Củng cố Skinner là gì? Cách áp dụng vào mô hình nghiên cứu
Củng cố Skinner là gì
Bạn có thể gặp cụm “củng cố Skinner” khi xây dựng đề tài về hành vi người tiêu dùng, hành vi nhân viên, sử dụng công nghệ hoặc mức độ tham gia trên nền tảng số. Hiểu ngắn gọn, củng cố là quá trình trong đó một hệ quả làm tăng khả năng một hành vi sẽ tiếp tục xuất hiện. Điểm cần chú ý nằm ở kết quả quan sát được sau hành vi, không chỉ ở ý định của người thực hiện.
Khái niệm này gắn với B.F. Skinner và hướng tiếp cận hành vi vận hành. Trong nghiên cứu định lượng, bạn thường không đo “Skinner” như một biến độc lập. Bạn chuyển cơ chế củng cố thành những biến có thể quan sát, chẳng hạn phần thưởng, phản hồi, điểm thưởng, sự công nhận hoặc việc loại bỏ một trở ngại sau khi người tham gia thực hiện hành vi.
Củng cố tích cực xảy ra khi bạn thêm một hệ quả được người tham gia xem là có giá trị, chẳng hạn nhận mã giảm giá sau khi mua hàng hoặc nhận lời khen sau khi hoàn thành nhiệm vụ. Củng cố tiêu cực xảy ra khi một yếu tố khó chịu được loại bỏ sau hành vi, chẳng hạn lời nhắc giảm đi sau khi người dùng hoàn tất một bước. “Tích cực” và “tiêu cực” ở đây nói đến thêm vào hoặc loại bỏ một kích thích, không phải tốt hay xấu.
Bạn nên phân biệt củng cố với trừng phạt. Củng cố nhằm làm tăng khả năng hành vi lặp lại, còn trừng phạt nhằm làm giảm khả năng hành vi đó tiếp tục. Một thông báo giúp người dùng nhận điểm sau khi hoàn thành khảo sát là củng cố. Một khoản phí phát sinh khi hủy dịch vụ có thể là hệ quả làm giảm hành vi hủy, nhưng không nên tự động gọi đó là củng cố.
Nếu đề tài của bạn thuộc nhóm lý thuyết và mô hình nghiên cứu, có thể xem thêm chủ đề Mô hình nghiên cứu để đặt khái niệm này vào đúng phần tổng quan, mô hình và giả thuyết.
Các thành phần trong mô hình
Khi đưa củng cố Skinner vào nghiên cứu, bạn cần tách bốn thành phần: hành vi mục tiêu, hệ quả sau hành vi, nhận thức của đối tượng và kết quả hành vi. Bốn thành phần này giúp tránh lỗi xây dựng bảng hỏi chỉ xoay quanh “phần thưởng” nhưng không nói rõ phần thưởng tác động đến hành vi nào.
| Thành phần | Cách hiểu trong nghiên cứu định lượng | Ví dụ biến hoặc chỉ báo |
|---|---|---|
| Hành vi mục tiêu | Hành động mà mô hình muốn giải thích | Tiếp tục sử dụng ứng dụng, mua lại, hoàn thành nhiệm vụ |
| Tác nhân củng cố | Phần thưởng, phản hồi hoặc sự loại bỏ trở ngại xuất hiện sau hành vi | Điểm thưởng, huy hiệu, lời công nhận, ít thông báo nhắc hơn |
| Đánh giá về hệ quả | Mức độ người tham gia cảm nhận hệ quả là có ích, đáng giá hoặc phù hợp | “Phần thưởng tôi nhận được có giá trị đối với tôi” |
| Tần suất củng cố | Mức độ thường xuyên và nhất quán của phần thưởng hoặc phản hồi | “Tôi thường nhận được phản hồi sau khi hoàn thành hành động” |
| Kết quả hành vi | Hành vi hoặc ý định mà mô hình cần dự đoán | Ý định tiếp tục, mức độ tham gia, lòng trung thành |
Trong bảng hỏi, biến “tác nhân củng cố” và biến “kết quả hành vi” nên được tách riêng. Nếu bạn hỏi “Ứng dụng có điểm thưởng khiến tôi tiếp tục sử dụng”, câu này đã chứa cả nguyên nhân và kết quả trong một biến quan sát. Cách viết đó dễ làm người trả lời đồng ý theo logic có sẵn và khiến việc diễn giải mô hình kém rõ ràng.
