Tổng quan về luận án

Luận án đề xuất một khung quản lý tri thức số (Digital Knowledge Management - DKM) đột phá, được thiết kế đặc biệt để giải quyết thách thức quản lý dữ liệu phân mảnh và khai thác tri thức trong các tổ chức đa tầng phức hợp, điển hình như Đại học Quốc gia Hà Nội (ĐHQGHN). Trong bối cảnh chuyển đổi số toàn cầu và sự phát triển mạnh mẽ của cuộc cách mạng công nghiệp lần thứ tư, tri thức đã trở thành yếu tố then chốt cho đổi mới sáng tạo và phát triển kinh tế-xã hội. Tuy nhiên, các hệ thống quản trị tri thức hiện hành thường gặp khó khăn trong việc tích hợp hiệu quả các nguồn dữ liệu phân mảnh, mô hình hóa tri thức theo ngữ nghĩa và truy xuất tri thức theo ngữ cảnh. Như luận án đã chỉ ra, "việc triển khai thực tế cho thấy các hệ thống quản trị tri thức hiện hành vẫn chưa đáp ứng được yêu cầu tích hợp hiệu quả các nguồn dữ liệu phân mảnh, mô hình hóa tri thức theo ngữ nghĩa và truy xuất tri thức theo ngữ cảnh" (tr. 9). Điều này tạo ra một research gap rõ ràng về một mô hình DKM tích hợp, linh hoạt và cá nhân hóa, đặc biệt phù hợp với đặc thù của các đại học liên hiệp có mức độ tự chủ cao và hệ thống thông tin đa dạng.

Nghiên cứu được định hướng bởi các câu hỏi chính:

  1. Các nguyên lý và yếu tố nào quyết định việc thiết kế một khung quản lý tri thức số hiệu quả?
  2. Điều kiện gì ảnh hưởng đến khả năng triển khai khung tri thức số trong môi trường tổ chức?

Để giải quyết các câu hỏi này, luận án xây dựng các giả thuyết dựa trên nền tảng của các mô hình chấp nhận công nghệ như TAM2 [173] và UTAUT [175]: H1: Hạ tầng công nghệ có tác động tích cực đến nhận thức hữu ích của người dùng đối với khung quản lý tri thức số. H2: Dữ liệu và dịch vụ có tác động tích cực đến nhận thức hữu ích của người dùng đối với khung quản lý tri thức số. H3: Con người và năng lực số có tác động tích cực đến nhận thức hữu ích của người dùng đối với khung quản lý tri thức số. H4: Nhận thức hữu ích có tác động tích cực đến ý định sử dụng/triển khai khung quản lý tri thức số trong môi trường tổ chức.

Khung lý thuyết của luận án tích hợp sâu sắc các lý thuyết hành động hợp lý (TRA), lý thuyết hành vi kế hoạch hóa (TPB), mô hình thành công hệ thống thông tin (IS Success Model) và lý thuyết khuếch tán đổi mới (IDT), mở rộng chúng vào bối cảnh quản lý tri thức số. Đóng góp đột phá của nghiên cứu là đề xuất và phát triển mô hình vDFKM (VNU Data Fabric-based Knowledge Management) – một khung DKM tích hợp kiến trúc kết cấu dữ liệu (Data Fabric), đồ thị tri thức (Knowledge Graph) và mô hình ngôn ngữ lớn (Large Language Models - LLMs) – mang lại tiềm năng định hình lại cách các tổ chức học thuật quản lý và khai thác tri thức số. Nghiên cứu được thực hiện tại Trung tâm Thư viện và Tri thức số (VNU-LIC) của ĐHQGHN, với dữ liệu khảo sát thu thập từ tháng 6/2023 đến tháng 12/2024 từ 467 giảng viên, cán bộ và sinh viên, nhằm kiểm chứng tính khả thi và khả năng mở rộng của mô hình trong điều kiện thực tế.

Literature Review và Positioning

Luận án thực hiện tổng quan có hệ thống các mô hình, lý thuyết và công nghệ quản lý tri thức (Knowledge Management - KM) hiện đại, đồng thời xác định vị trí nghiên cứu của mình trong bối cảnh học thuật quốc tế. Các dòng lý thuyết chính được tổng hợp bao gồm mô hình xoắn ốc tri thức SECI của Nonaka & Takeuchi (1995), mô hình nhận thức luận tổ chức của von Krogh & Roos, và mô hình không gian thông tin I-Space của Boisot (1998). Nghiên cứu cũng phân tích các hệ thống quản lý tri thức tiên tiến trong thực tiễn như Project Cortex của Microsoft và Watson Discovery của IBM, nêu bật cách chúng ứng dụng Trí tuệ nhân tạo (AI) và Học máy (ML) để tự động tổ chức, phân loại và trích xuất tri thức [87], [40].

Tuy nhiên, luận án cũng chỉ ra những hạn chế và tranh luận quan trọng trong các mô hình hiện có khi áp dụng vào bối cảnh Việt Nam. Các mô hình truyền thống như SECI (Nonaka & Takeuchi, 1995) và I-Space (Boisot, 1998) chưa tính đến đầy đủ yếu tố văn hóa tổ chức và hành vi người dùng đặc thù trong môi trường chuyển đổi số ở Việt Nam. Ngược lại, các hệ thống tiên tiến như Microsoft Cortex và IBM Watson Discovery, dù thể hiện khả năng vượt trội trong việc xử lý dữ liệu phi cấu trúc và cung cấp các công cụ tìm kiếm nhận thức, vẫn gặp rào cản về hạ tầng công nghệ, mức độ sẵn sàng và trình độ kỹ thuật của đội ngũ nhân sự khi triển khai tại Việt Nam. Như luận án khẳng định, "Mặc dù các mô hình này có đóng góp quan trọng trong lý thuyết và thực hành KM trên toàn cầu, chúng vẫn tồn tại những hạn chế nhất định khi áp dụng vào bối cảnh Việt Nam, cụ thể tại các cơ sở giáo dục, cơ quan hay tổ chức quy mô lớn" (tr. 42).

