ĐẠI HỌC UEH

TRƯỜNG KINH DOANH

KHOA KINH DOANH QUỐC TẾ - MARKETING

NGHIÊN CỨU KHOA HỌC

MÔN HỌC: NGHIÊN CỨU MARKETING

Đề tài: Ứng dụng Marketing Gamification Learning trong

Metaverse liệu có làm tăng sức hút thương hiệu và thu hút
khách hang trong tương lai?

Giảng viên hướng dẫn: Đinh Tiên Minh

Mã lớp học phần: 24DMAR50301709

TP Hồ Chí Minh, ngày 7 tháng 3 năm 2024

 ĐẠI HỌC UEH

TRƯỜNG KINH DOANH

KHOA KINH DOANH QUỐC TẾ - MARKETING

Sinh viên thực hiện:

Nguyễn Phương Ngân – 31221026725 – ngannguyen.31221026725@st.ueh.edu.vn

Đoàn Hữu Thịnh– 31221024220 - thinhdoan.31221024220@st.ueh.edu.vn

Nguyễn Thị Tuyết Nhi – 31221024170 – nhinguyen.31221024170@st.ueh.edu.vn

Lê Bá Thanh – 31221024314 - thanhle.31221024314@st.ueh.edu.vn

Hồ Thị Thương – 31221026137 - thuongho.31221026137@st.ueh.edu.vn

TP Hồ Chí Minh, ngày 7 tháng 3 năm 2024

LỜI CẢM ƠN

Được sự quan tâm giúp đỡ, tạo điều kiện những người giảng viên, bạn bè, người thân,
nhóm chúng em đã tham gia học tập và nghiên cứu để hoàn thành được dự án này. Bằng cả tấm
lòng thành kính và tình cảm chân thành, cho phép chúng em trân trọng gửi lời cảm ơn sâu sắc
đến:

Thầy Đinh Tiên Minh - Trưởng bộ môn Marketing và là giảng viên hướng dẫn trực tiếp
của nhóm em. Thầy đã dành thời gian và tâm huyết để hướng dẫn chúng tôi suốt quá trình của
môn học nghiên cứu Marketing. Sự hướng dẫn tận tình của thầy không chỉ giúp nhóm hoàn
thành dự án mà còn giúp chúng em hiểu sâu hơn về quá trình xây dựng và phát triển bài nghiên
cứu. Điều này là yếu tố vô cùng to lớn để nhóm có thể hoàn thành dự án như ngày hôm nay.

Cô Dương Ngọc Hồng – Giảng viên của Khoa Kinh doanh quốc tế – Marketing
(KDQTM), UEH, cô có kinh nghiệm trong việc hướng dẫn sinh viên làm Khóa luận tốt nghiệp
và Nghiên cứu khoa học. Đồng thời, cô có sự am hiểu trong lĩnh vực Metaverse, vì vậy cô
chính là chìa khóa để mở ra nhiều khía cạnh mới về chủ đề Gamification Learning trong
Metaverse.

Anh Nguyễn Xuân - một người làm trong lĩnh vực Công nghệ thông tin. Nhờ vào sự am
hiểu về công nghệ cũng như nắm bắt những xu hướng công nghệ của thế giới, anh đã dùng
những kiến thức và kinh nghiệm của mình để có những chia sẻ quý giá cho chủ đề
Gamification Learning trong Metaverse.

Và cuối cùng nhóm xin trân trọng gửi đến tất cả các anh chị, bạn bè và em nhỏ thân yêu
đã dành thời gian và công sức để tham gia vào cuộc khảo sát của nhóm. Bằng lòng tận tâm và
sự hợp tác, các bạn đã làm cho nghiên cứu của tôi trở nên phong phú và đáng giá hơn. Nhóm
chúng em xin gửi lời cảm ơn chân thành nhất đến mỗi người, và hy vọng rằng kết quả của cuộc
khảo sát sẽ mang lại những đóng góp ý nghĩa cho cộng đồng và xã hội

Với lòng biết ơn từ tận đáy lòng, một lần nữa nhóm chúng em xin gửi lời tri ân sâu sắc
đến tất cả những người đã đồng hành và hỗ trợ chúng tôi trong suốt quá trình thực hiện dự án
nghiên cứu khoa học này. Bằng những đóng góp quý báu và lòng tận tâm, quý vị đã giúp chúng
em vượt qua mọi khó khăn và hoàn thành dự án một cách thành công. Hy vọng rằng nghiên
cứu này sẽ đem lại những giá trị ý nghĩa và đóng góp tích cực cho cộng đồng học thuật và xã
hội. Một lần nữa, chân thành cảm ơn và hy vọng sẽ tiếp tục nhận được sự hỗ trợ và động viên
từ tất cả quý vị trong những dự án sắp tới. Xin chân thành cảm ơn!
TÓM TẮT DỰ ÁN

Hiện tại, Gamification Learning trong Metaverse là một ứng dụng khá mới mẻ trong
những năm gần đây, nó mang lại trải nghiệm học tập và giảng dạy cực kì thú vị, hiệu quả. Đây
là một thị trường cực kì tiềm năng mà các nhà đầu tư có thể dồn nguồn lực vào phát triển và
mở rộng mô hình này ở Việt Nam. Tuy nhiên, chưa nghiên cứu nào về phương pháp giáo dục
đầy tiềm năng này thế nên chúng em quyết định là nhóm đầu tiên nghiên cứu về lĩnh vực này,
trong nghiên cứu chúng em xác định các yếu tố ảnh hưởng đến lòng trung thành với thương
hiệu và sự phản kháng lại những thông tin tiêu cực từ phía khách hàng đối với thương hiệu tạo
ra ứng dụng áp dụng Gamification Learning trong Metaverse dựa trên mô hình Octalysis và lý
thuyết sự hiện diện xã hội. Các giả thuyết được thử nghiệm dựa trên phỏng vấn các chuyên gia,
những người có kinh nghiệm trong lĩnh vực Metaverse và dữ liệu khảo sát từ hơn 300 người đã
hoặc chưa từng trải nghiệm qua Gamification Learning trong Metaverse ở TP. Hồ Chí Minh.

Kết quả cho thấy 8 giả thuyết mà nhóm đề xuất đều được chấp nhận, nghĩa là 3 yếu tố
trong mô hình Octalysis, Brand Love, Brand Engagement đều có tác động gián tiếp đến lòng
trung thành với thương hiệu và sự phản kháng lại thông tin tiêu cực từ phía khách hàng
DANH MỤC TỪ VIẾT TẮT

ST Từ viết tắt Viết đầy đủ Nghĩa Tiếng Việt/Giải thích

T
1 AR Augmented Reality Thực tế ảo tăng cường
2 AVE Average Variance Extracted Thuyết đáp ứng kích thích
3 CFA Confirmatory Factor Analysis Phân tích nhân tố khẳng định
4 CR Composite reliability Độ tin cậy tổng hợp
5 EFA Exploratory Factor Analysis Phân tích nhân tố khám phá
6 HTMT Heterotrait - Monotrait Tính trạng dị tính - Tính
trạng đơn tính

7 SDT Self-determination Theory Lý thuyết về Quyền tự quyết

8 SPT Social presence theory Lý thuyết sự hiện diện xã hội

9 PBLS Points, badges, and Điểm, huy hiệu, xếp hạng

leaderboards
10 PLS-SEM Partial Least Squares - Sự kết hợp của các kỹ thuật
Structural Equation Modeling phụ thuộc và phụ thuộc lẫn
nhau
11 P-value Probability value Xác suất kết quả thu được
sau phép thử giả thuyết thống
kê
12 VIF Variance inflation factor Đa cộng tuyến
13 VR Virtual reality Thực tế ảo
14 XR Exetened Reality Thực tế mở rộng
LỜI CẢM ƠN..............................................................................................................................3

TÓM TẮT DỰ ÁN......................................................................................................................5

DANH MỤC TỪ VIẾT TẮT......................................................................................................6

DANH MỤC BẢNG BIỂU.......................................................................................................11

DANH MỤC BIỂU ĐỒ.............................................................................................................13

DANH MỤC HÌNH ẢNH.........................................................................................................14

CHƯƠNG 1. GIỚI THIỆU........................................................................................................1

1.1. Lý do chọn đề tài:........................................................................................................................................1

1.2. Mục tiêu nghiên cứu:...................................................................................................................................7

1.2.1. Mục tiêu nghiên cứu tổng quát:...........................................................................................................7

1.2.2. Mục tiêu nghiên cứu cụ thể:.................................................................................................................7

1.3. Đối tượng nghiên cứu:.................................................................................................................................7

1.4. Phạm vi nghiên cứu:....................................................................................................................................8

1.5. Phương pháp nghiên cứu:...........................................................................................................................8

1.5.1. Phương pháp nghiên cứu định tính:.....................................................................................................8

1.5.2. Phương pháp nghiên cứu định lượng:..................................................................................................9

1.6. Giới hạn của đề tài:......................................................................................................................................9

1.7. Kết cấu đề tài:............................................................................................................................................10

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU...................................10

TÓM TẮT CHƯƠNG 2........................................................................................................................................10

2.1. Khái niệm liên quan:..................................................................................................................................11

2.1.1 Giá trị hưởng thụ và giá trị thực dụng.................................................................................................11

2.1.2 Sự hài lòng của khách hàng.................................................................................................................11

2.1.3 Tình yêu thương hiệu:.........................................................................................................................11

2.2. Các lý thuyết liên quan:.............................................................................................................................12

2.2.1. Mô hình Octalysis...............................................................................................................................12

 2.2.2. Lý thuyết sự hiện diện xã hội (Social presence theory).......................................................................13

2.3. Tổng quan các nghiên cứu:........................................................................................................................14

2.3.1. Kết quả tổng quan các bài nghiên cứu................................................................................................46

2.4. Lập luận mô hình nghiên cứu....................................................................................................................47

CHƯƠNG 3. THIẾT KẾ NGHIÊN CỨU...............................................................................54

3.1. Quy trình nghiên cứu.................................................................................................................................55

3.2. Phương pháp nghiên cứu định tính...........................................................................................................57

3.2.1. Mục đích nghiên cứu định tính...........................................................................................................57

3.2.2. Thiết kế nghiên cứu định tính.............................................................................................................57

3.2.3. Thực hiện nghiên cứu định tính..........................................................................................................58

3.2.3.1. Phỏng vấn chuyên gia:................................................................................................................58

3.2.3.2. Nhận xét và góp ý đến từ hai chuyên gia:....................................................................................59

3.2.3.2.1. Mô hình nghiên cứu..............................................................................................................59

3.2.3.2.2. Bảng câu hỏi..........................................................................................................................59

3.2.3.3. Phỏng vấn nhóm khảo sát: đối tượng là sinh viên ở khu vực thành phố Hồ Chí Minh:..............68

3.2.4. Tổng kết sau phỏng vấn:.....................................................................................................................81

3.3. Phương pháp nghiên cứu định lượng........................................................................................................86

3.3.1 Thiết kế nghiên cứu định lượng...........................................................................................................86

3.3.2 Tính toán số mẫu.................................................................................................................................88

3.3.3 Kỹ thuật chọn mẫu...............................................................................................................................89

3.3.4 Phương pháp tiếp cận mẫu..................................................................................................................90

3.3.5 Bảng câu hỏi định lượng......................................................................................................................91

3.3.6. Phương pháp phân tích định lượng....................................................................................................96

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU ĐỊNH LƯỢNG....................................................97

4.1 Đặc điểm mẫu (Sample profile)..................................................................................................................97

4.2. Kỹ thuật phân tích thống kê.....................................................................................................................110

4.3. Kiểm định mô hình đo lường...................................................................................................................110

 4.3.1. Chất lượng biến quan sát..................................................................................................................110

4.3.2 Độ tin cậy thang đo (Reliability )........................................................................................................112

4.3.3. Tính hội tụ thang đo (Convergent Validity).......................................................................................113

4.3.4. Tính phân biệt thang đo (Discriminant Validity)...............................................................................114

4.3.4.1 Đánh giá phân biệt thang đo theo (Fornell & Larcker, 1981)......................................................114

4.3.4.2 Đánh giá tính phân biệt bằng hệ số tải chéo:..............................................................................115

4.3.4.3 Đánh giá tính phân biệt bằng bảng HTMT:.................................................................................117

4.3.5. Tính cộng tuyến của biến quan sát (Item Collinearity):....................................................................117

4.4. Kiểm định mô hình cấu trúc.....................................................................................................................118

4.4.1. Tính cộng tuyến của các biến độc lập (Collinearity)..........................................................................118

4.4.2. Đánh giá ý nghĩa quan hệ tác động trực tiếp....................................................................................119

4.4.3. Hệ số xác định R bình phương (R square) và Q bình phương (Q square)..........................................121

4.4.3.1. Hệ số xác định R bình phương (R square)..................................................................................121

4.4.3.2. Hệ số xác định Q bình phương (Q square).................................................................................123

4.4.4 Hệ số tác động f bình phương (Effect size)............................................................................................124

4.5. Thảo luận kết quả nghiên cứu:................................................................................................................126

4.5.1. Kết quả đo lường..............................................................................................................................126

4.5.2. Kết quả mô hình, giả thuyết..............................................................................................................126

4.6. Mô hình nghiên cứu sau kiểm định:........................................................................................................130

Tóm tắt chương..............................................................................................................................................130

CHƯƠNG 5: KẾT LUẬN VÀ ĐỀ XUẤT.............................................................................132

5.1. Kết luận:..................................................................................................................................................132

5.2. Đóng góp khoa học:.........................................................................................................134

5.3 Đề xuất................................................................................................................................135

5.4. Hạn chế và hướng nghiên cứu tiếp theo:........................................................................137

TÀI LIỆU THAM KHẢO......................................................................................................138

PHỤ LỤC 1..............................................................................................................................148

PHỤ LỤC 2..............................................................................................................................149

PHỤ LỤC 3..............................................................................................................................150

PHỤ LỤC 4..............................................................................................................................157

BẢNG ĐÁNH GIÁ MỨC ĐỘ HOÀN THÀNH NHIỆM VỤ..............................................173

DANH MỤC BẢNG BIỂU

Bảng 1: Đúc kết từ các bài nghiên cứu liên quan

Bảng 2: Bảng thang đo chưa chỉnh sửa

Bảng 3: Nội dung khảo sát chuyên gia

Bảng 4: Bảng thang đo sau chỉnh sửa

Bảng 5: Bảng tóm tắt giả thuyết

Bảng 6: Thống kê dân số Hồ Chí Minh theo độ tuổi, giới tính năm 2024

Bảng 7: Thống kê tuổi và giới tính mẫu khảo sát dự kiến

Bảng 8: Bảng câu hỏi định lượng sau nghiên cứu định tính

Bảng 9: Thống kê mô tả mẫu khảo sát

Bảng 11: Kết quả kiểm định hệ số tải ngoài của nhân tố

Bảng 10: Thống kê mô tả Tuổi và Giới tính

Bảng 11: Thống kê mô tả các biến trong mô hình

Bảng 12: Bảng thống kê mô tả biến LT3

Bảng 13: Kết quả kiểm định hệ số tải ngoài của nhân tố

Bảng 14: Kết quả kiểm định độ tin cậy thang đo

Bảng 15: Kết quả kiểm định tính phân biệt thang đo Fornell-Larcker

Bảng 16: Kết quả kiểm định tính phân biệt thang đo hệ số tải chéo

Bảng 17: Tỷ số Heterotrait - Monotrait (HTMT) các thang đo

Bảng 18: Đánh giá Đa cộng tuyến VIF

Bảng 19: Kết quả tác động và kiểm định mô hình, biến điều tiết - Path coefficients

Bảng 20: Hệ số R-Square

Bảng 21: Hệ số Q-Square

Bảng 22: Hệ số f-square

Bảng 23: Kiểm định giả thuyết

DANH MỤC BIỂU ĐỒ

Biểu đồ 1: Biểu đồ thể hiện tỷ lệ mẫu theo Giới tính

Biểu đồ 2: Biểu đồ thể hiện tỷ lệ mẫu theo độ tuổi

Biểu đồ 3: Biểu đồ thể hiện tỷ lệ mẫu theo Trình độ học vấn

Biểu đồ 4: Biểu đồ thể hiện thời gian dành cho việc học mỗi ngày

Biểu đồ 5: Biểu đồ thể hiện hình thức học tập

Biểu đồ 6: Biểu đồ thể hiện quan điểm về sự thú vị của việc học trực tuyến của người học

Biểu đồ 7: Biểu đồ thống kê số lượng người đã trải nghiệm Gamification Learning trong
Metaverse

Biểu đồ 8: Biểu đồ thống kê mức độ về sự thú vị của Gamification Learning trong Metaverse
sau khi xem qua video
DANH MỤC HÌNH ẢNH

Hình 1: Giá trị của thị trường game hóa giáo dục thế giới năm 2015 và 2020 (Statista Research
Department, 2016)

Hình 2: Giá trị của thị trường game hóa thực tế năm 2020 và dự kiến năm 2027 (BlueWeave
Consulting, n.d.)

Hình 3: Kính Apple Vision Pro (Apple, n.d.)

Hình 4: Hình ảnh các thương hiệu lấn sân vào làn sóng Metaverse áp dụng yếu tố Gamification.
(Guccio Gucci S.p.A, n.d.) (NikeLand on Roblox, n.d.)

Hình 5: Các nền tảng Metaverse (Sandbox, n.d.) (Roblox, n.d.) (Decentraland, n.d.)

Hình 6: Các công cụ học tập mang yếu tố Gamification (Kahoot!, n.d.) (Blooket, n.d.)
(Classcraft, n.d.)

Hình 7 : Quy trình nghiên cứu

Hình 8: Mô hình kiểm tra hệ số đường dẫn

CHƯƠNG 1. GIỚI THIỆU.

1.1. Lý do chọn đề tài:

Đề tài "Ứng dụng của Gamification Learning trong Metaverse giúp xây dựng giá trị
thương hiệu cho một nền tảng học tập trực tuyến" là một đề tài mới mẻ, tiềm năng và có ý
nghĩa thực tiễn cao. Đó là lý do chính khiến đây là một đề tài nên được nghiên cứu và triển
khai.

Gamification Learning và Metaverse là hai lĩnh vực đang phát triển mạnh mẽ trong thời
đại công nghệ số.

Gamification Learning được giáo viên trên khắp thế giới tin tưởng và sử dụng ngày càng
nhiều bởi đây là một trong những chiến lược giảng dạy được cho hiệu quả nhất, làm cho người
học có hứng thú, học tập trở nên hiệu quả hơn. Gamification mang lại nhiều lợi ích cho người
học: nó tăng cường sự tương tác, mang lại động lực thông qua việc theo dõi mục tiêu, cải thiện
khả năng ghi nhớ kiến thức, thúc đẩy xây dựng nhóm và đưa ra những phản hồi có giá trị. Năm
2015, giá trị của thị trường game hóa giáo dục đạt 93 triệu USD, qua tính toán người ta dự đoán
rằng thị trường game hóa giáo dục sẽ đạt 1,5 tỷ USD vào năm 2020. (Statista Research
Department, 2016) . Thực tế, trong một nghiên cứu được thực hiện bởi công ty tư vấn chiến
lược và nghiên cứu thị trường, BlueWeave Consulting , tiết lộ rằng các thị trường trò chơi hóa
giáo dục toàn cầu trị giá 697,26 triệu USD vào năm 2020 và ước tính sẽ tăng trưởng với tốc độ
CAGR là 29,00%, thu về doanh thu khoảng 4144,97 triệu USD vào cuối năm 2027.

15
 Hình 1: Giá trị của thị trường game hóa giáo dục thế giới năm 2015 và 2020 (Statista
Research Department, 2016)

Hình 2: Giá trị của thị trường game hóa thực tế năm 2020 và dự kiến năm 2027
(BlueWeave Consulting, n.d.)

Từ dữ kiện trên cho thấy rằng Gamification Learning đã và đang được nghiên cứu rộng
rãi và cho thấy kết quả tích cực, tiềm năng phát triển rất lớn trong tương lai. Nói chung, là bởi

16
hình thức học tập này linh hoạt hơn và tập trung vào từng cá nhân hơn, khiến nó trở thành một
hình thức học tập hoàn hảo cho tương lai.

Metaverse được hiểu theo nghĩa thế giới ảo hoặc vũ trụ kỹ thuật số. Khi mà công nghệ
hiện đại ngày một phát triển, trong đó bao gồm cả công nghệ thực tế ảo tăng cường (AR), cộng
thêm sự hỗ trợ từ các thiết bị như kính thực tế ảo VR/XR khiến cho người sử dụng dù đang ở
thế giới thực tế nhưng vẫn có thể nhìn thấy, cảm nhận, tương tác hay tùy chỉnh được với mọi
vật trong thế giới kỹ thuật số ấy. Xu hướng phát triển trên lĩnh vực liên quan đến thực tế ảo khi
được áp dụng vào lĩnh vực giáo dục hứa hẹn sẽ trở nên rất tiện lợi và thú vị. Nếu việc đi học
trực tiếp hay học trực tuyến đều trở nên nhàm chán vì quá khô khan thì việc được học trên một
thế giới ảo với khả năng học tập, tương tác, ứng dụng được các mô phỏng thực tiễn, và hơn hết
dù là học tập trực tuyến thôi nhưng vẫn có thể được tương tác trực tiếp lại là một điều thú vị
hơn cả. Một số nền tảng Metaverse đã rút lui như Second Life, High Fidelity, AltspaceVR,
VRChat. Lý do mà các nền tảng này phải rút khỏi thị trường mặc dù thị trường Metaverse cực
kì tiềm năng là bởi vẫn có chưa có phổ biến cũng như thiếu nội dung hấp dẫn, hơn hết chính là
hạ tầng VR/AR vẫn còn hạn chế, chị phí cao, kỹ thuật phức tạp. Bên cạnh đó vẫn có các nền
tảng Metaverse mới, có tiềm năng thành công khi biết cách tập trung vào tính phổ biến, thu hút
người dùng bằng các trải nghiệm dễ tiếp cận và đa dạng; nội dung cũng đang dạng hơn, phong
phú và hấp dẫn hơn; và hạ tầng VR/AR phát triển nhanh chóng, giúp cho việc truy cập vào
Metaverse dễ dàng hơn. Có thể kể tên đến như: The Sandbox, Decentraland, Roblox, Fornite,
Microsoft Mesh,... Gần đây nhất, đã có sự ra mắt đến từ Apple với sản phẩm là một chiếc kính
thực tế ảo mang tên Apple Vision Pro, đây là một siêu phẩm công nghệ điện toán không gian
thế hệ mới, được kết hợp hoàn hảo giữa nội dung kỹ thuật số với không gian vật lý của người
dùng. Với những thao tác điều hướng hết sức đơn giản bằng mắt, tay và giọng nói, Apple

17
Vision Pro sẽ đem tới cho người dùng những trải nghiệm sử dụng thực sự mới mẻ, đột phá mà
chưa từng thấy trước đây.

Hình 3: Kính Apple Vision Pro (Apple, n.d.)

Mặc dù một số nền tảng Metaverse đã rút lui, nhưng thị trường Metaverse vẫn đang phát
triển nhanh chóng với nhiều nền tảng mới đầy tiềm năng. Các nền tảng Metaverse mới này
đang tập trung vào tính phổ biến, nội dung đa dạng và tận dụng sự phát triển của hạ tầng
VR/AR để thu hút lượng người dùng lớn hơn.

Theo đó, việc ứng dụng Gamification Learning trong Metaverse cho nền tảng học tập
trực tuyến là một hướng đi mới mẻ và đầy tiềm năng. Không những giúp cho người học trở nên
có động lực hơn, dễ dàng tiếp thu mà còn mang đến sự thú vị, mới mẻ, có một trải nghiệm “ảo
nhưng thật” tạo nên sự hào hứng đặc biệt là đối với giới trẻ. Đề tài này có thể mang đến những
giải pháp sáng tạo cho việc nâng cao hiệu quả và trải nghiệm học tập trực tuyến.

Nói đến lĩnh vực thời trang (Fashion) yếu tố Gamification trong Metaverse đã được một
số các thương hiệu lớn phát triển và sử dụng. Trong đó có NikeLand của Nike ra mắt trên
Roblox hay Gucci đã ra mắt Gucci Garden trên Roblox, một khu vườn ảo nơi người dùng có
thể khám phá các sản phẩm của Gucci và tham gia vào các hoạt động tương tác. Gucci cũng đã
hợp tác với SuperRare để tạo ra NFT "Gucci Grail", là một bộ sưu tập các tác phẩm nghệ thuật
kỹ thuật số lấy cảm hứng từ các thiết kế của Gucci. (Guccio Gucci S.p.A, n.d.). Những hoạt
động này cho thấy Gucci đang tích cực áp dụng yếu tố Gamification Fashion trong Metaverse
để thu hút khách hàng mới, tăng cường trải nghiệm thương hiệu và tạo ra cơ hội kinh doanh
mới. Dù vậy, kể cả trong lĩnh vực Fashion yếu tố Gamification vẫn đang trong giai đoạn phát
triển ban đầu.

18
 Hình 4: Hình ảnh các thương hiệu lấn sân vào làn sóng Metaverse áp dụng yếu tố
Gamification. (Guccio Gucci S.p.A, n.d.) (NikeLand on Roblox, n.d.)

Chính vì vậy, khi nói đến lĩnh vực giáo dục yếu tố Gamification Learning và Metaverse
có thể đóng vai trò quan trọng trong việc xây dựng giá trị thương hiệu cho nền tảng học tập
trực tuyến. Việc xây dựng giá trị thương hiệu cho nền tảng học tập trực tuyến là vô cùng quan
trọng để thu hút học viên và cạnh tranh trên thị trường. Hiện nay cũng đã có nhiều tài nguyên
và công nghệ sẵn có để ứng dụng Gamification Learning trong Metaverse. Các nền tảng
Metaverse phổ biến hiện nay có Sandbox phổ biến với nhiều công cụ và tính năng hỗ trợ như
tạo avatar, xây dựng môi trường ảo, thiết kế trò chơi và tích hợp các yếu tố Gamification,
Roblox tập trung vào cộng đồng, xây dựng một trải nghiệm gamified được tạo bởi người dùng
hay Decentraland cho phép người dùng xây dựng mảnh đất ảo, mang lại các trải nghiệm hay
hoạt động. Các ứng dụng công cụ mang yếu tố Gamification như Kahoot!, Blooket, Classcraft
tạo ra các tính năng như chơi game trả lời câu hỏi, với các phần thưởng, mục đích,... kích thích
được sự tò mò, thích thú với người học. Và khi áp dụng các công cụ này cùng các nền tảng
Metaverse, các công cụ liên kết liên quan cụ thể là thực tế ảo (AR) tạo ra các mô phỏng ảo, môi
trường ảo, tạo ra các trò chơi nhập vai, mang đến trải nghiệm chơi và học, và từ đó, người dùng
có thể cùng nhau hợp tác, cạnh tranh, thúc đẩy sự phát triển học tập của bản thân.

19
 Hình 6: Các công cụ học tập mang yếu tố Gamification (Kahoot!, n.d.) (Blooket, n.d.)
(Classcraft, n.d.)

Qua việc nghiên cứu đề tài này, có thể hình dung được cách mà người học tiếp cận học
tập thông qua các công cụ, các nền tảng kỹ thuật số, nâng cao được hiệu quả học tập, thay đổi,
cải thiện về trải nghiệm học tập. Đề xuất các thương hiệu áp dụng ứng dụng yếu tố
Gamification trong Metaverse cách thu hút được người học và có được sự cạnh tranh so với các
nền tảng học tập trực tuyến khác. Người học được trải nghiệm học tập thú vị, hấp dẫn và hiệu
quả hơn. Ngành giáo dục Việt Nam nếu được đổi mới phương pháp giảng dạy và học tập thì sẽ
nâng cao được chất lượng giáo dục hơn nữa.

20
1.2. Mục tiêu nghiên cứu:

1.2.1. Mục tiêu nghiên cứu tổng quát:

Tìm hiểu về việc ứng dụng của Gamification Learning trong Metaverse giúp xây dựng
giá trị thương hiệu cho một nền tảng học tập trực tuyến, động lực học tập của người học tiềm
ẩn bên trong và suy nghĩ của người học về thương hiệu “Viewsonic” - một thương hiệu đang áp
dụng Gamification Learning trong Metaverse.

1.2.2. Mục tiêu nghiên cứu cụ thể:

- Khám phá sự phù hợp của 3 nhóm động lực (Ảnh hưởng xã hội và sự liên quan; Sự tò
mò và khó đoán; Phát triển và thành tựu) thúc đẩy người học trải nghiệm gamification
trong thế giới Metaverse. Bên cạnh đó nghiên cứu các khái niệm về Gamification
learning, Brand love, Brand engagement, Lòng trung thành với thương hiệu, Sự phản
kháng lại những thông tin tiêu cực từ phía khách hàng trong Metaverse.
- Đánh giá các động lực thúc đẩy người tiêu dùng trải nghiệm Gamification trong
Metaverse, từ đó đo lường được sự tác động đến 2 yếu tố: mức độ yêu thích thương hiệu
của khách hàng, và hoạt động thu hút khách hàng.
- Phân loại được người tiêu dùng theo từng nhóm đặc thù dựa trên mô hình Bartle: nhóm
người chơi Achievers (Thành tựu gia), người chơi Explorers (nhà thám hiểm), người
chơi Socializers (người xã hội), người chơi Killers (người chơi ác độc).
- Đưa ra các kiến nghị và hàm ý quản trị giúp các nhà hoạch định chính sách thúc đẩy
người học tham gia hoạt động gamification từ đó xây dựng được tình yêu thương hiệu
bền vững qua Metaverse.

1.3. Đối tượng nghiên cứu:

- Tính hiệu quả của Gamification Learning trong Metaverse.

- Các nhóm động lực thúc đẩy người học trải nghiệm Gamification Learning - Ảnh hưởng
xã hội và sự liên quan; Sự tò mò và khó đoán; Phát triển và thành tựu.
- Các yếu tố liên quan đến thương hiệu: Brand love, Brand engagement, Lòng trung thành
với thương hiệu và Sự phản kháng đối với các thông tin tiêu cực từ thương hiệu.

21
1.4. Phạm vi nghiên cứu:

- Phạm vi không gian: Tại thành phố Hồ Chí Minh

- Phạm vi thời gian: Đề tài được thực hiện từ 04/01/2024 đến 04/3/2024.
- Khách thể nghiên cứu: Bài nghiên cứu khảo sát đối tượng người học có hứng thú với
việc trải nghiệm Gamification Learning trong độ tuổi từ 10 đến 24 tuổi. Theo Báo cáo
Tóm tắt Giáo dục Việt Nam năm 2022 của UNICEF, độ tuổi này có nhu cầu học tập cao
nhất, có khả năng thích ứng nhanh nhất với những công nghệ mới và có khả năng tiếp
thu kiến thức nhanh nhất (Tổng cục Thống kê Việt Nam, 2022). Tuy nhiên, nghiên cứu
chỉ tập trung tại địa bàn hiện đang sống và làm việc trong địa bàn khu vực thành phố Hồ
Chí Minh. Lý do bởi thành phố Hồ Chí Minh là nơi có mật độ dân số cao nhất cả nước
và cũng là nơi thích ứng nhanh nhất với công nghệ mới hiện nay. Vì vậy, kết quả nghiên
cứu tại thành phố Hồ Chí Minh đã phần nào mang tính đại diện cao đối với vấn đề
nghiên cứu.

1.5. Phương pháp nghiên cứu:

Nghiên cứu được thực hiện qua phương pháp nghiên cứu định tính với mục đích phát
triển mô hình và giả thuyết nghiên cứu; phương pháp nghiên cứu định lượng nhằm kiểm định
giả thuyết và mô hình nghiên cứu.

1.5.1. Phương pháp nghiên cứu định tính:

Phương pháp nghiên cứu định tính được triển khai theo quy trình:

(1) Tìm hiểu tài liệu có sẵn bao gồm các bài báo, các bài nghiên cứu của người đi trước về
các thông tin liên quan đến đề tài nghiên cứu Gamification Learning, Metaverse, các
nhân tố liên quan về thương hiệu,... xác định mục tiêu nghiên cứu, đưa ra các khái niệm
và lập luận mô hình nghiên cứu.
(2) Thảo luận nhóm, xác định mối quan hệ giữa các biến hình thành mô hình và hình thành
thang đo - bộ câu hỏi đầu tiên.
(3) Tiến hành phỏng vấn một chuyên gia trong lĩnh vực công nghệ thông tin trong thực tiễn
và một chuyên gia trong lĩnh vực học thuật để kiểm tra tính dễ hiểu, phù hợp của thang
đo. Đồng thời thực hiện phỏng vấn một nhóm người học mang tính đại biểu cho đối

22
 tượng khảo sát 10 đến 24 tuổi về sự đánh giá của họ với các nhân tố trong mô hình, các
nhân tố động lực thúc đẩy học tập, yếu tố liên quan đến thương hiệu sau khi xem qua
video về thương hiệu có sử dụng yếu tố Gamification Learning trong Metaverse. Các
buổi phỏng vấn và thảo luận được thực hiện trực tuyến trên nền tảng Google Meet.
(4) Ghi nhận những phê bình, đánh giá, điều chỉnh thang đo phù hợp. Kiểm tra tính xác
thực, logic của bộ câu hỏi. Bảng câu hỏi hoàn thiện cuối cùng là cơ sở thiết yếu để lập
bảng khảo sát chuẩn cho phương thức nghiên cứu định lượng chính thức.

1.5.2. Phương pháp nghiên cứu định lượng:

Bộ câu hỏi cuối cùng sau khi được xem xét, góp ý và điều chỉnh qua các chuyên gia sẽ
được sử dụng dùng để thu thập thông tin của đáp viên bằng cách khảo sát trực tuyến thông qua
Google Form được rải ở các nhóm trên các nền tảng mạng xã hội. Song song là khảo sát trực
tiếp đáp viên tại các trung tâm thương mại, công viên, nơi tập trung đông người có nhiều đối
tượng phù hợp với bài nghiên cứu.

Bài khảo sát được sử dụng thông qua Google Form gồm ba phần: (1) Phần câu hỏi sàng
lọc, (2) Câu hỏi khảo sát chính của bài nghiên cứu, (3) Phần câu hỏi thông tin cá nhân. Câu hỏi
chính sử dụng thang đo Likert 5, với 1 là “Rất không đồng ý” đến 5 là “Rất đồng ý”.

Sau khi đã thu thập được đủ số mẫu, tiến hành kiểm tra các giả thuyết nghiên cứu được
đề ra thông qua dữ liệu tổng hợp từ hai hình thức trực tuyến và trực tiếp. Nghiên cứu áp dụng
phương pháp PLS-SEM và dùng phần mềm SmartPLS 4.0 để phân tích dữ liệu qua hai bước
chính: (1) Phân tích mô hình đo lường và (2) Phân tích mô hình cấu trúc.

1.6. Giới hạn của đề tài:

Trong bài nghiên cứu này, đối tượng nghiên cứu bao gồm những người học từ độ tuổi 10
đến 24 tuổi đang sinh sống và làm việc tại TP. Hồ Chí Minh. Mẫu đối tượng nghiên cứu lựa
chọn theo phương pháp phi xác suất. Nhóm sử dụng phương pháp chọn mẫu định mức sau đó
sử dụng phương pháp lấy mẫu thuận tiện và lấy mẫu phán đoán nhằm tiến hành điều tra, lựa
chọn người phù hợp hoàn thành khảo sát; đồng thời sử dụng phương pháp chọn mẫu tích lũy
nhanh nhằm hỗ trợ cho việc khảo sát một nhóm tuổi chung phù hợp. Có thể nói rằng, kết quả

23
nghiên cứu chỉ có thể được áp dụng ở một mức độ nhất định, bởi tùy vào khu vực, vùng miền
khác nhau mà đối tượng người học có thể có mức thu nhập, cũng như hành vi khác nhau.

1.7. Kết cấu đề tài:

Đề tài có cấu trúc gồm có 5 chương. Nội dung chính của từng chương như sau:

CHƯƠNG 1: GIỚI THIỆU

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

CHƯƠNG 3: THIẾT KẾ NGHIÊN CỨU

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU ĐỊNH LƯỢNG

CHƯƠNG 5: KẾT LUẬN VÀ ĐỀ XUẤT

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

TÓM TẮT CHƯƠNG 2

Cơ sở lý thuyết và mô hình nghiên cứu của đề tài "Gamification learning trong

metaverse liệu có làm tăng sức hút thương hiệu và thu hút khách hàng" tập trung vào khám phá
tương quan giữa việc sử dụng gamification trong môi trường metaverse và tăng cường sức hút
thương hiệu đối với khách hàng.

