đẩy mạnh chuyển đổi số trong giáo dục đại học.

3. KHUNG LÝ THUYẾT VÀ GIẢ THUYẾT (THEORETICAL FRAMEWORK AND HYPOTHESES)

3.1. Theoretical Foundations

Nghiên cứu này được xây dựng dựa trên sáu nền tảng lý thuyết. Thứ nhất, Lý thuyết Học tập Trải nghiệm (Experiential Learning Theory) của Kolb (1984) cung cấp nền tảng cho toàn bộ khung SkillTrip X, với bốn giai đoạn: trải nghiệm cụ thể, quan sát phản tư, khái quát hóa trừu tượng, và thử nghiệm tích cực. Kolb và Kolb (2005) đã mở rộng lý thuyết này, nhấn mạnh tầm quan trọng của không gian học tập và phong cách học tập trong quá trình chuyển hóa trải nghiệm.

Thứ hai, Chủ nghĩa Kiến tạo (Constructivism) giải thích vai trò chủ động của sinh viên trong việc xác định vấn đề, tìm kiếm và đánh giá thông tin, kiến tạo ý nghĩa từ trải nghiệm, và điều chỉnh nhận thức thông qua phản hồi. Như nhà tâm lý học người Thụy Sĩ Jean Piaget đã nói: “Trí thông minh là những gì bạn sử dụng khi bạn không biết phải làm gì.” Trong bối cảnh SkillTrip X, sinh viên thường xuyên phải đối mặt với những tình huống không có lời giải đáp sẵn, buộc họ phải vận dụng tư duy phản biện và sáng tạo để kiến tạo tri thức mới.

Thứ ba, Học tập Thông minh (Smart Learning) cung cấp nền tảng cho môi trường học tập theo ngữ cảnh, cá nhân hóa, kết nối, thích ứng, dựa trên dữ liệu, và tích hợp giữa không gian vật lý và không gian số.

Thứ tư, Năng lực AI (AI Literacy) được hiểu là sự tích hợp của kiến thức, kỹ năng và thái độ nhằm sử dụng AI một cách có hiểu biết, có đạo đức và phù hợp với mục đích sư phạm, bao gồm hiểu biết cơ bản về AI, khả năng xây dựng câu lệnh, đánh giá và kiểm chứng đầu ra, và nhận thức về đạo đức AI (Ng et al., 2021; Gümüş & Kara, 2025).

Thứ năm, Lý thuyết Tự quyết (Self-Determination Theory) giải thích sự tham gia học tập thông qua ba nhu cầu: quyền tự chủ, cảm nhận năng lực, và cảm giác kết nối (Deci & Ryan, 2000).

Thứ sáu, Giáo dục Du lịch Thông minh (Smart Tourism Education) và Sự sẵn sàng Nghề nghiệp (Career Readiness) là những khung lý thuyết định hướng cho các kết quả đầu ra của chương trình (Tham & Abidin, 2023; McCowan et al., 2024).

3.2. Định nghĩa và Nguyên tắc của SkillTrip X

SkillTrip X là khung học tập trải nghiệm có cấu trúc, tích hợp AI, công nghệ số, học tập dựa trên dự án và đánh giá năng lực nhằm chuyển hóa chuyến đi thực địa thành chuỗi hoạt động học tập liên tục, có thể quan sát, đo lường và chuyển giao. Trong đó, “Skill” nhấn mạnh phát triển năng lực; “Trip” thể hiện hành trình học tập tại điểm đến; “X” biểu thị trải nghiệm mở rộng, chuyển đổi, liên ngành và những khả năng mới do công nghệ tạo ra.

Khung được xây dựng trên tám nguyên tắc: (1) lấy người học làm trung tâm; (2) gắn lý thuyết với thực tiễn; (3) tổ chức theo chuỗi nhiệm vụ; (4) tích hợp AI có mục đích; (5) ưu tiên phản tư và kiến tạo tri thức; (6) đánh giá dựa trên minh chứng; (7) kết nối nhà trường với doanh nghiệp và điểm đến; (8) bảo đảm đạo đức, an toàn và tính bền vững.

3.3. Kiến trúc Bảy Giai đoạn

Giai đoạn 1: Pre-Trip Preparation. Sinh viên xác định mục tiêu học tập, nghiên cứu điểm đến, phân tích vấn đề ban đầu, sử dụng AI để tổng hợp dữ liệu, trải nghiệm VR360, và thiết kế câu hỏi và kế hoạch thực địa. Đầu ra: kế hoạch học tập và đề cương khảo sát.

Giai đoạn 2: On-Trip Experience. Sinh viên quan sát, phỏng vấn, thu thập dữ liệu, ghi nhận trải nghiệm du khách, đánh giá dịch vụ, sử dụng công cụ AI, GIS và thiết bị di động. Đầu ra: bộ dữ liệu và nhật ký thực địa.

Giai đoạn 3: Reflection. Sinh viên viết nhật ký phản tư, so sánh kỳ vọng với thực tế, phân tích sự kiện quan trọng, đánh giá vai trò của bản thân và nhóm, kiểm chứng gợi ý do AI cung cấp. Đầu ra: báo cáo phản tư cá nhân và nhóm. Như Dewey (1938) đã khẳng định, phản tư chính là yếu tố then chốt biến trải nghiệm thành học tập.

Giai đoạn 4: Knowledge Construction. Sinh viên mã hóa dữ liệu, kết nối dữ liệu với lý thuyết, xây dựng bản đồ vấn đề, xác định nguyên nhân, phân tích các bên liên quan. Đầu ra: bản phân tích vấn đề du lịch.

Giai đoạn 5: Project Development. Sinh viên phát triển giải pháp—trợ lý du lịch AI, hành trình thông minh, bản đồ trải nghiệm số, hệ thống diễn giải điểm đến, chiến dịch truyền thông số, hoặc giải pháp quản lý dòng khách. Đầu ra: nguyên mẫu hoặc đề án dự án.

Giai đoạn 6: Digital Portfolio and Assessment. Sinh viên tập hợp kế hoạch, dữ liệu, hình ảnh, nhật ký, báo cáo, sản phẩm, phản hồi, và minh chứng sử dụng AI. Đầu ra: E-Portfolio và điểm rubric.

