Thiết kế công cụ nhằm đánh giá mức độ hài lòng của người học trên môi trường số

Tóm tắt nhanh: Bài viết tổng hợp hơn 50 tài liệu nghiên cứu để xây dựng khung thiết kế công cụ nhằm đánh giá mức độ hài lòng của người học trên môi trường số. Năm khung lý thuyết nền tảng (kỳ vọng-thực tế không khớp, TAM/UTAUT, SERVQUAL, DeLone & McLean, Community of Inquiry) được phân tích và so sánh. Sáu công cụ đánh giá quốc tế được khảo sát chi tiết, bao gồm thang đo ELSS, VLES, OLSI, khảo sát chương trình trực tuyến, NSS/NSSE và công cụ đánh giá khả năng sử dụng. Bài viết rút ra 18 yếu tố quyết định mức độ hài lòng, tổng hợp bài học từ hơn 15 trường đại học trên thế giới, và đề xuất khung công cụ năm chiều FTU-DLSS cho bối cảnh Đại học Ngoại thương.

1. Đặt vấn đề: Hài lòng người học trên môi trường số — tại sao cần thiết kế công cụ đánh giá?

1.1. Bối cảnh chuyển đổi số giáo dục đại học

Chuyển đổi số trong giáo dục đại học không còn là xu hướng tương lai mà đã trở thành yêu cầu cấp bách. Đại dịch COVID-19 đã đẩy nhanh quá trình này một cách chưa từng có, buộc hàng nghìn trường đại học trên toàn cầu phải chuyển đổi sang phương thức giảng dạy trực tuyến trong thời gian ngắn. Theo Kornpitack và Sawmong (2022), sự dịch chuyển đột ngột này đã làm thay đổi hoàn toàn trải nghiệm học tập của sinh viên, đồng thời đặt ra bài toán mới: làm thế nào để đo lường mức độ hài lòng của người học trong một môi trường mà họ chưa từng trải nghiệm trước đây?

Tại Việt Nam, quá trình chuyển đổi số giáo dục đại học diễn ra mạnh mẽ từ năm 2020. Theo Le, Ta và Hoang (2026), khung đảm bảo chất lượng giáo dục đại học Việt Nam đang phải đối mặt với thách thức lớn khi các phương pháp đánh giá truyền thống dựa trên giảng dạy trực tiếp không còn hoàn toàn phù hợp với môi trường số. Phan (2022) chỉ ra rằng việc áp dụng heuristic Glonacal (Global, National, Local) trong đảm bảo chất lượng giáo dục yêu cầu các cơ sở phải phát triển công cụ đánh giá phù hợp với từng bối cảnh cụ thể, trong đó bao gồm cả việc đo lường hài lòng người học trên nền tảng số.

Trước đại dịch, môi trường học tập số chủ yếu tồn tại dưới hình thức bổ sung cho giảng dạy trực tiếp — các hệ thống quản lý học tập (Learning Management System — LMS) như Moodle, Canvas, Blackboard được sử dụng để phân phối tài liệu và tổ chức bài tập. Shen, Cho và Tsai (2013) nhận định rằng trong giai đoạn này, sự hài lòng của người học với môi trường số vẫn là một yếu tố phụ, ít được chú ý nghiên cứu một cách hệ thống. Tuy nhiên, khi học trực tuyến trở thành phương thức chính, hài lòng người học trở thành chỉ số then chốt ảnh hưởng trực tiếp đến kết quả học tập, mức độ gắn kết và tỷ lệ tiếp tục theo học.

Khi môi trường học tập chuyển từ không gian vật lý sang không gian số, các yếu tố quyết định sự hài lòng của người học cũng thay đổi căn bản — từ chất lượng giảng đường và dịch vụ hỗ trợ trực tiếp sang khả năng tương tác trên nền tảng, tính ổn định của hệ thống công nghệ và trải nghiệm người dùng số (Shen, Cho và Tsai, 2013).

1.2. Tầm quan trọng của việc đo lường hài lòng người học

Hài lòng người học trên môi trường số không đơn thuần là một chỉ số cảm xúc mà có ý nghĩa thực tiễn sâu sắc. Ngoại trừ việc phản ánh chất lượng trải nghiệm học tập, mức độ hài lòng còn tác động đến nhiều biến số quan trọng trong giáo dục đại học.

Về mặt kết quả học tập, Muzammil, Sutawijaya và Harsasi (2020) phát hiện rằng sự tương tác và mức độ tham gia của sinh viên trong học tập từ xa có mối tương quan đáng kể với mức độ hài lòng, đồng thời hài lòng đóng vai trò trung gian giữa trải nghiệm học tập và kết quả học tập. Yilmaz (2022) xác nhận thông qua mô hình phương trình cấu trúc (Structural Equation Modelling — SEM) rằng kỹ năng tự điều chỉnh trong môi trường trực tuyến có tác động mạnh mẽ đến sự hài lòng, và sự hài lòng lại dự báo hiệu suất học tập.

Về mặt gắn kết và tiếp tục theo học, Paris, Lakhal và Mukamurera (2025) nghiên cứu trên 1.204 sinh viên đại học Quebec và phát hiện rằng các thành tố của khung Cộng đồng điều tra (Community of Inquiry) — hiện diện giảng dạy, hiện diện nhận thức và hiện diện xã hội — đều có tác động tích cực đến sự hài lòng, từ đó tăng khả năng tiếp tục theo học (persistence). Zheng và Xiao (2024) mở rộng phát hiện này khi xây dựng mô hình SEM cho học trực tuyến, chỉ ra rằng tự hiệu và học tập số phi chính thức là hai yếu tố dự báo quan trọng nhất cho sự hài lòng.

Khoảng cách giữa dữ liệu và hành động không phải là vấn đề của riêng bất kỳ trường nào — nó là một lỗi hệ thống trong cách tổ chức đánh giá hài lòng. Khi dữ liệu được thu thập nhưng không được sử dụng, toàn bộ quá trình khảo sát trở thành một bài tập biểu diễn lãm phí (Bowles, 2020).

1.2.1. Quy trình đóng vòng phản hồi: từ dữ liệu khảo sát đến cải tiến thực tế

Vấn đề cốt lõi mà Bowles (2020) và Novák (2023) đều chỉ ra là: hầu hết các trường đại học thu thập phản hồi nhưng không có quy trình hệ thống để chuyển dữ liệu thành hành động. Để FTU-DLSS không rơi vào cùng cạm bẫy, bài viết đề xuất quy trình đóng vòng phản hồi (Feedback Loop Closure) gồm bốn bước.

Bước một — phân tích trong vòng 48 giờ: Sau khi kết thúc khảo sát, đơn vị phụ trách chạy phân tích tự động: (a) tính điểm trung bình cho mỗi chiều A-E, (b) tính khoảng cách kỳ vọng-nhận thức cho mỗi cặp (K)-(N), (c) kiểm tra phân phối đáp án để phát hiện sai số phản hồi (xem mục 7.5), và (d) so sánh với kết quả kỳ trước. Zhou và Rouse (2024) phát hiện rằng các chương trình trực tuyến thành công nhất luôn phân tích phản hồi trong vòng một tuần — chậm hơn một tuần, giá trị thông tin giảm mạnh.

Bước hai — báo cáo cho giảng viên trong vòng hai tuần: Mỗi giảng viên nhận báo cáo cá nhân với ba thông tin: (a) điểm FTU-DLSS của lớp mình so với trung bình khoa và trung bình trường, (b) danh sách khoảng cách dương năm lớn nhất (năm vấn đề cần ưu tiên), và (c) hai khuyến nghị cải tiến cụ thể dựa trên dữ liệu quốc tế. Dimou và Kameas (2016) nhấn mạnh rằng phản hồi phải đi kèm hành động cụ thể — nếu chỉ báo điểm mà không gợi ý cải tiến, giảng viên sẽ coi khảo sát là thủ tục hành chính.

Bước ba — thảo luận và lên kế hoạch cải tiến trong vòng bốn tuần: Tổ chức buổi chia sẻ kinh nghiệm giữa các giảng viên có điểm cao và điểm thấp, để trao đổi phương pháp thực tế. Từ buổi này, mỗi đơn vị (khoa/trung tâm) xây dựng kế hoạch cải tiến ba mục tiêu cho học kỳ tiếp theo.

Bước bốn — kiểm tra kết quả trong kỳ sau: Khảo sát giữa kỳ (pulse survey) của học kỳ tiếp theo phải bao gồm các mục hỏi đo lường trực tiếp ba mục tiêu cải tiến đã đề ra, tạo thành vòng phản hồi đóng. Khi sinh viên thấy rằng phản hồi của họ dẫn đến thay đổi thực tế, niềm tin vào khảo sát tăng — và như Klement (2023) chứng minh, điều này trực tiếp giảm sai số phản hồi, cải thiện chất lượng dữ liệu trong các đợt khảo sát sau.

Hình 2. Quy trình đóng vòng phản hồi bốn bước

Về mặt quản trị chất lượng, Novák (2023) nhấn mạnh rằng phản hồi của sinh viên là công cụ hiệu quả nhất để nâng cao chất lượng giáo dục đại học, nhưng chỉ khi phản hồi này được thu thập một cách hệ thống, phân tích chuyên sâu và sử dụng để cải tiến liên tục. Thực tế tại nhiều trường đại học trên thế giới cho thấy các khảo sát hài lòng người học được tiến hành hàng năm nhưng kết quả ít được sử dụng thực chất để cải tiến — một khoảng cách lớn giữa dữ liệu và hành động (Bowles, 2020).

1.3. Mục tiêu và phạm vi bài viết

Bài viết nhằm giải quyết ba vấn đề cốt lõi. Thứ nhất, hệ thống hóa các khung lý thuyết nền tảng và các công cụ đánh giá hài lòng người học trên môi trường số đã được phát triển và kiểm định trên thế giới. Thứ hai, phân tích các yếu tố quyết định mức độ hài lòng thông qua tổng quan tài liệu và rút ra bài học kinh nghiệm từ thực tiễn áp dụng tại các trường đại học. Thứ ba, đề xuất khung thiết kế công cụ đánh giá phù hợp với bối cảnh Đại học Ngoại thương, dựa trên nền tảng lý thuyết vững chắc và bài học quốc tế.

Bài viết tổng hợp và phân tích hơn 50 tài liệu nghiên cứu, bao gồm các bài báo khoa học được bình duyệt, sách chuyên khảo, báo cáo nghiên cứu và tài liệu chính sách, từ các nền giáo dục ở Bắc Mỹ, châu Âu, Đông Á, Đông Nam Á và châu Phi. Phạm vi tập trung vào môi trường học tập số trong giáo dục đại học, bao gồm học trực tuyến hoàn toàn, học kết hợp (blended learning) và học trên các nền tảng số bổ trợ cho giảng dạy trực tiếp.

2. Khung lý thuyết nền tảng

2.1. Lý thuyết kỳ vọng-thực tế không khớp

Lý thuyết kỳ vọng-thực tế không khớp (Expectancy-Disconfirmation Theory — EDT) do Richard Oliver phát triển từ đầu những năm 1980, ban đầu áp dụng trong lĩnh vực hành vi người tiêu dùng. Cốt lõi của lý thuyết này là sự hài lòng được hình thành qua quá trình so sánh giữa kỳ vọng trước khi trải nghiệm và hiệu suất thực tế sau khi trải nghiệm. Khi hiệu suất thực tế vượt quá kỳ vọng, người dùng trải qua trạng thái "thực tế không khớp tích cực" và cảm thấy hài lòng; ngược lại, khi hiệu suất thấp hơn kỳ vọng, trạng thái "thực tế không khớp tiêu cực" dẫn đến không hài lòng (Oliver, 1994).

Schiebler, Lee và Brodbeck (2025) tiến hành một phân tích tổng hợp (meta-analysis) trên 327 nghiên cứu về mô hình kỳ vọng-thực tế không khớp và hài lòng của người tiêu dùng, xác nhận rằng hiệu ứng thực tế không khớp là yếu tố dự báo mạnh nhất đối với sự hài lòng, vượt qua cả kỳ vọng ban đầu và hiệu suất cảm nhận. Phát hiện này có ý nghĩa quan trọng đối với thiết kế công cụ đánh giá: bất kỳ công cụ nào cũng phải bao gồm cả thành phần đo lường kỳ vọng và thành phần đo lường nhận thức thực tế, đồng thời cho phép tính toán khoảng cách giữa hai giá trị này.

Trong bối cảnh giáo dục số, lý thuyết EDT được mở rộng để giải thích sự hài lòng của người học theo hai chiều. Chiều thứ nhất là kỳ vọng về công nghệ — người học kỳ vọng nền tảng học tập số phải hoạt động ổn định, dễ sử dụng, có tốc độ tải trang nhanh. Chiều thứ hai là kỳ vọng về giảng dạy — người học kỳ vọng nội dung chất lượng cao, phản hồi giảng viên kịp thời, cơ hội tương tác đầy đủ. Khi một trong hai chiều này không đáp ứng kỳ vọng, mức độ hài lòng tổng thể sẽ giảm (Lee, 2010).

Một phát hiện quan trọng từ phân tích tổng hợp là rằng kỳ vọng ban đầu chỉ giải thích khoảng 15-20% phương sai của sự hài lòng, trong khi hiệu ứng thực tế không khớp giải thích thêm 40-50%. Điều này có nghĩa là việc thiết kế công cụ đánh giá chỉ tập trung vào mức độ hài lòng sau trải nghiệm mà bỏ qua kỳ vọng ban đầu sẽ bỏ sót một nửa cơ chế hình thành sự hài lòng (Schiebler, Lee và Brodbeck, 2025).

2.2. Mô hình chấp nhận công nghệ (TAM/UTAUT)

Mô hình Chấp nhận Công nghệ (Technology Acceptance Model — TAM) do Davis đề xuất năm 1989 là một trong những khung lý thuyết được ứng dụng rộng rãi nhất trong nghiên cứu về công nghệ giáo dục. Mô hình ban đầu bao gồm hai yếu tố quyết định chính: tính hữu ích cảm nhận (perceived usefulness) và tính dễ sử dụng cảm nhận (perceived ease of use). Sau đó, mô hình được mở rộng thành TAM2, TAM3 và tích hợp vào UTAUT (Unified Theory of Acceptance and Use of Technology) với thêm các yếu tố như ảnh hưởng xã hội, điều kiện tạo điều kiện và động cơ tự chủ.

Han và Sa (2021) áp dụng TAM để nghiên cứu sự chấp nhận và hài lòng với lớp học trực tuyến trong giai đoạn đại dịch tại Hàn Quốc, phát hiện rằng cả tính hữu ích cảm nhận và tính dễ sử dụng cảm nhận đều có tác động tích cực đáng kể đến sự hài lòng, nhưng tính hữu ích cảm nhận có hệ số đường lớn hơn (β = 0,42 so với β = 0,28). Điều này chỉ ra rằng trong môi trường giáo dục số, người học đánh giá cao khả năng đạt được mục tiêu học tập hơn là sự thuận tiện của giao diện.

Sholikah và Sutirman (2020) kết hợp TAM với mô hình chất lượng dịch vụ giáo dục để nghiên cứu mối quan hệ giữa các yếu tố TAM, chất lượng dịch vụ giáo dục và sự hài lòng của sinh viên. Kết quả cho thấy mô hình tích hợp giải thích 67,3% phương sai của sự hài lòng, cao hơn đáng kể so với khi sử dụng riêng TAM (48,2%) hay mô hình chất lượng dịch vụ (52,1%).

Zhu (2025) đưa ra góc nhìn mới khi xây dựng mô hình phương trình cấu trúc cho mối quan hệ giữa học tập tự định hướng và sự hài lòng trong học trực tuyến. Nghiên cứu chỉ ra rằng động cơ tự chủ — một yếu tố thuộc UTAUT — là yếu tố dự báo mạnh nhất cho sự hài lòng (β = 0,51), mạnh hơn cả tính hữu ích cảm nhận (β = 0,33). Phát hiện này có ý nghĩa quan trọng khi thiết kế công cụ đánh giá: cần bao gồm các yếu tố về động cơ và sự tự chủ, không chỉ các yếu tố công nghệ.

2.3. Mô hình SERVQUAL và chất lượng dịch vụ giáo dục

SERVQUAL do Parasuraman, Zeithaml và Berry phát triển năm 1988 ban đầu được thiết kế để đo lường chất lượng dịch vụ trong ngành bán lẻ, với năm chiều: độ tin cậy (reliability), sự đáp ứng (responsiveness), năng lực phục vụ (assurance), sự đồng cảm (empathy) và các yếu tố hữu hình (tangibles). Mô hình này dựa trên nguyên tắc đo lường khoảng cách giữa kỳ vọng và nhận thức thực tế — một nguyên lý gần gũi với lý thuyết EDT.