Trong cơ sở lý thuyết, nghiên cứu đã xem xét các khái niệm chính về giá trị hưởng thụ,
giá trị thực dụng, sự hài lòng của khách hàng, tình yêu thương hiệu. Mô hình nghiên cứu được
xây dựng dựa trên các yếu tố chính như 3 yếu tố trong Mô hình Octalysis, Brand Love (tình
yêu thương hiệu), Brand Engagement (gắn kết thương hiệu), Lòng trung thành với thương hiệu
cũng như Sự phản kháng lại thông tin tiêu cực từ phía khách hàng. Nghiên cứu dự kiến phân
tích mối quan hệ giữa việc sử dụng gamification trong metaverse, tương tác của người dùng và
cách thương hiệu trở nên hấp dẫn hơn, ảnh hưởng đến sự trung thành của khách hàng.
Mô hình nghiên cứu mà nhóm xây dựng dựa trên lý thuyết chính là: Mô hình Octalysis của Yu-
kai Chou. Những khái niệm liên quan được sử dụng trong bài bao gồm: giá trị hưởng thụ, giá
trị thực dụng, sự hài lòng của khách hàng, tình yêu thương hiệu.

24
Chương 2 cơ sở lý thuyết và mô hình này sẽ cung cấp cơ sở kiến thức cho việc đánh giá mức
độ ảnh hưởng của gamification trong metaverse đối với sức hút thương hiệu, có thể giúp doanh
nghiệp hiểu rõ hơn về cách tận dụng công nghệ mới để tạo ra trải nghiệm khách hàng tích cực
và tăng cường giá trị thương hiệu.

2.1. Khái niệm liên quan:

2.1.1 Giá trị hưởng thụ và giá trị thực dụng

(Barry J. Babin, 1994) chỉ ra rằng giá trị cảm nhận của người tiêu dùng được hiểu là
những gì người tiêu dùng nhận được từ những gì họ bỏ ra. (Howard E. Butz Jr., 1996) định
nghĩa giá trị cảm nhận của người tiêu dùng là sự gắn kết cảm xúc giữa trải nghiệm của người
tiêu dùng và nhà sản xuất sau khi sử dụng sản phẩm hoặc dịch vụ nổi bật do nhà cung cấp đó
cung cấp. (Weon-Sang Yoo, 2010) đã đề cập rằng cách tiếp cận kinh tế hoặc vị lợi là không đủ
để nhận ra bức tranh nguyên vẹn về giá trị tiêu dùng. (Holbrook, 1982)

2.1.2 Sự hài lòng của khách hàng

Được coi là giao dịch cụ thể trái ngược với tình yêu thương hiệu, được liên kết với mối
quan hệ lâu dài hơn với thương hiệu (Drennan et al., 2015) (Ahuvia B. A., 2006) đã viết rằng
tình yêu thương hiệu được phát triển thông qua mức độ hài lòng cao hơn. Mức độ hài lòng tạo
cơ sở cho việc hình thành tình yêu thương hiệu (Unal et al., 2013). Tình yêu thương hiệu có thể
đóng vai trò là động lực thúc đẩy người tiêu dùng phát triển và duy trì mối quan hệ chặt chẽ với
các công ty (Reimann et al., 2012). Các nhà tiếp thị coi tình yêu như một cấu trúc mô tả sự gắn
bó tình cảm mạnh mẽ của người tiêu dùng với những đối tượng yêu thích, cho dù đó là thương
hiệu, sản phẩm hay dịch vụ (Ahuvia A. C., 2005).

2.1.3 Tình yêu thương hiệu:

Việc khái niệm hóa tình yêu thương hiệu được thảo luận ở trên cho phép xây dựng hành
trình của người tiêu dùng với những điểm tiếp xúc có ý nghĩa. Bản thân phép ẩn dụ “hành trình
của người tiêu dùng” có nghĩa là chuỗi các sự kiện mà người tiêu dùng trải qua để tìm hiểu,
mua hàng và tương tác với các công ty cung cấp hàng hóa, dịch vụ hoặc trải nghiệm (Norton,
2013). Nó là một khuôn khổ được sử dụng rộng rãi (Forrester Research) trong thực tiễn thiết kế

25
dịch vụ và quản lý tiếp thị. Mặc dù tầm quan trọng của phương pháp này trong quản lý thương
hiệu nhưng có ít sự hỗ trợ về mặt lý thuyết trong tài liệu tiếp thị liên quan đến khái niệm hành
trình của người tiêu dùng và hậu quả hành vi của nó.

2.2. Các lý thuyết liên quan:

2.2.1. Mô hình Octalysis

Yu-kai Chou, một trong những những người tiên phong về gamification đã cố gắng tìm hiểu
việc triển khai gamification có thể cải thiện cuộc sống như thế nào trong nhiều khía cạnh. Ông
nhận thấy rằng hầu hết những thành công của các trò chơi thể hiện động lực cốt lõi bên trong
con người thúc đẩy họ đưa ra quyết định và thực hiện hoạt động (Chou, Actionable
Gamification: Beyond Points,Badges, and Leaderboards., 2014) . Khung cốt lõi đó được gọi là
khung bát phân. Octalysis xuất phát từ hình bát giác của khung được tạo bởi Yu-kai Chou và đã
viết trong cuốn sách “Actionable Trò chơi hóa”. Nó đại diện cho tám Ổ đĩa lõi chính bên trong
con người thúc đẩy động lực hành động của họ hành vi mong muốn (Chou, Actionable
Gamification: Beyond Points,Badges, and Leaderboards., 2014); (Cruz, 2018). Tám yếu tố cốt
lõi đó là:
 Mục đích & Nghĩa vụ
 Phát triển & Thành tựu
 Khuyến khích sáng tạo & Đưa ra phản hồi
 Chủ quyền & Sở hữu
 Ảnh hưởng xã hội & Mối tương quan
 Độ khan hiếm & Thiếu kiên nhẫn
 Tính khó đoán & Cảm giác tò mò
 Sự mất mát & Né tránh
Nhóm đã quyết định sử dụng ¾ nhóm động lực ấy xây dựng nên một phần mô hình, bao gồm
các động lực sau:
+ Phát triển & Thành tựu: Điểm, Huy hiệu và Bảng xếp hạng (PBL) các hoạt động chủ yếu này
chính là ứng dụng của động lực Phát triển và thành tựu. Nó kích hoạt động lực nội tại của con
người là luôn luôn tạo ra phát triển dẫn tới cam kết đạt được nhiều kỹ năng hơn để hoàn thành
mục tiêu (Cruz, 2018). Thách thức là điểm chính ở đây. Không có thử thách, bất kỳ phần
26
thưởng nào cũng được ai đó nhận được sẽ vô nghĩa (Chou, Actionable Gamification: Beyond
Points,Badges, and Leaderboards., 2014)
+ Tính khó đoán & Cảm giác tò mò: Nhiều người muốn đọc tiểu thuyết hoặc xem phim vì họ tò
mò xem điều gì sẽ xảy ra chuyện xảy ra tiếp theo. Đây là ví dụ của tính không thể đoán trước
và sự tò mò cốt lõi bên trong nhân loại. Bên cạnh đó, nó có thể bắt đầu bằng một cách đơn giản
như đưa ra một nhiệm vụ đơn giản lúc đầu, sau đó ở nhiệm vụ tiếp theo phiên nó trở nên khó
khăn hơn (Knudson P. , 2017) Nó làm cho mọi người có thể bị kích động bởi vì họ cảm thấy bị
thử thách và tò mò về các hoạt động tiếp theo.
+ Ảnh hưởng xã hội & Mối tương quan: Con người được thúc đẩy bởi môi trường xã hội của
họ: hành xử, suy nghĩ và được giúp đỡ qua sự hướng dẫn, tình bạn, và thậm chí được kích hoạt
bởi sự cạnh tranh (Cruz, 2018); (Salonen, 2017). Đây là động lực mạnh nhất để học sinh tham
gia vào học tập và kết nối với người khác (Cruz, 2018).

2.2.2. Lý thuyết sự hiện diện xã hội (Social presence theory)

Lý thuyết về sự hiện diện xã hội (Social presence theory) được đưa ra bởi (Short et al., 1976),
thảo luận về cách mọi người phát triển sự tương tác với nhau ở những địa điểm xã hội. Trong
cùng một dòng, (Hollebeek et al., 2020), giải thích cách người dùng đang phát triển giao tiếp
trên các nền tảng ảo. Đặc biệt là khi nhận thấy mô hình trao đổi xã hội trong Metaverse, nơi đại
diện của người dùng được thực hiện bởi AVATAR của họ và AVATAR kết nối với thương
hiệu trong một môi trường nhập vai (Biocca, 2002) Trải nghiệm thương hiệu do XR gây ra
trong Metaverse giúp người dùng tham gia vào nền tảng ảo, bắt nguồn từ lý thuyết về sự hiện
diện xã hội cho thấy trải nghiệm của người dùng với thương hiệu trong môi trường Metaverse
giúp thương hiệu tăng cường sự tham gia hấp dẫn và cảm giác với người dùng ( (Bousba,
2022); (Shin, 2022); (Yoo et al., 2023). Tăng cường tính tương tác & sự hấp dẫn của XR mang
đến cho người mua sắm một cách mới để mua hàng trước khi thực sự mua một sản phẩm từ
thương hiệu, một loại trải nghiệm trước khi mua (Hollensen et al., 2022); (Mogaji et al., 2023),
làm tăng hạnh phúc và sự hài lòng của người tiêu dùng lên cấp độ tiếp theo (Dwivedi et al.,
2023). (Hollebeek et al., 2020) đã thảo luận về lý thuyết về sự hiện diện xã hội trong khi nói
rằng mối liên kết thương hiệu trở nên đầy màu sắc hơn khi người dùng kết nối với thương hiệu
trên các nền tảng ảo khác nhau và phát triển giá trị thương hiệu. Giá trị nhận thức của người

27
dùng tăng lên khi họ kết nối với thương hiệu trong một Metaverse hấp dẫn kết hợp với công
nghệ XR XR (Behl et al., 2023); (Buhalis et al., 2022); (Rauschnabel et al., 2019).

2.3. Tổng quan các nghiên cứu:

STT Tên chủ đề Tên tác giả - Lý thuyết Tóm tắt kết quả Phát hiện
Năm xuất bản chính
1 How (Chia-Lin Hsu, Giá trị hưởng Kết quả của bài nghiên Nghiên cứu
gamification 2018) thụ và giá trị cứu xác nhận rằng sự này đề xuất
marketing thực dụng, Sự hài lòng có tác động một chiến
activities
hài lòng và đáng kể và tác động tích lược nhằm
motivate
yêu thích cực đến brand's love và nâng cao sự
desirable
thương hiệu, từ đó đến các hành vi yêu thích
consumer
Hành vi tiêu mong muốn của người thương hiệu
behaviors:
dùng mong tiêu dùng (tức là lòng bằng cách
Focusing on
the role of
muốn trung thành với thương xác định các

brand love hiệu, lời truyền miệng yếu tố cụ thể

tích cực và khả năng liên quan
chống lại thông tin tiêu đến giá trị
cực). Những phát hiện cảm nhận.
của nghiên cứu này có Những phát
thể cho phép các công hiện này sẽ
ty bán lẻ trực tuyến để cho phép các
dự đoán hành vi trong thương hiệu
tương lai của khách dự đoán
hàng một cách chính hành vi
xác hơn và hướng dẫn mong muốn
họ quản lý tài sản và của khách
hoạt động tiếp thị hàng và
gamification. quản lý
thương hiệu

28
 cũng như
các hoạt
động trò
chơi điện tử
của họ.
Nghiên cứu
này đóng
góp về mặt
lý thuyết và
thực nghiệm
cho tài liệu
bán lẻ bằng
cách mở
rộng kiến
thức về ứng
dụng các kỹ
thuật trực
tuyến mới
quan trọng
này (tức là
GMA).

2 The influence Hashed Ahmad Lý thuyết Các nghiên cứu trong Nghiên cứu
of brand image Mabkhot, hiện diện xã tương lai được khuyến này xem xét
and brand Hasnizam hội (SPT) khích phát triển các đề các tác động
personality on
Shaari, Salniza xuất này hơn nữa bằng tiếp thị của
brand loyalty
Md. Salleh cách sử dụng một số việc áp dụng
2022 phương pháp tiếp cận rộng rãi giả
(Yogesh K. phương pháp thay thế thuyết về
Dwivedi, 2023) bao gồm dân tộc học kỹ metaverse,

29
 thuật số, thử nghiệm, xác định các
nghiên cứu trường hợp hướng
và các phương pháp nghiên cứu
tiếp cận phương pháp mới và đề
hỗn hợp để nắm bắt và xuất một
phân tích vô số yếu tố khuôn khổ
có thể giúp làm rõ siêu mới mang lại
dữ liệu có thể mang lại những đóng
lợi ích như thế nào cho góp có giá trị
kỹ thuật số. tiếp thị và cho giới học
quảng cáo, tạo ra giá trị thuật, thực
và phúc lợi của người tiễn và các
tiêu dùng, xây dựng nhà hoạch
thương hiệu và dịch vụ. định chính
sách.
3 Gamification Vikas Arya, Lý thuyết Với thế giới Metaverse, Những phát
trong Rachita hiện diện xã thương mại điện tử hiện quan
metaverse Sambyal, hội (SPT) (thương mại Metaverse trọng của
kích thích trải
Anshuman nhập vai) sẽ sớm trở nghiên cứu
nghiệm và ý
Sharma, thành một điều bình hiện tại cung
định mua hàng
Yogesh K thường mới, nơi hàng cấp những
của người tiêu
Dwivedi ( 2023 hóa vật chất và ảo sẽ đóng góp
dùng, đồng
) được bán trong thế giới thực tế sau
thời xây dựng
giá trị thương
ảo. Bối cảnh kỹ thuật số đây. Đầu
(Vikas Arya,
hiệu dựa trên 2023) này trong Metaverse sẽ tiên, các phát
người tiêu khơi dậy sự tò mò trí hiện cho
dùng trong thế tuệ ở cả thương hiệu và thấy trải
giới ảo người tiêu dùng. Trải nghiệm về
nghiệm ảo độc đáo này các hoạt
sẽ là bước lặp tiếp theo động tiếp thị
30
 về cách người tiêu dùng gamification
kết nối, giao tiếp và trong
giao dịch với các Metaverse
thương hiệu trong thế ảnh hưởng
giới ảo. đáng kể đến
giá trị
thương hiệu
dựa trên
người tiêu
dùng. Thứ
hai, sự tương
tác với
thương hiệu
ảo và tình
yêu thương
hiệu của
người tiêu
dùng đóng
vai trò là
trung gian
tích cực và
miễn phí
giữa trải
nghiệm về
các hoạt
động tiếp thị
gamification
trong
Metaverse
và giá trị
31
 thương hiệu
dựa trên
người tiêu
dùng.
4 The dark side Carlos Các lý thuyết Nghiên cứu này làm
Nghiên cứu
of the Flavian , về sự chú ý có sáng tỏ những tác động
metaverse: The
này làm sáng
Sergio Ibanez- chọn lọc tiêu cực mà metaverse
role of tỏ những tác
Sanchez, (Treisman, có thể gây ra đối với
gamification in động tiêu
Carlos Orús, 1964) và ảnh trải nghiệm của người
event cực mà
Sergio Barta hưởng như dùng về một sự kiện
virtualization metaverse có
2023 thông tin văn hóa ảo. Nhiều yếu
thể gây ra
(Carlos Flavián, (Schwarz, tố được tích hợp vào
đối với trải
2024) 2012) các thế giới ảo này có
nghiệm của
thể khiến người dùng
người dùng
mất tập trung vào các
về một sự
yếu tố chính khiến họ
kiện văn hóa
'sống' trong trải nghiệm.
ảo. Nhiều
Sự thiếu tập trung chú ý
yếu tố được
này tạo ra các trạng thái
tích hợp vào
cảm xúc tiêu cực có thể
các thế giới
làm suy giảm khả năng
ảo này có thể
của người dùng trong
khiến người
việc hình dung sự kiện
dùng mất tập
văn hóa và làm suy yếu
trung vào
niềm tin của họ vào tính
các yếu tố
xác thực của nó. Các
chính khiến
yếu tố gamification có
họ 'sống'
thể giảm thiểu những
trong trải
ảnh hưởng tiêu cực này.
nghiệm. Sự
Các hoạt động
32
 gamification mang lại
thiếu tập
cho người dùng một
trung chú ý
mục đích và khiến họ
này tạo ra
cảm thấy bớt lạc lõng
các trạng
hơn trong metaverse,
thái cảm xúc
điều này giúp cải thiện
tiêu cực có
trải nghiệm của họ.
thể làm suy
Tầm quan trọng của các
giảm khả
trạng thái tình cảm
năng của
được chứng minh bằng
người dùng
tác động trực tiếp của
trong việc
chúng đối với khả năng
hình dung sự
tưởng tượng dễ dàng và
kiện văn hóa
tính xác thực được nhận
và làm suy
thức; những hiệu ứng
yếu niềm tin
này có thể biến người
của họ vào
dùng metaverse thành
tính xác thực
khách truy cập vào các
của nó. Các
sự kiện thực tế.
yếu tố
gamification
có thể giảm
thiểu những
ảnh hưởng
tiêu cực này.
Các hoạt
động
gamification
mang lại cho
người dùng

33
 một mục
đích và
khiến họ
cảm thấy bớt
lạc lõng hơn
trong
metaverse,
điều này
giúp cải
thiện trải
nghiệm của
họ.

5 Exploring the Xiaolin Dựa trên lý Công nghệ thực tế ảo, Nghiên cứu
impact of ZHANGe , thuyết thực tế thực tế tăng cường và này lấy sự
gamification in Yechen ảo, tổng hợp các công nghệ khác đã trình bày và
immersive
WANG, Xishi và alities, thay đổi cách chúng ta vai trò của
virtual
ZHANG, Yufei được tích hợp trải nghiệm nghệ thuật. gamification
exhibitions:
WANG, Ze liền mạch vào Bảo tàng ảo và triển trong các
from user
GAO 2024 một không lãm ảo hấp dẫn đã trở triển lãm ảo
experience
(Xiaolin Zhang, gian khám nên phổ biến, mang lại nhập vai làm
perspective -
2024) phá 3D, cung trải nghiệm tương tác đối tượng
Khám phá tác
động của việc cấp một trải và hấp dẫn hơn. Nghiên nghiên cứu
chơi game nghiệm ảo cứu này tập trung vào chính, khám
trong các triển trực quan tác động của sự tích phá các khái
lãm ảo hấp hơn. hợp trò chơi, thực tế ảo niệm đổi
dẫn: từ quan và các công nghệ khác mới, lặp lại
điểm của trải trên trải nghiệm người và chuyển
nghiệm người dùng. Nghiên cứu sử đổi của các
34
dùng dụng các phương pháp bảo tàng và
nghiên cứu định lượng, triển lãm
khảo sát, nghiên cứu truyền thống
thực địa và nghiên cứu dưới tác
trường hợp để rút ra các động của
gợi ý để cải thiện. công nghệ
Nghiên cứu này có thể mới. Bài viết
giúp thúc đẩy sự phát này nhằm
triển của các triển lãm mục đích
ảo hấp dẫn và nâng cao cung cấp
hơn nữa sự hài lòng của một phân
người dùng. tích chuyên
sâu về tác
động của
việc tích hợp
gamification,
thực tế ảo và
các công
nghệ khác
vào các triển
lãm ảo nhập
vai thông
qua góc độ
trải nghiệm
của người
dùng, tóm tắt
cảm giác trải
nghiệm của
người dùng
và rút ra dữ
35
 liệu. và đề
xuất cải tiến
thông qua
phân tích
định lượng,
khảo sát
bằng bảng
câu hỏi,
nghiên cứu
thực địa,
nghiên cứu
trường hợp
và các
phương pháp
nghiên cứu
khác. Hầu
hết các
nghiên cứu
trước đây
đều được
thực hiện
trên công
nghệ hoặc sự
tương tác.
6 Ảnh hưởng của Jiyeon Moon, Gamification Nghiên cứu này được Nghiên cứu
trải nghiệm Sang-Lin Han - Thuyết trò lấy cảm hứng từ tiếp thị này được lấy
thương hiệu 2023 chơi hóa trải nghiệm của các cảm hứng từ
được trò chơi (Jiyeon Moon, Theory of thương hiệu chủ yếu tiếp thị trải
hóa khi sử 2023) consumer được áp dụng dựa trên nghiệm của
dụng
bahavior - thực tế trong tình huống các thương
36
Metaverse đối Thuyết hành metaverse đang trở hiệu chủ yếu
với ý định mua vi người tiêu thành một kênh tiếp thị được áp
hàng và thái độ dùng mới, đồng thời nghiên dụng dựa
thương hiệu
cứu trải nghiệm thương trên thực tế
của người
hiệu sử dụng metaverse trong tình
dùng: Hiệu quả
dựa trên nghiên cứu huống
kiểm duyệt của
trước đó về trải nghiệm metaverse
tương tác giữa
thương hiệu trong đang trở
người dùng với
người dùng
online và offline. Đặc thành một
biệt, tập trung vào kênh tiếp thị
gamification, dễ áp mới, đồng
dụng cho nhiều lĩnh vực thời nghiên
khác nhau và đã chứng cứu trải
minh được tính hiệu nghiệm
quả của nó, đó là trải thương hiệu
nghiệm thương hiệu sử dụng
được trò chơi hóa, tác metaverse
động của trải nghiệm dựa trên
thương hiệu được trò nghiên cứu
chơi hóa mà người trước đó về
dùng cảm nhận được trải nghiệm
trong metaverse đã thương hiệu
được tiết lộ. trong online
và offline.
Đặc biệt, tập
trung vào
gamification,
dễ áp dụng
cho nhiều
lĩnh vực
37
 khác nhau và
đã chứng
minh được
tính hiệu quả
của nó, đó là
trải nghiệm
thương hiệu
được trò
chơi hóa, tác
động của trải
nghiệm
thương hiệu
được trò
chơi hóa mà
người dùng
cảm nhận
được trong
metaverse đã
được tiết lộ.
7 Exploring gen Carolina Lý thuyết tự Kết quả nghiên cứu cho Những phát
z’s motivation Medina 2023 quyết thấy những người tiêu hiện của
toward branded (Medina, 2023) dùng đã mua các mặt nghiên cứu
fashion
hàng có thương hiệu đã chứng
products in
thời trang có sự hiện minh rằng
gaming
diện xã hội như một những người
metaverse
động lực có ảnh hưởng tiêu dùng đã
tích cực đến thái độ, mua hàng
dẫn đến ý định mua liên quan
hàng. Những phát hiện đến các mặt
khác của nghiên cứu hàng thời
38
 cho thấy những người trang có
tiêu dùng chưa mua thương hiệu
hàng có những động lực thời trang có
sau: cảm xúc, nhận sự hiện diện
thức, hoang tưởng, sự trên mạng xã
hiện diện xã hội, và nhu hội như một
cầu tự chủ thái độ có động lực ảnh
ảnh hưởng tích cực, dẫn hưởng tích
đến ý định mua hàng cực đến thái
độ, dẫn đến
ý định mua
hàng. Những
phát hiện
khác của
nghiên cứu
đã chứng
minh rằng
người tiêu
dùng chưa
mua hàng có
những động
cơ sau; cảm
xúc, nhận
thức, khoái
lạc, hiện
diện xã hội
và nhu cầu
tự chủ ảnh
hưởng tích
cực đến thái
39
 độ, dẫn đến
ý định mua
hàng.

8 Metaverse Surasak Lý thuyết học Bài nghiên cứu trên đã Kết quả cho
virtual learning Srisawat1 & tập tích cực sử dụng mô hình thấy mô hình
management Pallop MVLM-Gt có bốn MVLM-Gt
based on
Piriyasurawong thành phần chính: đầu này có thể
gamification
2022 tiên là đầu vào, thứ hai được áp
techniques
(Surasak là quản lý học tập trong dụng để
model to
Srisawat, 2022) thế giới ảo dựa trên kỹ nâng cao trải
enhance total
thuật gamification, thứ nghiệm tổng
experience
ba là đánh giá và thứ tư thể của sinh
là phản hồi. Học tập viên.
trong thế giới ảo dựa
trên kỹ thuật
gamification có năm
bước: động lực và đặt
mục tiêu, xây dựng nội
dung, thảo luận và
tương tác, thực hành và
nhiệm vụ, và tổng kết
và phản hồi. Cuối cùng,
kết quả cho thấy mô
hình MVLM-Gt có thể
được sử dụng để nâng
cao trải nghiệm tổng
cộng của sinh viên. Các
chuyên gia đánh giá
tính phù hợp của quá
40
 trình học tập ảo là xuất
sắc.
9 Enhancing CL Hsu - Lý thuyết mở Những phát hiện hiện
Nghiên cứu
brand love, Decision rộng và xây tại đã xác nhận rằng sự
customer
này chỉ ra
Support dựng (the gắn kết của khách hàng
engagement, rằng (i) nhận
Systems, 2023 broaden-and- được tăng cường thông
brand diện thương
– Elsevier build) qua tình yêu thương
experience, hiệu và khả
(Hsu, 2023) hiệu và trò chơi giúp cải
and repurchase năng tự thể
thiện trải nghiệm
intention: hiện làm
thương hiệu và ý định
Focusing on tăng sự yêu
the role of
mua lại.
thích thương
gamification in
hiệu, (ii) sự
mobile apps
gắn kết của
khách hàng
với ứng
dụng di động
được thúc
đẩy bởi tình
yêu thương
hiệu và trò
chơi, và (iii)
trải nghiệm
thương hiệu
và ý định
mua lại bị
ảnh hưởng
bởi sự tương
tác của
khách hàng

41
 với ứng
dụng di động
và trò chơi
hóa. Ngoài
ra, kết quả
còn khẳng
định vai trò
trung gian
của sự tương
tác với
khách hàng
và vai trò
điều tiết của
gamification.

10 Immersive Jaruwan Sử dụng trải Bằng cách sử dụng nền Bài nghiên
digital Karapakdee, nghiệm học tảng đã phát triển với cứu về trải
storytelling Panita kể chuyện kỹ một nhóm mẫu để nghiệm học
learning
Wannapiroon thuật số nghiên cứu tác động tập kể
experience
( 2023 ) phong phú của việc sử dụng kể chuyện kỹ
with a
(Jaruwan với nền tảng chuyện kỹ thuật số sống thuật số sống
metaverse
Karapakdee, trò chơi trò động học hỏi kinh động với nền
gamification
2021) chơi nghiệm với tảng trò chơi
game platform
to enhance
metaverse và Gamification trong gamification

game các kỹ năng Metaverse, người ta metaverse để

developer phát triển trò nhận thấy rằng những nâng cao
competency chơi được thể sinh viên đã học sử năng lực của
hiện ở mức dụng nền tảng này để nhà phát
cao nhất. nâng cao năng lực phát triển trò
42
 triển ở mức cao nhất chơi. Các
theo giả thuyết nghiên mục tiêu là;
cứu thiết lập. 1) để phát
triển trải
nghiệm học
kể chuyện
kỹ thuật số
phong phú
bằng cách sử
dụng trò
chơi
metaverse;
2) để đánh
giá kiến trúc
quản lý trò
chơi, trải
nghiệm học
tập kể
chuyện kỹ
thuật số
phong phú
với trò chơi
metaverse;
3) để đánh
giá mô hình
tạo ra trải
nghiệm học
tập kể
chuyện kỹ
thuật số
43
 phong phú
và; 4) để
đánh giá
năng lực của
nhà phát
triển trò chơi
của các sinh
viên đang
theo học
bằng cách sử
dụng trải
nghiệm học
tập kể
chuyện kỹ
thuật số
phong phú
với nền tảng
trò chơi trò
chơi
metaverse.
11 Gamification Emma Dựa trên Mục đích cung cấp cái Luận án này
within the Lundbäck & những khái nhìn sâu sắc từ quan góp phần
Metaverse: A Maja Sveder niệm về trò điểm của khách hàng về hiểu biết về
quantitative
(2023) chơi, cách họ nhìn nhận các cách người
study to
(Sveder, 2023) gamification, chiến lược gamification tiêu dùng
understand
metaverse và và tìm hiểu xem liệu sự trải nghiệm
how consumer
mối quan hệ tham gia của người tiêu các chiến
engagement is
giữa dùng có bị ảnh hưởng lược
influenced by
gamification
gamification bởi các chiến lược gamification

strategies in và metaverse gamification được các được áp

44
 the Metaverse đúc kết ra thương hiệu trong dụng trong
được mô hình Metaverse sử dụng hay Metaverse
không. và nó ảnh
hưởng đến
họ như thế
nào.
12 Influencing Gaofeng Wang Mô hình Kết hợp công nghệ Nghiên cứu
factors of and TAM & PPM metaverse với giáo dục, cho thấy
usage intention Changhoon nhằm khám phá mức độ việc học tập
of metaverse
Shin 2022 sẵn sàng sử dụng nền được cá
education
(Gaofeng Wang, tảng giáo dục metaverse nhân hóa,
application
2022) của người dùng, nghiên giảng dạy
platform:
cứu này tích hợp các theo ngữ
Empirical
mô hình PPM và TAM cảnh, nhận
evidence based
on PPM and
và xây dựng một hệ thức về tính

TAM models thống chỉ số các yếu tố hữu ích,

ảnh hưởng đến mức độ nhận thức về
sẵn sàng sử dụng nền tính dễ sử
tảng giáo dục metaverse dụng, nhu
của người dùng. Thông cầu xã hội và
qua trình diễn chuyên tác động xã
gia, tiền điều tra, điều hội đóng
tra chính thức và các những vai
phương pháp khác để trò tích cực
thu thập dữ liệu khảo đáng kể
sát và dựa trên mô hình trong việc
phương trình cấu trúc sẵn sàng sử
và phương pháp phân dụng nền
tích so sánh định tính tảng giáo
tập hợp mờ, tính khoa dục
45
 học của việc xây dựng metaverse.
hệ thống chỉ số và tính
khả thi của các giả
thuyết được xác minh,
đồng thời phân tích cấu
hình giữa các biến tiền
đề kích hoạt sự sẵn sàng
sử dụng nền tảng giáo
dục metaverse của
người dùng được thảo
luận.
13 Applying Ketut Mô hình Gamification có thể cải Nghiên cứu
gamification Agustini , I ADDIE thiện dữ liệu về số này nhằm
technique and Made Putrama, lượng và chất lượng, mục đích mô
virtual reality
Dessy Seri cung cấp thêm thông tin tả việc triển
for prehistoric
Wahyuni, and I về quá trình học tập cho khai kỹ thuật
learning
Nengah Eka kết quả học tập. Những gamification
toward the
Mertayasa kết quả học tập này có và thực tế ảo
metaverse
(Ketut Agustini, ảnh hưởng đến việc trong việc
2023) tăng động lực và sự phát triển
tham gia, thành tựu học một trò chơi
tập, và tương tác xã hội. giáo dục
Công nghệ chơi game nhằm giúp
kỹ thuật số ảnh hưởng học sinh
rất lớn đến quá trình nhận biết các
học tập trong lĩnh vực đồ vật thời
nội dung liên quan đến tiền sử, tăng
tiền sử, một lĩnh vực mà động lực và
thường làm cho sinh tính chủ
viên chán và gặp khó động của
46
 khăn trong việc hiểu học sinh,
các khái niệm. Ngoài đồng thời
ra, giáo viên có thể dạy mang lại trải
học sinh bằng cách sử nghiệm
dụng gamification trong phong phú
quá trình học tập. khi học về
siêu vũ trụ.
Ứng dụng của
Gamification và thực tế
ảo rất hiệu quả trong
việc nâng cao động lực
học tập và có thể thu
hút học sinh vào quá
trình học tập. Điều này
được thể hiện bởi sự
thay đổi trong hành vi
và thái độ cũng như
phản ứng của những
sinh viên được cho một
thử nghiệm hạn chế
trong việc học tập.
Thực tế ảo có thể là
người tiên phong cho
việc tạo ra các công cụ
tiền sử vào một thế giới
mới trong quá khứ.
14 The Nannan Xi, Trò chơi hóa, Kết quả cho thấy có
Kết quả chỉ
relationship Juho Hamari Gắn kết mối liên hệ tích cực
between
ra rằng thành
2019 thương hiệu, giữa gamification, mức
gamification, tích và các
(Nannan Xi, Tài sản độ gắn kết thương hiệu
brand đặc điểm
47
Engagement 2019) thương hiệu và giá trị thương hiệu.
liên quan
and brand Gamification dường
equity
đến xã hội
như là một công cụ hiệu
có mối liên
quả để quản lý thương
hệ tích cực
hiệu. Một khía cạnh thú
với sự gắn
vị khác của kết quả là
kết thương
sự tương tác với cả
hiệu về mặt
thành tích và đặc điểm
cảm xúc,
xã hội có mối liên hệ
nhận thức và
tích cực với tất cả các
xã hội. Các
khía cạnh của sự gắn
tính năng
kết thương hiệu
liên quan
đến sự hòa
nhập có liên
quan tích
cực đến sự
gắn kết
thương hiệu
trên mạng xã
hội. Hơn
nữa, tất cả
các khía
cạnh của sự
gắn kết
thương hiệu
đều có mối
liên hệ tích
cực hơn nữa
với giá trị

48
 thương hiệu.
Các kết quả
ngụ ý rằng
có một mối
quan hệ dây
chuyền tích
cực giữa
gamification,
sự gắn kết
thương hiệu
và giá trị
thương hiệu,
và
gamification
dường như
là một công
cụ hiệu quả
để quản lý
thương
hiệu.

15 Let’s connect Yousra Lý thuyết Lý thuyết trao đổi xã

Kết quả của
in metaverse Bousba, Dr. hiện diện xã hội (STP) đang được
brand’s new
chúng tôi
Vikas Arya hội (STP) định hình trong một
destination to cho thấy tác
2022 lăng kính mới, nơi
increase động của các
(Yousra Bousba người tiêu dùng được
consumer’s hoạt động
D. V., 2022) kết nối xã hội với
affective brand tiếp thị
thương hiệu và những
engagement & gamification
người khác trong thế
49
their giới ảo và mua các sản
trong
satisfaction and phẩm hầu như có thể
advocacy
Metaverse
đeo để thể hiện sự hiện
đối với mức
diện của họ với các sản
độ gắn kết
phẩm có thương hiệu.
thương hiệu
- Đưa ra các mẹo kiểm của người
soát xã hội trong việc tiêu dùng.
kết nối với khách hàng Và, một khi
trong Metaverse trong người tiêu
quá trình mua lại cũng dùng có sự
như cách khách hàng gắn kết tình
nhận thức và đánh giá cảm với
cao các thương hiệu thương hiệu
trong Metaverse với thương
hiệu trong
- Cho thấy tác động của Metaverse,
các hoạt động tiếp thị họ sẽ phải
gamification trong ngày càng
Metaverse đối với mức hài lòng hơn
độ gắn kết thương hiệu đối với
của người tiêu dùng thương hiệu
đó, đồng
thời phát
triển thói
quen ủng hộ
các thương
hiệu sẽ hoạt
động trong
Metaverse,

50
 nơi các sản
phẩm có sẵn
ở dạng này.

16 Gamification Alvi, I. (2022) Lý thuyết về Nghiên cứu cho thấy

Các phát
interaction (Alvi, 2022) Quyền tự rằng trò chơi được áp
features in
hiện cho
quyết (Self- dụng tương tác tạo điều
language thấy rằng
Determinatio kiện cho sự gắn kết
learning việc tương
n Theory) thương hiệu. Người tiêu
tác với các
dùng thích cảm thấy tự
tính năng
do hơn khi vận hành
thành tích
các ứng dụng, do đó các
được ứng
thành phần như khối
dụng trong
tiến trình và mức độ
game đã ảnh
khó khăn có thể mang
hưởng tích
lại cho họ cảm giác tự
cực và đáng
túc. Cuối cùng, các
kể đến mức
thành phần như bảng
độ gắn kết
xếp hạng có thể thúc
với thương
đẩy cảm giác kết nối
hiệu; sự hấp
với những người khác
thụ và tương
bằng cách cho phép họ
tác xã hội có
liên hệ với người khác.
ảnh hưởng
Những phát hiện này
tích cực nhỏ
phù hợp với trước đó
nhưng không
nghiên cứu về giáo dục
đáng kể đến
sử dụng thương hiệu
sự gắn kết
trực tuyến (van Roy &
thương hiệu.
Zaman, 2019), đã thành
51
 lập Các yếu tố thành
Sự gắn kết
tích được trò chơi hóa
với thương
đã giúp người tiêu dùng
hiệu có ảnh
cũng cảm thấy thành
hưởng đáng
thạo độc lập. Những
kể đến niềm
phát hiện hiện nay mở
tin, cam kết
rộng các nghiên cứu
và sự hài
trước đây về tính tương
lòng của
tác (Hanaysha và cộng
thương hiệu.
sự, 2021), trong đó chỉ
Niềm tin có
rõ người tiêu dùng đóng
ảnh hưởng
vai trò tích cực trong
mạnh mẽ
khi tương tác với tình
đến cam kết;
huống/môi trường (van
cam kết có
Noort và cộng sự 2012).
tác động tích
cực đến sự
hài lòng về
thương
hiệu.