Bạn cũng cần xác định đơn vị phân tích. Nếu khảo sát nhân viên, phần thưởng có thể là sự công nhận từ quản lý, phản hồi về hiệu suất hoặc quyền tự chủ. Nếu khảo sát người dùng ứng dụng, phần thưởng có thể là điểm, ưu đãi, huy hiệu hoặc nội dung được mở khóa. Cùng một cơ chế củng cố nhưng cách diễn đạt biến quan sát phải phù hợp với bối cảnh.
Mô hình gốc và các mở rộng phổ biến
Mô hình cơ bản có thể trình bày theo chuỗi: tác nhân củng cố, nhận thức về giá trị của hệ quả, rồi đến hành vi dự định hoặc hành vi thực tế. Ví dụ, phần thưởng trong ứng dụng có thể làm tăng cảm nhận lợi ích, từ đó làm tăng ý định tiếp tục sử dụng.
Bạn không nên ghép thêm quá nhiều lý thuyết chỉ vì chúng cùng nói về hành vi. Củng cố Skinner tập trung vào quan hệ giữa hành vi và hệ quả. Nếu nghiên cứu của bạn còn muốn giải thích nhận thức về tính hữu ích và tính dễ sử dụng, mô hình AMO là gì có thể là một hướng tham khảo, nhưng bạn phải nêu rõ biến nào thuộc cơ chế nào.
Một số mở rộng thường gặp trong mô hình định lượng gồm:
- Củng cố và ý định tiếp tục: phần thưởng hoặc phản hồi làm tăng khả năng người dùng duy trì hành vi.
- Củng cố và mức độ tham gia: hệ quả sau hành vi làm tăng số lần tương tác, thời lượng sử dụng hoặc mức độ hoàn thành nhiệm vụ.
- Củng cố và lòng trung thành: trải nghiệm nhận ưu đãi hoặc công nhận lặp lại có thể được đặt trước ý định mua lại hoặc giới thiệu.
- Củng cố qua trung gian: tác nhân củng cố ảnh hưởng đến cảm nhận giá trị, sự hài lòng hoặc động lực, rồi biến trung gian ảnh hưởng đến kết quả.
- Củng cố phụ thuộc bối cảnh: tuổi, kinh nghiệm sử dụng, loại phần thưởng hoặc tần suất sử dụng có thể làm thay đổi cường độ tác động.
Bạn có thể đối chiếu cách một lý thuyết hành vi được cụ thể hóa trong bối cảnh nhu cầu qua bài tháp nhu cầu Maslow và mô hình Maslow. Tuy nhiên, đừng trộn các thành phần của Maslow vào mô hình Skinner nếu đề tài không có lập luận lý thuyết và thang đo phù hợp.
Thang đo thường dùng cho từng khái niệm
Không có một bộ thang đo duy nhất mang tên “thang đo củng cố Skinner” có thể áp dụng nguyên trạng cho mọi đề tài. Bạn cần tìm nguồn thang đo phù hợp với bối cảnh, sau đó điều chỉnh câu chữ, chạy thử và kiểm định độ tin cậy. Bảng dưới đây là bản đồ khái niệm để bạn thiết kế bảng hỏi, không phải thang đo đã được xác nhận cho dữ liệu của bạn.