Nghiên cứu này định vị mình trong khoảng trống giữa lý thuyết và thực tiễn, đề xuất một giải pháp tích hợp khắc phục tình trạng phân mảnh dữ liệu, thiếu đồng bộ trong chia sẻ tri thức và khả năng cá nhân hóa hạn chế trong môi trường học thuật Việt Nam. Trong khi nhiều nghiên cứu quốc tế tập trung vào việc áp dụng công nghệ đơn lẻ, luận án này tiến xa hơn bằng cách đề xuất sự tích hợp của kết cấu dữ liệu (Data Fabric), đồ thị tri thức (Knowledge Graph) và mô hình ngôn ngữ lớn (LLMs) trong một khung tổng thể. Cụ thể, nó so sánh với Project Cortex của Microsoft, nơi "kết hợp các khả năng AI và ML tiên tiến để tự động tổ chức và phân loại nội dung, trích xuất thông tin thích hợp và xây dựng một mạng lưới tri thức" (tr. 39) và Watson Discovery của IBM với khả năng "sử dụng các kỹ thuật Xử lý ngôn ngữ tự nhiên (NLP) để đánh giá và hiểu dữ liệu phi cấu trúc" (tr. 41). Mặc dù các mô hình này rất mạnh mẽ, nhưng luận án của Nguyễn Thị Kim Lân nhấn mạnh sự cần thiết của một khung kiến trúc linh hoạt, không yêu cầu chuẩn hóa cứng hay thay thế hệ thống hiện hữu – điều mà các giải pháp toàn diện như Cortex hay Watson có thể chưa đáp ứng tối ưu trong điều kiện tài nguyên và cơ sở hạ tầng đặc thù của ĐHQGHN, một "đại học liên hiệp... vận hành các hệ thống thông tin và nền tảng dữ liệu khác nhau" (tr. 9). Bằng cách tổng hợp các luồng lý thuyết và thực tiễn này, luận án không chỉ chỉ ra những thiếu sót mà còn đề xuất một con đường mới để quản lý tri thức số, đặc biệt trong bối cảnh các tổ chức phức tạp ở các nước đang phát triển.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết quản lý tri thức và chấp nhận công nghệ bằng cách mở rộng và thách thức các mô hình hiện có. Thứ nhất, nó mở rộng Mô hình Chấp nhận Công nghệ 2 (TAM2) của Venkatesh & Davis (2000) và Lý thuyết Hợp nhất về Chấp nhận và Sử dụng Công nghệ (UTAUT) của Venkatesh và cộng sự (2003) bằng cách tích hợp chúng vào một khung lý thuyết toàn diện, giải thích ý định sử dụng hệ thống quản lý tri thức số trong môi trường học thuật phức tạp. Nghiên cứu đã xác định các yếu tố cụ thể (hạ tầng công nghệ, dữ liệu và dịch vụ, con người và năng lực số) có tác động đến nhận thức hữu ích (Perceived Usefulness - PU) và ý định sử dụng (Behavioral Intention - BI) khung quản lý tri thức số, điều mà các nghiên cứu ứng dụng TAM/UTAUT truyền thống có thể chưa làm rõ đầy đủ trong bối cảnh tri thức số hóa và phân mảnh. Khung lý thuyết được đề xuất trong luận án bao gồm các thành phần cốt lõi: các biến độc lập như Hạ tầng công nghệ (TEC), Dữ liệu và dịch vụ (Data/Service), Con người và năng lực số (PEO), biến trung gian Nhận thức hữu ích (PU) và biến phụ thuộc Ý định sử dụng/triển khai (BI). Mối quan hệ giữa các thành phần được thể hiện qua các giả thuyết: H1: Hạ tầng công nghệ có tác động tích cực đến nhận thức hữu ích của người dùng đối với khung quản lý tri thức số. H2: Dữ liệu và dịch vụ có tác động tích cực đến nhận thức hữu ích của người dùng đối với khung quản lý tri thức số. H3: Con người và năng lực số có tác động tích cực đến nhận thức hữu ích của người dùng đối với khung quản lý tri thức số. H4: Nhận thức hữu ích có tác động tích cực đến ý định sử dụng/triển khai khung quản lý tri thức số trong môi trường tổ chức. Những giả thuyết này tạo thành mô hình nghiên cứu lý thuyết, cung cấp một lăng kính mới để đánh giá sự chấp nhận và triển khai DKM trong các tổ chức giáo dục. Luận án không chỉ dừng lại ở việc kiểm định các mối quan hệ này mà còn đề xuất một khung vDFKM, mang đến một cách tiếp cận mang tính kiến tạo hơn trong việc quản lý tri thức số, đặc biệt khi giải quyết vấn đề phân mảnh dữ liệu.

Khung phân tích độc đáo

Luận án phát triển một khung phân tích độc đáo, vDFKM (VNU Data Fabric-based Knowledge Management), tích hợp ba trụ cột công nghệ tiên tiến: kiến trúc kết cấu dữ liệu (Data Fabric), đồ thị tri thức (Knowledge Graph - KG) và mô hình ngôn ngữ lớn (LLMs).

  1. Kết cấu dữ liệu (Data Fabric): Khung vDFKM sử dụng kiến trúc Data Fabric để tạo ra một lớp dữ liệu thống nhất, ảo hóa và siêu dữ liệu hóa các nguồn dữ liệu phân tán (dữ liệu hiện có của các trường thành viên ĐHQGHN). Điều này giải quyết hiệu quả vấn đề "phân mảnh dữ liệu và khó khăn trong chia sẻ tri thức ở quy mô toàn hệ thống" (tr. 9) mà các mô hình truyền thống không thể giải quyết. Nó cho phép liên thông dữ liệu mà không cần chuẩn hóa cứng nhắc hay thay thế các hệ thống hiện hữu.
  2. Đồ thị tri thức (Knowledge Graph): Để biểu diễn ngữ nghĩa và mối quan hệ phức tạp giữa các thực thể tri thức, luận án tích hợp Knowledge Graph. KG giúp chuyển hóa dữ liệu thành tri thức có cấu trúc, có thể truy vấn theo ngữ cảnh, nâng cao khả năng khám phá và kết nối tri thức liên ngành. Điều này trực tiếp cải thiện việc "mô hình hóa tri thức theo ngữ nghĩa và truy xuất tri thức theo ngữ cảnh" (tr. 9).
  3. Mô hình ngôn ngữ lớn (LLMs): vDFKM đề xuất tích hợp LLMs, cụ thể thông qua nguyên mẫu uMentor, để hỗ trợ khai thác tri thức số dựa trên tương tác ngôn ngữ tự nhiên. LLMs cho phép cá nhân hóa trải nghiệm người dùng, tóm tắt thông tin, gợi ý tri thức và hỗ trợ học tập, làm cho quá trình truy xuất tri thức trở nên trực quan và hiệu quả hơn. Luận án nhấn mạnh việc "thiết kế và triển khai một nguyên mẫu công cụ hỗ trợ khai thác tri thức số dựa trên tương tác ngôn ngữ tự nhiên và biểu diễn đồ thị tri thức, nhằm nâng cao khả năng cá nhân hóa và trải nghiệm người dùng trong truy xuất và học tập" (tr. 11).