17 The Impacts of Mahya Giá trị thực Hiện nay, kết quả Nghiên cứu
the Metaverse Kasaeian & dụng kinh nghiên cứu bảng câu này chỉ ra
on Iranian Hans Rüdiger nghiệm, Giá hỏi đang trong quá trình rằng nhận
SMEs’ Brand
Kaufmann trị khoái lạc được thu thập và phân diện thương
Identity
2023 kinh nghiệm, tích dữ liệu sẽ là giai hiệu sẽ ảnh
Mối quan hệ đoạn tiếp theo và được hưởng đến
(Kaufmann,
2023) giữa Giá trị dự đoán để trình bày kết mối quan hệ
kinh nghiệm quả tại hội nghị. Những giữa các giá
(Vị lợi & kỳ vọng dựa trên tổng trị Hedonic
52
 Hedonic) và quan tài liệu đang đề và Utilitarian
Ý định mua cập đến mối quan hệ trải nghiệm
hàng của chặt chẽ giữa giá trị trải và ý định
người tiêu nghiệm (hưởng thụ và mua hàng
dùng, Nhận thực dụng) với nhận với tư cách
thức về thức về thương hiệu và là người điều
thương hiệu nhận diện thương hiệu, tiết
(Nhận diện mối quan hệ tích cực
thương hiệu giữa nhận diện thương
& Hình ảnh hiệu với người tiêu
thương hiệu). dùng ý định thương
hiệu và ảnh hưởng vừa
phải của các giá trị trải
nghiệm (hedonic và
thực dụng) đối với ý
định mua hàng của
người tiêu dùng
18 Gamification Jenny Díaz- Lý thuyết Kết quả cho thấy những
Công việc
in engineering Ramírez ( 2020 thiết kế trò học sinh tích cực chơi
education – An
này góp
) chơi, lý trò chơi có tỷ lệ đậu cao
empirical phần vào
(Díaz-Ramírez, thuyết hành vi hơn đáng kể so với
assessment on nghiên cứu
2020) con người và những học sinh không
learning and hiện tại về
lý thuyết tích cực và mức độ
game tác động của
động lực tham gia cao hơn vào
performance gamification
( chẳng hạn các hoạt động giải
đối với quá
như lý thuyết quyết vấn đề, thậm chí
trình học tập
về quyền tự ở trình độ cao hơn cả
tốt hơn trong
quyết ) , lý lớp. Những người chơi
giáo dục đại
thuyết trong tích cực nhận thấy rằng
học, đặc biệt
khoa học trò chơi góp phần giúp
53
gamiication quá trình học tập tốt
là trong các
của Landers hơn, các hoạt động thể
khóa học kỹ
et al. (2018 chế giúp họ nâng cao ý
thuật, thông
thức gắn bó với tổ chức
qua các khía
và ngoài các hoạt động
cạnh sau: (a)
Làm chủ, các hoạt động
quy trình
làm việc nhóm đã giúp
thiết kế trò
họ cải thiện việc học
chơi nhằm
của mình.
mục đích đi
Kết quả cũng cho thấy kèm với
cần phải cải thiện về khóa học,
mặt vui vẻ, phản hồi và dựa trên mô
số lượng hoạt động hình nhân
Làm việc nhóm cũng quả với các
như đưa vào các yếu tố đặc điểm cụ
để thúc đẩy nhiều người thể. hành
chơi “tích cực” hơn kể động mong
từ giai đoạn đầu của muốn, (b)
hành trình người chơi. quy trình
đánh giá hai
phần, trước
tiên là đánh
giá mối quan
hệ giữa các
yếu tố trò
chơi với
hành động
và kết quả
học tập

54
 mong muốn
(tức là điểm
số và nhận
thức về học
tập), và thứ
hai, để đánh
giá bản thân
trò chơi (tức
là nhận thức
về các yếu tố
trò chơi) và
(c) nó đưa ra
bằng chứng
thực nghiệm
về tác động
tích cực của
gamification
đến kết quả
học tập và
các hành vi
mong muốn
khác về mối
quan hệ xã
hội, chẳng
hạn như ý
thức cộng
đồng và làm
việc nhóm.

55
19 Octalysis Trihartita Octalysis Đưa sự đổi mới vào Kết quả của
gamification Sulispera , Framework phương pháp giảng dạy nghiên cứu
framework để Michael là điều quan trọng. Nó này cho thấy
nâng cao sự
Recard 2021 có thể giúp giáo viên rằng các
tham gia của
cung cấp tài liệu tốt hơn khung
sinh viên trong (Trihartita
Sulispera, 2020) và giúp học sinh tham gamification
việc học ngôn
gia vào quá trình học bát phân
ngữ
tập. Một trong những được áp
giải pháp cho nghiên dụng có thể
cứu này là việc thực cải thiện sự
hiện khung phân tích tham gia của
chữ số của trò chơi học sinh
hướng tới việc học được chứng
tiếng Anh. Khung minh từ sự
gamification dùng trong tự phản ánh
nghiên cứu này là của học sinh
Social Influence & bằng thang
Relatedness, Epic đo Likert
Meaning & được phân
Calling,Unpredictability tích bằng
& Curiosity, and phương pháp
Development & thiết kế tuần
Accomplishment. Bốn tự giải thích.
điều khiển cốt lõi có thể Mặc dù nó
giúp học sinh tham gia mang lại
nhiều hơn về hành vi, những hiệu
nhận thức và cảm xúc. quả tích cực
Để được chú ý rằng nhưng vẫn
điều này không thể xảy còn rất nhiều
56
 ra ngay lập tức, nhưng điều cần
nó cần thực hiện trong được giáo
nhiều lần giảng dạy cần viên quan
nỗ lực, kiên nhẫn, và tâm, chẳng
kiên trì trong việc đạt hạn như việc
được kết quả tốt. Hơn quản lý lớp
nữa, trước khi áp dụng học. Nghiên
phương pháp này, giáo cứu này đề
viên phải biết khả năng nghị giáo
của học sinh. Do đó, viên nên có
hoạt động được áp dụng các quy tắc
có thể giúp cả giáo viên và thủ tục
và học sinh. chơi trò chơi
rõ ràng để
học sinh có
thái độ tốt
đối với hoạt
động trong
lớp mặc dù
các em tham
gia tích cực
và có động
cơ trong quá
trình học tập.

20 Development Richard D'arc Trò chơi hóa Nghiên cứu này là một Ban giám
of a da Silva Brito, nỗ lực nhằm thúc đẩy khảo đã xác
gamification Luis Hernan nghiên cứu về đặc điểm nhận 6 trong
characteristics
Contreras chơi game và ảnh số 8 cấu trúc
measurement
Pinochet1 , hưởng của các yếu tố được đề xuất
scale for
57
mobile Evandro Luiz của chúng đối với của mô hình
application Lopes, and người dùng thiết bị di ban đầu và
users Mauri động và thông qua phát thông qua
Aparecido de triển một thang đo để các phân tích
Oliveira 2018 đo lường những điều được thực
(Richard D'arc này đặc trưng. Dựa trên hiện cùng
da Silva Brito, Octalysis của Yu-kai với mẫu
2018) Chou mô hình, nó đã người dùng
chỉ ra rằng hầu hết các ứng dụng di
cấu trúc là áp dụng cho động, có thể
các thiết bị di động và xác minh
ảnh hưởng đến việc sử rằng 6 cấu
dụng chúng. trúc được
xác nhận này
đã xác nhận
ý nghĩa
thống kê của
thang đo
được phát
triển . Vì
vậy, mô hình
đề xuất trong
nghiên cứu
này là phù
hợp và có
thể áp dụng
cho các
nghiên cứu
sau này.

58
 Bảng 1: Đúc kết từ các bài nghiên cứu liên quan

2.3.1. Kết quả tổng quan các bài nghiên cứu.

Có thể nói rằng các nghiên cứu đều tập trung vào việc áp dụng gamification và trải
nghiệm thương hiệu trong Metaverse để nâng cao sự gắn kết và thúc đẩy hành vi mong muốn
của người tiêu dùng. Các kết quả cho thấy rằng gamification và trải nghiệm thương hiệu có ảnh
hưởng đáng kể đến giá trị cảm nhận của thương hiệu và ý định mua hàng của người tiêu dùng.
Nghiên cứu cũng nhấn mạnh vai trò tích cực của gamification trong cải thiện trải nghiệm người
dùng và khả năng gắn kết thương hiệu. Điều này cung cấp cơ sở lý thuyết và thực tiễn cho các
hoạt động tiếp thị trong Metaverse và các ứng dụng di động, đồng thời đề xuất các phương
pháp cụ thể để nghiên cứu và áp dụng gamification trong các lĩnh vực khác nhau như giáo dục
và trải nghiệm thương hiệu. Những kết quả này giúp cải thiện hiểu biết về cách gamification có
thể được sử dụng để tăng cường trải nghiệm người dùng và gắn kết thương hiệu trong
Metaverse và các nền tảng trực tuyến khác.

2.4. Lập luận mô hình nghiên cứu

H1: Tương tác xã hội và sự liên quan ảnh hưởng tích cực đến việc học tập thông qua
Gamification trong Metaverse.

Có thể khẳng định rõ ràng rằng con người là một xã hội tồn tại và không thể sống một
mình. Đây là một trong những động lực cốt lõi của con người bị thúc đẩy vào việc học thông
qua Gamification trong Metaverse. Các tính năng tương tác liên quan đến xã hội bao gồm tất cả
những tương tác đòi hỏi sự cạnh tranh, hợp tác và kết nối với những người khác (Jonna
Koivisto, 2019). Nghiên cứu chỉ ra các đặc điểm xã hội mang lại cảm giác thân thuộc và sự liên
quan giữa người tiêu dùng (Michael Sailer, 2017). Nghiên cứu trước đây đã phát hiện ra rằng
những đặc điểm này tác động đến nhu cầu về sự liên quan trong khi cạnh tranh khuyến khích
các nhân vật phấn đấu hướng tới một động cơ duy nhất (Rob van Roy, 2019), tinh thần đồng
đội thúc đẩy mong muốn nỗ lực tập thể để đạt được các mục tiêu chính (Michael Sailer, 2017)
và tính tương tác giúp người tiêu dùng luôn được kết nối. Bên cạnh đó, trong thế giới ảo và
thực tế tăng cường của Metaverse con người sẽ có thể sáng tạo và khám phá với những người
khác không ở cùng không gian vật lý với họ. Các tính năng tương tác liên quan đến xã hội như

59
vậy đối với việc học thông qua Gamification trong Metaverse hỗ trợ người tiêu dùng trong
tương tác và chia sẻ thông tin chi tiết với người khác, điều đó mang đến cảm giác thân thuộc và
sự kết nối giữa họ. Đây là động lực mạnh nhất để người học tham gia vào học tập và kết nối với
người khác (Duarte, 2018).

H2: Sự tò mò và khó đoán ảnh hưởng tích cực đến việc học tập thông qua Gamification
trong Metaverse.

Tính khó đoán của một sự vật, sự việc sẽ thu hút được nhiều người, khơi gợi sự tò mò
của mọi người. Ví dụ như nhiều người muốn đọc tiểu thuyết hoặc xem phim vì họ tò mò xem
điều gì sẽ xảy ra chuyện xảy ra tiếp theo. Mọi người đang được kích thích để làm điều gì đó
nếu họ cảm thấy tò mò về điều đó. Đối với việc học tập thông qua Gamification trong
Metaverse, sự khó đoán có thể bắt đầu một cách đơn giản như việc đưa ra một nhiệm vụ dễ
dàng ban đầu, sau đó ở nhiệm vụ tiếp theo nó trở nên khó khăn hơn (Knudson P. (., 2017). Một
yếu tố quan trọng tạo nên sự tò mò chính là tính mới mẻ của Metaverse, một thế giới ảo và thực
tế tăng cường neo giữ trong giao điểm hội tụ của thực tế vật lý, ảo và tăng cường chia sẻ không
gian trực tuyến trong định dạng 3-D, thể hiện con người, địa điểm và sự vật. Mọi người có thể
bị kích động bởi vì họ cảm thấy thử thách và tò mò về các hoạt động và thử thách của
Gamification trong Metaverse. Oren Klaff - tác giả của Pitch Anything chia sẻ rằng: “mọi
người sẽ chú ý tới những gì bạn nói cho đến khi họ nhận đủ thông tin để phân loại bạn vào một
khuôn mẫu nhất định mà họ thường gặp. Khi họ đã có thể xếp bạn vào một khuôn mẫu, ngay
lập tức, họ không quan tâm tới những gì bạn nói nữa, vì thế, điều quan trọng nhất là phải mang
đến buổi pitching những thông tin mới mẻ, những sự bất ngờ khó thể đoán trước. Tất nhiên là
để giữ chân, thu hút và giữ họ luôn chú ý tới bạn”. Chính vì vậy yếu tố tò mò và khó đoán là rất
quan trọng.

H3: “Phát triển và Thành tựu” tạo môi trường học tập sôi động sử dụng PBLs để xây
dựng Gamification Learning trong Metaverse.

- “Phát triển và Thành tựu”: Động lực nội bộ để đạt được tiến bộ, phát triển kỹ năng, đạt được
sự thành thạo và cuối cùng là vượt qua thử thách. Thách thức là điểm chính ở đây, nếu không
có thử thách, mọi phần thưởng mà ai đó nhận được sẽ trở nên vô nghĩa (Chou, Actionable

60
Gamification: Beyond Points,Badges, and Leaderboards. , 2014). Đây cũng là động lực cốt lõi
dễ thiết kế nhất và thật trùng hợp, là nơi mà phần lớn PBLs: điểm, huy hiệu, bảng xếp hạng chủ
yếu tập trung vào. Động lực cốt lõi này dựa vào mong muốn tăng trưởng và phát triển vốn có
của con người, mong muốn này đã được (Ryan RM, 2000) xác định trong Lý thuyết về Quyền
tự quyết (SDT). Trong thực tiễn Gamification, điều này thường có nghĩa là đánh dấu rõ ràng
những sự tiến bộ của người chơi. Hơn nữa, đây là cách triển khai phổ biến nhất của
gamification theo PBLs công cụ Gamification được sử dụng phổ biến nhất đặc biệt nhấn mạnh,
qua đó có thể đạt được “Thành tựu”.

- Trong lĩnh vực học tập dựa trên Gamification, cần áp dụng các cơ chế khuyến khích phù hợp
để biến niềm vui chơi game của người học thành động lực và hứng thú học tập một cách hiệu
quả. (J. Hamari, 2014) đã liệt kê mười yếu tố khuyến khích được sử dụng phổ biến nhất trong
trò chơi, bao gồm điểm, bảng xếp hạng, thành tích/huy hiệu, cấp độ, câu chuyện/chủ đề, mục
tiêu rõ ràng, phản hồi, phần thưởng, tiến độ và thử thách. Trong số đó, bảng xếp hạng, huy hiệu
và điểm (PBLs) là những yếu tố trò chơi phổ biến nhất (K.F. Hew, 2016); (E. Kyewski, 2018).
Nó được xây dựng để mang lại cho người học cảm giác kiểm soát tốt, phù hợp với trình độ kiến
thức và kỹ năng của mình để tạo điều kiện thuận lợi cho việc tham gia. Nhiều nghiên cứu đã
chỉ ra rằng học tập dựa trên Gamification có tác động tích cực đến việc thúc đẩy động lực học
tập và sự tham gia (K.F. Hew, 2016); (R. van Roy, 2018), và các yếu tố Gamification được sử
dụng trong hoạt động học tập là chìa khóa quyết định động lực học tập và tham gia (C.M.
Chen, 2019); (A. Domínguez, 2013).

- Sự phát triển công nghệ ngày càng phát triển cho đến nay đang hướng đến Metaverse.
Metaverse trở thành sự khởi đầu của một thế giới để khám phá và di chuyển ảo (Mystakidis,
2022). Metaverse hiện đang dẫn đến giáo dục (Kim, 2022).Và Metaverse được hy vọng rằng
việc học tập sẽ được thực hiện ở mọi nơi, mọi lúc và với bất kỳ ai mà không có bất kỳ ranh giới
nào (Kim, 2022). Những người học đều có thể gặp nhau trong không gian kỹ thuật số thông
qua tai nghe thực tế ảo bất kể vị trí thực tế của họ. Chức năng như vậy có thể mang lại nền giáo
dục nâng cao cho những người sẵn sàng tìm kiếm nó (Kim, 2022). Một thực tế thay thế dai
dẳng mang lại những khả năng vô tận, có tác động tiềm tàng đặc biệt lớn đến giáo dục. Hãy
hình dung một trong những lớp học thực tế ảo có thể thực hiện được. Hãy tưởng tượng một lớp

61
học đầy học sinh háo hức tìm hiểu về lịch sử. Những sinh viên này sống ở nhiều quốc gia khác
nhau trên thế giới và giáo viên của họ có lối sống du lịch liên tục đến thăm các khu vực mới để
nâng cao kiến thức lịch sử của họ. Giáo viên có thể xây dựng cảnh quan ảo dựa trên kế hoạch
bài học của họ, nâng cao khả năng học tập của trẻ bằng trải nghiệm thay vì đọc sách (Ahn,
2022). Việc dạy và học trong Metaverse nghe có vẻ giống như một khái niệm xa vời chỉ có thể
có trong giấc mơ của chúng ta, nhưng những tình huống tương tự đã tồn tại trong bối cảnh hiện
tại của chúng ta. Môi trường học tập ảo cho phép mọi người đăng nhập từ mọi nơi, một lợi thế
được chia sẻ bởi các môi trường học tập metaverse hiện tại. Tuy nhiên, môi trường Metaverse
có thể được thiết kế trông khá thực tế.

-Từ những lập luận trên, Gamification Learning trong Metaverse được thiết kế để thúc đẩy phát
triển kỹ năng và đạt được sự thành thạo thông qua các hoạt động PBLs. Người học có thể trải
qua các cấp độ khó khăn, đạt được thành tích và huy hiệu, thúc đẩy sự phát triển cá nhân và
chuyên môn. Trong đó, thách thức là yếu tố chính để khám phá, phát triển kỹ năng và vượt qua,
giúp tạo ra một môi trường học tập đầy hứng thú. Việc kết hợp giữa “Phát triển và Thành tựu”
thông qua PBLs vào Gamification Learning trong Metaverse sẽ xây dựng một môi trường ảo,
cho phép người học tạo ra một trải nghiệm học tập độc đáo, cuống hút, tác động tích cực đến
động lực học tập và sự tham gia học tập của người học.

H4: Hoạt động trải nghiệm điều chỉnh đáng kể mối quan hệ giữa Gamification Learning
trong Metaverse và tình yêu thương hiệu.

- Qua các hoạt động tiếp thị gamification trong Metaverse sẽ cho phép các thương hiệu cung
cấp trải nghiệm phong phú cho người học (Shen, 2022). Các thương hiệu đang mở rộng nguồn
lực của mình để phát triển hành trình tiêu dùng đích thực và tùy chỉnh nhằm thúc đẩy mức độ
tương tác ảo cao (Milanesi, 2022) . Thông qua sự trải nghiệm lần đầu hoặc có thể là nhiều, độ
xác thực tin cậy của thương hiệu sẽ tăng dần và để lại ấn tượng trong tâm trí người học. Độ xác
thực của thương hiệu được quan niệm là yếu tố giúp thương hiệu xây dựng bản sắc độc đáo,
độc đáo, không bị ảnh hưởng và độ tin cậy để duy trì bản chất của nó (Prados-Peña, 2019). Độ
xác thực của thương hiệu mang lại lợi ích hữu hình và vô hình cho công ty nếu nó xác thực và
có thể mang lại những gì nó tuyên bố (Södergren, 2021). Một thương hiệu đích thực có thể xây

62
dựng mối quan hệ với khách hàng bằng cách xây dựng trải nghiệm đáng nhớ (Rosado-Pinto et
al., 2020).

- Khi một thương hiệu đã được người học chấp nhận là một thương hiệu có độ xác thực cao,
người học sẽ phát triển mối liên kết cảm xúc với thương hiệu đó, được gọi là tình yêu thương
hiệu (Manthiou et al., 2018). Một khi tình yêu thương hiệu được thiết lập, người học mong đợi
mối quan hệ và cam kết thương hiệu ở mức độ cao hơn. Qua đó những hoạt động trải nghiệm
Gamification Learning tromg Metaverse sẽ góp phần thúc đẩy độ tin cậy của thương hiệu đến
với khách hàng cao và góp phần xây dựng niềm tin đối với khách hàng.

- Thông qua hai lập luận trên, có thể thấy hoạt động trải nghiệm Gamification Learning trong
Metaverse được mô tả như một phương tiện mạnh mẽ để thương hiệu tăng cường độ xác thực
của mình. Qua việc cung cấp trải nghiệm phong phú, tùy chỉnh và đích thực, thương hiệu có cơ
hội tạo ra ấn tượng tích cực trong tâm trí người học. Và một khi thương hiệu đã đạt được mức
độ xác thực cao, tình yêu thương hiệu được xây dựng dựa trên mối liên kết cảm xúc giữa
thương hiệu và người học. Hoạt động trải nghiệm Gamification Learning trong Metaverse đóng
vai trò quan trọng trong việc tạo ra những trải nghiệm đáng nhớ và tích cực, thúc đẩy việc phát
triển mối liên kết này.

H5: Hoạt động trải nghiệm điều chỉnh đáng kể mối quan hệ giữa Gamification Learning
trong Metaverse và sự gắn kết người học.

- Khi công nghệ tiếp tục xác định lại cách các cá nhân tương tác và tham gia vào không gian
ảo, các doanh nghiệp sẽ có cơ hội để tăng cường mối quan hệ với khách hàng thông qua các
phương pháp giáo dục và trò chơi đổi mới. (G Zichermann, 2010) đã chỉ ra, gamification được
coi là thế hệ tiếp theo trong kỹ thuật tiếp thị, có tiềm năng cách mạng hóa sự tương tác giữa con
người với máy tính và trải nghiệm người dùng bằng cách cung cấp những trải nghiệm thú vị,
mang tính trò chơi (Hamari, 2017). Gamification Learning trong Metaverse có nhiều khả năng
cung cấp sự tương tác phong phú và được cá nhân hóa kinh nghiệm hơn so với những việc học
tập thông thường. Đồng thời, gamification, như một xu hướng áp dụng các yếu tố và thiết kế
trò chơi nguyên tắc cho môi trường không phải trò chơi, cũng có thể được áp dụng cho lĩnh vực
giáo dục. Nó mang đến cơ hội tham gia cho nhiều người học cảm thấy việc học tập thông

63
thường chưa hiệu, mang lại trải nghiệm thú vị và tăng mức độ tương tác của người dùng. Bằng
cách giới thiệu các yếu tố trò chơi, Gamification Learning có thể kích thích trí tò mò, tính cạnh
tranh và mong muốn khám phá, dẫn đến sự hiểu biết sâu sắc hơn về các kiến thức học tập và
tạo động lực học tập tốt hơn. Điều này giúp mang lại Gamification Learning và người học gần
nhau hơn, dẫn đến hoạt động tích cực hơn sự tham gia trải nghiệm và gắn kết người học.

- Theo (Lemon, 2016) thảo luận rằng trải nghiệm của người tiêu dùng là một khái niệm đa
chiều, tập trung vào các tương tác cảm giác, cảm xúc, nhận thức và hành vi của khách hàng
trong quá trình mua hàng với thương hiệu. Nói rõ hơn, trải nghiệm của người tiêu dùng là nhận
thức và cảm xúc của khách hàng được kích hoạt bởi sự tương tác của họ với thương hiệu trong
suốt vòng đời của khách hàng (Vdov, 2010). (Lemon, 2016) đã đề cập thêm về các tương tác
tạo ra trải nghiệm có thể liên quan đến một số khía cạnh của dịch vụ thương hiệu, chẳng hạn
như công nghệ họ sử dụng, cốt lõi của thương hiệu hoặc cuối cùng là mối liên hệ giữa thương
hiệu và khách hàng.

- Qua những lập luận trên. hoạt động trải nghiệm Gamification Learning trong Metaverse, có
thể tạo ra gắn kết mạnh mẽ hơn giữa người học và thương hiệu. Sự cam kết này có thể xuất
phát từ trải nghiệm tích cực, sự hiểu biết sâu sắc về thương hiệu và mối quan hệ tương tác trong
không gian ảo. Gamification không chỉ là một phương tiện giáo dục mà còn là công cụ mạnh
mẽ để xây dựng mối quan hệ lâu dài và cam kết từ phía khách hàng.

H6: Sự tương tác với thương hiệu ảo của người học có mối quan hệ tích cực đáng kể với
sự yêu thích thương hiệu của người học trong Metaverse.

- Mức độ tương tác của người học với thương hiệu đã tăng lên nhờ mua sắm các sản phẩm vô
hình trong Metaverse (Diwivedi et al., 2023), (Henkens et al., 2021), (Linda D. Hollebeek,
2019). Sự tương tác này bị ảnh hưởng bởi sự tham gia tích cực của người học với các thương
hiệu trên mạng xã hội và xây dựng cộng đồng đồng thời ở đó (Ashley Paintsil, 2022), (Hamzah
et al., 2021) .Sự tương tác này thể hiện ở trải nghiệm khi khám phá các sản phẩm vô hình (như
NFT, quần áo ảo có thể đeo, giày, kính, tiền ảo, trải nghiệm ảo về địa điểm, v.v.) mà các
thương hiệu cung cấp trong Metaverse (Mohammad Farhat, 2022), (Zheng et al., 2022) . Người
học hầu như kết nối với thương hiệu trên nhiều nền tảng Metaverse khác nhau như

64
SANDBOX, Star Atlas, Decentraland, Roblox, Space, v.v. Họ thích các sản phẩm vô hình của
thương hiệu, chia sẻ trải nghiệm ảo, hiểu quan điểm của các nhóm ngang hàng về chúng và giới
thiệu thương hiệu trong Metaverse (Yousra Bousba v. a., 2022) . Tương tác với thương hiệu
giúp người học xây dựng sự gắn kết về mặt cảm xúc và lâu dài với thương hiệu. Nó cho phép
người học xây dựng tình cảm gắn bó và tình cảm sâu sắc hơn với thương hiệu, dẫn đến tình yêu
thương hiệu (Machado et al., 2019). Sự tương tác với thương hiệu trong Metaverse cho phép
người học có được sự thân thiết và cam kết hơn. (Balis et al., 2022)

- Hơn nữa, việc đánh giá và tương tác với cộng đồng thương hiệu giúp xây dựng sự hài lòng
với thương hiệu, đảm bảo sự gắn bó lâu dài và cam kết thương hiệu hiệu quả (Narissara
Palusuk, 2019). Ý thức về cộng đồng thương hiệu và sự kết nối thương hiệu của bản thân sẽ
củng cố tình yêu thương hiệu. Những trải nghiệm thu được từ việc tham gia Metaverse cũng
giúp người học phát triển sự thân thiết với thương hiệu, củng cố tình yêu thương hiệu. Vì vậy,
điều cần thiết là phải hiểu mối quan hệ giữa mức độ gắn kết với thương hiệu của khách hàng và
tình yêu thương hiệu trong Metaverse.

H7: Brand love có ảnh hưởng tích cực đến lòng trung thành với thương hiệu.

Tình yêu thương hiệu là một thái độ tích cực và mạnh mẽ đối với một thương hiệu, bao gồm
các thành phần cảm xúc, nhận thức và hành vi. Khi mà những người yêu thương một thương
hiệu có xu hướng cảm thấy có mối liên kết cá nhân với thương hiệu đó. Họ có xu hướng trở
nên tin tưởng với thương hiệu đó (Fournier, 1998). Các minh chứng từ các nhà nghiên cứu chỉ
ra, những người yêu thích một thương hiệu có xu hướng dành nhiều thời gian và tiền bạc cho
thương hiệu đó hơn những người không yêu thích thương hiệu (Fournier, 1998). Họ sẵn sàng
chi trả, chỉ đơn giản vì nó đem lại cho họ sự yêu thích. Khi một khách hàng có lòng yêu thích
thương hiệu, họ sẽ sẵn sàng chi trả cho dịch vụ, sản phẩm đó không chỉ một lần mà nhiều lần
khác trong tương lai. Từ đó cho thấy lòng trung thành thương hiệu là khả năng của một khách
hàng tiếp tục mua sản phẩm hoặc dịch vụ của một thương hiệu trong tương lai, ngay cả khi có
những lựa chọn thay thế hấp dẫn khác (Oliver, 1999). Những người trung thành với một thương
hiệu có xu hướng mua sản phẩm hoặc dịch vụ của thương hiệu đó thường xuyên hơn và ít có
khả năng thay đổi thương hiệu hơn (Chia‐Lin Hsu, 2010).

65
Gamification Learning trong Metaverse là một cảm giác mới mẻ, một sự sống động trong ứng
dụng sẽ tạo nên trải nghiệm tích cực cho khách hàng. Khi thương hiệu tạo ra trải nghiệm tích
cực cho khách hàng, từ đó sẽ tạo nên tình yêu thương hiệu và từ đó sẽ ảnh hưởng tích cực đến
lòng trung thành với thương hiệu của khách hàng.

H8: Brand love có ảnh hưởng tích cực đến sự phản kháng lại những thông tin tiêu cực
của khách hàng.

Sự yêu thích thương hiệu của khách hàng sẽ làm tăng cả về sự hiểu biết và hành vi sau tiêu
dùng của họ. Cụ thể, tình yêu thương hiệu sẽ dẫn đến những tác động trực tiếp tích cực đối với
lòng trung thành với thương hiệu và sự chống kháng lại những thông tin tiêu cực của khách
hàng. Sự yêu thích thương hiệu của khách hàng sẽ làm tăng cả về sự hiểu biết và hành vi sau
tiêu dùng của họ. Cụ thể, tình yêu thương hiệu sẽ dẫn đến những tác động trực tiếp tích cực đối
với lòng trung thành với thương hiệu và sự chống kháng lại những thông tin tiêu cực của khách
hàng. Nghiên cứu trước phát hiện ra rằng thương hiệu được yêu thích gắn liền với nhận dạng
của người tiêu dùng và mọi người có xu hướng tự nhiên chống lại những thông tin tiêu cực về
thương hiệu (Ahearne, 2005). Turgut và Gultekin (2015) (Merve Ulku TURGUT, 2015) cũng
khẳng định tình yêu thương hiệu có tác động tích cực và đáng kể đến khả năng chống lại thông
tin tiêu cực. Một người có lòng yêu thích với thương hiệu họ sẽ có xu hướng không tin vào
những thông tin tiêu cực xuất phát từ khách hàng khác và sẽ có xu hướng bảo vệ thương hiệu,
họ sẽ tạo ra những ý kiến tích cực về thương hiệu. Mối quan hệ chặt chẽ giữa người tiêu dùng
và thương hiệu góp phần tích cực vào việc người tiêu dùng chống kháng lại những thông tin
tiêu cực (Andreas B. Eisingerich, 2011). Một trong sáu khía cạnh của tình yêu thương hiệu
(Richard P. Bagozzi, 2017) - diễn ra giữa khách hàng và thương hiệu, khả năng phản kháng của
khách hàng đối với thông tin tiêu cực sẽ tăng lên. Chính vì vậy có giải thuyết Tình yêu thương
hiệu có ảnh hưởng tích cực đến sự chống kháng lại những thông tin tiêu cực của khách hàng.

66
CHƯƠNG 3. THIẾT KẾ NGHIÊN CỨU

Chương 1, 2 bên trên đã cung cấp những thông tin tổng quát và cơ sở lý thuyết để thực
hiện bài nghiên cứu. Tiếp sau đây, quy trình và phương pháp thực hiện nghiên cứu của bài
nghiên cứu này được trình bày cụ thể trong chương 3. Trình bày thiết kế nghiên cứu dùng để
đánh giá thang đo và đo lường các khái niệm nghiên cứu, kiểm định mô hình nghiên cứu đề
xuất. Chương 3 gồm những nội dung: quy trình nghiên cứu, phương pháp nghiên cứu định tính,
phương pháp nghiên cứu định lương, thiết kế bảng câu hỏi khảo sát và bảng câu hỏi định
lượng.

3.1. Quy trình nghiên cứu

Quy trình nghiên cứu được tiến hành theo giai đoạn sau:

Giai đoạn 1: Xây dựng đề tài, khái quát mô hình và đề ra các giả thuyết nghiên cứu

Bước 1:
 Trước khi xác định được chính xác vấn đề nghiên cứu, nhóm nghiên cứu cùng lập ý
tưởng chủ đề nghiên cứu trước. Ý tưởng được hình thành dựa trên sự kết hợp giữa việc
quan sát cùng với kiến thức, kinh nghiệm thực tế:
 Quan sát thực tế về quá trình, cách thức các bạn học sinh tiếp thu bài học thông qua các
Gamification.

67
  Dựa trên kiến thức, và kinh nghiệm đánh giá mức độ tiềm năng của Metaverse trong
việc ứng dụng nâng cao giá trị thương hiệu.
 Sau đó đọc và tham khảo các nghiên cứu liên quan đến Gamification Learning,
Metaverse, và nâng cao giá trị thương hiệu. Trong quá trình tìm đọc các bài nghiên cứu,
nhóm chắt lọc những vấn đề, điểm mạnh, điểm hạn chế của các bài, và đặt câu hỏi “Liệu
vấn đề này áp dụng ở Việt Nam và cụ thể là TP Hồ Chí Minh thì mức độ hiệu quả của
công cụ này trong việc nâng cao giá trị thương hiệu sẽ như thế nào?”.
Từ đó đưa ra được vấn đề nghiên cứu, mục tiêu nghiên cứu, đối tượng nghiên cứu.
Bước 2: Lựa chọn khung nghiên cứu phù hợp, và hình thành mô hình nghiên cứu, sau đó lập
luận giải thuyết
 Tóm tắt các lý thuyết, những công trình nghiên cứu có liên quan, xác định các mối quan
hệ giữa ảnh hưởng xã hội và sự liên quan, sự tò mò và khó đoán, phát triển và thành tựu,
Gamification Learning trong Metaverse, brand love, brand engagement, sự phản kháng
lại thông tin tiêu cực từ phía khách hàng, lòng trung thành với thương hiệu.
Bước 3: Xây dựng mô hình nghiên cứu đề xuất, lập luận các giả thuyết nghiên cứu và lập bảng
thang đo.
Giai đoạn 2: Hoàn thiện thang đo và thu thập dữ liệu
Bước 1:
 Thực hiện cuộc phỏng vấn các nhóm chuyên gia, học thuật, và đội ngũ thực tế nhằm tối
ưu hóa, làm sàng lọc các yếu tố trong bảng đo, cũng như điều chỉnh mô hình nghiên cứu
và ngôn ngữ sử dụng, nhằm tạo ra một bối cảnh phù hợp với khu vực nghiên cứu.
Bước 2:
 Dựa trên sự đánh giá của các chuyên gia, nhóm học thuật, nhóm thực tiễn tinh chỉnh lại
ngữ nghĩa, cũng như xác định chính xác một thương hiệu nghiên cứu rõ ràng để tăng
tính hiệu quả.
 Cuối cùng hoàn thiện bảng câu hỏi.
Bước 3: Xác định số mẫu phù hợp, lên kế hoạch tiếp cận đối tượng phỏng vấn và tiến hành
khảo sát với số mẫu N=335.
Giai đoạn 3: Phân tích, xử lý dữ liệu và báo cáo kết quả nghiên cứu
Bước 1:
68
  Dữ liệu sau khi thu thập được sẽ được nhập vào phần mềm Smart PLS4 để xử lý dữ liệu
định lượng.

Bước 2:

 Thực hiện các công cụ, kỹ thuật để phân tích dữ liệu như: Cronbach’s Alpha, phân tích
nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA) trong đó phân tích mô
hình đo lường và mô hình cấu trúc rồi rút ra mô hình sau khi kiểm định, thực hiện PLS-
SEM, thống kê mô tả các biến và thông tin đáp viên (Cross Table).

Bước 3: Đánh giá, kết luận và báo cáo kết quả nghiên cứu.