| Khái niệm cần đo | Nội dung nên bao quát | Ví dụ mã biến quan sát để phát triển | Nguồn hoặc lưu ý |
|---|---|---|---|
| Củng cố tích cực | Phần thưởng hoặc phản hồi được thêm vào sau hành vi | CT1, CT2, CT3 | Cần tìm thang đo theo bối cảnh cụ thể, không tự ghi là thang đo Skinner gốc |
| Củng cố tiêu cực | Một yếu tố khó chịu được loại bỏ sau hành vi | CN1, CN2, CN3 | Phải giải thích rõ yếu tố nào được loại bỏ |
| Giá trị cảm nhận của phần thưởng | Người tham gia đánh giá phần thưởng có ích và đáng giá | GT1, GT2, GT3 | Có thể liên hệ với mô hình chấp nhận công nghệ nếu đề tài phù hợp, trong đó TAM gốc được trình bày bởi (Davis, 1989) |
| Phản hồi sau hành vi | Mức độ phản hồi xuất hiện rõ, kịp thời và nhất quán | PH1, PH2, PH3 | Tránh gộp phản hồi với phần thưởng nếu hai khái niệm khác nhau |
| Ý định tiếp tục hành vi | Khả năng tiếp tục sử dụng, mua lại hoặc tham gia | YD1, YD2, YD3 | Cần định nghĩa hành vi cụ thể trong câu hỏi |
| Mức độ tham gia | Tần suất, thời lượng hoặc mức độ chủ động | TG1, TG2, TG3 | Có thể đo bằng tự báo cáo hoặc dữ liệu hành vi nếu bạn có nguồn dữ liệu phù hợp |
Các câu trên chỉ là khung phát triển biến quan sát. Bạn có thể dùng thang Likert năm hoặc bảy mức, nhưng cần nêu rõ cách mã hóa. Thang Likert bắt nguồn từ kỹ thuật đo thái độ của Likert (1932). Trong bảng hỏi tiếng Việt, mỗi biến nên chỉ chứa một ý, dùng cùng hướng điểm và có phần hướng dẫn nhất quán.
Sau khi thu thập dữ liệu, bạn có thể kiểm tra Cronbach's Alpha, Corrected Item-Total Correlation và EFA trong SPSS. Cronbach's Alpha từ 0.7 thường được xem là chấp nhận được theo (Nunnally, 1978), còn mức 0.6 có thể được cân nhắc trong thang đo khám phá theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên được sử dụng phổ biến theo (Nunnally và Bernstein, 1994).
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu người dùng ứng dụng học trực tuyến. Mô hình có thể gồm củng cố tích cực, giá trị cảm nhận của phần thưởng, sự hài lòng và ý định tiếp tục sử dụng. Củng cố tích cực là biến độc lập, giá trị cảm nhận và sự hài lòng là biến trung gian nối tiếp, còn ý định tiếp tục là biến phụ thuộc.
Bạn có thể viết các giả thuyết theo dạng sau:
- H1: Củng cố tích cực ảnh hưởng cùng chiều đến giá trị cảm nhận của phần thưởng.
- H2: Giá trị cảm nhận của phần thưởng ảnh hưởng cùng chiều đến sự hài lòng của người dùng.
- H3: Sự hài lòng ảnh hưởng cùng chiều đến ý định tiếp tục sử dụng ứng dụng học trực tuyến.
- H4: Củng cố tích cực ảnh hưởng gián tiếp đến ý định tiếp tục sử dụng thông qua giá trị cảm nhận và sự hài lòng.
Trước khi chốt H4, bạn cần quyết định mình đang kiểm định mediation hay chỉ kiểm định các quan hệ trực tiếp. Nếu có biến trung gian, hãy vẽ các mũi tên theo đúng thứ tự lý thuyết. Cách phân biệt mediator và moderator được trình bày trong logic kinh điển của (Baron và Kenny, 1986), còn kiểm định indirect effect bằng bootstrap có thể tham khảo (Preacher và Hayes, 2008).
Bạn cũng cần ghi rõ bối cảnh của phần thưởng. “Điểm thưởng” trong ứng dụng học tập có thể khác “mã giảm giá” trong thương mại điện tử. Nếu đổi bối cảnh mà giữ nguyên câu hỏi, người trả lời có thể hiểu sai tác nhân củng cố.
Cách viết vào luận văn: “Dựa trên cơ chế củng cố hành vi, nghiên cứu đề xuất rằng [tác nhân củng cố] ảnh hưởng đến [biến kết quả] thông qua [biến trung gian]. Cụ thể, H1 kiểm định tác động của [biến độc lập] đến [biến trung gian], trong khi H2 kiểm định tác động của [biến trung gian] đến [biến phụ thuộc].”
