Một khung nghiên cứu không nên bắt đầu bằng sơ đồ mũi tên hay một danh sách biến số quen thuộc. Điểm xuất phát cần là câu hỏi mà nghiên cứu thực sự muốn giải đáp. Khi câu hỏi chưa rõ, mô hình thường được ghép từ những khái niệm có vẻ liên quan; khi câu hỏi rõ, việc chọn biến, lập luận quan hệ và thiết kế đo lường trở nên nhất quán hơn.
Trong khóa luận, luận văn và cả bài báo, một lỗi thường gặp là chọn mô hình quá sớm. Người viết thấy một mô hình đã được dùng trong bài trước, thay tên bối cảnh, thêm vài biến rồi tìm cách đặt câu hỏi cho phù hợp. Cách làm này tiết kiệm thời gian ở đầu quá trình nhưng tạo ra nhiều khó khăn về sau: phần tổng quan thiếu trọng tâm, giả thuyết lỏng, thang đo không khớp với hiện tượng và phần thảo luận chỉ lặp lại kết quả thống kê. Một nghiên cứu có giá trị cần đi theo chiều ngược lại: từ vấn đề thực tế hoặc khoảng trống tri thức, làm rõ câu hỏi, xác định khái niệm, rồi mới xây dựng biến số và mô hình.
Câu hỏi nghiên cứu quyết định phạm vi của mô hình
Câu hỏi nghiên cứu không phải là cách viết lại tên đề tài. Nó cần chỉ rõ hiện tượng cần giải thích, đối tượng hoặc bối cảnh liên quan và loại hiểu biết mà người viết muốn tạo ra. Câu hỏi “những yếu tố nào ảnh hưởng đến ý định tiếp tục sử dụng một ứng dụng ngân hàng số của khách hàng trẻ tại Việt Nam?” khác với câu hỏi “trải nghiệm sử dụng ảnh hưởng thế nào đến ý định tiếp tục sử dụng, và sự tin cậy có đóng vai trò trung gian hay không?”. Câu hỏi thứ hai đã gợi rõ biến kết quả, quan hệ cần kiểm tra và khả năng cần giải thích cơ chế tác động.
Việc viết câu hỏi đủ cụ thể cũng giúp giới hạn mô hình. Nếu nghiên cứu quan tâm đến ý định tiếp tục sử dụng, không phải mọi khái niệm về ngân hàng số đều cần đưa vào. Người viết cần chọn các yếu tố có cơ sở lý thuyết và có ý nghĩa giải thích trực tiếp cho hành vi đó. Điều này quan trọng hơn việc làm cho sơ đồ có nhiều mũi tên. Một mô hình gọn nhưng trả lời đúng câu hỏi thường đáng tin hơn mô hình lớn mà không có logic ưu tiên.
Ví dụ ứng dụng
Một doanh nghiệp bán lẻ muốn hiểu vì sao khách hàng đã mua một lần nhưng không quay lại trên ứng dụng. Nếu chỉ hỏi “những yếu tố nào ảnh hưởng đến lòng trung thành?”, nhóm nghiên cứu dễ thu thập rất nhiều biến. Nếu đặt câu hỏi “những điểm trong trải nghiệm sau mua làm giảm ý định quay lại của khách hàng mới?”, nghiên cứu có thể tập trung vào tính minh bạch của giao hàng, khả năng xử lý hoàn tiền, hỗ trợ khách hàng và cảm nhận tin cậy. Câu hỏi đã giúp chuyển một vấn đề chung thành hướng đo lường và hành động cụ thể.
Phân biệt khái niệm, biến số và chỉ báo
Ba thuật ngữ này thường bị dùng lẫn nhau nhưng có vai trò khác nhau. Khái niệm là ý tưởng trừu tượng mà nghiên cứu quan tâm, chẳng hạn tin cậy, chất lượng dịch vụ hay năng lực đổi mới. Biến số là cách khái niệm được đặt vào một quan hệ cần quan sát hoặc kiểm định: tin cậy có thể là biến trung gian, chất lượng dịch vụ là biến độc lập, ý định tiếp tục sử dụng là biến phụ thuộc. Chỉ báo là các câu hỏi hoặc dấu hiệu cụ thể được dùng để đo biến số đó.