Hình 8 : Quy trình nghiên cứu

3.2. Phương pháp nghiên cứu định tính

3.2.1. Mục đích nghiên cứu định tính

Thang đo mà nghiên cứu sử dụng được kế thừa từ các nghiên cứu trên các tạp chí, bài báo được
công báo quốc tế với thang đo gốc bằng tiếng Anh. Phương pháp nghiên cứu định tính được sử
dụng là để điều chỉnh, bổ sung cho các biến quan sát, từ đó hoàn chỉnh bảng câu hỏi khảo sát
để phù hợp khi khảo sát tại Việt Nam và cụ thể là thành phố Hồ Chí Minh.

69
3.2.2. Thiết kế nghiên cứu định tính

Nghiên cứu định tính được thực hiện dựa trên các cơ sở lý thuyết về mô hình OCTALYSIS và
lý thuyết sự hiện diện xã hội của các nghiên cứu trước đó để xây dựng thang đo sơ bộ. Sau đó,
thực hiện phỏng vấn 2 chuyên gia (có chuyên môn trong lĩnh vực kinh doanh nói chung và
Marketing nói riêng, cũng như có kinh nghiệm nghiên cứu trong lĩnh vực công nghệ, học tập)
và thảo luận nhóm tập trung với 7 đáp viên đại diện cho nhóm học sinh-sinh viên, đối tượng
khách hàng phổ biến của ứng dụng học tập trực tuyến.

Trong quá trình phỏng vấn chuyên gia và thảo luận nhóm, nghiên cứu có đề ra các câu hỏi mở
để hiểu rõ hơn nhận định của người tiêu dùng đối với các động lực thúc đẩy người dùng sử
dụng nền tảng học tập và khi có tình yêu thương hiệu sẽ dẫn tới những yếu tố nào. Bên cạnh
đó, khi thảo luận nhóm, nhóm nghiên cứu cũng đưa ra phân tích, giải thích cho người tham gia
thảo luận về các khái niệm, định nghĩa Gamification Learning và Metaverse.

Các câu hỏi phỏng vấn chuyên gia và thảo luận nhóm được thiết kế với những câu hỏi để họ có
thể dễ dàng theo kịp và trả lời, thuận lợi cho việc chia sẻ thông tin của đáp viên. Ngoài ra,
nhóm nghiên cứu có đưa ra một số câu hỏi phụ khác để khai thác nhiều hơn các khía cạnh cho
bài nghiên cứu trong quá trình phỏng vấn, thảo luận. Kết quả thu được từ việc nghiên cứu định
tính được nhóm sử dụng để tiến hành điều chỉnh, bổ sung các biến quan sát trong thang đo để
tránh gây hiểu lầm, tránh việc không truyền đạt đầy đủ ý nghĩa của câu hỏi.

3.2.3. Thực hiện nghiên cứu định tính

3.2.3.1. Phỏng vấn chuyên gia:

 Thông tin chuyên gia 1:
 Cô Dương Ngọc Hồng - giảng viên khoa Kinh doanh quốc tế - Marketing UEH. Cô là
giảng viên có chuyên môn về Quản trị Kinh doanh, Kinh doanh Quốc tế và Quản trị
chuỗi cung ứng, ngoài ra, cô đứng lớp các môn: Kinh doanh Quốc tế, Marketing Quốc tế
và Quản trị học. Hơn nữa cô có kinh nghiệm trong việc hướng dẫn sinh viên làm Khóa
luận tốt nghiệp và Nghiên cứu khoa học. Đồng thời, cô có sự am hiểu trong lĩnh vực
Metaverse, vì vậy cô chính là chìa khóa để mở ra nhiều khía cạnh mới về chủ đề
Gamification Learning trong Metaverse.
70
  Địa điểm: Cô kín lịch dạy nên không thể phỏng vấn trực tiếp, cô đã đọc bảng thang đo
và trả lời những câu hỏi phỏng vấn qua Zalo.
 Thông tin chuyên gia 2:
 Anh Nguyễn Xuân - là một người làm trong lĩnh vực Công nghệ thông tin. Với sự am
hiểu về công nghệ cũng như nắm bắt những xu hướng công nghệ của thế giới, tin chắc
rằng anh có đủ sự am hiểu cũng như trải nghiệm để có những chia sẻ quý giá cho chủ đề
Gamification Learning trong Metaverse.
 Địa điểm: Google Meet

3.2.3.2. Nhận xét và góp ý đến từ hai chuyên gia:

3.2.3.2.1. Mô hình nghiên cứu

 Chuyên gia 1: Cô Dương Ngọc Hồng
 Cô thấy rằng mô hình của nhóm đã hợp lý và có tính cập nhật với xu hướng trên thế
giới. Cô không đề xuất gì thêm vì mô hình đã khá tốt, khá rõ ràng.
 Chuyên gia 2: Anh Nguyễn Xuân
 Cơ bản anh thấy mô hình nhóm làm khá tốt, anh không có đề xuất chỉnh sửa gì thêm.
Tuy nhiên, anh thấy Metaverse khá rộng và cũng đang trong quá trình phát triển nên
mình vẫn phải tiếp tục nghiên cứu và hoàn thiện hơn.

3.2.3.2.2. Bảng câu hỏi

Tên biến Bảng câu hỏi gốc Góp ý Bảng câu hỏi sau chỉnh Tên biến
từ các sửa bổ sung của nhóm
chuyên
gia

Ảnh hưởng xã 1. Sau khi được xem -Không 1. Sau khi được xem qua Ảnh hưởng xã
hội và sự liên qua video về một ứng có góp video, tôi cảm thấy ứng hội và sự liên
quan dụng học tập áp dụng ý. dụng học tập áp dụng quan
Gamification Learning Gamification Learning
trong Metaverse của trong Metaverse của

71
[Thương hiệu X] tôi
cảm thấy nó mang lại
sự khuyến khích để
cạnh tranh hoặc cộng
tác nhiều hơn giữa bạn
bè.
2. Ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse này của
[Thương hiệu X] có thể
giúp tôi dễ dàng kết
bạn.
3. Tôi có động lực để
chia sẻ ý tưởng và trò
chuyện với người khác
khi sử dụng ứng dụng
học tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X].
4. Sau khi xem video
về ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
72
ViewSonic mang lại sự
khuyến khích để cạnh
tranh hoặc cộng tác nhiều
hơn giữa bạn bè, điều đó
tạo động lực học tập cho
tôi.
2. Tôi nghĩ ứng dụng học
tập áp dụng Gamification
Learning trong Metaverse
này của ViewSonic có thể
giúp tôi dễ dàng kết bạn.
3. Việc chia sẻ ý tưởng và
trò chuyện với người
khác khi sử dụng ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic tạo động lực
học tập cho tôi.
4. Tôi nghĩ động lực để
tôi sử dụng ứng dụng học
tập áp dụng Gamification
Learning trong Metaverse
của ViewSonic là nó có
thể giúp tôi định hướng
hoặc được định hướng
 hiệu X], tôi cảm thấy
nó giúp tôi định hướng
hoặc được định hướng
bởi những người khác.
Sự tò mò và 1. Sau khi được xem
khó đoán qua video về một ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X] Tôi có
một cái nhìn khác về
môi trường xung
quanh.
2. Tôi sẽ có động lực để
thực hiện các hành
động mang lại cho tôi
một phần thưởng bất
ngờ trong ứng dụng học
tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X].
3. Tôi thích sử dụng
ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X] khi tôi cố gắng
73
bởi những người khác.
1. Sau khi được xem qua Sự tò mò và
video về một ứng dụng khó đoán
học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic, Tôi có một
cái nhìn khác về môi
trường xung quanh.
2. Tôi nghĩ việc thực hiện
các hành động mang lại
cho tôi một phần thưởng
bất ngờ mang lại cho tôi
động lực để sử dụng ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic.
3. Tôi thích sử dụng ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic vì nó khiến
tôi cố gắng dự đoán
những gì sẽ xảy ra hoặc
 dự đoán những gì sẽ
xảy ra hoặc có khuynh
hướng xảy ra.
Phát triển và 1. Tôi cảm thấy có
thành tựu động lực thực hiện các
hoạt động mang lại
điểm cho tôi trong một
ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X].
2. Tôi sử dụng ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X], nếu
có cơ hội giành được
giải thưởng với nó.
3. Tôi thích các ứng
dụng học tập áp dụng
Gamification Learning
của [Thương hiệu X] vì
nó cho tôi cảm giác
thành tựu khi tôi chiến
thắng một thử thách
phức tạp.
4. Ứng dụng học tập áp
74
có khuynh hướng xảy ra.
1. Các hoạt động mang Phát triển và
lại điểm đã tạo động lực thành tựu
cho tôi sử dụng ứng dụng
học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic.
2. Tôi sẽ sử dụng ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic, nếu có cơ hội
giành được giải thưởng
với nó.
3. Tôi cảm thấy thích các
ứng dụng học tập áp dụng
Gamification Learning
của ViewSonic vì nó cho
tôi cảm giác thành tựu
khi tôi chiến thắng một
thử thách phức tạp.
4. Việc khuyến khích
nâng cao thành tích cũng
tạo động lực cho tôi sử
dụng ứng dụng học tập
 dụng Gamification
Learning của [Thương
hiệu X] khuyến khích
tôi nâng cao thành tích
của mình.
Gamification 1. Sau khi xem video
Learning trong về một ứng dụng học
Metaverse tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X], tôi
muốn học điều gì đó
thông qua Gamification
trong Metaverse.
2. Tôi cảm thấy các
hoạt động trong video
về một ứng dụng học
tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X] rất
phong phú.
3. Tôi nghĩ ứng dụng
học tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X] sẽ
giúp tôi học tốt hơn.
75
đó.
1. Sau khi xem video về Gamification
một ứng dụng học tập áp Learning trong
dụng Gamification Metaverse
Learning trong Metaverse
của ViewSonic, tôi muốn
học điều gì đó thông qua
Gamification trong
Metaverse.
2. Tôi cảm thấy các hoạt
động trong video về một
ứng dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic rất phong
phú.
3. Tôi nghĩ ứng dụng học
tập áp dụng Gamification
Learning trong Metaverse
của ViewSonic sẽ giúp
tôi học tốt hơn.
Brand love 1. Thật thú vị khi được
xem qua video về một
ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X]
2. Sự tương tác ảo
trong video với lớp học
của [Thương hiệu X]
trong Metaverse là
hoàn toàn tuyệt vời.
3. Tôi có cảm xúc
mạnh mẽ với ứng dụng
học tập áp dụng
Gamification Learning
trong Metaverse này
của [Thương hiệu X]
4. Sự tương tác với
video về một ứng dụng
học tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X] thực
sự là một niềm vui.
5. Tôi rất đam mê sự
tương tác của người
76
1. Thật thú vị khi được Brand love
xem qua video về một
ứng dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic.
2. Sự tương tác ảo trong
video với lớp học của
ViewSonic trong
Metaverse là hoàn toàn
tuyệt vời.
3. Tôi có cảm xúc mạnh
mẽ với ứng dụng học tập
áp dụng Gamification
Learning trong
Metaverse này của
ViewSonic.
4. Sự tương tác với video
về một ứng dụng học tập
áp dụng Gamification
Learning trong Metaverse
của ViewSonic thực sự là
một niềm vui.
5. Tôi rất đam mê sự
tương tác của người chơi
trong video về ứng dụng
học tập áp dụng
 chơi trong video về ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
[Thương hiệu X]
Brand 1. Sau khi xem video
engagement về ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X] khiến tôi nghĩ
về thương hiệu
[Thương hiệu X]
2. Việc xem video về
ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X] kích thích sự tò
mò của tôi để tìm hiểu
thêm về thương hiệu
[Thương hiệu X]
3. Tôi cảm thấy tích
cực khi xem video về
ứng dụng học tập áp
dụng Gamification
77
Gamification Learning
trong Metaverse của
ViewSonic.
1. Sau khi xem video về Brand
ứng dụng học tập áp dụng engagement
Gamification Learning
trong Metaverse của
ViewSonic khiến tôi nghĩ
về thương hiệu
ViewSonic
2. Việc xem video về ứng
dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic kích thích sự
tò mò của tôi để tìm hiểu
thêm về thương hiệu
ViewSonic.
3. Tôi cảm thấy tích cực
khi xem video về ứng
dụng học tập áp dụng
Gamification Learning
 Learning trong
Metaverse của [Thương
hiệu X]
Sự phản kháng 1. Thông tin tiêu cực về
lại thông tin ứng dụng học tập áp
tiêu cực từ dụng Gamification
phía khách Learning trong
hàng Metaverse của [Thương
hiệu X] không làm thay
đổi quan điểm chung
của tôi về [Thương hiệu
X].
2. Tôi dễ dàng thay đổi
quan điểm của mình về
ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X] dựa trên thông
tin tiêu cực về nó.
3. Thông tin tiêu cực
về ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X] không ảnh
78
trong Metaverse của
ViewSonic.
1. Thông tin tiêu cực về Sự phản kháng
ứng dụng học tập áp dụng lại thông tin
Gamification Learning tiêu cực từ
trong Metaverse của phía khách
ViewSonic không làm hàng
thay đổi quan điểm chung
của tôi về ViewSonic.
3. Thông tin tiêu cực về
ứng dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic không ảnh
hưởng đến tôi.
4. Thông tin tiêu cực về
ứng dụng học tập áp dụng
Gamification Learning
trong Metaverse của
ViewSonic không thay
đổi cách tôi nghĩ về
ViewSonic.
 hưởng đến tôi.

4. Thông tin tiêu cực về

ứng dụng học tập áp
dụng Gamification
Learning trong
Metaverse của [Thương
hiệu X] đã thay đổi
cách tôi nghĩ về
[Thương hiệu X].

Lòng trung 1. Tôi tin rằng sử dụng 1. Tôi tin rằng sử dụng Lòng trung
thành với [Thương hiệu X] này sẽ thương hiệu ViewSonic thành với
thương hiệu tốt hơn các thương hiệu này sẽ tốt hơn các thương thương hiệu
khác. hiệu khác.

2. Tôi tin rằng các đặc 2. Tôi tin rằng các đặc
điểm của [Thương hiệu điểm của ViewSonic này
X] này phù hợp với phù hợp với những gì tôi
những gì tôi thích. thích.

3. Tôi sẽ luôn ưu tiên 3. Tôi sẽ luôn ưu tiên sử

sử dụng [Thương hiệu dụng ViewSonic này hơn
X] này hơn thương hiệu thương hiệu đối thủ cạnh
đối thủ cạnh tranh. tranh.

Bảng 2: Bảng thang đo chưa chỉnh sửa

3.2.3.3. Phỏng vấn nhóm khảo sát: đối tượng là sinh viên ở khu vực thành phố Hồ Chí
Minh:

79
 Thông tin đáp Ý kiến Ý kiến về bảng câu hỏi Cảm nhận về Gamification Learning
viên về mô trong Metarverse
hình (các
biến)

- Tên: Đỗ Anh Mô hình - Không có ý kiến gì 1. Video truyền tải khá dễ hiểu về
Minh chi tiết, sản phẩm, tuy có sử dụng nhiều tiếng
- Năm sinh: 2002 khá đầy Anh và với một người ngoại ngữ
Sinh viên năm 4 đủ không được quá giỏi thì mình vẫn có
Trường Đại học thể hiểu được nội dung của video.
Công nghệ thông Các ứng dụng tính năng của ứng
tin (UIT) dụng mình thấy rất hay, và nếu sản
Chuyên ngành phẩm được ra đời thì mình nghĩ nó
Quản trị hệ thống có thể sẽ thành công.
thông tin 2. So với cách học thông thường thì
- Phương thức nền tảng mới này, mình thấy về cơ
phỏng vấn: bản cũng không quá khác so với nền
Online-Google tảng học tập thông thường. Tuy
Meet nhiên, nền tảng này mình thấy nó là
- Thời gian: 11:00 một bản nâng cấp rất hoàn thiện, khi
PM mà nó khắc phục được điểm yếu lớn
(27/01/2024) nhất của các nền tảng học tập cũ là
sự nhàm chán khi học tập online và
sự thiếu tương tác giữa các học sinh,
sinh viên khi học.
3.Mình nghĩ đó là đồ họa của ứng
dụng và chức năng thao tác dễ dàng,
ứng dụng hoạt động mượt mà và ít có
độ delay nhất.
Những yếu tố như hỗ trợ, hợp tác,

80
 cạnh tranh với người khác cũng là
một phần để mình sử dụng nền tảng
đó.
4. Việc áp dụng Gamification
Learning trong Metaverse vào một
nền tảng học tập sẽ là một trong
những lí do mình sẽ sử dụng ứng
dụng.
5. Trải nghiệm Doulingo: Cảm giác
học tập theo một phương pháp mới
và ứng dụng các trò chơi khiến mình
rất hào hứng.
6. Việc áp dụng sẽ giúp mình yêu
thích nền tảng đó hơn nếu như nó
phục vụ tốt cho mục đích chính của
mình là học tập.
7. Mình nghĩ là không, vì mình chưa
thử các ứng dụng học tập mới, còn
nền tảng học tập cũ mình không cảm
thấy quá yêu thích.
8. Khi yêu thích mình sẽ dành nhiều
thời gian.
9. Mình chưa thể từ bỏ nền tảng cũ
ngay được nếu như nó đang phục vụ
tốt cho mình. Khi có ứng dụng mới
cũng cần thời gian để sử dụng, trải
nghiệm và đánh giá sản phẩm đó,
nếu như nó hiệu quả hơn nền tảng cũ
thì có thể mình sẽ chuyển sang nền

81
 tảng mới.
10. Mình vẫn sẽ sử dụng ứng dụng
và kiểm chứng những thông tin tiêu
cực đó của mọi người, nếu như nó
không gây ảnh hưởng gì cho mình thì
mình cũng không quan tâm quá.

- Tên: Huỳnh Mô hình - Mình nghĩ nên thay 1.Mình cảm thấy phương pháp học
Nguyễn Bảo khá chặt [Thương hiệu X] thành tập này khá mới mẻ và thú vị, tạo cho
Châu chẽ và một thương hiệu cụ thể. mình cảm giác muốn được trải
- Năm sinh: 2004 chi tiết. - Trong thang đo “Sự nghiệm.
- Sinh viên năm 2 phản kháng lại thông 2. So với cách học thông thường thì
- Trường Đại học tin tiêu cực từ phía ứng dụng này có phần mới mẻ, có
Tài chính - khách hàng” mình thấy tích hợp trò chơi và thế giới ảo thì sẽ
Marketing có câu 1 và câu 2 khá tạo sự tò mò và khuyến khích tương
(UFM). giống nhau, mình nghĩ tác hơn của học sinh, sinh viên.
- Chuyên ngành bạn nên chọn 1 trong 2. 3. Mình thấy thì Gamification
Quản trị learning sẽ đi kèm với phần thưởng
Marketing. và điểm số, điều này khá thú vị, nó sẽ
- Phương thức khuyến khích mình học tập và hoàn
phỏng vấn: thành các nhiệm vụ, hơn nữa nó kích
Online-Google thích sự tò mò của mình và làm cho
Meet mình muốn trải nghiệm nó, kèm theo
- Thời gian: 11:00 sự hợp tác, cạnh tranh với người
PM khác cũng tạo cho mình động lực.
(28/01/2024) 4.Việc áp dụng Gamification
Learning trong Metaverse cũng là
một trong những yếu tố thúc đẩy
mình sử dụng nền tảng đó vì nó mới
mẻ và thú vị.

82
 5. Doulingo cũng là một ứng dụng
khá hay vì nó khiến mình học tiếng
anh thường xuyên hơn vì nó hay có
những thông báo trong thời gian nhất
định.
6. Mình nghĩ là việc ứng dụng
Gamification Learning trong
Metaverse sẽ giúp mình yêu thích
thương hiệu hơn Vì việc áp dụng
Gamification Learning trong
Metaverse thường giúp tạo ra những
trải nghiệm học tập độc đáo và thú
vị. Sự tích hợp của trò chơi, phần
thưởng, và các yếu tố của Metaverse
có thể tăng cường động lực, tương
tác, và tạo nên một trải nghiệm học
tập phong phú, từ đó làm cho người
sử dụng yêu thích nền tảng học tập
hơn.
7. Khi sử dụng một ứng dụng học tập
trong thời gian dài nó sẽ dần trở
thành thói quen của mình và mình
nghĩ mình sẽ yêu thích nó.
8. Mình sẽ dành nhiều thời gian cho
một ứng dụng mà mình yêu thích vì
khi mình đã yêu thích thì đồng nghĩa
với việc nền tảng đó mang lại cho
mình nhiều giá trị hữu ích.
9. Việc mình có ưu tiên sử dụng nền

83
 tảng đó hay không thì phải phụ thuộc
vào việc mình có cần sử dụng tính
năng đó hay không.
10. Mình sẽ tìm hiểu kỹ càng thông
tin tiêu cực đó, nếu không có ảnh
hưởng gì đến trải nghiệm của mình
thì mình vẫn sẽ sử dụng ứng dụng đó

- Tên: Phan Nhị Mô hình - Câu hỏi nên đa dạng 1. Mình thấy ứng dụng này khá hay
Hào khá hay. về từ ngữ hơn để không và mới mẻ so với Việt Nam của
- Năm sinh: 2004 bị trùng lặp. mình.
- Sinh viên năm 2 2. Mình thấy thú vị hơn so với cách
- Trường Đại học học thông thường trên trường và nó
Sư phạm kỹ thuật còn mới mẻ nên mình khá tò mò
thành phố Hồ Chí muốn khám phá nó.
Minh 3. Mình thấy nền tảng này có thể kết
(HCMUTE). nối với nhiều người khác mà không
- Chuyên ngành cần đến lớp, vì nó cũng khá mới mẻ
Hệ thống nhúng nên tạo cho mình cảm giác tò mò,
và IoT. bên cạnh đó thì nó còn có các cấp độ
- Phương thức và điểm thưởng cũng là yếu tố khiến
phỏng vấn: mình thích nền tảng này.
Online-Google 4. Việc áp dụng Gamification
Meet Learning trong Metaverse cũng là
-Thời gian: 11:30 yếu tố thúc đẩy mình sử dụng nền
PM tảng này vì nó khá mới mẻ.
(28/01/2024) 5. Mình thấy Doulingo cũng khá là
hay vì nó giúp mình học tiếng anh
thông qua hình ảnh và giúp mình học
từ vựng khá tốt.

84
 6. Khi áp dụng trò chơi trong nền
tảng học tập trực tuyến sẽ mang lại
cho mình những trải nghiệm phong
phú và đáng nhớ.
7. Mình nghĩ khi sử dụng một ứng
dụng trong thời gian dài thì sẽ khiến
mình yêu thích nó hơn.
8. Mình sẽ dành nhiều thời gian cho
ứng dụng đó nếu mình yêu thích nó.
9. Mình sẽ ưu tiên sử dụng nền tảng
đó nếu nó mang lại cho mình nhiều
giá trị.
10. Mình sẽ xem xét thông tin tiêu
cực đó, nếu như lường tin đó không
ảnh hưởng gì tới trải nghiệm của
mình thì mình vẫn sẽ sử dụng ứng
dụng đó.

- Tên: Nguyễn Mô hình - Câu hỏi ổn, nên thay 1. Khi mình tham gia một lớp học
Gia Hân đầy đủ đổi [Thương hiệu X] như vậy thì sẽ chủ động được thời
- Năm sinh: 2003 không thành thương hiệu cụ gian, cũng như là cũng có sự tương
- Sinh viên năm 3 cần thể hoặc là chỉ chung tác
- Đại học Kinh tế chỉnh 2. Mặc dù thấy tiện lợi nhưng không
TP.HCM (UEH) sửa thêm có tương tác thực tế chỉ có tương tác
- Chuyên ngành qua âm thanh là nhiều, ít thấy hình, ít
Kinh doanh có hoạt động tham gia cùng nhau =>
thương mại Chị thích hoạt động trực tiếp gặp
- Phương thức nhau trên trường hơn
phỏng vấn: 3. Những yếu tố như: giao diện: dễ
Online-Google dàng thao tác trên điện thoại laptop

85
Meet Dễ dàng tiếp cận, phải mượt
- Thời gian: 1:30 Các yếu tố như hỗ trợ, cạnh tranh, có
PM thể ưu tiên sử dụng nền tảng nào phù
(29/01/2024) hợp với khách hàng
4. Có, Gami là một yếu tố để tạo sự
thú vị cho nền tảng đó, khiến người
dùng thích thú và tham gia nền tảng
đó.
5. Trải nghiệm Doulingo: Dùng lâu
quá không nhớ, chỉ sử dụng để trải
nghiệm => không có kiên trì, không
có mục đích sử dụng
6. Có, nếu chỉ học tập thì sẽ nhàm
chán, có áp dụng thêm Gamification
thì sẽ thú vị hơn với người dùng, ngta
dễ tiếp thu hơn
7. Tùy vào thiết kế của nền tảng đó
và khả năng cung cấp kiến thức có
phù hợp với mình không.
8. Khi mà yêu thích nó thì sẽ sử dụng
nó nhiều hơn.
9. Có, một nền tảng thích hơn thì sẽ
sử dụng cái thích hơn.
10. Phải kiểm chứng luồng thông tin
tiêu cực là đúng hay sai, có thể thông
tin đó không ảnh hưởng tới chị vì chị
không thấy sự tiêu cực đó khi sử
dụng nền tảng, nên thông tin tiêu cực
có thể nó sẽ không ảnh hưởng đối với

86
 chị.

- Tên: Nguyễn Mô hình - Những câu trả lời 1. Cảm thấy ấn tượng và bất ngờ với
Ngọc Hoàn Vũ khá đầy trong thang đo khá đầy cái nền tảng như thế này.
- Năm sinh: 2003 đủ và chi đủ và giống với thực tế 2. Cảm thấy nền tảng này thuận tiện,
- Sinh viên năm 3 tiết của một người sử dụng so với offline mình sẽ tốn nhiều thời
- Đại học Kinh tế - Những câu hỏi cũng gian di chuyển, đi học gặp nhiều rủi
TP.HCM (UEH) giống với trải nghiệm cá ro, học online như vậy sẽ tiết kiệm
- Chuyên ngành nhân của mình thời gian và công sức cho cả giáo
Thương mại điện => Không có góp ý gì viên và người học.
tử thêm 3. Anh cảm thấy những cái đồ họa
- Phương thức trên nền tảng này vì nó khiến mình
phỏng vấn: trở nên chân thật nhất với việc học
Online-Google offline, có nhiều loại phòng học và
Meet giống với thực tế, cũng như việc giáo
- Thời gian: 3:00 viên ấn nút để sắp xếp học sinh vào
PM chỗ ngồi cũng như gom nhóm nhanh
(29/01/2024) chóng sẽ tiết kiệm thời gian hơn.
Những yếu tố như hỗ trợ, cạnh tranh
là động lực để sử dụng nền tảng vì nó
giúp cảm thấy việc học tập giống đời
thực nhất có thể.
4. Gamification đang là một xu
hướng và bản thân anh cũng thích
những hoạt động vừa chơi vừa học
tập nên khi áp dụng thì anh cảm thấy
rất cân nhắc nên sử dụng nền tảng
đó.
5. Trải nghiệm Doulingo: là một ứng
dụng hay, khi mà nó áp dụng phưong

87
 pháp học tập thú vị để thúc đẩy quá
trình học của người học: flashcard,
câu hỏi trắc nghiệm hay là nhắc nhở
học khi quên học. Thấy là Doulingo
là một app tốt với người tự học tiếng
anh.
6. Yếu tố khiến anh yêu thích nó hơn,
bởi vì game trong nền tảng đó thực
sự hay và hấp dẫn cộng với việc nhớ
được kiến thức.
7. Cũng chưa chắc, vì nó phụ thuộc
vào những yếu tố mình chỉ sử dụng
vào mục đích học tập, vì nó tiện nên
mình sử dụng lâu, nên có thể khi tìm
được một ứng dụng tốt hơn thì mình
sẽ hết yêu thích ứng dụng mình đã sử
dụng trong thời gian dài.
8. Rất có thể dành nhiều thời gian
hơn cho nó, vì nếu mình thấy thú vị
và việc tốn thời gian vào ứng dụng
đó làm mình không có lãng phí.
9. Anh sẽ cân nhắc sử dụng thử ứng
dụng hấp dẫn mới đó xem sao và so
sánh với ứng dụng mình đang sử
dụng nếu ứng dụng mới đó dễ sử
dụng, có đầy đủ tính năng hiện giờ
ứng dụng đang có thì anh sẽ cân nhắc
chuyển từ cũ sang mới để sử dụng,
còn nếu ứng dụng mới giống và có

88
 nhiều tính năng không cần thiết lắm,
thì không cần thiết thay đổi cái mới.
10. Anh sẽ xem xét những thông tin
tiêu cực có đúng hay không và sẽ xác
nhận lại, nếu bản thân thấy những
thông tin đó không đúng lắm thì anh
vẫn sẽ tiếp tục sử dụng ứng dụng,
còn nếu nó đúng và đang ảnh hưởng
đến anh và người dùng khác thì anh
sẽ phản ánh lên công ty ứng dụng để
công ty xem xét sửa đổi để việc anh
sử dụng ứng dụng được nâng cao
hơn, còn nếu không nhận được phản
hồi tích cực nữa thì anh sẽ xem xét
những ứng dụng khác để thay đổi.

- Tên: Hồ Thị Mô hình - Khi đọc Bảng câu hỏi 1. Cảm thấy hình thức học tập này
Trúc Mai khá đầy thang đo, cảm thấy chưa khá là hấp dẫn, thú vị, mới lạ, cũng
- Năm sinh: 2004 đủ, có được phù hợp vì không muốn thử một lần.
- Sinh viên năm 2 tính sáng thấy đánh giá mức độ 2. So với cách học online mình từng
- Đại học Kinh tế tạo ảnh hưởng tiêu cực/tích học qua thì thầy nó có thể khắc phục
TP.HCM (UEH) cực của 1 biến lên biến được hầu hết nhược điểm của học
- Chuyên ngành khác. online là tạo được không gian lớp
Ngoại thương - Ví dụ ở biến 1, có 4 sự học để người học không bị mất tập
- Phương thức lựa chọn thì mình không trung.
phỏng vấn: thấy giống 1 cái thang 3. Trong video, mình thấy được sự
Online-Google đo. Không thấy nó đang tương tác giữa người học và người
Meet muốn biểu hiện ảnh dạy, có quizz, trả lời câu hỏi…
- Thời gian: 6:30 hưởng nhiều hay ít của Những yếu tố như hỗ trợ, cạnh tranh
PM 1 biến lên 1 biến. là yếu tố thúc đẩy bản thân.

89
(29/01/2024) 5. Trải nghiệm Doulingo: Sử dụng đã
lâu và chỉ sử dụng trong thời gian
ngắn, dừng sử dụng vì không học
ngôn ngữ nữa.
6. Mình nghĩ là có. Vì nó tạo ra sự
tương tác, đó là nhược điểm của học
online và học một mình.
7. Mình nghĩ là có, sử dụng lâu và sử
dụng ok thì vẫn sẽ sử dụng.
8. Nếu yêu thích thì sẽ dùng nhiều
thời gian hơn, nếu nó tạo ra hiệu quả
thì mình sẽ dùng nhiều hơn.
9. Sử dụng cái đó nếu hiệu quả thì
hầu như mình chỉ sử dụng mỗi cái đó
thôi.
10. Nếu mà nó giúp ích cho mình thì
mình sẽ không quan tâm đến tranh
cãi xung quanh.

90
- Tên: Vương Mô hình - Không có góp ý 1. Cảm thấy mô hình học này tương
Hạnh Phương đầy đủ, đối thú vị, nếu được sử dụng mô hình
- Năm sinh: 2003 chi tiết này trong tương lai thì người học sẽ
- Sinh viên năm 3 có nhiều lợi ích và tăng hiệu quả.
- Đại học Kinh tế 2. Nền tảng học này tiến bộ tạo cảm
TP.HCM (UEH) hứng cho người học so với thông
- Chuyên ngành thường.
Tài chính 3. Thấy nền tảng học tập này có thể
- Phương thức kết nối, hợp tác, cạnh tranh với người
phỏng vấn: học khác tăng động lực trong học tập.
Online- Google Ngoài ra, thấy khá thú vị, nó kiến
Meet mình tò mò để khám phá. Những yếu
- Thời gian: 10:30 tố như điểm thưởng, để đạt cấp độ
PM mới cũng là điều hứng thú khi tham
(29/01/2024) gia nền tảng này.
Các yếu tố như hỗ trợ, hợp tác cạnh
tranh là động lực để sử dụng nền tảng
này, vì nó giống điều kết nối với mọi
người.
4. Đây là một trong những yếu tố
thúc đẩy trong một quá trình học tập.
5. Trải nghiệm Doulingo: Không có
sử dụng để học ngoại ngữ, vì thường
sẽ học trên trung tâm hoặc youtube,
phim ảnh.
6. Có, khi áp dụng trò chơi trong một
nền tảng học tập trực tiếp thì nó sẽ
hứng thú hơn, thúc đẩy mình tương
tác nhiều hơn với nền tảng đó.

91
 7. Sử dụng nhiều thì sẽ yêu thích hơn
vì sử dụng thời gian dài sẽ hình thành
thói quen.
8. Sẵn sàng dành nhiều thời gian cho
nó, chỉ dành 5-7 tiếng/ ngày là cùng.
9. Tất nhiên khi yêu thích thì sẽ ưu
tiên sử dụng nó hơn, vì nó phải mang
lại một cảm giác, giá trị gì đó cho
mình ưu tiên cho nó.
10. Phải cân nhắc luồng thông tin
tiêu cực, tìm hiểu thông tin có đúng
không, khi đấy mới xác định có sử
dụng tiếp hay không.

Bảng 3: Nội dung khảo sát chuyên gia

3.2.4. Tổng kết sau phỏng vấn:

 Nhận được sự góp ý chân thành từ 2 chuyên gia và các bạn trong nhóm khảo sát đã khiến
nhóm nhận ra nhiều khuyết điểm mà nhóm cần phải chỉnh sửa ngay như: [Thương hiệu X]
nên thay bằng một thương hiệu cụ thể, một vài câu còn khá giống nhau, câu hỏi nên đa dạng
về từ ngữ hơn để không bị trùng lặp. Ngoài ra nhóm còn được nhận xét là các câu hỏi
không đánh giá mức độ ảnh hưởng tiêu cực/tích cực của một biến lên biến khác.
Bảng thang đo

Ảnh hưởng xã hội Sau khi được xem qua video, tôi cảm thấy ứng (MARISA, Fitri, et
và sự liên quan dụng học tập áp dụng Gamification Learning trong al, 2020)

Metaverse của ViewSonic mang lại sự khuyến

khích để cạnh tranh hoặc cộng tác nhiều hơn giữa
bạn bè, điều đó tạo động lực học tập cho tôi.

92
 Tôi nghĩ ứng dụng học tập áp dụng Gamification (D'ARC DA SILVA
Learning trong Metaverse này của ViewSonic có BRITO, Richard, et

thể giúp tôi dễ dàng kết bạn. al., 2018)

Việc chia sẻ ý tưởng và trò chuyện với người khác

khi sử dụng ứng dụng học tập áp dụng Gamification
Learning trong Metaverse của ViewSonic tạo động
lực học tập cho tôi.

Tôi nghĩ động lực để tôi sử dụng ứng dụng học tập
áp dụng Gamification Learning trong Metaverse
của ViewSonic là nó có thể giúp tôi định hướng
hoặc được định hướng bởi những người khác.

Sự tò mò và khó Sau khi được xem qua video về một ứng dụng học (D'ARC DA SILVA
đoán tập áp dụng Gamification Learning trong Metaverse BRITO, Richard, et
của ViewSonic, Tôi có một cái nhìn khác về môi al., 2018)

trường xung quanh.

Tôi nghĩ việc thực hiện các hành động mang lại cho
tôi một phần thưởng bất ngờ mang lại cho tôi động
lực để sử dụng ứng dụng học tập áp dụng
Gamification Learning trong Metaverse của
ViewSonic.

Tôi thích sử dụng ứng dụng học tập áp dụng

Gamification Learning trong Metaverse của
ViewSonic vì nó khiến tôi cố gắng dự đoán những
gì sẽ xảy ra hoặc có khuynh hướng xảy ra.

93
Phát triển và thành Các hoạt động mang lại điểm đã tạo động lực cho (MARISA, Fitri, et
tựu tôi sử dụng ứng dụng học tập áp dụng Gamification al, 2020)

Learning trong Metaverse của ViewSonic.

Tôi sẽ sử dụng ứng dụng học tập áp dụng

Gamification Learning trong Metaverse của
ViewSonic, nếu có cơ hội giành được giải thưởng
với nó.