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi mô hình của bạn dùng các thang đo tổng hợp và hồi quy, chẳng hạn kiểm định tác động của củng cố tích cực đến ý định tiếp tục. Bạn có thể chạy Cronbach's Alpha tại Analyze > Scale > Reliability Analysis, sau đó tạo biến đại diện bằng trung bình các biến quan sát và chạy hồi quy tại Analyze > Regression > Linear.
SmartPLS phù hợp khi mô hình có nhiều biến tiềm ẩn, mediation, moderation hoặc bạn muốn đánh giá đồng thời measurement model và structural model. Trong SmartPLS 4, bạn nhập dữ liệu .csv, kéo các biến quan sát vào construct, nối các mũi tên và chạy PLS-SEM Algorithm, sau đó chạy Bootstrapping để kiểm tra path coefficient.
Khi kiểm tra thang đo trong PLS-SEM, outer loading từ 0.7 trở lên có thể được tham khảo theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0.7 và AVE từ 0.5 trở lên được dùng để đánh giá độ tin cậy và giá trị hội tụ theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất bởi (Henseler và cộng sự, 2015).
Đối với mô hình cấu trúc, kiểm tra VIF trước khi diễn giải đường dẫn. VIF dưới 5 là mốc thường được báo cáo theo (Hair và cộng sự, 2019). Khi chạy bootstrapping, bạn có thể dùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022). R² cho biết mức độ biến độc lập giải thích biến phụ thuộc, với các mức 0.75, 0.50 và 0.25 được tham khảo trong PLS-SEM theo (Hair và cộng sự, 2011).
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật:
| Path Coefficients | Original sample (O) | Sample mean (M) | Standard deviation (STDEV) | T statistics | P values |
|---|---|---|---|---|---|
| Củng cố tích cực -> Giá trị cảm nhận | 0.426 | 0.431 | 0.071 | 6.000 | 0.000 |
| Giá trị cảm nhận -> Sự hài lòng | 0.518 | 0.514 | 0.064 | 8.094 | 0.000 |
| Sự hài lòng -> Ý định tiếp tục | 0.603 | 0.598 | 0.058 | 10.397 | 0.000 |
| Củng cố tích cực -> Ý định tiếp tục | 0.119 | 0.124 | 0.062 | 1.919 | 0.055 |
Cách đọc bảng minh họa: đường dẫn từ “Củng cố tích cực” đến “Giá trị cảm nhận” có hệ số dương 0.426 và p-value minh họa bằng 0.000, nên giả thuyết tương ứng được ủng hộ trong ví dụ. Đường dẫn trực tiếp đến “Ý định tiếp tục” có p-value 0.055, nên chưa đạt mức 0.05 theo quy ước đang dùng. Bạn không được kết luận tác động gián tiếp chỉ từ bảng Path Coefficients, mà cần xem bảng Specific Indirect Effects và khoảng tin cậy bootstrap.
Nếu bạn dùng SPSS thay vì SmartPLS, bảng Coefficients sẽ có B, Std. Error, Beta, t và Sig.. Nếu dùng AMOS, bạn đang chuyển sang CB-SEM và phải báo cáo nhóm chỉ số phù hợp với công cụ đó. Các chỉ số CFI, TLI, RMSEA và SRMR thuộc CB-SEM theo (Hu và Bentler, 1999), không đưa chúng vào phần đánh giá mô hình PLS-SEM chỉ vì thấy chúng trong một bài mẫu.
Lỗi thường gặp khi dùng mô hình này
Gọi mọi phần thưởng là củng cố tích cực. Một phần thưởng chỉ có ý nghĩa củng cố khi nó gắn với hành vi và có khả năng làm hành vi tăng lên. Nếu người dùng nhận điểm nhưng không thấy điểm có giá trị, biến đó có thể không giải thích được ý định tiếp tục.