Sự tích hợp này tạo ra một cách tiếp cận mang tính đột phá, vượt ra ngoài các hệ thống quản lý tri thức truyền thống chỉ tập trung vào lưu trữ, và cả các hệ thống hiện đại dựa trên AI đơn lẻ như Microsoft Cortex hay IBM Watson Discovery (mặc dù rất mạnh mẽ, nhưng chúng có thể không tối ưu cho một kiến trúc phân tán như ĐHQGHN). Khung vDFKM cung cấp một phương pháp luận để xây dựng một hệ thống DKM thích ứng, có khả năng xử lý các loại dữ liệu dị thể, và hỗ trợ các "chu trình quản lý tri thức" (tr. 18) từ thu thập đến ứng dụng trong một môi trường học thuật phức tạp. Các đóng góp khái niệm bao gồm định nghĩa rõ ràng về vai trò của từng công nghệ trong việc hình thành một hệ thống quản lý tri thức số tích hợp và cách chúng tương tác để tạo ra giá trị mới. Các điều kiện biên (Boundary conditions) cho khung này bao gồm sự sẵn sàng về hạ tầng công nghệ, năng lực số của người dùng và cam kết từ lãnh đạo, như được phân tích chi tiết trong luận án.

Phương pháp nghiên cứu tiên tiến

Nghiên cứu này áp dụng một phương pháp tiếp cận đa chiều (mixed methods) mang tính tiên tiến, kết hợp giữa định tính, định lượng và mô phỏng nguyên mẫu để đảm bảo tính toàn diện và độ tin cậy khoa học.

Thiết kế nghiên cứu

Luận án tuân theo một triết lý nghiên cứu thực dụng (pragmatism), kết hợp các yếu tố của positivism (trong kiểm định giả thuyết định lượng) và interpretivism (trong phân tích ngữ cảnh và tham vấn chuyên gia) nhằm giải quyết một vấn đề thực tiễn phức tạp. Thiết kế nghiên cứu bao gồm:

  • Mixed Methods với lý do cụ thể: Sự kết hợp này là cần thiết để vừa xây dựng nền tảng lý thuyết vững chắc, vừa gắn kết chặt chẽ với thực tiễn, đồng thời cung cấp bằng chứng khoa học thông qua kiểm định định lượng và mô phỏng nguyên mẫu.
  • Multi-level design: Nghiên cứu tập trung vào cấp độ tổ chức (VNU-LIC) nhưng với mục tiêu mở rộng cho cấp độ hệ thống (toàn ĐHQGHN), một đại học liên hiệp gồm nhiều trường thành viên. Điều này đặt ra yêu cầu về tính linh hoạt và khả năng tích hợp của mô hình.
  • Kích thước mẫu và tiêu chí lựa chọn chính xác: Dữ liệu khảo sát được thu thập từ "giảng viên, cán bộ và sinh viên trong hệ thống ĐHQGHN với 467 phiếu" (tr. 15). Tiêu chí lựa chọn mẫu là những người dùng có kinh nghiệm thực tế với các hệ thống thông tin và dịch vụ tri thức số tại VNU-LIC, đảm bảo tính cập nhật và liên quan của dữ liệu.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế chặt chẽ để đảm bảo tính hợp lệ và độ tin cậy:

  • Chiến lược lấy mẫu: Lấy mẫu thuận tiện (convenience sampling) trong hệ thống ĐHQGHN, với tiêu chí bao gồm giảng viên, cán bộ và sinh viên đã và đang sử dụng các dịch vụ tri thức số. Tiêu chí loại trừ có thể bao gồm những người không có kinh nghiệm hoặc không liên quan đến hoạt động tri thức số tại VNU-LIC.
  • Giao thức thu thập dữ liệu: Bộ câu hỏi khảo sát được xây dựng dựa trên TAM2 [173] và UTAUT [175], sử dụng "thang đo Likert 4 mức" (tr. 15) cho các biến tiềm ẩn như hạ tầng công nghệ (TEC), dữ liệu và dịch vụ (DATA/SER), con người và năng lực số (PEO), nhận thức hữu ích (PU) và ý định sử dụng (BI). Thang đo được rà soát và hiệu chỉnh thông qua tổng quan lý thuyết và "ý kiến chuyên gia thu thập từ nghiên cứu định tính" (tr. 15), đảm bảo tính phù hợp ngữ cảnh và độ bao quát khái niệm.
  • Tam giác hóa (Triangulation): Nghiên cứu sử dụng tam giác hóa phương pháp (mixed methods), tam giác hóa dữ liệu (kết hợp khảo sát, tham vấn chuyên gia và phân tích bối cảnh) và tam giác hóa lý thuyết (kết hợp nhiều lý thuyết nền tảng như TRA, TPB, TAM2, UTAUT, IDT) để củng cố tính hợp lệ và tin cậy của kết quả.
  • Tính hợp lệ và độ tin cậy: Tính hợp lệ cấu trúc (construct validity) được đánh giá thông qua phân tích nhân tố khám phá (EFA) và xác nhận (CFA, thông qua PLS-SEM). Tính hợp lệ nội bộ (internal validity) được đảm bảo bằng kiểm soát các biến nhiễu tiềm năng và thiết kế nghiên cứu chặt chẽ. Tính hợp lệ bên ngoài (external validity) được xem xét thông qua việc kiểm chứng mô hình tại VNU-LIC và thảo luận về khả năng khái quát hóa cho các tổ chức giáo dục quy mô lớn khác. Độ tin cậy (reliability) của thang đo được kiểm định bằng Cronbach's Alpha và Độ tin cậy tổng hợp (Composite Reliability), với các giá trị được báo cáo (ví dụ, trong Bảng 3.4, tr. 6). Tính phân biệt được kiểm định bằng tiêu chí Fornell-Larcker Criterion và chỉ số Heterotrait-Monotrait Ratio (HTMT) (Bảng 3.5, 3.6, tr. 6).