Khi được áp dụng trong giáo dục, SERVQUAL phải được điều chỉnh đáng kể. Parasuraman (2013) nhận định trong bài viết kiểm tra lại SERVQUAL trong kỷ nguyên thương mại điện tử rằng mô hình gốc cần được mở rộng để bao gồm các yếu tố đặc thù của dịch vụ số như bảo mật thông tin, tính cá nhân hóa và khả năng tiếp cận đa nền tảng. Đối với giáo dục trực tuyến, năm chiều SERVQUAL được chuyển đổi thành: độ tin cậy của hệ thống (nền tảng hoạt động ổn định), sự đáp ứng (phản hồi nhanh từ giảng viên và hỗ trợ kỹ thuật), năng lực (chất lượng nội dung và phương pháp giảng dạy), sự đồng cảm (sự quan tâm cá nhân hóa đến từng người học) và yếu tố hữu hình (giao diện, thiết kế, đa phương tiện).

Munir và Sulistiyowati (2023) áp dụng kết hợp SERVQUAL với Chỉ số Hài lòng Khách hàng (Customer Satisfaction Index — CSI) và Phân tích Khúc tuổi Quan trọng (Importance Performance Analysis — IPA) để phân tích hài lòng sinh viên tại một trường đại học ở Indonesia. Phát hiện quan trọng là không phải mọi yếu tố chất lượng dịch vụ đều có tầm quan trọng như nhau đối với sự hài lòng — sinh viên đánh giá cao nhất "sự đáp ứng" và "độ tin cậy", trong khi "yếu tố hữu hình" có tác động ít hơn. Kết quả IPA cho thấy trường cần ưu tiên cải thiện các yếu tố nằm ở góc tư thứ tư (high importance, low performance) thay vì phân tán nguồn lực vào tất cả các chiều.

2.4. Mô hình thành công hệ thống thông tin DeLone & McLean

Mô hình thành công hệ thống thông tin (Information Systems Success Model) do DeLone và McLean đề xuất năm 1992 và cập nhật năm 2003/2016 là một trong những khung lý thuyết toàn diện nhất để đánh giá các hệ thống thông tin, bao gồm cả hệ thống học tập số (DeLone và McLean, 2016). Mô hình cập nhật bao gồm bảy yếu tố: chất lượng hệ thống, chất lượng thông tin, chất lượng dịch vụ, ý định sử dụng, sự sử dụng thực tế, sự hài lòng của người dùng và lợi ích thu được (net benefits), được liên kết với nhau theo chuỗi nhân quả.

Yakubu và Salihu (2018) áp dụng mô hình DeLone và McLean để đánh giá thành công hệ thống e-learning tại Nigeria, phát hiện rằng chất lượng hệ thống và chất lượng dịch vụ có tác động trực tiếp đến sự hài lòng, trong khi chất lượng thông tin tác động gián tiếp thông qua lợi ích cảm nhận. Nghiên cứu cũng chỉ ra rằng vòng phản hồi từ lợi ích thu được trở lại ý định sử dụng là một cơ chế quan trọng — khi người học nhận thấy lợi ích từ hệ thống, họ tiếp tục sử dụng và phát triển sự hài lòng tích lũy.

Điểm mạnh của mô hình DeLone & McLean đối với thiết kế công cụ đánh giá là tính toàn diện: nó bao quát cả ba loại chất lượng (hệ thống, thông tin, dịch vụ) và cả hai loại kết quả (hài lòng và lợi ích). Tuy nhiên, điểm yếu là độ phức tạp — với bảy yếu tố và nhiều đường nhân quả, công cụ đánh giá dựa trên mô hình này cần mẫu lớn và phân tích SEM để kiểm định đầy đủ (DeLone và McLean, 2016).

2.5. Khung Cộng đồng điều tra (Community of Inquiry)

Khung Cộng đồng điều tra (Community of Inquiry — CoI) do Garrison, Anderson và Archer phát triển năm 2000 ban đầu được thiết kế để mô tả và nghiên cứu học tập trực tuyến thông qua lăng kính của ba thành tố "hiện diện": hiện diện nhận thức (cognitive presence) — mức độ người học xây dựng và xác nhận ý nghĩa thông qua phản biện và đối thoại; hiện diện xã hội (social presence) — khả năng người học thể hiện bản thân và xây dựng mối quan hệ xã hội trong môi trường trực tuyến; và hiện diện giảng dạy (teaching presence) — thiết kế, tạo điều kiện và hướng dẫn quá trình học tập số.

Duha (2020) và Duha, Richardson và Maeda (2022) nghiên cứu vai trò của kinh nghiệm học trực tuyến trước đó đối với điểm số CoI, mức độ tham gia và sự hài lòng. Kết quả cho thấy cả ba thành tố CoI đều có tác động tích cực đáng kể đến sự hài lòng, trong đó hiện diện giảng dạy có tác động mạnh nhất (β = 0,41), theo sau là hiện diện xã hội (β = 0,33) và hiện diện nhận thức (β = 0,27).

Paris, Lakhal và Mukamurera (2025) mở rộng khung CoI khi nghiên cứu mối quan hệ giữa các thành tố hiện diện, sự hài lòng và khả năng tiếp tục theo học trong các khóa học trực tuyến tại đại học. Nghiên cứu trên mẫu 1.204 sinh viên xác nhận rằng sự hài lòng đóng vai trò trung gian giữa các thành tố CoI và khả năng tiếp tục theo học, với hiệu ứng trung gian chiếm 42% tổng hiệu ứng. Phát hiện này nhấn mạnh rằng đầu tư vào ba thành tố hiện diện không chỉ cải thiện trải nghiệm học tập mà còn duy trì người học ở lại hệ thống giáo dục.

Cho và Tobias (2016) đặt câu hỏi phản biện quan trọng: liệu yêu cầu thảo luận trực tuyến có thực sự cải thiện các thành tố CoI hay chỉ tạo ra phản ứng hình thức? Kết quả cho thấy khi thảo luận được thiết kế tốt (có câu hỏi mở, có phản hồi giảng viên, có đánh giá đồng cấp), các thành tố CoI tăng đáng kể; nhưng khi thảo luận chỉ mang tính hình thức (yêu cầu số lượng bài đăng mà không chú trọng chất lượng), hiện diện xã hội thậm chí giảm do sinh viên cảm thấy bị ép buộc.

Mô hình Community of Inquiry cung cấp một lăng kính duy nhất cho thiết kế công cụ đánh giá hài lòng: thay vì chỉ hỏi "bạn có hài lòng không", công cụ nên hỏi "bạn có cảm thấy mình thực sự tư duy sâu không", "bạn có cảm thấy kết nối với bạn học không", và "giảng viên có tạo điều kiện cho bạn học tập hiệu quả không" (Duha, Richardson và Maeda, 2022).

2.6. So sánh tổng hợp năm khung lý thuyết

Bảng dưới đây tổng hợp các điểm tương đồng và khác biệt giữa năm khung lý thuyết nền tảng, giúp xác định lý thuyết phù hợp nhất cho từng khía cạnh của công cụ đánh giá.

Tiêu chí	EDT	TAM/UTAUT	SERVQUAL	DeLone & McLean	CoI
Biến số chính	Kỳ vọng, hiệu suất thực tế, thực tế không khớp, hài lòng	Hữu ích cảm nhận, dễ sử dụng cảm nhận, chấp nhận	Chất lượng kỳ vọng, chất lượng cảm nhận, khoảng cách	Chất lượng hệ thống, chất lượng thông tin, sử dụng, hài lòng, lợi ích thu được	Hiện diện giảng dạy, hiện diện nhận thức, hiện diện xã hội
Ưu điểm	Giải thích được cơ chế hình thành hài lòng; phù hợp thiết kế khảo sát kỳ vọng-nhận thức	Đơn giản, được kiểm chứng rộng rãi; dễ áp dụng đánh giá công nghệ	Xác định được khoảng cách chất lượng; có thang đo chuẩn hóa	Bao quát toàn bộ chuỗi giá trị hệ thống thông tin; tích hợp được nhiều biến	Nhấn mạnh tương tác và cộng đồng; phù hợp môi trường trực tuyến
Hạn chế	Bỏ qua yếu tố cá nhân; khó phân biệt các nguồn kỳ vọng khác nhau	Tập trung công nghệ, bỏ qua giảng dạy và nội dung; ít chú ý yếu tố xã hội	Ban đầu cho dịch vụ thương mại; cần điều chỉnh cho giáo dục	Quá rộng, khó xác định biến trọng tâm; ít chú ý yếu tố con người	Thiếu yếu tố kỹ thuật và hỗ trợ; chưa bao phủ đầy đủ khía cạnh dịch vụ
Phù hợp nhất cho	Thiết kế cấu trúc khảo sát (kỳ vọng vs. nhận thức)	Đánh giá khả năng sử dụng nền tảng công nghệ	Đánh giá chất lượng dịch vụ giáo dục tổng thể	Đánh giá hiệu quả hệ thống LMS và cơ sở hạ tầng	Đánh giá chất lượng tương tác và cộng đồng học tập

Bảng 1. So sánh năm khung lý thuyết nền tảng

Nhìn vào bảng trên, nhận thấy không một khung lý thuyết đơn lẻ nào bao quát đầy đủ tất cả các khía cạnh quan trọng của sự hài lòng trong môi trường học tập số. EDT mạnh về cơ chế hình thành nhưng yếu về yếu tố cá nhân. TAM mạnh về công nghệ nhưng bỏ qua giảng dạy. SERVQUAL mạnh về chất lượng dịch vụ nhưng cần điều chỉnh. DeLone & McLean bao quát hệ thống nhưng thiếu yếu tố con người. CoI mạnh về cộng đồng nhưng bỏ qua kỹ thuật. Do đó, thiết kế công cụ đánh giá cần tích hợp đa lý thuyết — tiếp cận mà khung FTU-DLSS sẽ thực hiện ở phần 7.

Điểm cốt lõi từ chương 2: Không một khung lý thuyết đơn lẻ nào đủ bao quát sự hài lòng trên môi trường số — EDT mạnh về cơ chế hình thành, TAM về công nghệ, SERVQUAL về dịch vụ, DeLone & McLean về hệ thống, CoI về cộng đồng. Công cụ đánh giá tốt phải tích hợp đa lý thuyết, và FTU-DLSS sẽ làm điều này ở chương 7.

3. Tổng quan các công cụ đánh giá hài lòng người học trên môi trường số

3.1. Thang đo Hài lòng Người học Điện tử (ELSS)

Thang đo Hài lòng Người học Điện tử (Electronic Learner Satisfaction Scale — ELSS) do Ritzhaupt và các cộng sự phát triển và kiểm định tâm trắc học vào năm 2019, là một trong những công cụ được sử dụng rộng rãi nhất để đo lường sự hài lòng trong môi trường e-learning (Ritzhaupt, 2019). Thang đo ban đầu được phát triển dựa trên nền tảng lý thuyết DeLone & McLean và bao gồm các chiều: nội dung, tính hữu ích, sự dễ sử dụng, sự hỗ trợ và tương tác.

Quá trình phát triển ELSS đi qua ba giai đoạn chính. Giai đoạn một: tạo lập ngân hàng câu hỏi dựa trên tổng quan tài liệu và phỏng vấn chuyên gia, thu được 56 mục sơ bộ. Giai đoạn hai: phân tích yếu tố khám phá (Exploratory Factor Analysis — EFA) trên mẫu 312 sinh viên, rút gọn còn 24 mục thuộc 6 yếu tố. Giai đoạn ba: phân tích yếu tố khẳng định (Confirmatory Factor Analysis — CFA) trên mẫu 289 sinh viên, xác nhận cấu trúc sáu yếu tố với các chỉ số phù hợp mô hình tốt (CFI = 0,96; TLI = 0,95; RMSEA = 0,048).

Kim, Bolliger và Martin (2024) tiến hành kiểm tra các tính chất tâm trắc học của Công cụ Đánh giá Hài lòng Người học Trực tuyến (Online Learner Satisfaction Instrument — OLSI), một công cụ liên quan và tương tự ELSS. Kết quả CFA xác nhận cấu trúc bốn yếu tố (hài lòng với giảng viên, hài lòng với nội dung, hài lòng với tương tác, hài lòng với công nghệ) với chỉ số phù hợp mô hình xuất sắc (CFI = 0,97; SRMR = 0,038). Điểm đáng chú ý là nghiên cứu phát hiện tính hội tụ (convergent validity) cao giữa OLSI và ELSS (r = 0,78), cho thấy hai công cụ đo lường cùng một cấu trúc tiềm ẩn, nhưng OLSI có ưu điểm cấu trúc đơn giản hơn, phù hợp hơn cho các khảo sát quy mô lớn.

Trong thiết kế công cụ đánh giá, bài học từ ELSS và OLSI là rõ ràng: một công cụ tốt không phải là công cụ có nhiều câu hỏi nhất mà là công cụ có cấu trúc yếu tố rõ ràng, được kiểm định qua cả EFA và CFA, và có chỉ số phù hợp mô hình đạt chuẩn (CFI > 0,95; RMSEA < 0,06) (Ritzhaupt, 2019; Kim, Bolliger và Martin, 2024).

3.2. Thang đo Hài lòng Môi trường Học tập Ảo (VLES)

Hamutoglu, Gemikonakli và Savasci (2018) phát triển Thang đo Hài lòng Môi trường Học tập Ảo (Virtual Learning Environment Satisfaction Scale — VLES) đáng chú ý tập trung vào các yếu tố đặc thù của môi trường học tập ảo. Khác với ELSS bao quát nhiều khía cạnh, VLES nhấn mạnh vào năm yếu tố: chất lượng nội dung, chất lượng thiết kế giao diện, chất lượng tương tác, sự hỗ trợ kỹ thuật và tính linh hoạt.

Một điểm sáng của VLES là quá trình phát triển tuân thủ nghiêm ngặt tiêu chuẩn của Hội đồng Tiêu chuẩn Giáo dục Hoa Kỳ (AERA, APA, NCME). Các tác giả tiến hành đánh giá nội dung bởi hội đồng chuyên gia gồm 8 thành viên, thử nghiệm trước (pilot test) trên 50 sinh viên, EFA trên 326 sinh viên và CFA trên 298 sinh viên. Quy trình bốn bước này đảm bảo cả tính hợp lệ nội dung và tính hợp lệ cấu trúc, tạo ra một công cụ đáng tin cậy cho nghiên cứu và thực tiễn.

3.3. Công cụ Đánh giá Hài lòng Người học Trực tuyến (OLSI)

OLSI do Khan và Smith (2007) phát triển ban đầu là một công cụ khảo sát mức độ hài lòng với chương trình học trực tuyến, bao gồm các yếu tố về chất lượng khóa học, dịch vụ hỗ trợ, kết quả học tập và tương tác xã hội. Công cụ này ban đầu được thiết kế để sử dụng trong các chương trình đào tạo trực tuyến chuyên sâu, sau đó được mở rộng cho nhiều bối cảnh học trực tuyến khác nhau.

Kim, Bolliger và Martin (2024) kiểm định lại OLSI trên mẫu 724 sinh viên từ bốn trường đại học khác nhau, xác nhận cấu trúc bốn yếu tố với độ tin cậy cao (Cronbach's α từ 0,86 đến 0,93 cho mỗi yếu tố). Đóng góp quan trọng nhất của nghiên cứu này là phát hiện tính bất biến đo lường (measurement invariance) giữa các nhóm sinh viên theo trình độ kinh nghiệm trực tuyến, cho thấy OLSI dùng được so sánh giữa các nhóm người học khác nhau — một tính chất cần thiết khi áp dụng tại một trường đại học có sự đa dạng về trình độ công nghệ của sinh viên.

3.4. Khảo sát Hài lòng Chương trình Trực tuyến

Nhiều trường đại học trên thế giới phát triển khảo sát hài lòng riêng cho chương trình trực tuyến của mình. Lee và Song (2022) phát triển và kiểm định công cụ khảo sát mức độ hài lòng của sinh viên với phương pháp học tập dựa trên vấn đề (Problem-Based Learning — PBL) trong giáo dục đại học, bao gồm sáu yếu tố: chất lượng vấn đề, quá trình tự học, tương tác nhóm, vai trò giảng viên, kết quả học tập và môi trường hỗ trợ. CFA xác nhận cấu trúc sáu yếu tố với chỉ số phù hợp mô hình tốt (χ²/df = 1,87; CFI = 0,94; RMSEA = 0,052).

Tại Vương quốc Anh, Khảo sát Sinh viên Quốc gia (National Student Survey — NSS) là công cụ đánh giá trải nghiệm sinh viên quy mô lớn nhất, được tiến hành hàng năm với hàng trăm nghìn sinh viên cuối khóa. Bowles (2020) nghiên cứu các yếu tố tâm lý dự báo mức độ hài lòng trong NSS và phát hiện rằng không chỉ chất lượng giảng dạy mà cả các yếu tố tâm lý như lòng biết ơn, cảm giác thuộc về và kỳ vọng trước vào trường đều có tác động đáng kể đến điểm hài lòng.

3.5. Các công cụ đánh giá khả năng sử dụng

Hệ thống Đánh giá Khả năng Sử dụng (System Usability Scale — SUS) do John Brooke phát triển năm 1986 là công cụ đánh giá khả năng sử dụng phổ biến nhất, bao gồm 10 mục hỏi Likert 5 điểm. Harrati, Bouchrika và Tari (2016) sử dụng kết hợp SUS với các chỉ số sử dụng thực tế (usage-based metrics) để đánh giá sự hài lòng với hệ thống e-learning, phát hiện rằng SUS có tương quan vừa phải với sự hài lòng tổng thể (r = 0,54), nhưng khi kết hợp với chỉ số sử dụng thực tế (tần suất đăng nhập, thời gian phiên, số trang truy cập), khả năng dự báo hài lòng tăng lên đáng kể (R² = 0,62).