Phân biệt này giúp người viết tránh việc chọn thang đo chỉ vì câu chữ “có vẻ giống”. Trước khi dùng bất kỳ thang đo nào, cần kiểm tra khái niệm gốc được định nghĩa thế nào, nó phản ánh nhận thức, đánh giá hay hành vi, và nghiên cứu trước đo nó trong bối cảnh nào. Một thang đo về niềm tin vào nền tảng thương mại điện tử không tự động phù hợp với niềm tin vào tư vấn tài chính số, dù cả hai cùng mang tên “trust”.
Đi từ lập luận lý thuyết đến quan hệ giữa các biến
Một giả thuyết tốt không phải là câu “X tác động tích cực đến Y” được viết sau khi xem nhiều sơ đồ. Nó cần trả lời ít nhất ba câu hỏi: vì sao X có thể ảnh hưởng đến Y, cơ chế nào giải thích ảnh hưởng đó, và trong bối cảnh nghiên cứu hiện tại có điều kiện gì khiến quan hệ này đáng kiểm tra. Lý thuyết cung cấp logic cho câu trả lời; các nghiên cứu trước cung cấp bằng chứng cho thấy logic ấy từng được quan sát, được tranh luận hoặc còn chưa thống nhất.
Chẳng hạn, nếu cho rằng chất lượng thông tin của ứng dụng ảnh hưởng đến ý định tiếp tục sử dụng, người viết không nên chỉ dẫn một nghiên cứu tìm thấy hệ số dương. Cần giải thích rằng thông tin rõ ràng và kịp thời làm giảm bất định khi người dùng ra quyết định, từ đó nâng đánh giá về tính hữu ích và sự sẵn sàng quay lại. Nếu có nghiên cứu cho kết quả khác, cần xem khác biệt xuất phát từ loại dịch vụ, mức độ rủi ro, đặc điểm mẫu hay cách đo lường. Chính quá trình này tạo ra lập luận thay vì phép ghép biến số.
| Bước kiểm tra | Câu hỏi cần trả lời | Dấu hiệu làm tốt |
|---|---|---|
| Làm rõ vấn đề | Hiện tượng nào cần được giải thích và vì sao? | Vấn đề gắn với bối cảnh và người ra quyết định cụ thể. |
| Viết câu hỏi | Nghiên cứu muốn biết điều gì, về ai và trong điều kiện nào? | Câu hỏi giới hạn rõ phạm vi thay vì bao quát mọi yếu tố. |
| Chọn khái niệm | Khái niệm nào thật sự cần để trả lời câu hỏi? | Mỗi khái niệm có định nghĩa và vai trò rõ trong mô hình. |
| Lập luận quan hệ | Vì sao các biến có liên hệ với nhau? | Có lý thuyết, cơ chế và bằng chứng phù hợp. |
| Thiết kế đo lường | Chỉ báo nào phản ánh đúng khái niệm trong bối cảnh này? | Thang đo được kiểm tra nội dung trước khi khảo sát. |
Trung gian, điều tiết và biến kiểm soát chỉ nên xuất hiện khi cần
Biến trung gian giúp trả lời câu hỏi “X tác động đến Y thông qua quá trình nào”. Biến điều tiết trả lời câu hỏi “khi nào hoặc với ai quan hệ X–Y thay đổi”. Biến kiểm soát được đưa vào để giảm khả năng một đặc điểm khác làm sai lệch ước lượng. Ba loại biến này có ích khi chúng phục vụ trực tiếp cho câu hỏi và lập luận, nhưng không nên được thêm vào chỉ để mô hình trông phức tạp hơn.