Tôi cảm thấy thích các ứng dụng học tập áp dụng (D'ARC DA SILVA
Gamification Learning của ViewSonic vì nó cho tôi BRITO, Richard, et
cảm giác thành tựu khi tôi chiến thắng một thử al., 2018)

thách phức tạp.

Việc khuyến khích nâng cao thành tích cũng tạo

động lực cho tôi sử dụng ứng dụng học tập đó.

Gamification Sau khi xem video về một ứng dụng học tập áp
Learning trong dụng Gamification Learning trong Metaverse của (AGUSTINI, Ketut,
Metaverse ViewSonic, tôi muốn học điều gì đó thông qua et al., 2023)

Gamification trong Metaverse.

Tôi cảm thấy các hoạt động trong video về một ứng
dụng học tập áp dụng Gamification Learning trong
(DÍAZ-RAMÍREZ,
Metaverse của ViewSonic rất phong phú.
Jenny., 2020)
Tôi nghĩ ứng dụng học tập áp dụng Gamification
Learning trong Metaverse của ViewSonic sẽ giúp
tôi học tốt hơn.

Brand love Thật thú vị khi được xem qua video về một ứng
(Carroll and
dụng học tập áp dụng Gamification Learning trong

94
 Metaverse của ViewSonic.
Ahuvia, 2006)
Sự tương tác ảo trong video với lớp học của
ViewSonic trong Metaverse là hoàn toàn tuyệt vời.

Tôi có cảm xúc mạnh mẽ với ứng dụng học tập áp

dụng Gamification Learning trong Metaverse này
của ViewSonic.

Sự tương tác với video về một ứng dụng học tập áp

dụng Gamification Learning trong Metaverse của
ViewSonic thực sự là một niềm vui.

Tôi rất đam mê sự tương tác của người chơi trong

video về ứng dụng học tập áp dụng Gamification
Learning trong Metaverse của ViewSonic.

Brand engagement Sau khi xem video về ứng dụng học tập áp dụng (Hollebeek et al,
Gamification Learning trong Metaverse của 2014)

ViewSonic khiến tôi nghĩ về thương hiệu

ViewSonic.

Việc xem video về ứng dụng học tập áp dụng

Gamification Learning trong Metaverse của
ViewSonic kích thích sự tò mò của tôi để tìm hiểu
thêm về thương hiệu ViewSonic.

Tôi cảm thấy tích cực khi xem video về ứng dụng
học tập áp dụng Gamification Learning trong
Metaverse của ViewSonic.

Sự phản khoáng lại Thông tin tiêu cực về ứng dụng học tập áp dụng (Eisingerich et al.,
thông tin tiêu cực Gamification Learning trong Metaverse của 2011)

ViewSonic không làm thay đổi quan điểm chung

95
 từ phía khách hàng của tôi về ViewSonic.

Thông tin tiêu cực về ứng dụng học tập áp dụng

Gamification Learning trong Metaverse của
ViewSonic không ảnh hưởng đến tôi.

Thông tin tiêu cực về ứng dụng học tập áp dụng

Gamification Learning trong Metaverse của
ViewSonic không thay đổi cách tôi nghĩ về
ViewSonic.

Lòng trung thành Tôi tin rằng sử dụng ViewSonic này sẽ tốt hơn các (Elena Delgado-
với thương hiệu thương hiệu khác. Ballester, 2003)

Tôi tin rằng các đặc điểm của ViewSonic này phù
hợp với những gì tôi thích
(Oliver Rust &
Tôi sẽ luôn ưu tiên sử dụng ViewSonic này hơn Varki, 1997)
thương hiệu đối thủ cạnh tranh

Bảng 4: Bảng thang đo sau chỉnh sửa

 Sau khi phỏng vấn cả chuyên gia lẫn nhóm đối tượng khảo sát, nhóm nhận được nhiều sự
tán thành đối với mô hình mà nhóm xây dựng. Đa số là những đánh giá tích cực: mô hình
đã phù hợp, khá chi tiết, chặt chẽ… Bên cạnh đó cũng không có góp ý thêm về yếu tố khác
ngoài những yếu tố đã liệt kê trong mô hình. Ngoài ra, nhờ sự chỉ dẫn nhiệt tình của Thầy
Minh, nhóm đã xây dựng được mô hình:

96
H Tương tác xã hội và sự liên quan ảnh hưởng tích cực đến việc học tập thông qua
1 Gamification trong Metaverse.

H Sự tò mò và khó đoán ảnh hưởng tích cực đến việc học tập thông qua Gamification trong
2 Metaverse.

H “Phát triển và Thành tựu” tạo môi trường học tập sôi động sử dụng PBLs để xây dựng
3 Gamification Learning trong Metaverse.

H Hoạt động trải nghiệm điều chỉnh đáng kể mối quan hệ giữa Gamification Learning trong
4 Metaverse và tình yêu thương hiệu.

H Hoạt động trải nghiệm điều chỉnh đáng kể mối quan hệ giữa Gamification Learning trong
5 Metaverse và sự gắn kết người học.

H Sự tương tác với thương hiệu ảo của người học có mối quan hệ tích cực đáng kể với sự
6 yêu thích thương hiệu của người học trong Metaverse.

H Brand love có ảnh hưởng tích cực đến lòng trung thành với thương hiệu.
7

H Brand love có ảnh hưởng tích cực đến sự phản kháng lại những thông tin tiêu cực của
97
 8 khách hàng.

Bảng 5: Bảng tóm tắt giả thuyết

3.3. Phương pháp nghiên cứu định lượng

3.3.1 Thiết kế nghiên cứu định lượng

Đối tượng khảo sát: người học có hứng thú với việc trải nghiệm Gamification Learning
trong Metaverse trong độ tuổi từ 10 đến 24 tuổi, đây là độ tuổi có nhu cầu học tập cao nhất, có
khả năng thích ứng nhanh nhất với những công nghệ mới và có khả năng tiếp thu kiến thức
nhanh nhất hiện đang sinh sống và làm việc tại thành phố Hồ Chí Minh.

Các bước phân tích trong nghiên cứu định lượng để phục vụ cho mục đích đánh giá
thang đo, kiểm định các giả thuyết được đề ra trong nghiên cứu và mô hình nghiên cứu đề
xuất.

Thiết kế bảng câu hỏi:

Bảng câu hỏi khảo sát được xây dựng dựa trên kết quả nghiên cứu định tính. Nghiên cứu
sử dụng thang đo Likert 5 với mức độ đo lường từ 1-5 (từ “Rất không đồng ý” đến “Rất đồng
ý”) để đánh giá mức độ không đồng ý hoặc đồng ý của người tham gia khảo sát về các phát
biểu.

Bảng câu hỏi được chia thành 3 phần:

Phần 1: Câu hỏi sàng lọc: Gồm ba câu hỏi. Trong đó, có bốn câu hỏi có câu trả lời Có/Không
là “Bạn đang sống tại thành phố Hồ Chí Minh đúng không? ”, “Bạn có nghĩ việc học trực tuyến
sẽ rất thú vị không?”, “Bạn đã từng trải nghiệm qua Gamification Learning trong Metaverse
bao giờ chưa? ” và “Sau khi xem video về ứng dụng của Gamification Learning trong
Metaverse có giúp bạn hình dung được phần nào về sự thú vị của nó ?” . Một câu hỏi sàng lọc
độ tuổi. Những người ngoài độ tuổi 10-24 sẽ không tiến hành tiếp tục trả lời. Ba câu hỏi sàn lọc
về chi phí học tập, phương pháp học và thời gian học mỗi ngày đó là : “Chi phí bạn thường
gianh cho mỗi khóa học là bao nhiêu?” , “Bạn thường học tập qua phương thức nào?” , “Bạn
giành bao nhiêu thời gian cho việc học mỗi ngày?” .

98
Phần 2: Câu hỏi khảo sát chính: ghi nhận đánh giá của người tham gia khảo sát về:

1. Ảnh hưởng xã hội và sự liên quan - 4 câu hỏi

2. Sự tò mò và khó đoán - 3 câu hỏi

3. Phát triển và thành tựu - 4 câu hỏi

4. Gamification Learning trong Metaverse - 3 câu hỏi

5. Brand love - 5 câu hỏi

6. Brand engagement - 3 câu hỏi

7. Sự phản khoáng lại thông tin tiêu cực từ phía khách hàng - 3 câu hỏi

8. Lòng trung thành với thương hiệu - 3 câu hỏi

Tổng cộng bảng câu hỏi có 28 câu hỏi được người tham gia khảo sát đánh giá, từ đó nhóm có
thể thu thập dữ liệu cho các biến, xử lý và phân tích kết quả cho bài nghiên cứu.

Phần 3: Câu hỏi thông tin cá nhân

Câu hỏi thông tin cá nhân của người tham gia khảo sát bao gồm giới tính, độ tuổi và nghề
nghiệp để thực hiện phân tích thống kê mô tả và kiểm định hỗ trợ cho nghiên cứu định lượng “

3.3.2 Tính toán số mẫu

Cách 1: Theo Hair và cộng sự (2014) (F. Hair Jr et al., 2014), kích thước mẫu tối thiểu
để sử dụng EFA là 50, tốt hơn là từ 100 trở lên. Tỷ lệ số quan sát trên một biến phân tích là 5:1
hoặc 10:1. Bảng khảo sát sử dụng 28 thang đo Likert 5 mức độ, (tương ứng với 28 biến quan
sát thuộc các nhân tố khác nhau), 28 câu này được sử dụng để phân tích trong một lần EFA. Áp
dụng tỷ lệ 5:1, cỡ mẫu tối thiểu sẽ là 28 × 5 = 140. Áp dụng tỉ lệ 10:1, cỡ mẫu tối thiểu sẽ là
280.”
Cách 2: Theo thống kê dân số Thành phố Hồ Chí Minh theo độ tuổi năm 2024 theo độ
tuổi và giới tính, nhóm lập bảng như sau:

99
 Giới tính

Nhóm tuổi Nam Nữ Tổng

10-14 268.46
293.267 9 561.736

15-19 344.356 332.03 676.394

8

20-24 422.724 441.17 863.894

0

Bảng 6: Thống kê dân số Hồ Chí Minh theo độ tuổi, giới tính năm 2024

(Source: https://www.invert.vn/dan-so-thanh-pho-ho-chi-minh-ar4492 )

Bởi vì tính khả quan trong việc tiếp cận tất cả mọi người cũng như điều kiện về thời gian,
vật chất hiện có, nhóm nghiên cứu không thể khảo sát hết từng cá nhân hoặc tập thể kể trên. Vì
vậy, nhóm sử dụng công thức tính mẫu như bên dưới:”
Trong đó:
Z: giá trị được tiêu chuẩn hóa liên quan đến mức độ tin cậy
P: ước tính tỉ lệ dân số dự kiến có đặc điểm mong muốn dựa trên trực giác hoặc thông
tin trước đó.
Q = (1 - p): ước tính tỷ lệ dân số dự kiến không có đặc điểm quan tâm
e: mức sai số chấp nhận được (tính theo điểm phần trăm)

Để tạo kết quả đáng tin cậy, nhóm nghiên cứu thiết lập mức độ tin cậy là 95% và khoảng
tin cậy (e) là 5%. Mức độ tin cậy này dẫn đến giá trị của z = 1,96.

Ngoài ra, nhóm có giá trị của P dựa trên tỉ lệ số dân từ 15-49 tuổi trên tổng dân số thành
phố Hồ Chí Minh.
p = 0,2

100
 n= 1.962 X 0.2 X (1-0.2)0.052 = 246

So sánh giữa 2 cách tính kích thước mẫu, chọn kích thước mẫu tối thiểu lớn hơn là 280.
Để đảm bảo tính chính xác, tạo kết quả nghiên cứu đáng tin cậy, nhóm xác định kích thước
mẫu cho nghiên cứu là 335, đại diện cho tổng cộng 2.102.024 người dân TP.HCM thuộc nhóm
tuổi 10 – 24 và có nhu cầu học tập trực truyến.

3.3.3 Kỹ thuật chọn mẫu

Để xác định được số lượng người được phỏng vấn thuộc mỗi nhóm tuổi và giới tính,
nhóm nghiên cứu tiếp tục tính toán và cho ra kết quả cụ thể như sau:

Giới tính

Nhóm Nam Nữ Tổng

tuổi

10-14 47 43 90

15-19 55 53 108

20-24 67 70 137

335

Bảng 7: Thống kê tuổi và giới tính mẫu khảo sát dự kiến

Mẫu được chọn theo phương pháp phi xác suất vì phương pháp này không chỉ giúp dễ
dàng tiếp cận đối tượng khảo sát, mà còn phù hợp với đặc thù của chủ đề nghiên cứu. Người
tham gia khảo sát sẽ điền vào biểu mẫu mà nhóm đã chuẩn bị sẵn.

Thứ nhất, sử dụng phương pháp chọn mẫu định mức, tiến hành phân tổ tổng thể theo
một tiêu thức (ở đây là theo giới tính và độ tuổi). Sau đó dùng phương pháp chọn mẫu thuận
tiên hay chọn mẫu phán đoán để chọn các đơn vị trong từng tổ để tiến hành điều tra. Sau đó,
thực hiện chọn những người xung quanh hay thuận lợi cho việc điều tra để hoàn thành khảo sát.

101
 Thứ hai, sử dụng phương pháp chọn mẫu tích lũy nhanh, tức là bắt đầu từ một phần tử
được chọn lọc nào đó, sau đó nhờ người này giới thiệu hoặc định danh những người khác cùng
đặc tính như họ để phỏng vấn tiếp.

Nhóm sẽ tiến hành kiểm soát số lượng người tham gia trả lời khảo sát một cách sát sao,
sao cho số lượng đáp viên phù hợp với phân bố giới tính và độ tuổi, chênh lệch tối đa ± 3.

3.3.4 Phương pháp tiếp cận mẫu

Nhóm sử dụng bảng câu hỏi khảo sát trên nền tảng Google Form. Khảo sát gồm 28 câu
hỏi. Đối với các câu hỏi đánh giá các biến, nghiên cứu sử dụng thang đo Likert 5 điểm từ 1 đến
5 (1 = Hoàn toàn không đồng ý, 2 = Không đồng ý, 3 = Bình thường, 4 = Đồng ý, 5 = Hoàn
toàn không đồng ý). Trong thời gian khảo sát, nhóm đã gửi bảng câu hỏi lên các nhóm
Facebook khác nhau để đảm bảo kết quả khảo sát được phân bố đều theo đối tượng khảo sát.
Bên cạnh đó, nhóm đã thực hiện khảo sát trực tiếp đến các đối tượng xung quanh và dùng
phương pháp tích lũy nhanh để tìm những người khác cùng đặc tính hoàn thành khảo sát.

Trong thời gian là 2 tuần, nhóm gửi bảng câu hỏi lên các hội nhóm học sinh, sinh viên
và gửi đến các cá nhân người học toàn thành phố Hồ Chí Minh. Đối tượng khảo sát nghiên cứu
nằm trong các nhóm độ tuổi 10-14, 15-19, 20-24, nằm đại diện trong khu vực thành phố Hồ
Chí Minh. Cỡ mẫu đủ cho nghiên cứu này là 335.

Tất cả các nhóm độ tuổi 10-14,15-19, 20-24, nhóm dự định làm theo một cách là khảo
sát trực tiếp trên địa bàn Thành phố Hồ Chí Minh.

Địa điểm:

 Vạn Hạnh Mall, Quận 10

 Công viên Văn Lang, Quận 5
 Công viên Thủ Thiêm, TP Thủ Đức
 Chân cầu Ba Son, Quận 2
 Chung cư Hạnh Phúc, Huyện Bình Chánh
 Co.op Mart Huỳnh Tấn Phát, Quận 7

102
  Chợ hoa Hồ Thị Kỷ, Quận 10

Nhóm dự định gửi bản khảo sát trực tiếp đến các đối tượng xung quanh và dùng phương
pháp tích lũy nhanh để tìm những người khác cùng đặc tính hoàn thành khảo sát.

3.3.5 Bảng câu hỏi định lượng

Biến khảo sát Câu hỏi khảo sát Loại Nguồn câu hỏi
thang đo

Ảnh hưởng xã AH1 Sau khi được xem qua video, tôi cảm Thang (MARISA, Fitri, et

hội và sự liên thấy ứng dụng học tập áp dụng đo al, 2020)

quan Gamification Learning trong khoảng

(AH) Metaverse của ViewSonic mang lại sự cách
khuyến khích để cạnh tranh hoặc cộng
tác nhiều hơn giữa bạn bè, điều đó tạo
động lực học tập cho tôi.

AH2 Tôi nghĩ ứng dụng học tập áp dụng

Gamification Learning trong
Metaverse này của ViewSonic có thể
giúp tôi dễ dàng kết bạn.

AH3 Việc chia sẻ ý tưởng và trò chuyện với

(D'ARC DA
người khác khi sử dụng ứng dụng học
SILVA BRITO,
tập áp dụng Gamification Learning
Richard, et al.,
trong Metaverse của ViewSonic tạo 2018)
động lực học tập cho tôi.

AH4 Tôi nghĩ động lực để tôi sử dụng ứng

dụng học tập áp dụng Gamification
Learning trong Metaverse của

103
 ViewSonic là nó có thể giúp tôi định
hướng hoặc được định hướng bởi
những người khác.

Sự tò mò và khó ST1 Sau khi được xem qua video về một Thang
(D'ARC DA
đoán ứng dụng học tập áp dụng đo
SILVA BRITO,
(ST) Gamification Learning trong khoảng
Richard, et al.,
Metaverse của ViewSonic, Tôi có một cách 2018)
cái nhìn khác về môi trường xung
quanh.

ST2 Tôi nghĩ việc thực hiện các hành động

mang lại cho tôi một phần thưởng bất
ngờ mang lại cho tôi động lực để sử
dụng ứng dụng học tập áp dụng
Gamification Learning trong
Metaverse của ViewSonic.

ST3 Tôi thích sử dụng ứng dụng học tập áp

dụng Gamification Learning trong
Metaverse của ViewSonic vì nó khiến
tôi cố gắng dự đoán những gì sẽ xảy
ra hoặc có khuynh hướng xảy ra.

PT1 Các hoạt động mang lại điểm đã tạo Thang (MARISA, Fitri,
Phát triển và
động lực cho tôi sử dụng ứng dụng đo et al, 2020)
thành tựu
học tập áp dụng Gamification khoảng
(PT) Learning trong Metaverse của cách
ViewSonic.

PT2 Tôi sẽ sử dụng ứng dụng học tập áp

dụng Gamification Learning trong

104
 Metaverse của ViewSonic, nếu có cơ
hội giành được giải thưởng với nó.

PT3 Tôi cảm thấy thích các ứng dụng học

(D'ARC DA
tập áp dụng Gamification Learning
SILVA BRITO,
của ViewSonic vì nó cho tôi cảm giác
Richard, et al.,
thành tựu khi tôi chiến thắng một thử 2018)
thách phức tạp.

PT4 Việc khuyến khích nâng cao thành

tích cũng tạo động lực cho tôi sử dụng
ứng dụng học tập đó.

Gamification GM1 Sau khi xem video về một ứng dụng Thang
(AGUSTINI,
Learning trong học tập áp dụng Gamification đo
Ketut, et al.,
Metaverse Learning trong Metaverse của khoảng
2023)
(GM) ViewSonic, tôi muốn học điều gì đó cách
thông qua Gamification trong
Metaverse.

GM2 Tôi cảm thấy các hoạt động trong

video về một ứng dụng học tập áp
dụng Gamification Learning trong
(DÍAZ-
Metaverse của ViewSonic rất phong
RAMÍREZ,
phú. Jenny., 2020)

GM3 Tôi nghĩ ứng dụng học tập áp dụng

Gamification Learning trong
Metaverse của ViewSonic sẽ giúp tôi
học tốt hơn.

Brand love BL1 Thật thú vị khi được xem qua video về Thang
(Carroll and
một ứng dụng học tập áp dụng đo
105
(BL) Gamification Learning trong khoảng
Ahuvia, 2006)
Metaverse của ViewSonic. cách

BL2 Sự tương tác ảo trong video với lớp

học của ViewSonic trong Metaverse là
hoàn toàn tuyệt vời.

BL3 Tôi có cảm xúc mạnh mẽ với ứng

dụng học tập áp dụng Gamification
Learning trong Metaverse này của
ViewSonic.

BL4 Sự tương tác với video về một ứng

dụng học tập áp dụng Gamification
Learning trong Metaverse của
ViewSonic thực sự là một niềm vui.

BL5 Tôi rất đam mê sự tương tác của

người chơi trong video về ứng dụng
học tập áp dụng Gamification
Learning trong Metaverse của
ViewSonic

Brand BE1 Sau khi xem video về ứng dụng học Thang (Hollebeek et al,
engagement tập áp dụng Gamification Learning đo 2014)

(BE) trong Metaverse của ViewSonic khiến khoảng

tôi nghĩ về thương hiệu ViewSonic. cách

BE2 Việc xem video về ứng dụng học tập

áp dụng Gamification Learning trong
Metaverse của ViewSonic kích thích
sự tò mò của tôi để tìm hiểu thêm về

106
 thương hiệu ViewSonic.

BE3 Tôi cảm thấy tích cực khi xem video

về ứng dụng học tập áp dụng
Gamification Learning trong
Metaverse của ViewSonic.

Sự phản khoáng SK1 Thông tin tiêu cực về ứng dụng học Thang
(Eisingerich et al.,
lại thông tin tiêu tập áp dụng Gamification Learning đo
2011)
cực từ phía trong Metaverse của ViewSonic khoảng
khách hàng không làm thay đổi quan điểm chung cách
(SK) của tôi về ViewSonic.

SK2 Thông tin tiêu cực về ứng dụng học

tập áp dụng Gamification Learning
trong Metaverse của ViewSonic
không ảnh hưởng đến tôi.

SK3 Thông tin tiêu cực về ứng dụng học

tập áp dụng Gamification Learning
trong Metaverse của ViewSonic
không thay đổi cách tôi nghĩ về
ViewSonic.

Lòng trung thành LT1 Tôi tin rằng sử dụng ViewSonic này Thang (Elena Delgado-
với thương hiệu sẽ tốt hơn các thương hiệu khác. đo Ballester, 2003)

(LT) khoảng
LT2 Tôi tin rằng các đặc điểm của cách
ViewSonic này phù hợp với những gì
(Oliver Rust &
tôi thích
Varki, 1997)
LT3 Tôi sẽ luôn ưu tiên sử dụng

107
 ViewSonic này hơn thương hiệu đối
thủ cạnh tranh

Bảng 8: Bảng câu hỏi định lượng sau nghiên cứu định tính

3.3.6. Phương pháp phân tích định lượng

Sau khi dữ liệu được tổng hợp, nhóm tiến hành sàng lọc, loại bỏ các phiếu khảo sát không
chất lượng và nhập dữ liệu sau khi được mã hóa vào phần mềm Smart PLS4 để kiểm định mô
hình và các giả thuyết được đề ra. Mô hình PLS-SEM được sử dụng để phân tích độ tin cậy của
thang đo và các chỉ số chất lượng của mô hình. Kết quả thu được sẽ được trình bày, báo cáo
theo hướng dẫn của Hair và cộng sự (2019) (Hair et al., 2019).

Nhóm nghiên cứu chọn PLS vì nó không yêu cầu tập dữ liệu phải có phân phối chuẩn
hoặc không có vấn đề về đa cộng tuyến. Hơn nữa, PLS-SEM có thể phân tích các mô hình có
nhiều biến tiềm ẩn được đo bằng nhiều tham số khác nhau cùng một lúc, đặc biệt là các tham
số được đo bằng các biến bậc cao hơn (Hair Jr et al., 2017).

Nhóm nghiên cứu cũng sử dụng phần mềm thống kê Smart PLS4, dùng thuật toán PLS
(PLS algorithm) để phân tích độ chính xác của các thang đo, R - Square và f - square.
Bootstrapping cũng được sử dụng để kiểm tra tầm quan trọng của các hệ số đường dẫn.

Kiểm định thang đo:

Thang đo được kiểm định qua giá trị tin cậy và độ hội tụ. Nhóm nghiên cứu sử dụng Hệ
số Cronbach’s Alpha > 0.7 và độ tin cậy tổng hợp CR > 0.7 để xác định giá trị tin cậy của
thang đo. Độ hội tụ của thang đo được kiểm định thông qua hệ số tải nhân tố (Factor loading) >
0.7 và phương sai trích trung bình 0.5 (Hair et al., 2019). Kiểm định mô hình và các giả thuyết
nghiên cứu:

Để đánh giá chất lượng mô hình, nhóm sử dụng các hệ số có giá trị:

Hệ số VIF < 3 (Hair et al., 2019) để kiểm tra hiện tượng đa cộng tuyến trong mô hình.
108
 R - Square và R - Square Adjusted (Hair et al., 2019). Giá trị R - Square (hoặc R - Square
Adjusted) là thước đo sự phù hợp của mô hình tuyến tuyến, phản ánh mức độ giải thích của các
biến độc lập đối với biến phụ thuộc. Giá trị này nằm trong khoảng từ 0 - 1, càng tiến về 1 thì có
thể khẳng định rằng các biến độc lập giải thích cho biến phụ thuộc càng nhiều.

Hệ số f - Square: hệ số đánh giá hiệu quả, mức độ ảnh hưởng của từng biến độc lập đến
biến phụ thuộc. Nhóm dựa vào bảng chỉ số f - Square của Cohen (1988) để đánh giá tầm quan
trọng của các biến độc lập.

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU ĐỊNH LƯỢNG

4.1 Đặc điểm mẫu (Sample profile)

Nghiên cứu này thực hiện khảo sát trực tuyến bằng Google Form thông qua các nền tảng
mạng xã hội và gửi khảo sát trực tiếp qua kênh tìm kiếm đáp viên tại các địa điểm công cộng
như trung tâm thương mại, công viên, thu được 350 câu trả lời.
Trong đó, có 307 đáp viên chưa từng trải nghiệm qua Gamification Learning trong Metaverse.
Mặc dù Metaverse đang dần ứng dụng vào trong giáo dục, nhưng khả năng của nó trong lĩnh
vực giáo dục chưa được mở khóa hoàn toàn và không được sử dụng rộng rãi, chính vì thế mà
có rất ít người đã từng trải nghiệm qua Gamification Learning trong Metaverse. Sau khi thu
thập, tiến hành loại bỏ những mẫu khảo sát không có giá trị. Số lượng mẫu sau khi làm sạch dữ
liệu là 335 mẫu.
Đặc điểm Tần số Tần suất (%) Tần suất tích lũy
(%)
Giới tính Nam 169 50.45 50.45
Nữ 166 49.55 100
Độ tuổi 10-14 90 26.87 26.87
15-19 108 32.24 59.11
20-24 137 40.89 100
Học vấn Học sinh 145 43.28 43.28
Sinh viên 143 42.69 85.97
Người đi làm 47 14.03 100
109
 Thời gian học Dưới 2 tiếng 107 31.94 31.94
mỗi ngày 2-4 tiếng 177 52.84 84.78
Trên 4 tiếng 51 15.22 100
Hình thức học Đọc sách 51 15.22 15.22
tập Học online 187 55.82 71.04
Học ở trung tâm 97 28.96 100
Học trực tuyến Có 299 89.25 89.25
có thú vị Không 36 10.75 100
Đã trải nghiệm Đã từng 43 12.84 12.84
Gamification
Learning trong Chưa từng 292 87.16 100

Metaverse

Tổng 335 100 100

Bảng 9: Thống kê mô tả mẫu khảo sát
Trong số 335 câu trả lời, 169 là nam (50.45%) và 166 là nữ (49.55%).

Giới tính

50% 50%

Nam Nữ

Biểu đồ 1: Biểu đồ thể hiện tỷ lệ mẫu theo Giới tính

110
 Nghiên cứu được thực hiện cho đối tượng từ 10 – 24 tuổi. Trong 335 đáp viên, chiếm
nhiều nhất là độ tuổi 20-24 với 137 người (40.89%), tiếp đến là độ tuổi 15-19 với 108 người
(32.24%), ít nhất là độ tuổi 10-14 với 90 người (26.87%).

Độ tuổi

27%

41%

32%

10-14 15-19 20-24

Biểu đồ 2: Biểu đồ thể hiện tỷ lệ mẫu theo độ tuổi

Kết quả phân tích trong Bảng: Thống kê mô tả mẫu: Giới tính và độ tuổi cho thấy trong số 335
đối tượng được khảo sát, tỉ lệ nữ giới và nam giới có chênh lệch ít (50.45% và 49.55%). Tỷ lệ
phần trăm từng độ tuổi trong giới tính phân phối tương đối đồng đều.

Giới tính

Nam Nữ Tổng

Độ tuổi Tần số Tần suất % Tần số Tần suất % Tần số Tần suất %

10-14 47 14.03 43 12.84 90 26.87

15-19 55 16.42 53 15.82 108 32.24

20-24 67 20 70 20.89 137 40.89

Tổng 169 50.45 166 49.55 335 100

111
 Đối với học vấn, số người là học sinh cao nhất với 145 người (43.28%), tiếp đến là sinh
viên với 143 người (42.69%), người đi làm chiếm ít nhất với 47 người (14.03%).

Học vấn

14%

43%

43%

Học sinh Sinh viên Người đi làm

Biểu đồ 3: Biểu đồ thể hiện tỷ lệ mẫu theo Trình độ học vấn

Thời gian dành cho việc học mỗi ngày

15%

32%

53%

Dưới 2 tiếng 2-4 tiếng Trên 4 tiếng

Biểu đồ 4: Biểu đồ thể hiện thời gian dành cho việc học mỗi ngày

- Từ biểu đồ trên, có thể thấy thời gian dành cho việc học tập trung hầu hết ở mức 2-4 tiếng với
tỷ lệ 53%. Trong 53%, tỷ lệ nam nữ là như nhau với số lượng nam là 89 và nữ là 88. Ở thời
gian dưới 2 tiếng, số lượng nam lại chiếm cao hơn nữ (57 so với 50), nhưng đến khoảng thời
112
gian lâu hơn là trên 4 tiếng số lượng nữ lại chiếm tỷ lệ cao hơn (28 so với 23). Điều này có thể
lý giải bởi một số yếu tố dưới đây:

+ Nhận thức về giáo dục: Một số phụ nữ có thể coi trọng giáo dục là cơ hội để phát triển bản
thân, mở rộng kiến thức và có cơ hội nghề nghiệp tốt hơn. Sự chú trọng này có thể đến từ nhận
thức về vai trò quan trọng của giáo dục trong việc đạt được mục tiêu cá nhân và sự phát triển cá
nhân.

+Áp lực xã hội: Xã hội có thể đặt ra áp lực mạnh mẽ với phụ nữ, khuyến khích họ học tập và
đạt được thành công trong nghề nghiệp. Điều này có thể đến từ các kỳ vọng xã hội về sự độc
lập và thành công cá nhân của phụ nữ.

+ Cơ hội nghề nghiệp: Một số người phụ nữ cảm thấy rằng để có cơ hội nghề nghiệp tốt hơn và
thăng tiến trong sự nghiệp, họ cần có trình độ học vấn cao.

+ Sự chấp nhận của xã hội: Một số vùng và quốc gia có văn hóa khuyến khích phụ nữ học tập
và phát triển sự nghiệp của họ, và điều này có thể tạo ra động lực mạnh mẽ để chú trọng đến
học tập.

+ Giáo dục gia đình: Gia đình có thể đóng một vai trò quan trọng trong việc khuyến khích học
tập. Nếu gia đình coi trọng giáo dục và khuyến khích con gái học hành, thì con gái có thể có
động lực lớn hơn để đầu tư vào việc học.

113
 Hình thức học tập

15%

29%

56%

Đọc sách Học online Học qua trung tâm

Biểu đồ 5: Biểu đồ thể hiện hình thức học tập

- Từ biểu đồ, có thể nhận thấy hình thức học online vẫn là hình thức phổ biến nhất hiện nay với
tỷ lệ hơn 50%, rồi đến hình thức học qua trung tâm (29%) và cuối cùng là đọc sách (15%).

+ Học online chiếm tỷ lệ cao có thể hiểu được nhất là với xu hướng hiện nay tính tiện lợi và
linh hoạt của học online là một yếu tố quan trọng. Học viên có thể truy cập nội dung học tập từ
bất kỳ đâu và bất kỳ lúc nào, giúp họ dễ dàng điều chỉnh thời gian học theo lịch trình cá nhân
và chương trình công việc. Điều này làm tăng sự thuận tiện và giảm áp lực cho người học, đặc
biệt là những người có lịch trình bận rộn. Bên cạnh đó, học online thường mang lại nhiều tài
nguyên đa dạng và được cập nhật liên tục. Việc này giúp học viên có cơ hội tiếp cận thông tin
mới nhất và đa dạng từ nhiều nguồn khác nhau. Sự đa dạng này có thể kích thích tòa án học tập
và khám phá các lĩnh vực mới, đồng thời nâng cao chất lượng kiến thức họ đạt được. Điều này
đã được kiểm định với số lượng người học nghĩ việc học trực tuyến đem lại sự thú vị và thu hút
họ lên tới gần 90%.

114
 Học trực tuyến có thú vị với người học

11%

89%

Có Không

Biểu đồ 6: Biểu đồ thể hiện quan điểm về sự thú vị của việc học trực tuyến của người học

+ Trong khi đó. hình thức đọc sách lại đứng ở mức thấp nhất với tỷ lệ chỉ là 15%. Điều này có
thể do sự giảm thiểu thời gian đọc sách truyền thống khi mà nhiều người học hiện nay có ưu
thích cho hình thức học tập linh hoạt và tận dụng công nghệ. Đồng thời, việc học qua trung tâm
cũng đang giữ vị trí khá ổn định, tuy nhiên, cũng không thể phủ nhận sức hút của học online
trong thời đại ngày nay.

Gamification Learning trong Metaverse

13%

87%

Chưa từng Đã từng

115
 Biểu đồ 7: Biểu đồ thống kê số lượng người đã trải nghiệm Gamification Learning trong
Metaverse

- Tỷ lệ sử dụng thấp của Gamification Learning áp dụng Metaverse tại Việt Nam, chỉ là 13%,
có thể được giải thích bởi một số yếu tố.

+ Đầu tiên, sự mới mẻ và không quen thuộc của công nghệ Gamification Learning áp dụng
Metaverse có thể tạo ra sự ngần ngại và khó khăn trong quá trình chấp nhận. Người học có thể
không quen với việc sử dụng các phương tiện giáo dục có liên quan đến thế giới ảo hay không
gian Metaverse, và do đó, họ có thể có khả năng chần chừ hoặc không biết cách tận dụng đầy
đủ tiềm năng của nó.

+ Thứ hai, cơ sở hạ tầng và khả năng kết nối Internet tại một số khu vực có thể là một hạn chế
đối với việc triển khai Gamification Learning áp dụng Metaverse. Nếu không đủ cơ sở hạ tầng
hỗ trợ, việc sử dụng các ứng dụng và nền tảng Metaverse có thể trở nên khó khăn và gặp trở
ngại về mặt kỹ thuật.

+Thứ ba, giá cả của các thiết bị truy cập Metaverse khá cao (như kính thực tế ảo), sẽ có nhiều
người không đủ điều kiện và nhiều người không sẵn lòng mua nó. Nếu không có các thiết bị thì
sẽ không thể truy cập Metaverse.

+ Thứ tư, sự hiểu biết và giáo dục cộng đồng về Gamification Learning áp dụng Metaverse
cũng có thể ảnh hưởng đến việc chấp nhận. Nếu người học và người giáo viên không hiểu rõ về
lợi ích và cách sử dụng hiệu quả của công nghệ này, họ có thể chọn giữ nguyên các phương
pháp truyền thống mà họ đã quen thuộc.

+ Cuối cùng, sự chưa từng chiếm đại đa số (87%) có thể phản ánh sự lạc quan và mở cửa tư
duy của người học đối với những cách tiếp cận mới trong giáo dục. Có thể một số người cảm
thấy họ không cần thiết phải thay đổi cách họ học nếu họ cảm thấy phương pháp truyền thống
vẫn đủ hiệu quả.

- Để tăng cường sự chấp nhận của Gamification Learning áp dụng Metaverse, cần có sự đầu tư
vào việc giáo dục cộng đồng, cải thiện cơ sở hạ tầng kỹ thuật, và tạo ra trải nghiệm học tập thú
vị và hấp dẫn để khuyến khích sự tham gia từ phía người học.

