Tác động của tín hiệu thuật toán trên nền tảng đến ý định dựa vào aWOM của người tiêu dùng trẻ tại Hà Nội: vai trò trung gian của cảm nhận tính dễ sử dụng và sự hữu ích

DOI 10.54404/jts.2026.db4.16
Từ khóa: Truyền miệng dựa trên thuật toán tín hiệu thuật toán cảm nhận tính dễ sử dụng cảm nhận sự hữu ích ý định dựa vào aWOM du lịch số Algorithm-mediated Word-of-Mouth aWOM Perceived ease of use Perceived usefulness aWOM-based intention Digital travel

Tóm tắt

Sự phổ biến của mạng xã hội, nền tảng đánh giá, công cụ tìm kiếm và trí tuệ nhân tạo đang thay đổi cách người tiêu dùng tiếp cận thông tin du lịch, khi nội dung truyền miệng ngày càng được thuật toán lựa chọn, xếp hạng và cá nhân hóa. Nghiên cứu này phân tích tác động của độ tin cậy và chất lượng tín hiệu thuật toán đến ý định dựa vào truyền miệng dựa trên thuật toán (aWOM) của người tiêu dùng trẻ tại Hà Nội, đồng thời xem xét vai trò trung gian của cảm nhận tính dễ sử dụng và cảm nhận sự hữu ích. Dữ liệu thu thập từ 159 người tiêu dùng tuổi 18-30 cho thấy: độ tin cậy của tín hiệu thuật toán tác động tích cực đến cảm nhận tính dễ sử dụng. Chất lượng tín hiệu thuật toán tác động tích cực đến cả cảm nhận tính dễ sử dụng và cảm nhận sự hữu ích. Cảm nhận tính dễ sử dụng làm tăng cảm nhận sự hữu ích; cảm nhận sự hữu ích là yếu tố trực tiếp, quan trọng nhất ảnh hưởng đến ý định. Các tác động gián tiếp cho thấy tín hiệu thuật toán chủ yếu ảnh hưởng đến ý định dựa vào aWOM thông qua chuỗi cảm nhận tính dễ sử dụng và cảm nhận sự hữu ích. Phân tích IPMA khẳng định cảm nhận sự hữu ích có tầm quan trọng cao nhất. Nghiên cứu góp phần mở rộng hiểu biết về aWOM và gợi ý cho việc thiết kế các nền tảng du lịch số theo hướng hữu ích, dễ sử dụng, minh bạch và phù hợp hơn với nhu cầu của người dùng trẻ