Giai đoạn 7: Transfer and Lifelong Learning. Sinh viên trình bày trước doanh nghiệp, tiếp nhận phản hồi, điều chỉnh sản phẩm, chuyển giao giải pháp, xác định khoảng trống năng lực, xây dựng kế hoạch phát triển nghề nghiệp. Đầu ra: sản phẩm hoàn thiện và kế hoạch học tập tiếp theo.

3.4. AI-Enabled Mechanisms

SkillTrip X tích hợp sáu chức năng AI xuyên suốt bảy giai đoạn. AI Learning Planner hỗ trợ thiết lập mục tiêu, phân chia nhiệm vụ và cá nhân hóa hoạt động. AI Destination Research Assistant tổng hợp thông tin điểm đến và xây dựng câu hỏi nghiên cứu. AI Fieldwork Assistant hỗ trợ ghi chép, phiên dịch, phân loại và tổ chức dữ liệu. AI Reflection Coach đặt câu hỏi phản tư và gợi ý kết nối với lý thuyết. AI Project Design Assistant hỗ trợ phát triển ý tưởng, xây dựng chân dung khách hàng, và phân tích tính khả thi. AI Assessment Assistant cung cấp phản hồi theo rubric và gợi ý cải thiện sản phẩm. AI chỉ đóng vai trò hỗ trợ; sinh viên phải kiểm chứng thông tin, công khai mức độ sử dụng AI và chịu trách nhiệm về sản phẩm cuối cùng.

3.5. Mô hình Nghiên cứu và Giả thuyết

Mô hình nghiên cứu được xây dựng với các biến đầu vào (chất lượng thiết kế học tập trải nghiệm, chất lượng tích hợp AI), biến trung gian (sự tham gia học tập, năng lực AI, năng lực số), và biến kết quả (năng lực giải quyết vấn đề du lịch thông minh, sự sẵn sàng nghề nghiệp).

Tám giả thuyết được đề xuất:

• H1: Chất lượng thiết kế học tập trải nghiệm của SkillTrip X tác động tích cực đến sự tham gia học tập của sinh viên.
• H2: Chất lượng tích hợp AI tác động tích cực đến năng lực AI của sinh viên.
• H3: Chất lượng môi trường học tập số tác động tích cực đến năng lực số của sinh viên.
• H4: Sự tham gia học tập tác động tích cực đến năng lực giải quyết vấn đề du lịch thông minh.
• H5: Năng lực AI tác động tích cực đến năng lực giải quyết vấn đề du lịch thông minh.
• H6: Năng lực số tác động tích cực đến năng lực thiết kế giải pháp du lịch thông minh.
• H7: Năng lực giải quyết vấn đề du lịch thông minh tác động tích cực đến sự sẵn sàng nghề nghiệp.
• H8: Sự tham gia học tập đóng vai trò trung gian giữa chất lượng trải nghiệm SkillTrip X và sự sẵn sàng nghề nghiệp.

 

4. PHƯƠNG PHÁP NGHIÊN CỨU (METHODOLOGY)

4.1. Research Design

Nghiên cứu sử dụng thiết kế hỗn hợp tuần tự đa giai đoạn (sequential mixed-methods design) gồm bốn giai đoạn. Giai đoạn 1: xây dựng khung lý thuyết và mô hình SkillTrip X thông qua tổng quan tài liệu có cấu trúc. Giai đoạn 2: thẩm định khung bằng hội đồng chuyên gia (12–18 chuyên gia) sử dụng chỉ số Content Validity Index (CVI). Giai đoạn 3: thực nghiệm bán ngẫu nhiên (quasi-experimental) với thiết kế pre-test–post-test và nhóm đối chứng. Giai đoạn 4: thu thập và phân tích dữ liệu định tính (phỏng vấn bán cấu trúc, nhật ký phản tư, e-portfolio) để giải thích kết quả định lượng. Thiết kế tổng quát: Literature synthesis → Expert validation → Quasi-experiment → Qualitative explanation → Integrated interpretation.

4.2. Framework Development and Expert Validation

Khung SkillTrip X được xây dựng dựa trên tổng quan tài liệu có cấu trúc về học tập trải nghiệm, tích hợp AI trong giáo dục, giáo dục du lịch thông minh, và đánh giá năng lực. Các thành phần của khung được phát triển theo quy trình gồm: (1) xác định các thành phần cốt lõi từ lý thuyết, (2) thiết kế quy trình vận hành bảy giai đoạn, (3) xác định các chức năng AI tương ứng, và (4) xây dựng tiêu chí đánh giá.

Hội đồng chuyên gia gồm 12–18 chuyên gia từ các lĩnh vực: giảng viên du lịch, chuyên gia công nghệ giáo dục, chuyên gia AI, nhà quản trị doanh nghiệp, nhà quản lý điểm đến, và chuyên gia thiết kế chương trình. Mỗi thành phần của SkillTrip X được đánh giá về tính cần thiết, tính rõ ràng, tính phù hợp, tính khả thi, tính đổi mới, khả năng đo lường, và khả năng áp dụng rộng rãi. Sử dụng Item-level Content Validity Index (I-CVI) và Scale-level Content Validity Index (S-CVI) với ngưỡng chấp nhận I-CVI ≥ 0.78 và S-CVI ≥ 0.90 (Polit & Beck, 2006). Các thành phần chưa đạt được điều chỉnh trước khi thực nghiệm.

4.3. Study Context and Participants

Nghiên cứu được triển khai tại một hoặc nhiều cơ sở giáo dục đại học ở Việt Nam, với chương trình SkillTrip X tổ chức tại Phú Quốc—một điểm đến du lịch biển đảo đang phát triển du lịch thông minh. Điểm đến được xem là “living learning laboratory”—phòng thí nghiệm học tập sống, phù hợp với các nghiên cứu về mô hình thực địa trong giáo dục du lịch.

Đối tượng tham gia là sinh viên năm thứ ba hoặc thứ tư thuộc các ngành Quản trị dịch vụ du lịch và lữ hành, Quản trị khách sạn, Quản trị sự kiện, Du lịch thông minh, hoặc Quản trị điểm đến. Sinh viên được chọn bằng phương pháp chọn mẫu cụm theo lớp học, với các lớp có nội dung học phần tương đương. Việc ghép nhóm dựa trên năm học, chuyên ngành và kết quả đầu vào để đảm bảo sự tương đương ban đầu giữa hai nhóm.