116
 Sự thú vị của Gamification Learning trong Metaverse sau
khi xem qua Video
4.00%

96.00%

Có Không

Biểu đồ 8: Biểu đồ thống kê mức độ về sự thú vị của Gamification Learning trong Metaverse
sau khi xem qua Video

- Trong tổng số 335 người được khảo sát, chỉ có 12% đã có trải nghiệm với Gamification
Learning trong Metaverse. Tuy nhiên, sau khi xem qua video giới thiệu về Gamification
Learning trong Metaverse, đáng chú ý là 321 người tham gia khảo sát (96%) đã thể hiện sự thú
vị và hứng thú. Điều này cho thấy sức mạnh của phương tiện truyền thông, kết quả của một
chiến lược quảng bá giáo dục trong trường hợp này là video, trong việc tăng cường sự hấp dẫn
và chuyển đổi ý kiến tích cực đối với Gamification Learning, mặc dù số lượng người đã trải
nghiệm trước đó là khá thấp. Điều này có thể được giải thích bởi một số yếu tố khách quan như
sau:

+ Có thể do một số người tham gia khảo sát chưa từng trải nghiệm Gamification Learning trong
Metaverse trước đây do họ chưa có hiểu biết hoặc kinh nghiệm với cả hai khái niệm này. Do đó
khi xem qua một vấn đề hoàn toàn mới như Gamification, khi được tích hợp trong Metaverse,
có thể mang lại trải nghiệm học tập độc đáo và thú vị. Sự kết hợp giữa thế giới ảo và yếu tố
cạnh tranh, thưởng phạt của Gamification có thể làm cho quá trình học trở nên hấp dẫn hơn và
tạo ra động lực lớn để tham gia để hiểu rõ hơn về phương pháp học tập mới mẽ này.

117
+ Video giới thiệu về Gamification Learning trong Metaverse có thể được thiết kế một cách
hấp dẫn, mang lại trải nghiệm thú vị và sinh động cho người xem. Nếu video được làm chuyên
nghiệp và có tính tương tác cao, đó có thể làm tăng độ hứng thú và sự kích thích tò mò của
người xem. Hoặc có thể do chiến lược quảng bá trước đó đã giới thiệu Gamification Learning
trong Metaverse một cách linh hoạt và hấp dẫn, việc này có thể đã tạo ra sự tò mò và thu hút sự
quan tâm của đối tượng khảo sát.

Mean Median Observed Observed Standard

min max deviation
AH1 3.881 4.000 1.000 5.000 0.694
AH2 3.940 4.000 1.000 5.000 0.830
AH3 4.051 4.000 1.000 5.000 0.803
AH4 3.934 4.000 1.000 5.000 0.819
BE1 3.722 4.000 1.000 5.000 0.739
BE2 3.812 4.000 1.000 5.000 0.767
BE3 4.009 4.000 1.000 5.000 0.794
BL1 4.006 4.000 1.000 5.000 0.628
BL2 4.030 4.000 1.000 5.000 0.728
BL3 4.039 4.000 1.000 5.000 0.793
BL4 4.099 4.000 1.000 5.000 0.760
BL5 3.976 4.000 1.000 5.000 0.772
GM1 3.863 4.000 1.000 5.000 0.682
GM2 3.982 4.000 1.000 5.000 0.818
GM3 4.000 4.000 1.000 5.000 0.853
LT1 3.451 4.000 1.000 5.000 0.816
LT2 3.430 4.000 1.000 5.000 0.854
LT3 3.334 3.000 1.000 5.000 1.014
PT1 3.851 4.000 1.000 5.000 0.705
PT2 4.003 4.000 1.000 5.000 0.775
PT3 4.015 4.000 1.000 5.000 0.823
PT4 4.033 4.000 1.000 5.000 0.837

118
 SK1 3.418 4.000 1.000 5.000 0.849
SK2 3.376 4.000 1.000 5.000 0.999
SK3 3.376 4.000 1.000 5.000 1.063
ST1 3.821 4.000 1.000 5.000 0.719
ST2 3.997 4.000 1.000 5.000 0.805
ST3 3.907 4.000 1.000 5.000 0.854
Bảng 11: Bảng thống kê mô tả các biến trong mô hình

Theo thang đo Likert 5 điểm, trong đó:

 1: Hoàn toàn không đồng ý
 2: Không đồng ý
 3: Trung lập
 4: Đồng ý
 5: Hoàn toàn đồng ý

Để thuận tiện và dễ hơn cho việc bình luận các kết quả nghiên cứu sẽ dựa trên bảng sau đây
của các công thức làm tròn. Theo đó, chỉ số trung bình là thông thường tương đương với các
mức đánh giá:

 Từ 1.50 đến 2.49 (làm tròn đến 2): không đồng ý

 Từ 2.50 đến 3.49 (làm tròn đến 3): trung lập
 Từ 3.50 đến 4.49 (làm tròn đến 4): đồng ý
 Từ 4.50 đến 5.00 (làm tròn đến 5): hoàn toàn đồng ý

Áp dụng công thức làm tròn trên, chúng ta có thể rút ra nhận xét tổng quan:
 Biến số AH1 có giá trị là 3.881, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số AH2 có giá trị là 3.940, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số AH3 có giá trị là 4.051, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số AH4 có giá trị là 3.934, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số BE1 có giá trị là 3.722, phản ánh rằng người trả lời đồng ý với ý kiến

119
 Biến số BE2 có giá trị là 3.812, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số BE3 có giá trị là 4.009, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số BL1 có giá trị là 4.006, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số BL2 có giá trị là 4.030, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số BL3 có giá trị là 4.039, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số BL4 có giá trị là 4.099, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số BL5 có giá trị là 3.976, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số GM1 có giá trị là 3.863, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số GM2 có giá trị là 3.982, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số GM3 có giá trị là 4.000, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số LT1 có giá trị là 3.451, phản ánh rằng người trả lời trung lập với ý kiến
 Biến số LT2 có giá trị là 3.430, phản ánh rằng người trả lời trung lập với ý kiến
 Biến số LT3 có giá trị là 3.334, phản ánh rằng người trả lời trung lập với ý kiến
 Biến số PT1 có giá trị là 3.851, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số PT2 có giá trị là 4.003, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số PT3 có giá trị là 4.015, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số PT4 có giá trị là 4.033, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số SK1 có giá trị là 3.418, phản ánh rằng người trả lời trung lập với ý kiến
 Biến số SK2 có giá trị là 3.376, phản ánh rằng người trả lời trung lập với ý kiến
 Biến số SK3 có giá trị là 3.376, phản ánh rằng người trả lời trung lập với ý kiến
 Biến số ST1 có giá trị là 3.821, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số ST2 có giá trị là 3.997, phản ánh rằng người trả lời đồng ý với ý kiến
 Biến số ST3 có giá trị là 3.907, phản ánh rằng người trả lời đồng ý với ý kiến

Descriptives

120
 LT3

N Mean Std. Std. 95% Confidence Interval Minimum Maximum

Deviation Error for Mean

Lower Upper
Bound Bound

1 169 3.29 1.088 .084 3.12 3.46 1.00 5.00

2 166 3.38 .938 .073 3.24 3.52 1.00 5.00

Tota 335 3.33 1.016 .055 3.23 3.44 1.00 5.00

l

Bảng 12: Bảng thống kê mô tả biến LT3

Vì biến LT3 có giá trị trung bình thấp nhất trong các biến là 3.334, nên nhóm sẽ sẽ
thống kê mô tả biến LT3. Bảng thống kê mô tả biến LT3 cho thấy các thông số mô tả của hai
giới tính. Nhóm sử dụng thang đo khoảng cách 5 mức độ, với 1 là “Hoàn toàn không đồng ý”
và 5 là “Hoàn toàn đồng ý”. Vì vậy, mức điểm 3 là trung gian, nếu thiên về 3-5 nghĩa là người
khảo sát có xu hướng đồng ý với quan điểm của biến đưa ra.

Giá trị trung bình của của giới tính nam là 3.29, của giới tính nữ là 3.38. Có thể thấy
rằng, giá trị của nữ gần hơn với mức điểm 4 (Đồng ý), trong khi ở nam lại gần hơn về phía mức
3. Điều này cho thấy sự khác biệt rằng, mặc dù cả 2 giới nam và nữ đều xuất hiện lòng trung
thành với thương hiệu, tuy nhiên, giới tính nữ sẽ có xu hướng trung thành với thương hiệu hơn
nam giới.

4.2. Kỹ thuật phân tích thống kê

- Nghiên cứu này áp dụng PLS-SEM để phân tích dữ liệu. PLS-SEM đặc biệt hữu ích trong
việc xử lý cỡ mẫu nhỏ hơn 500 (F. Hair Jr et al., 2014) và dữ liệu phân phối không chuẩn (Chin
và cộng sự, 2003) . Thêm vào đó, PLS-SEM có thể phân tích các mô hình với nhiều biến tiềm
ẩn được đo bằng nhiều tham số cùng một lúc, đặc biệt là những tham số được đo với biến bậc

121
cao hơn (Hair Jr et al., 2017). Từ đó, nhận thấy PLS-SEM thích hợp với dữ liệu của nghiên cứu
này, với cỡ mẫu 335 và mô hình nhiều biến tiềm ẩn.
- Phần mềm SmartPLS là phần mềm hàng đầu trong việc ứng dụng cách tiếp cận phương pháp
PLS-SEM, với hơn 2.500 trích dẫn trong các ấn phẩm học thuật. Vì vậy, SmartPLS 4.0 được sử
dụng, thông qua thuật toán PLS để đánh giá độ tin cậy, giá trị hội tụ và giá trị phân biệt của các
cấu trúc, cũng như để kiểm định giả thuyết thông qua phương pháp bootstrap.
- Theo Hair và cộng sự (1998) đề xuất, nghiên cứu thực hiện quy trình phân tích hai bước: mô
hình đo lường và mô hình cấu trúc.

4.3. Kiểm định mô hình đo lường

Do mô hình đo lường đang kiểm định đều sử dụng thang đo kết quả reflective nên quá
trình kiểm định mô hình sẽ sử dụng kiểm định theo thang đo kết quả.

4.3.1. Chất lượng biến quan sát

Theo Hair và đồng nghiệp (2017), trong việc đánh giá thang đo kết quả reflective, họ khuyến
nghị rằng hệ số outer loading của biến quan sát để đảm bảo ý nghĩa nên từ 0.7 trở lên. Họ đề
xuất loại bỏ các biến quan sát có outer loading dưới 0.4, và quyết định về việc giữ hoặc loại bỏ
biến quan sát có outer loading từ 0.4 đến dưới 0.7 phụ thuộc vào các chỉ số khác như độ tin cậy
tổng hợp (CR) và tính hội tụ (convergent validity, ví dụ như hệ số AVE).

- Nếu giá trị CR hoặc AVE vẫn dưới ngưỡng đề xuất và việc loại bỏ biến quan sát với outer
loading nhỏ hơn 0.7 có thể cải thiện CR hoặc AVE, thì có thể xem xét việc loại bỏ biến quan
sát đó.

- Nếu CR và AVE đã đạt ngưỡng đề xuất, và biến quan sát có outer loading từ 0.4 đến dưới 0.7
được đánh giá là có ý nghĩa quan trọng trong nghiên cứu, có thể quyết định giữ lại chúng.

AH BE BL GM LT PT SK ST
AH1 0.799
AH2 0.834
AH3 0.757

122
 AH4 0.793
BE1 0.817
BE2 0.815
BE3 0.800
BL1 0.732
BL2 0.739
BL3 0.793
BL4 0.776
BL5 0.695
GM1 0.794
GM2 0.851
GM3 0.817
LT1 0.867
LT2 0.904
LT3 0.889
PT1 0.789
PT2 0.783
PT3 0.801
PT4 0.820
SK1 0.864
SK2 0.931
SK3 0.900
ST1 0.798
ST2 0.836
ST3 0.818
Bảng 13: Kết quả kiểm định hệ số tải ngoài của nhân tố

 Sau khi kiểm định, từ bảng 3 kết quả thu được cho thấy các thang đo đều đạt giá trị lớn hơn
0,7. Một số biến quan sát có hệ số tải ngoài chưa đạt giá trị như mong đợi (<0.7) như biến BL5
nhưng nhìn giá trị BL5 gần đạt ngưỡng 0,7 có thể chưa loại bỏ liền cần xem xét các yếu tố khác

123
như CR và AVE rồi quyết định loại bỏ sau, có thể lý giải do trong quá trình sàng lọc dữ liệu ở
biến BL5 vẫn còn tồn tại một số mẫu khảo sát chưa đạt chất lượng.

4.3.2 Độ tin cậy thang đo (Reliability )

Theo Hair và đồng nghiệp (2017), để đánh giá độ tin cậy của mô hình, nên tập trung vào
hai chỉ số chính: Cronbach's alpha và Composite reliability rho_c. Các tác giả này cho rằng,
Cronbach's alpha, mặc dù là một hệ số đánh giá độ tin cậy truyền thống, nhưng có nhiều nhược
điểm và thường đánh giá quá thấp độ tin cậy của thang đo.

Thay vào đó, họ đề xuất sử dụng Composite reliability rho_c, một hệ số tin cậy tổng
hợp coi là phù hợp hơn. Cách đánh giá Composite reliability tương tự như Cronbach's alpha,
với giá trị dao động từ 0 đến 1 (có thể có giá trị âm nếu có lỗi dữ liệu). Mức chấp nhận cho
Composite reliability theo hướng dẫn của Nunnally & Bernstein (1994) là từ 0.6 - 0.7 cho các
nghiên cứu khám phá, và mức tối ưu là từ 0.7 - 0.9. Nếu giá trị Composite reliability vượt quá
0.95, có thể xuất hiện tình trạng trùng lặp biến quan sát.

Trong trường hợp cấu trúc nhân tố không đạt được độ tin cậy tối thiểu, tiến trình loại bỏ
biến quan sát được thực hiện lặp đi lặp lại. Các biến quan sát có hệ số tải thấp nhất trong nhóm
được loại bỏ, và sau mỗi bước, mô hình được phân tích lại. Quá trình này tiếp tục cho đến khi
nhân tố đạt được độ tin cậy mong muốn hoặc khi loại bỏ toàn bộ nhân tố khỏi mô hình.

Cronbach's Composite Composite Average

alpha reliability reliability variance
(rho_a) (rho_c) extracted
(AVE)
AH 0.807 0.808 0.874 0.634
BE 0.741 0.744 0.852 0.658
BL 0.802 0.803 0.864 0.559
GM 0.759 0.763 0.861 0.674
LT 0.864 0.864 0.917 0.787
PT 0.810 0.812 0.875 0.637
SK 0.883 0.921 0.927 0.808

124
 ST 0.751 0.753 0.858 0.668
Bảng 14: Kết quả kiểm định độ tin cậy thang đo

 Sau khi kiểm định, bảng 4 cho thấy hệ số Cronbach’s alpha và Composite reliability rho_c
của tất cả các thang đo đều lớn hơn 0.7, và tất cả được coi là phù hợp cho nghiên cứu.

4.3.3. Tính hội tụ thang đo (Convergent Validity)

Để đánh giá tính hội tụ của thang đo kết quả, chúng ta sẽ sử dụng chỉ số Phương sai
trung bình trích xuất (AVE - Average Variance Extracted). Theo Hock & Ringle (2010), một
thang đo được coi là hội tụ nếu AVE đạt từ 0.5 trở lên. Ngưỡng 0.5 (50%) này chỉ ra rằng biến
tiềm ẩn mẹ trung bình có khả năng giải thích tối thiểu 50% biến thiên của mỗi biến quan sát
con.

Một nhược điểm trong việc tính AVE là nó đánh giá tất cả các biến quan sát một cách
đồng đều, mà không xem xét hệ số tải ngoài của từng biến quan sát. Trong quá trình đánh giá
mô hình đo lường, một biến quan sát có hệ số tải ngoài thấp (ví dụ dưới 0.4), nhưng hệ số tải
ngoài của các biến quan sát khác rất cao, có thể dẫn đến việc AVE vẫn đạt ngưỡng 0.5. Do đó,
trước khi đánh giá AVE, chúng ta cần kiểm tra chất lượng của các biến quan sát và đảm bảo
tính tin cậy của thang đo trước để loại bỏ các biến quan sát không có ý nghĩa.

Nếu một thang đo có AVE nhỏ hơn 0.5, chúng ta sẽ loại bỏ lần lượt từng biến quan sát
có outer loading thấp nhất để tăng AVE. Quá trình loại biến được thực hiện lặp đi lặp lại cho
đến khi nhân tố đạt được tính hội tụ. Nếu loại biến mà nhân tố vẫn giữ được ít nhất 2 biến quan
sát và đạt ngưỡng AVE ≥ 0.5, thì chúng ta kết luận rằng thang đo đảm bảo tính hội tụ. Ngược
lại, nếu sau khi loại biến mà nhân tố chỉ còn 2 biến quan sát nhưng vẫn không đạt ngưỡng
AVE, thì chúng ta kết luận rằng thang đo vi phạm tính hội tụ và loại bỏ cả nhân tố khỏi biểu
đồ.

 Sau khi kiểm định chạy mô hình trên Smart PLS, từ bảng 4 cho thấy giá trị AVE của
tất cả nhân tố đều lớn hơn 0.5 đáng kể. Theo như mô tả, mô hình đo lường của nghiên cứu có
giá trị hội tụ chấp nhận được.

125
 Mặc dù biến BL5 có hệ số tải ngoài chưa đạt giá trị như mong đợi (<0.7), nhưng do hệ
số CR và AVE của biến BL5 đủ điều kiện theo như kiểm định nên nhóm nghiên cứu vẫn quyết
định giữ lại biến BL5.

126
4.3.4. Tính phân biệt thang đo (Discriminant Validity)

Để đánh giá tính phân biệt, nghiên cứu này sử dụng chỉ số căn bậc hai của AVE theo
Fornell và Larcker (1981), hệ số tải chéo và chỉ số HTMT (Henseler et al., 2015).

4.3.4.1 Đánh giá phân biệt thang đo theo (Fornell & Larcker, 1981).
Để đánh giá tính phân biệt của từng thang đo, cần quan sát chỉ số căn bậc hai của AVE
của thang đo với tương quan giữa các cặp biến. Nếu căn bậc hai của AVE cho mỗi biến tiềm ẩn
cao hơn tất cả tương quan giữa các biến tiềm ẩn với nhau thì tính phân biệt được đảm bảo. Kết
quả thu được từ bảng cho thấy căn bậc hai của AVE được in đậm xuất hiện trong các ô đường
chéo đều lớn hơn bất kỳ giá trị hệ số tương quan nào trong cột và hàng chứa nó. Từ đó, kết luận
thang đo có giá trị phân biệt.

AH BE BL GM LT PT SK ST
AH 0.796
BE 0.362 0.811
BL 0.468 0.499 0.748
GM 0.711 0.407 0.512 0.821
LT 0.140 0.364 0.190 0.101 0.887
PT 0.680 0.361 0.526 0.697 0.115 0.798
SK 0.179 0.374 0.233 0.164 0.658 0.119 0.899
ST 0.703 0.364 0.499 0.682 0.073 0.677 0.098 0.817
Bảng 15: Kết quả kiểm định tính phân biệt thang đo Fornell-Larcker

 Căn bậc hai AVE của từng nhân tố được bôi vàng trong bảng 5. Từ bảng 5, có thể thấy hệ số
AVE của từng nhân tố cao hơn tất cả tương quan giữa các biển tiềm ẩn nên tính phân biệt được
đảm bảo.

4.3.4.2 Đánh giá tính phân biệt bằng hệ số tải chéo:

Hệ số tải chéo Cross Loadings là tiêu chí thứ hai để đánh giá tính phân biệt. Hệ số tải
ngoài của bất kỳ biến quan sát nào trong nhân tố mẹ cũng phải cần lớn hơn toàn bộ hệ số tải
chéo của biến quan sát đó với các nhân tố khác trong mô hình (Chin, 1998).

127
 AH BE BL GM LT PT SK ST
AH1 0.799 0.328 0.372 0.597 0.169 0.582 0.197 0.588
AH2 0.834 0.306 0.349 0.564 0.161 0.520 0.244 0.541
AH3 0.757 0.264 0.376 0.557 0.033 0.527 0.041 0.572
AH4 0.793 0.251 0.395 0.542 0.076 0.534 0.081 0.533
BE1 0.296 0.817 0.410 0.362 0.321 0.254 0.303 0.291
BE2 0.263 0.815 0.374 0.257 0.290 0.243 0.315 0.298
BE3 0.315 0.800 0.424 0.357 0.274 0.372 0.294 0.296
BL1 0.361 0.387 0.732 0.363 0.167 0.365 0.214 0.358
BL2 0.343 0.363 0.739 0.357 0.105 0.367 0.165 0.381
BL3 0.397 0.388 0.793 0.425 0.152 0.423 0.153 0.405
BL4 0.301 0.381 0.776 0.388 0.139 0.417 0.133 0.325
BL5 0.344 0.342 0.695 0.376 0.142 0.392 0.205 0.395
GM1 0.531 0.353 0.326 0.794 0.087 0.558 0.176 0.511
GM2 0.620 0.290 0.361 0.851 0.048 0.580 0.123 0.613
GM3 0.595 0.357 0.552 0.817 0.112 0.577 0.110 0.553
LT1 0.143 0.373 0.174 0.104 0.867 0.115 0.585 0.078
LT2 0.126 0.315 0.164 0.101 0.904 0.108 0.579 0.063
LT3 0.103 0.278 0.167 0.064 0.889 0.083 0.587 0.052
PT1 0.594 0.292 0.380 0.598 0.142 0.789 0.117 0.578
PT2 0.499 0.283 0.370 0.510 0.094 0.783 0.079 0.479
PT3 0.550 0.301 0.477 0.561 0.065 0.801 0.105 0.541
PT4 0.521 0.275 0.450 0.548 0.063 0.820 0.074 0.556
SK1 0.093 0.285 0.152 0.087 0.558 0.048 0.864 0.036
SK2 0.201 0.344 0.243 0.145 0.567 0.100 0.931 0.065
SK3 0.167 0.368 0.215 0.195 0.652 0.157 0.900 0.154
ST1 0.557 0.324 0.375 0.526 0.100 0.536 0.081 0.798
ST2 0.592 0.240 0.385 0.567 0.060 0.563 0.067 0.836
ST3 0.573 0.329 0.459 0.577 0.022 0.560 0.093 0.818
Bảng 16: Kết quả kiểm định tính phân biệt thang đo hệ số tải chéo

128
 Dựa vào bảng 6, tất cả hệ số tải ngoài đều lớn hơn hệ số tải chéo, tính phân biệt được chấp
nhận.

4.3.4.3 Đánh giá tính phân biệt bằng bảng HTMT:

Cơ sở đánh giá tính phân biệt bằng HTMT sẽ dựa trên ý tưởng: Hệ số tương quan trung
bình trong nội bộ một thang đo càng lớn hơn trung bình các hệ số tương quan chéo càng tốt.
Khi hệ số tương quan trung bình trong nội bộ một thang đo càng cao, biển tiềm ẩn chia sẻ sự
biến động càng lớn trong nội bộ của thang đo đó. Nếu trung bình của các hệ số tương quan
chéo càng thấp chứng tỏ biến tiềm ẩn vừa nêu càng ít chia sẻ sự biến động tới biển tiềm ẩn
khác. Khi đó, các chỉ báo ở hai biến tiềm ẩn sẽ đạt được giá trị phân biệt.

Henseler và cộng sự (2015) cho rằng, nếu chỉ số HTMT của một cặp nhân tố lớn hơn
0.9, tính phân biệt của nhân tố bị vi phạm. Nếu chỉ số HTMT dưới 0.85 tính phân biệt được
đảm bảo tốt. Như vậy khoảng từ 0.85 đến 0.9 sẽ là ngưỡng chấp nhận được.

AH BE BL GM LT PT SK ST
AH
BE 0.463
BL 0.581 0.643
GM 0.904 0.534 0.644
LT 0.165 0.453 0.226 0.123
PT 0.837 0.460 0.651 0.884 0.136
SK 0.209 0.457 0.268 0.196 0.753 0.136
ST 0.901 0.488 0.641 0.901 0.092 0.864 0.116

4.3.5. Tính cộng tuyến của biến quan sát (Item Collinearity):

Không đánh giá tính cộng tuyến biến quan sát của thang đo kết quả.

129
4.4. Kiểm định mô hình cấu trúc

Hình 8: Mô hình kiểm tra hệ số đường dẫn

4.4.1. Tính cộng tuyến của các biến độc lập (Collinearity)

Khi mô hình xảy ra cộng tuyến hoặc đa cộng tuyến, các hệ số hồi quy, p-value ý nghĩa
tác động bị sai lệch dẫn đến kết luận sai lầm về quan hệ trong mô hình. Theo Hair và cộng sự
(2019),đưa ra các ngưỡng giá trị VIF (variance inflation factor) trong đánh giá hiện tượng cộng
tuyến như sau:

- VIF ≥ 5: khả năng rất cao đang tồn tại cộng tuyến, mô hình bị ảnh hưởng nghiêm trọng.

- 3 ≤ VIF < 5: mô hình có thể đang có cộng tuyến.

- VIF < 3: mô hình không gặp hiện tượng cộng tuyến.

130
 AH BE BL GM LT PT SK ST
AH 2.331
BE 1.198
BL 1.000 1.000
GM 1.000 1.198
LT
PT 2.180
SK
ST 2.312
Bảng 18: Đánh giá Đa cộng tuyến VIF

 Từ bảng 8, tất cả các hệ số VIF < 3, nên mô hình nghiên cứu không gặp hiện tượng cộng
tuyến.

4.4.2. Đánh giá ý nghĩa quan hệ tác động trực tiếp

Để đánh giá giả thuyết nghiên cứu, ta sử dụng hệ số đường dẫn để kiểm định ý nghĩa và
đánh giá mức độ chiều của các mối tác động. Trong phần kiểm định thống kê, ta dựa vào p-
value thu được từ bootstrap để xác định ý nghĩa thống kê của hệ số đường dẫn, thường là với
mức ý nghĩa là 5%. Nếu p-value < 0.05, quan hệ tác động được coi là có ý nghĩa thống kê.
Trong việc đánh giá mức độ và chiều của tác động, hệ số tác động chuẩn hóa làm nổi bật chiều
thuận hoặc nghịch của mối quan hệ, với giá trị gần ±1 cho mối quan hệ mạnh và giá trị gần 0
cho mối quan hệ yếu. Đối với nhiều biến độc lập, độ lớn của hệ số tác động, thường là trị tuyệt
đối, giúp đánh giá sự mạnh yếu của tác động từ các biến này.

Giả Mối Original Sample Standar T statistics (| P Chấp

thuyết quan sample mean (M) d O/STDEV|) values nhận/
hệ (O) deviation Từ chối
(STDEV
)
H1 AH 0.333 0.334 0.063 5.282 0.000 Chấp
-> nhận

131
 GM
H6 BE-> 0.348 0.351 0.051 6.883 0.000 Chấp
BL nhận
H7 BL-> 0.190 0.194 0.053 3.586 0.000 Chấp
LT nhận
H8 BL-> 0.233 0.237 0.050 4.647 0.000 Chấp
SK nhận
H5 GM- 0.407 0.412 0.059 6.856 0.000 Chấp
> BE nhận
H4 GM- 0.370 0.368 0.063 5.921 0.000 Chấp
> BL nhận
H3 PT-> 0.308 0.306 0.057 5.453 0.000 Chấp
GM nhận
H2 ST-> 0.239 0.240 0.059 4.063 0.000 Chấp
GM nhận
Bảng 19: Kết quả tác động và kiểm định mô hình, biến điều tiết - Path coefficients

* Kết luận:

- Kết quả ở bảng trên cho thấy, tất cả các giả thuyết có P values nhỏ hơn 0.05. Vì vậy tất cả giả
thuyết đều được chấp nhận và có độ tin cậy cao.

- Tất cả hệ số tác động đều mang dấu dương, như vậy các quan hệ tác động trong mô hình đều
là thuận chiều. Thứ tự tác động từ mạnh đến yếu lên biến GM là: AH (0.333) > PT (0.308) >
ST (0.239). Thứ tự tác động từ mạnh đến yếu lên biến BL là: GM (0.370) > BE (0.348).

4.4.3. Hệ số xác định R bình phương (R square) và Q bình phương (Q square)

4.4.3.1. Hệ số xác định R bình phương (R square)

R bình phương là một chỉ số biểu thị mức độ giải thích của các biến độc lập đối với một
biến phụ thuộc trong mô hình. Trong mô hình, số lượng biến phụ thuộc sẽ tương ứng với số
lượng hệ số R bình phương. Hair và đồng nghiệp (2017) đã chỉ ra rằng việc đưa ra ngưỡng
chấp nhận cho giá trị R bình phương là một thách thức, phụ thuộc vào sự phức tạp của mô hình

132
(số lượng biến độc lập, quan hệ trung gian, v.v.) và lĩnh vực nghiên cứu cụ thể. Do đó, không
có ngưỡng cụ thể để đánh giá việc R bình phương đạt hay không đạt là phù hợp.

Giá trị R bình phương thay đổi từ 0 đến 1, với giá trị gần 1 thể hiện mức độ giải thích
cao cho biến phụ thuộc, trong khi giá trị gần 0 thể hiện mức độ giải thích thấp. Trong
SmartPLS 4, ngoài R bình phương, phần mềm cung cấp hệ số R bình phương hiệu chỉnh (R-
square adjusted) nhằm cung cấp một ước lượng chính xác hơn về mức độ giải thích của các
biến độc lập. Sự kết hợp giữa R bình phương và R bình phương hiệu chỉnh giúp đảm bảo tính
chính xác và độ tin cậy cao nhất trong việc đánh giá mức độ giải thích của mô hình.

R-square R-square adjusted

BE 0.165 0.163
BL 0.363 0.359
GM 0.615 0.611
LT 0.036 0.033
SK 0.054 0.051
Bảng 20: Hệ số R-Square

* Kết luận:

Kết quả phân tích ở Bảng 10 cho thấy giá trị R – Square hiệu chỉnh cho các biến BE,
BL, GM, LT, SK lần lượt là 0.163, 0.359, 0.611, 0.033 và 0.051. Có nghĩa là, mô hình này giải
thích 16,3% phương sai về Sự gắn kết thương hiệu, 35,9% phương sai về Tình yêu thương
hiệu, 61,1% phương sai về Gamification Learning trong Metaverse, 3,3% phương sai về Lòng
trung thành với thương hiệu và 5,1% phương sai về Sự phản kháng lại những thông tin tiêu cực
của khách hàng.

Theo Sarstedt và cộng sự (2014), giá trị R-Square 0.19 đến 0.33 cho thấy khả năng giải
thích kém của mô hình. R-Square > 0.33 cho thấy khả năng giải thích trung bình và R-Square >
0.67 cho thấy khả năng giải thích mạnh. Từ Bảng 10, cho thấy mức độ giải thích của các biến
trong mô hình hầu như ở mức kém. Tuy nhiên, việc R-Square trong các nghiên cứu về những
chủ đề mới lạ, ít những nghiên cứu thì việc giá trị thấp tương đối phổ biến, vì nó phụ thuộc vào

133
hành vi con người phức tạp và phụ thuộc vào nhiều nhân tố khác từ các yếu tố công nghệ, sở
thích cũng như mức độ hài lòng của từng cá nhân.

4.4.3.2. Hệ số xác định Q bình phương (Q square)

Mặc dù R2 (R Square) là một chỉ số thường được sử dụng để đo lường khả năng giải
thích của các biến độc lập đối với biến phụ thuộc trong mô hình, nhưng nó không phản ánh
được khả năng dự báo của mô hình (predictive power). Để đo lường khả năng dự báo, Stone
(1974) và Geisser (1974) đã đề xuất chỉ số Q2 – một hệ số đánh giá năng lực dự báo ngoài mẫu
(out-of-sample predictive power).

Trong PLS-SEM, mỗi mô hình thành phần có giá trị R2để thể hiện mức độ giải thích
của các biến độc lập đối với biến phụ thuộc. Đồng thời, mỗi mô hình cũng có giá trị Q2 để
đánh giá khả năng dự báo của các biến độc lập đối với biến phụ thuộc.

Chúng ta có thể sử dụng Q2 như một chỉ số tổng thể để đánh giá chất lượng của mô
hình thành phần. Theo Tenenhaus và cộng sự (2005), nếu tất cả các mô hình thành phần trong
mô hình cấu trúc đều có Q2 > 0, thì mô hình tổng thể được coi là có chất lượng.

Mức độ chính xác dự báo của mô hình có thể được đánh giá dựa trên giá trị Q2, với các
mức độ tương ứng như sau:

0 < Q2 < 0.25: Mức độ chính xác dự báo thấp.

0.25 ≤ Q2 ≤ 0.5: Mức độ chính xác dự báo trung bình.

Q > 0.5: Mức độ chính xác dự báo cao.

2

Q²predict RMSE MAE

BE 0.151 0.929 0.693
BL 0.280 0.857 0.668
GM 0.605 0.634 0.493
LT 0.011 1.001 0.796
SK 0.017 0.997 0.836
Bảng 21: Hệ số Q-Square

134
 Tất cả giá trị Q-Square lớn hơn 0 nên độ chính xác của mô hình là hợp lý (hay mô hình
nghiên cứu đạt chất lượng). Đối với GM giá trị Q-Square tương ứng lần lượt là 0.605. Điều này
cho thấy biến phụ thuộc này có khả năng được dự đoán từ mô hình mức khá cao.

4.4.4 Hệ số tác động f bình phương (Effect size)

Chin (1998) đã đề xuất công thức tính toán hệ số f bình phương (f square) nhằm mục đích
đánh giá tầm quan trọng của một biến độc lập đối với biến phụ thuộc. Cơ sở vào công thức này,
Cohen (1988) đã đưa ra bảng đánh giá tầm quan trọng của các biến độc lập như sau:

+ f square < 0.02: Mức tác động rất nhỏ hoặc không đáng kể.

+ 0.02 ≤ f square < 0.15: Mức tác động nhỏ.

+ 0.15 ≤ f square < 0.35: Mức tác động trung bình.

+ f square ≥ 0.35: Mức tác động lớn.

Chỉ số f square giúp đánh giá mức độ tác động của biến độc lập lên biến phụ thuộc và có
thể được sử dụng để hiểu rõ hơn về tầm quan trọng của từng biến trong mô hình.

AH BE BL GM LT PT SK ST
AH 0.123
BE 0.159
BL 0.037 0.057
GM 0.198 0.180
LT
PT 0.113
SK
ST 0.064
Bảng 22: Hệ số f-square

Kết quả sau khi phân tích ở bảng trên cho thấy hầu hết các giá trị lớn hơn 0.02, cho thấy
sự ảnh hưởng trung bình của các nhân tố. Trong đó, Gamification Learning trong Metaverse có
tác động trung bình với “Sự gắn kết thương hiệu” (f- square=0.198),Gamification Learning

135
trong Metaverse có tác động trung bình với “Tình yêu thương hiệu” (f-square=0.180) và “Sự
gắn kết thương hiệu” có tác động trung bình đối với “Tình yêu thương hiệu”.

Giả thuyết Chấp nhận/Từ chối

H1 Tương tác xã hội và sự liên quan ảnh hưởng Chấp nhận

tích cực đến việc học tập thông qua
Gamification trong Metaverse.
H2 Sự tò mò và khó đoán ảnh hưởng tích cực đến Chấp nhận
việc học tập thông qua Gamification trong
Metaverse.
H3 “Phát triển và Thành tựu” tạo môi trường học Chấp nhận
tập sôi động sử dụng PBLs để xây dựng
Gamification Learning trong Metaverse.
H4 Hoạt động trải nghiệm điều chỉnh đáng kể mối Chấp nhận
quan hệ giữa Gamification Learning trong
Metaverse và tình yêu thương hiệu.
H5 Hoạt động trải nghiệm điều chỉnh đáng kể mối Chấp nhận
quan hệ giữa Gamification Learning trong
Metaverse và sự gắn kết người học.
H6 Sự tương tác với thương hiệu ảo của người học Chấp nhận
có mối quan hệ tích cực đáng kể với sự yêu
thích thương hiệu của người học trong
Metaverse.
H7 Tình yêu thương hiệu có ảnh hưởng tích cực Chấp nhận
đến lòng trung thành với thương hiệu.
H8 Tình yêu thương hiệu có ảnh hưởng tích cực Chấp nhận
đến sự phản kháng lại những thông tin tiêu cực
của khách hàng.
Bảng 23: Kiểm định giả thuyết

136
4.5. Thảo luận kết quả nghiên cứu:

4.5.1. Kết quả đo lường

Thang đo nghiên cứu sử dụng được đánh giá sơ bộ qua phương pháp phân tích
Cronbach’s Alpha và hệ số tải ngoài Outer Loading cho thấy các thang đo có giá trị và độ tin
cậy cao. Từ đó, các thang đo và tệp dữ liệu phù hợp để đưa vào thực hiện phân tích SEM.