Chia sẻ bài viết

Facebook X LinkedIn Email

Tài liệu tham khảo

1.
Akdim, K. (2021). The influence of eWOM. Analyzing its characteristics and consequences, and future research lines. Spanish Journal of Marketing - ESIC, 25(2), 239-259. https://doi.org/10.1108/SJME-10-2020-0186.
DOI: doi.org/10.1108/sjme-10-2020-0186
2.
Ali, F., Yasar, B., Ali, L., & Dogan, S. (2023). Antecedents and consequences of travelers’ trust towards personalized travel recommendations offered by ChatGPT. International Journal of Hospitality Management, 114, 103588. https://doi.org/10.1016/j.ijhm.2023.103588.
DOI: doi.org/10.1016/j.ijhm.2023.103588
3.
Booking.com. (2025). Booking.com Releases The Global AI Sentiment Report. https://news.booking.com/bookingcom-releases-the-global-ai-sentiment-report.
4.
Chen, Y., Kanchanapoom, K., & Deeprasert, J. (2026). Understanding the drivers of intention to adopt AI-based conversational recommendation systems for travel planning. Discover Artificial Intelligence. https://doi.org/10.1007/s44163-026-01352-7.
DOI: doi.org/10.1007/s44163-026-01352-7
5.
Chi, O. H., Gursoy, D., & Chi, C. G. (2022). Tourists’ Attitudes toward the Use of Artificially Intelligent (AI) Devices in Tourism Service Delivery: Moderating Role of Service Value Seeking. Journal of Travel Research, 61(1), 170-185. https://doi.org/10.1177/0047287520971054.
DOI: doi.org/10.1177/0047287520971054
6.
Connelly, B. L., Certo, S. T., Ireland, R. D., & Reutzel, C. R. (2011). Signaling Theory: A Review and Assessment. Journal of Management, 37(1), 39-67. https://doi.org/10.1177/0149206310388419
DOI: doi.org/10.1177/0149206310388419
7.
Đặng Thị Thu, T., & Trần Hoàng Bảo, L. (2025). Khám phá mối quan hệ giữa mua sắm ngẫu hứng, cảm nhận hạnh phúc, niềm tin và ý định mua lại của người tiêu dùng trong thương mại trên nền tảng xã hội: trường hợp người tiêu dùng gen Z tại Việt Nam. Tạp chí Khoa học Thương mại, 98-116. https://doi.org/10.54404/JTS.2025.198V.06.
DOI: doi.org/10.54404/jts.2025.198v.06
8.
Dat, N. Van, & Tho, N. Van. (2025). Shaping the itinerary: Perceived quality of recommendation systems on travel intentions. A case study in Vietnam. Edelweiss Applied Science and Technology, 9(1), 945-959. https://doi.org/10.55214/25768484.v9i1.4291.
DOI: doi.org/10.55214/25768484.v9i1.4291
9.
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319. https://doi.org/10.2307/249008..
DOI: doi.org/10.2307/249008
10.
Erickson, T., & Kellogg, W. A. (2000). Social translucence: an approach to designing systems that support social processes. ACM Transactions on Computer-Human Interaction, 7(1), 59-83. https://doi.org/10.1145/344949.345004.
DOI: doi.org/10.1145/344949.345004
11.
Expedia Group. (2025). Travel Priorities Reinvented: Expedia Group’s 2025 Traveler Value Index Signals a Shift in Consumer Priorities. https://ir.expediagroup.com/news-and-events/news/news-details/2025/Travel-Priorities-Reinvented-Expedia-Groups-2025-Traveler-Value-Index-Signals-a-Shift-in-Consumer-Priorities/.
12.
Ghahramani, Z. (2015). Probabilistic machine learning and artificial intelligence. Nature, 521(7553), 452-459. https://doi.org/10.1038/nature14541.
DOI: doi.org/10.1038/nature14541
13.
Ghorbanzadeh, D., Sayed, B. T., Alhitmi, H. K., Hasan, R. A., Aldulaimi, M. H., & Prasad, K. (2025). Applying UTAUT and experiential consumption theory to understand the adoption of ChatGPT’s digitalized itinerary. Journal of Hospitality and Tourism Insights, 8(9), 3339-3358. https://doi.org/10.1108/JHTI-02-2025-0300.
DOI: doi.org/10.1108/jhti-02-2025-0300
14.
Greg Schulze. (2025). 2025 Traveler Value Index highlights. https://partner.expediagroup.com/en-us/resources/blog/2025-traveler-value-index-highlights.
15.
Hùng Cường, P., Xuân Minh, N., & Thị Hương, T. (2025). Tác động của thông tin đánh giá trực tuyến đến quyết định mua hàng tiêu dùng nhanh trên các sàn thương mại điện tử của Gen Z tại Thành phố Hồ Chí Minh. Tạp chí Khoa học Thương mại, 47-64. https://doi.org/10.54404/JTS.2025.205V.04.
DOI: doi.org/10.54404/jts.2025.205v.04
16.
Ismagilova, E., Dwivedi, Y. K., & Slade, E. (2020). Perceived helpfulness of eWOM: Emotions, fairness and rationality. Journal of Retailing and Consumer Services, 53, 101748. https://doi.org/10.1016/j.jretconser.2019.02.002.
DOI: doi.org/10.1016/j.jretconser.2019.02.002
17.
