Quay lại tạp chí
Ấn bản 1.0 · Mới nhất
Kinh tế lượng77 phút đọc16221 từ

Tác động của trí tuệ nhân tạo — AI, định hướng lãnh đạo chuyển đổi số, an toàn tâm lý và môi trường tự chủ đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình tại Việt Nam

Công trình này thiết lập khung phân tích định lượng nhằm minh họa phương pháp luận đánh giá tác động của việc tích hợp công cụ trí tuệ nhân tạo, định hướng lãnh đạo chuyển đổi số

Tác giả:thuyetnn· EcoLab
Ngày công bố:08 thg 11, 2026
1/27
Tác động của trí tuệ nhân tạo — AI, định hướng lãnh đạo chuyển đổi số, an toàn tâm lý và môi trường tự chủ đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình tại Việt Nam

Tác động của trí tuệ nhân tạo — AI, định hướng lãnh đạo chuyển đổi số, an toàn tâm lý và môi trường tự chủ đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình tại Việt Nam

Từ khóa: Trí tuệ nhân tạo; Sự hài lòng trong công việc; Hành vi làm việc đổi mới; Kỹ sư lập trình; An toàn tâm lý; Môi trường tự chủ; Hồi quy bình phương nhỏ nhất từng phần.

1. Giới thiệu và bối cảnh nghiên cứu

1.1. Bối cảnh thực tiễn và sự chuyển dịch cấu trúc lao động ngành phần mềm trong kỷ nguyên trí tuệ nhân tạo

Sự bùng nổ của các mô hình ngôn ngữ lớn, các trợ lý lập trình tự động và các hệ thống sinh mã nguồn dựa trên trí tuệ nhân tạo đang tái định hình sâu sắc quy trình phát triển phần mềm toàn cầu cũng như tại các nền kinh tế số đang trỗi dậy như Việt Nam (Storey et al., 2021; Xiao et al., 2026). Trong các doanh nghiệp công nghệ thông tin, gia công phần mềm và phát triển sản phẩm số tại những trung tâm công nghệ lớn như Hà Nội, Thành phố Hồ Chí Minh và Đà Nẵng, kỹ sư lập trình không còn đơn thuần thực hiện việc viết mã lệnh thủ công theo từng dòng mà chuyển dịch dần sang vai trò kiến trúc sư hệ thống, người điều phối câu lệnh, kiểm duyệt chất lượng thuật toán và tích hợp giải pháp sáng tạo (Chen, 2024; Willemsen et al., 2026). Quá trình tích hợp sâu công cụ AI vào chu trình sản xuất phần mềm mang lại tiềm năng giải phóng kỹ sư khỏi các tác vụ lặp đi lặp lại như viết kịch bản kiểm thử đơn vị, chuẩn hóa tài liệu kỹ thuật hay gỡ lỗi cú pháp cơ bản, từ đó mở rộng không gian nhận thức để nhân sự tập trung vào các hoạt động sáng tạo giá trị cao (Kapur, 2022; Almaqrami & Hamzah, 2026).

Tuy nhiên, dưới góc độ tâm lý học tổ chức và kinh tế học lao động vi mô, quá trình chuyển đổi công nghệ này không diễn ra theo một quỹ đạo tuyến tính thuần nhất mà tạo ra những tác động tâm lý kép đầy phức tạp lên sự hài lòng trong công việc và hành vi làm việc đổi mới của đội ngũ kỹ sư (Wang, 2024; Polat & Hallumoğlu, 2026). Một mặt, khi các công cụ AI được triển khai đồng bộ dưới sự dẫn dắt của phong cách lãnh đạo chuyển đổi số, đi kèm môi trường an toàn tâm lý cho phép thử nghiệm cái mới và cơ chế trao quyền tự chủ trong thiết kế quy trình, kỹ sư lập trình cảm nhận rõ rệt sự gia tăng về năng suất cá nhân, ý nghĩa công việc và sự thỏa mãn nghề nghiệp (Storey et al., 2021; Shobe, 2018; Xiao et al., 2026). Mặt khác, nếu việc áp đặt công cụ AI đi kèm với định mức khối lượng công việc tăng vọt, cơ chế giám sát hành chính cứng nhắc hoặc sự thiếu hụt hỗ trợ tâm lý từ cấp quản lý, nhân sự công nghệ rất dễ rơi vào trạng thái căng thẳng công nghệ, lo âu về nguy cơ suy giảm giá trị kỹ năng cốt lõi và bất an nghề nghiệp (Lee & Ryu, 2026; Octaviani & Waluyo, 2026; Willemsen et al., 2026).

Trong bối cảnh ngành công nghiệp phần mềm Việt Nam đang chuyển mình từ mô hình thâm dụng lao động giá rẻ sang mô hình dựa trên tri thức và đổi mới sáng tạo, sự hài lòng trong công việc gắn kết chặt chẽ với khả năng thực hành hành vi làm việc đổi mới của kỹ sư trở thành biến số sống còn quyết định năng lực giữ chân nhân tài và lợi thế cạnh tranh của doanh nghiệp (Dhir et al., 2020; Setiyono & Satrya, 2025). Đối với đặc thù lao động tri thức ngành công nghệ, sự hài lòng nội tại trong công việc không tách rời khỏi niềm hứng khởi khi được chủ động khám phá công cụ mới, đề xuất giải pháp thuật toán tối ưu và chuyển hóa các sáng kiến AI thành sản phẩm thực tiễn (Storey et al., 2021; Koteczki & Balassa, 2025). Do đó, việc xây dựng một khung phân tích định lượng chặt chẽ để lượng hóa vai trò của định hướng lãnh đạo chuyển đổi số, sự an toàn tâm lý và môi trường tự chủ công việc đối với sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình là một yêu cầu cấp thiết cả về mặt phương pháp luận học thuật lẫn thực tiễn quản trị.

1.2. Khoảng trống nghiên cứu và đóng góp học thuật của công trình

Mặc dù các nghiên cứu quốc tế gần đây đã bắt đầu khảo sát mối quan hệ giữa việc ứng dụng AI, căng thẳng công nghệ và thái độ làm việc của người lao động trong nhiều lĩnh vực như y tế, giáo dục đại học, kiểm toán và hành chính công (Anshori et al., 2025; Koteczki & Balassa, 2025; Henriques & Samagaio, 2025; Polat & Hallumoğlu, 2026), hệ thống tài liệu hiện hành vẫn tồn tại ba khoảng trống nghiên cứu rõ rệt cần được lấp đầy:

  1. Khoảng trống về cơ chế tích hợp lý thuyết trong bối cảnh kỹ sư phần mềm: Phần lớn các công trình đi trước thường tách rời việc phân tích chấp nhận công nghệ theo mô hình UTAUT (Koteczki & Balassa, 2025; Almaqrami & Hamzah, 2026) khỏi việc phân tích các nguồn lực tâm lý tổ chức như an toàn tâm lý, sự hỗ trợ của lãnh đạo chuyển đổi và quyền tự chủ công việc trong mô hình Yêu cầu – Nguồn lực Công việc (Liu et al., 2026; Xiao et al., 2026). Rất ít nghiên cứu tích hợp đồng thời ba cấu trúc nguồn lực cốt lõi — gồm định hướng lãnh đạo chuyển đổi, sự an toàn tâm lý và khí hậu khuyến khích tự chủ — để giải thích sự thỏa mãn nghề nghiệp gắn liền với hành vi làm việc đổi mới của kỹ sư phát triển phần mềm (Storey et al., 2021; Traymbak & Verma, 2021).
  2. Khoảng trống về phương pháp luận kiểm soát đa cộng tuyến và nhiễu ngoại lai trên dữ liệu khảo sát Likert: Các nghiên cứu hành vi tổ chức truyền thống thường chỉ dựa vào một phương pháp ước lượng đơn lẻ như hồi quy bình phương nhỏ nhất thông thường hoặc mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần mà thiếu sự đối chiếu chéo với các bộ ước lượng vững trước nhiễu ngoại lai và phân phối phi chuẩn (Hair et al., 2019; Koenker & Bassett, 1978). Khi dữ liệu khảo sát thu thập qua thang đo Likert đa mục hỏi xuất hiện độ lệch phân phối phần dư hoặc hiện tượng tương quan cao giữa các biến độc lập, việc chỉ sử dụng một ước lượng duy nhất có thể dẫn đến sai lệch chuẩn hoặc suy diễn thống kê kém vững (Podsakoff et al., 2003; Kock, 2015).
  3. Khoảng trống về quy trình tái lập minh bạch và kiểm định tâm trắc học đa tầng: Nhiều nghiên cứu khảo sát hành vi chưa công bố đầy đủ quy trình tính toán cỡ mẫu theo lũy thừa thống kê, quy tắc đảo chiều các mục hỏi mã hóa ngược, phân tích độ nhạy khi giữ lại các biến quan sát biên cũng như khả năng dự báo ngoài mẫu thông qua kiểm định chéo (Fornell & Larcker, 1981; Henseler et al., 2015).

Từ những khoảng trống nêu trên, công trình này mang lại ba đóng góp phương pháp luận và học thuật trọng tâm:

  • Thứ nhất, nghiên cứu hệ thống hóa khung lý thuyết đa tầng kết nối Lý thuyết Yêu cầu – Nguồn lực Công việc, Lý thuyết Trao đổi Xã hội và Lý thuyết Tự quyết để giải thích cơ chế truyền dẫn từ định hướng lãnh đạo chuyển đổi số, sự an toàn tâm lý và khí hậu khuyến khích tự chủ đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình.
  • Thứ hai, nghiên cứu trình diễn quy trình kiểm định chất lượng thang đo tâm trắc học toàn diện trên mẫu mô phỏng quan sát, bao gồm hệ số tin cậy nội tại Cronbach's ⁠, độ tin cậy tổng hợp ⁠, hệ số ⁠, phương sai trích trung bình ⁠, chỉ số phân biệt ⁠, kiểm định phương sai chung đơn nhân tố Harman và phân tích độ nhạy mục hỏi biên (Hair et al., 2019⁠; Henseler et al., 2015⁠; Kock, 2015⁠).
  • Thứ ba, nghiên cứu thiết lập ma trận đối chứng kinh tế lượng 4 mô hình song song — kết hợp Hồi quy bình phương nhỏ nhất từng phần với kiểm định chéo 10 phân đoạn, Hồi quy vững Huber, Hồi quy phân vị tại trung vị và Hồi quy tuyến tính cổ điển với sai số chuẩn vững HC1 — nhằm minh chứng độ vững tuyệt đối của các tham số ước lượng trước hiện tượng phần dư phi chuẩn và tương quan đa biến.

1.3. Mục tiêu và câu hỏi nghiên cứu

Mục tiêu tổng quát của nghiên cứu là thiết lập và kiểm định mô hình định lượng minh họa tác động của các nguồn lực lãnh đạo, tâm lý và tổ chức trong bối cảnh ứng dụng AI đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình tại Việt Nam. Để hiện thực hóa mục tiêu này, nghiên cứu tập trung giải quyết ba câu hỏi nghiên cứu cốt lõi sau:

  1. Định hướng lãnh đạo chuyển đổi số và tích hợp AI, sự an toàn tâm lý khi thử nghiệm công nghệ mới và khí hậu khuyến khích tự chủ công việc tác động theo chiều hướng và mức độ nào đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình trên bộ dữ liệu mô phỏng ⁠?
  2. Trong số các nhân tố nguồn lực công việc và đặc điểm nhân khẩu học như thâm niên công tác và giới tính, nhân tố nào đóng vai trò trụ cột quan trọng nhất xét theo chỉ số tầm quan trọng của biến trong phép chiếu nhân tố tiềm ẩn và độ lớn hệ số tác động biên?
  3. Các kết quả ước lượng điểm và suy diễn thống kê có duy trì được tính nhất quán và độ vững khi đối chiếu qua các phương pháp ước lượng có giả định phân phối khác nhau gồm Hồi quy bình phương nhỏ nhất từng phần, Hồi quy vững Huber, Hồi quy phân vị và Hồi quy tuyến tính cổ điển hay không?

