Nghiên cứu sử dụng lý thuyết sử dụng và thỏa mãn Use & Gratification - U&G để tìm hiểu về mối quan hệ của các yếu tố Tính mới, Thông tin xu hướng, Đa dạng phương thức thể hiện, Chất lượn
PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ
Kết quả định tính sơ bộ
Tất cả đáp viên đều sử dụng nền tảng Tik Tok thường xuyên, với một số ít sử dụng cho công việc Ngoài Tik Tok, các nền tảng phổ biến khác bao gồm Instagram, Facebook, Youtube và Google, đặc biệt là thông tin dưới dạng video Các đáp viên tìm kiếm thông tin chủ yếu về tin tức mới, giải trí, xu hướng, thông tin giật gân và kiến thức Họ thường xuyên tìm kiếm thông tin trên Tik Tok, và cho rằng các yếu tố như giải trí, tính mới, xu hướng, cùng với khả năng tiếp cận thông tin dễ dàng và nhanh chóng nhờ video ngắn và thuật toán cá nhân hóa là những yếu tố tác động đến hành vi tìm kiếm Tuy nhiên, về mặt học thuật, Tik Tok chưa đáp ứng đủ do thời lượng video ngắn, chỉ cung cấp thông tin tổng quan mà khó có thể tiếp thu kiến thức chuyên sâu.
Từ kết quả thảo luận, thang đo dành cho yếu tố hành vi tìm kiếm thông tin ( information seeking behaviour) vẫn được giữ nguyên như ban đầu như sau:
TT1 Tôi chủ yếu sử dụng Tik Tok của mình để tìm kiếm thông tin mà tôi quan tâm
TT2 Tôi nhận thông tin cập nhật về các chủ đề khác nhau mà tôi quan tâm một cách liên tục và thường xuyên trên Tik
TT3 Tôi sử dụng Tik Tok để tìm hiểu những điều đang diễn ra gần đây
TT4 Tôi sử dụng Tik Tok để tìm kiếm thông tin thú vị
Bảng 4.1: Thang đo Hành vi tìm kiếm thông tin
Tất cả đáp viên đều nhận thấy thông tin trên nền tảng Tik Tok thú vị, dễ hiểu và cập nhật xu hướng cao Bạn bè xung quanh họ chủ yếu sử dụng Tik Tok để làm việc, giải trí và học tập, nhằm nắm bắt những thông tin xu hướng phù hợp với nhu cầu cá nhân Kết quả thảo luận cho thấy thang đo cho yếu tố thông tin xu hướng (Trendiness) vẫn được giữ nguyên như ban đầu.
XH1 Bạn bè xung quanh tôi đều tìm kiếm thông tin trên
XH2 Sử dụng Tik Tok để tìm kiếm thông tin là xu hướng hiện nay
XH3 Mọi người xung quanh đều biết đến thông tin trên
XH4 Những thông tin xu hướng thì đều có trên Tik Tok (Kim & Ko, 2012)
Bảng 4.2: Thang đo Thông tin xu hướng
Tính mới (novelty) được xác định qua những thông tin chưa từng được biết trước đó, theo quan điểm của các đáp viên Màu sắc cá nhân và điểm nổi bật của tài khoản trên TikTok cũng góp phần tạo nên tính mới Thời gian đăng tải thông tin cũng là yếu tố quan trọng, với những thông tin mới trên TikTok truyền cảm hứng và động lực cho người dùng trong việc phát triển bản thân và học tập Hơn nữa, những thông tin này mở ra cơ hội nghề nghiệp, giúp người dùng học hỏi kiến thức mới và hỗ trợ trong việc tìm kiếm việc làm Do đó, biến “Tôi có thể tìm hiểu các đặc điểm địa phương của những nơi khác nhau thông qua TikTok” sẽ bị loại bỏ vì không được đề cập trong thảo luận về tính mới.