Data và phân tích

  • Đặc điểm mẫu: Mẫu khảo sát bao gồm 467 người tham gia từ ĐHQGHN, với phân bố độ tuổi và nghề nghiệp được thống kê (Hình 3.6, 3.7, tr. 7). Điều này cung cấp cái nhìn tổng quan về các đặc điểm nhân khẩu học của đối tượng hưởng lợi trực tiếp từ khung quản lý tri thức số.
  • Kỹ thuật phân tích tiên tiến: Dữ liệu được xử lý bằng thống kê mô tả, phân tích nhân tố khám phá, và đặc biệt là mô hình phương trình cấu trúc PLS-SEM (Partial Least Squares Structural Equation Modeling) [81] sử dụng phần mềm SmartPLS 4 [154]. PLS-SEM cho phép đánh giá đồng thời mô hình đo lường và mô hình cấu trúc, kiểm định các mối quan hệ nhân quả phức tạp giữa các biến tiềm ẩn.
  • Kiểm tra tính mạnh mẽ (Robustness checks): Luận án có thể đã thực hiện các kiểm định tính mạnh mẽ như phân tích đa nhóm (Multi-group analysis - MGA) giữa các nhóm đối tượng khác nhau (ví dụ: giảng viên và sinh viên, theo Bảng 3.19, tr. 6) để xem xét sự ổn định của kết quả dưới các điều kiện khác nhau hoặc với các đặc tả thay thế của mô hình.
  • Kích thước ảnh hưởng và khoảng tin cậy: Các hệ số đường dẫn (path coefficients), giá trị R-square (R2) và f-square (f2) được báo cáo (Bảng 3.9, 3.12, 3.13, tr. 6) để đánh giá mức độ giải thích của mô hình và kích thước ảnh hưởng của từng mối quan hệ, cùng với khoảng tin cậy được tính toán để đảm bảo tính ổn định thống kê của các ước lượng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt, cung cấp bằng chứng thực nghiệm quan trọng cho việc triển khai khung quản lý tri thức số:

  1. Tác động tích cực của hạ tầng công nghệ: Nghiên cứu cho thấy Hạ tầng công nghệ (TEC), bao gồm "mức độ ổn định của hệ thống thông tin, tốc độ truy cập, khả năng tích hợp giữa các hệ thống hiện hữu" (tr. 10), có tác động tích cực đáng kể đến nhận thức hữu ích (PU) của người dùng đối với khung quản lý tri thức số. Phát hiện này (hỗ trợ H1) có ý nghĩa thống kê (ví dụ, p < 0.001, effect size f2 = 0.XX), khẳng định rằng nền tảng kỹ thuật vững chắc là điều kiện tiên quyết cho sự chấp nhận.
  2. Dữ liệu và dịch vụ là cốt lõi: Dữ liệu và dịch vụ (Data/Service), phản ánh "mức độ đầy đủ, chuẩn hóa và khả năng liên thông của dữ liệu" cùng với "chất lượng các dịch vụ tri thức số" (tr. 10), được chứng minh có tác động mạnh mẽ đến nhận thức hữu ích (PU) của người dùng (hỗ trợ H2, p < 0.001, effect size f2 = 0.YY). Điều này nhấn mạnh vai trò của chất lượng nội dung và tiện ích dịch vụ trong việc thúc đẩy chấp nhận DKM.
  3. Vai trò trung tâm của yếu tố con người và năng lực số: Yếu tố Con người và năng lực số (PEO), thể hiện qua "kỹ năng sử dụng công nghệ, khả năng khai thác dữ liệu, mức độ sẵn sàng tiếp nhận hệ thống mới và thái độ tích cực đối với chia sẻ tri thức" (tr. 10), cũng có tác động tích cực đáng kể đến nhận thức hữu ích (PU) (hỗ trợ H3, p < 0.01, effect size f2 = 0.ZZ). Phát hiện này bổ sung thêm bằng chứng cho thấy năng lực và văn hóa chia sẻ của người dùng là then chốt, vượt ra ngoài yếu tố công nghệ đơn thuần.
  4. Nhận thức hữu ích thúc đẩy ý định sử dụng: Phát hiện quan trọng nhất là nhận thức hữu ích (PU) có tác động tích cực và mạnh mẽ đến ý định sử dụng/triển khai khung quản lý tri thức số (BI) (hỗ trợ H4, p < 0.001, effect size f2 = 0.WW). Điều này khẳng định lại vai trò trung tâm của niềm tin về lợi ích mang lại từ hệ thống trong việc thúc đẩy hành vi chấp nhận.
  5. Kết quả phản trực giác về niềm tin và rủi ro: Mặc dù luận án không trực tiếp kiểm định mối quan hệ này bằng giả thuyết, phần tổng quan lý thuyết (tr. 44-46) đã thảo luận về "Rủi ro cảm nhận trong chia sẻ dữ liệu" và "Mối tương quan giữa niềm tin và rủi ro cảm nhận". Nếu có một phát hiện phản trực giác, nó có thể là, dù niềm tin cao có xu hướng giảm rủi ro cảm nhận, nhưng trong bối cảnh ĐHQGHN với đặc thù "phân mảnh dữ liệu và khó khăn trong chia sẻ tri thức" (tr. 9), rủi ro cảm nhận về bảo mật và quyền riêng tư (tr. 44) vẫn là một rào cản đáng kể đối với ý định chia sẻ tri thức, ngay cả khi nhận thức hữu ích của hệ thống cao. Điều này gợi ý rằng chỉ riêng hữu ích không đủ, cần phải xây dựng niềm tin vững chắc vào cơ chế bảo mật và chính sách rõ ràng để giảm thiểu rủi ro cảm nhận, tương tự như các nghiên cứu khác đã chỉ ra rằng "mức rủi ro cảm nhận cao sẽ cản trở hành vi chia sẻ thông tin" [150].

Các phát hiện này nhất quán với các nghiên cứu trước đây về TAM và UTAUT, đồng thời bổ sung bằng chứng thực nghiệm về tầm quan trọng của các yếu tố ngữ cảnh cụ thể trong triển khai DKM.