Cấu trúc phần còn lại của bản thảo được tổ chức thành 4 mục chính: Mục 2 trình bày cơ sở lý thuyết, tổng quan tài liệu quốc tế và phát triển hệ thống giả thuyết nghiên cứu; Mục 3 mô tả chi tiết phương pháp nghiên cứu, nguồn dữ liệu mô phỏng và đặc tả toán học của 4 mô hình kinh tế lượng thông qua 7 tiểu mục chuẩn mực; Mục 4 phân tích kết quả thống kê mô tả, ma trận tương quan, kết quả ước lượng đa mô hình và kiểm định chẩn đoán; Và Mục 5 tổng hợp các phát hiện trọng tâm, thảo luận hàm ý quản trị phương pháp luận cùng hạn chế nghiên cứu.

2. Cơ sở lý thuyết và tổng quan tài liệu

2.1. Khung lý thuyết nền tảng

Nghiên cứu này được xây dựng trên sự giao thoa của ba trụ cột lý thuyết lớn trong tâm lý học tổ chức, quản trị nguồn nhân lực và quản trị công nghệ thông tin:

  1. Lý thuyết Yêu cầu – Nguồn lực Công việc: Khung lý thuyết JD-R phân chia các đặc trưng môi trường làm việc thành hai nhóm đối lập là yêu cầu công việc và nguồn lực công việc (Polat & Hallumoğlu, 2026⁠; Octaviani & Waluyo, 2026⁠). Trong ngành kỹ thuật phần mềm hiện đại, tốc độ thay đổi chóng mặt của các mô hình AI, áp lực rút ngắn thời gian bàn giao mã nguồn và rủi ro lỗi bảo mật thuật toán đóng vai trò là những yêu cầu công việc tiêu tốn năng lượng nhận thức và gây ra căng thẳng nghề nghiệp (Henriques & Samagaio, 2025⁠; Bajracharya, 2026⁠). Ngược lại, sự dẫn dắt truyền cảm hứng của lãnh đạo chuyển đổi, bầu không khí an toàn tâm lý trong nhóm phát triển và quyền tự chủ thiết kế quy trình đóng vai trò là các nguồn lực công việc thiết yếu giúp kích hoạt quá trình tạo động lực, giảm thiểu kiệt sức, nâng cao sự hài lòng trong công việc và thúc đẩy hành vi làm việc đổi mới (Storey et al., 2021⁠; Xiao et al., 2026⁠).
  2. Lý thuyết Trao đổi Xã hội và Hỗ trợ Tổ chức Cảm nhận: Theo lý thuyết trao đổi xã hội và lý thuyết hỗ trợ tổ chức cảm nhận, mối quan hệ việc làm giữa kỹ sư lập trình và doanh nghiệp công nghệ không chỉ dựa trên hợp đồng kinh tế thuần túy mà còn vận hành theo nguyên tắc có đi có lại về mặt tâm lý và xã hội (Dhir et al., 2020⁠; Um, 2024⁠; Setiyono & Satrya, 2025⁠). Khi tổ chức và đội ngũ lãnh đạo thể hiện sự quan tâm sâu sắc đến sự phát triển năng lực cá nhân, cung cấp đầy đủ tài nguyên tính toán AI, tôn trọng ý kiến phản biện kỹ thuật và ghi nhận nỗ lực thử nghiệm sáng kiến mới, người lao động sẽ củng cố hợp đồng tâm lý tích cực, gia tăng sự thỏa mãn nội tại và đáp lại tổ chức bằng những nỗ lực đổi mới sáng tạo vượt trên yêu cầu nhiệm vụ thông thường (Wang, 2024⁠; Hartini et al., 2026⁠).
  3. Lý thuyết Tự quyết và Mô hình Chấp nhận Công nghệ: Lý thuyết tự quyết nhấn mạnh rằng sự thỏa mãn trong công việc và động lực sáng tạo nội tại của lao động tri thức phụ thuộc vào việc đáp ứng ba nhu cầu tâm lý cơ bản gồm nhu cầu tự chủ, nhu cầu năng lực và nhu cầu gắn kết xã hội (Shobe, 2018⁠; Chung & Ko, 2020⁠; Traymbak & Verma, 2021⁠). Khi kết hợp với mô hình chấp nhận công nghệ UTAUT trong bối cảnh tích hợp AI (Koteczki & Balassa, 2025⁠; Almaqrami & Hamzah, 2026⁠), quyền tự chủ cho phép kỹ sư chủ động tái thiết kế công việc, tùy biến cách thức sử dụng trợ lý AI phù hợp với phong cách tư duy lập trình của bản thân, từ đó biến công nghệ mới thành công cụ nâng cao hiệu suất và sự hài lòng thay vì một cơ chế kiểm soát gây áp lực (Willemsen et al., 2026⁠; Singh, 2024⁠).

2.2. Tổng quan các nghiên cứu thực nghiệm và phát triển giả thuyết

2.2.1. Định hướng lãnh đạo chuyển đổi số và tích hợp AI đối với sự hài lòng và hành vi đổi mới

Phong cách lãnh đạo chuyển đổi từ lâu đã được thừa nhận là một trong những động lực mạnh mẽ nhất định hình thái độ làm việc, sự thỏa mãn đa chiều và hiệu suất đổi mới của người lao động trong các tổ chức tri thức (Liu et al., 2026; Dhir et al., 2020). Trong bối cảnh chuyển đổi số và làn sóng tích hợp AI hiện nay, lãnh đạo chuyển đổi không chỉ dừng lại ở việc truyền đạt tầm nhìn chiến lược rõ ràng mà còn đóng vai trò người định hướng văn hóa học tập công nghệ, khuyến khích kỹ sư lập trình tư duy giải quyết bài toán kỹ thuật theo phương thức mới và làm gương về chuẩn mực đạo đức nghề nghiệp (Chen, 2024; Wang, 2024). Nghiên cứu thực nghiệm của Liu et al. (2026) sử dụng phương pháp PLS-SEM đã chứng minh rằng lãnh đạo chuyển đổi có tác động dương mạnh mẽ lên các chiều cạnh hài lòng trong công việc thông qua việc truyền cảm hứng và hỗ trợ phát triển cá nhân. Tương tự, Anshori et al. (2025) và Almaqrami & Hamzah (2026) chỉ ra rằng khi ban lãnh đạo chủ động dẫn dắt quá trình ứng dụng AI đi kèm đào tạo liên tục và truyền thông minh bạch, người lao động nhận thức rõ giá trị hữu ích của công cụ AI, từ đó gia tăng sự hài lòng và hiệu suất đổi mới. Ngược lại, nếu lãnh đạo thiếu sự ghi nhận đối với các nỗ lực thử nghiệm công nghệ mới hoặc áp đặt quy trình cứng nhắc, nhân sự dễ rơi vào trạng thái chán nản và suy giảm cam kết (Abubakar, 2019; Bajracharya, 2026). Từ những lập luận lý thuyết và bằng chứng thực nghiệm trên, giả thuyết nghiên cứu đầu tiên được phát biểu như sau:

  • Giả thuyết ⁠: Định hướng lãnh đạo chuyển đổi số và hỗ trợ tích hợp AI có tác động cùng chiều và có ý nghĩa thống kê đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình tại Việt Nam.

2.2.2. Sự an toàn tâm lý khi thử nghiệm công nghệ AI đối với sự hài lòng và hành vi đổi mới

An toàn tâm lý phản ánh niềm tin chung của các thành viên trong nhóm phát triển phần mềm rằng họ có thể thoải mái nêu ý kiến trái chiều, đặt câu hỏi kỹ thuật, báo cáo lỗi mã nguồn hoặc thử nghiệm các công cụ AI mới mà không sợ bị chỉ trích nặng nề, trừng phạt hay hạ thấp uy tín cá nhân (Storey et al., 2021⁠; Kramer & Hafner, 1989⁠). Trong quy trình kỹ thuật phần mềm hiện đại, việc tích hợp các công cụ sinh mã tự động bằng AI luôn tiềm ẩn rủi ro phát sinh lỗi logic hoặc xung đột kiến trúc trong giai đoạn đầu thử nghiệm (Bennett & Hauser, 2013⁠; Willemsen et al., 2026⁠). Nếu môi trường nhóm thiếu sự an toàn tâm lý, kỹ sư lập trình sẽ có xu hướng phòng thủ, né tránh việc áp dụng các sáng kiến cải tiến quy trình và chịu áp lực căng thẳng tâm lý nặng nề (Henriques & Samagaio, 2025⁠; Singh & Ahuja, 2025⁠; Polat & Hallumoğlu, 2026⁠). Ngược lại, các nghiên cứu của Storey et al. (2021)⁠, Setiyono & Satrya (2025) và Dotulong et al. (2026) khẳng định rằng một môi trường làm việc tôn trọng năng lực lẫn nhau, bảo vệ tâm lý nhân sự khi thử nghiệm phương pháp mới và duy trì sự gắn kết đồng nghiệp sẽ giải phóng năng lượng sáng tạo, nâng cao mức độ thỏa mãn công việc và thúc đẩy mạnh mẽ hành vi làm việc đổi mới. Do đó, nghiên cứu đề xuất giả thuyết thứ hai:

  • Giả thuyết : Sự an toàn tâm lý trong môi trường làm việc nhóm có tác động cùng chiều và có ý nghĩa thống kê đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình tại Việt Nam.

2.2.3. Khí hậu khuyến khích tự chủ công việc đối với sự hài lòng và hành vi đổi mới

Quyền tự chủ công việc và khí hậu tổ chức khuyến khích sự linh hoạt là yếu tố cốt lõi giúp chuyển hóa tiềm năng công nghệ AI thành sự thỏa mãn nghề nghiệp thực chất (Xiao et al., 2026⁠; Shobe, 2018⁠). Nghiên cứu tổng quan hệ thống của Xiao et al. (2026) trong ngành công nghệ cao chỉ ra rằng việc tích hợp AI chỉ mang lại sự hài lòng cao trong công việc khi sự gia tăng hiệu quả tác vụ đi kèm với quyền tự chủ lớn hơn cho kỹ sư trong việc thiết kế quy trình và phân bổ thời gian. Cùng quan điểm này, các công trình thực nghiệm của Traymbak & Verma (2021) trên đội ngũ nhân sự phần mềm, cũng như của Chung & Ko (2020)⁠, Inthalasari & Arief (2021)⁠, Türkmen (2020) và Lee & Ryu (2026)⁠, đều xác nhận rằng quyền tự chủ chuyên môn đóng vai trò đệm đỡ căng thẳng công nghệ, giảm thiểu xung đột vai trò và thúc đẩy cảm nhận về ý nghĩa công việc. Khi tổ chức loại bỏ các rào cản hành chính cứng nhắc, phân bổ nguồn lực hợp lý cho các sáng kiến kỹ thuật và đánh giá nhân sự dựa trên tính sáng tạo (Singh, 2024⁠; Medina-Garrido et al., 2023⁠), kỹ sư lập trình sẽ đạt được sự hài lòng cao hơn và tích cực hiện thực hóa các giải pháp đổi mới. Trên cơ sở đó, giả thuyết thứ ba được thiết lập:

  • Giả thuyết ⁠: Khí hậu khuyến khích tự chủ công việc có tác động cùng chiều và có ý nghĩa thống kê đến sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình tại Việt Nam.