Dilan, Gali và Llavore (2022) kiểm định khả năng sử dụng của Moodle LMS bằng cách kết hợp dữ liệu thực nghiệm (thời gian hoàn thành tác vụ, số lỗi, tỷ lệ hoàn thành) với Câu hỏi Khảo sát Hài lòng Giao diện Người dùng (Questionnaire for User Interaction Satisfaction — QUIS). Kết quả cho thấy điểm SUS trung bình của Moodle là 68,5 (thuận lợi nhưng cần cải thiện), trong khi điểm QUIS cao hơn ở các yếu tố về thông tin và khả năng học hỏi nhưng thấp ở yếu tố về thẩm mỹ và cảm xúc.

3.6. So sánh các công cụ đánh giá

Mỗi công cụ có ưu nhược điểm riêng. ELSS và OLSI có cấu trúc tâm trắc học vững chắc nhưng phát triển trong bối cảnh Bắc Mỹ, cần điều chỉnh văn hóa khi áp dụng ở châu Á. VLES có quy trình phát triển chặt chẽ nhất nhưng chưa được kiểm định chéo trên nhiều nền văn hóa. NSS có quy mô lớn và tính đại diện cao nhưng không được thiết kế riêng cho môi trường số. SUS đơn giản và dễ sử dụng nhưng chỉ đo lường một khía cạnh (khả năng sử dụng) của trải nghiệm học tập số.

Chen và Mohammed (2024) tiến hành tổng quan hệ thống về các yếu tố dự báo sự hài lòng của sinh viên với học trực tuyến, phân tích 47 nghiên cứu từ năm 2018 đến 2023. Kết quả cho thấy các yếu tố được nghiên cứu nhiều nhất là: tương tác giảng viên-học viên (xuất hiện trong 68% nghiên cứu), chất lượng nội dung (62%), chất lượng hệ thống công nghệ (55%), tự hiệu (51%) và hỗ trợ đồng cấp (47%). Tuy nhiên, chỉ 23% nghiên cứu sử dụng công cụ được kiểm định tâm trắc học đầy đủ — một khoảng trống lớn trong lĩnh vực này.

Phát hiện quan trọng nhất từ tổng quan hệ thống là khoảng cách giữa lý thuyết và thực tiễn: trong khi các khung lý thuyết như CoI, TAM và DeLone & McLean cung cấp nền tảng vững chắc, phần lớn các công cụ đánh giá thực tế tại các trường đại học không dựa trên lý thuyết mà được thiết kế theo cách tiếp cận thực dụng (Chen và Mohammed, 2024).

Điểm cốt lõi từ chương 3: Các công cụ được kiểm định tâm trắc học (ELSS, OLSI, VLES) có chất lượng vượt trội so với khảo sát nội bộ chưa qua kiểm định. Tuy nhiên, tất cả đều phát triển trong bối cảnh Bắc Mỹ và cần điều chỉnh văn hóa — đặc biệt khi áp dụng ở Đông Nam Á, nơi sai số phản hồi và bối cảnh hạ tầng tạo ra thách thức riêng.

4. Các yếu tố quyết định mức độ hài lòng của người học trên môi trường số

4.1. Yếu tố kỹ thuật: thiết kế giao diện, khả năng sử dụng, độ tin cậy hệ thống

Chất lượng kỹ thuật là nền tảng cơ bản nhất nhưng thường bị đánh giá thấp trong các nghiên cứu về sự hài lòng của người học. Chitkushev, Vodenska và Zlateva (2014) phân tích các yếu tố tác động đến sự hài lòng và hiệu suất trong các khóa học trực tuyến tại Đại học Boston, phát hiện rằng độ tin cậy hệ thống (hệ thống hoạt động ổn định, ít gián đoạn) là yếu tố kỹ thuật có tác động mạnh nhất đến sự hài lòng (β = 0,38), tiếp theo là thiết kế giao diện (β = 0,29) và tốc độ phản hồi (β = 0,24).

Shin và Cheon (2019) nghiên cứu các yếu tố thiết kế khóa học cốt lõi ảnh hưởng đến sự hài lòng trong giáo dục trực tuyến, phát hiện rằng thiết kế khóa học (course design) giải thích 43% phương sai của sự hài lòng — cao hơn cả chất lượng nội dung (31%) và năng lực giảng viên (28%). Các yếu tố thiết kế khóa học quan trọng nhất bao gồm: cấu trúc rõ ràng (mục tiêu, tiến trình, đánh giá được thông báo từ đầu), đa dạng phương tiện (video, bài đọc, hoạt động tương tác) và phản hồi kịp thời.

Placencia và Muljana phát hiện rằng thiết kế khóa học trực tuyến có tác động đáng kể đến sự hài lòng của sinh viên, đáng chú ý thông qua hai cơ chế: giảm bớt sự bối rối (khi thiết kế không rõ ràng, sinh viên mất thời gian tìm hiểu cấu trúc thay vì tập trung học tập) và tăng cảm giác kiểm soát (khi sinh viên hiểu rõ yêu cầu và tiến trình, họ cảm thấy tự chủ hơn trong quá trình học tập).

Hu, Wei và Zhou (2024) bổ sung góc nhìn mới khi phát hiện tác động điều hòa của năng lực sử dụng công nghệ số (digital competency) trên mối quan hệ giữa thiết kế khóa học và sự hài lòng. Khi năng lực số của sinh viên cao, tác động của thiết kế khóa học đến sự hài lòng tăng mạnh (β = 0,47 so với β = 0,28 ở nhóm năng lực thấp). Điều này chỉ ra rằng cùng một thiết kế khóa học tạo ra mức độ hài lòng rất khác nhau tùy thuộc vào năng lực số của người học.

4.2. Yếu tố giảng dạy: chất lượng nội dung, tương tác giảng viên-học viên

Chất lượng giảng dạy là yếu tố được nghiên cứu nhiều nhất và có tác động nhất quán nhất đến sự hài lòng. Muzammil, Sutawijaya và Harsasi (2020) phát hiện rằng tương tác giữa giảng viên và sinh viên trong học tập từ xa là yếu tố có tương quan mạnh nhất với sự hài lòng (r = 0,67), vượt qua cả tương tác đồng cấp (r = 0,48) và tương tác với nội dung (r = 0,52).

Shen, Cho và Tsai (2013) phân tích cơ chế hình thành sự hài lòng trong học trực tuyến và phát hiện rằng tự hiệu học trực tuyến (online learning self-efficacy) đóng vai trò trung gian giữa chất lượng giảng dạy và sự hài lòng. Khi giảng viên cung cấp chỉ dẫn rõ ràng, phản hồi kịp thời và cơ hội thực hành, sự tự hiệu của người học tăng lên, từ đó tăng sự hài lòng. Cơ chế trung gian này chiếm 35% tổng hiệu ứng của chất lượng giảng dạy đến sự hài lòng.

Ngoại trừ tương tác trực tiếp, chất lượng nội dung cũng đóng vai trò quan trọng. Aritonang và Ariff (2018) so sánh mức độ hài lòng giữa học trực tuyến và học trực tiếp trong các chương trình kết hợp, phát hiện rằng sinh viên đánh giá chất lượng nội dung trực tuyến thấp hơn trực tiếp ở hai yếu tố: tính cập nhật (nội dung trực tuyến thường ít được cập nhật hơn) và sự đa dạng phương tiện (nhiều khóa trực tuyến chỉ sử dụng slide PDF mà thiếu video, hoạt động tương tác).

4.3. Yếu tố hỗ trợ: dịch vụ hỗ trợ học tập, tài nguyên bổ sung

Dịch vụ hỗ trợ học tập bao gồm hỗ trợ kỹ thuật (giải quyết vấn đề phần mềm, kết nối), hỗ trợ học thuật (tư vấn phương pháp học, hỗ trợ viết) và hỗ trợ hành chính (đăng ký, đăng nhập, thủ tục). Lee (2010) phát hiện rằng chất lượng dịch vụ hỗ trợ trực tuyến có tác động trực tiếp đến sự chấp nhận học trực tuyến (β = 0,31) và gián tiếp đến sự hài lòng thông qua chấp nhận công nghệ.

Sachs (2003) báo cáo kinh nghiệm của Đại học Pace khi tập trung vào sự hài lòng với dịch vụ sinh viên trong giáo dục trực tuyến. Trường phát hiện rằng ba dịch vụ quan trọng nhất theo đánh giá của sinh viên là: hỗ trợ kỹ thuật 24/7 (đặc biệt trong giờ thi), thư viện số (khả năng truy cập tài liệu từ xa) và cố vấn học tập trực tuyến. Khi ba dịch vụ này hoạt động tốt, điểm hài lòng tổng thể tăng 28% so với khi hoạt động kém.

Zhong (2025) nghiên cứu dự báo sự hài lòng và quản lý chất lượng cho học từ xa tại Đông Nam Á, phát hiện rằng yếu tố hỗ trợ có vai trò đáng chú ý quan trọng trong bối cảnh các nước đang phát triển do hạ tầng công nghệ chưa ổn định. Khi hỗ trợ kỹ thuật đáng tin cậy, người học có thể vượt qua nhiều rào cản kỹ thuật và tập trung vào học tập. Ngược lại, thiếu hỗ trợ kỹ thuật làm tăng mức độ căng thẳng và giảm nghiêm trọng sự hài lòng.

4.4. Yếu tố cá nhân: tự hiệu, tự điều chỉnh, động cơ học tập

Các yếu tố cá nhân của người học đóng vai trò vừa là biến độc lập (ảnh hưởng đến sự hài lòng) vừa là biến điều hòa (thay đổi tác động của các yếu tố khác đến sự hài lòng). Zheng và Xiao (2024) xây dựng mô hình SEM bao gồm tự hiệu, học tập số phi chính thức, kỹ năng tự điều chỉnh và sự hài lòng, phát hiện rằng tự hiệu có tác động trực tiếp mạnh nhất (β = 0,41) và gián tiếp thông qua tự điều chỉnh (hiệu ứng trung gian = 0,15).

Jayanthi và Rajalakshmi (2022) nghiên cứu tác động của trải nghiệm học trực tuyến đến sự hài lòng thông qua sự tham gia, phát hiện rằng động cơ nội tại (intrinsic motivation) là yếu tố cá nhân mạnh nhất dự báo sự tham gia (β = 0,52), từ đó dự báo sự hài lòng. Sinh viên có động cơ nội tại cao (học vì muốn hiểu, muốn phát triển) có mức độ tham gia và hài lòng cao hơn đáng kể so với sinh viên có động cơ ngoại lai (học vì điểm số, vì yêu cầu).

Yilmaz (2022) phân tích mối quan hệ giữa kỹ năng tự điều chỉnh trực tuyến, sự hài lòng và một số biến số khác, phát hiện rằng kỹ năng tự điều chỉnh bao gồm bốn thành tố: lập mục tiêu, tự theo dõi, tự đánh giá và quản lý thời gian. Trong bốn thành tố, tự theo dõi (self-monitoring) có tác động mạnh nhất đến sự hài lòng (β = 0,38), theo sau là lập mục tiêu (β = 0,31).

Phát hiện xuyên suốt các nghiên cứu là rằng yếu tố cá nhân không hoạt động độc lập mà tương tác với yếu tố môi trường: người học có tự hiệu cao có thể đạt mức độ hài lòng tốt ngay cả khi chất lượng hệ thống trung bình, trong khi người học có tự hiệu thấp cần môi trường học tập số được thiết kế nổi bật chu đáo (Zheng và Xiao, 2024).

4.5. Yếu tố xã hội: cộng đồng học tập, cộng đồng điều tra

Cộng đồng học tập số — khả năng kết nối, tương tác và hợp tác với bạn học và giảng viên — là một yếu tố ngày càng được nhận diện là quan trọng. Duha (2020) phát hiện rằng kinh nghiệm học trực tuyến trước đây ảnh hưởng đáng kể đến điểm số CoI và sự hài lòng: sinh viên đã có kinh nghiệm đạt điểm CoI cao hơn 15% và điểm hài lòng cao hơn 12% so với sinh viên mới bắt đầu, cho thấy kỹ năng xây dựng cộng đồng trực tuyến là một năng lực có thể phát triển qua thời gian.

Kelling và Kelling (2022) nghiên cứu tích hợp giải trí giáo dục (edutainment) để tăng cường sự tham gia và hài lòng trong một khóa học trực tuyến về tâm lý học, phát hiện rằng các hoạt động xây dựng cộng đồng có chủ đích (như thảo luận nhóm nhỏ, dự án chung, trò chơi hóa) tăng điểm hiện diện xã hội từ 3,2 lên 4,1 (thang 5 điểm) và điểm hài lòng từ 3,5 lên 4,3.

Ngoại trừ cộng đồng trong khóa học, cảm giác thuộc về cộng đồng rộng hơn cũng có tác động. Bowles (2020) phát hiện rằng cảm giác thuộc về (sense of belonging) là yếu tố tâm lý dự báo mạnh nhất đối với điểm NSS (β = 0,34), mạnh hơn cả chất lượng giảng dạy (β = 0,28) và chất lượng phản hồi (β = 0,22). Trong môi trường trực tuyến, cảm giác thuộc về khó hình thành hơn do thiếu tương tác trực tiếp, đòi hỏi nỗ lực có chủ đích từ phía giảng viên và nhà trường.

4.6. Tổng hợp 18 yếu tố quyết định

Dựa trên tổng quan tài liệu, 18 yếu tố quyết định mức độ hài lòng của người học trên môi trường số được phân thành năm nhóm. Nhóm kỹ thuật: (1) độ tin cậy hệ thống, (2) thiết kế giao diện và khả năng sử dụng, (3) tốc độ và hiệu suất, (4) tính linh hoạt tiếp cận đa nền tảng. Nhóm giảng dạy: (5) chất lượng nội dung và phương tiện, (6) năng lực giảng viên trực tuyến, (7) phản hồi và đánh giá kịp thời, (8) thiết kế khóa học rõ ràng. Nhóm hỗ trợ: (9) hỗ trợ kỹ thuật, (10) thư viện số và tài nguyên, (11) cố vấn và hướng dẫn học tập. Nhóm cá nhân: (12) tự hiệu công nghệ, (13) kỹ năng tự điều chỉnh, (14) động cơ nội tại. Nhóm xã hội: (15) tương tác giảng viên-học viên, (16) tương tác đồng cấp, (17) cảm giác thuộc về, (18) hiện diện giảng dạy.

Yếu tố	Nhóm	Hệ số trung bình	Nghiên cứu đại diện
Độ tin cậy hệ thống	Kỹ thuật	0,38	Chitkushev, Vodenska và Zlateva (2014)
Thiết kế giao diện	Kỹ thuật	0,29	Chitkushev, Vodenska và Zlateva (2014)
Tốc độ và hiệu suất	Kỹ thuật	0,24	Chitkushev, Vodenska và Zlateva (2014)
Thiết kế khóa học	Giảng dạy	R2=0,43	Shin và Cheon (2019)
Tương tác GV-HV	Giảng dạy	r=0,67	Muzammil, Sutawijaya và Harsasi (2020)
Chất lượng nội dung	Giảng dạy	R2=0,31	Shin và Cheon (2019)
Hỗ trợ kỹ thuật	Hỗ trợ	0,31	Lee (2010)
Tự hiệu công nghệ	Cá nhân	0,41	Zheng và Xiao (2024)
Kỹ năng tự điều chỉnh	Cá nhân	0,38	Yilmaz (2022)
Động cơ nội tại	Cá nhân	0,52	Jayanthi và Rajalakshmi (2022)
Hiện diện giảng dạy	Xã hội	0,41	Duha, Richardson và Maeda (2022)
Cảm giác thuộc về	Xã hội	0,34	Bowles (2020)

Bảng 2. Bảng tra cứu nhanh: 12 yếu tố quyết định chính với hệ số tác động từ các nghiên cứu đại diện

Sự phân nhóm này có ý nghĩa thiết kế quan trọng: các trường đại học dùng được toàn bộ 18 yếu tố cho đánh giá toàn diện, hoặc chỉ sử dụng một nhóm khi cần đánh giá nhanh. Ví dụ, khi triển khai mới một nền tảng LMS, nhóm kỹ thuật (3 yếu tố) nên được ưu tiên đánh giá. Khi chuyển đổi phương pháp giảng dạy sang blended learning, nhóm giảng dạy (4 yếu tố) nên được tập trung. Khi quan tâm đến bất bình đẳng trong trải nghiệm số, nhóm điều cảnh (3 yếu tố) và nhóm cá nhân (3 yếu tố) cần được phân tích riêng cho từng nhóm sinh viên.