Nhầm củng cố tiêu cực với hình phạt. Củng cố tiêu cực là loại bỏ một yếu tố khó chịu để tăng hành vi. Nếu bạn trừ điểm hoặc phạt tiền để làm giảm hành vi, đó là cơ chế khác và cần diễn giải riêng.
Dùng câu hỏi chứa sẵn kết luận. Câu “Phần thưởng hữu ích khiến tôi chắc chắn tiếp tục sử dụng” gộp tác nhân, đánh giá và kết quả. Hãy tách thành các biến quan sát độc lập để mô hình có thể kiểm định.
Đưa lý thuyết vào nhưng không có biến đo. Phần tổng quan có thể nói về Skinner nhiều trang, nhưng nếu bảng hỏi không đo tác nhân củng cố, nhận thức về hệ quả và hành vi mục tiêu thì mô hình không thể kiểm định lý thuyết đó.
Loại biến chỉ vì muốn chỉ số đẹp. Khi một outer loading hoặc Corrected Item-Total Correlation thấp, hãy xem nội dung câu hỏi, mã đảo chiều, dữ liệu thiếu và bối cảnh trước khi loại. Bạn cần lưu lại lý do loại biến để giải trình với giảng viên.
Dùng dữ liệu cắt ngang để khẳng định quan hệ nhân quả tuyệt đối. Với khảo sát tại một thời điểm, bạn nên viết “ảnh hưởng theo mô hình nghiên cứu” hoặc “mối quan hệ được kiểm định”, không khẳng định chắc chắn phần thưởng đã tạo ra hành vi trong mọi hoàn cảnh.
Đọc thêm: bảo toàn nguồn lực cor là gì, bắt nạt nơi làm việc là gì.
Câu hỏi thường gặp
Củng cố Skinner có phải là một lý thuyết độc lập không
Đây là cách gọi phổ biến cho cơ chế củng cố trong hướng tiếp cận hành vi vận hành gắn với B.F. Skinner. Khi viết luận văn, bạn nên định nghĩa cơ chế, chỉ rõ biến đo và giải thích vì sao hệ quả sau hành vi liên quan đến kết quả nghiên cứu.
Củng cố tích cực và củng cố tiêu cực khác nhau thế nào
Củng cố tích cực là thêm một hệ quả được mong muốn sau hành vi. Củng cố tiêu cực là loại bỏ một yếu tố khó chịu sau hành vi. Cả hai đều hướng đến khả năng làm hành vi tăng lên, còn từ “tích cực” và “tiêu cực” mô tả thêm vào hay loại bỏ.
Có thể dùng củng cố Skinner cho đề tài hành vi người tiêu dùng không
Có thể, nếu bạn xác định được hành vi mục tiêu và hệ quả cụ thể. Ví dụ, điểm thưởng, ưu đãi hoặc phản hồi sau mua hàng có thể được đặt trước ý định mua lại, mức độ tham gia hoặc ý định tiếp tục sử dụng.
Nên chạy SPSS hay SmartPLS cho mô hình này
SPSS phù hợp với mô hình hồi quy tương đối gọn, trong đó bạn tạo biến đại diện từ các biến quan sát. SmartPLS thuận tiện hơn khi có nhiều biến tiềm ẩn, mediation, moderation hoặc cần đánh giá measurement model và structural model đồng thời.
Tôi có thể lấy câu hỏi mẫu trên mạng rồi dùng ngay không
Bạn có thể dùng câu hỏi mẫu làm điểm bắt đầu, nhưng cần kiểm tra nguồn, dịch theo bối cảnh, xin nhận xét về cách hiểu và chạy thử. Sau khi thu dữ liệu, vẫn phải kiểm định Cronbach's Alpha, EFA hoặc measurement model, vì một thang đo phù hợp ở nghiên cứu khác chưa chắc phù hợp với mẫu của bạn.
Mở file dữ liệu của bạn và viết trước sơ đồ gồm tác nhân củng cố, biến trung gian và hành vi mục tiêu, sau đó đối chiếu từng biến quan sát trước khi chạy kiểm định; nếu cần hỗ trợ chạy phân tích trên chính file .sav hoặc .csv, bạn có thể xem module M4 tại DoThesis.