2.2.4. Vai trò kiểm soát của thâm niên công tác và giới tính

Bên cạnh ba cấu trúc tâm lý và tổ chức trọng tâm, các đặc trưng nhân khẩu học và nghề nghiệp của kỹ sư lập trình như thâm niên công tác và giới tính cũng cần được đưa vào mô hình để kiểm soát tính không đồng nhất cá nhân (Chen, 2024⁠; Traymbak & Verma, 2021⁠; Dawson et al., 2020⁠). Theo lý thuyết tích lũy vốn nhân lực và kết quả phân tích đa cấp bậc của Traymbak & Verma (2021)⁠, các kỹ sư có thâm niên công tác cao hơn thường sở hữu nền tảng kiến trúc hệ thống vững vàng, khả năng thẩm định mã nguồn do AI sinh ra chính xác hơn và mức độ tự tin nghề nghiệp cao hơn so với nhóm mới vào nghề, từ đó dễ dàng chuyển hóa công cụ AI thành hành vi đổi mới và sự thỏa mãn công việc. Trong khi đó, đối với biến giới tính, các nghiên cứu trong lĩnh vực công nghệ và tâm lý tổ chức ghi nhận rằng khi môi trường làm việc đảm bảo sự công bằng và chuẩn mực đạo đức nghề nghiệp, khoảng cách giới tính trong mức độ hài lòng và đổi mới công việc có xu hướng thu hẹp và không còn ý nghĩa thống kê rõ rệt (Chen, 2024⁠; Um, 2024⁠). Do đó, giả thuyết thứ tư về các biến kiểm soát được phát biểu như sau:

  • Giả thuyết ⁠: Thâm niên công tác có tác động cùng chiều và có ý nghĩa thống kê đến sự hài lòng và hành vi làm việc đổi mới, trong khi biến giới tính không tạo ra sự khác biệt có ý nghĩa thống kê khi đã kiểm soát các nguồn lực công việc.

Bảng 1 dưới đây tổng hợp các công trình nghiên cứu tiêu biểu từ sổ cái trích dẫn đã xác thực DOI nhằm định vị rõ cơ sở học thuật của mô hình đề xuất:

Bảng 1: Tổng hợp các công trình nghiên cứu thực nghiệm tiêu biểu
Tác giả và nămPhương pháp định lượngBối cảnh và quy mô mẫuPhát hiện học thuật cốt lõi liên quan đến đề tài
Storey et al. (2021)Mô hình lý thuyết & thực nghiệm kỹ thuật phần mềmKỹ sư phát triển phần mềm quốc tếXây dựng lý thuyết thống nhất khẳng định sự hài lòng công việc và năng suất cảm nhận của lập trình viên gắn chặt với quyền tự chủ, an toàn tâm lý và khả năng đổi mới công cụ.
Xiao et al. (2026)Tổng quan hệ thống theo chuẩn PRISMA35 nghiên cứu ngành công nghệ (2020–2026)Tích hợp AI tác động phi tuyến đến sự hài lòng công việc; Hiệu quả tác vụ AI phải đi kèm quyền tự chủ công việc mới tạo ra kết quả tâm lý và đổi mới tích cực.
Koteczki & Balassa (2025)Mô hình cấu trúc PLS-SEM & Phân cụmcỡ mẫu khảo sát thế hệ Z người dùng công nghệ thế hệ ZSự hứng thú () và tính hữu ích cảm nhận () theo khung TAM/UTAUT là động lực chính thúc đẩy chấp nhận và ứng dụng công cụ AI.
Wang (2024)Khảo sát định lượng & Phân tích điều tiếtcỡ mẫu nhân sự chuyển đổi số nhân sự trong bối cảnh chuyển đổi sốViệc triển khai AI tương quan dương với sự hài lòng trong công việc và củng cố hợp đồng tâm lý của người lao động khi có định hướng quản trị phù hợp.
Traymbak & Verma (2021)Mô hình cấu trúc & Phân tích đa nhómNhân sự ngành công nghệ phần mềm tại Ấn ĐộQuyền tự chủ công việc và phản hồi tích cực làm tăng sự hài lòng công việc, đồng thời giảm thiểu tác động tiêu cực của xung đột và mơ hồ vai trò ở các cấp bậc kỹ sư.
Chen (2024)Hồi quy thứ bậc có kiểm soát nhân khẩu họcKhảo sát chuyên sâu các nhà phát triển phần mềmNhận thức chuẩn mực đạo đức nghề nghiệp và môi trường làm việc minh bạch có mối quan hệ cùng chiều có ý nghĩa thống kê với sự hài lòng của lập trình viên.
Polat & Hallumoğlu (2026)Mô hình phương trình cấu trúc SEM (khung JD-R)cỡ mẫu nhân sự môi trường số nhân sự trong môi trường số hóaCăng thẳng công nghệ tác động ngược chiều lên sự hài lòng và hiệu suất; Sự hài lòng đóng vai trò cơ chế truyền dẫn tâm lý trung tâm trong khung lý thuyết JD-R.
Liu et al. (2026)Mô hình phương trình cấu trúc PLS-SEMKhảo sát nhân sự tri thức tại các trường đại họcLãnh đạo chuyển đổi tác động dương có ý nghĩa thống kê lên các chiều cạnh hài lòng trong công việc thông qua truyền cảm hứng và hỗ trợ cá nhân.
Almaqrami & Hamzah (2026)Mô hình cấu trúc PLS-SEMcỡ mẫu thực nghiệm ứng dụng AI phản hồi khảo sát về ứng dụng AIViệc ứng dụng AI nâng cao giá trị cảm nhận, qua đó trở thành nhân tố trực tiếp mạnh nhất thúc đẩy sự hài lòng trong công việc và hiệu suất làm việc.
Willemsen et al. (2026)Phân tích thực nghiệm hành vi công nghệNgười lao động trước làn sóng tự động hóa & AIChủ động tái thiết kế công việc giúp người lao động duy trì năng suất cảm nhận và giảm thiểu nỗi bất an nghề nghiệp khi áp dụng công nghệ mới.

3. Phương pháp nghiên cứu và dữ liệu thực nghiệm

3.1. Khung lý thuyết và cơ chế truyền dẫn kinh tế

Khung phân tích của nghiên cứu được xây dựng dựa trên cơ chế truyền dẫn từ các nguồn lực tổ chức và tâm lý sang kết quả thái độ và hành vi làm việc của kỹ sư lập trình theo cấu trúc hàm sản xuất tri thức vi mô (Storey et al., 2021⁠; Xiao et al., 2026⁠). Trong môi trường phát triển phần mềm có sự hỗ trợ của AI, mỗi kỹ sư lập trình tối đa hóa hàm thỏa mãn nghề nghiệp và đầu ra đổi mới sáng tạo dựa trên ba nguồn vốn đầu vào phi vật chất của tổ chức:

  1. Kênh truyền dẫn định hướng chiến lược và hỗ trợ năng lực: Khi lãnh đạo kỹ thuật truyền đạt rõ tầm nhìn ứng dụng AI, khuyến khích tư duy giải quyết vấn đề mới và ghi nhận kịp thời các sáng kiến tối ưu hóa mã nguồn, chi phí tâm lý của việc học hỏi công nghệ mới giảm xuống, qua đó nâng cao kỳ vọng hiệu quả và thúc đẩy hành vi đổi mới (Liu et al., 2026; Almaqrami & Hamzah, 2026).
  2. Kênh truyền dẫn bảo hiểm rủi ro tâm lý: Quá trình thử nghiệm các công cụ AI sinh mã luôn đi kèm xác suất phát sinh lỗi ngoài dự kiến. An toàn tâm lý đóng vai trò cơ chế bảo hiểm rủi ro nhận thức trong nhóm: khi kỹ sư biết rằng sai sót trong quá trình thử nghiệm đổi mới không bị trừng phạt mà được xem là cơ hội học tập chung, họ sẽ chuyển từ trạng thái phòng thủ sang trạng thái khám phá chủ động, làm tăng mạnh mẽ cả sự hài lòng lẫn tần suất sáng kiến (Storey et al., 2021; Polat & Hallumoğlu, 2026).
  3. Kênh truyền dẫn trao quyền tự chủ quy trình: Môi trường tự chủ cho phép kỹ sư chủ động quyết định cách thức phân bổ thời gian tiết kiệm được nhờ AI vào các bài toán kiến trúc hệ thống phức tạp, giảm thiểu gánh nặng thủ tục hành chính và tạo ra sự tương thích cao giữa cá nhân với công việc (Dhir et al., 2020; Shobe, 2018; Xiao et al., 2026).
Hình 1: Sơ đồ khung lý thuyết và mô hình đo lường cấu trúc EFA/CFA – SEM/PLS-SEM
Hình 1: Sơ đồ khung lý thuyết và mô hình đo lường cấu trúc EFA/CFA – SEM/PLS-SEM

3.2. Nguồn gốc dữ liệu, quy mô mẫu và báo cáo độ phủ

Bản thảo này sử dụng bộ dữ liệu khảo sát hành vi đa mục hỏi theo thang đo Likert 5 mức độ được tạo lập từ quá trình sinh dữ liệu biến tiềm ẩn có kiểm soát nhằm minh họa phương pháp luận kinh tế lượng và tâm trắc học. Quy trình thiết kế quy mô mẫu và rà soát độ phủ dữ liệu được thực hiện nghiêm ngặt qua các bước sau:

  • Cơ sở xác định quy mô mẫu tối thiểu theo lũy thừa thống kê: Với tổng số biến quan sát thuộc cấu trúc tiềm ẩn và các biến kiểm soát nhân khẩu học, quy mô mẫu tối thiểu cần thiết được đối chiếu qua 5 tiêu chuẩn học thuật: Quy tắc tỷ lệ và của Hair et al. (2019) yêu cầu tối thiểu từ đến quan sát; Quy tắc lần số đường dẫn cấu trúc lớn nhất trong PLS-SEM yêu cầu tối thiểu quan sát; Kiểm định trung bình một mẫu với kích thước ảnh hưởng ở mức ý nghĩa và lũy thừa thống kê yêu cầu quan sát; Phân tích phương sai một yếu tố với yêu cầu quan sát; Và Kiểm định hồi quy bội có tương tác điều tiết theo tiêu chuẩn Kenny yêu cầu tối thiểu quan sát.
  • Cấu trúc mẫu thực tế và Báo cáo độ phủ: Để đảm bảo độ vững tiệm cận vượt trội so với ngưỡng tối thiểu quan sát, nghiên cứu thiết lập mẫu khảo sát sơ bộ gồm quan sát phục vụ hiệu chỉnh thang đo và mẫu khảo sát chính thức đạt chính xác kỹ sư lập trình. Báo cáo rà soát độ phủ dữ liệu xác nhận toàn bộ cột biến số — gồm mã định danh, biến nhân khẩu học, biến quan sát Likert và biến điểm trung bình nhân tố đều đạt độ phủ trên toàn bộ quan sát, số lượng quan sát bị khuyết thiếu bằng ⁠, đảm bảo tính toàn vẹn tuyệt đối khi thực thi ước lượng đối chứng đa mô hình mà không xảy ra hao hụt cỡ mẫu.
  • Quy trình đảo chiều các mục hỏi mã hóa ngược: Nhằm kiểm soát sai lệch trả lời rập khuôn một chiều từ phía người khảo sát (Podsakoff et al., 2003⁠), bảng hỏi cài đặt mục hỏi phát biểu theo chiều tiêu cực. Trước khi tính điểm trung bình đại diện nhân tố và ước lượng kinh tế lượng, toàn bộ các mục hỏi mã hóa ngược được biến đổi tuyến tính theo công thức chuẩn mực trên thang đo mức độ:

Trong đó:

  • ⁠: điểm phản hồi gốc trên thang đo của quan sát tại mục hỏi ⁠;
  • ⁠: số bậc tối đa trên thang đo Likert sử dụng trong khảo sát;
  • ⁠: giá trị điểm số của quan sát tại mục hỏi sau khi đảo chiều đồng nhất hướng đo lường.