Các thang đo mà nhóm nghiên cứu sử dụng đều được xây dựng và kiểm định ở 20 bài
nghiên cứu trước đây của những tác giả (Chương 2), là cơ sở để nhóm xây dựng, phát triển và
điều chỉnh thang đo sao cho phù hợp với thị trường thành phố Hồ Chí Minh và do điều kiện về
vật chất và năng lực nên nhóm nghiên cứu hy vọng nghiên cứu này sẽ áp dụng ở tất cả tỉnh,
thành phố Việt Nam trong tương lai nếu có điều kiện phát triển thêm.

4.5.2. Kết quả mô hình, giả thuyết

Mô hình nghiên cứu mà nhóm xây dựng dựa trên lý thuyết chính là: Mô hình Octalysis
của Yu-kai Chou. Nghiên cứu tập trung vào đưa ra các động lực thúc đẩy người học sử dụng
nền tảng học tập Gamification Learning trong Metaverse, đồng thời, qua hoạt động trải nghiệm
nền tảng đó sẽ dẫn đến việc khách hàng gắn kết với thương hiệu và tạo nên tình yêu thương
hiệu, từ đó sẽ dẫn đến lòng trung thành của khách hàng đối với thương hiệu và chống lại những
thông tin tiêu cực. Các phát hiện và kết quả được mô tả dưới đây.

Về các mối quan hệ giữa các động lực thúc đẩy như ảnh hưởng xã hội và sự liên quan,
sự tò mò và khó đoán, phát triển và thành tựu ảnh hưởng trực tiếp đến Gamification Learning
trong Metaverse. Cụ thể:

- Giả thuyết H1 cho rằng: “Ảnh hưởng xã hội và sự liên quan ảnh hưởng trực tiếp và tích cực
(+) đến Gamification Learning trong Metaverse”. Kết quả cho thấy p = 0.000 < 0.05 với độ
lệch chuẩn 0.063. Chấp nhận giả thuyết H1. Kết quả nghiên cứu phù hợp với nghiên cứu trước
đó của (Trihartita Sulispera, 2020). Các tính năng tương tác liên quan đến xã hội bao gồm tất cả
những tương tác đòi hỏi sự cạnh tranh, hợp tác và kết nối với những người khác (Jonna
Koivisto, 2019). Nghiên cứu trước đây đã phát hiện ra rằng những đặc điểm này tác động đến
nhu cầu về sự liên quan trong khi cạnh tranh khuyến khích các nhân vật phấn đấu hướng tới
một động cơ duy nhất (Rob van Roy, 2019), tinh thần đồng đội thúc đẩy mong muốn nỗ lực tập
137
thể để đạt được các mục tiêu chính (Michael Sailer, 2017) và tính tương tác giúp người tiêu
dùng luôn được kết nối. (Duarte S. &., 2018) cho rằng ảnh hưởng xã hội và sự liên quan là
động lực mạnh nhất để người học tham gia vào học tập và kết nối với mọi người.

- Giả thuyết H2 cho rằng “Sự tò mò và khó đoán ảnh hưởng trực tiếp và tích cực (+) đến
Gamification Learning trong Metaverse”. Kết quả cho thấy p = 0.000 < 0.05 với độ lệch chuẩn
0.059. Chấp nhận giả thuyết H2. Từ kết quả nghiên cứu cho thấy sự tò mò và khó đoán là một
trong những động lực thúc đẩy người học sử dụng nền tảng Gamification Learning trong
Metaverse. Mọi người có thể cảm thấy thú vị bởi vì họ cảm thấy thử thách và tò mò về các hoạt
động và thử thách của Gamification trong Metaverse.

- Giả thuyết H3 cho rằng “Phát triển và thành tựu ảnh hưởng trực tiếp và tích cực (+) đến
Gamification Learning trong Metaverse”. Kết quả cho thấy p = 0.000 < 0.05 với độ lệch chuẩn
0.057. Chấp nhận giả thuyết H3. “Phát triển và Thành tựu” là động lực nội bộ để đạt được tiến
bộ, phát triển kỹ năng, đạt được sự thành thạo và cuối cùng là vượt qua thử thách. Chính vì
vậy, Gamification Learning trong Metaverse được thiết kế để thúc đẩy phát triển kỹ năng và đạt
được sự thành thạo. Việc kết hợp giữa “Phát triển và Thành tựu” vào Gamification Learning
trong Metaverse sẽ xây dựng một môi trường ảo, cho phép người học tạo ra một trải nghiệm
học tập độc đáo, cuống hút, tác động tích cực đến động lực học tập và sự tham gia học tập của
người học.

Thông qua hoạt động trải nghiệm, Gamification Learning trong Metaverse ảnh hưởng trực tiếp
đến tình yêu thương hiệu của khách hàng. Cụ thể:

- Giả thuyết H4 cho rằng “Gamification Learning trong Metaverse ảnh hưởng trực tiếp và tích
cực (+) đến tình yêu thương hiệu”. Kết quả cho thấy p = 0.000 < 0.05 với độ lệch chuẩn 0.063.
Chấp nhận giả thuyết H4. Qua các hoạt động trải nghiệm Gamification trong Metaverse sẽ cho
phép các thương hiệu cung cấp trải nghiệm phong phú cho người học (Shen, 2022). Qua việc
cung cấp trải nghiệm phong phú, tùy chỉnh và đích thực, thương hiệu có cơ hội tạo ra ấn tượng
tích cực trong tâm trí người học. Và một khi thương hiệu đã đạt được mức độ xác thực cao, tình
yêu thương hiệu được xây dựng dựa trên mối liên kết cảm xúc giữa thương hiệu và người học.

138
Hoạt động trải nghiệm Gamification Learning trong Metaverse đóng vai trò quan trọng trong
việc tạo ra những trải nghiệm đáng nhớ và tích cực, thúc đẩy việc phát triển mối liên kết này.

- Giả thuyết H5 cho rằng:”Hoạt động trải nghiệm điều chỉnh đáng kể mối quan hệ (+) giữa
Gamification Learning trong Metaverse và sự gắn kết người học.” Kết quả phân tích cho thấy p
= 0.000<0.05 với độ lệch chuẩn 0.059. Kết quả này phù hợp với sự thống nhất nghiên cứu
trước đây của (Vdov, 2010),(Lemon, 2016) cho rằng trải nghiệm của người tiêu dùng là nhận
thức và cảm xúc của khách hàng được kích hoạt bởi sự tương tác của họ với thương hiệu trong
suốt vòng đời của khách hang. Bằng cách giới thiệu các yếu tố trò chơi, Gamification Learning
có thể mang đến sự tò mò, tính cạnh tranh và mong muốn khám phá, dẫn đến sự hiểu biết sâu
sắc hơn về các kiến thức học tập và tạo động lực học tập tốt hơn, dẫn đến hoạt động tham gia
trải nghiệm và gắn kết người học.

- Giả thuyết H6 được đưa ra như sau:”Sự tương tác với thương hiệu ảo của người học có mối
quan hệ tích cực đáng kể (+) với sự yêu thích thương hiệu của người học trong Metaverse.” Kết
quả phân tích cho thấy p = 0.000<0.05 với độ lệch chuẩn 0.051. Kết quả này cho thấy sự tương
tác với thương hiệu ảo của người học có tác động tích cực đến với sự yêu thích thương hiệu của
người học trong Metaverse, phù hợp với nghiên cứu của Machado et al, 2019 cho rằng người
tiêu dùng xây dựng tình cảm gắn bó và tình cảm sâu sắc hơn với thương hiệu, dẫn đến tình yêu
thương hiệu. Sự tương tác với thương hiệu trong Metaverse cho phép người tiêu dùng có được
sự thân thiết và cam kết hơn (Balis, 2022). Hơn nữa, việc đánh giá và tương tác với cộng đồng
thương hiệu giúp xây dựng sự hài lòng với thương hiệu, đảm bảo sự gắn bó lâu dài và cam kết
thương hiệu hiệu quả (Palusuk et al.,2019 ). Ý thức về cộng đồng thương hiệu và sự kết nối
thương hiệu của bản thân sẽ củng cố tình yêu thương hiệu. Những trải nghiệm thu được từ việc
tham gia Metaverse cũng giúp người tiêu dùng phát triển sự thân thiết với thương hiệu, củng cố
tình yêu thương hiệu. Vì vậy, điều cần thiết là phải hiểu mối quan hệ giữa mức độ gắn kết với
thương hiệu của khách hàng và tình yêu thương hiệu trong Metaverse.

- Giả thuyết H7 phát biểu rằng: “Tình yêu thương hiệu có ảnh hưởng tích cực (+) đến lòng
trung thành với thương hiệu”. Kết quả phân tích lần lượt cho thấy H7 có p = 0.000<0.05 với độ
lệch chuẩn 0.053. Kết quả này phù hợp với nghiên cứu của (Fournier, 1998). Ông cho rằng khi
mà những người yêu thương một thương hiệu có xu hướng cảm thấy có mối liên kết cá nhân
139
với thương hiệu đó. Họ có xu hướng trở nên tin tưởng với thương hiệu đó. Các minh chứng từ
các nhà nghiên cứu chỉ ra, những người yêu thích một thương hiệu có xu hướng dành nhiều
thời gian và tiền bạc cho thương hiệu đó hơn những người không yêu thích thương hiệu (Batra,
Ahtola, & Bagozzi, 2002; Fournier, 1998). Họ sẵn sàng chi trả, chỉ đơn giản vì nó đem lại cho
họ sự yêu thích. Khi một khách hàng có lòng yêu thích thương hiệu, họ sẽ sẵn sàng chi trả cho
dịch vụ, sản phẩm đó không chỉ một lần mà nhiều lần khác trong tương lai.

- Giả thuyết H8 phát biểu rằng: “Tình yêu thương hiệu có ảnh hưởng tích cực (+) đến sự phản
kháng lại những thông tin tiêu cực của khách hàng”. Kết quả phân tích lần lượt cho thấy H7 có
p = 0.000<0.05 với độ lệch chuẩn 0.050. Kết quả này phù hợp với nghiên cứu của (Ahearne,
Bhattacharya và Green 2005). Nghiên cứu cho rằng thương hiệu được yêu thích gắn liền với
nhận dạng của người tiêu dùng và mọi người có xu hướng tự nhiên chống lại những thông tin
tiêu cực về thương hiệu. Turgut và Gultekin (2015) cũng khẳng định tình yêu thương hiệu có
tác động tích cực và đáng kể đến khả năng chống lại thông tin tiêu cực. Một người có lòng yêu
thích với thương hiệu họ sẽ có xu hướng không tin vào những thông tin tiêu cực xuất phát từ
khách hàng khác và sẽ có xu hướng bảo vệ thương hiệu, họ sẽ tạo ra những ý kiến tích cực về
thương hiệu.

Tổng kết lại, 8 giả thuyết nhóm nghiên cứu đề xuất được chấp nhận. Ngoài ra tất cả bộ câu hỏi
nhóm nghiên cứu đề xuất đã được kiểm định và được chấp nhận sử dụng cho nghiên cứu.

140
4.6. Mô hình nghiên cứu sau kiểm định:

Tóm tắt chương

Mục 4.1:

+Nhóm thống kê đặc điểm mẫu bao gồm giới tính, độ tuổi, học vấn, thời gian dành cho việc
học mỗi ngày, hình thức học tập, sự thú vị của việc học trực tuyến, thống kê người học đã từng
trải nghiệm Gamification Learning trong Metaverse chưa.

+Thống kê mô tả các biến

Mục 4.2: Kỹ thuật phân tích thống kê: Nhóm áp dụng PLS-SEM để phân tích dữ liệu.

Mục 4.3: Kiểm định mô hình đo lường:

+ Kiểm tra chất lượng biến quan sát thông qua hệ số outer loading, để biến quan sát có ý nghĩa
tốt là từ 0.7 trở lên.

141
+ Kiểm tra độ tin cậy thang đo thông qua hệ số Cronbach’s alpha và Composite reliability
rho_c.

+ Kiểm tra tính hội tụ thang đo dựa vào chỉ số phương sai trung bình được trích AVE (Average
Variance Extracted).

+ Đánh giá tính phân biệt của thang đo, nghiên cứu này sử dụng chỉ số căn bậc hai của AVE
theo Fornell và Larcker (1981), hệ số tải chéo và chỉ số HTMT.

 Nhìn chung, chất lượng biến quan sát, độ tin cậy thang đo, tính hội tụ, tính phân biệt đều
đạt yêu cầu.

Mục 4.4: Kiểm định mô hình cấu trúc

+ Đánh giá hiện tượng cộng tuyến thông qua các ngưỡng giá trị VIF (variance inflation factor)
cho thấy mô hình nghiên cứu không gặp hiện tượng cộng tuyến.

+ Đánh giá ý nghĩa quan hệ tác động trực tiếp: Nhóm dùng kết quả phân tích hệ số đường dẫn
Path coefficients. Ở phần này nhóm quan tâm 2 khía cạnh: (1) kiểm định giả thuyết thống kê ý
nghĩa của quan hệ tác động và (2) đánh giá mức độ, chiều của quan hệ tác động.

-> Qua kiểm định: Tất cả các giả thuyết có P values nhỏ hơn 0.05, vì vậy tất cả giả thuyết đều
được chấp nhận và có độ tin cậy cao. Tất cả hệ số tác động đều mang dấu dương, như vậy các
quan hệ tác động trong mô hình đều là thuận chiều.

+ Hệ số xác định R bình phương (R square) và Q bình phương (Q square):

- Giá trị R – Square hiệu chỉnh cho các biến BE, BL, GM, LT, SK lần lượt là 0.163, 0.359,
0.611, 0.033 và 0.051. Có nghĩa là, mô hình này giải thích 16,3% phương sai về Sự gắn kết
thương hiệu, 35,9% phương sai về Tình yêu thương hiệu, 61,1% phương sai về Gamification
Learning trong Metaverse, 3,3% phương sai về Lòng trung thành với thương hiệu và 5,1%
phương sai về Sự phản kháng lại những thông tin tiêu cực của khách hàng.

- Tất cả giá trị Q-Square lớn hơn 0 nên độ chính xác của mô hình là hợp lý (hay mô hình
nghiên cứu đạt chất lượng).

142
+ Hệ số tác động f bình phương (Effect size): Kết quả sau khi phân tích cho thấy hầu hết các
giá trị lớn hơn 0.02, cho thấy sự ảnh hưởng trung bình của các nhân tố.

Mục 4.5: Thảo luận kết quả nghiên cứu: 8 giả thuyết nhóm nghiên cứu đề xuất được chấp nhận.
Ngoài ra tất cả bộ câu hỏi nhóm nghiên cứu đề xuất đã được kiểm định và được chấp nhận sử
dụng cho nghiên cứu.

Mục 4.6: Mô hình nghiên cứu sau kiểm định

CHƯƠNG 5: KẾT LUẬN VÀ ĐỀ XUẤT

5.1. Kết luận:

Bài nghiên cứu thực hiện khảo sát với đối tượng là người học có hứng thú với việc trải
nghiệm Gamification Learning tại thành phố Hồ Chí Minh – nơi có mật độ dân số cao nhất cả
nước và với độ tuổi từ 10 đến 24 tuổi – độ tuổi có nhu cầu học tập cao nhất, khả năng thích ứng
nhanh nhất với những công nghệ mới và khả năng tiếp thu kiến thức nhanh nhất. Vì vậy, kết
quả nghiên cứu tại thành phố Hồ Chí Minh đã phần nào mang tính đại diện đối với vấn đề
nghiên cứu.

Bài nghiên cứu sử dụng 2 phương pháp nghiên cứu định tính và nghiên cứu định lượng
để kiểm định các giả thuyết đề ra và mô hình nghiên cứu của bài. Mô hình nghiên cứu đề xuất
gồm 8 yếu tố:

(1) Ảnh hưởng xã hội và sự liên quan.

(2) Sự tò mò và khó đoán.

(3) Phát triển và thành tựu.

(4) Gamification Learning trong Metaverse.

(5) Brand love.

(6) Brand engagement.

(7) Lòng trung thành với thương hiệu.

(8) Sự phản kháng lại những thông tin tiêu cực từ phía khách hàng.
143
 Thông qua kết quả nghiên cứu, nhóm nghiên cứu đã trình bày về các nhóm động lực của mô
hình Octalysis trong quá trình giảng dạy, yếu tố Gamification Learning trong Metaverse, tình
yêu thương hiệu-brand love, tương tác thương hiệu-brand engagement, lòng trung thành với
thương hiệu và sự phản kháng thông tin tiêu cực từ phía khách hàng bằng cách sử dụng các căn
cứ, cơ sở lý thuyết và các nghiên cứu đã được công bố trên các tạp chí uy tín trong và ngoài
nước. Đồng thời, thông qua việc phỏng vấn các chuyên gia học thuật và chuyên gia thực tiễn có
kinh nghiệm trong lĩnh vực công nghệ thông tin, phỏng vấn và thảo luận với nhóm đối tượng
nghiên cứu đại diện – những người học hứng thú với trải nghiệm học mới mẻ: Gamification
Learning trong Metaverse để thu thập dữ liệu, tiến hành xử lý, phân tích về sức ảnh hưởng của
các nhóm động lực học tập này đến yếu tố Gamification Learning trong Metaverse và tác động,
ảnh hưởng đến giá trị cảm nhận thương hiệu của người học ở độ tuổi 10-24 tại thành phố Hồ
Chí Minh.

Mô hình nghiên cứu đề xuất gồm 3 nhóm động lực học tập được nhóm chọn lọc (Phát triển và
thành tựu; Sự tò mò và khó đoán; Ảnh hưởng xã hội và sự liên quan) dựa trên mô hình
Octalysis, 3 nhóm động lực này sẽ tác động vào yếu tố Gamification Learning trong Metaverse
thông qua việc hoạt động và trải nghiệm thương hiệu, từ đó, ảnh hưởng đáng kể đến giá trị cảm
nhận của thương hiệu. Những yếu tố này được đánh giá thông qua 28 biến quan sát . Nghiên
cứu thực hiện khảo sát với 335 người học tại thành phố Hồ Chí Minh có độ tuổi từ 10-24 tuổi,
có hứng thú với trải nghiệm học tập áp dụng yếu tố Gamification Learning trong Metaverse
bằng phương pháp lấy mẫu phi xác suất.

Về thang đo nghiên cứu, kết quả thang đo được kiểm định có hệ số Cronbach’s Alpha và
Composite reliability đều lớn hơn 0.7, phù hợp cho nghiên cứu; giá trị AVE các nhân tố đều
lớn hơn 0.5 đáng kể, giá trị hội tụ của mô hình chấp nhận được. Đánh giá tính phân biệt của
thang đo, sử dụng chỉ số căn bậc hai của AVE, hệ số tải chéo và chỉ số HTML. Chất lượng biến
quan sát, độ tin cậy thang đo, tính hội tụ, tính phân biệt đều đạt yêu cầu. Phân tích mô hình
PLS-SEM cũng cho thấy các thang đo có ý nghĩa, đáng tin cậy và không bị loại bỏ sau phân
tích, từ đó, có thể thấy mô hình nghiên cứu đề xuất là phù hợp, có ý nghĩa nghiên cứu. Qua
kiểm định, tất cả các giả thuyết có P values nhỏ hơn 0.05 nên tất cả giả thuyết đều được chấp
nhận và có độ tin cậy cao; tất cả các hệ số đều mang dấu dương, khẳng định các quan hệ tác

144
động trong mô hình đều là thuận chiều. Giá trị R-Square hiệu chỉnh cho các biến BE, BL, GM,
LT, SK lần lượt là 0.163, 0.359, 0.611, 0.033 và 0.051. Tất cả giá trị Q-Square lớn hơn 0 nên
độ chính xác của mô hình là hợp lý (mô hình nghiên cứu đạt chất lượng). Và hệ số tác động f
bình phương, kết quả sau khi phân tích cho thấy hầu hết các giá trị lớn hơn 0.02, cho thấy sự
ảnh hưởng trung bình của các nhân tố.

Sau khi phân tích kết quả, nghiên cứu chấp nhận cho tất cả các giả thuyết: H1, H2, H3,
H4, H5, H6, H7, H8, KHÔNG bác bỏ giả thuyết nào. Ngoài ra tất cả bộ câu hỏi nhóm nghiên
cứu đề xuất đã được kiểm định và được chấp nhận sử dụng cho nghiên cứu.

Như đã trình bày trước đó, mục đích của nghiên cứu là nghiên cứu tính ứng dụng của
Gamification Learning trong Metaverse giúp xây dựng giá trị thương hiệu cho một nền tảng
học tập trực tuyến. Kết quả nghiên cứu đã hoàn thành được những mục tiêu nghiên cứu đã đề
ra, cụ thể như sau:

Mục tiêu thứ nhất: Nghiên cứu được các khái niệm và xây dựng thành một mô hình
nghiên cứu mới. Với mức ý nghĩa R-Square 0.19 đến 0.33 cho thấy khả năng giải thích kém
của mô hình. R-Square > 0.33 cho thấy khả năng giải thích trung bình và R-Square > 0.67 cho
thấy khả năng giải thích mạnh. Dù giá trị R-Square cho thấy khả năng giải thích kém của mô
hình nhưng mà việc R-Square trong các nghiên cứu về những chủ đề mới lạ, ít những nghiên
cứu thì việc giá trị thấp tương đối phổ biến. Dù vậy, nhóm nghiên cứu đã hoàn thành tương đối
mục tiêu đề ra và xây dựng một mô hình nghiên cứu có ý nghĩa thống kê.

Mục tiêu thứ hai: Phân tích và đánh giá các nhóm động lực học tập tác động lên yếu tố
Gamification Learning trong Metaverse, ảnh hưởng đến giá trị cảm nhận thương hiệu của
người dùng.

Mục tiêu thứ ba: Xem xét sự khác biệt giữa các nhóm tuổi và giới tính, cho thấy có sự
khác biệt về thời gian dành cho việc học và các hình thức học tập khác nhau.

Mục tiêu thứ tư: Đề xuất đưa ra các giải pháp, kiến nghị và hàm ý quản trị giúp các nhà
hoạch định chính sách, thúc đẩy người học tham gia hoạt động Gamification từ đó xây dựng
được thương hiệu bền vững qua Metaverse.

145
5.2. Đóng góp khoa học:

Về mặt học thuật, việc nghiên cứu ứng dụng của Gamification Learning trong Metaverse
tác động như thế nào đến sức hút và thu hút khách hàng của thương hiệu là một đề tài mới và
hầu như chưa có bài nghiên cứu nào về lĩnh vực này đặc biệt là ở địa bàn TP. Hồ Chí Minh. Mô
hình được đề xuất trong bài nghiên cứu của nhóm chúng em được cho là phù hợp khi các chỉ số
kiểm tra chất lượng và sự phù hợp mô hình đều được chấp nhận. Ngoài ra, các biến nguyên
nhân đều có tác động tích cực lên biến kết quả. Từ những yếu tố trên, bài nghiên cứu đã chỉ ra
được sự liên kết của 3 yếu tố trong mô hình Octalysis đó là ảnh hưởng xã hội và sự liên quan,
sự tò mò và khó đoán, phát triển và thành tựu với lòng trung thành với thương hiệu và sự phản
kháng lại thông tin tiêu cực từ phía khách hàng, từ đó các nhà quản trị có thể tham khảo để có
thể dễ dàng nắm bắt được tâm lý khách hàng giúp họ có thể xây dựng thương hiệu trong lĩnh
vực Gamification Learning trong Metaverse này.
Về mặt thực tiễn, bài nghiên cứu chỉ ra rằng sự ảnh hưởng xã hội và sự liên quan có tác
động lớn nhất đến sự hứng thú của khách hàng với Gamification Learning trong Metaverse. Từ
đó, các nhà quản trị, chủ thương hiệu có thể cân nhắc việc tập trung thiết kế nên một ứng dụng
học tập có tính tương tác cạnh tranh cao giữa những người dùng đồng thời phải giúp họ dễ
dàng kết nối cũng như hợp tác với những người bạn cùng nhau hướng tới một mục tiêu hay
nhiệm vụ được đề ra trong ứng dụng. Bên cạnh đó bài nghiên cứu còn chỉ ra được sự chênh
lệch về thời gian học giữa nam và nữ cũng như phương thức học tập đã và đang chuyển biến từ
việc đọc sách sang việc học online ở độ tuổi 10-24 tại địa bàn TP. Hồ Chí Minh. Kết quả của
nghiên cứu có thể trở thành nguồn tư liệu quan trọng cho các nghiên cứu kế tiếp nhằm tìm hiểu
về cách Gamification Learning trong Metaverse thu hút người học và xây dựng giá trị thương
hiệu cho các nhãn hàng.

5.3 Đề xuất

 Từ kết quả nghiên cứu, ta có thể thấy phần lớn người khảo sát lựa chọn hình thức học
tập trực tuyến, tuy nhiên chỉ một số ít người đã từng trải nghiệm Metaverse. Như đã
được lý giải ở chương kết luận nghiên cứu, về lý do hình thức học tập trực tuyến phổ
biến cũng như mức độ tiềm năng của Metaverse, nếu áp dụng được hai yếu tố này vào
thì ta sẽ tạo ra được một phương thức học tập trực tuyến đầy mới mẻ và nâng cao tốt trải
146
 nghiệm của người học. Tuy nhiên một bài toán lớn mà thương hiệu cần giải quyết ở đây
là “Làm thế nào để vượt qua được những hạn chế của Metaverse tại Việt Nam?”. Như
việc sử dụng ứng dụng này đòi hỏi sự am hiểu nhất định về công nghệ; cơ sở hạ tầng và
khả năng kết nối Internet; giá cả của các thiết bị truy cập Metaverse khá cao; sự hiểu biết
và giáo dục cộng đồng về Gamification Learning áp dụng Metaverse. Để Gamification
Learning trong Metaverse trở nên gần gũi hơn với người học, những người tiên phong
như các nhà giáo dục nói chung cần được hướng dẫn để hiểu cách Gamification
Learning trong Metaverse có thể được sử dụng trong lớp học và tác động đến việc học
tập. Việc phát triển sự tự tin và kỹ năng sử dụng Gamification trong Metaverse là bước
đầu tiên trong quá trình sử dụng Gamification trong Metaverse để thúc đẩy việc học.
 Trước khi thực hiện Gamification Learning trong Metaverse:
 Thương hiệu có thể phân loại nhóm người chơi (đề xuất: Mô hình Bartle, 3W1H) để
phân tích đối tượng khách hàng tiềm năng từ đó ứng dụng linh hoạt ba nhóm động lực
của mô hình Octalysis vào ứng dụng học tập trong Metaverse để tăng giá trị trải nghiệm
của người học và từ đó dẫn hình thành tình yêu với thương hiệu.
 Khi triển khai Gamification Learning trong Metaverse:
 Một trong những ứng dụng của việc triển khai Gamification là cải thiện dữ liệu về số
lượng và chất lượng, cung cấp thêm thông tin về quá trình học tập của người học đến kết
quả quá trình học tập. Những kết quả học tập này có tác động đến việc tăng cường động
lực và sự tham gia, học tập thành tựu và tương tác xã hội. Tuy nhiên các nhà giáo dục và
nhà cung cấp công nghệ phải hợp tác để đảm bảo một môi trường ảo an toàn và đáng tin
cho tất cả người tham gia. Điều này bao gồm việc bảo vệ dữ liệu và quyền riêng tư của
người học.
 Có thể thấy 3 nhóm động lực của mô hình Octalysis thúc đẩy tích cực người học tham
gia Gamification trong Metaverse, thông qua hoạt động và trải nghiệm, hình thành tương
tác và tình yêu với thương hiệu. Khi triển khai Gamification, đặc biệt là trong môi
trường tương tác ảo, ưu điểm lớn là tăng cường trải nghiệm học tập cho người học. Tuy
vậy, quan trọng nhất là đảm bảo rằng người học không chỉ chú ý đến phần giải trí của
trò chơi mà còn hiểu và tiếp thu kiến thức bài học một cách hiệu quả. Thương hiệu cần
tập trung vào việc làm rõ động lực để thúc đẩy người học, chứ không chỉ là tạo ra sự thú
147
 vị thông qua yếu tố trò chơi. Mục tiêu là đảm bảo rằng bài học không chỉ là hấp dẫn mà
còn giúp người học hiểu bài nhanh chóng và ghi nhớ lâu.

5.4. Hạn chế và hướng nghiên cứu tiếp theo:

Nhóm nghiên cứu đã rất nỗ lực trong việc thực hiện nghiên cứu này. Mặc dù nghiên cứu
này cung cấp được một số thông tin hữu ích đối với các nhà hoạch định, các giảng viên,... tuy
nhiên, vì vấn đề nghiên cứu có phạm vi rộng và nội dung phức tạp nên việc thực hiện nghiên
cứu vẫn còn một số hạn chế không tránh khỏi khi lấy mẫu nghiên cứu; cách lấy mẫu; số lượng
các nhân tố ảnh hưởng hay phạm vi nghiên cứu.

Đầu tiên, vì giới hạn về mặt thời gian, kinh phí, nhân lực, công cụ hỗ trợ,... bài nghiên
cứu được lấy mẫu theo phương pháp chọn mẫu định mức, phương pháp chọn mẫu tích lũy
nhanh nên tính đại diện của mẫu trong tổng thể chưa cao. Mặt khác, kích thước mẫu chưa thật
sự lớn, nên những đánh giá chủ quan của nhóm đối tượng khảo sát có thể làm lệch kết quả
nghiên cứu. Bởi vậy, nghiên cứu tiếp theo nên thực hiện với kích thước mẫu lớn hơn, chọn mẫu
theo xác suất và phân lớp đối tượng để tăng tính khái quát của bài nghiên cứu.

Thứ hai, nghiên cứu chỉ khảo sát các đối tượng ở thành phố Hồ Chí Minh do đó kết quả
nghiên cứu chưa đại diện được hết cho đám đông nghiên cứu và rất có thể có các kết quả khác
nhau cho các tỉnh thành, vùng miền, các khu vực khác trong cả nước. Do đó, các nghiên cứu
tiếp theo có thể thực hiện mở rộng phạm vi nghiên cứu để mang lại một kết quả tốt hơn, một
kết quả xác thực hơn.

Thứ ba, bài nghiên cứu đề cập chủ yếu đến các nhóm động lực học, yếu tố ảnh hưởng
đến trải nghiệm của người học và giá trị cảm nhận thương hiệu. Nhưng dù vậy, vẫn có thể có
nhiều nhân tố khác chưa được nêu ra trong đề tài này. Các biến chưa được đề cập trong mô
hình liên quan đến nhân khẩu học (độ tuổi, giới tính, thói quen và sở thích,...). Các biến được
đề cập, nghiên cứu là những yếu tố cơ bản ảnh hưởng một phần đến tính ứng dụng, ở nghiên
cứu tiếp theo có thể nghiên cứu thêm các nội dung lý thuyết khác để xây dựng mô hình chính
xác và đầy đủ hơn, có thể đề cập đến các yếu tố ảnh hưởng trực tiếp và gián tiếp, hay cụ thể
hơn ở các công cụ, nền tảng hỗ trợ phát triển cho lĩnh vực giáo dục, thấy được điểm mạnh, tiềm
năng, hạn chế, khắc phục. Các giải pháp được đưa ra chỉ mang tính đặc trưng ở mức phù hợp
148
với tình hình thực tế, có các công cụ sẵn có, có thể thực hiện được tạo ra một ứng dụng có yếu
tố Gamification trong lĩnh vực giáo dục, sử dụng được trong một môi trường kỹ thuật số mới -
Metaverse.

TÀI LIỆU THAM KHẢO

A. Domínguez, J. S.-d.-N.-M.-S.-H. (2013). Gamifying learning experiences: Practical

implications and outcomes. .

AGUSTINI, Ketut, et al. . (2023). https://www.ijiet.org/vol13/IJIET-V13N2-1802-IJIET-

5586.pdf.

Ahearne, M. B. (2005). Antecedents and consequences of customer-company identification:

expanding the role of relationship marketing. Journal of applied psychology.
doi:https://psycnet.apa.org/record/2005-05102-013

Ahn, W. S. (2022). Utilizing the metaverse for learner-centered constructivist education in the
post-pandemic era: An analysis of elementary school students. .

Ahuvia, A. C. (2005). Beyond the Extended Self: Loved Objects and Consumers' Identity
Narratives .

Ahuvia, B. A. (2006). Some antecedents and outcomes of brand love.

al., S. e. (2014). Partial least squares structural equation modeling (PLS-SEM): A useful tool
for family business researchers.

Alvi, D. I. (2022). GAMIFICATION INTERACTION FEATURES IN LANGUAGE

LEARNING. Journal of Content, Community & Communication, 210-226.
doi:https://www.amity.edu/gwalior/jccc/pdf/june-2022-15.pdf

Andreas B. Eisingerich, G. R. (2011). Doing Good and Doing Better despite Negative
Information?: The Role of Corporate Social Responsibility in Consumer Resistance to
Negative Information. Journal of Service Research.
doi:https://journals.sagepub.com/doi/abs/10.1177/1094670510389164?

149
 casa_token=DLiEr9uyBk4AAAAA:K_lSSnYXwlqnv2zJYx-
BtmFTKoKQRWhTMSQ0de5qSfA4gwZY3I5UbQ4vVW6Al6Oe5bY4YHy1JIbdorrM

Ashley Paintsil, H.-S. K. (2022). Sharing personal experiences and online consumer
engagement: A case study of Glossier.

Balis et al. (2022).

Barry J. Babin, W. R. (1994). Work and/or Fun: Measuring Hedonic and Utilitarian Shopping
Value.

Behl et al. (2023). Gamification as an innovation: A tool to improve organizational marketing

performance and sustainability of international firms.

Biocca, F. &. (2002). Defining and measuring social presence: Contribution to the networked
minds theory and measure.

Bousba, Y. &. (2022). Let's connect in metaverse. brand's new destination to increase
consumers'affective brand engagement & their satisfaction and advocacy. .

Buhalis et al. (2022). Metaverse as a driver for customer experience and value co-creation:
Implications for hospitality and tourism management and marketing. .

C.M. Chen, H. L. (2019). Effects of a mobile game-based English vocabulary learning app on
learners’ perceptions and learning performance: A case study of Taiwanese EFL
learners. .

Carlos Flavián, S. I.-S. (2024). The dark side of the metaverse: The role of gamification in
event virtualization. International Journal of Information Management, 75.
doi:https://www.sciencedirect.com/science/article/pii/S026840122300107X

Carroll and Ahuvia. (2006). https://onlinelibrary.wiley.com/doi/full/10.1002/cb.2214#cb2214-

bib-0019.

Chia-Lin Hsu, M.-C. C. (2018). How gamification marketing activities motivate desirable
consumer behaviors: Focusing on the role of brand love. Computers in human behavior.

150
 doi:https://www.sciencedirect.com/science/article/abs/pii/S0747563218303200?fr=RR-
2&ref=pdf_download&rr=85efd8fc8d2e40cd

Chia‐Lin Hsu, M.‐C. C.‐C.‐M. (2010). Applying loss aversion to investigate service quality in
logistics: A moderating effect of service convenience. International Journal of
Operations & Production Management.
doi:https://www.emerald.com/insight/content/doi/10.1108/01443571011039605/full/
html

Chin. (1998). Commentary: Issues and Opinion on Structural Equation Modeling.

Chou, Y. (2014). Actionable Gamification: Beyond Points,Badges, and Leaderboards. .

Chou, Y. (2014). Actionable Gamification: Beyond Points,Badges, and Leaderboards.

Cruz, M. &. (2018). The Gamification Octalysis Framework within the Primary English
Teaching Process: the Quest for a Transformative Classroom.

D'ARC DA SILVA BRITO, Richard, et al. (2018).

D'ARC DA SILVA BRITO, Richard, et al. (2018).

https://www.redalyc.org/journal/5575/557559053003/557559053003.pdf?
fbclid=IwAR2tf2g58sP0RAv9bisZwf8HywppE1gbXjXR3-
amdVRW9409MTFFJXQjEX4.

Díaz-Ramírez, J. (2020). Gamification in engineering education – An empirical assessment on

learning and game performance. Heliyon.

DÍAZ-RAMÍREZ, Jenny. (2020). https://www.cell.com/heliyon/pdf/S2405-8440(20)31815-

6.pdf.

Diwivedi et al. (2023).

Drennan et al. (2015). Examining the role of wine brand love on brand loyalty: A multi-country
comparison.

Duarte, S. &. (2018). The Gamification Octalysis Framework within the Primary English
Teaching Process: the Quest for a Transformative Classroom. Revista Lusófona de
151
 Educação.

Dwivedi et al. (2023). Metaverse marketing: How the metaverse will shape the future of
consumer research and practice.