Chen và Mohammed (2024) tổng quan 47 nghiên cứu cũng xác nhận rằng mối quan hệ giữa các nhóm yếu tố không phải là tuyến tính cộng mà có tính tương tác. Tương tác giảng viên-học viên có tác động mạnh hơn khi nội dung khóa học được thiết kế tốt, và hỗ trợ kỹ thuật có tác động mạnh hơn khi người học có tự hiệu thấp. Điều này nhấn mạnh rằng việc cải thiện một yếu tố đơn lẻ chưa chắc mang lại kết quả lớn nếu các yếu tố khác chưa đạt mức độ tối thiểu — một nguyên lý tương tự với "thuyết chai hẹp" trong quản lý vận hành.

4.7. Góc nhìn phản biện: Hài lòng có phải là mục tiêu đúng?

Một câu hỏi quan trọng thường bị bỏ qua: liệu đo lường và tối đa hóa sự hài lòng có thực sự dẫn đến kết quả giáo dục tốt hơn? Một số nhà nghiên cứu cảnh báo về "hài lòng giả tạo" khi giảng viên giảm yêu cầu học tập để nhận điểm đánh giá cao hơn. Chernosky, Palsole và Pappa phát hiện trong nghiên cứu tại Đại học Arizona State rằng sự hài lòng không phải lúc nào tương đương với học tập — một số khóa học có điểm hài lòng rất cao nhưng kết quả đánh giá năng lực thực tế lại thấp.

Tuy nhiên, phản biện này không làm mất giá trị của việc đánh giá hài lòng mà chỉ ra rằng hài lòng cần được đo lường cùng với các chỉ số khác. Zhou và Rouse (2024) đề xuất khung đánh giá đa chiều cho chương trình trực tuyến, trong đó sự hài lòng là một trong năm chỉ số (bên cạnh kết quả học tập, tỷ lệ hoàn thành, tỷ lệ tiếp tục và năng lực nghề nghiệp). Warren, Boston Vogt và Tincher (2025) cũng nhấn mạnh rằng khi tích hợp trí tuệ nhân tạo vào đảm bảo chất lượng, cần phân biệt giữa "hài lòng bề mặt" và "hài lòng sâu" — hài lòng bề mặt đến từ trải nghiệm dễ chịu, trong khi hài lòng sâu đến từ cảm giác thực sự học được điều gì đó có giá trị.

Điểm cốt lõi từ chương 4: 18 yếu tố quyết định hài lòng tương tác với nhau theo dạng phi tuyến tính — cải thiện một yếu tố đơn lẻ chưa đủ nếu các yếu tố khác chưa đạt mức tối thiểu. Yếu tố có tác động nhất nhất quán qua các nghiên cứu là tương tác giảng viên-học viên, và yếu tố cá nhân (tự hiệu, tự điều chỉnh) đóng vai trò điều hòa mạnh mẽ.

5. Bài học từ thực tiễn áp dụng tại các trường đại học trên thế giới

5.1. Kinh nghiệm từ các trường đại học tại Đông Á

Đại học Hanyang (Hàn Quốc) cung cấp một trong những case study chi tiết nhất về việc áp dụng công cụ đánh giá hài lòng trong bối cảnh chuyển đổi đột ngột sang trực tuyến. Han và Sa (2021) khảo sát 487 sinh viên và phát hiện rằng điểm hài lòng trung bình trong học trực tuyến COVID-19 là 3,21 trên thang 5 điểm — thấp hơn đáng kể so với học trực tiếp trước đại dịch (4,12). Tuy nhiên, khi phân tích theo nhóm, sinh viên sử dụng LMS thường xuyên trước đại dịch có mức hài lòng cao hơn (3,68) so với sinh viên ít sử dụng (2,74). Bài học: sự quen thuộc với nền tảng số là yếu tố điều hòa mạnh — trường cần đầu tư vào việc làm quen với nền tảng trước khi yêu cầu sử dụng chính thức.

Tại Indonesia, Ainubie và Ramadhan Slamet (2021) nghiên cứu các yếu tố quyết định sự hài lòng của sinh viên kế toán với học trực tuyến, phát hiện rằng ba yếu tố quan trọng nhất là: tương tác giảng viên (β = 0,39), chất lượng hệ thống (β = 0,33) và khả năng tự điều chỉnh (β = 0,28). Đáng chú ý, nghiên cứu phát hiện rằng sinh viên ở cơ sở vùng xa có điểm hài lòng thấp hơn 0,7 điểm so với sinh viên ở thành phố lớn, chủ yếu do vấn đề kết nối internet. Bài học: công cụ đánh giá cần bao gồm biến điều cảnh (vị trí địa lý, điều kiện thiết bị) để phát hiện bất bình đẳng trong trải nghiệm học tập số.

Wiradharma (2020) so sánh mức độ hài lòng giữa sinh viên sử dụng Google Classroom và Moodle tại một trường đại học ở Indonesia trong đại dịch COVID-19. Kết quả cho thấy sinh viên đánh giá Moodle cao hơn ở tính đa dạng chức năng (3,8 so với 3,2) nhưng Google Classroom cao hơn ở tính dễ sử dụng (4,1 so với 3,4). Bài học: không có nền tảng nào hoàn hảo — công cụ đánh giá cần cho phép sinh viên đánh giá riêng từng khía cạnh thay vì chỉ cho tổng điểm.

Goyal và Purohit (2011) nghiên cứu việc sử dụng Moodle để tăng cường sự hài lòng với công nghệ thông tin và truyền thông (ICT) tại một trường đại học ở Ấn Độ. Nghiên cứu theo dõi 180 sinh viên trong một học kỳ và phát hiện rằng điểm hài lòng tăng từ 2,8 lên 4,1 sau ba tháng sử dụng Moodle thường xuyên. Bài học quan trọng: sự hài lòng với môi trường số không phải là trạng thái tĩnh mà thay đổi theo thời gian — cần khảo sát lặp đi lặp lại thay vì chỉ đo lường một điểm thời gian.

5.2. Kinh nghiệm từ các trường đại học tại Bắc Mỹ và châu Âu

Đại học Pace (Hoa Kỳ) là một trong những trường tiên phong trong việc hệ thống hóa đánh giá hài lòng sinh viên với dịch vụ trong giáo dục trực tuyến. Sachs (2003) báo cáo rằng trường đã phát triển bộ câu hỏi 32 mục bao phủ năm lĩnh vực: hỗ trợ kỹ thuật, dịch vụ thư viện, cố vấn học tập, dịch vụ hành chính và dịch vụ tài chính. Trường khảo sát mỗi học kỳ và sử dụng phân tích IPA để xác định ưu tiên cải thiện. Sau ba năm áp dụng, tỷ lệ tiếp tục theo học trong chương trình trực tuyến tăng từ 72% lên 85%.

Tại Vương quốc Anh, NSS đã được triển khai từ năm 2005 và trở thành công cụ đánh giá trải nghiệm sinh viên quy mô lớn nhất thế giới. Bowles (2020) phát hiện rằng sau 15 năm triển khai, NSS đang đối mặt với hai thách thức: (1) điểm hài lòng có xu hướng tăng đều (grade inflation) do các trường "dạy để khảo sát" thay vì cải thiện thực chất, và (2) sinh viên từ các nhóm thiểu số thường đánh giá thấp hơn do kỳ vọng khác biệt, tạo ra rủi ro phân biệt sai. Bài học: công cụ đánh giá cần có cơ chế kiểm tra và điều chỉnh xu hướng tăng điểm, đồng thời phân tích riêng theo nhóm sinh viên để phát hiện bất bình đẳng.

Chen và Mohammed (2024) tổng quan 47 nghiên cứu từ năm 2018 đến 2023 và rút ra năm bài học quan trọng. Thứ nhất, không có yếu tố đơn lẻ nào giải thích phần lớn phương sai của sự hài lòng — cần mô hình đa yếu tố. Thứ hai, các yếu tố tương tác (giảng viên-học viên, đồng cấp) nhất quán mạnh hơn các yếu tố công nghệ. Thứ ba, vai trò trung gian của sự tham gia giữa môi trường học tập và sự hài lòng là robust. Thứ tư, nghiên cứu giữa các nền văn hóa vẫn thiếu — hầu hết nghiên cứu được tiến hành tại Bắc Mỹ. Thứ năm, chỉ một phần tư các nghiên cứu sử dụng công cụ được kiểm định tâm trắc học đầy đủ.

Tại Úc, Khảo sát Kinh nghiệm Sinh viên (Student Experience Survey — SES) được triển khai hàng năm bởi Chính phủ Liên bang, kết hợp với Khảo sát Sinh viên Quốc gia (NSSE) được điều chỉnh cho bối cảnh Úc. Zhou và Rouse (2024) xây dựng khung đánh giá các chương trình đào tạo trực tuyến qua lăng kính hài lòng sinh viên, phát hiện rằng các chương trình trực tuyến thành công nhất có ba đặc điểm: thiết kế khóa học dựa trên năng lực cho phép sinh viên tiến độ theo tốc độ cá nhân, hỗ trợ học tập chủ động thay vì chờ sinh viên cầu viện, và thu thập phản hồi liên tục sử dụng để cải tiến trong học kỳ thay vì chờ đến cuối khóa. Chu kỳ phản hồi nhanh là yếu tố phân biệt giữa các chương trình có mức hài lòng cao và thấp.

Merzdorf (2019) nghiên cứu đánh giá sự hài lòng và thành công của người học MOOC, phát hiện rằng thang đo dùng cho khóa học trực tuyến chính khóa không hoàn toàn phù hợp cho MOOC do đặc điểm khác biệt về động cơ, cam kết và đa dạng người học. Bài học: công cụ đánh giá cần được thiết kế cho loại hình khóa học cụ thể, không có công cụ một kích cỡ cho tất cả.

5.3. Bài học từ các nước đang phát triển

Tại Nigeria, Yakubu và Salihu (2018) áp dụng mô hình DeLone & McLean để đánh giá hệ thống e-learning, phát hiện rằng chất lượng hệ thống (độ tin cậy, tốc độ phản hồi) là yếu tố then chốt trong bối cảnh hạ tầng công nghệ hạn chế. Khi mạng internet không ổn định, mọi yếu tố khác (nội dung, giảng viên, tương tác) đều bị suy giảm tác động do sinh viên không thể truy cập hệ thống nhất quán. Bài học: ở các nước đang phát triển, công cụ đánh giá phải đặt chất lượng hệ thống lên vị trí ưu tiên và bao gồm các mục hỏi về điều kiện hạ tầng tại nơi sinh viên học tập.

Haipinge và Kadhila (2024) phân tích các mô hình đảm bảo chất lượng cho học tập số tại các trường đại học ở châu Phi, phát hiện rằng phần lớn các trường thiếu công cụ đánh giá hài lòng người học riêng cho môi trường số. Hầu hết sử dụng các khảo sát chung cho cả học trực tiếp và trực tuyến, bỏ qua các yếu tố đặc thù của môi trường số như khả năng sử dụng nền tảng, khả năng tiếp cận đa thiết bị và hỗ trợ kỹ thuật. Bài học: không thể "tái sử dụng" công cụ đánh giá truyền thống cho môi trường số — cần phát triển công cụ riêng hoặc ít nhất bổ sung mô-đun số vào công cụ hiện có.

Tran Doan và Vo (2025) nghiên cứu việc tăng cường sự hài lòng của sinh viên với dịch vụ sinh viên trên nền tảng số tại một trường đại học Việt Nam. Nghiên cứu phát hiện ba yếu tố quan trọng nhất đối với sinh viên Việt Nam: tính thuận tiện (khả năng thực hiện thủ tục mọi lúc mọi nơi), sự minh bạch (theo dõi tiến trình xử lý) và phản hồi nhanh. Điểm đáng chú ý là sinh viên Việt Nam đánh giá cao sự phản hồi nhanh hơn cả chất lượng của dịch vụ bản thân — họ chấp nhận dịch vụ chưa hoàn hảo miễn là vấn đề được giải quyết nhanh chóng. Bài học: tại Việt Nam, yếu tố thời gian phản hồi cần được ưu tiên trong công cụ đánh giá.

5.4. Tổng hợp các bài học kinh nghiệm

Từ tổng quan trên, bảy bài học kinh nghiệm chính được rút ra cho việc thiết kế công cụ đánh giá. Một, công cụ phải dựa trên lý thuyết vững chắc (TAM, CoI, DeLone & McLean) thay vì cách tiếp cận thực dụng. Hai, cần kiểm định tâm trắc học đầy đủ (EFA, CFA, tính bất biến đo lường). Ba, cần bao gồm cả yếu tố môi trường (kỹ thuật, giảng dạy, hỗ trợ) và yếu tố cá nhân (tự hiệu, tự điều chỉnh). Bốn, cần cho phép phân tích theo nhóm sinh viên để phát hiện bất bình đẳng. Năm, cần khảo sát lặp đi lặp lại thay vì chỉ một điểm thời gian. Sáu, cần bao gồm biến điều cảnh (địa lý, thiết bị, kinh nghiệm trước đây). Bảy, cần điều chỉnh văn hóa — thiết yếu ở các nước Đông Nam Á.

6. Đảm bảo chất lượng giáo dục số tại Việt Nam

6.1. Khung đảm bảo chất lượng giáo dục đại học Việt Nam

Hệ thống đảm bảo chất lượng giáo dục đại học Việt Nam được xây dựng dựa trên bộ tiêu chuẩn do Bộ Giáo dục và Đào tạo ban hành, bao gồm các tiêu chuẩn về: mục tiêu chương trình đào tạo, chương trình đào tạo, hoạt động giảng dạy, nhân sự, cơ sở vật chất, tài chính, nghiên cứu khoa học, quan hệ đối ngoại và tổ chức quản lý. Theo Pham (2019), đặc điểm nổi bật của đảm bảo chất lượng tại Việt Nam là vai trò mạnh mẽ của nhà nước — Bộ Giáo dục và Đào tạo trực tiếp ban hành bộ tiêu chuẩn, tổ chức kiểm định và cấp chứng nhận, tạo ra một hệ thống tập trung top-down.

Le, Ta và Hoang (2026) phân tích tác động của đảm bảo chất lượng đến quản trị và tự chủ của các trường đại học Việt Nam, phát hiện rằng hệ thống kiểm định hiện tại tập trung chủ yếu vào đầu vào (chương trình đào tạo, nhân sự, cơ sở vật chất) và đầu ra (tỷ lệ có việc làm, điểm thi tốt nghiệp), nhưng thiếu các tiêu chuẩn về quy trình — đặc biệt là quy trình giảng dạy và học tập. Điều này tạo ra một khoảng trống lớn khi chuyển sang môi trường số, nơi quy trình (cách tương tác, cách phản hồi, cách hỗ trợ) quan trọng không kém đầu vào và đầu ra.

Nguyen (2026) phân tích quản trị giáo dục đại học Việt Nam trong kỷ nguyên chuyển đổi số, chỉ ra rằng các trường đại học đang ở các giai đoạn rất khác nhau về chuyển đổi số — một số đã xây dựng hệ thống LMS hoàn chỉnh với hàng trăm khóa học trực tuyến, trong khi một số khác vẫn chủ yếu sử dụng email và Zalo để giao tiếp. Sự khác biệt này đòi hỏi công cụ đánh giá phải có tính linh hoạt cao, áp dụng được ở các mức độ số hóa khác nhau.

6.2. Thực trạng đánh giá hài lòng người học tại các trường đại học Việt Nam

Thực trạng đánh giá hài lòng người học tại các trường đại học Việt Nam có ba đặc điểm chính. Thứ nhất, các trường chủ yếu sử dụng khảo sát cuối kỳ do Phòng Đào tạo hoặc Phòng Công tác Sinh viên tổ chức, tập trung vào đánh giá giảng viên và khóa học cụ thể. Thứ hai, phần lớn khảo sát được thiết kế nội bộ, không dựa trên lý thuyết cụ thể và chưa qua kiểm định tâm trắc học. Thứ ba, khảo sát thường bao quát cả học trực tiếp và trực tiếp mà không phân tách — khi sinh viên đánh giá chung, không thể xác định yếu tố nào thuộc môi trường số.

Tran Doan và Vo (2025) nghiên cứu tại một trường đại học Việt Nam và phát hiện rằng mặc dù sinh viên đánh giá tích cực về các dịch vụ số (điểm trung bình 3,6/5), họ mong muốn các dịch vụ được tích hợp trên một nền tảng duy nhất thay vì phải sử dụng nhiều ứng dụng riêng lẻ. Mong muốn về tích hợp (β = 0,44) có tác động mạnh hơn cả tính hữu ích (β = 0,31) và tính dễ sử dụng (β = 0,28) đến sự hài lòng tổng thể. Phát hiện này chỉ ra rằng trải nghiệm số tại các trường đại học Việt Nam đang bị phân mảnh — sinh viên phải sử dụng LMS cho học tập, ứng dụng riêng cho thư viện, hệ thống khác cho hành chính — tạo ra rào cản không cần thiết.

Ngoại trừ các khảo sát chính quy, nhiều trường đã bắt đầu thử nghiệm các phương pháp thu thập phản hồi mới. Phan (2022) ghi nhận một số trường tại Việt Nam đã áp dụng khảo sát ngắn (pulse survey) định kỳ trong học kỳ thay vì chỉ khảo sát cuối kỳ, cho phép phát hiện và xử lý vấn đề sớm hơn. Tuy nhiên, các thử nghiệm này vẫn ở quy mô nhỏ và chưa được hệ thống hóa.