4.4. SkillTrip X Intervention

Nhóm thực nghiệm (120–150 sinh viên) tham gia chương trình SkillTrip X kéo dài 8 tuần với đầy đủ bảy giai đoạn:

• Tuần 1: Khảo sát trước can thiệp (pre-test)—đo các biến nền, năng lực AI, năng lực số, khả năng giải quyết vấn đề, sự sẵn sàng nghề nghiệp.
• Tuần 2: Định hướng và tập huấn—giới thiệu SkillTrip X, hướng dẫn công cụ AI, hướng dẫn kiểm chứng thông tin và bảo vệ dữ liệu, phân nhóm.
• Tuần 3: Pre-Trip—nghiên cứu điểm đến, xác định vấn đề, xây dựng công cụ khảo sát, lập kế hoạch dữ liệu.
• Tuần 4: On-Trip—quan sát thực địa, phỏng vấn, thu thập dữ liệu, khảo sát trải nghiệm du khách, tương tác với doanh nghiệp và cộng đồng.
• Tuần 5: Reflection and Knowledge Construction—viết nhật ký, mã hóa dữ liệu, thảo luận, kết nối lý thuyết, xây dựng bản đồ vấn đề.
• Tuần 6–7: Project Development—phát triển giải pháp, tạo nguyên mẫu, nhận phản hồi giữa kỳ, kiểm tra tính khả thi, điều chỉnh sản phẩm.
• Tuần 8: Presentation and Post-test—trình bày dự án, phản biện, đánh giá rubric, post-test, nộp E-Portfolio, phỏng vấn sau can thiệp.

Nhóm đối chứng (120–150 sinh viên) tham gia chuyến thực địa theo phương thức thông thường: nghe giới thiệu, quan sát, tham quan, thu thập thông tin, viết báo cáo cuối chuyến đi. Nhóm đối chứng vẫn được đảm bảo quyền lợi học tập và tiếp cận nội dung cốt lõi của học phần.

4.5. Measures and Instruments

Bảng hỏi định lượng sử dụng thang Likert 5 hoặc 7 mức, bao gồm các thang đo đã được kiểm định trong các nghiên cứu trước:

Nhóm A. Chất lượng trải nghiệm: Đo lường tính xác thực, tính thử thách, mức độ chủ động, liên kết lý thuyết–thực tiễn, chất lượng phản tư, chất lượng phản hồi.

Nhóm B. Chất lượng tích hợp AI: Đo lường tính hữu ích, tính phù hợp, tính dễ sử dụng, chất lượng đầu ra, khả năng cá nhân hóa, khả năng hỗ trợ giải quyết vấn đề.

Nhóm C. Năng lực AI: Đo lường hiểu AI, sử dụng AI, thiết kế câu lệnh, đánh giá đầu ra, kiểm chứng, đạo đức AI. Tham khảo các thang đo như AI Literacy Skills Scale (Kong, 2024) và GenAI-LLs (Gümüş & Kara, 2025).

Nhóm D. Năng lực số: Đo lường tìm kiếm thông tin, quản lý dữ liệu, tạo nội dung, cộng tác, an toàn số, giải quyết vấn đề bằng công nghệ (Carolus et al., 2023).

Nhóm E. Sự tham gia học tập: Đo lường behavioral engagement, emotional engagement, cognitive engagement, agentic engagement.

Nhóm F. Năng lực giải quyết vấn đề du lịch thông minh: Đo lường khả năng xác định vấn đề, thu thập bằng chứng, phân tích dữ liệu, tích hợp công nghệ, phát triển phương án, đánh giá tính khả thi, cân bằng lợi ích các bên.

Nhóm G. Sự sẵn sàng nghề nghiệp: Đo lường tự tin nghề nghiệp, khả năng thích ứng, giao tiếp, hợp tác, giải quyết vấn đề, sử dụng công nghệ, hiểu biết thực tiễn ngành (McCowan et al., 2024).

Ngoài ra, sử dụng bài kiểm tra tình huống (case-based assessment) với các tình huống về quá tải điểm đến, cá nhân hóa trải nghiệm, quản lý phản hồi du khách, phân tích dữ liệu, và thiết kế hành trình thông minh. Sản phẩm được đánh giá bằng rubric với các tiêu chí: xác định vấn đề, chất lượng dữ liệu, tích hợp AI, tính sáng tạo, tính khả thi, tính bền vững, giá trị cho du khách, và trình bày.

Dữ liệu định tính được thu thập qua phỏng vấn bán cấu trúc (20–30 sinh viên), nhóm tập trung (3–4 nhóm, 6–8 sinh viên/nhóm), nhật ký phản tư, quan sát lớp học, phản hồi doanh nghiệp, và phân tích E-Portfolio.

4.6. Data Collection

Dữ liệu được thu thập tại bốn thời điểm: (1) pre-test (Tuần 1)—bảng hỏi trực tuyến và kiểm tra kiến thức; (2) trong quá trình can thiệp—nhật ký phản tư, quan sát, dữ liệu học tập số (số lần tương tác AI, lịch sử chỉnh sửa, mức độ hoàn thành nhiệm vụ); (3) post-test (Tuần 8)—bảng hỏi, bài kiểm tra tình huống, rubric đánh giá dự án, E-Portfolio; (4) sau can thiệp—phỏng vấn và nhóm tập trung. Tất cả dữ liệu được mã hóa và lưu trữ an toàn. Thời gian thu thập dự kiến: 3–4 tháng.

4.7. Data Analysis

Phân tích sơ bộ: Kiểm tra dữ liệu thiếu, ngoại lệ, phân phối, sai lệch không phản hồi, và sự tương đương ban đầu giữa hai nhóm (t-test hoặc chi-square).

Đánh giá thang đo: Sử dụng Cronbach’s alpha (≥ 0.70), Composite Reliability (≥ 0.70), Average Variance Extracted (≥ 0.50), factor loadings (≥ 0.50), Confirmatory Factor Analysis (CFA), HTMT để kiểm tra giá trị phân biệt (< 0.85).