(novelty) được điều chỉnh như sau:
Thang đo Thang đo điều chỉnh Nghiên cứu
TM1 Có rất nhiều thông tin mới trên
Có rất nhiều thông tin mới trên Tik Tok
TM2 Tik Tok đem lại cho tôi nhiều góc nhìn mới
Tik Tok đem lại cho tôi nhiều góc nhìn mới
(DONG & Xie, 2022) TM3 Tôi có thể tìm hiểu các đặc điểm địa phương của những nơi khác Loại bỏ nhau thông qua TikTok
TM4 Tik Tok cho tôi đề xuất nhiều người dùng thú vị và thông tin mới
Tik Tok cho tôi đề xuất nhiều người dùng thú vị và thông tin mới
Tôi có thể biết thêm nhiều kiến thức mới nhờ Tik Tok
Tôi có thể biết thêm nhiều kiến thức mới nhờ Tik Tok
Bảng 4.3: Thang đo Tính mới
Về sự điều chỉnh nội dung (customization).Trả lời cho câu hỏi: Làm sao để
TikTok có khả năng hiểu hành vi tìm kiếm nội dung của người dùng thông qua thuật toán phân tích cách họ xem và tương tác với video Nhiều người cho rằng TikTok không hiển thị đúng nội dung mà họ cần, nhưng điều này có thể do họ chưa lướt đủ lâu hoặc hành vi của họ chưa rõ ràng Thời gian để TikTok nhận diện hành vi người dùng thường không quá lâu, có thể chỉ từ 2-3 ngày hoặc thậm chí trong một buổi Bên cạnh đó, việc creator chưa tối ưu hóa nội dung, hashtag hoặc từ khóa cũng ảnh hưởng đến khả năng tiếp cận của video đến người xem.
Ngoài việc tự tìm kiếm, thuật toán trên TikTok giúp người dùng dễ dàng tiếp cận thông tin quan tâm Một cách hiệu quả là đọc bình luận với từ khóa liên quan, điều này có thể dẫn đến nội dung cần tìm kiếm hoặc xem các video tổng hợp.
TikTok đang hoạt động hiệu quả với thuật toán của mình, cho phép nội dung thường xuyên được cập nhật Nội dung trên nền tảng này thường thay đổi trong vòng một tuần Tuy nhiên, TikTok vẫn chưa thực sự nghiêm ngặt và có quá nhiều người sáng tạo nội dung.
Bảng câu hỏi về sự điều chỉnh nội dung đã được chỉnh sửa dựa trên đề xuất của các đáp viên nhằm tránh sự mập mờ gây khó hiểu cho người trả lời Đồng thời, thang đo cũng được điều chỉnh để thể hiện rõ hơn tác động của thuật toán TikTok đến hành vi của người dùng.
Mã hóa Thang đo ban đầu Thang đo điều chỉnh Nghiên cứu
Tôi có thể tìm kiếm thông tin tùy chỉnh trên Tiktok
Tôi có thể điều chỉnh để tìm kiếm thông tin trên Tik Tok
Tiktok cung cấp các tính năng, dịch vụ điều chỉnh
Nhờ tính năng điều chỉnh nội dung của Tik Tok, tôi tiếp cận được thông tin phù hợp với sở thích
Bổ sung sau định tính
Tik Tok thường xuyên cung cấp và tự đề xuất thông tin mà tôi quan tâm
Nội dung trên Tik Tok thường xuyên được điều chỉnh phù hợp với sở thích của tôi
Tik tok hiểu được hành vi tìm kiếm và mối quan tâm của tôi
Bổ sung sau định tính
Bảng 4.4: Thang đo sự điều chỉnh nội dung
Chất lượng thông tin trên TikTok được đánh giá cao khi nội dung đáng tin cậy và chất lượng Người dùng cho rằng kênh đăng tải nội dung có vai trò quan trọng, cùng với sự sáng tạo và hình ảnh chỉnh chu, đáp ứng đúng nhu cầu của khán giả.
Bảng câu hỏi về sự điều chỉnh nội dung đã được chỉnh sửa dựa trên đề xuất của các đáp viên nhằm tránh sự mập mờ, giúp người trả lời dễ hiểu hơn.