Bảng 2 trình bày chi tiết định nghĩa học thuật, ký hiệu toán học, vai trò mô hình, thang đo và cơ sở tài liệu tham chiếu của các biến số trong hệ thống phương trình:

Bảng 2: Đặc tả biến số, thước đo và nguồn dữ liệu nghiên cứu
Tên biến học thuậtKý hiệu toán họcVai trò trong mô hìnhThang đo và miền giá trịKỳ vọng dấuCơ sở tài liệu tham chiếu
Sự hài lòng và hành vi làm việc đổi mới của kỹ sư lập trình (IWBMEA)Biến phụ thuộcTrung bình 6 mục hỏi Likert 1–5 (đã đảo chiều mục hỏi ngược), miền giá trị —Storey et al. (2021); Xiao et al. (2026); Almaqrami & Hamzah (2026)
Định hướng lãnh đạo chuyển đổi số và hỗ trợ tích hợp AI (TLMEA)Biến giải thích trọng tâmTrung bình 5 mục hỏi Likert 1–5 (đã đảo chiều mục hỏi ngược), miền giá trị Liu et al. (2026); Wang (2024); Anshori et al. (2025)
Sự an toàn tâm lý khi thử nghiệm công nghệ AI (PSYMEA)Biến giải thích trọng tâmTrung bình 5 mục hỏi Likert 1–5 (đã đảo chiều mục hỏi ngược), miền giá trị Storey et al. (2021); Polat & Hallumoğlu (2026); Setiyono & Satrya (2025)
Khí hậu khuyến khích tự chủ công việc (OCMEA)Biến giải thích trọng tâmTrung bình 4 mục hỏi Likert 1–5 (đã đảo chiều mục hỏi ngược), miền giá trị Xiao et al. (2026); Shobe (2018); Traymbak & Verma (2021)
Thâm niên công tác trong ngành lập trình (TENURE)Biến kiểm soátThang thứ bậc: (dưới 2 năm); (từ 2 đến 5 năm); (trên 5 năm)Traymbak & Verma (2021); Dawson et al. (2020)
Giới tính của kỹ sư lập trình (GENDER)Biến kiểm soátBiến phân loại nhị phân: (nam); (nữ)Chen (2024); Um (2024)

3.3. Đặc tả mô hình kinh tế lượng và ký hiệu học thuật

Để đánh giá toàn diện tác động của các cấu trúc nguồn lực tổ chức và tâm lý lên sự hài lòng gắn liền với hành vi làm việc đổi mới của kỹ sư lập trình, phương trình cấu trúc tuyến tính cơ sở trên mẫu chéo cá nhân được đặc tả như sau:

Trong đó:

  • ⁠: chỉ số quan sát của từng kỹ sư lập trình;
  • ⁠: chỉ số hành vi làm việc đổi mới tương ứng biến IWBMEA⁠;
  • ⁠: định hướng lãnh đạo chuyển đổi số TLMEA⁠, sự an toàn tâm lý PSYMEA và môi trường tổ chức khuyến khích tự chủ OCMEA⁠;
  • ⁠: các biến kiểm soát thâm niên công tác TENURE và giới tính GENDER⁠;
  • ⁠: hệ số chặn, các tham số cấu trúc trọng tâm và hệ số của nhóm biến kiểm soát;
  • ⁠: sai số ngẫu nhiên thỏa mãn điều kiện kỳ vọng có điều kiện bằng không.

Bên cạnh đặc tả tuyến tính cổ điển, nghiên cứu thiết lập ba đặc tả mô hình nâng cao nhằm giải quyết các thách thức đặc thù của dữ liệu khảo sát hành vi:

  • Mô hình 3: Trích xuất thành phần tiềm ẩn trực giao sao cho tối đa hóa hiệp phương sai mẫu giữa khối biến dự báo đã chuẩn hóa và biến phụ thuộc ⁠:
  • Mô hình 4: Giảm thiểu ảnh hưởng của các quan sát ngoại lai hoặc phản hồi cực đoan trên thang đo Likert bằng cách cực tiểu hóa tổng hàm mục tiêu trọng số Huber thay vì bình phương phần dư thông thường:
  • Mô hình 3 — Mô hình đối chứng 2 — Hồi quy phân vị tại trung vị Koenker–Bassett với ⁠: Ước lượng tác động biên của các biến giải thích lên trung vị có điều kiện thông qua bài toán quy hoạch tuyến tính cực tiểu hóa tổng độ lệch tuyệt đối (Koenker & Bassett, 1978):

3.4. Chiến lược nhận dạng nhân quả và xử lý nội sinh

Trong các nghiên cứu dựa trên dữ liệu khảo sát chéo tại một thời điểm, hai nguy cơ đe dọa tính vững của định danh tham số là sai lệch phương sai chung do cùng nguồn thu thập và sai lệch do biến bỏ sót hoặc đa cộng tuyến giữa các cấu trúc tâm lý (Podsakoff et al., 2003; Kock, 2015). Nghiên cứu triển khai chiến lược nhận dạng và kiểm soát sai lệch đa tầng như sau:

  1. Kiểm soát phương sai chung bằng thiết kế bảng hỏi đảo chiều và kiểm định thống kê kép: Ngay từ khâu thiết kế công cụ đo lường, việc xen kẽ các mục hỏi mã hóa ngược giúp phá vỡ quán tính trả lời tự động của đáp viên (Podsakoff et al., 2003). Về mặt thống kê, nghiên cứu thực hiện kiểm định đơn nhân tố Harman — yêu cầu nhân tố đầu tiên chưa xoay giải thích dưới ngưỡng tổng phương sai kết hợp với tiêu chuẩn đa cộng tuyến toàn phần của Kock (2015) và chỉ số của Henseler et al. (2015) để đảm bảo các cấu trúc ⁠, ⁠, và hoàn toàn phân biệt về mặt khái niệm và thực nghiệm.
  2. Xử lý hiện tượng số điều kiện cao và tương quan giữa các biến độc lập bằng phép chiếu nhân tố tiềm ẩn PLS: Trong thực tế quản trị, định hướng lãnh đạo chuyển đổi, sự an toàn tâm lý và môi trường tự chủ thường vận hành đồng thời trong một tổ chức, dẫn đến số điều kiện của ma trận thiết kế vượt ngưỡng cảnh báo. Phép chiếu bình phương nhỏ nhất từng phần giải quyết triệt để vấn đề này bằng cách nén không gian biến giải thích vào trục thành phần tiềm ẩn tối ưu hóa hiệp phương sai với biến phụ thuộc, loại bỏ nhiễu cộng tuyến mà không làm mất thông tin từ bất kỳ biến giải thích nào (Hair et al., 2019).
  3. Kiểm soát sai số đo lường và quan sát ngoại lai bằng tam giác kiểm định vững: Việc kết hợp sai số chuẩn Jackknife 10 phân đoạn trong PLS, sai số chuẩn vững trước phương sai thay đổi HC1 trong OLS, hàm trọng số Huber trong RLM và ước lượng trung vị trong Quantile Regression đảm bảo rằng nếu tồn tại một nhóm nhỏ kỹ sư có phản hồi cực đoan hoặc phân phối sai số lệch chuẩn, các ước lượng hệ số góc vẫn không bị chệch và giữ nguyên hiệu quả suy diễn.

3.5. Thuật toán ước lượng

Quy trình tính toán số trị của 4 mô hình kinh tế lượng và các chỉ số tâm trắc học được thực thi tuần tự qua các thuật toán chuẩn hóa trên nền tảng tính toán xác thực:

  1. Thuật toán trích xuất nhân tố tiềm ẩn NIPALS và suy diễn Jackknife 10 phân đoạn: Thuật toán lặp bình phương nhỏ nhất từng phần phi tuyến chuẩn hóa ma trận biến giải thích và vectơ biến phụ thuộc ⁠, sau đó xác định số lượng thành phần tiềm ẩn tối ưu thông qua kiểm định chéo phân đoạn để tối thiểu hóa sai số bình phương trung bình kiểm định chéo. Với mỗi phân đoạn ⁠, mô hình được ước lượng lại trên mẫu huấn luyện để tạo ra tập hợp hệ số phân đoạn ⁠, từ đó tính toán phương sai Jackknife không chệch và chỉ số tầm quan trọng của biến trong phép chiếu:

Trong đó:

  • ⁠: tổng số biến giải thích đưa vào mô hình phép chiếu;
  • ⁠: số lượng thành phần tiềm ẩn tối ưu lựa chọn qua kiểm định chéo;
  • ⁠: tổng bình phương biến thiên của biến phụ thuộc được giải thích bởi thành phần thứ ⁠.

Một biến số có được xác nhận là nhân tố trụ cột đóng góp vượt mức trung bình vào khả năng giải thích mô hình.

  1. Thuật toán bình phương tối thiểu tái trọng số lặp cho Hồi quy vững Huber: Bắt đầu từ ước lượng ban đầu ⁠, ở mỗi vòng lặp ⁠, thuật toán tính phần dư chuẩn hóa và cập nhật trọng số Huber với hằng số điều chỉnh chuẩn ⁠. Hệ số ước lượng được cập nhật theo công thức bình phương tối thiểu có trọng số cho đến khi độ lệch chuẩn hội tụ dưới ngưỡng ⁠.
  2. Thuật toán quy hoạch tuyến tính điểm trong cho Hồi quy phân vị và Ma trận hiệp phương sai vững HC1: Đối với hồi quy phân vị tại ⁠, bài toán tối ưu hóa không khả vi tại điểm được chuyển về dạng quy hoạch tuyến tính với các biến bù dương và âm ⁠, giải bằng thuật toán điểm trong Frisch–Newton và ước lượng ma trận hiệp phương sai tiệm cận qua mật độ nhân địa phương (Koenker & Bassett, 1978⁠). Đối với mô hình OLS cơ sở, ma trận hiệp phương sai của hệ số ước lượng được hiệu chỉnh theo công thức White–Huber HC1:

3.6. Quy trình kiểm định chẩn đoán trước và sau ước lượng

Để đảm bảo toàn bộ kết quả suy diễn thống kê tuân thủ tiêu chuẩn xuất bản quốc tế Q1–Q3, nghiên cứu thiết lập quy trình kiểm định chẩn đoán 5 bước nối tiếp nhau từ giai đoạn tiền ước lượng thang đo đến giai đoạn hậu ước lượng phương trình cấu trúc:

  1. Kiểm định độ tin cậy nhất quán nội tại và cấu trúc nhân tố khám phá tiền ước lượng:

    Đánh giá chất lượng tâm trắc học của từng thang đo thông qua hệ số Cronbach's ⁠, hệ số tương quan biến – tổng hiệu chỉnh ⁠, hệ số độ tin cậy chính xác Dijkstra–Henseler và độ tin cậy tổng hợp (Hair et al., 2019). Đồng thời, thực hiện kiểm định hệ số thích hợp mẫu Kaiser–Meyer–Olkin để xác nhận dữ liệu đủ điều kiện phân tích nhân tố.