Sinh và Hoa (2024) nghiên cứu tăng cường sự hài lòng của sinh viên trong học trực tuyến tại Việt Nam trong bối cảnh đại dịch, phát hiện rằng ba yếu tố quan trọng nhất trong bối cảnh Việt Nam là: năng lực giảng viên sử dụng công nghệ (giảng viên cần được đào tạo không chỉ về công nghệ mà cả về phương pháp giảng dạy trực tuyến), sự linh hoạt trong đánh giá (cho phép nộp bài muộn, thi lại linh hoạt khi có vấn đề kỹ thuật) và hỗ trợ đồng cấp (sinh viên Việt Nam có xu hướng tìm kiếm giúp đỡ từ bạn bè trước khi hỏi giảng viên). Nghiên cứu cũng phát hiện rằng khoảng cách giữa sinh viên năm nhất và năm cuối trong mức độ hài lòng với học trực tuyến là 0,9 điểm — cho thấy kỹ năng học trực tuyến có thể phát triển qua thời gian nếu được hỗ trợ phù hợp.

Nashaat, Abd El Aziz và Abdel Azeem (2021) nghiên cứu vai trò trung gian của sự hài lòng trong mối quan hệ giữa các yếu tố quyết định và kết quả học tập, phát hiện rằng sự hài lòng chiếm 38% tổng hiệu ứng — một tỷ lệ đủ lớn để khẳng định rằng cải thiện sự hài lòng không chỉ nâng cao trải nghiệm mà còn trực tiếp cải thiện kết quả học tập. Điều này có ý nghĩa quan trọng đối với các trường đại học Việt Nam: đầu tư vào đánh giá và cải thiện sự hài lòng không phải là chi phí mà là đầu tư vào kết quả giáo dục.

6.3. Thách thức đặc thù của môi trường số tại Việt Nam

Ba thách thức đặc thù cần được giải quyết khi thiết kế công cụ đánh giá tại Việt Nam. Một là, khoảng cách số giữa các vùng và nhóm sinh viên — sinh viên ở thành phố lớn có điều kiện kết nối tốt hơn sinh viên ở vùng núi hoặc nông thôn, và sinh viên từ gia đình thu nhập cao có thiết bị tốt hơn. Công cụ đánh giá cần bao gồm các mục về điều kiện học tập để phát hiện và đo lường khoảng cách này. Hai là, văn hóa phản hồi — trong bối cảnh văn hóa Á Đông, sinh viên có xu hướng đánh giá trung bình hoặc cao hơn thực tế, đặc biệt khi đánh giá giảng viên có thẩm quyền. Nirwana, Haliah và Firman (2020) phát hiện ở Indonesia (có nét văn hóa tương đồng) rằng điểm hài lòng trung bình luôn nằm trong khoảng 3,5-4,0/5,0 dù chất lượng thực tế khác biệt đáng kể. Ba là, tính bền vững — nhiều trường đã phát triển khảo sát khi đại dịch xảy ra nhưng không duy trì khi học trực tiếp quay lại, bỏ lỡ cơ hội theo dõi sự thay đổi dài hạn.

7. Khuyến nghị thiết kế công cụ đánh giá cho Đại học Ngoại thương

7.1. Phân tích bối cảnh Đại học Ngoại thương

Đại học Ngoại thương là một trong những trường đại học hàng đầu Việt Nam, có truyền thống tiếp cận giáo dục khai phóng với triết lý "giáo dục hướng tới khai phóng, gắn liền với thực tiễn". Trong quá trình chuyển đổi số, trường đã triển khai nền tảng học trực tuyến (khoadaotaotructuyen.ftu.edu.vn) và sử dụng các công cụ số trong giảng dạy. Đặc điểm của sinh viên Ngoại thương là mức độ năng lực ngoại ngữ và năng lực số tương đối cao so với mặt bằng chung, đa số có khả năng sử dụng công nghệ thông tin cơ bản thành thạo.

Tuy nhiên, bối cảnh đặc thù của Ngoại thương cũng đặt ra yêu cầu riêng. Sinh viên thường xuyên tiếp xúc với nội dung đa ngôn ngữ, yêu cầu nền tảng học tập số phải hỗ trợ tốt việc hiển thị và xử lý đa ngôn ngữ. Ngoại trừ đó, tính quốc tế hóa cao của trường (chương trình liên kết quốc tế, trao đổi sinh viên) đòi hỏi công cụ đánh giá phải cho phép so sánh xuyên biên giới — ít nhất ở các tiêu chuẩn cốt lõi.

Tại sao Ngoại thương cần một công cụ đánh giá riêng? Không thể dùng công cụ quốc tế trực tiếp vì ba lý do:

• Động cơ học tập định hướng ứng dụng: Sinh viên Ngoại thương học để phục vụ thương mại quốc tế, đàm phán, logistics — khác với bối cảnh đại học tổng hợp Bắc Mỹ nơi ELSS và OLSI được phát triển. Chen và Mohammed (2024) tổng quan 47 nghiên cứu và phát hiện động cơ học tập là yếu tố điều hòa mạnh mẽ. Công cụ cần đo lường được đặc điểm này.

• Đa ngôn ngữ và quốc tế hóa: Sinh viên sử dụng hai ba ngôn ngữ trong học tập. Khi nội dung đa ngôn ngữ hiển thị sai mã hoặc tải chậm, trải nghiệm suy giảm mạnh — một yếu tố không có trong bất kỳ công cụ nào được khảo sát. Hơn nữa, chương trình liên kết quốc tế đòi hỏi khả năng so sánh hài lòng giữa sinh viên Ngoại thương và sinh viên đối tác, yêu cầu tính bất biến đo lường xuyên văn hóa mà Kim, Bolliger và Martin (2024) đã kiểm định cho OLSI.

• Triết lý giáo dục khai phóng: Trọng tâm là phát triển tư duy phản biện và năng lực tự học, không chỉ truyền thụ kiến thức. Thang đo cần bao gồm các mục hỏi về khả năng tư duy độc lập và không gian cho sáng tạo — những yếu tố mà các công cụ tập trung vào "đầu vào-đầu ra" không đo lường được.

Dựa trên phân tích bối cảnh và bài học quốc tế, bài viết đề xuất khung công cụ nhằm đánh giá hài lòng người học trên môi trường số cho Ngoại thương với tên gọi "Thang đo Hài lòng Học tập Số FTU" (FTU-Digital Learning Satisfaction Scale — FTU-DLSS).

7.2. Đề xuất khung công cụ FTU-DLSS

Khung FTU-DLSS được thiết kế dựa trên sự tích hợp năm khung lý thuyết đã phân tích, với năm chiều đo lường chính. Sơ đồ dưới đây minh họa tổng quan kiến trúc của khung.

Hình 1. Sơ đồ khung đánh giá FTU-DLSS

Chiều đo lường	Nội dung chính	Cơ sở lý thuyết	Số mục dự kiến
A. Chất lượng hệ thống và nền tảng	Độ tin cậy, khả năng sử dụng, đa nền tảng, tốc độ	DeLone & McLean; TAM	5-6
B. Chất lượng giảng dạy và nội dung	Nội dung, phương pháp, phản hồi, đánh giá	CoI; SERVQUAL	6-7
C. Tương tác và cộng đồng	Giảng viên, đồng cấp, cảm giác thuộc về	CoI; EDT	5-6
D. Hỗ trợ và dịch vụ	Kỹ thuật, học thuật, thư viện, hành chính	SERVQUAL; DeLone & McLean	4-5
E. Bối cảnh và năng lực cá nhân	Thiết bị, kết nối, tự hiệu, kinh nghiệm	UTAUT; tự điều chỉnh	4-5

Bảng 3. Khung FTU-DLSS: Năm chiều đo lường chính

7.2.1. Thiết kế chi tiết năm chiều đo lường

Phần này trình bày chi tiết mục tiêu đo lường, các chỉ tiêu cụ thể và cách tính điểm cho mỗi chiều của FTU-DLSS, nhằm cung cấp đủ thông tin để nhà quản lý hoặc nhà nghiên cứu có thể triển khai ngay.

Chiều A — Chất lượng hệ thống và nền tảng (6 mục)

• Mục tiêu đo lường: Đánh giá mức độ mà nền tảng học tập số đáp ứng nhu cầu kỹ thuật cơ bản của người học: ổn định, dễ sử dụng, đa nền tảng và tốc độ.
• Cơ sở lý thuyết: DeLone & McLean (chất lượng hệ thống) và TAM (tính dễ sử dụng cảm nhận, tính hữu ích cảm nhận).
• Các chỉ tiêu cụ thể: (1) độ tin cậy — nền tảng hoạt động không gián đoạn trong suốt học kỳ; (2) khả năng tìm kiếm — dễ dàng định vị tài liệu, bài giảng, bài tập; (3) khả năng sử dụng — giao diện trực quan trên cả máy tính và điện thoại; (4) tốc độ — tải trang và phát video mượt mà; (5) đa nền tảng — hoạt động nhất quán trên trình duyệt khác nhau.
• Cách tính điểm: Tính trung bình các mục nhận thức (N). Nếu trung bình < 3,00 → hệ thống cần can thiệp kỹ thuật khẩn cấp. Nếu trung bình 3,00-3,49 → cần cải thiện. Phân tích riêng hai cặp (K)-(N) về ổn định và khả năng sử dụng để xác định vấn đề là kỳ vọng quá cao hay hệ thống thực sự yếu.

Chiều B — Chất lượng giảng dạy và nội dung (7 mục)

• Mục tiêu đo lường: Đánh giá chất lượng của quá trình giảng dạy trực tuyến: nội dung có cập nhật và ứng dụng, giảng viên có phản hồi kịp thời, phương pháp có hiệu quả, đánh giá có phản ánh đúng năng lực.
• Cơ sở lý thuyết: CoI (hiện diện giảng dạy — thiết kế, tạo điều kiện, hướng dẫn) và SERVQUAL (năng lực phục vụ, sự đáp ứng).
• Các chỉ tiêu cụ thể: (1) tính cập nhật và ứng dụng của nội dung; (2) tốc độ phản hồi giảng viên (tiêu chuẩn 48 giờ); (3) hiệu quả phương pháp giảng dạy trực tuyến so với trực tiếp; (4) tính phù hợp của hoạt động đánh giá; (5) chất lượng và đa dạng tài liệu học tập.
• Cách tính điểm: Tính trung bình các mục (N). Đặc biệt chú ý khoảng cách ở cặp phản hồi (K9-N10) — nếu khoảng cách dương lớn (> 1,00), đây là tín hiệu cảnh báo đỏ cần can thiệp ngay. So sánh điểm trung bình chiều B giữa các khoa để phát hiện giảng viên cần hỗ trợ phương pháp dạy trực tuyến.

Chiều C — Tương tác và cộng đồng (6 mục)

• Mục tiêu đo lường: Đánh giá mức độ tương tác của người học với giảng viên, bạn học và cộng đồng lớp học trên nền tảng số.
• Cơ sở lý thuyết: CoI (hiện diện xã hội — cảm giác kết nối và thuộc về; hiện diện giảng dạy — tương tác trực tiếp) và EDT (kỳ vọng về tương tác so với thực tế).
• Các chỉ tiêu cụ thể: (1) thảo luận sâu sắc với bạn học; (2) tương tác tích cực của giảng viên trong diễn đàn và phiên trực tuyến; (3) cảm giác thuộc về cộng đồng lớp học; (4) giá trị của nhóm thảo luận; (5) cơ hội đặt câu hỏi và phản biện.
• Cách tính điểm: Tính trung bình (N). Nếu điểm cảm giác thuộc về (mục 18) < 3,00, cần can thiệp bằng hoạt động xây dựng cộng đồng có chủ đích (Kelling và Kelling, 2022). Phân tích khoảng cách giữa kỳ vọng và thực tế về tương tác giảng viên để xác định xem vấn đề nằm ở giảng viên hay ở thiết kế khóa học.

Chiều D — Hỗ trợ và dịch vụ (5 mục)

• Mục tiêu đo lường: Đánh giá chất lượng và kịp thời của các dịch vụ hỗ trợ đi kèm môi trường học tập số.
• Cơ sở lý thuyết: SERVQUAL (sự đáp ứng, độ tin cậy) và DeLone & McLean (chất lượng dịch vụ).
• Các chỉ tiêu cụ thể: (1) hỗ trợ kỹ thuật khi gặp vấn đề; (2) thư viện số cung cấp đủ tài liệu; (3) trung tâm hỗ trợ hướng dẫn sử dụng nền tảng; (4) quy trình hành chính (đăng ký, nộp bài, xem điểm) hoạt động trơn tru.
• Cách tính điểm: Tính trung bình (N). Đây là chiều thường có điểm thấp nhất ở các trường đại học Việt Nam (Tran Doan và Vo, 2025). Nếu trung bình chiều D < trung bình các chiều khác, trường cần đầu tư vào dịch vụ hỗ trợ trước khi cải thiện các chiều khác — nguyên lý "chai hẹp" đã phân tích ở phần 4.6.

Chiều E — Bối cảnh và năng lực cá nhân (4 mục)

• Mục tiêu đo lường: Không phải đo lường "mức độ hài lòng" mà thu thập dữ liệu bối cảnh để phân tích chênh lệch giữa các nhóm sinh viên. Chiều này là biến điều hòa, không phải biến kết quả.
• Cơ sở lý thuyết: UTAUT (điều kiện tạo điều kiện, kinh nghiệm sử dụng) và lý thuyết tự điều chỉnh (Zimmerman).
• Các chỉ tiêu cụ thể: (1) chất lượng thiết bị và kết nối internet; (2) kinh nghiệm sử dụng nền tảng trước khóa học; (3) sự tự tin vào khả năng tự tổ chức thời gian; (4) khả năng tự giải quyết vấn đề kỹ thuật cơ bản.
• Cách sử dụng: Không tính điểm tổng hợp cho chiều E. Thay vào đó, dùng để phân nhóm: sinh viên có điểm E cao (thiết bị tốt, kinh nghiệm nhiều) so với điểm E thấp (thiết bị kém, thiếu kinh nghiệm). Nếu nhóm điểm E thấp có điểm hài lòng (chiều A-D) thấp hơn đáng kể so với nhóm E cao, trường có bằng chứng về bất bình đẳng trong trải nghiệm số và cần can thiệp (cấp thiết bị, đào tạo kỹ năng).

Khung này có bốn đặc điểm thiết kế quan trọng. Thứ nhất, tích hợp đa lý thuyết — mỗi chiều đo lường dựa trên ít nhất một khung lý thuyết đã được kiểm chứng, đảm bảo nền tảng lý thuyết vững chắc. Thứ hai, bao gồm chiều bối cảnh — khác với các công cụ quốc tế, FTU-DLSS bao gồm chiều E về bối cảnh và năng lực cá nhân, cho phép phân tích chênh lệch giữa các nhóm sinh viên. Thứ ba, cấu trúc mô-đun — mỗi chiều có thể sử dụng độc lập hoặc kết hợp, cho phép linh hoạt tùy theo mục đích khảo sát (đánh giá nhanh vs. đánh giá toàn diện). Thứ tư, thang đo Likert 5 điểm với cả câu hỏi kỳ vọng và câu hỏi nhận thức — tuân thủ lý thuyết EDT.

7.2.2. Bộ câu hỏi mẫu (Item Pool) theo thang đo Likert

Dưới đây là bộ câu hỏi mẫu cho khung FTU-DLSS, sử dụng thang Likert 5 điểm (1 = Hoàn toàn không đồng ý, 5 = Hoàn toàn đồng ý). Mỗi mục hỏi có hai phiên bản: (K) cho kỳ vọng (trước khóa học) và (N) cho nhận thức (sau khóa học). Tổng cộng 28 mục — mỗi chiều 5-6 mục.

Chiều A — Chất lượng hệ thống và nền tảng (6 mục)

1. (K) Tôi kỳ vọng nền tảng học tập số hoạt động ổn định trong suốt học kỳ.

2. (N) Nền tảng học tập số hoạt động ổn định trong suốt học kỳ.

3. (K) Tôi kỳ vọng có thể dễ dàng tìm thấy tài liệu, bài giảng và bài tập trên nền tảng.

4. (N) Tôi có thể dễ dàng tìm thấy tài liệu, bài giảng và bài tập trên nền tảng.

5. (N) Giao diện nền tảng trực quan, dễ sử dụng trên cả máy tính và điện thoại.

6. (N) Tốc độ tải trang và phát video trên nền tảng đáp ứng tốt nhu cầu học tập.

Chiều B — Chất lượng giảng dạy và nội dung (7 mục)

7. (K) Tôi kỳ vọng nội dung khóa học trực tuyến được cập nhật và có tính ứng dụng thực tế.

8. (N) Nội dung khóa học trực tuyến được cập nhật và có tính ứng dụng thực tế.

9. (K) Tôi kỳ vọng giảng viên phản hồi câu hỏi và bài tập trong vòng 48 giờ.

10. (N) Giảng viên phản hồi câu hỏi và bài tập trong vòng 48 giờ.

11. (N) Phương pháp giảng dạy trực tuyến giúp tôi hiểu nội dung tốt như học trực tiếp.

12. (N) Các hoạt động đánh giá (bài tập, quiz, thảo luận) phản ánh đúng mức độ nắm bắt.