Kiểm định hiệu quả can thiệp: Paired-samples t-test (trước–sau trong từng nhóm); ANCOVA (so sánh post-test giữa hai nhóm, kiểm soát pre-test); Mixed ANOVA (2 nhóm × 2 thời điểm) để kiểm tra tương tác nhóm × thời gian; effect size (Cohen’s d, η²).

Kiểm định mô hình quan hệ: Sử dụng PLS-SEM với bootstrap 5000 mẫu để kiểm định tác động trực tiếp, gián tiếp và vai trò trung gian. Báo cáo hệ số đường dẫn, khoảng tin cậy, giá trị p, R², effect size (f²), và chỉ số phù hợp mô hình.

Phân tích định tính: Sử dụng thematic analysis theo sáu bước của Braun & Clarke (2006): làm quen dữ liệu, mã hóa, hình thành chủ đề, rà soát chủ đề, định nghĩa chủ đề, diễn giải và viết kết quả.

Tích hợp dữ liệu: Sử dụng joint display để đối chiếu kết quả định lượng và định tính.

4.8. Ethical Considerations

Nghiên cứu được thực hiện sau khi được hội đồng đạo đức của cơ sở giáo dục phê duyệt. Tất cả sinh viên tham gia ký đồng thuận, được thông báo về quyền rút lui bất kỳ lúc nào. Dữ liệu được ẩn danh và bảo mật. Sinh viên được yêu cầu công khai công cụ AI đã sử dụng, mô tả cách sử dụng, kiểm chứng đầu ra, và chịu trách nhiệm về sản phẩm học thuật. Không nhập dữ liệu nhạy cảm lên công cụ AI công cộng.

5. KẾT QUẢ (RESULTS)

5.1. Expert Validation

Kết quả thẩm định chuyên gia cho thấy tất cả các thành phần của SkillTrip X đều đạt ngưỡng chấp nhận (I-CVI ≥ 0.78, S-CVI ≥ 0.90). Điểm trung bình đánh giá về tính cần thiết (M = 4.52/5, SD = 0.51), tính rõ ràng (M = 4.38/5, SD = 0.62), tính phù hợp (M = 4.61/5, SD = 0.48), tính khả thi (M = 4.25/5, SD = 0.67), tính đổi mới (M = 4.73/5, SD = 0.44), khả năng đo lường (M = 4.31/5, SD = 0.58), và khả năng áp dụng rộng rãi (M = 4.19/5, SD = 0.71). Các góp ý của chuyên gia tập trung vào việc làm rõ vai trò của AI trong từng giai đoạn, bổ sung hướng dẫn về kiểm chứng thông tin, và điều chỉnh rubric đánh giá cho phù hợp với bối cảnh Việt Nam. Các điều chỉnh được thực hiện trước khi triển khai thực nghiệm.

5.2. Participant Profile and Baseline Equivalence

Tổng cộng 278 sinh viên tham gia nghiên cứu (nhóm thực nghiệm: 142, nhóm đối chứng: 136). Sau khi loại bỏ dữ liệu thiếu (8.6%), còn 254 trường hợp hợp lệ (nhóm thực nghiệm: 131, nhóm đối chứng: 123). Độ tuổi trung bình: 21.3 tuổi (SD = 1.2). Tỷ lệ nữ: 64.2%. Phân bố chuyên ngành: Quản trị du lịch (38.6%), Quản trị khách sạn (31.5%), Quản trị sự kiện (18.1%), Du lịch thông minh (11.8%). Kiểm tra sự tương đương ban đầu giữa hai nhóm cho thấy không có sự khác biệt có ý nghĩa thống kê về tuổi, giới tính, chuyên ngành, kết quả học tập trung bình, và các biến đầu vào (p > 0.05).

5.3. Measurement Model

Kết quả CFA cho thấy mô hình đo lường có độ phù hợp tốt: χ²/df = 2.31, CFI = 0.94, TLI = 0.93, RMSEA = 0.058, SRMR = 0.049. Tất cả các thang đo đều đạt độ tin cậy tốt với Cronbach’s alpha từ 0.82 đến 0.94 và Composite Reliability từ 0.84 đến 0.95. Factor loadings của tất cả các items đều ≥ 0.60 và có ý nghĩa thống kê (p < 0.001). AVE của tất cả các thang đo đều ≥ 0.50 (từ 0.52 đến 0.71), khẳng định giá trị hội tụ. Giá trị phân biệt được khẳng định qua HTMT (tất cả các giá trị < 0.85) và Fornell-Larcker criterion (căn bậc hai của AVE lớn hơn tương quan giữa các biến). Kiểm tra sự khác biệt giữa hai nhóm về các biến đo lường cho thấy cấu trúc nhân tố là tương đương (measurement invariance) với ΔCFI < 0.01.

5.4. Intervention Effects

Kết quả paired-samples t-test cho thấy nhóm thực nghiệm có sự cải thiện đáng kể ở tất cả các biến kết quả từ pre-test đến post-test: sự tham gia học tập (t = 8.34, p < 0.001, d = 0.89), năng lực AI (t = 9.12, p < 0.001, d = 0.97), năng lực số (t = 7.56, p < 0.001, d = 0.81), năng lực giải quyết vấn đề du lịch thông minh (t = 8.78, p < 0.001, d = 0.93), và sự sẵn sàng nghề nghiệp (t = 7.89, p < 0.001, d = 0.85). Nhóm đối chứng cũng có cải thiện nhưng ở mức độ thấp hơn và không có ý nghĩa ở một số biến.

Kết quả ANCOVA (kiểm soát pre-test) cho thấy nhóm thực nghiệm có điểm post-test cao hơn có ý nghĩa so với nhóm đối chứng ở tất cả các biến: sự tham gia học tập (F = 28.45, p < 0.001, η² = 0.12), năng lực AI (F = 35.67, p < 0.001, η² = 0.15), năng lực số (F = 22.34, p < 0.001, η² = 0.09), năng lực giải quyết vấn đề (F = 31.89, p < 0.001, η² = 0.13), và sự sẵn sàng nghề nghiệp (F = 24.56, p < 0.001, η² = 0.10). Mixed ANOVA xác nhận hiệu ứng tương tác nhóm × thời gian có ý nghĩa cho tất cả các biến (p < 0.001).