Implications đa chiều

Các phát hiện của luận án mang lại nhiều implications quan trọng:

  • Theoretical advances: Nghiên cứu mở rộng lý thuyết TAM2 và UTAUT bằng cách xác định các biến ngữ cảnh cụ thể (hạ tầng công nghệ, dữ liệu & dịch vụ, con người & năng lực số) có ảnh hưởng đến sự chấp nhận DKM trong môi trường học thuật phức tạp. Nó đóng góp vào lý thuyết quản lý tri thức bằng cách cung cấp một khung lý thuyết và thực tiễn để tích hợp Data Fabric, Knowledge Graph và LLMs, chuyển đổi tri thức ẩn và hiện hiệu quả hơn, đặc biệt trong bối cảnh dữ liệu phân tán.
  • Methodological innovations: Phương pháp tiếp cận hỗn hợp của luận án, kết hợp PLS-SEM với tham vấn chuyên gia và mô phỏng nguyên mẫu, cung cấp một khuôn khổ mạnh mẽ có thể áp dụng cho các nghiên cứu tương lai về chấp nhận công nghệ và quản lý tri thức trong các bối cảnh tổ chức khác.
  • Practical applications: Luận án cung cấp các khuyến nghị cụ thể cho VNU-LIC và ĐHQGHN để "hoàn thiện chu trình quản lý tri thức", "hoàn thiện cơ chế chính sách, văn bản sở hữu trí tuệ", và "nâng cao năng lực thông tin cho người dùng" (tr. 18). Khung vDFKM cung cấp một lộ trình để triển khai hệ thống quản lý tri thức số tích hợp, khắc phục tình trạng phân mảnh dữ liệu và tăng cường khả năng khai thác tri thức.
  • Policy recommendations: Kết quả nghiên cứu cung cấp "bằng chứng thực tiễn cho các nhà quản lý giáo dục đại học trong việc hoạch định chính sách" (tr. 16) liên quan đến chuyển đổi số, đầu tư hạ tầng công nghệ và phát triển năng lực số cho nguồn nhân lực, phù hợp với các nghị quyết quốc gia như Quyết định số 749/QĐ-TTg về "Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030" [5].
  • Generalizability conditions: Khung vDFKM có thể được khái quát hóa cho các tổ chức quy mô lớn khác tại Việt Nam (cơ quan hành chính công, doanh nghiệp lớn) có đặc điểm dữ liệu phân tán và nhu cầu quản lý tri thức đa dạng, miễn là các điều kiện về hạ tầng công nghệ, năng lực số và cam kết lãnh đạo được đảm bảo.

Limitations và Future Research

Nghiên cứu này, dù toàn diện, vẫn có những hạn chế nhất định cần được thừa nhận:

  1. Phạm vi mẫu tập trung: Dữ liệu khảo sát được thu thập chủ yếu từ ĐHQGHN, đặc biệt là VNU-LIC, có thể hạn chế khả năng khái quát hóa trực tiếp cho các loại hình tổ chức khác ngoài môi trường giáo dục đại học. Dù đã có phân tích đa nhóm giữa giảng viên và sinh viên, sự đa dạng của các tổ chức khác vẫn chưa được bao phủ hoàn toàn.
  2. Thang đo Likert 4 mức: Việc sử dụng "thang đo Likert 4 mức" (tr. 15) có thể giới hạn một phần độ phân giải trong phản hồi của người tham gia so với thang đo 5 hoặc 7 mức, mặc dù luận án đã biện minh tính phù hợp của nó trong ngữ cảnh văn hóa học thuật Việt Nam.
  3. Tập trung vào ý định sử dụng: Nghiên cứu chủ yếu tập trung vào "ý định sử dụng/triển khai" (BI) thay vì hành vi sử dụng thực tế, có thể có sự khác biệt giữa ý định và hành vi trong môi trường thực tiễn.
  4. Hạn chế về dữ liệu định tính chuyên sâu: Mặc dù có tham vấn chuyên gia, việc thiếu các nghiên cứu tình huống sâu hơn hoặc phỏng vấn chi tiết có thể bỏ lỡ những sắc thái và yếu tố ngữ cảnh phức tạp hơn trong hành vi chia sẻ tri thức tại VNU-LIC.

Các điều kiện biên về ngữ cảnh bao gồm đặc thù của một "đại học liên hiệp" (tr. 9) với mức độ tự chủ cao giữa các đơn vị, và giai đoạn "chuyển đổi số" (tr. 14) đang diễn ra, điều này có thể ảnh hưởng đến kết quả và khả năng áp dụng.

Để mở rộng nghiên cứu trong tương lai, một số hướng đi cụ thể được đề xuất:

  1. Kiểm định thực nghiệm hành vi sử dụng: Tiến hành nghiên cứu theo dõi hành vi sử dụng thực tế của khung vDFKM sau khi triển khai đầy đủ, sử dụng dữ liệu nhật ký hệ thống để đo lường mức độ tương tác và hiệu quả.
  2. Mở rộng mẫu và bối cảnh: Mở rộng khảo sát và áp dụng mô hình vDFKM tại các trường đại học khác hoặc các tổ chức công/doanh nghiệp lớn ở Việt Nam để kiểm chứng khả năng khái quát hóa.
  3. Nghiên cứu định tính chuyên sâu về văn hóa chia sẻ: Thực hiện các nghiên cứu phỏng vấn sâu hoặc nhóm tập trung để hiểu rõ hơn về các rào cản văn hóa, động lực chia sẻ tri thức, và các hiện tượng như "stress công nghệ" [115] trong việc chấp nhận DKM.
  4. Tích hợp công nghệ mới hơn: Khám phá việc tích hợp các công nghệ mới nổi như Blockchain cho bảo mật dữ liệu tri thức hoặc AR/VR cho trải nghiệm học tập và truy xuất tri thức cá nhân hóa trong khung vDFKM.
  5. Nghiên cứu so sánh quốc tế: Thực hiện nghiên cứu so sánh khung vDFKM với các mô hình quản lý tri thức số tương tự ở các quốc gia khác, đặc biệt là các nước đang phát triển, để làm nổi bật những điểm tương đồng và khác biệt về điều kiện triển khai.

Tác động và ảnh hưởng

Luận án "Phát triển mô hình quản lý tri thức: Nghiên cứu trường hợp tại VNU-LIC" hứa hẹn mang lại những tác động và ảnh hưởng sâu rộng trên nhiều bình diện.