13. (N) Tài liệu học tập (video, slide, bài đọc) đa dạng và chất lượng.

Chiều C — Tương tác và cộng đồng (6 mục)

14. (K) Tôi kỳ vọng có cơ hội thảo luận ý tưởng sâu sắc với bạn học trên nền tảng số.

15. (N) Tôi có cơ hội thảo luận ý tưởng sâu sắc với bạn học trên nền tảng số.

16. (K) Tôi kỳ vọng giảng viên tương tác tích cực trong các diễn đàn và phiên trực tuyến.

17. (N) Giảng viên tương tác tích cực trong các diễn đàn và phiên trực tuyến.

18. (N) Tôi cảm thấy thuộc về cộng đồng lớp học dù học từ xa.

19. (N) Nhóm thảo luận trên nền tảng số giúp tôi hiểu sâu hơn nội dung khóa học.

Chiều D — Hỗ trợ và dịch vụ (5 mục)

20. (K) Tôi kỳ vọng nhận được hỗ trợ kỹ thuật trong thời gian hợp lý khi gặp vấn đề.

21. (N) Khi gặp vấn đề kỹ thuật, tôi nhận được hỗ trợ trong thời gian hợp lý.

22. (N) Thư viện số cung cấp đủ tài liệu tham khảo cho học tập trực tuyến.

23. (N) Trung tâm hỗ trợ học tập cung cấp hướng dẫn rõ ràng về cách sử dụng nền tảng.

24. (N) Các quy trình hành chính (đăng ký, nộp bài, xem điểm) hoạt động trơn tru trên nền tảng.

Chiều E — Bối cảnh và năng lực cá nhân (4 mục)

25. (N) Tôi có thiết bị (máy tính, điện thoại) và kết nối internet đủ tốt để học trực tuyến.

26. (N) Tôi đã có kinh nghiệm sử dụng nền tảng học tập số trước khi tham gia khóa học này.

27. (N) Tôi tự tin vào khả năng tự tổ chức thời gian học tập trên môi trường số.

28. (N) Tôi có thể tự giải quyết các vấn đề kỹ thuật cơ bản khi học trực tuyến.

Chiều đo lường	Số mục	Kỳ vọng (K)	Nhận thức (N)	Phân tích khoảng cách
A. Hệ thống	6	2	4	K1-N2, K3-N4: kỳ vọng vs. thực tế về ổn định và khả năng sử dụng
B. Giảng dạy	7	2	5	K7-N8, K9-N10: kỳ vọng vs. thực tế về nội dung và phản hồi
C. Tương tác	6	2	4	K14-N15, K16-N17: kỳ vọng vs. thực tế về tương tác
D. Hỗ trợ	5	1	4	K20-N21: kỳ vọng vs. thực tế về hỗ trợ kỹ thuật
E. Bối cảnh	4	0	4	Chỉ đo nhận thức — dùng phân tích nhóm, không tính gap

Bảng 4. Cấu trúc bộ câu hỏi FTU-DLSS và phân tích khoảng cách kỳ vọng-nhận thức

Mỗi cặp (K)-(N) cho phép tính điểm khoảng cách thực tế không khợp (điểm khoảng cách = điểm N trừ điểm K). Khoảng cách âm cho biết thực tế vượt kỳ vọng, gap dương cho biết thực tế chưa đạt kỳ vọng — đây chính là thông tin định hướng cải tiến cụ thể nhất mà khung FTU-DLSS cung cấp cho nhà quản lý.

7.2.3. Lý do lựa chọn thang đo Likert 5 điểm thay vì 7 điểm

Quyết định chọn thang Likert 5 điểm cho FTU-DLSS không phải ngẫu nhiên mà dựa trên ba lập luận chính về mặt đo lường, thực tiễn và bối cảnh văn hóa.

Về mặt đo lường: Watanabe, Nakaya và Shirahama (2023) so sánh phân phối đáp án giữa thang đo Likert 5 điểm, 7 điểm và thang đo trực quan trên 400 người tham gia, phát hiện rằng thang 5 điểm có độ tin cậy nội tại (Cronbach's alpha) tương đương thang 7 điểm (α = 0,89 so với 0,91), nhưng thang 7 điểm tạo ra phân tán lớn hơn ở hai đầu — làm giảm khả năng phát hiện khác biệt giữa các nhóm. Khi mục tiêu là so sánh giữa kỳ và giữa các nhóm sinh viên (khoa, năm học), khả năng phát hiện khác biệt quan trọng hơn độ phân giải mịn.

Về mặt thực tiễn: Jang (2017) phân tích trực tiếp thang có điểm giữa và thang không có điểm giữa, kết luận rằng thang 5 điểm có điểm giữa (điểm 3 = "Bình thường") giúp sinh viên có lựa chọn trung lập hợp lý, giảm áp lực phải chọn một trong hai thái cực. Lam (2019) cảnh báo rằng việc lạm dụng thang 7 điểm trong khảo sát giáo dục thường dẫn đến việc điểm giữa không được sử dụng như một lựa chọn ý nghĩa mà trở thành "vùng an toàn" cho người khảo sát ngại bộc lộ quan điểm — đúng với đặc điểm văn hóa mà mục 7.5 dưới đây sẽ phân tích chi tiết.

Về mặt bối cảnh văn hóa: Chun, Campbell và Yoo (1974) trong nghiên cứu kinh điển về phong cách đáp ứng cực đoan (extreme phong cách đáp ứng) phát hiện rằng người tham gia khảo sát từ các nền văn hóa phương Đông có xu hướng tránh chọn các giá trị cực đoan (1 và 7) nhiều hơn so với người phương Tây. Hui và Triandis (1989) xác nhận phát hiện này và chỉ ra rằng thang đo càng dài, hiệu ứng tránh cực đoan càng mạnh — trên thang 7 điểm, người tham gia Đông Á thường co cụm ở vùng 3-5, biến 2/3 thang đo thành vùng "chết" không mang thông tin. Do đó, với đối tượng sinh viên Việt Nam, thang 5 điểm là lựa chọn tối ưu hơn thang 7 điểm.

Trong bối cảnh văn hóa Đông Á, thang đo dài không tự động mang lại thông tin nhiều hơn — ngược lại, nó tạo ra vùng không sử dụng ở hai đầu và phóng đại sai số đo lường. Thang 5 điểm cân bằng tốt giữa độ phân giải và mức độ sử dụng thực tế của mỗi giá trị (Hui và Triandis, 1989).

Cấu trúc đánh giá cụ thể của thang FTU-DLSS:

Giá trị	Nội dung	Diễn giải trong phân tích gap
1	Hoàn toàn không đồng ý	Kỳ vọng = 1: không kỳ vọng gì → gap âm dễ đạt, cần cảnh báo phân tích sai. Nhận thức = 1: hoàn toàn thất vọng
2	Không đồng ý	Khoảng cách dương lớn (K=4, N=2): chênh lệch đáng kể, ưu tiên cải tiến cao
3	Bình thường	Điểm giữa — có thể phản ánh trung lập thật hoặc xu hướng tránh thái cực. Cần kiểm tra phân phối (xem 7.5)
4	Đồng ý	Mức hài lòng tích cực. Khoảng cách gần 0: kỳ vọng và thực tế khớp nhau
5	Hoàn toàn đồng ý	Kỳ vọng = 5: kỳ vọng rất cao → khoảng cách dương dễ xảy ra, cần quản lý kỳ vọng trước khóa học

Bảng 5. Thang đo Likert 5 điểm của FTU-DLSS và hướng dẫn diễn giải khoảng cách

7.2.4. Hướng dẫn áp dụng plug-and-play cho nhà quản lý

Để FTU-DLSS thực sự có thể áp dụng ngay mà không cần nghiên cứu sâu về phương pháp luận, phần này cung cấp hướng dẫn cụ thể theo từng bước.

Bước 1 — Chọn phiên bản khảo sát: Tùy mục đích, nhà quản lý chọn một trong ba phiên bản. Phiên bản ngắn (pulse survey): 7 mục (mỗi chiều chọn 1-2 mục cốt lõi), thời gian hoàn thành 3-5 phút, dùng cho khảo sát giữa kỳ. Phiên bản tiêu chuẩn: 18 mục (3-4 mục mỗi chiều), thời gian 8-10 phút, dùng cho đánh giá cuối kỳ thông thường. Phiên bản toàn diện: 28 mục, thời gian 12-15 phút, dùng cho đánh giá cuối kỳ chi tiết hoặc nghiên cứu.

Bước 2 — Chấm điểm và tính điểm trung bình: Với mỗi chiều đo lường, tính điểm trung bình của các mục nhận thức (N). Điểm trung bình từ 1,00-2,49: mức hài lòng thấp, cần can thiệp ngay. Điểm trung bình từ 2,50-3,49: mức hài lòng trung bình, cần theo dõi và cải tiến có trọng tâm. Điểm trung bình từ 3,50-4,49: mức hài lòng tốt, cần duy trì và cải tiến nhỏ. Điểm trung bình từ 4,50-5,00: mức hài lòng cao, có thể dùng làm minh chứng chất lượng.

Bước 3 — Tính gap và xác định ưu tiên cải tiến: Với mỗi cặp (K)-(N), tính gap = điểm N - điểm K. Sắp xếp các khoảng cách dương theo thứ tự giảm dần — đây chính là thứ tự ưu tiên cải tiến. Ví dụ: nếu gap lớn nhất nằm ở chiều B (giảng dạy), mục N10 (giảng viên phản hồi trong 48 giờ), điều này cho biết sinh viên kỳ vọng nhận phản hồi nhanh hơn thực tế — giải pháp là quy định thời gian phản hồi tối đa cho giảng viên.

Bước 4 — Phân tích theo nhóm sinh viên: Nhóm sinh viên theo năm học, khoa, trình độ số (tự đánh giá qua chiều E). So sánh điểm trung bình giữa các nhóm để xác định nhóm gặp khó khăn nhất. Tran Doan và Vo (2025) phát hiện trong nghiên cứu tại một trường đại học Việt Nam rằng sự khác biệt về trải nghiệm số giữa các nhóm sinh viên là rất đáng kể, và việc không phân tích theo nhóm sẽ che giấu vấn đề của nhóm yếu thế.

Bước	Thao tác cụ thể	Kết quả đầu ra
1	Chọn phiên bản (7/18/28 mục) từ item pool	Bảng hỏi sẵn sàng triển khai
2	Tính điểm trung bình (N) cho mỗi chiều A-E	Biểu đồ 5 chiều (spider chart)
3	Tính khoảng cách (N-K), sắp xếp giảm dần	Bảng xếp hạng ưu tiên cải tiến
4	Phân nhóm theo năm/khoa/trình độ số	Báo cáo chênh lệch giữa nhóm
5	Kiểm tra phân phối đáp án (xem 7.5) trước khi kết luận	Đánh giá độ tin cậy của kết quả

Bảng 6. Năm bước áp dụng FTU-DLSS cho nhà quản lý

7.3. Quy trình triển khai và vận hành

Quy trình triển khai FTU-DLSS được đề xuất bao gồm bốn giai đoạn.

Giai đoạn	Thời gian	Hoạt động chính
1. Phát triển	3-4 tháng	Tạo lập ngân hàng câu hỏi, đánh giá chuyên gia (8-10 thành viên), dịch và điều chỉnh văn hóa, thử nghiệm trước (pilot) trên 50 sinh viên
2. Kiểm định	2-3 tháng	EFA trên mẫu 300+, CFA trên mẫu 300+, kiểm tra tính bất biến theo nhóm (khoa, năm học, trình độ số), tính độ tin cậy (Cronbach's α > 0,80)
3. Triển khai	1 học kỳ	Tích hợp vào LMS, khảo sát giữa kỳ (khảo sát ngắn, 5 phút) và cuối kỳ (toàn diện, 15 phút), phân tích IPA để xác định ưu tiên
4. Cải tiến	Liên tục	Chu kỳ cải tiến: thu thập → phân tích → báo cáo → hành động → đánh giá lại. Báo cáo cho từng khoa mỗi học kỳ, báo cáo tổng hợp hàng năm

Bảng 7. Quy trình bốn giai đoạn triển khai FTU-DLSS

Hướng dẫn kiểm định tâm trắc học cho các nhà nghiên cứu muốn áp dụng FTU-DLSS: Khi FTU-DLSS được áp dụng thực tế tại Ngoại thương hoặc các trường khác, quy trình kiểm định tâm trắc học (psychometric validation) cần được tuân thủ theo năm bước. Bước một — đánh giá nội dung: mời 8-10 chuyên gia (giảng viên có kinh nghiệm dạy trực tuyến, chuyên gia đo lường giáo dục, đại diện sinh viên) đánh giá từng mục hỏi về tính phù hợp, rõ ràng và đại diện. Chỉ giữ lại các mục có tỷ lệ đồng thuận trên 80%. Bước hai — thử nghiệm trước (pilot test): triển khai trên 50-100 sinh viên, kiểm tra thời gian hoàn thành, phát hiện mục gây nhầm lẫn, tính độ tin cậy sơ bộ (Cronbach's alpha > 0,70 cho mỗi chiều). Bước ba — phân tích nhân tố khám phá (EFA): trên mẫu 200-300 sinh viên, sử dụng trích xuất nhân tố chính (Principal Axis Factoring) với phép quay Varimax, kiểm tra giá trị riêng (eigenvalue > 1), biểu đồ scree và tải nhân tố (factor loading > 0,50). Bước bốn — phân tích nhân tố khẳng định (CFA): trên mẫu độc lập 200-300 sinh viên, sử dụng mô hình phương trình cấu trúc, kiểm tra các chỉ số phù hợp: CFI > 0,95, TLI > 0,95, RMSEA < 0,06, SRMR < 0,08. Bước năm — kiểm tra tính bất biến đo lường (measurement invariance): so sánh cấu trúc nhân tố giữa các nhóm (khoa, năm học, giới tính) theo thứ tự: bất biến cấu hình, bất biến đo lường (metric), bất biến vô hướng (scalar). Nếu bất biến vô hướng được xác nhận, có thể so sánh điểm trung bình giữa các nhóm một cách có ý nghĩa.

Một điểm cần nhấn mạnh là chiến lược thu thập dữ liệu hai cấp. Cấp một: khảo sát ngắn giữa kỳ (pulse survey) với 5-7 câu hỏi cốt lõi, gửi qua LMS hoặc email, thực hiện vào tuần thứ 4 và tuần thứ 8 của học kỳ. Cấp hai: khảo sát toàn diện cuối kỳ với 25-30 câu hỏi, thực hiện trong hai tuần cuối. Chiến lược hai cấp này cho phép phát hiện vấn đề sớm (giữa kỳ) và đánh giá tổng thể (cuối kỳ), đồng thời tránh mệt mỏi khảo sát do khảo sát quá dài.

7.4. Tích hợp với hệ thống đảm bảo chất lượng hiện tại

FTU-DLSS không nên tồn tại độc lập mà cần tích hợp vào hệ thống đảm bảo chất lượng hiện tại của trường. Dựa trên khung đảm bảo chất lượng của Bộ Giáo dục và Đào tạo và bài học từ Pham (2019) về tham gia các bên liên quan, ba điểm tích hợp được đề xuất.

Thứ nhất, tích hợp dữ liệu: kết quả FTU-DLSS cần được tích hợp vào báo cáo tự đánh giá và báo cáo kiểm định của trường, bổ sung cho các chỉ số hiện có về tỷ lệ có việc làm và điểm thi tốt nghiệp. Khoản mục "mức độ hài lòng của người học trên môi trường số" cần được bổ sung vào bộ tiêu chí đánh giá chất lượng.

Thứ hai, tích hợp quy trình: kết quả khảo sát cần được phản hồi cho giảng viên và đơn vị liên quan trong vòng hai tuần, kèm theo phân tích so sánh với kỳ trước và khuyến nghị cải tiến cụ thể. Dimou và Kameas (2016) nhấn mạnh rằng đảm bảo chất lượng giáo dục số cần vòng phản hồi ngắn — nếu dữ liệu không được sử dụng kịp thời, cả sinh viên (mất niềm tin vào khảo sát) và giảng viên (không thấy giá trị) đều sẽ mất động cơ tham gia.

Thứ ba, tích hợp văn hóa: cần xây dựng văn hóa "đánh giá để cải tiến" thay vì "đánh giá để chấm điểm". Venkatraman (2007) chỉ ra rằng khi áp dụng Quản lý Chất lượng Toàn diện (TQM) trong giáo dục, yếu tố quan trọng nhất không phải công cụ mà là văn hóa — khi mọi bên liên quan tin rằng phản hồi sẽ được sử dụng thực chất, họ sẽ cung cấp phản hồi chân thật và có giá trị.

Thiết kế công cụ đánh giá chỉ là bước đầu — bước quyết định là xây dựng quy trình sử dụng kết quả để cải tiến liên tục. Một công cụ hoàn hảo mà kết quả bị bỏ xó trong ngăn kéo còn tệ hơn một công cụ đơn giản mà kết quả được sử dụng thực chất mỗi ngày (Novák, 2023).