Mã hóa Thang đo ban đầu Thang đo điều chỉnh Nghiên cứu
Thông tin tôi tìm kiếm trên Tik
Tok có thể dễ dàng có được Wang (2002)
Thông tin tôi tìm kiếm trên Tik
Tok có thể nhanh chóng truy cập ngay khi tôi cần
Thông tin tôi tìm kiếm trên Tik
Tok có thể dễ dàng truy xuất ra kết quả
Thông tin tôi tìm kiếm trên Tik
Tok có thể dễ dàng truy cập ngay khi tôi cần
Thông tin trên Tik Tok được truy xuất rất dễ hiểu
Thông tin trên Tik Tok được thể hiện ngắn gọn
Thông tin trên Tik Tok được thể hiện cô đọng nội dung
Thông tin trên Tik Tok được trình bày nhất quán
Thông tin trên Tik Tok được trình bày chuyên
Thông tin trên Tik Tok được thể hiện hấp dẫn
Bảng 4.5: Thang đo Chất lượng thông tin
Khi được hỏi về yếu tố đánh giá độ tin cậy của nội dung trên TikTok, nhiều người cho rằng hình thức thể hiện không phải là yếu tố quyết định Thay vào đó, độ tin cậy được đánh giá qua các yếu tố như creator có tick xanh, số lượng người theo dõi, và các trang uy tín đã được kiểm chứng Nội dung video không nhất thiết làm cho thông tin trở nên đáng tin hơn, mà chỉ thu hút hơn Những hình thức như bài báo hay bình luận trên các trang web thường được coi là đáng tin cậy hơn Độ tin tưởng cũng được thể hiện qua sự chuyên nghiệp trong hình ảnh và chỉnh sửa video.
Hình thức video ngắn trên TikTok mang lại trải nghiệm thú vị cho người dùng nhờ vào nội dung cô đọng và hình ảnh minh họa hấp dẫn Người xem có thể nắm bắt thông tin nhanh chóng, nhưng do thời lượng ngắn, các nội dung học thuật thường không được truyền tải đầy đủ, dẫn đến việc người dùng thường tìm đến YouTube để xem các video dài hơn TikTok trở thành nguồn tham khảo hữu ích, nơi người dùng tìm kiếm đánh giá và trải nghiệm từ người khác, chẳng hạn như đánh giá về sản phẩm hay phong cách thời trang của người mẫu.
Từ kết quả thảo luận nhóm và những minh chứng trong nghiên cứu đề xuất thêm giả thuyết như sau:
H7: Đa dạng phương thức thể hiện ảnh hưởng trực tiếp đến hành vi tìm kiếm thông tin của người dùng
Hai biến đo lường trong bảng câu hỏi về đa dạng phương thức đã được chỉnh sửa dựa trên đề xuất của các đáp viên, nhằm tránh sự mập mờ và giúp người trả lời dễ hiểu hơn.
Dựa trên ý kiến của các đáp viên, nghiên cứu đã điều chỉnh thang đo bằng cách bổ sung một biến đo lường mới và loại bỏ một biến cũ, nhằm phản ánh đầy đủ hơn tác động của đa dạng phương thức đến hành vi người dùng.
Mã hóa Thang đo ban đầu Thang đo điều chỉnh Nghiên cứu
Khi tôi xem các video live trên Tik Tok, tôi như đang được trò chuyện trực tiếp Loại bỏ sau định tính
Các video trên Tik Tok đem lại cho tôi cảm giác thực tế
Tik Tok giúp tôi trải nghiệm những nơi tôi chưa đến
Hình thức video trên Tik Tok giúp tôi trải nghiệm những nơi chưa từng đến
Hình thức video trên tik tok là một nguồn tham khảo tốt
Bổ sung sau định tính
Tôi cảm thấy như tôi có thể trải nghiệm nhiều điều mà không cần thực sự ở đó
Hình thức video làm tôi cảm thấy có thể trải nghiệm nhiều điều dù không thực sự ở đó Điều chỉnh sau định tính
Bảng 4.6: Thang đo Đa dạng phương thức thể hiện
Xuất hiện biến mới: Người sáng tạo nội dung có sức ảnh hưởng (Influencer):
Sau quá trình thảo luận nhóm, người sáng tạo nội dung có ảnh hưởng trên mạng xã hội khác với những người ủng hộ truyền thống, thường là những nhân vật nổi tiếng Những người này tạo ra nhân vật trực tuyến và đạt được sự nhận diện cao thông qua nội dung lan truyền (Garcia, 2017) Một người có ảnh hưởng trên mạng xã hội là người sáng tạo nội dung có chuyên môn trong lĩnh vực cụ thể, thu hút lượng lớn người theo dõi và tạo ra giá trị thương mại cho thương hiệu (Lou & Yuan, 2019) Nghiên cứu của Djafarova và Rushworth (2017) cho thấy niềm tin của người dùng Instagram vào đánh giá sản phẩm của người nổi tiếng phụ thuộc vào chuyên môn và sự phù hợp của họ với người dùng Hơn nữa, độ tin cậy, sức hấp dẫn và sự tương đồng của những người có ảnh hưởng ảnh hưởng tích cực đến niềm tin của người theo dõi đối với các bài đăng có thương hiệu (Lou & Yuan, 2019) Do đó, hình ảnh đáng tin cậy và hấp dẫn của những người có ảnh hưởng có thể tác động đến niềm tin của người theo dõi đối với nội dung tài trợ của họ.