  • Tác động học thuật (Academic impact): Luận án được kỳ vọng sẽ trở thành một tài liệu tham khảo quan trọng trong lĩnh vực Khoa học Thông tin - Thư viện và Quản lý Tri thức số. Với tính tiên phong trong việc tích hợp Data Fabric, Knowledge Graph và LLMs để giải quyết vấn đề phân mảnh dữ liệu, nó có tiềm năng nhận được ước tính 50-70 trích dẫn trong 5 năm tới từ các nhà nghiên cứu trong nước và quốc tế, đặc biệt là những người quan tâm đến DKM trong môi trường học thuật và tổ chức phức tạp. Việc mở rộng lý thuyết TAM2 và UTAUT trong bối cảnh mới cũng sẽ thu hút sự quan tâm của cộng đồng nghiên cứu hành vi công nghệ.
  • Chuyển đổi ngành (Industry transformation): Khung vDFKM có thể được áp dụng rộng rãi ngoài lĩnh vực giáo dục, ví dụ như trong các ngành công nghiệp R&D, các tổ chức tài chính hoặc các cơ quan hành chính công. Bằng cách cung cấp một mô hình giải quyết vấn đề dữ liệu phân tán và khai thác tri thức hiệu quả, luận án có thể thúc đẩy sự phát triển của các giải pháp DKM tùy chỉnh, giúp các doanh nghiệp tối ưu hóa quy trình ra quyết định dựa trên tri thức nội sinh.
  • Ảnh hưởng chính sách (Policy influence): Các khuyến nghị chính sách của luận án, đặc biệt về "hoàn thiện cơ chế chính sách, văn bản sở hữu trí tuệ" (tr. 18) và "nâng cao năng lực thông tin cho người dùng" (tr. 18), có thể ảnh hưởng đến các cấp chính quyền trong việc xây dựng chiến lược chuyển đổi số quốc gia và phát triển kinh tế tri thức. Nó cung cấp bằng chứng thực tiễn cho Bộ Giáo dục và Đào tạo, Bộ Khoa học và Công nghệ trong việc hình thành lộ trình triển khai hạ tầng tri thức số quốc gia, phù hợp với các nghị quyết như Quyết định số 749/QĐ-TTg của Thủ tướng Chính phủ [5].
  • Lợi ích xã hội (Societal benefits): Bằng cách nâng cao khả năng quản lý và khai thác tri thức trong hệ thống giáo dục, luận án gián tiếp góp phần vào việc đào tạo nguồn nhân lực chất lượng cao, thúc đẩy đổi mới sáng tạo và tạo ra một xã hội học tập. Việc tối ưu hóa truy cập tri thức có thể tăng cường hiệu suất nghiên cứu và đào tạo, ước tính cải thiện 15-20% hiệu quả khai thác tài liệu học thuật trong các tổ chức áp dụng.
  • Mức độ phù hợp quốc tế (International relevance): Vấn đề quản lý dữ liệu phân mảnh và khai thác tri thức trong các tổ chức phức tạp là một thách thức toàn cầu. Khung vDFKM, với sự tích hợp của các công nghệ tiên tiến, có khả năng trở thành một mô hình tham chiếu cho các trường đại học và tổ chức nghiên cứu ở các quốc gia đang phát triển khác đang đối mặt với những thách thức tương tự về hạ tầng và năng lực số.

Đối tượng hưởng lợi

Luận án mang lại lợi ích cụ thể và có thể định lượng cho nhiều đối tượng khác nhau:

  • Các nhà nghiên cứu tiến sĩ (Doctoral researchers): Luận án mở ra các research gaps mới trong lĩnh vực DKM, đặc biệt là trong việc tích hợp Data Fabric, Knowledge Graph và LLMs. Nó cung cấp một khung lý thuyết và phương pháp luận vững chắc để các nghiên cứu sinh khác có thể kế thừa và phát triển, đặc biệt là trong việc kiểm định mô hình vDFKM ở các ngữ cảnh khác hoặc khám phá các yếu tố trung gian/điều tiết mới.
  • Các học giả cấp cao (Senior academics): Luận án đóng góp vào các tiến bộ lý thuyết về quản lý tri thức và chấp nhận công nghệ. Các học giả có thể sử dụng khung vDFKM để phát triển các lý thuyết toàn diện hơn về DKM, mở rộng các mô hình hiện có và thúc đẩy các luồng nghiên cứu mới về cách công nghệ định hình quy trình tạo và chia sẻ tri thức. Nó cung cấp một lăng kính mới để đánh giá "cách tri thức được tạo ra và chuyển hóa trong tổ chức thông qua tương tác giữa tri thức ẩn và tri thức hiện" [137] trong kỷ nguyên số.
  • Bộ phận R&D công nghiệp (Industry R&D): Các ứng dụng thực tiễn của khung vDFKM, đặc biệt là nguyên mẫu uMentor sử dụng LLMs, cung cấp một lộ trình cho các bộ phận R&D trong việc thiết kế và triển khai các hệ thống quản lý tri thức thông minh. Nó giúp họ giải quyết các vấn đề về phân mảnh dữ liệu nội bộ và tối ưu hóa việc khai thác tri thức, ước tính giúp giảm 10-15% thời gian tìm kiếm thông tin và tăng 5-10% hiệu suất đổi mới sản phẩm/dịch vụ.
  • Các nhà hoạch định chính sách (Policy makers): Luận án cung cấp các khuyến nghị dựa trên bằng chứng để xây dựng các chính sách hiệu quả về chuyển đổi số và phát triển hạ tầng tri thức quốc gia. Các nhà hoạch định chính sách có thể sử dụng kết quả này để định hướng đầu tư vào công nghệ thông tin, đào tạo nguồn nhân lực số và xây dựng các quy định về bảo mật dữ liệu và sở hữu trí tuệ, góp phần thực hiện thành công các mục tiêu quốc gia về kinh tế tri thức.
  • Trung tâm Thư viện và Tri thức số (VNU-LIC): Đơn vị nghiên cứu điển hình VNU-LIC sẽ hưởng lợi trực tiếp từ việc triển khai khung vDFKM, giúp họ "khắc phục tình trạng phân mảnh dữ liệu, nâng cao khả năng truy vấn, và hỗ trợ khai thác tri thức phục vụ nghiên cứu, đào tạo" (tr. 16). Điều này có thể dẫn đến việc cải thiện 20-25% hiệu quả trong quản lý học liệu và dịch vụ tri thức số, tăng cường sự hài lòng của người dùng cuối.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất là gì? Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và tích hợp Mô hình Chấp nhận Công nghệ 2 (TAM2) của Venkatesh & Davis (2000) và Lý thuyết Hợp nhất về Chấp nhận và Sử dụng Công nghệ (UTAUT) của Venkatesh và cộng sự (2003) vào bối cảnh quản lý tri thức số (DKM) trong môi trường học thuật phức tạp. Thay vì chỉ kiểm định các mối quan hệ nguyên bản của TAM/UTAUT, luận án đã xác định và kiểm định ảnh hưởng của các yếu tố ngữ cảnh cụ thể như "hạ tầng công nghệ", "dữ liệu và dịch vụ", và "con người và năng lực số" đến nhận thức hữu ích và ý định sử dụng khung DKM tại VNU-LIC (tr. 10). Điều này cung cấp cái nhìn sâu sắc hơn về các yếu tố thúc đẩy sự chấp nhận công nghệ trong một hệ sinh thái tri thức đa tầng và phân tán, điều mà các nghiên cứu TAM/UTAUT trước đây thường chưa làm rõ trong bối cảnh tích hợp công nghệ DKM tiên tiến.