7.5. Xử lý sai số phản hồi trong bối cảnh văn hóa Việt Nam

Mọi công cụ khảo sát đều chịu tác động của sai số phản hồi (sai số phản hồi) — sự khác biệt có hệ thống giữa đáp án của người khảo sát và quan điểm thực sự của họ. Tuy nhiên, trong bối cảnh văn hóa Việt Nam, một số dạng sai số phản hồi đặc biệt nghiêm trọng và cần được xử lý trực tiếp trong thiết kế công cụ cũng như phân tích dữ liệu.

Bốn dạng sai số phản hồi chính trong khảo sát giáo dục Việt Nam:

Thứ nhất, thiên lệch đồng tình (acquiescence bias) — xu hướng đồng ý với mọi câu hỏi bất kể nội dung. Baumgartner và Steenkamp (2001) phát hiện qua nghiên cứu trên 11 quốc gia rằng người tham gia từ các nền văn hóa tập thể (collectivist) có mức đồng ý cao hơn 0,3 điểm so với người từ nền văn hóa cá nhân, ngay cả với các câu hỏi được đảo ngược. Smith (2004) giải thích hiện tượng này như một khía cạnh của phong cách giao tiếp văn hóa: trong các nền văn hóa đề cao hài hòa xã hội, việc "đồng ý" được coi là hành vi lịch sự mặc định chứ không phải biểu đạt đánh giá thực sự.

Thứ hai, thiên lệch mong muốn xã hội (social desirability bias) — xu hướng đưa ra đáp án "đẹp" thay vì đáp án thật. Caputo (2017) chứng minh rằng ngay cả trong khảo sát trực tuyến (nơi ẩn danh cao hơn), thiên lệch mong muốn xã hội vẫn làm tăng điểm đánh giá trung bình từ 0,2 đến 0,5 điểm so với khảo sát ẩn danh có bảo đảm. Trong bối cảnh giáo dục đại học Việt Nam, hai yếu tố làm tăng mạnh dạng thiên lệch này: sinh viên lo sợ đáp án tiêu cực có thể ảnh hưởng đến điểm đánh giá của giảng viên đối với họ (dù khảo sát được tuyên bố là ẩn danh), và văn hóa tôn trọng người dạy vốn ăn sâu trong tư duy Nho giáo.

Thứ ba, phong cách đáp ứng trung tâm (midpoint responding) — xu hướng chọn điểm giữa (điểm 3 trên thang 5 điểm) để tránh bộc lộ quan điểm. Fischer (2004) phân tích dữ liệu từ 26 quốc gia và phát hiện rằng người tham gia từ các quốc gia Đông Á có tỷ lệ chọn điểm giữa cao hơn 15-20% so với người Bắc Âu. Guo và Spina (2019) mở rộng nghiên cứu này, chỉ ra rằng phong cách đáp ứng trung tâm và phong cách đáp ứng cực đoan là hai chiều độc lập — một người có thể tránh cả hai thái cực (chọn điểm 3) hoặc chỉ tránh thái cực tiêu cực (chọn 4-5). Đối với FTU-DLSS, điều này có nghĩa là một điểm trung bình 3,00 có thể không phản ánh "bình thường" mà phản ánh sự ngại bộc lộ.

Thứ tư, thiên lệch halo (halo bias) — xu hướng đánh giá tất cả các mục theo cùng một hướng dựa trên ấn tượng tổng thể. Payne và Schimmack (2026) phát triển phương pháp biến tiềm ẩn để phát hiện halo bias và chỉ ra rằng trong đánh giá giáo dục, halo bias làm tăng tương quan giữa các chiều đo lường một cách giả tạo, khiến các phân tích nhân quả trở nên không đáng tin cậy.

Khảo sát giáo dục trong nền văn hóa Đông Á đối mặt với "vấn đề ba lớp": lớp ngoài cùng là thiên lệch đồng tình, lớp giữa là thiên lệch mong muốn xã hội, và lớp trong cùng là phong cách đáp ứng trung tâm. Ba lớp này cộng hưởng, tạo ra hình ảnh hài lòng nhân tạo cao hơn thực tế (Baumgartner và Steenkamp, 2001; Fischer, 2004).

Bốn nhóm giải pháp cho FTU-DLSS:

Giải pháp thiết kế (trước khi thu thập): Đảo ngược 25-30% các mục hỏi để phát hiện acquiescence bias (Cruz, Bouyamourn và Ornstein, 2026). Đảm bảo ẩn danh thực sự bằng cách tách hệ thống khảo sát khỏi hệ thống điểm danh.

Giải pháp thống kê (sau khi thu thập): Chạy bài kiểm tra Harman — nếu một nhân tố đơn lẻ giải thích hơn 50% phương sai, có dấu hiệu common method bias nghiêm trọng (Podsakoff, MacKenzie và Podsakoff, 2012). Sử dụng kỹ thuật biến đánh dấu (CFA marker technique) (Choi, 2021): đưa vào 3-4 mục không liên quan làm biến đánh dấu, kiểm tra tương quan với các chiều FTU-DLSS.

Giải pháp phân tích (khi diễn giải): Kiểm tra phân phối đáp án — nếu tỷ lệ chọn điểm 3 vượt 40%, phát hiện midpoint responding. Trong trường hợp này, so sánh giữa nhóm có giá trị hơn so sánh với điểm tuyệt đối. De Jong, Steenkamp và Fox (2008) đề xuất sử dụng mô hình Item Response Theory để ước lượng và điều chỉnh phong cách đáp ứng, nhưng đòi hỏi mẫu lớn (500+).

Giải pháp văn hóa (dài hạn): Công khai kết quả và hành động cải tiến sau mỗi đợt khảo sát. Klement (2023) chứng minh rằng khi người khảo sát tin phản hồi được sử dụng thực chất, cả social desirability bias lẫn midpoint responding đều giảm đáng kể. Mục 7.4 về văn hóa "đánh giá để cải tiến" không chỉ là yếu tố quản trị mà còn là yếu tố kỹ thuật — nó trực tiếp giảm sai số đo lường.

Dạng sai số	Biểu hiện tại Việt Nam	Giải pháp FTU-DLSS	Chỉ báo phát hiện
Đồng tình	Đồng ý cả câu thuận và câu đảo	Đảo ngược 25-30% mục hỏi	Tương quan thuận-đảo > 0,5
Mong muốn xã hội	Điểm trung bình bất thường cao (> 4,2)	Đảm bảo ẩn danh, tách hệ thống điểm	So sánh với điều kiện ẩn danh
Đáp ứng trung tâm	Tỷ lệ chọn điểm 3 vượt 40%	Kiểm tra phân phối, so sánh giữa nhóm	Độ lệch chuẩn mỗi mục < 0,8
Halo	Tương quan giữa chiều quá cao (> 0,8)	CFA marker technique, phân tích bất biến	Harman test: nhân tố 1 > 50%

Bảng 8. Bốn dạng sai số phản hồi, biểu hiện tại Việt Nam và giải pháp tương ứng trong FTU-DLSS

p>

8. Kết luận và hướng nghiên cứu tiếp theo

8.1. Tổng hợp các phát hiện chính

Bài viết hệ thống hóa lý thuyết, công cụ và thực tiễn liên quan đến thiết kế công cụ nhằm đánh giá mức độ hài lòng của người học trên môi trường số, đồng thời đề xuất khung FTU-DLSS phù hợp với bối cảnh Đại học Ngoại thương. Năm phát hiện chính:

• Đa chiều, không đơn giản hóa: Sự hài lòng trên môi trường số là cấu trúc đa chiều với năm nhóm yếu tố (kỹ thuật, giảng dạy, hỗ trợ, cá nhân, xã hội) tương tác phi tuyến tính — không thể đo lường bằng một câu hỏi đơn lẻ.

• Tích hợp đa lý thuyết: Không một khung đơn lẻ (EDT, TAM, SERVQUAL, DeLone & McLean, CoI) bao quát đủ — mỗi khung mạnh về một khía cạnh. Công cụ tốt phải tích hợp đa lý thuyết.

• Khoảng cách văn hóa lớn: Các công cụ kiểm định tốt nhất (ELSS, VLES, OLSI) đều phát triển trong bối cảnh Bắc Mỹ. Chỉ 23% nghiên cứu sử dụng công cụ kiểm định tâm trắc học đầy đủ (Chen và Mohammed, 2024), và hầu hết thiếu kiểm định ở Đông Nam Á.

• Bảy bài học từ thực tiễn: Dựa trên lý thuyết, kiểm định đầy đủ, bao gồm cả yếu tố môi trường và cá nhân, phân tích theo nhóm, khảo sát lặp đi lặp lại, bao gồm biến điều cảnh, và điều chỉnh văn hóa. Bối cảnh cụ thể (Hàn Quốc, Indonesia, Ấn Độ, Nigeria, Việt Nam) có tác động đáng kể.

• Khung FTU-DLSS: Năm chiều đo lường (hệ thống, giảng dạy, tương tác, hỗ trợ, bối cảnh), quy trình bốn giai đoạn, chiến lược thu thập hai cấp (khảo sát ngắn giữa kỳ + khảo sát toàn diện cuối kỳ), và xử lý sai số phản hồi đặc thù văn hóa Việt Nam.

8.1.1. Hài lòng người học trong kỷ nguyên trí tuệ nhân tạo tạo sinh

Giai đoạn 2024-2026 đánh dấu sự chuyển đổi sâu sắc trong môi trường học tập số với sự xuất hiện và phổ biến nhanh chóng của các công cụ trí tuệ nhân tạo tạo sinh (generative AI) như ChatGPT, Claude, Gemini và các trợ lý học tập thông minh (AI tutor). Sự thay đổi này đòi hỏi công cụ đánh giá hài lòng phải bao quát một chiều mới chưa từng tồn tại trong các khung lý thuyết nền tảng đã phân tích ở chương 2.

Warren, Boston Vogt và Tincher (2025) đề xuất khung tích hợp trí tuệ nhân tạo vào đảm bảo chất lượng giáo dục số, chỉ ra rằng AI tác động đến trải nghiệm học tập theo ba cơ chế. Cơ chế thứ nhất là cá nhân hóa lộ trình — AI tutor có thể điều chỉnh nội dung, tốc độ và phương pháp theo từng người học, đáp ứng trực tiếp yêu cầu về cá nhân hóa mà các mô hình CoI và TAM chưa dự kiến. Cơ chế thứ hai là hỗ trợ phản hồi tức thời — khi AI có thể phản hồi 24/7, kỳ vọng của sinh viên về tốc độ phản hồi thay đổi căn bản, làm cho khoảng cách kỳ vọng-nhận thức trong mô hình EDT trở nên phức tạp hơn (kỳ vọng giờ trước, không phải 48 giờ). Cơ chế thứ ba là phân tích dữ liệu học tập (learning analytics) — AI cho phép phân tích hành vi học tập theo thời gian thực, tạo cơ hội phát hiện sinh viên gặp khó khăn trước khi họ tự báo cáo qua khảo sát.

Ý nghĩa cho FTU-DLSS: Khi AI ngày càng được tích hợp vào môi trường học tập số, ba bổ sung cần được xem xét cho các phiên bản tương lai của khung. Một, bổ sung mục hỏi về trải nghiệm với AI tutor và trợ lý học tập thông minh vào chiều B (giảng dạy) và chiều D (hỗ trợ). Hai, cân nhắc chuyển từ khảo sát điểm thời gian sang khảo sát liên tục (continuous feedback) dựa trên learning analytics — thu thập tín hiệu hài lòng qua tương tác với AI mà không cần khảo sát trực tiếp. Ba, nghiên cứu tác động của AI đến sai số phản hồi — liệu sinh viên có đánh giá khác khi biết AI đang phân tích phản hồi của họ hay không, và liệu AI tutor có thể giảm khoảng cách giữa dữ liệu và hành động (feedback loop) bằng cách tự động đề xuất cải tiến cho giảng viên.

Trí tuệ nhân tạo không thay thế công cụ đánh giá nhưng thay đổi bối cảnh mà công cụ đó hoạt động. Khi AI có thể cá nhân hóa nội dung và phản hồi tức thời, kỳ vọng của sinh viên chuyển từ "giảng viên phản hồi trong 48 giờ" sang "tôi nhận được phản hồi khi cần" — và công cụ đánh giá phải bắt kịp sự thay đổi kỳ vọng này (Warren, Boston Vogt và Tincher, 2025).

8.2. Hạn chế và hướng phát triển

Bài viết cần ghi nhận bốn hạn chế.

Thứ nhất, khung FTU-DLSS chưa qua kiểm định thực nghiệm. Đây là hạn chế quan trọng nhất. Toàn bộ khung năm chiều và 28 mục hỏi được đề xuất dựa trên phân tích lý thuyết và tổng quan tài liệu, nhưng chưa được kiểm định EFA/CFA trên mẫu thực tế tại Đại học Ngoại thương. Bước tiếp theo bắt buộc là: (a) dịch và điều chỉnh văn hóa các mục hỏi, (b) đánh giá chuyên gia bởi hội đồng 8-10 thành viên, (c) thử nghiệm trước trên 50-100 sinh viên, và (d) kiểm định cấu trúc nhân tố trên mẫu 300+ sinh viên theo quy trình đã mô tả ở mục 7.3. Chỉ sau khi các chỉ số phù hợp mô hình đạt chuẩn (CFI > 0,95; RMSEA < 0,06) và Cronbach's alpha > 0,80 cho mỗi chiều, FTU-DLSS mới có thể được sử dụng chính thức.

Thứ hai, tổng quan tài liệu thiên lệch ngôn ngữ. Phần lớn tài liệu được tổng hợp là tiếng Anh, đã bỏ sót một số nghiên cứu tiếng Việt xuất bản trên các tạp chí nội địa có thể chứa dữ liệu bối cảnh quan trọng.

Thứ ba, chưa phân tích sâu về trí tuệ nhân tạo. Mục 8.1.1 đã đề xuất các hướng bổ sung nhưng chưa phân tích chi tiết tác động của AI tạo sinh đến cấu trúc hài lòng — một lĩnh vực đang phát triển quá nhanh để có thể tổng quan đầy đủ.

Thứ tư, chưa có dữ liệu sơ bộ. Bài viết không thu thập dữ liệu khảo sát sinh viên Ngoại thương, do đó không thể kiểm chứng xem năm yếu tố được đề xuất có phù hợp với thực tế hay không. Nghiên cứu tiếp theo cần thu thập dữ liệu sơ bộ để kiểm tra giả thuyết.

8.3. Hướng nghiên cứu tiếp theo

Bốn hướng nghiên cứu tiếp theo được đề xuất. Một, phát triển và kiểm định thực nghiệm thang đo FTU-DLSS theo quy trình tâm trắc học chuẩn: tạo lập ngân hàng câu hỏi → đánh giá chuyên gia → thử nghiệm trước → EFA → CFA → kiểm tra tính bất biến đo lường. Hai, nghiên cứu dọc (longitudinal study) theo dõi sự thay đổi mức độ hài lòng trong nhiều học kỳ để xây dựng đường cong học tập số (digital learning curve) cho sinh viên Ngoại thương. Ba, tích hợp learning analytics — kết hợp dữ liệu hành vi (log LMS, tần suất đăng nhập, thời gian học) với dữ liệu khảo sát để xây dựng mô hình dự báo hài lòng. Warren, Boston Vogt và Tincher (2025) đã đề xuất khung tích hợp trí tuệ nhân tạo vào đảm bảo chất lượng giáo dục số, trong đó phân tích dữ liệu học tập đóng vai trò trung tâm. Bốn, nghiên cứu so sánh xuyên văn hóa giữa Ngoại thương và các đối tác quốc tế để kiểm tra tính bất biến văn hóa của khung đánh giá.

Hài lòng của người học trên môi trường số không phải là một đích đến mà là một hành trình liên tục — đòi hỏi công cụ đo lường tinh nhạy, quy trình sử dụng kết quả hiệu quả và văn hóa cải tiến liên tục từ phía cả giảng viên và nhà trường (Paris, Lakhal và Mukamurera, 2025).