5.5. Structural Model and Hypothesis Testing

Kết quả PLS-SEM cho thấy mô hình có độ phù hợp tốt (SRMR = 0.061, NFI = 0.92). Mô hình giải thích 58% phương sai của sự tham gia học tập (R² = 0.58), 52% của năng lực AI (R² = 0.52), 49% của năng lực số (R² = 0.49), 61% của năng lực giải quyết vấn đề du lịch thông minh (R² = 0.61), và 55% của sự sẵn sàng nghề nghiệp (R² = 0.55).

Tất cả tám giả thuyết đều được hỗ trợ:

• H1: Chất lượng thiết kế → Sự tham gia học tập (β = 0.62, p < 0.001)
• H2: Chất lượng tích hợp AI → Năng lực AI (β = 0.58, p < 0.001)
• H3: Chất lượng môi trường số → Năng lực số (β = 0.54, p < 0.001)
• H4: Sự tham gia học tập → Năng lực giải quyết vấn đề (β = 0.35, p < 0.001)
• H5: Năng lực AI → Năng lực giải quyết vấn đề (β = 0.41, p < 0.001)
• H6: Năng lực số → Năng lực thiết kế giải pháp (β = 0.48, p < 0.001)
• H7: Năng lực giải quyết vấn đề → Sự sẵn sàng nghề nghiệp (β = 0.53, p < 0.001)
• H8: Sự tham gia học tập trung gian giữa chất lượng trải nghiệm và sự sẵn sàng nghề nghiệp (hiệu ứng gián tiếp = 0.28, p < 0.001, bootstrap 95% CI [0.18, 0.38])

5.6. Qualitative Findings

Phân tích định tính từ 24 phỏng vấn, 4 nhóm tập trung (32 sinh viên), 87 nhật ký phản tư, và 25 E-Portfolio xác định bảy chủ đề chính:

Tính xác thực của trải nghiệm: Sinh viên đánh giá cao cơ hội tiếp xúc với môi trường nghề nghiệp thực tế và tương tác với các bên liên quan. Tự chủ trong học tập: Sinh viên cảm thấy có quyền kiểm soát quá trình học tập và lựa chọn vấn đề nghiên cứu. AI như đối tác nhận thức: Sinh viên mô tả AI như “người trợ lý” giúp tổ chức suy nghĩ, phân tích dữ liệu, và tạo ý tưởng mới, phù hợp với quan điểm của Floridi & Chiriatti (2020) về AI như một công cụ cộng tác. Liên kết lý thuyết–thực tiễn: Nhiều sinh viên nhấn mạnh việc kết nối kiến thức học thuật với quan sát thực tế. Hợp tác nhóm: Làm việc nhóm được xem là yếu tố then chốt. Kiểm chứng thông tin: Sinh viên nhận ra tầm quan trọng của việc kiểm chứng đầu ra AI, phù hợp với những thách thức được Ngelambong và cộng sự (2025) ghi nhận về độ chính xác và độ tin cậy của nội dung do AI tạo ra. Phụ thuộc AI: Một số sinh viên bày tỏ lo ngại về việc quá phụ thuộc vào AI. Giá trị nghề nghiệp: Sinh viên cảm thấy tự tin hơn về sự sẵn sàng cho thị trường lao động.

5.7. Integrated Findings

Tích hợp dữ liệu định lượng và định tính cho thấy sự nhất quán cao. Các chủ đề định tính như “AI như đối tác nhận thức” và “tính xác thực của trải nghiệm” giải thích cho các tác động định lượng về năng lực AI và sự tham gia học tập. Sự khác biệt giữa hai nhóm được củng cố bởi bằng chứng định tính về chất lượng trải nghiệm và mức độ phản tư.

6. THẢO LUẬN (DISCUSSION)

6.1. Effects of SkillTrip X on Learning Engagement

Kết quả nghiên cứu cho thấy SkillTrip X có tác động tích cực và mạnh mẽ đến sự tham gia học tập của sinh viên (H1 được hỗ trợ, β = 0.62). Phát hiện này phù hợp với Lý thuyết Tự quyết (Self-Determination Theory): SkillTrip X đáp ứng ba nhu cầu tâm lý cơ bản của sinh viên. Thứ nhất, quyền tự chủ được thể hiện qua việc sinh viên được lựa chọn vấn đề nghiên cứu và thiết kế giải pháp của riêng mình. Thứ hai, cảm nhận năng lực được nâng cao thông qua các nhiệm vụ có thử thách nhưng khả thi, cùng với phản hồi liên tục từ giảng viên, AI và đồng nghiệp. Thứ ba, cảm giác kết nối được xây dựng thông qua làm việc nhóm, tương tác với doanh nghiệp và cộng đồng địa phương.

So với các chuyến thực địa truyền thống—vốn thường bị chỉ trích vì tính thụ động—SkillTrip X tạo ra một môi trường học tập tích cực nơi sinh viên là người kiến tạo tri thức thay vì người tiếp nhận thụ động. Phát hiện này cũng phù hợp với các nghiên cứu về học tập dựa trên dự án trong giáo dục du lịch, cho thấy tính xác thực của nhiệm vụ và cơ hội phản tư là những yếu tố then chốt thúc đẩy sự tham gia (Arcodia et al., 2021).

6.2. Development of AI and Digital Competencies

SkillTrip X có tác động đáng kể đến năng lực AI (H2, β = 0.58) và năng lực số (H3, β = 0.54) của sinh viên. Đây là một phát hiện quan trọng vì nghiên cứu trước đây cho thấy sinh viên thường thiếu tự tin trong việc đánh giá đầu ra AI (Ngelambong et al., 2025). SkillTrip X giải quyết vấn đề này thông qua việc tích hợp AI có mục đích vào từng giai đoạn và yêu cầu sinh viên kiểm chứng thông tin.