Nghiên cứu của Chakraborty và Bhat (2018) chỉ ra rằng độ tin cậy của nguồn đánh giá trực tuyến và chất lượng đánh giá là những yếu tố quan trọng ảnh hưởng đến sự tin tưởng của người tiêu dùng đối với thông tin Điều này phù hợp với lý thuyết U&G, cho thấy khi người dùng cảm thấy thỏa mãn và tin cậy vào thông tin từ người ảnh hưởng, họ sẽ tiếp tục theo dõi và tương tác với người đó.
Nghiên cứu định lượng sơ bộ
4.2.1 Kết quả định lượng sơ bộ lần thứ nhất
Thông qua các câu trả lời từ khảo sát định lượng sơ bộ trên 167 đáp viên thu về được
150 kết quả hợp, nghiên cứu tiến hành lọc dữ liệu và xử lý thông qua phần mềm SmartPLS 4.0.8.8, đưa ra được các kết quả như sau:
Để đánh giá độ tin cậy của đo lường, cần kiểm tra mức độ tin cậy của các chỉ báo và độ tin cậy nhất quán nội bộ Hệ số tải ngoài chuẩn hóa của từng chỉ báo phải đạt mức > 0,708 (Hà & Thành, 2020; Hair et al., 2019) Độ tin cậy nhất quán nội bộ phản ánh sự đồng nhất trong đo lường của các chỉ báo trong một thang đo (DeVellis, 2016; Hà & Thành, 2020; Price et al., 2015) Phương pháp này sử dụng hệ số CR để đánh giá mô hình đo lường, với hệ số CR từ 0,60 đến 0,70 được coi là "có thể chấp nhận được trong nghiên cứu khám phá", và từ 0,70 đến 0,95 thể hiện mức độ tin cậy "đạt yêu cầu đến tốt" (Hair Jr et al., 2017).
Cronbach's alpha Độ tin cậy tổng hợp CR Tổng phương sai trích
Bảng 4.8: Bảng tóm tắt kết quả mô hình PLS_SEM
Theo kết quả từ phần mềm SMARTPLS_SEM, Cronbach’s Alpha của nhân tố DC là 0,648, thấp hơn mức 0,708, cho thấy thang đo này không đạt độ tin cậy Ngược lại, các nhân tố còn lại đều có giá trị lớn hơn 0,708 và độ tin cậy tổng hợp của các thang đo đều vượt quá 0,7 Hơn nữa, phương sai trích trung bình (AVE) của các thang đo đều lớn hơn 0,5, chứng tỏ thang đo đạt giá trị hội tụ Để kiểm tra độ phù hợp của thang đo trong các biến quan sát, nghiên cứu sẽ tiếp tục thực hiện kiểm định CFA dựa trên phương pháp kiểm định giá trị hội tụ và giá trị phân biệt.
● Đánh giá giá trị hội tụ của thang đo
Giá trị hội tụ phản ánh mức độ liên hệ tích cực giữa các biến quan sát trong cùng một cấu trúc Để đánh giá giá trị hội tụ của thang đo, cần xem xét độ tin cậy của biến quan sát và phương sai trích trung bình (AVE) Độ tin cậy được tính bằng bình phương của trọng số chuẩn hóa (Outer loading) Thang đo đạt giá trị hội tụ khi tất cả trọng số chuẩn hóa đều lớn hơn 0,7 và AVE lớn hơn 0,5 (Hair et al., 2016).