  2. Kiểm định giá trị hội tụ, giá trị phân biệt và sai lệch phương sai chung:

    Giá trị hội tụ được xác lập khi phương sai trích trung bình của mọi cấu trúc tiềm ẩn đạt ngưỡng (Fornell & Larcker, 1981). Giá trị phân biệt được kiểm chứng thông qua chỉ số tỷ lệ dị tính – đơn tính của Henseler et al. (2015) với ngưỡng khắt khe ⁠. Sai lệch phương sai chung được kiểm định bằng phép thử đơn nhân tố Harman kết hợp phân tích độ nhạy loại trừ mục hỏi có hệ số tải biên.

  3. Kiểm định khả năng dự báo ngoài mẫu và độ quan trọng biến trong phép chiếu PLS:

    Đối với mô hình trọng tâm PLS, chất lượng đặc tả và năng lực khái quát hóa ngoài mẫu được đánh giá bằng sai số bình phương trung bình kiểm định chéo, hệ số xác định ngoài mẫu — khẳng định mô hình có năng lực dự báo vượt trội ngoài mẫu huấn luyện và chỉ số ⁠.

  4. Kiểm định phương sai sai số thay đổi và tự tương quan phần dư:

    Trên các đặc tả hồi quy cổ điển và đối chứng, nghiên cứu thực hiện kiểm định nhân tử Lagrange của Breusch–Pagan — ⁠: phương sai sai số đồng nhất, không bác bỏ khi và thống kê Durbin–Watson.

  5. Kiểm định tính chuẩn của phần dư và chẩn đoán số điều kiện đa cộng tuyến:

    Thực hiện kiểm định Jarque–Bera dựa trên độ lệch và độ nhọn của phần dư và tính toán số điều kiện của ma trận biến giải thích. Khi kiểm định Jarque–Bera bác bỏ giả thuyết phân phối chuẩn và số điều kiện vượt ngưỡng ⁠, việc sử dụng đồng thời mô hình PLS, hồi quy vững Huber RLM và hồi quy phân vị đóng vai trò giải pháp khắc phục chuẩn xác về mặt kinh tế lượng.

3.7. Thiết kế kiểm định tính vững đa đặc tả

Chiến lược kiểm định tính vững của nghiên cứu được thiết kế theo cấu trúc ma trận đối chứng 4 cột mô hình nhằm loại trừ khả năng kết quả nghiên cứu chỉ là sản phẩm ngẫu nhiên của một thuật toán ước lượng riêng lẻ:

  • Đối chứng giữa phương pháp giảm chiều nhân tố tiềm ẩn và phương pháp bình phương tối thiểu cổ điển: Giúp đánh giá xem việc nén các biến độc lập có tương quan vào thành phần tiềm ẩn có làm thay đổi độ lớn tác động biên và thứ bậc tầm quan trọng của ba biến nguồn lực so với ước lượng không chệch tuyến tính thông thường hay không.
  • Đối chứng giữa ước lượng trung bình có điều kiện và ước lượng kháng nhiễu ngoại lai: Do kiểm định Jarque–Bera cho thấy phần dư có dấu hiệu lệch khỏi phân phối chuẩn ở mức ý nghĩa ⁠, mô hình hồi quy vững Huber giúp kiểm chứng xem các kết luận giả thuyết có bị chi phối bởi các quan sát ngoại lai ở hai đuôi phân phối hay không.
  • Đối chứng tại trung vị của phân phối có điều kiện: Cho phép đánh giá tác động của lãnh đạo chuyển đổi số, an toàn tâm lý và môi trường tự chủ lên kỹ sư lập trình điển hình ở chính giữa phân phối sự hài lòng công việc mà không cần bất kỳ giả định tham số nào về dạng phân phối của sai số ngẫu nhiên (Koenker & Bassett, 1978).
Hình 2: Sơ đồ đối sánh mô hình cấu trúc cơ sở và các mô hình mở rộng thay thế
Hình 2: Sơ đồ đối sánh mô hình cấu trúc cơ sở và các mô hình mở rộng thay thế

4. Kết quả ước lượng và kiểm định chẩn đoán

4.1. Thống kê mô tả, kiểm định chất lượng thang đo tâm trắc học và ma trận tương quan

Trước khi đi vào ước lượng phương trình cấu trúc, dữ liệu khảo sát trên mẫu chính thức kỹ sư lập trình được thống kê mô tả và kiểm định toàn diện các chỉ tiêu tâm trắc học. Bảng 3 tổng hợp các tham số phân phối mẫu của toàn bộ biến tổng hợp, biến nhân khẩu học và mục hỏi quan sát Likert:

Bảng 3: Thống kê mô tả các biến số trong mô hình
Biến số và cấu trúc đo lườngSố quan sát (⁠)Trung bìnhĐộ lệch chuẩnNhỏ nhấtPhân vị 25%Trung vịPhân vị 75%Lớn nhất
Sự hài lòng và hành vi đổi mới (⁠)
Định hướng lãnh đạo chuyển đổi số (⁠)
Sự an toàn tâm lý (⁠)
Khí hậu khuyến khích tự chủ (⁠)
Thâm niên công tác (⁠)
Giới tính (⁠)

Số liệu tại Bảng 3 cho thấy điểm trung bình của biến phụ thuộc Sự hài lòng và hành vi làm việc đổi mới đạt trên thang đo mức độ, phản ánh xu hướng tích cực của đội ngũ kỹ sư lập trình trong việc chủ động tìm kiếm công cụ AI mới và đề xuất giải pháp sáng tạo giải quyết vướng mắc kỹ thuật. Ba biến nguồn lực tổ chức và tâm lý gồm Định hướng lãnh đạo chuyển đổi số, Sự an toàn tâm lý và Khí hậu khuyến khích tự chủ có giá trị trung bình phân bố cân đối quanh mốc trung tâm — lần lượt đạt ⁠, và với độ lệch chuẩn dao động từ đến ⁠, cho thấy độ biến thiên dữ liệu dồi dào trên toàn miền giá trị ⁠. Về cơ cấu nhân khẩu học, giá trị trung bình của biến Giới tính là — tương ứng kỹ sư nam và kỹ sư nữ trong mẫu mô phỏng, và giá trị trung bình của Thâm niên công tác đạt với trung vị bằng — nhóm từ đến năm kinh nghiệm chiếm tỷ trọng trung tâm.

Tiếp theo, Bảng 4 báo cáo kết quả kiểm định chất lượng thang đo tâm trắc học, giá trị hội tụ, giá trị phân biệt và phân tích độ nhạy trên mẫu ⁠:

Bảng 4: Kiểm định độ tin cậy và giá trị hội tụ của các thang đo
Cấu trúc tiềm ẩnSố mục hỏiCronbach's nhỏ nhấtĐộ tin cậy Độ tin cậy tổng hợp (⁠)Phương sai trích (⁠)Hệ số tải ngoài Kết luận kiểm định thang đo
Định hướng lãnh đạo chuyển đổi số (⁠)Đạt chuẩn hội tụ & tin cậy cao
Sự an toàn tâm lý (⁠)Đạt chuẩn hội tụ & tin cậy cao
Khí hậu khuyến khích tự chủ (⁠)Đạt chuẩn hội tụ & tin cậy cao
Sự hài lòng và hành vi đổi mới (⁠)Đạt chuẩn (giữ mục hỏi biên qua kiểm định độ nhạy)

4.2. Kết quả ước lượng bảng nhiều cột và độ lớn kinh tế

Sau khi xác nhận toàn bộ thang đo đạt chuẩn tâm trắc học, nghiên cứu thực thi ước lượng đồng thời đặc tả mô hình kinh tế lượng trên mẫu quan sát. Kết quả ước lượng chi tiết được trình bày tại Bảng 5 và Bảng 6 theo đúng sổ cái khóa số liệu thực nghiệm:

Bảng 5: Kết quả ước lượng mô hình kinh tế lượng đối với Sự hài lòng và hành vi làm việc đổi mới
Biến số giải thích(1) Mô hình PLS(2) Hồi quy vững Huber(3) Hồi quy phân vị(4) Mô hình OLS cơ sở
Định hướng lãnh đạo chuyển đổi số (⁠)0.24990.26110.27830.2633
—(0.0149)(0.0261)(0.0331)(0.0239)
Sự an toàn tâm lý (⁠)0.27430.29760.29170.2964
—(0.0090)(0.0281)(0.0356)(0.0270)
Khí hậu khuyến khích tự chủ (⁠)0.21290.18680.19170.1727
—(0.0153)(0.0263)(0.0333)(0.0269)
Thâm niên công tác (⁠)0.05030.07680.09350.0693
—(0.0189)(0.0265)(0.0336)(0.0259)
Giới tính (⁠)-0.0226-0.0480-0.0446-0.0478
—(0.0373)(0.0393)(0.0498)(0.0380)
Hằng số (⁠)1.21431.18661.09201.2279
—(0.0717)(0.1256)(0.1591)(0.1192)

Ghi chú: Cột là Hồi quy bình phương nhỏ nhất từng phần theo nhân tố tiềm ẩn với sai số chuẩn Jackknife 10 phân đoạn; Cột là Hồi quy vững theo hàm trọng số Huber; Cột là Hồi quy phân vị tại trung vị; Cột là Hồi quy tuyến tính cổ điển với sai số chuẩn vững HC1. Sai số chuẩn đặt trong ngoặc đơn. ⁠; ⁠; ⁠.

Bảng 6: Thống kê mức độ phù hợp của mô hình trên các đặc tả ước lượng
Chỉ tiêu thống kê(1) Mô hình PLS(2) Hồi quy vững Huber(3) Hồi quy phân vị(4) Mô hình OLS cơ sở
Số quan sát (⁠)850850850850
Hệ số xác định 0.3944——0.3970
hiệu chỉnh———0.3935
Thống kê ———112.0666

Sự phân bố hệ số ước lượng và khoảng tin cậy giữa các đặc tả mô hình được minh họa trực quan tại Hình 3 dưới đây:

Hình 3: Đồ thị hệ số hồi quy ước lượng và khoảng tin cậy 95% trên các đặc tả mô hình
Hình 3: Đồ thị hệ số hồi quy ước lượng và khoảng tin cậy 95% trên các đặc tả mô hình

Bên cạnh đó, sự đối sánh mức độ phù hợp nội mẫu và hiệu chỉnh bậc tự do giữa các mô hình được thể hiện tại Hình 4:

Hình 4: So sánh hệ số xác định R² và R² hiệu chỉnh giữa các đặc tả mô hình
Hình 4: So sánh hệ số xác định R² và R² hiệu chỉnh giữa các đặc tả mô hình

Từ kết quả thực nghiệm tại Bảng 5, Bảng 6 và hai đồ thị 300-DPI, chúng ta có thể rút ra những luận giải sâu sắc về mặt kinh tế học lao động và hành vi tổ chức đối với từng giả thuyết nghiên cứu:

  1. Kiểm định Giả thuyết — Vai trò trụ cột dẫn dắt của Sự an toàn tâm lý: Trong cả 4 mô hình ước lượng, Sự an toàn tâm lý luôn là nhân tố có hệ số tác động dương lớn nhất và mức ý nghĩa thống kê cao nhất lên Sự hài lòng và hành vi làm việc đổi mới. Tại Mô hình trọng tâm PLS, hệ số ước lượng đạt với sai số chuẩn Jackknife rất nhỏ, thống kê — ⁠, khoảng tin cậy là và đạt chỉ số tầm quan trọng biến trong phép chiếu cao nhất toàn mô hình. Khi đối chiếu sang các mô hình đối chứng, hệ số của đạt trong Hồi quy vững Huber, đạt trong Hồi quy phân vị trung vị, và đạt trong Hồi quy cổ điển OLS. Về mặt độ lớn kinh tế trên thang đo mô phỏng, khi các yếu tố khác không đổi, mỗi điểm gia tăng trên thang đo Likert 5 mức độ về cảm nhận an toàn tâm lý trong nhóm lập trình giúp nâng mức độ hài lòng và hành vi làm việc đổi mới lên từ đến điểm — tương đương khoảng đến của một độ lệch chuẩn biến phụ thuộc ⁠. Kết quả này ủng hộ hoàn toàn Giả thuyết và củng cố lý thuyết của Storey et al. (2021) cũng như Polat & Hallumoğlu (2026): đối với kỹ sư phần mềm làm việc cùng các công cụ AI, việc loại bỏ nỗi sợ bị trừng phạt khi thử nghiệm thuật toán mới chính là điều kiện tiên quyết để chuyển hóa áp lực công nghệ thành sự thỏa mãn và sáng tạo.
  2. Kiểm định Giả thuyết — Tác động lan tỏa của Định hướng lãnh đạo chuyển đổi số và AI: Nhân tố có tầm quan trọng lớn thứ hai trong mô hình là Định hướng lãnh đạo chuyển đổi số. Trong Mô hình 3 PLS, hệ số ước lượng của đạt — ⁠, ⁠, ⁠, khoảng tin cậy là với chỉ số ⁠. Trên các đặc tả đối chứng, hệ số này duy trì sự ổn định chặt chẽ: đạt ở Mô hình 4 Hồi quy vững Huber; Đạt ở Mô hình 3 Hồi quy phân vị; Và đạt ở Mô hình 4 OLS. Như vậy, Giả thuyết được chấp nhận ở mức ý nghĩa trên mọi đặc tả. Đáng chú ý, hệ số ước lượng tại trung vị nhỉnh hơn so với ước lượng trung bình OLS, cho thấy đối với nhóm kỹ sư lập trình điển hình ở trung tâm phân phối, sự dẫn dắt truyền cảm hứng và hỗ trợ phát triển cá nhân từ người lãnh đạo kỹ thuật đóng vai trò đòn bẩy đặc biệt mạnh mẽ, nhất quán với phát hiện của Liu et al. (2026), Wang (2024) và Almaqrami & Hamzah (2026).
  3. Kiểm định Giả thuyết — Hiệu ứng trao quyền từ Khí hậu khuyến khích tự chủ công việc: Biến số Khí hậu khuyến khích tự chủ thể hiện tác động dương có ý nghĩa thống kê ở mức xuyên suốt cả 4 mô hình. Cụ thể, trong Mô hình 3 PLS, hệ số của đạt — ⁠, ⁠, khoảng tin cậy là kèm chỉ số ⁠. Trong các mô hình đối chứng, hệ số ước lượng lần lượt đạt ở Hồi quy vững Huber, đạt ở Hồi quy phân vị, và đạt ở Hồi quy cổ điển OLS. Kết quả này khẳng định Giả thuyết và đồng điệu với nghiên cứu tổng quan của Xiao et al. (2026), Shobe (2018) cùng Traymbak & Verma (2021): khi tổ chức phần mềm giảm bớt các thủ tục hành chính rườm rà và trao quyền tự chủ cho lập trình viên trong việc thiết kế luồng công việc kết hợp AI, hiệu suất giải quyết bài toán tăng lên và kéo theo sự thỏa mãn nghề nghiệp bền vững.
  4. Kiểm định Giả thuyết — Vai trò của Thâm niên công tác và Giới tính: Đối với các biến kiểm soát nhân khẩu học, Thâm niên công tác có hệ số dương và đạt ý nghĩa thống kê ở mức trên cả 4 mô hình: đạt trong Mô hình 3 PLS; Đạt trong Mô hình 4 RLM; Đạt trong Mô hình 3 Hồi quy phân vị; Và đạt trong Mô hình 4 OLS. Tuy nhiên, chỉ số của thâm niên công tác trong phép chiếu PLS chỉ đạt ⁠, cho thấy mặc dù kinh nghiệm tích lũy giúp kỹ sư làm chủ công cụ AI tốt hơn, vai trò giải thích của thâm niên vẫn nhỏ hơn đáng kể so với ba nguồn lực tâm lý và tổ chức. Trong khi đó, biến Giới tính mang hệ số âm rất nhỏ và hoàn toàn không có ý nghĩa thống kê ở mọi đặc tả — ⁠, ở PLS; ⁠, ở RLM; ⁠, ở Quantile; ⁠, ở OLS; Chỉ số ⁠, chứng tỏ không có sự phân biệt về mức độ hài lòng và đổi mới công việc giữa kỹ sư lập trình nam và nữ khi làm việc trong cùng một điều kiện môi trường tổ chức (Chen, 2024⁠).
Hình 5: Sơ đồ kết quả ước lượng hệ số đường dẫn cấu trúc SEM/PLS-SEM ở mô hình cơ sở và mô hình thay thế
Hình 5: Sơ đồ kết quả ước lượng hệ số đường dẫn cấu trúc SEM/PLS-SEM ở mô hình cơ sở và mô hình thay thế

4.3. Kiểm định ngưỡng cấu trúc và chẩn đoán đặc tả mô hình

Để thẩm định tính hợp lệ của các giả định kinh tế lượng sau ước lượng, Bảng 7 và Bảng 7 tổng hợp kết quả chẩn đoán từ mô hình trọng tâm PLS cùng các mô hình đối chứng:

Bảng 7: Kết quả các kiểm định chẩn đoán đặc tả mô hình trọng tâm
Kiểm định chẩn đoánGiá trị thống kêGiá trị Kết luận kiểm định
Sai số bình phương trung bình kiểm định chéo (10 phân đoạn)0.3038—Chỉ số thông tin đánh giá sai số dự báo ngoài mẫu thấp
Hệ số xác định ngoài mẫu ( kiểm định chéo)0.3874—Mô hình có năng lực dự báo ngoài mẫu dương và ổn định
Mức độ quan trọng tối đa của biến trong phép chiếu PLS (⁠)1.3713—Xác nhận các nhân tố cốt lõi vượt ngưỡng chuẩn

Ngoài các chỉ số chẩn đoán phép chiếu tiềm ẩn tại Bảng 7, Bảng 7 dưới đây trình bày bổ sung các kiểm định phần dư và đa cộng tuyến trên các đặc tả hồi quy tuyến tính cổ điển, hồi quy vững và hồi quy phân vị:

Bảng 8: Kết quả các kiểm định chẩn đoán và độ vững mô hình
Tên kiểm định chẩn đoán mở rộngMô hình áp dụngGiá trị thống kêGiá trị Ngưỡng tham chiếu học thuậtKết luận chẩn đoán kinh tế lượng
Kiểm định phương sai thay đổi Breusch–PaganMô hình (4) OLSChấp nhận ⁠: Phương sai sai số đồng nhất
Kiểm định phương sai thay đổi Breusch–PaganMô hình (2) RLMChấp nhận ⁠: Phương sai sai số đồng nhất
Kiểm định phương sai thay đổi Breusch–PaganMô hình (3) Phân vịChấp nhận ⁠: Phương sai sai số đồng nhất
Thống kê tự tương quan Durbin–WatsonMô hình (4) OLS—Không có hiện tượng tự tương quan phần dư bậc nhất
Thống kê tự tương quan Durbin–WatsonMô hình (2) RLM—Không có hiện tượng tự tương quan phần dư bậc nhất
Thống kê tự tương quan Durbin–WatsonMô hình (3) Phân vị—Không có hiện tượng tự tương quan phần dư bậc nhất
Kiểm định phân phối chuẩn phần dư Jarque–BeraMô hình (4) OLS bác bỏ Phần dư lệch nhẹ khỏi phân phối chuẩn; Đã khắc phục bằng RLM & Phân vị
Kiểm định phân phối chuẩn phần dư Jarque–BeraMô hình (2) RLM bác bỏ Hồi quy vững Huber đảm bảo ước lượng không chệch trước phần dư phi chuẩn
Kiểm định phân phối chuẩn phần dư Jarque–BeraMô hình (3) Phân vị bác bỏ Ước lượng trung vị hoàn toàn vững trước phân phối sai số phi chuẩn
Số điều kiện cộng tuyếnMô hình (4) OLS—Ngưỡng cảnh báo Có hiện tượng cộng tuyến vừa phải; Đã xử lý triệt để qua phép chiếu PLS

5. Hàm ý chính sách và kết luận

5.1. Tóm tắt các phát hiện thực nghiệm trọng tâm

Nghiên cứu này đã thiết lập và thực thi quy trình phân tích định lượng 5 bước nhằm minh họa phương pháp luận đánh giá tác động của việc ứng dụng công cụ trí tuệ nhân tạo, định hướng lãnh đạo chuyển đổi số, sự an toàn tâm lý và khí hậu khuyến khích tự chủ công việc đến sự hài lòng gắn liền với hành vi làm việc đổi mới của đội ngũ kỹ sư lập trình tại Việt Nam. Trên cơ sở bộ dữ liệu khảo sát hành vi mô phỏng theo cấu trúc biến tiềm ẩn với quy mô mẫu hoàn chỉnh đạt quan sát — độ phủ dữ liệu đạt ⁠, đi kèm mẫu khảo sát sơ bộ quan sát, các phát hiện định lượng trọng tâm được đúc kết như sau:

  • Một là, các thang đo tâm trắc học được thiết kế có cài đặt biến đảo chiều đều vượt qua toàn bộ các tiêu chuẩn kiểm định chất lượng khắt khe nhất theo chuẩn tạp chí quốc tế (Hair et al., 2019; Henseler et al., 2015; Fornell & Larcker, 1981): hệ số Cronbach's đạt từ đến ⁠, độ tin cậy tổng hợp đạt từ đến ⁠, phương sai trích trung bình đạt từ đến ⁠, hệ số đạt ⁠, chỉ số phân biệt tối đa đạt và phương sai đơn nhân tố Harman chỉ ở mức ⁠.
  • Hai là, kết quả ước lượng từ mô hình trọng tâm Hồi quy bình phương nhỏ nhất từng phần — PLS, ⁠, ngoài mẫu đạt và ba mô hình đối chứng gồm Hồi quy vững Huber, Hồi quy phân vị và Hồi quy tuyến tính cổ điển — OLS, ⁠, hiệu chỉnh đạt ⁠, khẳng định cả ba nguồn lực công việc đều tác động dương và có ý nghĩa thống kê ở mức lên sự hài lòng và hành vi làm việc đổi mới.
  • Ba là, xét theo thứ bậc tầm quan trọng trong phép chiếu nhân tố tiềm ẩn và độ lớn hệ số hồi quy, Sự an toàn tâm lý khi thử nghiệm công nghệ AI là nhân tố có sức mạnh dự báo lớn nhất — trong PLS, trong OLS, ⁠, xếp thứ hai là Định hướng lãnh đạo chuyển đổi số và hỗ trợ tích hợp AI — với trong PLS, trong OLS, ⁠, và xếp thứ ba là Khí hậu khuyến khích tự chủ công việc — với trong PLS, trong OLS, ⁠. Biến kiểm soát Thâm niên công tác có tác động dương có ý nghĩa thống kê, trong khi Giới tính không có ý nghĩa thống kê.