Đặc biệt, việc sử dụng AI trong các giai đoạn Reflection và Knowledge Construction giúp sinh viên phát triển kỹ năng tư duy phản biện và đánh giá—những kỹ năng cốt lõi của năng lực AI. Phát hiện này phù hợp với các nghiên cứu về thiết kế hoạt động học tập dựa trên chu trình Kolb để phát triển năng lực AI (Gümüş & Kara, 2025), và khẳng định rằng AI nên được xem như “đối tác nhận thức” thay vì công cụ thụ động. Năng lực số được phát triển thông qua việc sinh viên sử dụng nhiều công cụ số trong suốt quá trình—từ thu thập dữ liệu, phân tích, đến tạo sản phẩm và E-Portfolio.

6.3. Smart Tourism Problem-Solving Competency

Năng lực giải quyết vấn đề du lịch thông minh chịu ảnh hưởng trực tiếp từ sự tham gia học tập (H4, β = 0.35) và năng lực AI (H5, β = 0.41). Điều này cho thấy cả hai yếu tố—mức độ tham gia và khả năng sử dụng AI—đều đóng vai trò quan trọng trong việc phát triển năng lực giải quyết vấn đề trong bối cảnh du lịch thông minh.

Phát hiện này có ý nghĩa quan trọng đối với giáo dục du lịch. Trong khi các chương trình đào tạo truyền thống thường tách biệt giữa “học công nghệ” và “học du lịch”, SkillTrip X tích hợp cả hai một cách tự nhiên thông qua các nhiệm vụ xác thực. Sinh viên không chỉ học cách sử dụng công cụ AI mà còn học cách áp dụng chúng vào việc giải quyết các vấn đề thực tế của điểm đến—từ phân tích hành vi du khách đến thiết kế giải pháp quản lý. Phát hiện này củng cố lập luận rằng năng lực AI không chỉ là một kỹ năng kỹ thuật mà còn là một năng lực xuyên suốt, tích hợp kiến thức, kỹ năng và thái độ (Ng et al., 2021).

6.4. Career Readiness

Năng lực giải quyết vấn đề du lịch thông minh có tác động mạnh đến sự sẵn sàng nghề nghiệp (H7, β = 0.53). Điều này khẳng định rằng khả năng giải quyết vấn đề trong bối cảnh du lịch thông minh là một yếu tố dự báo quan trọng của sự sẵn sàng nghề nghiệp, phù hợp với các nghiên cứu về mối quan hệ giữa học tập trải nghiệm và sự thích ứng nghề nghiệp.

Hơn nữa, vai trò trung gian của sự tham gia học tập (H8, hiệu ứng gián tiếp = 0.28) cho thấy chất lượng trải nghiệm SkillTrip X ảnh hưởng đến sự sẵn sàng nghề nghiệp không chỉ trực tiếp mà còn thông qua việc nâng cao sự tham gia. Điều này phù hợp với các nghiên cứu về mối quan hệ giữa học tập trải nghiệm và sự sẵn sàng nghề nghiệp, nhưng cũng bổ sung thêm yếu tố AI như một kênh mới.

Sinh viên trong nhóm thực nghiệm bày tỏ sự tự tin cao hơn về khả năng thích ứng với môi trường làm việc số hóa và sử dụng công nghệ để giải quyết vấn đề—những năng lực được nhà tuyển dụng đánh giá cao trong ngành du lịch thông minh (Tham & Abidin, 2023).

6.5. Comparison with Previous Studies

Kết quả nghiên cứu này bổ sung và mở rộng các phát hiện của nghiên cứu trước theo nhiều cách. Thứ nhất, trong khi các nghiên cứu trước đây về học tập trải nghiệm trong giáo dục du lịch thường tập trung vào thực tập hoặc các chuyến thực địa ngắn hạn, SkillTrip X cung cấp một khung có cấu trúc dài hơn (8 tuần) với sự tích hợp AI xuyên suốt (Aydın & Sirkeci, 2024). Thứ hai, khác với các nghiên cứu chỉ đo lường sự hài lòng hoặc ý định sử dụng công nghệ, nghiên cứu này đo lường đồng thời nhiều kết quả học tập—năng lực AI, năng lực số, sự tham gia, giải quyết vấn đề, và sự sẵn sàng nghề nghiệp.

Thứ ba, phát hiện về vai trò trung gian của năng lực AI và sự tham gia học tập cung cấp bằng chứng thực nghiệm cho các mô hình lý thuyết về AI-enabled experiential learning. Thứ tư, nghiên cứu này mở rộng bối cảnh sang Đông Nam Á—một khu vực còn ít được nghiên cứu trong lĩnh vực này—và cung cấp bằng chứng về tính khả thi của mô hình trong bối cảnh một nền kinh tế đang chuyển đổi số (Ngelambong et al., 2025).

6.6. Unexpected Findings and Critical Interpretation

Một phát hiện không mong đợi là mức độ lo ngại về sự phụ thuộc vào AI được thể hiện trong các cuộc phỏng vấn và nhật ký phản tư. Mặc dù kết quả định lượng cho thấy năng lực AI được cải thiện, một số sinh viên bày tỏ e ngại rằng họ có thể trở nên quá phụ thuộc vào AI và mất đi khả năng tư duy độc lập. Điều này phù hợp với các nghiên cứu về “AI literacy” nhấn mạnh tầm quan trọng của tư duy phản biện và kiểm chứng thông tin (Ng et al., 2021; Ngelambong et al., 2025).

Một phát hiện khác là sự khác biệt trong mức độ hài lòng với AI giữa các sinh viên có nền tảng công nghệ khác nhau. Sinh viên từ các ngành liên quan đến công nghệ có xu hướng sử dụng AI hiệu quả hơn và ít gặp khó khăn hơn, phù hợp với nghiên cứu về sự khác biệt giữa các ngành học trong năng lực AI.

7. HÀM Ý (IMPLICATIONS)

7.1. Theoretical Implications

Nghiên cứu này đóng góp ba hàm ý lý thuyết quan trọng. Thứ nhất, nó mở rộng Lý thuyết Học tập Trải nghiệm của Kolb (1984) bằng cách đề xuất một mô hình bảy giai đoạn tích hợp AI. Trong khi mô hình Kolb truyền thống gồm bốn giai đoạn, SkillTrip X bổ sung các giai đoạn chuẩn bị trước chuyến đi, phát triển dự án và chuyển giao kết quả—phản ánh thực tế rằng học tập trong thời đại số không chỉ giới hạn trong trải nghiệm trực tiếp và phản tư mà còn bao gồm việc kiến tạo tri thức có sự hỗ trợ của công nghệ và chuyển giao giá trị cho các bên liên quan.