Dựa trên kết quả bảng 4.8 ta thấy phương sai trích trung bình (AVE) đều lớn hơn 0,5 và dao động từ 0,510 đến 0,687 nên thang đo đạt giá trị hội tụ
AH CL DC DD TC TM TT XH
Bảng 4.9: Bảng kết quả hệ số tải chéo của mô hình PLS_SEM
Nguồn: Trích dẫn từ phần mềm SMARTPLS_SEM
Sau khi thực hiện chạy outer loading, biến DC1 “Tôi có thể điều chỉnh để tìm kiếm thông tin trên Tik Tok” đã bị loại khỏi bảng hệ số trọng hóa do hệ số tải chỉ đạt 0,312, thấp hơn ngưỡng 0,7 Các biến còn lại có hệ số tải lớn hơn 0,7, dao động từ 0,711 đến 0,887, và do đó được chấp nhận Nghiên cứu đã tiến hành loại bỏ biến DC1 và thực hiện chạy lại lần hai.
4.2.2 Kết quả định lượng sơ bộ lần thứ hai
Thông qua khảo sát định lượng với 167 đáp viên, nghiên cứu đã thu thập được 150 kết quả hợp lệ Dữ liệu được lọc và xử lý bằng phần mềm SmartPLS 4.0.8.8, từ đó đưa ra các kết quả nghiên cứu.
Cronbach's alpha Độ tin cậy tổng hợp CR Tổng phương sai trích
Bảng 4.10: Bảng tóm tắt kết quả mô hình PLS_SEM
Theo kết quả nghiên cứu từ phần mềm SMARTPLS_SEM, hệ số Cronbach Alpha nằm trong khoảng từ 0,743 đến 0,918, đều lớn hơn 0,7 Đồng thời, độ tin cậy tổng hợp CR cũng lớn hơn 0,7, với giá trị từ 0,749 đến 0,920 Điều này cho thấy mô hình và thang đo được đề xuất có độ tin cậy nhất quán và hội tụ.
AH CL DC DD TC TM TT XH
Bảng 4.11: Bảng hệ số tải chéo của mô hình PLS_SEM
Để đánh giá giá trị hội tụ, hệ số AVE cần lớn hơn 0,5 Kết quả cho thấy tất cả các giá trị AVE đều nằm trong khoảng 0,602 – 0,687 Hơn nữa, các trọng số chuẩn hóa đều lớn hơn 0,7, với giá trị từ 0,711 đến 0,887 Điều này chứng tỏ rằng tất cả các biến đều đạt yêu cầu về giá trị hội tụ.
AH CL DC DD TC TM TT XH
Bảng 4.12: Bảng chỉ số HTMT của mô hình PLS_SEM
Nguồn: Trích dẫn từ phần mềm SMARTPLS_SEM
Giá trị phân biệt là mức độ mà một cấu trúc có thể được phân biệt với các cấu trúc khác thông qua các tiêu chuẩn thực nghiệm (Hair et al., 2016) Để đánh giá giá trị phân biệt của thang đo, chỉ số HTMT cần được xem xét Chỉ số HTMT là tỷ số giữa hệ số tương quan của các đặc điểm và hệ số tương quan nội bộ của các đặc điểm đó (Hair et al., 2016) Khi chỉ số HTMT nhỏ hơn 1, thang đo được coi là đạt giá trị phân biệt, và lý tưởng nhất là khi chỉ số này nhỏ hơn 0,9 (Hair et al., 2016).
Dựa trên kết quả từ bảng 4.12, có hai cặp chỉ số lớn hơn 0,9, cụ thể là 0,936 giữa TC - Độ tin cậy thông tin và AH - Người sáng tạo nội dung có sức ảnh hưởng, cùng với 0,942 giữa XH - Thông tin xu hướng và TM - Tính mới Tuy nhiên, các chỉ số này vẫn nằm trong phạm vi cho phép và đáp ứng yêu cầu dưới 1 Các cặp còn lại đều có chỉ số HTMT dưới 0,9, cho thấy chúng đều đạt giá trị phân biệt.
Nghiên cứu định lượng chính thức
Nghiên cứu đã thu thập dữ liệu từ khảo sát định lượng với 279 đáp viên, trong đó có 253 kết quả hợp lệ Dữ liệu được xử lý và phân tích bằng phần mềm SmartPLS 4.0.8.8, cho ra các kết quả đáng chú ý.