5.2. Khung hàm ý chính sách và quản trị dựa trên bằng chứng định lượng

  1. Kiến tạo môi trường an toàn tâm lý trong các nhóm phát triển phần mềm khi tích hợp công cụ AI:

    Kết quả minh họa định lượng cho thấy Sự an toàn tâm lý đạt chỉ số tầm quan trọng cao nhất trong phép chiếu PLS và hệ số tác động biên lớn nhất trên mọi đặc tả — dao động từ đến ⁠, ⁠. Trong thực tiễn quản trị các dự án phần mềm, khi doanh nghiệp triển khai các trợ lý lập trình AI hoặc công cụ tự động hóa kiểm thử, rào cản lớn nhất làm suy giảm sự hài lòng của kỹ sư không nằm ở bản thân thuật toán mà ở nỗi lo sợ bị quy kết trách nhiệm hoặc bị đánh giá thấp năng lực khi thử nghiệm công cụ mới gặp lỗi (Storey et al., 2021⁠; Willemsen et al., 2026⁠). Do đó, các giám đốc công nghệ và trưởng nhóm kỹ thuật cần thiết lập văn hóa rà soát mã nguồn mang tính xây dựng, tách biệt hoàn toàn không gian thử nghiệm sáng kiến AI khỏi hệ thống chấm điểm hiệu suất trừng phạt, đồng thời khuyến khích các buổi chia sẻ bài học kinh nghiệm từ các thử nghiệm thất bại để củng cố niềm tin tâm lý cho đội ngũ kỹ sư.

  2. Nâng cấp năng lực lãnh đạo chuyển đổi số và cơ chế đồng hành cá nhân hóa trong kỷ nguyên AI:

    Với hệ số ước lượng dương rất vững — trong PLS, tại trung vị phân vị, ⁠, Định hướng lãnh đạo chuyển đổi số đóng vai trò trụ cột thứ hai thúc đẩy sự hài lòng và hành vi làm việc đổi mới. Phù hợp với khuyến nghị của Liu et al. (2026)⁠, Wang (2024) và Almaqrami & Hamzah (2026)⁠, ban lãnh đạo doanh nghiệp phần mềm không nên chỉ ban hành mệnh lệnh hành chính yêu cầu sử dụng AI để cắt giảm chi phí, mà cần truyền đạt tầm nhìn chiến lược rõ ràng về việc AI là công cụ nâng tầm giá trị trí tuệ của kỹ sư lập trình. Các nhà quản lý cần thiết lập cơ chế ghi nhận và khen thưởng kịp thời những sáng kiến ứng dụng AI giúp tối ưu hóa kiến trúc hệ thống, đồng thời đầu tư ngân sách đào tạo chuyên sâu theo từng lộ trình cá nhân để nhân sự cảm nhận được sự hỗ trợ thiết thực từ tổ chức (Dhir et al., 2020⁠; Setiyono & Satrya, 2025⁠).

  3. Trao quyền tự chủ thiết kế quy trình công việc và tái phân bổ thời gian tiết kiệm được từ AI:

    Hệ số ước lượng của Khí hậu khuyến khích tự chủ công việc đạt trong mô hình PLS và duy trì dấu dương có ý nghĩa thống kê trên toàn bộ các mô hình đối chứng — trong RLM, trong Hồi quy phân vị, trong OLS. Phát hiện này minh họa rõ cơ chế được Xiao et al. (2026) và Shobe (2018) nhấn mạnh: nếu năng suất tăng thêm nhờ AI chỉ dẫn đến việc ban quản lý giao thêm khối lượng tác vụ cơ học hoặc siết chặt quy định giám sát thời gian thực, kỹ sư sẽ rơi vào trạng thái quá tải và suy giảm sự thỏa mãn (Octaviani & Waluyo, 2026; Polat & Hallumoğlu, 2026). Ngược lại, doanh nghiệp cần trao quyền tự chủ cho kỹ sư trong việc lựa chọn bộ công cụ AI phù hợp, cắt giảm các thủ tục báo cáo hành chính cứng nhắc và dành một tỷ lệ thời gian làm việc chính thức, từ đến quỹ thời gian mỗi chu kỳ Sprint để kỹ sư tự do nghiên cứu, thử nghiệm và chuyển hóa các ý tưởng cải tiến kỹ thuật thành sản phẩm thực tế (Willemsen et al., 2026; Medina-Garrido et al., 2023).

  4. Thiết kế chương trình kèm cặp chuyên môn theo thâm niên và bảo đảm môi trường công bằng giới:

    Việc biến kiểm soát Thâm niên công tác mang hệ số dương có ý nghĩa thống kê — trong PLS, trong Hồi quy phân vị, cho thấy các kỹ sư giàu kinh nghiệm có lợi thế rõ rệt trong việc khai thác AI để đổi mới công việc nhờ nền tảng tư duy hệ thống vững chắc (Traymbak & Verma, 2021). Do đó, các doanh nghiệp công nghệ tại Việt Nam nên thiết kế mô hình cặp đôi lập trình kết hợp AI giữa kỹ sư cao cấp và kỹ sư trẻ, giúp nhóm nhân sự mới nhanh chóng vượt qua rào cản kỹ năng thẩm định mã nguồn và giảm bớt lo âu nghề nghiệp (Koteczki & Balassa, 2025; Dawson et al., 2020). Đồng thời, kết quả không có sự khác biệt thống kê theo giới tính gợi mở rằng các chính sách đãi ngộ, đào tạo AI và đánh giá hiệu suất cần tiếp tục duy trì nguyên tắc công bằng, minh bạch dựa trên năng lực thực chất cho cả kỹ sư nam và nữ (Chen, 2024; Um, 2024).

5.3. Hạn chế của nghiên cứu và hướng mở rộng trong tương lai

Mặc dù đã thiết lập quy trình kiểm định tâm trắc học và đối chứng kinh tế lượng chặt chẽ, nghiên cứu này vẫn tồn tại một số giới hạn cần được lưu ý khi tham khảo và mở rộng trong các công trình tiếp theo:

  • Thứ nhất, giới hạn về nguồn gốc dữ liệu mô phỏng phương pháp luận: Toàn bộ quan sát trong nghiên cứu chính thức và quan sát trong khảo sát sơ bộ được sinh từ mô hình biến tiềm ẩn có kiểm soát nhằm trình diễn kỹ thuật kiểm định thang đo và ước lượng đa mô hình. Để có thể đưa ra các kết luận thực nghiệm đại diện cho thị trường lao động công nghệ thông tin Việt Nam, các nghiên cứu tiếp theo cần triển khai khảo sát thực địa phân tầng tại các khu công nghệ cao ở Hà Nội, Thành phố Hồ Chí Minh và Đà Nẵng, kết hợp phỏng vấn sâu định tính các chuyên gia kỹ thuật để hiệu chỉnh từ ngữ bảng hỏi sát với văn hóa doanh nghiệp phần mềm nội địa và đa quốc gia.
  • Thứ hai, giới hạn của cấu trúc dữ liệu chéo tại một thời điểm: Mặc dù nghiên cứu đã kiểm soát đa cộng tuyến và ngoại lai thông qua PLS, RLM và Hồi quy phân vị, dữ liệu khảo sát tại một thời điểm chưa cho phép theo dõi quỹ đạo biến đổi động của sự hài lòng công việc trước và sau các cú sốc nâng cấp công nghệ AI. Các nghiên cứu tương lai có thể thiết kế dữ liệu bảng theo dõi dọc qua nhiều quý hoặc áp dụng mô hình sai biệt kép khi doanh nghiệp triển khai thí điểm trợ lý lập trình AI cho một bộ phận kỹ sư.
  • Thứ ba, mở rộng các cấu trúc trung gian và điều tiết đa cấp: Các công trình tiếp theo có thể tích hợp thêm các biến số đặc thù như mức độ phức tạp của dự án phần mềm, lo âu đạo đức thuật toán (Chen, 2024), hoặc phân tích cấu hình định tính so sánh mờ theo hướng tiếp cận của Henriques & Samagaio (2025) để khám phá các tổ hợp điều kiện đủ dẫn đến sự thỏa mãn nghề nghiệp cao nhất của kỹ sư lập trình.

Tài liệu tham khảo

Abubakar, A. M. (2019). Using hybrid SEM – artificial intelligence. Personnel Review. https://doi.org/10.1108/pr-06-2017-0180 ↩

Almaqrami, O. A. S., & Hamzah, A. A. M. (2026). Artificial intelligence adoption, perceived value, employee job satisfaction, and performance. Emirates International University Journal. https://doi.org/10.64059/eiu.v3i1.92 ↩

Anshori, Akbar, A., Djamaliyah, & Aisyah. (2025). The impact of artificial intelligence adoption on job satisfaction and productivity of healthcare workers in hospitals. Jurnal Ilmiah Manajemen Kesatuan. https://doi.org/10.37641/jimkes.v13i6.4321 ↩

Bajracharya, A. (2026). Unraveling the antecedents of job satisfaction and turnover intention among private hospital nurses in Nepal: A PLS-SEM mediation analysis of work environment, salary, job enrichment, and job stress. Quest Journal of Management and Social Sciences. https://doi.org/10.3126/qjmss.v8i3.100313 ↩

Bennett, C. C., & Hauser, K. (2013). Artificial intelligence framework for simulating clinical decision-making: A Markov decision process approach. Artificial Intelligence in Medicine, 57, 9-19. https://doi.org/10.1016/j.artmed.2012.12.003 ↩

Chen, A. W. (2024). Ethical perception and job satisfaction of software developers. Online Journal of Applied Knowledge Management. https://doi.org/10.36965/ojakm.2024.12(1)34-5334-53 ↩

Chung, H., & Ko, J. (2020). Structural relationship among perceived overqualification, job satisfaction, job significance and job autonomy. Journal of Industrial Economics and Business. https://doi.org/10.22558/jieb.2020.4.33.2.429 ↩

Dawson, N., Williams, M., & Rizoiu, M. (2020). Skill-driven recommendations for job transition pathways. Plos One, 16, e0254722. https://doi.org/10.1371/journal.pone.0254722 ↩

Dhir, S., Dutta, T., & Ghosh, P. (2020). Linking employee loyalty with job satisfaction using PLS–SEM modelling. Personnel Review. https://doi.org/10.1108/pr-03-2019-0107 ↩

Dotulong, L. O. H., Trang, I., Pondaag, J. J., & Pratasik, S. (2026). Job satisfaction as a mediator between work ethic, productivity, and farmer performance: A PLS-SEM study on patchouli cultivation. Lentera Negeri. https://doi.org/10.29210/993900 ↩

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18, 39-50. https://doi.org/10.1177/002224378101800104 ↩

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31, 2-24. https://doi.org/10.1108/EBR-11-2018-0203 ↩

Hartini, Aris, A. A., Panjaitan, M., & Mattunruang, A. A. (2026). Predicting organizational commitment through job satisfaction: Empirical analysis using the PLS-SEM method. Prabandhan: Indian Journal of Management. https://doi.org/10.17010/pijom/2026/v19i2/173730 ↩

Henriques, C. S., & Samagaio, A. (2025). Impact of stress, job satisfaction, work–life balance and telework on auditors’ job performance: A PLS-SEM and fsQCA approach. Journal of Organizational Effectiveness: People and Performance. https://doi.org/10.1108/joepp-03-2024-0135 ↩

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115-135. https://doi.org/10.1007/s11747-014-0403-8 ↩

Inthalasari, R., & Arief, M. (2021). The effect of emotional intelligence, work-family conflict, job autonomy company performance: The role job satisfaction and job stress as mediating variable. Journal of International Conference Proceedings. https://doi.org/10.32535/jicp.v4i3.1313 ↩

Kapur, D. (2022). Application of artificial intelligence: Productivity and job satisfaction analysis. Dinasti International Journal of Education Management and Social Science. https://doi.org/10.31933/dijemss.v4i1.1554 ↩

Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11, 1-10. https://doi.org/10.4018/ijec.2015100101 ↩

Koenker, R., & Bassett, G. (1978). Regression quantiles. Econometrica, 46, 33-50. https://doi.org/10.2307/1913643 ↩