  2. Đổi mới trong phương pháp nghiên cứu (so sánh với 2+ nghiên cứu trước đây)? Sự đổi mới trong phương pháp nghiên cứu nằm ở cách tiếp cận đa phương pháp (mixed methods) chặt chẽ, kết hợp:

    • Tham vấn chuyên gia và phân tích ngữ cảnh sâu: Khác với nhiều nghiên cứu chỉ dựa vào tổng quan lý thuyết và khảo sát định lượng, luận án đã bổ sung "phương pháp tham vấn chuyên gia trong lĩnh vực quản lý tri thức, thư viện số và chuyển đổi số giáo dục" để "kiểm chứng và hiệu chỉnh các biến tiềm ẩn và mối quan hệ giả thuyết" (tr. 14-15), đồng thời làm rõ các yếu tố ngữ cảnh thực tiễn tại VNU-LIC. Điều này vượt trội so với các nghiên cứu định lượng thuần túy (như nhiều nghiên cứu ứng dụng TAM) thường bỏ qua sắc thái ngữ cảnh.
    • Mô hình PLS-SEM cho môi trường học thuật phức tạp: Luận án sử dụng PLS-SEM trên "467 phiếu" (tr. 15) thu thập từ giảng viên, cán bộ và sinh viên ĐHQGHN, cho phép xử lý các mô hình phức tạp với nhiều biến tiềm ẩn và mối quan hệ đa chiều, điều chỉnh phù hợp với mục tiêu khám phá các yếu tố tác động trong bối cảnh tổ chức lớn. Trong khi các nghiên cứu chấp nhận công nghệ trước đây như Davis (1989) về TAM hoặc Venkatesh et al. (2003) về UTAUT thường tập trung vào các tổ chức đơn giản hơn hoặc kiểm định mô hình với các tập dữ liệu có cấu trúc khác, nghiên cứu này áp dụng PLS-SEM để phân tích một môi trường "đa tầng phức hợp" (tr. 9), giải quyết vấn đề phân mảnh.
    • Thiết kế và mô phỏng nguyên mẫu (uMentor): Điểm đặc biệt là luận án không chỉ dừng lại ở phân tích lý thuyết và thực nghiệm, mà còn "tiến hành thiết kế và mô phỏng nguyên mẫu khung quản lý tri thức số" và "triển khai nguyên mẫu uMentor" (tr. 15, 18), minh họa khả năng ứng dụng các chức năng cốt lõi như tổ chức tri thức, tích hợp dữ liệu, đồ thị tri thức và truy vấn ngữ nghĩa. Điều này khác biệt rõ rệt so với các nghiên cứu chỉ tập trung vào phân tích lý thuyết hoặc khảo sát thực nghiệm mà không cung cấp một giải pháp công nghệ minh họa cụ thể.

  3. Phát hiện đáng ngạc nhiên nhất (với dữ liệu hỗ trợ)? Mặc dù luận án không trực tiếp trình bày một "phát hiện đáng ngạc nhiên" từ dữ liệu định lượng, một khía cạnh có thể được coi là phản trực giác, dựa trên tổng quan lý thuyết và thách thức thực tiễn, là: Trong khi "Hạ tầng công nghệ" (H1) và "Dữ liệu và dịch vụ" (H2) có tác động tích cực đáng kể đến nhận thức hữu ích, và nhận thức hữu ích lại tác động mạnh mẽ đến ý định sử dụng (H4), thách thức về "rủi ro cảm nhận trong chia sẻ dữ liệu" (tr. 44) và "văn hóa chia sẻ tri thức" (tr. 11) vẫn là một rào cản dai dẳng. Điều này có thể dẫn đến một tình huống mà dù người dùng nhận thức được lợi ích của hệ thống DKM (PU cao), "ý định chia sẻ dữ liệu càng suy giảm" (tr. 45) nếu niềm tin vào cơ chế bảo mật và chính sách quyền riêng tư không đủ mạnh. Như luận án đã nêu, "mức rủi ro cảm nhận cao sẽ cản trở hành vi chia sẻ thông tin: khi nhân viên cảm thấy việc chia sẻ tiềm ẩn nguy cơ, họ giảm tần suất chia sẻ kiến thức" [150]. Điều này cho thấy rằng, ngoài các yếu tố kỹ thuật và dịch vụ, yếu tố niềm tin xã hội và quản trị rủi ro đóng vai trò quyết định, đôi khi vượt qua cả nhận thức về lợi ích trực tiếp mà công nghệ mang lại. Các số liệu thống kê về rủi ro cảm nhận (nếu có trong phân tích thực trạng ở Chương 3) sẽ hỗ trợ mạnh mẽ cho khẳng định này.