Li, S., Han, R., Fu, T., Chen, M., & Zhang, Y. (2025). Tourists’ behavioural intentions to use ChatGPT for tour route planning: an extended TAM model including rational and emotional factors. Current Issues in Tourism, 28(13), 2119-2135. https://doi.org/10.1080/13683500.2024.2355563.
DOI: doi.org/10.1080/13683500.2024.2355563
18.
Omran, W., Casais, B., & Ramos, R. F. (2025). Attributes of Virtual and Augmented Reality Tourism Mobile Applications Predicting Tourist Behavioral Engagement. International Journal of Human-Computer Interaction, 41(21), 13335-13348. https://doi.org/10.1080/10447318.2025.2470293.
DOI: doi.org/10.1080/10447318.2025.2470293
19.
Orden-Mejía, M., Carvache-Franco, M., Huertas, A., Carvache-Franco, O., & Carvache-Franco, W. (2025a). Analysing how AI-powered chatbots influence destination decisions. PLOS ONE, 20(3), e0319463. https://doi.org/10.1371/journal.pone.0319463.
DOI: doi.org/10.1371/journal.pone.0319463
20.
Orden-Mejía, M., Carvache-Franco, M., Huertas, A., Carvache-Franco, O., & Carvache-Franco, W. (2025b). The Role of AI-Based Destination Chatbots in Satisfaction, Continued Usage Intention, and Visit Intention: A Study from Quito, Ecuador. International Journal of Human-Computer Interaction, 41(15), 9384-9399. https://doi.org/10.1080/10447318.2024.2425882.
DOI: doi.org/10.1080/10447318.2024.2425882
21.
Sâsâeac, Ștefania M., Bertea, P. E., Jelea, A. R., Manolică, A., & Roman, C. T. (2025). eWOM vs. aWOM: AI Powered Word of Mouth and its Impact on Consumer Decision Making in Tourism. Scientific Annals of Economics and Business, 72(3), 489-517. https://doi.org/10.47743/saeb-2025-0026.
DOI: doi.org/10.47743/saeb-2025-0026
22.
Spence, M. (1973). Job Market Signaling. The Quarterly Journal of Economics, 87(3), 355. https://doi.org/10.2307/1882010.
DOI: doi.org/10.2307/1882010
23.
Suasapha, A. H. (2025). Will Generation Z Use ChatGPT for Tourism Recommendations? Tourism and Hospitality Management, 31(3), 483-491. https://doi.org/10.20867/thm.31.3.11.
DOI: doi.org/10.20867/thm.31.3.11
24.
Tedjakusuma, A. P., Liu, L.-W., Eunike, I. J., & Silalahi, A. D. K. (2025). Rethinking Information Quality: How Trust in ChatGPT Shapes Destination Visit Intentions. Tourism and Hospitality, 6(4), 178. https://doi.org/10.3390/tourhosp6040178.
DOI: doi.org/10.3390/tourhosp6040178
25.
Topsakal, Y. (2025). How Familiarity, Ease of Use, Usefulness, and Trust Influence the Acceptance of Generative Artificial Intelligence (AI)-Assisted Travel Planning. International Journal of Human-Computer Interaction, 41(15), 9478-9491. https://doi.org/10.1080/10447318.2024.2426044.
DOI: doi.org/10.1080/10447318.2024.2426044
26.
Venkatesh, V., & Davis, F. D. (2000). A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies. Management Science, 46(2), 186-204. https://doi.org/10.1287/mnsc.46.2.186.11926.
DOI: doi.org/10.1287/mnsc.46.2.186.11926
27.
Vu Thi Thuy Hang, & Nguyen Thi Van. (2024). Factors influencing social media addiction among Vietnamese adolescents. VNU University of Economics and Business, 4(6), 104. https://doi.org/10.57110/vnu-jeb.v4i6.354.
DOI: doi.org/10.57110/vnu-jeb.v4i6.354
28.
Wang, Y., & Rodgers, S. (2010). Electronic word of mouth and consumer generated content: From concept to application. In Handbook of Research on Digital Media and Advertising: User Generated Content Consumption (pp. 212-231). https://doi.org/10.4018/978-1-60566-792-8.ch011.
DOI: doi.org/10.4018/978-1-60566-792-8.ch011
29.
Williams, N. L., Ferdinand, N., & Bustard, J. (2020). From WOM to aWOM - the evolution of unpaid influence: a perspective article. Tourism Review, 75(1), 314-318. https://doi.org/10.1108/TR-05-2019-0171.
DOI: doi.org/10.1108/tr-05-2019-0171
30.
Xu, H., Law, R., Lovett, J., Luo, J. M., & Liu, L. (2024). Tourist acceptance of ChatGPT in travel services: the mediating role of parasocial interaction. Journal of Travel & Tourism Marketing, 41(7), 955-972. https://doi.org/10.1080/10548408.2024.2364336.
DOI: doi.org/10.1080/10548408.2024.2364336
31.
Yan, S., Yu, X., Zhang, Z., & Gan, L. (2024). Understanding the acceptance of online tourism programs: Perspectives of generic learning outcomes and theory of planned behavior. Heliyon, 10(15), e35500. https://doi.org/10.1016/j.heliyon.2024.e35500.
DOI: doi.org/10.1016/j.heliyon.2024.e35500