E. Kyewski, N. K. (2018). To gamify or not to gamify? An experimental field study of the

influence of badges on motivation, activity, and performance in an online learning
course. .

Eisingerich et al. (2011). https://journals.sagepub.com/doi/abs/10.1177/1094670510389164?

casa_token=klCKRWafN8wAAAAA
%3AoUIEgI19_UBAlsEVhiaagQ8sLu0Vy4KNVGfF3pbQk0oGTyAYFr6tcr1xl5ajPLX
fpd2Qh_tT6aCPCayx&journalCode=jsra.

Elena Delgado-Ballester. (2003).

https://d1wqtxts1xzle7.cloudfront.net/86912356/5451796aaad68a1f8f3b559d85b98b59e
63d-libre.pdf?1654228023=&response-content-disposition=inline%3B+filename
%3DDevelopment_and_Validation_of_a_Brand_Tr.pdf&Expires=1709652544&Signatu
re=FsQ1WM96VMoy1~OdvJqLX1fNt.

Fournier, S. (1998). Consumers and their brands: Developing relationship theory in consumer
research. Journal of consumer research. doi:https://academic.oup.com/jcr/article-
abstract/24/4/343/1797962

G Zichermann, J. L. (2010). Game-based marketing: inspire customer loyalty through

rewards, challenges, and contests.

Gaofeng Wang, C. S. (2022). Influencing Factors of Usage Intention of Metaverse Education

Application Platform: Empirical Evidence Based on PPM and TAM Models.
Sustainability, 14(24), 17037.

Hamari, J. (2017). Do badges increase user activity? A field experiment on the effects of
gamification.

Hamzah et al. (2021).

152
Henkens et al. (2021).

Henseler, K. D. (2015). Consistent Partial Least Squares Path Modeling.

Henseler, K. D. (2015). Consistent Partial Least Squares Path Modeling.

Holbrook, H. a. (1982). Postmodern consumer research.

Hollebeek et al . (2014). https://journals.sagepub.com/doi/abs/10.1016/j.intmar.2013.12.002?

journalCode=jnma#table2-j-intmar-2013-12-002.

Hollebeek et al. (2020). Virtual reality through the customer.

Hollensen et al. (2022). Metaverse–the new marketing universe.

Howard E. Butz Jr., L. D. (1996). Measuring customer value: Gaining the strategic advantage.

Hsu, C.-L. (2023). Enhancing brand love, customer engagement, brand experience, and
repurchase intention: Focusing on the role of gamification in mobile apps. Decision
Support Systems.

J. Hamari, J. K. (2014). Does gamification work? - a literature review of empirical studies on

gamification. .

Jaruwan Karapakdee, P. W. (2021). Immersive Digital Storytelling Learning Experience with a

Metaverse Gamification Game Platform to Enhance Game Developer Competency.
environment.

Jiyeon Moon, S.-L. H. (2023). The Effect of Gamified Brand Experience using Metaverse on
User’s Purchase Intention and Brand Attitude: Moderating Effect of User-to-User
Interactivity. Journal of Channel and Retailing, 81-106.
doi:https://www.e-jcr.org/archive/view_article?pid=jcr-28-4-81

Jonna Koivisto, J. H. (2019). The rise of motivational information systems: A review of

gamification research. International journal of information management.
doi:https://www.sciencedirect.com/science/article/pii/S0268401217305169

153
K.F. Hew, B. H. (2016). Engaging Asian students through game mechanics: Findings from two
experiment studies. .

Kaufmann, M. K. (2023). The Impacts of the Metaverse on Iranian SMEs’. ATINER

CONFERENCE PRESENTATION SERIES No: BRA2023-0309.

Ketut Agustini, I. M. (2023). Applying Gamification Technique and Virtual Reality for.
International Journal of Information and Education Technology, 247-256.
doi:https://www.ijiet.org/vol13/IJIET-V13N2-1802-IJIET-5586.pdf

Kim, S. P. (2022). Identifying world types to deliver gameful experiences for sustainable
learning in the metaverse. .

Knudson, P. (. (2017). Gamification in 2017: Top 5 Key Principles. Retrieved from UX Planet:
https://uxplanet.org/gamification-in2017-top-5-key-principles-cef948254dad

Knudson, P. (2017). Gamification in 2017: Top 5 Key Principles.

Larcker, F. a. (1981). Evaluating Structural Equation Models with Unobservable Variables and
Measurement Error.

Lemon, K. &. (2016). Understanding Customer Experience Throughout the Customer Journey.
Journal of Marketing: AMA/MSI Special Issue.

Linda D. Hollebeek, K. M. (2019). Digital Content Marketing's Role in Fostering Consumer

Engagement, Trust, and Value: Framework, Fundamental Propositions, and
Implications.

Machado et al. (2019).

Manthiou et al. (2018). The impact of brand authenticity on building brand love: An
investigation of impression in memory and lifestyle-congruence.

MARISA, Fitri, et al. (2020). https://thesai.org/Downloads/Volume11No11/Paper_14-

Evaluation_of_Student_Core_Drives_on_E_Learning.pdf.

Medina, C. (2023). EXPLORING GEN Z’S MOTIVATION TOWARD BRANDED FASHION.

(Doctoral dissertation, California State Polytechnic University, Pomona).
154
Merve Ulku TURGUT, B. G. (2015). The critical role of brand love in clothing brands. Journal
of Business Economics and Finance.
doi:https://dergipark.org.tr/en/pub/jbef/issue/32408/360442

Michael Sailer, J. U. (2017). How gamification motivates: An experimental study of the effects
of specific game design elements on psychological need satisfaction. Computers in
human behavior.
doi:https://www.sciencedirect.com/science/article/pii/S074756321630855X

Milanesi. (2022).

Mogaji et al. (2023). Immersive time (ImT): Conceptualizing time spent in the metaverse. .

Mohammad Farhat, P. A.-D. (2022). The resonant tidal evolution of the Earth-Moon distance.

Nannan Xi, J. H. (2019). The Relationship Between Gamification, Brand Engagement.

Proceedings of the 52nd Hawaii International Conference on System Sciences.

Narissara Palusuk, B. K. (2019). 'All you need is brand love': A critical review and
comprehensive conceptual framework for brand love.

Norton, D. &. (2013). Using the customer journey to road test and refine the business model.

Oliver Rust & Varki . (1997).

Oliver Rust & Varki. (1997).

https://d1wqtxts1xzle7.cloudfront.net/86912356/5451796aaad68a1f8f3b559d85b98b59e
63d-libre.pdf?1654228023=&response-content-disposition=inline%3B+filename
%3DDevelopment_and_Validation_of_a_Brand_Tr.pdf&Expires=1709652544&Signatu
re=FsQ1WM96VMoy1~OdvJqLX1fNt.

Oliver, R. L. (1999). Whence consumer loyalty? Journal of marketing.

doi:https://journals.sagepub.com/doi/full/10.1177/00222429990634s105?
casa_token=KocjHdroGvwAAAAA%3AmUY0RZ-
RpImmJ75_VwRBBp2E0oqOS2gyf7WgkMDaefjNEF20f7TRpD6qyoK2z_llAUsbsKx
WKPVEV-kn

155
Prados-Peña, d. B.-G. (2019). Do brand authenticity and brand credibility facilitate brand
equity? The case of heritage destination brand extension.

R. van Roy, B. Z. (2018). Need-supporting gamification in education: An assessment of

motivational effects over time. .

Rauschnabel et al. (2019). How mobile AR-apps can improve brands through inspiration.

Reimann et al. (2012). How we relate to brands: Psychological and neurophysiological insights
into consumer–brand relationships.

Richard D'arc da Silva Brito, L. H. (2018). Development of a gamification characteristics

measurement scale for mobile application users. Revista Eletrônica de Negócios
Internacionais, 1-16.
doi:https://www.redalyc.org/journal/5575/557559053003/557559053003.pdf

Richard P. Bagozzi, R. B. (2017). Brand love: development and validation of a practical scale.
Marketing Letters. doi:https://link.springer.com/article/10.1007/s11002-016-9406-1

Ringle, M. H. (2010). Local strategic networks in the software industry: an empirical analysis
of the value continuum.

Rob van Roy, B. Z. (2019). Unravelling the ambivalent motivational power of gamification: A
basic psychological needs perspective. International Journal of Human-Computer
Studies. doi:https://www.sciencedirect.com/science/article/pii/S1071581918301927?
casa_token=eCwHc2zoAG0AAAAA:JW7fRj6ASuqYfsj0PVod4Itd6Y4WeaG4d9bINF-
5MNQ_nqi4WSBaX7a3HhtE_kTAeYrhslFZ9tM

Rosado-Pinto et al. (2020).

Ryan RM, D. E. (2000). Lý thuyết về quyền tự quyết và tạo điều kiện thuận lợi cho động lực
nội tại.

Salonen, A. &. (2017). Practicing Octalysis (Uppsala Universetet).

Shen, Z. S. (2022). Societal trust and corporate risk-taking: International evidence. Journal of
International Financial Markets, Institutions and Money.
156
Shin, D. (2022). The actualization of meta affordances: Conceptualizing affordance
actualization in the metaverse games.

Short et al. (1976). The social psychology of telecommunications.

Södergren, J. (2021). Brand authenticity: 25 Years of research.

Surasak Srisawat, P. P. (2022). Metaverse Virtual Learning Management Based on

Gamification. International Education Studies.
doi:https://files.eric.ed.gov/fulltext/EJ1362553.pdf

Sveder, E. L. (2023). Gamification within the Metaverse: A quantitative study to understand

how consumer engagement is influenced by gamification strategies in the Metaverse.
Business Administration: Bachelor Thesis.

Trihartita Sulispera, M. R. (2020). Octalysis Gamification Framework for Enhancing Students'

Engagement in Language Learning. Array. JURNAL DIALEKTIKA PROGRAM
STUDI PENDIDIKAN BAHASA INGGRIS.
doi:https://drive.google.com/file/d/1cdnBCyEUr5IeLmwF6zW_UngqgK-4RsLR/view

Unal et al. (2013). ORGANIC FACIES VARIATION FROM WELL DATA ON THE COALY
MIOCENE UNITS, THE WESTHERN PART OF TURKEY (SAHINALI-AYDIN).

Vdov, K. (2010). The effect of gamification on customer experience in the digital.

Vikas Arya, R. S. (2023). Brands are calling your AVATAR in Metaverse–A study to explore
XR-based gamification marketing activities & consumer-based brand equity in virtual
world. Journal of Consumer Behaviour.
doi:https://onlinelibrary.wiley.com/doi/full/10.1002/cb.2214

Weon-Sang Yoo, Y. L. (2010). The role of interactivity in e-tailing: Creating value and
increasing satisfaction.

Xiaolin Zhang, Z. G. (2024). Exploring the Impact of Gamification in Immersive Virtual

Exhibitions: From User Experience Perspective. User Experience Perspective.

157
Yogesh K. Dwivedi, L. H. (2023). Metaverse marketing: How the metaverse will shape.
Psychology & Marketing.
doi:https://onlinelibrary.wiley.com/doi/pdf/10.1002/mar.21767

Yoo et al. (2023). The merchants of meta: A research agenda to understand the future of
retailing in the metaverse.

Yousra Bousba, D. V. (2022). LET'S CONNECT IN METAVERSE. BRAND'S NEW

DESTINATION TO. Journal of Content, Community & Communication, 276-293.
doi:https://www.amity.edu/gwalior/jccc/pdf/june-2022-19.pdf

Yousra Bousba, v. a. (2022). LET'S CONNECT IN METAVERSE. BRAND'S NEW

DESTINATION TO INCREASE CONSUMERS' AFFECTIVE BRAND ENGAGEMENT
& THEIR SATISFACTION AND ADVOCACY.

Zheng et al. (2022). Social Predictors of Doctoral Student Mental Health and Well-Being.

158
PHỤ LỤC 1

A. DANH SÁCH CÂU HỎI ĐỊNH TÍNH PHỎNG VẤN CHUYÊN GIA ( VỚI 1
CHUYÊN GIA TRONG LĨNH VỰC CÔNG NGHỆ THÔNG TIN)

1. Theo anh/chị, đặc điểm nào của Gamification Learning trong Metaverse đã tạo động lực cho
người học sử dụng nền tảng học tập đó?

2. Một thương hiệu có thể xây dựng mối quan hệ với khách hàng bằng cách xây dựng trải
nghiệm đáng nhớ không?

3. Theo anh/chị, ứng dụng của Gamification Learning trong Metaverse có làm tăng sự tương
tác của người học với một nền tảng học tập không? Sự tương tác này thể hiện như thế nào trong
nền tảng học tập có ứng dụng của Gamification Learning trong Metaverse?

4. Theo anh/chị, ứng dụng của Gamification Learning trong Metaverse có góp phần tạo nên
một nền tảng học tập yêu thích cho người học không? Vì sao?

5. Từ sự tương tác của khách hàng với thương hiệu có thể dẫn đến tình yêu thương hiệu không?
Vì sao?

6. Khi khách hàng (người học) có tình yêu thương hiệu thì sẽ dẫn đến những yếu tố nào?

7. Theo chị, bảng câu hỏi và mô hình được đính kèm có chỗ nào bất hợp lý, khó hiểu, dễ nhầm
lẫn và đề xuất chỉnh sửa hay không?

B. DANH SÁCH CÂU HỎI ĐỊNH TÍNH PHỎNG VẤN CHUYÊN GIA (VỚI GIẢNG
VIÊN UEH)

1. Sau khi nhìn vào mô hình và các thang đo của nhóm, thầy/cô thấy các biến đã hợp lý hay
chưa ạ? Các câu hỏi có dễ hiểu và hợp lý chưa ạ?

2. Nếu chưa, thầy/cô có những đề xuất nào để nhóm chúng em chỉnh sửa cho phù hợp ạ?

C. DANH SÁCH CÂU HỎI PHỎNG VẤN NHÓM

1. Sau khi được xem qua video về một ứng dụng học tập áp dụng Gamification Learning trong
Metaverse của ViewSonic bạn cảm thấy như thế nào?
159
2. Bản cảm thấy nền tảng học tập đó như thế nào so với cách học thông thường?

3. Theo bạn, những yếu tố nào của ứng dụng học tập áp dụng Gamification Learning trong
Metaverse của ViewSonic khiến bạn cảm thấy thích sử dụng nền tảng đó?

4. Việc áp dụng Gamification Learning trong Metaverse vào một nền tảng học tập có phải là
một trong những yếu tố thúc đẩy bạn sử dụng nền tảng đó không?

5. Khi bạn sử dụng nền tảng học tập như Duolingo thì cảm xúc của bạn như thế nào?

6. Theo bạn, việc áp dụng Gamification Learning trong Metaverse vào một nền tảng học tập có
giúp bạn yêu thích nền tảng đó hơn không?

7. Khi bạn tương tác với một nền tảng học tập/ứng dụng trong thời gian dài có khiến bạn yêu
thích nền tảng/ứng dụng đó không?

8. Khi bạn yêu thích một nền tảng/ứng dụng thì bạn có sẵn sàng dành nhiều thời gian cho nó
không?

9. Khi bạn yêu thích một nền tảng/ứng dụng thì bạn có ưu tiên sử dụng nền tảng đó hơn so với
các nền tảng khác không?

10. Khi có một luồng thông tin tiêu cực từ người khác nói về nền tảng/ ứng dụng yêu thích của
bạn, thì bạn sẽ làm gì?

11. Sau khi xem qua mô hình và thang đo (Bảng câu hỏi), bạn có nhận xét và đề xuất gì không?

PHỤ LỤC 2

DANH SÁCH CHUYÊN GIA HỌC THUẬT

Cô Dương Ngọc Hồng - giảng viên khoa Kinh doanh quốc tế - Marketing UEH.

DANH SÁCH CHUYÊN GIA THỰC TIỄN

Anh Nguyễn Xuân - người làm trong lĩnh vực Công nghệ thông tin.

DANH SÁCH ĐÁP VIÊN THẢO LUẬN NHÓM

160
 STT Tên Giới tính Năm sinh

1 Đỗ Anh Minh Nam 2002

2 Huỳnh Nguyễn Bảo Châu Nữ 2004

3 Phan Nhị Hào Nam 2004

4 Nguyễn Gia Hân Nữ 2003

5 Nguyễn Ngọc Hoàn Vũ Nam 2003

6 Hồ Thị Trúc Mai Nữ 2004

7 Vương Hạnh Phương Nữ 2003

PHỤ LỤC 3

BẢNG CÂU HỎI ĐỊNH LƯỢNG CHÍNH THỨC DÙNG KHẢO SÁT

“Kính chào Quý Anh/Chị,

Chúng tôi là nhóm nghiên cứu tại trường Đại học Kinh tế TP. Hồ Chí Minh, hiện đang tập
trung vào việc khảo sát về ứng dụng của Marketing Gamification Learning trong Metaverse và
tác động của nó đối với sức hút thương hiệu cũng như thu hút khách hàng ở khu vực TP HCM
trong tương lai. Chúng tôi trân trọng cảm ơn sự hỗ trợ quý báu từ Anh/Chị để hoàn thiện bản
câu hỏi dưới đây. Chúng tôi xin được cam kết rằng mọi thông tin mà Anh/Chị cung cấp sẽ chỉ
được sử dụng cho mục đích nghiên cứu và sẽ được xử lý một cách ẩn danh và an toàn theo quy
trình bảo mật nghiêm ngặt của chúng tôi.”

PHẦN 1: THÔNG TIN CHUNG

1.Bạn thường học tập qua phương thức nào?

161
□Đọc sách □Học online qua các video bài giảng □Học tại các trung tâm

2.Bạn giành bao nhiêu thời gian cho việc học mỗi ngày?

□Dưới 2 tiếng □2 - 4 tiếng □Trên 4 tiếng

3.Bạn có nghĩ việc học trực tuyến sẽ rất thú vị không?*

□Có □Không

4.Bạn đã từng trải nghiệm qua Gamification Learning trong Metaverse bao giờ chưa?

□Đã từng □Chưa từng

5.Sau khi xem video về ứng dụng của Gamification Learning trong Metaverse đã giúp bạn hình
dung được phần nào về sự thú vị của nó

□Đồng ý □Không đồng ý

PHẦN 2: KHẢO SÁT CHÍNH

Anh/chị vui lòng đánh giá mức độ đồng ý của mình bằng cách đánh vào ô với số tương ứng
theo thang đo Likert 5 điểm, trong đó:

1 2 3 4 5

Hoàn toàn không đồng ý Không đồng ý Trung lập Đồng ý Hoàn toàn đồng ý

Ảnh hưởng xã hội và sự liên quan Hoàn toàn không đồng ý

->Hoàn toàn đồng ý

Sau khi được xem qua video, tôi cảm thấy ứng dụng 1 2 3 4 5
học tập áp dụng Gamification Learning trong
Metaverse của ViewSonic mang lại sự khuyến
khích để cạnh tranh hoặc cộng tác nhiều hơn giữa
162
bạn bè, điều đó tạo động lực học tập cho tôi.

Tôi nghĩ ứng dụng học tập áp dụng Gamification 1 2 3 4 5

Learning trong Metaverse này của ViewSonic có
thể giúp tôi dễ dàng kết bạn.

Việc chia sẻ ý tưởng và trò chuyện với người khác 1 2 3 4 5

khi sử dụng ứng dụng học tập áp dụng Gamification
Learning trong Metaverse của ViewSonic tạo động
lực học tập cho tôi.

Tôi nghĩ động lực để tôi sử dụng ứng dụng học tập 1 2 3 4 5
áp dụng Gamification Learning trong Metaverse của
ViewSonic là nó có thể giúp tôi định hướng hoặc
được định hướng bởi những người khác.

Sự tò mò và khó đoán Hoàn toàn không đồng ý

->Hoàn toàn đồng ý

Sau khi được xem qua video về một ứng dụng học 1 2 3 4 5
tập áp dụng Gamification Learning trong Metaverse
của ViewSonic, Tôi có một cái nhìn khác về môi
trường xung quanh.

Tôi nghĩ việc thực hiện các hành động mang lại cho 1 2 3 4 5
tôi một phần thưởng bất ngờ mang lại cho tôi động
lực để sử dụng ứng dụng học tập áp dụng
Gamification Learning trong Metaverse của
163
ViewSonic.

Tôi thích sử dụng ứng dụng học tập áp dụng 1 2 3 4 5

Gamification Learning trong Metaverse của
ViewSonic vì nó khiến tôi cố gắng dự đoán những
gì sẽ xảy ra hoặc có khuynh hướng xảy ra.

Hoàn toàn không đồng ý

Phát triển và thành tựu
->Hoàn toàn đồng ý

Các hoạt động mang lại điểm đã tạo động lực cho 1 2 3 4 5
tôi sử dụng ứng dụng học tập áp dụng Gamification
Learning trong Metaverse của ViewSonic.

Tôi sẽ sử dụng ứng dụng học tập áp dụng 1 2 3 4 5

Gamification Learning trong Metaverse của
ViewSonic, nếu có cơ hội giành được giải thưởng
với nó.

Tôi cảm thấy thích các ứng dụng học tập áp dụng 1 2 3 4 5
Gamification Learning của ViewSonic vì nó cho tôi
cảm giác thành tựu khi tôi chiến thắng một thử thách
phức tạp.

Việc khuyến khích nâng cao thành tích cũng tạo 1 2 3 4 5

động lực cho tôi sử dụng ứng dụng học tập đó.

164
 Hoàn toàn không đồng ý
Gamification Learning trong Metaverse
->Hoàn toàn đồng ý

Sau khi xem video về một ứng dụng học tập áp 1 2 3 4 5

dụng Gamification Learning trong Metaverse của
ViewSonic, tôi muốn học điều gì đó thông qua
Gamification trong Metaverse.

Tôi cảm thấy các hoạt động trong video về một ứng 1 2 3 4 5
dụng học tập áp dụng Gamification Learning trong
Metaverse của ViewSonic rất phong phú.

Tôi nghĩ ứng dụng học tập áp dụng Gamification 1 2 3 4 5

Learning trong Metaverse của ViewSonic sẽ giúp
tôi học tốt hơn.

Hoàn toàn không đồng ý

Brand love
->Hoàn toàn đồng ý

Thật thú vị khi được xem qua video về một ứng 1 2 3 4 5

dụng học tập áp dụng Gamification Learning trong
Metaverse của ViewSonic.

Sự tương tác ảo trong video với lớp học của 1 2 3 4 5

ViewSonic trong Metaverse là hoàn toàn tuyệt vời.

Tôi có cảm xúc mạnh mẽ với ứng dụng học tập áp 1 2 3 4 5

dụng Gamification Learning trong Metaverse này
165
của ViewSonic.

Sự tương tác với video về một ứng dụng học tập áp 1 2 3 4 5

dụng Gamification Learning trong Metaverse của
ViewSonic thực sự là một niềm vui.

Tôi rất đam mê sự tương tác của người chơi trong 1 2 3 4 5

video về ứng dụng học tập áp dụng Gamification
Learning trong Metaverse của ViewSonic

Brand engagement Hoàn toàn không đồng ý

->Hoàn toàn đồng ý

Sau khi xem video về ứng dụng học tập áp dụng 1 2 3 4 5

Gamification Learning trong Metaverse của
ViewSonic khiến tôi nghĩ về thương hiệu
ViewSonic.

Việc xem video về ứng dụng học tập áp dụng 1 2 3 4 5

Gamification Learning trong Metaverse của
ViewSonic kích thích sự tò mò của tôi để tìm hiểu
thêm về thương hiệu ViewSonic.

Tôi cảm thấy tích cực khi xem video về ứng dụng 1 2 3 4 5
học tập áp dụng Gamification Learning trong
Metaverse của ViewSonic.

166
Sự phản kháng lại thông tin tiêu cực từ phía Hoàn toàn không đồng ý
khách hàng
->Hoàn toàn đồng ý

Thông tin tiêu cực về ứng dụng học tập áp dụng 1 2 3 4 5

Gamification Learning trong Metaverse của
ViewSonic không làm thay đổi quan điểm chung
của tôi về ViewSonic.

Thông tin tiêu cực về ứng dụng học tập áp dụng 1 2 3 4 5

Gamification Learning trong Metaverse của
ViewSonic không ảnh hưởng đến tôi.

Thông tin tiêu cực về ứng dụng học tập áp dụng 1 2 3 4 5

Gamification Learning trong Metaverse của
ViewSonic không thay đổi cách tôi nghĩ về
ViewSonic.

Lòng trung thành với thương hiệu Hoàn toàn không đồng ý

->Hoàn toàn đồng ý

Tôi tin rằng sử dụng ViewSonic này sẽ tốt hơn các 1 2 3 4 5

thương hiệu khác.

Tôi tin rằng các đặc điểm của ViewSonic này phù 1 2 3 4 5
hợp với những gì tôi thích

167
Tôi sẽ luôn ưu tiên sử dụng ViewSonic này hơn 1 2 3 4 5
thương hiệu đối thủ cạnh tranh

PHẦN 3: THÔNG TIN CÁ NHÂN

1.Bạn bao nhiêu tuổi?

□10 - 14 tuổi □15 - 19 tuổi □20 - 24 tuổi

2.Giới tính của bạn

□Nam □Nữ

3.Bạn là

□Học sinh □Sinh viên □Người đi làm

4.Bạn đang sống tại thành phố Hồ Chí Minh đúng không?

□Đúng □Không

5.Chí phí hàng tháng bạn giành cho việc học thêm kiến thức là bao nhiêu?

□Dưới 5 triệu □5-10 triệu □Trên 10 triệu

PHỤ LỤC 4

DANH MỤC BẢNG DỮ LIỆU SMARTPLS

Mean Median Observed Observed Standard

min max deviation

AH1 3.881 4.000 1.000 5.000 0.694

168
AH2 3.940 4.000 1.000 5.000 0.830

AH3 4.051 4.000 1.000 5.000 0.803

AH4 3.934 4.000 1.000 5.000 0.819

BE1 3.722 4.000 1.000 5.000 0.739

BE2 3.812 4.000 1.000 5.000 0.767

BE3 4.009 4.000 1.000 5.000 0.794

BL1 4.006 4.000 1.000 5.000 0.628

BL2 4.030 4.000 1.000 5.000 0.728

BL3 4.039 4.000 1.000 5.000 0.793

BL4 4.099 4.000 1.000 5.000 0.760

BL5 3.976 4.000 1.000 5.000 0.772

GM1 3.863 4.000 1.000 5.000 0.682

GM2 3.982 4.000 1.000 5.000 0.818

GM3 4.000 4.000 1.000 5.000 0.853

LT1 3.451 4.000 1.000 5.000 0.816

LT2 3.430 4.000 1.000 5.000 0.854

169
 LT3 3.334 3.000 1.000 5.000 1.014

PT1 3.851 4.000 1.000 5.000 0.705

PT2 4.003 4.000 1.000 5.000 0.775

PT3 4.015 4.000 1.000 5.000 0.823

PT4 4.033 4.000 1.000 5.000 0.837

SK1 3.418 4.000 1.000 5.000 0.849

SK2 3.376 4.000 1.000 5.000 0.999

SK3 3.376 4.000 1.000 5.000 1.063

ST1 3.821 4.000 1.000 5.000 0.719

ST2 3.997 4.000 1.000 5.000 0.805

ST3 3.907 4.000 1.000 5.000 0.854

Bảng 11: Bảng thống kê mô tả các biến trong mô hình

Descriptives

170
 LT3

N Mean Std. Std. 95% Confidence Minimum Maximum

Deviation Error Interval for
Mean

Lower Upper
Bound Bound

1 169 3.29 1.088 .084 3.12 3.46 1.00 5.00

2 166 3.38 .938 .073 3.24 3.52 1.00 5.00

Total 335 3.33 1.016 .055 3.23 3.44 1.00 5.00

Bảng 12: Bảng thống kê mô tả biến LT3

AH BE BL GM LT PT SK ST

AH1 0.799

171
AH2 0.834

AH3 0.757

AH4 0.793

BE1 0.817

BE2 0.815

BE3 0.800

BL1 0.732

BL2 0.739

BL3 0.793

BL4 0.776

BL5 0.695

GM1 0.794

GM2 0.851

GM3 0.817

LT1 0.867

LT2 0.904

LT3 0.889

PT1 0.789

172
 PT2 0.783

PT3 0.801

PT4 0.820

SK1 0.864

SK2 0.931

SK3 0.900

ST1 0.798

ST2 0.836

ST3 0.818

Bảng 13: Kết quả kiểm định hệ số tải ngoài của nhân tố

Cronbach's Composite Composite Average

alpha reliability reliability variance
(rho_a) (rho_c) extracted
(AVE)

AH 0.807 0.808 0.874 0.634

BE 0.741 0.744 0.852 0.658

BL 0.802 0.803 0.864 0.559

173
 GM 0.759 0.763 0.861 0.674

LT 0.864 0.864 0.917 0.787

PT 0.810 0.812 0.875 0.637

SK 0.883 0.921 0.927 0.808

ST 0.751 0.753 0.858 0.668

Bảng 14: Kết quả kiểm định độ tin cậy và giá trị hội tụ thang đo

AH BE BL GM LT PT SK ST

AH 0.796

BE 0.362 0.811

BL 0.468 0.499 0.748

GM 0.711 0.407 0.512 0.821

LT 0.140 0.364 0.190 0.101 0.887

PT 0.680 0.361 0.526 0.697 0.115 0.798

SK 0.179 0.374 0.233 0.164 0.658 0.119 0.899

ST 0.703 0.364 0.499 0.682 0.073 0.677 0.098 0.817

174
Bảng 15: Kết quả kiểm định tính phân biệt thang đo Fornell-Larcker

AH BE BL GM LT PT SK ST

AH1 0.799 0.328 0.372 0.597 0.169 0.582 0.197 0.588

AH2 0.834 0.306 0.349 0.564 0.161 0.520 0.244 0.541

AH3 0.757 0.264 0.376 0.557 0.033 0.527 0.041 0.572

AH4 0.793 0.251 0.395 0.542 0.076 0.534 0.081 0.533

BE1 0.296 0.817 0.410 0.362 0.321 0.254 0.303 0.291

BE2 0.263 0.815 0.374 0.257 0.290 0.243 0.315 0.298

BE3 0.315 0.800 0.424 0.357 0.274 0.372 0.294 0.296

BL1 0.361 0.387 0.732 0.363 0.167 0.365 0.214 0.358

BL2 0.343 0.363 0.739 0.357 0.105 0.367 0.165 0.381

BL3 0.397 0.388 0.793 0.425 0.152 0.423 0.153 0.405

BL4 0.301 0.381 0.776 0.388 0.139 0.417 0.133 0.325

BL5 0.344 0.342 0.695 0.376 0.142 0.392 0.205 0.395

GM1 0.531 0.353 0.326 0.794 0.087 0.558 0.176 0.511

175
 GM2 0.620 0.290 0.361 0.851 0.048 0.580 0.123 0.613

GM3 0.595 0.357 0.552 0.817 0.112 0.577 0.110 0.553

LT1 0.143 0.373 0.174 0.104 0.867 0.115 0.585 0.078

LT2 0.126 0.315 0.164 0.101 0.904 0.108 0.579 0.063

LT3 0.103 0.278 0.167 0.064 0.889 0.083 0.587 0.052

PT1 0.594 0.292 0.380 0.598 0.142 0.789 0.117 0.578

PT2 0.499 0.283 0.370 0.510 0.094 0.783 0.079 0.479

PT3 0.550 0.301 0.477 0.561 0.065 0.801 0.105 0.541

PT4 0.521 0.275 0.450 0.548 0.063 0.820 0.074 0.556

SK1 0.093 0.285 0.152 0.087 0.558 0.048 0.864 0.036

SK2 0.201 0.344 0.243 0.145 0.567 0.100 0.931 0.065

SK3 0.167 0.368 0.215 0.195 0.652 0.157 0.900 0.154

ST1 0.557 0.324 0.375 0.526 0.100 0.536 0.081 0.798

ST2 0.592 0.240 0.385 0.567 0.060 0.563 0.067 0.836

ST3 0.573 0.329 0.459 0.577 0.022 0.560 0.093 0.818

Bảng 16: Kết quả kiểm định tính phân biệt thang đo hệ số tải chéo
176
 AH BE BL GM LT PT SK ST

AH

BE 0.463

BL 0.581 0.643

GM 0.904 0.534 0.644

LT 0.165 0.453 0.226 0.123

PT 0.837 0.460 0.651 0.884 0.136

SK 0.209 0.457 0.268 0.196 0.753 0.136

ST 0.901 0.488 0.641 0.901 0.092 0.864 0.116

Bảng 17: Tỷ số Heterotrait - Monotrait (HTMT) các thang đo

AH BE BL GM LT PT SK ST

AH 2.331

177
 BE 1.198

BL 1.000 1.000

GM 1.000 1.198

LT

PT 2.180

SK

ST 2.312

Bảng 18: Đánh giá Đa cộng tuyến VIF

Giả Mối Original Sample Standard T statistics (| P Chấp

thuyết quan sample mean deviation O/STDEV|) values nhận/
hệ (O) (M) (STDEV) Từ
chối

H1 AH 0.333 0.334 0.063 5.282 0.000 Chấp

nhận
->
GM

H6 BE-> 0.348 0.351 0.051 6.883 0.000 Chấp

178
 BL nhận

H7 BL-> 0.190 0.194 0.053 3.586 0.000 Chấp

LT nhận

H8 BL-> 0.233 0.237 0.050 4.647 0.000 Chấp

SK nhận

H5 GM- 0.407 0.412 0.059 6.856 0.000 Chấp

> BE nhận

H4 GM- 0.370 0.368 0.063 5.921 0.000 Chấp

> BL nhận

H3 PT-> 0.308 0.306 0.057 5.453 0.000 Chấp

GM nhận

H2 ST-> 0.239 0.240 0.059 4.063 0.000 Chấp

GM nhận

Bảng 19: Kết quả tác động và kiểm định mô hình, biến điều tiết - Path coefficients

R-square R-square adjusted

BE 0.165 0.163

BL 0.363 0.359

179
 GM 0.615 0.611

LT 0.036 0.033

SK 0.054 0.051

Bảng 20: Hệ số R-Square

Q²predict RMSE MAE

BE 0.151 0.929 0.693

BL 0.280 0.857 0.668

GM 0.605 0.634 0.493

LT 0.011 1.001 0.796

SK 0.017 0.997 0.836

Bảng 21: Hệ số Q-Square

AH BE BL GM LT PT SK ST

AH 0.123

180
 BE 0.159

BL 0.037 0.057

GM 0.198 0.180

LT

PT 0.113

SK

ST 0.064

Bảng 22: Hệ số f-square

Giả thuyết Chấp nhận/Từ chối

H1 Tương tác xã hội và sự liên quan ảnh hưởng Chấp nhận

tích cực đến việc học tập thông qua
Gamification trong Metaverse.

Sự tò mò và khó đoán ảnh hưởng tích cực

H2 Chấp nhận
đến việc học tập thông qua Gamification
trong Metaverse.

181
 “Phát triển và Thành tựu” tạo môi trường
H3 Chấp nhận
học tập sôi động sử dụng PBLs để xây dựng
Gamification Learning trong Metaverse.

Hoạt động trải nghiệm điều chỉnh đáng kể

H4 Chấp nhận
mối quan hệ giữa Gamification Learning
trong Metaverse và tình yêu thương hiệu.

H5 Hoạt động trải nghiệm điều chỉnh đáng kể Chấp nhận

mối quan hệ giữa Gamification Learning
trong Metaverse và sự gắn kết người học.

Sự tương tác với thương hiệu ảo của người

H6 Chấp nhận
học có mối quan hệ tích cực đáng kể với sự
yêu thích thương hiệu của người học trong
Metaverse.

Tình yêu thương hiệu có ảnh hưởng tích cực

H7 Chấp nhận
đến lòng trung thành với thương hiệu.

Tình yêu thương hiệu có ảnh hưởng tích cực

H8 Chấp nhận
đến sự phản kháng lại những thông tin tiêu
cực của khách hàng.

Bảng 23: Kiểm định giả thuyết

182
BẢNG ĐÁNH GIÁ MỨC ĐỘ HOÀN THÀNH NHIỆM VỤ

BT1 BT2 BT3 BT4 Báo cáo

tổng hợp

Nguyễn Phương Ngân 100% 100% 100% 100% 100%

(Trưởng nhóm)
MSSV: 31221026725

183
Nguyễn Thị Tuyết Nhi 100% 100% 100% 100% 100%
MSSV: 31221024170

Hồ Thị Thương 100% 100% 100% 100% 100%

MSSV: 31221026137

Đoàn Hữu Thịnh 100% 100% 100% 100% 100%

MSSV: 31221024220

Lê Bá Thanh 100% 100% 100% 100% 100%

MSSV: 31221024314

184