Ví dụ, mức độ hiểu biết số có thể điều tiết tác động của chất lượng thông tin đến ý định tiếp tục sử dụng, nếu có lý do cho rằng người dùng có năng lực số thấp khó đánh giá và khai thác thông tin tốt. Ngược lại, không nên đưa biến này vào chỉ vì một bài ở lĩnh vực khác từng sử dụng. Mỗi thành phần bổ sung làm tăng yêu cầu về lý thuyết, thiết kế mẫu, đo lường và cách diễn giải kết quả.
Đo lường là phép thử cuối của logic nghiên cứu
Nhiều mô hình có vẻ hợp lý trên giấy nhưng gặp vấn đề khi chuyển thành bảng hỏi, dữ liệu phỏng vấn hoặc dữ liệu vận hành. Đây là lúc cần kiểm tra giá trị nội dung: từng chỉ báo có phản ánh đúng khái niệm không, người trả lời có hiểu theo cách dự kiến không, và dữ liệu có khả năng phân biệt các khái niệm gần nhau không. Với nghiên cứu định lượng, bước thảo luận chuyên gia, phỏng vấn thử và khảo sát thí điểm thường giúp phát hiện lỗi trước khi thu mẫu chính thức.
Người viết cũng cần bảo đảm sự nhất quán về cấp độ phân tích. Nếu câu hỏi nghiên cứu nói về doanh nghiệp nhưng dữ liệu lại là cảm nhận cá nhân của nhân viên, cần giải thích rõ vì sao cảm nhận đó đại diện cho hiện tượng ở cấp tổ chức, hoặc điều chỉnh lại phạm vi kết luận. Tương tự, một biến về hành vi thực tế không nên được suy ra đơn giản từ ý định nếu nghiên cứu không có dữ liệu hành vi.
Một quy trình làm việc có thể áp dụng ngay
Trước khi vẽ mô hình, hãy viết một trang ngắn gồm bốn phần: vấn đề cần giải thích; câu hỏi nghiên cứu; ba đến năm khái niệm thật sự thiết yếu; và lời giải thích một hoặc hai câu cho mỗi mối quan hệ dự kiến. Sau đó, đối chiếu trang này với tài liệu đã đọc. Nếu một biến không giúp trả lời câu hỏi, hãy cân nhắc bỏ. Nếu một quan hệ chưa thể giải thích bằng lý thuyết hoặc bằng chứng, hãy tiếp tục đọc thay vì viết giả thuyết vội.
Quy trình này không làm nghiên cứu chậm đi. Nó giúp tiết kiệm thời gian ở những bước tốn kém hơn như thiết kế bảng hỏi, lấy mẫu, làm sạch dữ liệu và sửa mô hình sau khi có kết quả. Quan trọng hơn, nó tạo ra một nghiên cứu có thể được bảo vệ bằng logic: người đọc thấy rõ từ vấn đề ban đầu đến từng biến số đã đi qua những quyết định nào.
Kết luận
Một khung nghiên cứu chặt chẽ là kết quả của chuỗi lựa chọn có chủ đích, không phải tập hợp các biến đang phổ biến. Hãy bắt đầu từ câu hỏi cần được giải đáp, phân biệt rõ khái niệm với biến số và chỉ báo, lập luận cho từng mối quan hệ, rồi kiểm tra lại bằng khả năng đo lường. Khi logic này được giữ vững, mô hình không chỉ thuận tiện cho phân tích dữ liệu mà còn tạo được đóng góp tri thức và hàm ý thực hành rõ hơn.
Tài liệu tham khảo
Maxwell, J. A. (2013). Qualitative research design: An interactive approach (3rd ed.). SAGE.
Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2016). Recommendations for creating better concept definitions in the organizational, behavioral, and social sciences. Organizational Research Methods, 19(2), 159–203. https://doi.org/10.1177/1094428115624965
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.
Venkatesh, V., Brown, S. A., & Bala, H. (2013). Bridging the qualitative-quantitative divide: Guidelines for conducting mixed methods research in information systems. MIS Quarterly, 37(1), 21–54. https://doi.org/10.25300/MISQ/2013/37.1.02