Liên quan

Các bài khác trong số này

TẠP CHÍ SỐ ĐẶC BIỆT 4

Xem số phát hành

Các yếu tố ảnh hưởng đến minh bạch thông tin trên báo cáo tài chính của các doanh nghiệp sản xuất thức ăn chăn nuôi niêm yết tại Việt Nam: góc nhìn từ nhận thức của các bên liên quan

Nguyễn Thị Huyền Trang

Bài viết tổng hợp cơ sở lý thuyết và các công trình trước để nhận diện, xây dựng và kiểm định mô hình các yếu tố tác động đến minh bạch thông tin (MBTT) trên báo cáo tài chính (BCTC) của doanh nghiệp sản xuất (DNSX) thức...

Xem bài

Chuyển đổi số và hiệu quả kinh doanh của các ngân hàng thương mại Việt Nam: vai trò điều tiết của cạnh tranh và sở hữu nước ngoài

Phan Thùy Tâm, Lê Quốc Hội, Phan Thúy Thảo

Nghiên cứu phân tích tác động của chuyển đổi số đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam giai đoạn 2015-2024 thông qua xây dựng chỉ số chuyển đổi số tổng hợp (DTI) bằng phương pháp PCA. Dữ liệu bảng c...

Xem bài

Tăng cường khả năng đổi mới thanh đạm của doanh nghiệp Việt Nam: Vai trò trung gian của chia sẻ tri thức trong mối quan hệ với văn hóa hợp tác

Lê Ba Phong, Hoàng Đức Chiến, Vũ Thị Kim Anh

Trong bối cảnh năng lực đổi mới đóng vai trò then chốt đối với hiệu quả vận hành và vị thế cạnh tranh của tổ chức, nghiên cứu này xem xét ảnh hưởng của văn hóa hợp tác đối với khả năng đổi mới thanh đạm (ĐMTĐ) tại các do...

Xem bài

Các nhân tố quyết định sự hài lòng trong công việc của nhân viên y tế trong bối cảnh thực hiện ESG: minh chứng từ bệnh viện đa khoa Hà Đông

Hà Văn Sỹ, Nguyễn Thị Phương Thùy

Việc lồng ghép các nguyên tắc Môi trường, Xã hội và Quản trị (ESG) vào hoạt động của bệnh viện (BV) công đang đặt ra yêu cầu đổi mới phương thức quản trị, trong đó quản trị nguồn nhân lực (NNL) được xem là một trụ cột qu...

Xem bài

Các nhân tố ảnh hưởng đến ý định mua bảo hiểm nhân thọ của cá nhân: bằng chứng thực nghiệm từ các cá nhân tại thành phố Hà Nội

Đinh Thị Hòa, Nguyễn Lan Hương, Phạm Thu Vân…

Nghiên cứu xem xét các nhân tố liên quan đến ý định mua bảo hiểm nhân thọ (BHNT) của cá nhân tại Hà Nội. Dữ liệu được thu thập từ 428 phiếu khảo sát hợp lệ trong giai đoạn từ tháng 3 đến giữa tháng 4/2026. Thang đo được...

Xem bài