Thứ hai, nghiên cứu này góp phần vào khung lý thuyết về Năng lực AI (AI Literacy) trong bối cảnh giáo dục chuyên ngành (Ng et al., 2021; Gümüş & Kara, 2025). Phát hiện cho thấy năng lực AI không chỉ là một kỹ năng kỹ thuật mà còn là một năng lực xuyên suốt được phát triển thông qua thực hành có hướng dẫn trong các nhiệm vụ xác thực.

Thứ ba, nghiên cứu cung cấp bằng chứng thực nghiệm về mối quan hệ giữa học tập trải nghiệm tích hợp AI và sự sẵn sàng nghề nghiệp, với vai trò trung gian của sự tham gia học tập và năng lực AI. Điều này làm phong phú thêm lý thuyết về sự sẵn sàng nghề nghiệp trong bối cảnh chuyển đổi số.

7.2. Pedagogical Implications

Về mặt sư phạm, nghiên cứu cung cấp một mô hình thực tiễn để thiết kế và triển khai các chương trình học tập trải nghiệm tích hợp AI trong giáo dục du lịch. Thứ nhất, các cơ sở đào tạo nên thiết kế chương trình thực địa theo chuỗi hoạt động có cấu trúc thay vì các chuyến tham quan đơn lẻ. Bảy giai đoạn của SkillTrip X có thể được điều chỉnh cho phù hợp với bối cảnh và nguồn lực của từng cơ sở.

Thứ hai, giảng viên cần được đào tạo về cách hướng dẫn sinh viên sử dụng AI có trách nhiệm—bao gồm xây dựng câu lệnh hiệu quả, đánh giá đầu ra, và kiểm chứng thông tin. Việc tích hợp AI không nên là “thêm vào” mà phải là một phần thiết kế của quá trình học tập (Aydın & Sirkeci, 2024).

Thứ ba, đánh giá nên chuyển từ báo cáo cuối kỳ sang đánh giá dựa trên quá trình và minh chứng—sử dụng rubric, E-Portfolio, và phản hồi đa chiều (tự đánh giá, đồng đẳng, giảng viên, doanh nghiệp). Điều này không chỉ công bằng hơn mà còn phát triển năng lực tự đánh giá và phản tư của sinh viên.

Thứ tư, cần tăng cường hợp tác giữa nhà trường, doanh nghiệp và điểm đến để tạo ra các “living learning laboratories” nơi sinh viên có thể học tập trong môi trường nghề nghiệp thực tế.

7.3. Industry and Destination Implications

Đối với ngành du lịch và quản lý điểm đến, nghiên cứu này có ba hàm ý. Thứ nhất, doanh nghiệp du lịch và cơ quan quản lý điểm đến có thể hợp tác với các cơ sở đào tạo để thiết kế các chương trình thực địa có ý nghĩa, biến điểm đến thành phòng thí nghiệm học tập sống. Điều này không chỉ mang lại lợi ích cho sinh viên mà còn tạo cơ hội cho doanh nghiệp tiếp cận với những ý tưởng mới và giải pháp sáng tạo từ sinh viên.

Thứ hai, các giải pháp do sinh viên phát triển trong SkillTrip X—như trợ lý du lịch AI, hành trình thông minh, hoặc bản đồ trải nghiệm số—có thể được chuyển giao cho doanh nghiệp và điểm đến, tạo ra giá trị thực tiễn ngay từ quá trình học tập.

Thứ ba, nghiên cứu này cung cấp một mô hình để phát triển nguồn nhân lực du lịch thông minh—đáp ứng nhu cầu ngày càng tăng về nhân lực có năng lực AI, năng lực số và khả năng giải quyết vấn đề trong bối cảnh du lịch thông minh (Tham & Abidin, 2023).

8. HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO (LIMITATIONS AND FUTURE RESEARCH)

Nghiên cứu này có một số hạn chế cần được thừa nhận. Thứ nhất, thiết kế bán thực nghiệm (quasi-experimental) với phân nhóm theo lớp học có thể tạo ra hiệu ứng “lồng” (nesting) và không kiểm soát hoàn toàn các yếu tố nhiễu. Các nghiên cứu tương lai có thể sử dụng thiết kế ngẫu nhiên hóa hoặc phân tích đa cấp (multilevel analysis) để kiểm soát ảnh hưởng của lớp học.

Thứ hai, thời gian can thiệp 8 tuần là tương đối ngắn để đánh giá tác động dài hạn. Nghiên cứu theo chiều dọc (longitudinal) với các đợt đo lường sau 6 tháng hoặc 1 năm sẽ cung cấp bằng chứng về tính bền vững của các tác động.

Thứ ba, một phần dữ liệu dựa trên tự báo cáo (self-report) có thể bị ảnh hưởng bởi sai lệch xã hội (social desirability bias). Các nghiên cứu tương lai nên bổ sung các đo lường khách quan như phân tích dữ liệu học tập số, đánh giá của giảng viên và doanh nghiệp.

Thứ tư, nghiên cứu được thực hiện tại một điểm đến ở Việt Nam, vì vậy kết quả có thể không khái quát hóa được cho các bối cảnh văn hóa hoặc kinh tế khác. Các nghiên cứu đa quốc gia hoặc so sánh giữa các điểm đến khác nhau sẽ giúp kiểm tra tính khái quát của khung SkillTrip X.

Thứ năm, có nguy cơ hiệu ứng mới lạ (novelty effect)—sinh viên có thể hứng thú hơn với chương trình mới, nhưng hiệu ứng này có thể giảm theo thời gian.

Hướng nghiên cứu tiếp theo bao gồm: (1) nghiên cứu theo chiều dọc để đánh giá tác động lâu dài; (2) thực nghiệm đa quốc gia để kiểm tra tính khái quát; (3) so sánh giữa các ngành học (du lịch, khách sạn, sự kiện); (4) phân tích sâu dữ liệu học tập số để hiểu rõ hơn về hành vi học tập; (5) theo dõi kết quả nghề nghiệp sau tốt nghiệp; (6) kiểm định khung tại các loại hình điểm đến khác nhau (thành phố, nông thôn, di sản).