4.3.1 Kết quả thống kê mô tả
4.3.1.1 Thống kê mô tả mẫu nghiên cứu
Hình 4.2: Thống kê độ tuổi người tham gia khảo sát
Theo bảng khảo sát, nhóm tuổi từ 18-22 chiếm 76% với 192 người tham gia, cao hơn nhóm tuổi 23-25 với 20% (50 người) và nhóm 26-30 chỉ chiếm 4% Điều này cho thấy người dùng Tik Tok trong độ tuổi 18-22 là chủ yếu trong khảo sát.
Hình 4.3: Thống kê giới tính người tham gia khảo sát
Theo bảng khảo sát, tỷ lệ người tham gia là nữ chiếm 72% với 181 người, trong khi tỷ lệ nam chỉ chiếm 28% với 72 người Điều này cho thấy nữ giới là nhóm người dùng TikTok chủ yếu trong khảo sát.
Hình 4.4: Thống kê trình độ học vấn người tham gia khảo sát
Theo bảng khảo sát, 100% người tham gia có trình độ học vấn từ cao đẳng trở lên Điều này cho thấy rằng tất cả người dùng TikTok tham gia khảo sát đều có trình độ học vấn cao.
Hình 4.5: Thống kê nghề nghiệp người tham gia phỏng vấn
Thông bảng khảo sát, tỷ lệ người tham gia thuộc là học sinh viên chiếm 64%
Trong một khảo sát với 198 người tham gia, có 104 đáp viên là người đi làm (chiếm 33%) và 9 người là lao động tự do (chiếm 3%) Kết quả cho thấy tỷ lệ người dùng TikTok chủ yếu là học sinh và sinh viên.
4.3.2.2 Thống kê mô tả các biến định lượng
Thang đo dùng cho nghiên cứu định lượng chính thức sẽ bao gồm 36 biến quan sát thuộc 8 nhân tố
Nhân tố “Trendiness - Thông tin xu hướng” có 4 biến quan sát đo lường Kí hiệu là “XH”
Nhân tố “Novelty - Tính mới” được đo lường qua 4 biến quan sát, ký hiệu là “TM” Bên cạnh đó, nhân tố “Modality - Đa dạng phương thức thể hiện” cũng có 4 biến quan sát để đánh giá.
Nhân tố “Information Reliability -Độ tin cậy của thông tin” có 4 biến quan sát đo lường Kí hiệu là “TC”
Nhân tố “Information Seeking Behaviour - Hành vi tìm kiếm thông tin- có 5 biến quan sát đo lường Kí hiệu là “TT”
Nhân tố “Influencer - Tiktoker- Người sáng tạo nội dung có sức ảnh hưởng”- có 5 biến quan sát đo lường Kí hiệu là “AH”
Nhân tố “Information quality- Chất lượng thông tin- có 7 biến quan sát đo lường
STT Tên biến Giá trị trung bình Giá trị nhỏ nhất Giá trị lớn nhất
Bảng 4.13: Thống kê mô tả các biến thu được
Giá trị trung bình ở các biến rơi vào khoảng từ 3,67 - 4,0 Giá trị nhỏ nhất là 1 và lớn nhất là 5
4.3.2 Kết quả đánh giá thang đo
Kết quả đánh giá thang đo trong nghiên cứu này được thực hiện thông qua việc kiểm tra mô hình đo lường, bao gồm kiểm định độ tin cậy, phân tích nhân tố khẳng định (CFA) và kiểm tra mô hình cấu trúc tuyến tính (SEM).
4.3.2.1 Kiểm tra mô hình đo lường ã Kết quả định lượng lần thứ nhất
Cronbach's Alpha Độ tin cậy tổng hợp Tổng phương sai trích
Bảng 4.14: Bảng thang đo, độ tin cậy, độ giá trị của mô hình lần 1
Kết quả nghiên cứu từ phần mềm Smart PLS cho thấy Cronbach’s Alpha đều lớn hơn 0,708, cho thấy độ tin cậy nhất quán nội bộ của các thang đo Hơn nữa, phương sai trích trung bình (AVE) cũng đều lớn hơn 0,5, chứng tỏ thang đo đạt giá trị hội tụ.