Tài liệu tham khảo

1. . Enhancing student learning experience in blended classroom teaching. Journal of Advances in Humanities and Social Sciences. DOI: 10.20474/jahss-3.6.4 ↗
2. . Influence of Implementation of E-learning System on Student Satisfaction (Case Studies Faculty of Tourism Pelita Harapan University). Journal of Advanced Research in Dynamical and Control Systems. DOI: 10.5373/jardcs/v12i4/20201954 ↗

Ainubie, Hana; Ramadhan Slamet, Muhammad (2021). Determine Factors of Accounting Student Satisfaction in Online Learning. Proceedings of the 3rd International Conference on Applied Economics and Social Science. DOI: 10.5220/0010935500003255 ↗

Al Zumor, Abdul Wahed Q. (2015). Quality Matters Rubric Potential for Enhancing Online Foreign Language Education. International Education Studies. DOI: 10.5539/ies.v8n4p173 ↗

Bowles, David Peter (2020). Psychological predictors of National Student Survey course satisfaction. Journal of Perspectives in Applied Academic Practice. DOI: 10.14297/jpaap.v8i2.423 ↗

Caruana, Albert; La Rocca, Antonella; Snehota, Ivan (2016). Learner Satisfaction Scale. PsycTESTS Dataset. DOI: 10.1037/t55829-000 ↗

Chen, Mengying; Mohammed, Lubna Ali (2024). A Review of Predictive Factors of Student Satisfaction with Online Distance Learning: A Systematic Literature Review. Journal of Ecohumanism. DOI: 10.62754/joe.v3i8.5032 ↗

Chitkushev, Lou; Vodenska, Irena; Zlateva, Tanya (2014). Digital Learning Impact Factors: Student Satisfaction and Performance in Online Courses. International Journal of Information and Education Technology. DOI: 10.7763/ijiet.2014.v4.429 ↗

Cho, Moon-Heum; Tobias, Scott (2016). Should Instructors Require Discussion in Online Courses? Effects of Online Discussion on Community of Inquiry, Learner Time, Satisfaction, and Achievement. The International Review of Research in Open and Distributed Learning. DOI: 10.19173/irrodl.v17i2.2342 ↗

Dilan, Raymund; Gali, Mark Anthony; Llavore, Darwin (2022). Usability Test of Moodle LMS Using Empirical Data and Questionnaire for User Interface Satisfaction. 2022 11th International Conference on Software and Computer Applications. DOI: 10.1145/3524304.3524309 ↗

Dimou, Helen; Kameas, Achilles (2016). Quality assurance model for digital adult education materials. Quality Assurance in Education. DOI: 10.1108/qae-03-2015-0008 ↗

Duha, Mohammad Shams Ud; Richardson, Jennifer C.; Maeda, Yukiko; Kucuk, Sevda (2022). The Role of Prior Online Learning Experience on Student Community of Inquiry, Engagement, and Satisfaction Scores. Online Learning. DOI: 10.24059/olj.v26i4.2949 ↗

Goyal, Ela; Purohit, Seema (2011). Using Moodle to Enhance Student Satisfaction from ICT. 2011 IEEE International Conference on Technology for Education. DOI: 10.1109/t4e.2011.37 ↗

Hai, Tran Quang; Nguyen, Thanh MInh (2023). Determinants in Student Satisfaction with Online Learning: A Survey Study of Second-Year Students at Private Universities in HCMC. SSRN Electronic Journal. DOI: 10.2139/ssrn.4116107 ↗

Haipinge, Erkkie; Kadhila, Ngepathimo (2024). Models of Quality Assurance: Towards a Quality Assurance Framework of Digital Learning in Higher Education in Africa. Sustainable Development Goals Series. DOI: 10.1007/978-3-031-46242-9_2 ↗

HAMUTOGLU, Nazire Burcin; GEMİKONAKLİ, Orhan; SAVASCİ, Merve; GULTEKİN, Gozde Sezen (2018). Development of a Scale to Evaluate Virtual Learning Environment Satisfaction. International Journal of Assessment Tools in Education. DOI: 10.21449/ijate.345150 ↗

Han, Jee-Hoon; Sa, Hye Ji (2021). Acceptance of and satisfaction with online educational classes through the technology acceptance model (TAM): the COVID-19 situation in Korea. Asia Pacific Education Review. DOI: 10.1007/s12564-021-09716-7 ↗

Harrati, Nouzha; Bouchrika, Imed; Tari, Abdelkamel; Ladjailia, Ammar (2016). Exploring user satisfaction for e-learning systems via usage-based metrics and system khả năng sử dụng scale analysis. Computers in Human Behavior. DOI: 10.1016/j.chb.2016.03.051 ↗

Hu, Chuanshuang; Wei, Hufei; Zhou, Renjie; Ma, Yongmei (2024). Study on the influence of online course design on Students’ online learning satisfaction -- The moderating effect of MOOC platform quality. Applied Mathematics and Nonlinear Sciences. DOI: 10.2478/amns-2024-2257 ↗

Jayanthi, V.; Rajalakshmi, A. (2022). Impact of online learning experience on student satisfaction through student engagement. International journal of health sciences. DOI: 10.53730/ijhs.v6ns3.5320 ↗

Khan, Badrul H.; Smith, Henry L. (2007). A Program Satisfaction Survey Instrument for Online Students. Flexible Learning in an Information Society. DOI: 10.4018/978-1-59904-325-8.ch030 ↗

Kim, Stella Y.; Bolliger, Doris U.; Martin, Florence (2024). Psychometric properties of the Online Learner Satisfaction Instrument (OLSI): construct validity, convergent validity, and measurement invariance. Distance Education. DOI: 10.1080/01587919.2024.2400255 ↗

Kornpitack, Piriyakorn; Sawmong, Sudaporn (2022). Empirical analysis of factors influencing student satisfaction with online learning systems during the COVID-19 pandemic in Thailand. Heliyon. DOI: 10.1016/j.heliyon.2022.e09183 ↗

Le, Anh Vinh; Ta, Thi Thu Hien; Hoang, Ngoc My Lam (2026). Quality Assurance and Its Impact on Higher Education Governance and Autonomy in Vietnam. Governance, Quality Assurance and Future Direction of Higher Education in Vietnam. DOI: 10.1007/978-981-95-4401-1_7 ↗

Lee, Jung-Wan (2010). Online support service quality, online learning acceptance, and student satisfaction. The Internet and Higher Education. DOI: 10.1016/j.iheduc.2010.08.002 ↗

Lee, Hyejeong; Song, Jongsook (2022). Development and Validation of a Student Satisfaction Survey Instrument on Problem-Based Learning in Higher Education. Korean Educational Research Association. DOI: 10.30916/kera.60.8.313 ↗

Lytras, Miltiadis D.; Serban, Andreea Claudia; Alkhaldi, Afnan; Aldosemani, Tahani (2024). Digital Transformation for Enhanced Learning Impact and Student Experience. Digital Transformation in Higher Education, Part B. DOI: 10.1108/978-1-83608-424-220241001 ↗

Merzdorf, Hillary (2019). Assessing MOOC Learner Satisfaction and Success: Toward Quality Evaluation Metrics. Proceedings of the 2019 AERA Annual Meeting. DOI: 10.3102/1443266 ↗

MUZAMMIL, Moh.; SUTAWIJAYA, Adrian; HARSASI, Meirani (2020). INVESTIGATING STUDENT SATISFACTION IN ONLINE LEARNING: THE ROLE OF STUDENT INTERACTION AND ENGAGEMENT IN DISTANCE LEARNING UNIVERSITY. Turkish Online Journal of Distance Education. DOI: 10.17718/tojde.770928 ↗

NASHAAT, Nouran; ABD EL AZIZ, Rasha; ABDEL AZEEM, Marwa (2021). The Mediating Role of Student Satisfaction in the Relationship between Determinants of Online Student Satisfaction and Student Commitment. Journal of e-Learning and Higher Education. DOI: 10.5171/2021.404947 ↗

Nguyen, Van-Trao (2026). Higher Education Governance in Vietnam. Governance, Quality Assurance and Future Direction of Higher Education in Vietnam. DOI: 10.1007/978-981-95-4401-1_4 ↗

Nirwana, Dr.; Haliah, Dr.; Firman, Andi Firmansyah (2020). Level of Student Satisfaction with the Process of Learning Online during the COVID-19 Pandemic. SSRN Electronic Journal. DOI: 10.2139/ssrn.3743169 ↗

Novák, Jaromír (2023). Evaluation of Student Feedback as a Tool for Higher Education Quality Enhancement. R&E-SOURCE. DOI: 10.53349/resource.2023.is1.a1196 ↗

Oliver, Richard L.; Balakrishnan, P.V.(Sundar); Barry, Bruce (1994). Outcome Satisfaction in Negotiation: A Test of Expectancy Disconfirmation. Organizational Behavior and Human Decision Processes. DOI: 10.1006/obhd.1994.1083 ↗

Paris, Jonathan; Lakhal, Sawsen; Mukamurera, Joséphine (2025). Community of Inquiry Presences, Student Satisfaction, and Persistence in Higher Education Online Courses. International Journal on E-Learning. DOI: 10.70725/797558rbaefz ↗

Pham, Huong Thi (2019). Stakeholders’ Engagement in Quality Assurance in Vietnam. Quality Assurance in Vietnamese Higher Education. DOI: 10.1007/978-3-030-26859-6_7 ↗

Phan, Anh Ngoc Quynh (2022). Quality Assurance of Higher Education From the Glonacal Agency Heuristic. Advances in Higher Education and Professional Development. DOI: 10.4018/978-1-7998-8085-1.ch008 ↗

Phoocharoensil, Supakorn (2018). Graduate Student Satisfaction: What Are the Crucial Factors?. The International Journal of Learning in Higher Education. DOI: 10.18848/2327-7955/cgp/v25i04/1-9 ↗

Placencia, Greg; Muljana, Pauline (). The Effects of Online Course Design on Student Course Satisfaction. 2019 Pacific Southwest Section Meeting Proceedings. DOI: 10.18260/1-2--31845 ↗

Randall, Christopher K. (2012). Using the Quality Matters Rubric to Inform and Improve Online Instruction: Institutional and Department. PsycEXTRA Dataset. DOI: 10.1037/e632422012-001 ↗

Ritzhaupt, Albert (2019). Measuring learner satisfaction in self-paced e-learning environments: Validation of the Electronic Learner Satisfaction Scale (eLSS). International Journal on E-Learning. DOI: 10.70725/055882wlqpkf ↗

Sachs, David (2003). PACE UNIVERSITY’S FOCUS ON STUDENT SATISFACTION WITH STUDENT SERVICES IN ONLINE EDUCATION. Online Learning. DOI: 10.24059/olj.v7i2.1852 ↗

Schiebler, Tom; Lee, Nick; Brodbeck, Felix C. (2025). Expectancy-disconfirmation and consumer satisfaction: A meta-analysis. Journal of the Academy of Marketing Science. DOI: 10.1007/s11747-024-01078-x ↗

Shen, Demei; Cho, Moon-Heum; Tsai, Chia-Lin; Marra, Rose (2013). Unpacking online learning experiences: Online learning self-efficacy and learning satisfaction. The Internet and Higher Education. DOI: 10.1016/j.iheduc.2013.04.001 ↗

Shin, Sungwon; Cheon, Jongpil (2019). Assuring Student Satisfaction of Online Education: A Search for Core Course Design Elements. International Journal on E-Learning. DOI: 10.70725/402413ukchol ↗

Sholikah, Mar'atus; Sutirman, Sutirman (2020). How Technology Acceptance Model TAM)Factors of Electronic Learning Influence Education Service Quality through Students' Satisfaction. TEM Journal. DOI: 10.18421/tem93-50 ↗

Sinh, Nguyen Hoang; Hoa, Hoang Thi (2024). Enhancing Student Satisfaction in Online Learning: An Empirical Study During the COVID-19 Pandemic. Disruptive Technology and Business Continuity. DOI: 10.1007/978-981-97-5452-6_20 ↗

Song, Helena (2017). Personalising Mobile Learning Spaces in Higher Education: A Case Study of a Malaysian Student with Learning Difficulties. Education in the Asia-Pacific Region: Issues, Concerns and Prospects. DOI: 10.1007/978-981-10-4944-6_17 ↗

Tran Doan, Phuong Thao; Vo, Minh Sang (2025). Enhancing Student Satisfaction with Student Services on The Digital Platform: A Case Study at a Vietnamese University. Proceedings of the 2025 9th International Conference on Education and E-Learning. DOI: 10.1145/3789859.3789872 ↗

Venkatraman, Sitalakshmi (2007). A framework for implementing TQM in higher education programs. Quality Assurance in Education. DOI: 10.1108/09684880710723052 ↗

Warren, Scott Joseph; Boston Vogt, Elizabeth; Tincher, Brent; Yang, Junhe (2025). Enhancing quality assurance through strategic artificial intelligence integration: a framework for higher education digital transformation. Quality Assurance in Education. DOI: 10.1108/qae-09-2024-0183 ↗

Wiradharma, Gunawan (2020). GOOGLE CLASSROOM OR MOODLE? : UNIVERSITY STUDENT SATISFACTION IN DISTANCE LEARNING COMMUNICATION DURING COVID-19 PANDEMIC. Jurnal Komunikasi dan Bisnis. DOI: 10.46806/jkb.v8i2.674 ↗

Yakubu, Nasiru; dasuki, salihu (2018). Assessing eLearning Systems Success in Nigeria: An Application of the DeLone and McLean Information Systems Success Model. Journal of Information Technology Education: Research. DOI: 10.28945/4077 ↗

Yalcin, Yasin (2023). A Systematic Review of Online Learning Satisfaction in Higher Education. Proceedings of the 2023 AERA Annual Meeting. DOI: 10.3102/2015191 ↗

YILMAZ, Yakup (2022). Structural Equation Modelling Analysis of the Relationships Among University Students' Online Self-Regulation Skills, Satisfaction and Perceived Learning. Participatory Educational Research. DOI: 10.17275/per.22.51.9.3 ↗

Zheng, Yi; Xiao, Ao (2024). A structural equation model of online learning: investigating self-efficacy, informal digital learning, self-regulated learning, and course satisfaction. Frontiers in Psychology. DOI: 10.3389/fpsyg.2023.1276266 ↗

Zhong, Jiacheng (2025). Predicting Student Satisfaction and Quality Management for Remote Learning in Southeast- Asia. SN Computer Science. DOI: 10.1007/s42979-025-04066-2 ↗

Zhou, Zikai; Rouse, Sharon (2024). A Framework for Evaluating Online Degree Programs Through Student Satisfaction. Online Learning. DOI: 10.24059/olj.v28i2.3983 ↗

Zhu, Chang (2017). University student satisfaction and perceived effectiveness of a blended learning course. International Journal of Learning Technology. DOI: 10.1504/ijlt.2017.083996 ↗

Baumgartner, Hans; Steenkamp, Jan-Benedict E.M. (2001). Response Styles in Marketing Research: A Cross-National Investigation. Journal of Marketing Research. DOI: 10.1509/jmkr.38.2.143.18840 ↗

Caputo, Andrea (2017). Social desirability bias in self-reported well-being measures: evidence from an online survey. Universitas Psychologica. DOI: 10.11144/javeriana.upsy16-2.sdsw ↗

Choi, Byounggu (2021). Analyzing Common Method Bias using CFA Marker Technique: Data and Sample for Instructional Guide. Korean Association of Business Education. DOI: 10.23839/kabe.2021.36.2.245 ↗

Chun, Ki-Taek; Campbell, James B.; Yoo, Jong Hae (1974). Extreme Response Style in Cross-Cultural Research. Journal of Cross-Cultural Psychology. DOI: 10.1177/002202217400500407 ↗

Cruz, Mariana; Bouyamourn, A.; Ornstein, J. (2026). Survey Quality and Acquiescence Bias: A Cautionary Tale. Political Analysis. DOI: 10.1017/pan.2025.10030 ↗

de Jong, Martijn G.; Steenkamp, Jan-Benedict E.M.; Fox, Jean-Paul (2008). Using Item Response Theory to Measure Extreme Response Style in Marketing Research: A Global Investigation. Journal of Marketing Research. DOI: 10.1509/jmkr.45.1.104 ↗

Fischer, Ronald (2004). Standardization to Account for Cross-Cultural Response Bias. Journal of Cross-Cultural Psychology. DOI: 10.1177/0022022104264122 ↗

Guo, Ting; Spina, Ricardo (2019). Cross-Cultural Variations in Extreme Rejecting and Extreme Affirming Response Styles. Journal of Cross-Cultural Psychology. DOI: 10.1177/0022022119873072 ↗

Hui, C. Harry; Triandis, Harry C. (1989). Effects of Culture and Response Format on Extreme Response Style. Journal of Cross-Cultural Psychology. DOI: 10.1177/0022022189203004 ↗

Jang, Eui Jun (2017). Is the Mid-point of a Likert-type Scale Necessary?: Comparison between the Scales with or without the Mid-point. Sustainability. DOI: 10.20997/sr.18.4.1 ↗

Klement, Petr (2023). Social Desirability and Central Tendency Bias in the Survey and Variation of Life Satisfaction. Preprints. DOI: 10.21203/rs.3.rs-1906292/v2 ↗

Lam, Thomas C. (2019). Likert Scale: Misuse of Mid-Point Anchor. Advances in Methods and Practices in Psychological Science. DOI: 10.31124/advance.7765463.v2 ↗

Payne, Samantha C.; Schimmack, Uli (2026). The Devil Is in the Similarities: A Latent Variable Approach to Detecting and Controlling Halo Bias. OSF Preprints. DOI: 10.31234/osf.io/275q6 v1

Podsakoff, Philip M.; MacKenzie, Scott B.; Podsakoff, Nathan P. (2012). Sources of Method Bias in Social Science Research and Recommendations on How to Control It. Annual Review of Psychology. DOI: 10.1146/annurev-psych-120710-100452 ↗

Smith, Peter B. (2004). Acquiescent Response Bias as an Aspect of Cultural Communication Style. Journal of Cross-Cultural Psychology. DOI: 10.1177/0022022103260380 ↗

Watanabe, Kosuke; Nakaya, Shingo; Shirahama, Naoto (2023). A Consideration of the Distribution Bias Between Visual Analog Scale and Two Types of Likert Scale (5 and 7-Step Likert Scale). International Conference on Intelligent Systems and Image Processing. DOI: 10.12792/icisip2023.041 ↗