Koteczki, R., & Balassa, B. E. (2025). Exploring Generation Z’s acceptance of artificial intelligence in higher education: A TAM and UTAUT-based PLS-SEM and cluster analysis. Education Sciences. https://doi.org/10.3390/educsci15081044 ↩

Kramer, M., & Hafner, L. P. (1989). Shared values. Nursing Research. https://doi.org/10.1097/00006199-198905000-00019 ↩

Lee, S., Lee, M., & Ryu, K. (2026). The moderated mediating effect of teacher autonomy and goal clarity in the relationship between technostress and job satisfaction perceived by secondary school teachers. Korean Education Inquiry. https://doi.org/10.22327/kei.2026.44.1.085 ↩

Liu, L., Nor, M. Y. M., & Alias, B. S. (2026). The impact of transformational leadership on multidimensionality of lecturers’ job satisfaction: PLS-SEM evidence from public universities in Chongqing, China. International Journal of Artificial Intelligence and Machine Learning. https://doi.org/10.51483/ijaiml.6.10s.2026.1657-1671 ↩

Medina-Garrido, J. A., Biedma-Ferrer, J. M., & Ramos-Rodriguez, A. R. (2023). Relationship between work-family balance, employee well-being and job performance. Academia Revista Latinoamericana de Administracion, 30, 40-58. https://doi.org/10.1108/ARLA-08-2015-0202 ↩

Octaviani, E., & Waluyo, M. (2026). SEM PLS evidence on workload, workforce adequacy, job satisfaction, and performance. Academia Open. https://doi.org/10.21070/acopen.11.2026.13439 ↩

Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88, 879-903. https://doi.org/10.1037/0021-9010.88.5.879 ↩

Polat, E., & Hallumoğlu, Ç. E. (2026). Technostress and employee outcomes in the public sector: The mediating role of job satisfaction within the JD-R framework. Journal of Public Affairs. https://doi.org/10.1002/pa.70175 ↩

Setiyono, E., & Satrya, A. (2025). Examining emotional intelligence, perceived organizational support, and job satisfaction on job performance. Jurnal Ilmiah Manajemen Kesatuan. https://doi.org/10.37641/jimkes.v13i6.4346 ↩

Shobe, K. (2018). Productivity driven by job satisfaction, physical work environment, management support and job autonomy. Business and Economics Journal. https://doi.org/10.4172/2151-6219.1000351 ↩

Singh, N. (2024). Job satisfaction among school teachers: The role of job crafting and autonomy. African Journal of Biomedical Research. https://doi.org/10.53555/ajbr.v27i5s.6575 ↩

Singh, V., & Ahuja, D. (2025). Does workplace spirituality and individual spirituality moderate the relationship between job-related tension and job satisfaction? A PLS-SEM approach. Vikalpa: The Journal for Decision Makers. https://doi.org/10.1177/02560909251348718 ↩

Storey, M., Zimmermann, T., Bird, C., Czerwonka, J., Murphy, B., & Kalliamvakou, E. (2021). Towards a theory of software developer job satisfaction and perceived productivity. IEEE Transactions on Software Engineering. https://doi.org/10.1109/tse.2019.2944354 ↩

Traymbak, S., & Verma, P. (2021). Moderating role of organizational levels in the autonomy, feedback, role stressors, and job satisfaction model. International Journal of Human Capital and Information Technology Professionals. https://doi.org/10.4018/ijhcitp.2021040105 ↩

Türkmen, E. (2020). The relationship between work-related variables, job satisfaction, and perceived professional autonomy of radiation oncology nurses in Turkey. Journal of Psychiatric Nursing. https://doi.org/10.14744/phd.2020.03789 ↩

Um, J. (2024). Impact of perceived parental leave policies on female employees’ job satisfaction and organizational commitment: Mediating effect of job satisfaction. Korea International Trade Research Institute. https://doi.org/10.16980/jitc.20.1.202402.37 ↩

Wang, J. (2024). Impact of artificial intelligence adoption on the psychological contract and job satisfaction of Chinese employees - The moderator role of industry characteristics. Interdisciplinary Humanities and Communication Studies. https://doi.org/10.61173/pkmf8z05 ↩

Willemsen, F., Mütze-Niewöhner, S., & Nitsch, V. (2026). Job crafting when dealing with technology adoption and job insecurity: Effects on employees’ perceived productivity. Procedia Computer Science. https://doi.org/10.1016/j.procs.2026.02.360 ↩

Xiao, L., Yusuf, S. N. F. B., & Shen, Y. (2026). A systematic literature review on the impact of AI integration on job satisfaction: Guiding the Shenzhen tech industry on the roles of AI task efficiency and job autonomy. Advances in Artificial Intelligence and Machine Learning. https://doi.org/10.54364/aaiml.2026.64327 ↩

Phụ lục

Phụ lục A. Bảng mô tả chi tiết 20 mục hỏi thang đo khảo sát và thống kê phân phối

Bảng dưới đây trình bày toàn bộ mục hỏi quan sát thuộc cấu trúc tiềm ẩn trong bộ dữ liệu khảo sát mô phỏng, bao gồm nội dung phát biểu bằng tiếng Việt, hệ số tải mục tiêu trong quá trình sinh dữ liệu, quy tắc xử lý đảo chiều và các tham số thống kê mô tả:

Bảng A1: Đặc tả biến số, thước đo và nguồn dữ liệu nghiên cứu
Ký hiệu mục hỏiThuộc cấu trúcNội dung phát biểu thang đo Likert (1 = Hoàn toàn không đồng ý; 5 = Hoàn toàn đồng ý)Quy tắc mã hóaTrung bìnhĐộ lệch chuẩnKhoảng tứ phân vị
TLMEA (⁠)Lãnh đạo truyền cảm hứng về tầm nhìn chiến lược ứng dụng công nghệ và AI rõ ràng.Thuần chiều (⁠)
TLMEA (⁠)Lãnh đạo khuyến khích kỹ sư suy nghĩ giải quyết bài toán kỹ thuật theo cách mới với AI.Thuần chiều (⁠)
TLMEA (⁠)Lãnh đạo quan tâm hỗ trợ sự phát triển năng lực cá nhân của từng thành viên trong nhóm.Thuần chiều (⁠)
TLMEA (⁠)Lãnh đạo hiếm khi ghi nhận nỗ lực thử nghiệm đổi mới của cấp dưới (Mục hỏi ngược ⁠).Đảo chiều (⁠)
TLMEA (⁠)Lãnh đạo làm gương về tinh thần cam kết chất lượng và chuẩn mực nghề nghiệp.Thuần chiều (⁠)
PSYMEA (⁠)Trong nhóm phát triển của tôi, mọi người có thể thoải mái nêu ý kiến kỹ thuật trái chiều.Thuần chiều (⁠)
PSYMEA (⁠)Nếu mắc sai lầm khi thử nghiệm công cụ mới, bạn sẽ bị chỉ trích nặng nề (Mục hỏi ngược ⁠).Đảo chiều (⁠)
PSYMEA (⁠)Các thành viên trong nhóm tôn trọng năng lực lập trình và đóng góp chuyên môn của nhau.Thuần chiều (⁠)
PSYMEA (⁠)Tôi cảm thấy an toàn về mặt tâm lý khi thử nghiệm các phương pháp và công cụ AI mới.Thuần chiều (⁠)
PSYMEA (⁠)Không ai trong nhóm cố tình làm suy giảm nỗ lực sáng tạo của đồng nghiệp.Thuần chiều (⁠)
OCMEA (⁠)Tổ chức trao quyền chủ động cho kỹ sư trong việc thiết kế quy trình công việc và tích hợp AI.Thuần chiều (⁠)
OCMEA (⁠)Nguồn lực tính toán và thời gian được phân bổ hợp lý cho các sáng kiến kỹ thuật mới.Thuần chiều (⁠)
OCMEA (⁠)Các quy định hành chính cứng nhắc cản trở mọi đề xuất cải tiến quy trình (Mục hỏi ngược ⁠).Đảo chiều (⁠)
OCMEA (⁠)Cơ chế đánh giá hiệu suất của doanh nghiệp khuyến khích sự linh hoạt và sáng tạo.Thuần chiều (⁠)
IWBMEA (⁠)Tôi hài lòng và thường xuyên tìm kiếm các quy trình hoặc công cụ AI hỗ trợ làm việc mới.Thuần chiều (⁠)
IWBMEA (⁠)Tôi chủ động đề xuất các giải pháp sáng tạo để giải quyết vướng mắc trong phát triển phần mềm.Thuần chiều (⁠)
IWBMEA (⁠)Tôi hào hứng vận động sự ủng hộ của đồng nghiệp cho các ý tưởng cải tiến kỹ thuật.Thuần chiều (⁠)
IWBMEA (⁠)Tôi kiên trì chuyển hóa các ý tưởng công nghệ mới thành ứng dụng phần mềm thực tế.Thuần chiều (⁠)
IWBMEA (⁠)Tôi chỉ làm theo lối mòn có sẵn và né tránh thay đổi cách thức lập trình (Mục hỏi ngược ⁠).Đảo chiều (⁠)
IWBMEA (⁠)Tôi chủ động đánh giá hiệu quả của các sáng kiến công nghệ sau khi triển khai vào dự án.Thuần chiều (⁠)

Phụ lục B. Khoảng tin cậy 95% của các hệ số ước lượng trên 4 mô hình kinh tế lượng

Để phục vụ đối chiếu chi tiết độ chính xác của ước lượng điểm trên mẫu ⁠, bảng dưới đây trình bày khoảng tin cậy của toàn bộ hệ số hồi quy trong cả mô hình:

Bảng B1: Kết quả ước lượng mô hình định lượng và kiểm định giả thuyết
Biến số trong phương trìnhMô hình (1) PLS Mô hình (2) RLM Mô hình (3) Phân vị Mô hình (4) OLS
Định hướng lãnh đạo chuyển đổi số (⁠)
Sự an toàn tâm lý (⁠)
Khí hậu khuyến khích tự chủ (⁠)
Thâm niên công tác (⁠)
Giới tính (⁠)
Hằng số (⁠)
Dữ liệu tái lậpMô phỏng DGP
CSVsimulated_turnover_survey
850 quan sát36 biếnUTF-8 CSVZIP: DOCX · PDF · CSV · Code
Đặc quyền thành viên
Biến số:Respondent_IDGenderAgeTenureIncomeWLB1WLB2WLB3WLB4WLB5WLB6WLB7
Xem trước mã lệnh · R · Stata · Python
Cộng đồng nghiên cứu EcoLab

Mở khóa dữ liệu & mã lệnh tái lập

Sau khi theo dõi phần phân tích định lượng và bình duyệt học thuật phía trên, mời bạn đăng nhập nếu đã có gói thành viên hoặc tham gia cộng đồng nghiên cứu EcoLab để trực tiếp kiểm chứng từng hệ số ước lượng trên máy cá nhân.

Ba kịch bản R · Stata · Python

Khớp chính xác tên biến, đặc tả sai số chuẩn vững và ma trận kiểm định chẩn đoán của bài nghiên cứu.

Tệp dữ liệu thực nghiệm chuẩn UTF-8 CSV

Sẵn sàng nạp trực tiếp vào môi trường thống kê cá nhân để đối chiếu độc lập từng bảng kết quả.

Tệp nén tái lập trọn gói chuẩn ZIP

Đóng gói đồng bộ bản thảo chuẩn công bố tạp chí DOCX & PDF, tệp dữ liệu CSV, ba kịch bản ước lượng R · Stata · Python và hướng dẫn thực thi.

Gói Thành viên

Mỗi liên kết tải xuống được cấp chữ ký bảo mật riêng cho tài khoản thành viên và tự động làm mới mượt mà ngay trên trang đọc.

Nghiên cứu liên quan