AH CL DC DD TC TM TT XH
Bảng 4.15: Bảng kết quả kiểm định hệ số tải của nhân tố lần 1
Nguồn: Trích xuất từ phần mềm Smart PLS
Dựa vào kết quả từ bảng 4.15, hệ số tải của các biến thông tin xu hướng, tính mới, độ tin cậy của thông tin, người sáng tạo nội dung có sức ảnh hưởng, và sự đa dạng hình thức cùng hành vi tìm kiếm thông tin đều lớn hơn 0,7 Tuy nhiên, biến CL 7 của nhân tố chất lượng thông tin nhỏ hơn 0,7, do đó cần loại bỏ biến này và thực hiện lại phân tích lần hai.
Cronbach's alpha Độ tin cậy tổng hợp Tổng phương sai trích (AVE)
Bảng 4.16: Bảng thang đo, độ tin cậy, độ giá trị của mô hình lần 2
Theo kết quả nghiên cứu từ phần mềm Smart PLS, Cronbach’s Alpha đều lớn hơn 0,708, cho thấy độ tin cậy nhất quán nội bộ của các thang đo Hơn nữa, phương sai trích trung bình (AVE) cũng đều lớn hơn 0,5, chứng tỏ thang đo đạt giá trị hội tụ.
AH CL DC DD TC TM TT XH
Bảng 4.17: Bảng kết quả kiểm định hệ số tải của nhân tố lần 2
Dựa vào bảng 4.17, các biến thông tin xu hướng, tính mới, độ tin cậy của thông tin, người sáng tạo nội dung có sức ảnh hưởng, sự đa dạng hình thức và hành vi tìm kiếm thông tin đều có hệ số tải lớn hơn 0,7, dao động từ 0,714 đến 0,901, cho thấy các biến này đạt giá trị hội tụ rất tốt theo Hair et al (2016).
AH CL DC DD TC TM TT XH
Bảng 4.18: Bảng chỉ số HTMT cho mô hình đo lường điều chỉnh
Nguồn: Trích xuất từ phần mềm Smart PLS
Thang đo đạt giá trị phân biệt khi chỉ số HTMT nhỏ hơn 1, và lý tưởng nhất là nhỏ hơn 0,9 (Hair, 2019) Do đó, tất cả các chỉ số trong bảng 4.18 đều nằm trong phạm vi cho phép, cho thấy thang đo đạt giá trị phân biệt tốt.
4.2.3.2 Kiểm tra mô hình cấu trúc
Phân tích mô hình cấu trúc tuyến tính (SEM) được áp dụng để xác định các yếu tố ảnh hưởng đến hành vi tìm kiếm thông tin trên Tiktok Phương pháp SEM được ưa chuộng trong nghiên cứu nhờ vào khả năng linh hoạt trong việc thống kê và giải thích mối quan hệ giữa nhiều biến Theo Hair et al (2016), mô hình cấu trúc giúp đánh giá mối quan hệ giữa các biến tiềm ẩn Kỹ thuật PLS-SEM sẽ được sử dụng trong nghiên cứu, và quy trình phân tích mô hình cấu trúc sẽ được thực hiện theo hướng dẫn của Hà & Thành (2020).
Theo Hà & Thành (2020), mức độ đa cộng tuyến là điều kiện cần thiết để đảm bảo rằng các hệ số đường dẫn ước lượng từ hồi quy các biến nội sinh trên các biến ngoại sinh không bị lệch, và sai số chuẩn của hệ số hồi quy không làm giảm hệ số student hay tăng P-value Cụ thể, nếu VIF ≥ 5, sẽ có hiện tượng đa cộng tuyến giữa các biến tiềm ẩn; trong khi đó, 3 ≤ VIF < 5 cho thấy có thể xảy ra hiện tượng đa cộng tuyến; và VIF nhỏ hơn 3 cho thấy không có hiện tượng đa cộng tuyến (Hair et al., 2019).
AH CL DC DD TC TM TT XH
Bảng 4.19: Bảng thể hiện các chỉ số VIF
Nguồn: Trích xuất từ phần mềm Smart PLS
Kết quả tổng hợp cho thấy các giá trị VIF nằm trong khoảng [1,574 ; 3,140], điều này chứng tỏ không có hiện tượng đa cộng tuyến trong từng mô hình cấu trúc thành phần.
● Đánh giá ý nghĩa thống kê