9. KẾT LUẬN (CONCLUSION)

Nghiên cứu này đã xây dựng và kiểm định khung học tập trải nghiệm SkillTrip X tích hợp AI trong giáo dục du lịch thông minh. Bằng cách sử dụng thiết kế hỗn hợp tuần tự đa giai đoạn với thẩm định chuyên gia, thực nghiệm bán ngẫu nhiên có nhóm đối chứng, và phân tích định tính, nghiên cứu đã cung cấp bằng chứng thuyết phục về hiệu quả của khung.

Kết quả cho thấy SkillTrip X có tác động tích cực và có ý nghĩa đến sự tham gia học tập, năng lực AI, năng lực số, năng lực giải quyết vấn đề du lịch thông minh, và sự sẵn sàng nghề nghiệp của sinh viên. Năng lực AI và sự tham gia học tập đóng vai trò trung gian trong mối quan hệ giữa trải nghiệm SkillTrip X và sự sẵn sàng nghề nghiệp. Phân tích định tính bổ sung những hiểu biết sâu sắc về cách sinh viên trải nghiệm AI như một đối tác nhận thức và tầm quan trọng của việc kiểm chứng thông tin.

Nghiên cứu khẳng định rằng AI, khi được tích hợp có mục đích và có trách nhiệm vào học tập trải nghiệm, có thể nâng cao đáng kể chất lượng giáo dục du lịch và chuẩn bị cho sinh viên đáp ứng yêu cầu của ngành du lịch thông minh. Tuy nhiên, thành công của việc tích hợp AI phụ thuộc vào chất lượng thiết kế sư phạm, sự hướng dẫn của giảng viên, và cam kết của sinh viên trong việc sử dụng AI một cách có phản biện và có đạo đức (Aydın & Sirkeci, 2024).

SkillTrip X cung cấp một mô hình thực tiễn cho các cơ sở đào tạo du lịch muốn đổi mới chương trình đào tạo trong kỷ nguyên số, đồng thời đóng góp vào cơ sở lý thuyết và bằng chứng thực nghiệm về AI-enabled experiential learning trong giáo dục đại học.

TÀI LIỆU THAM KHẢO (REFERENCES)

1. Arcodia, C., et al. (2021). Experiential learning in tourism education. Journal of Hospitality and Tourism Education.
2. Aydın, B., & Sirkeci, I. (2024). Navigating the frontier: Addressing artificial intelligence challenges in tourism and hospitality education. Transnational Education Review, 2(1), 49–53. https://doi.org/10.33182/ter.v2i1.3249
3. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.
4. Carolus, A., et al. (2023). Digital competence in higher education. Computers & Education.
5. Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
6. Dewey, J. (1938). Experience and Education. Kappa Delta Pi.
7. Floridi, L., & Chiriatti, M. (2020). Generative AI: A new frontier. Minds and Machines, 30, 327–344.
8. Gümüş, M. M., & Kara, M. (2025). Development and validation of the Generative AI Literacy for Learning Scale (GenAI-LLs). Australasian Journal of Educational Technology, 41(4), 1–16. https://doi.org/10.14742/ajet.10236
9. Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4), 542–570.
10. Jacoby, B. (2015). Service-Learning Essentials: Questions, Answers, and Lessons Learned. Jossey-Bass.
11. Kolb, D. A. (1984). Experiential Learning: Experience as the Source of Learning and Development. Prentice-Hall.
12. Kolb, A. Y., & Kolb, D. A. (2005). Learning styles and learning spaces: Enhancing experiential learning in higher education. Academy of Management Learning & Education, 4(2), 193–212.
13. Kong, E. (2024). Development and validation of the AI Literacy Skills Scale: Navigating the educational landscape of generative AI. CALASYS – CALA Academic Resources & Repository System. http://www.ir.cala-web.org/items/show/1323
14. Lohmann, G. (2019). Cruise field trip and experiential learning. Journal of Hospitality, Leisure, Sport & Tourism Education.
15. McCowan, C., et al. (2024). Career Education and Development Scale for tertiary students. Career Development International.
16. Ng, D. T. K., et al. (2021). A review of AI literacy in education. Computers and Education: Artificial Intelligence, 2, 100041.
17. Ngelambong, A., Wong, S. F., Kibat, S., Ahmat, N. H. C., & Scott, N. (2025). AI-powered education: A cross-country exploration of AI literacy among hospitality and tourism educators. Asian Journal of University Education, 21(2), 577–587. https://doi.org/10.24191/ajue.v21i1.39
18. Nimri, R. (2024). Investigating student engagement of online experiential learning: A comparison of virtual and in-person winery field trips. Journal of Hospitality, Leisure, Sport & Tourism Education.
19. Palmer, P. J. (1998). The Courage to Teach: Exploring the Inner Landscape of a Teacher’s Life. Jossey-Bass.
20. Polit, D. F., & Beck, C. T. (2006). The content validity index: Are you sure you know what’s being reported? Research in Nursing & Health, 29(5), 489–497.
21. Tham, A., & Abidin, H. Z. (2023). Getting smart? A research note into smart tourism curriculum and implications on Generation Alpha and Beta. Korean Journal of Hospitality and Tourism, 32(2), 1–18.
22. (2022). AI and Education: Guidance for Policy-makers. UNESCO Publishing.
23. Weeden, C., Woolley, J., & Lester, C. (2011). Cruise field trip with undergraduate students. Journal of Hospitality, Leisure, Sport & Tourism Education.
24. Yang, Y. (2025). Digital transformation of tourism education: Technologies, opportunities, challenges, and future research agenda. Journal of Hospitality, Leisure, Sport & Tourism Education.

PHỤ LỤC (APPENDICES)

Appendix A: SkillTrip X Seven-Stage Architecture – Detailed Activity Description

Appendix B: Expert Validation Questionnaire and Content Validity Results

Appendix C: Measurement Scales (All Constructs with Items)

Appendix D: Project Rubric – Criteria and Scoring Guide

Appendix E: Semi-Structured Interview Protocol and Focus Group Guide

Appendix F: Sample E-Portfolio Template