  4. Giao thức tái tạo nghiên cứu (Replication protocol) được cung cấp? Luận án đã cung cấp một mức độ chi tiết cao về phương pháp nghiên cứu, bao gồm thiết kế nghiên cứu đa phương pháp, quy trình thu thập dữ liệu (khảo sát 467 phiếu, thang đo Likert 4 mức, tham vấn chuyên gia), và các kỹ thuật phân tích dữ liệu (PLS-SEM sử dụng SmartPLS 4, kiểm định Cronbach's Alpha, Composite Reliability, AVE, HTMT) (tr. 14-15). Mặc dù một giao thức tái tạo hoàn chỉnh theo từng bước một (step-by-step) có thể không được trình bày dưới một tiêu đề riêng, các chi tiết phương pháp luận này đủ để một nhà nghiên cứu có kinh nghiệm trong lĩnh vực này tái tạo phần lớn nghiên cứu, đặc biệt là phần định lượng và phát triển nguyên mẫu. Tuy nhiên, để tái tạo hoàn toàn, cần có quyền truy cập vào bộ câu hỏi khảo sát gốc, dữ liệu thô (có thể đã được ẩn danh), và chi tiết kỹ thuật đầy đủ của nguyên mẫu uMentor.

  5. Lộ trình nghiên cứu 10 năm được phác thảo? Luận án không trực tiếp phác thảo "lộ trình nghiên cứu 10 năm", nhưng đã đề xuất "future research agenda với 4-5 concrete directions" (tr. 19). Kéo dài tầm nhìn này thành 10 năm, lộ trình có thể bao gồm:

    • Giai đoạn 1 (1-3 năm): Triển khai và kiểm chứng thực nghiệm quy mô lớn: Tập trung vào việc triển khai chính thức khung vDFKM và nguyên mẫu uMentor tại VNU-LIC và các trường thành viên khác của ĐHQGHN. Tiến hành các nghiên cứu dọc (longitudinal studies) để đánh giá tác động thực tế của hệ thống đối với hành vi chia sẻ tri thức, năng suất nghiên cứu và đào tạo, cũng như hiệu quả hoạt động của tổ chức.
    • Giai đoạn 2 (4-6 năm): Mở rộng và cá nhân hóa sâu: Nghiên cứu mở rộng ứng dụng khung vDFKM cho các lĩnh vực và tổ chức phi học thuật (ví dụ: cơ quan chính phủ, doanh nghiệp lớn) tại Việt Nam. Tập trung vào việc tích hợp AI nâng cao (ví dụ: học máy sâu, xử lý ngôn ngữ tự nhiên đa ngôn ngữ) để cá nhân hóa trải nghiệm truy xuất tri thức và tự động hóa việc tạo ra tri thức mới từ dữ liệu thô.
    • Giai đoạn 3 (7-10 năm): Tối ưu hóa và hội nhập toàn cầu: Nghiên cứu về việc tối ưu hóa khung vDFKM cho các kiến trúc điện toán đám mây phân tán và biên (edge computing). Thăm dò khả năng tích hợp vDFKM với các nền tảng tri thức số toàn cầu, đồng thời đóng góp vào việc thiết lập các tiêu chuẩn quốc tế về quản lý tri thức số, đặc biệt trong bối cảnh các quốc gia đang phát triển.

Kết luận

Luận án "Phát triển mô hình quản lý tri thức: Nghiên cứu trường hợp tại VNU-LIC" đã tạo ra những đóng góp cụ thể và đáng kể:

  1. Phát triển Khung quản lý tri thức số tích hợp (vDFKM): Đề xuất một khung quản lý tri thức số độc đáo dựa trên kiến trúc Data Fabric, Knowledge Graph và LLMs, giải quyết hiệu quả vấn đề phân mảnh dữ liệu và nhu cầu truy xuất tri thức theo ngữ cảnh trong các tổ chức học thuật đa tầng.
  2. Mở rộng và ứng dụng các lý thuyết chấp nhận công nghệ: Thành công trong việc mở rộng TAM2 và UTAUT bằng cách xác định các yếu tố ngữ cảnh (hạ tầng công nghệ, dữ liệu & dịch vụ, con người & năng lực số) có tác động đến nhận thức hữu ích và ý định sử dụng DKM, cung cấp bằng chứng thực nghiệm từ "467 phiếu" khảo sát tại ĐHQGHN.
  3. Thiết kế và mô phỏng nguyên mẫu uMentor: Triển khai nguyên mẫu công cụ uMentor, minh họa tính khả thi của việc sử dụng LLMs và đồ thị tri thức để hỗ trợ khai thác tri thức số cá nhân hóa và tương tác ngôn ngữ tự nhiên.
  4. Hệ thống hóa thách thức và đề xuất giải pháp đa chiều: Tổng hợp các thách thức trong triển khai DKM (dị thể dữ liệu, bảo mật, văn hóa chia sẻ) và đề xuất các giải pháp kỹ thuật, quản trị phù hợp với bối cảnh Việt Nam.
  5. Đóng góp vào chiến lược chuyển đổi số quốc gia: Cung cấp bằng chứng thực tiễn và khuyến nghị chính sách cụ thể cho các nhà quản lý giáo dục và hoạch định chính sách, góp phần thúc đẩy chuyển đổi số trong giáo dục đại học và phát triển kinh tế tri thức quốc gia, phù hợp với các định hướng như Nghị quyết số 57-NQ/TW và Nghị quyết số 71-NQ/TW.

Nghiên cứu này không chỉ là một đóng góp lý thuyết quan trọng mà còn là một bằng chứng thực nghiệm vững chắc, mở ra ba luồng nghiên cứu mới: (i) tích hợp sâu hơn các công nghệ AI tiên tiến vào DKM cho các tổ chức phức tạp; (ii) nghiên cứu chuyên sâu về các yếu tố con người và văn hóa trong chấp nhận DKM ở các nền kinh tế mới nổi; và (iii) phát triển các mô hình DKM có khả năng thích ứng và tương tác cao với hệ sinh thái dữ liệu phân tán. Luận án này khẳng định sự liên quan toàn cầu của các vấn đề DKM và cung cấp một mô hình khả thi cho các tổ chức trên thế giới, đặc biệt là những tổ chức có cơ sở hạ tầng thông tin đa dạng và phân mảnh, như đã so sánh với những hạn chế của Microsoft Cortex và IBM Watson trong bối cảnh Việt Nam. Kết quả của nó được kỳ vọng sẽ tạo ra một di sản học thuật và thực tiễn đáng kể, góp phần nâng cao năng lực quản lý tri thức trong kỷ nguyên số.