Đặc điểm công việc JCM là gì? Cách áp dụng vào luận văn

Mô hình đặc điểm công việc JCM là gì

Đặc điểm công việc JCM, viết đầy đủ là Job Characteristics Model, là mô hình dùng để giải thích cách thiết kế một công việc có thể ảnh hưởng đến trạng thái tâm lý và kết quả làm việc của nhân viên. Khi bạn tìm kiếm “đặc điểm công việc JCM là gì”, phần cần nhớ nhất là mô hình nối ba lớp: thuộc tính của công việc, trạng thái tâm lý của người thực hiện và kết quả đầu ra.

JCM thường được dùng trong đề tài về động lực làm việc, sự hài lòng công việc, gắn kết nhân viên, hiệu suất hoặc ý định nghỉ việc. Mô hình không chỉ hỏi nhân viên có hài lòng hay không. Nó đi sâu hơn vào câu hỏi: công việc được thiết kế như thế nào, nhân viên cảm nhận công việc ra sao, rồi cảm nhận đó dẫn đến kết quả nào.

Năm thuộc tính cốt lõi thường được trình bày gồm skill variety, task identity, task significance, autonomy và feedback. Ba trạng thái tâm lý tương ứng là cảm nhận công việc có ý nghĩa, cảm nhận trách nhiệm đối với kết quả và hiểu biết về kết quả thực hiện. Các trạng thái này được kỳ vọng liên quan đến động lực nội tại, sự hài lòng, chất lượng thực hiện và mức độ gắn bó.

JCM phù hợp với nghiên cứu định lượng vì từng khái niệm có thể được đo bằng nhiều biến quan sát trong bảng hỏi Likert. Bạn có thể chạy Cronbach's Alpha, EFA và hồi quy trong SPSS, hoặc đánh giá mô hình đo lường và mô hình cấu trúc bằng SmartPLS.

Các thành phần trong mô hình

Bạn nên tách rõ biến độc lập, cơ chế tâm lý và biến kết quả trước khi vẽ mô hình. Năm đặc điểm công việc là nhóm biến giải thích. Ba trạng thái tâm lý là cơ chế trung gian trong phiên bản đầy đủ. Kết quả cá nhân và kết quả công việc là nhóm biến phụ thuộc.

Một lỗi thường gặp là gộp cả năm đặc điểm thành một biến duy nhất ngay từ đầu. Cách làm này làm mất thông tin về việc yếu tố nào đang liên quan mạnh hơn đến kết quả. Nếu mục tiêu của bạn là đề xuất giải pháp quản trị, nên giữ năm đặc điểm thành năm biến độc lập, trừ khi có cơ sở lý thuyết và kết quả kiểm định cho phép tạo cấu trúc bậc cao.

Bạn cũng cần phân biệt JCM với các mô hình nhu cầu hoặc động lực khác. Chẳng hạn, tháp nhu cầu Maslow tập trung vào các nhóm nhu cầu của con người, còn JCM tập trung vào thiết kế công việc. Nếu đề tài nói về động lực, bạn có thể so sánh hai hướng này ở phần cơ sở lý thuyết, nhưng không nên trộn các biến vào cùng mô hình mà không giải thích quan hệ giữa chúng.

Mô hình gốc và các mở rộng phổ biến

Mô hình JCM thường được trình bày theo logic từ đặc điểm công việc đến trạng thái tâm lý rồi đến kết quả. Trong thiết kế nghiên cứu thực tế, bạn có thể dùng phiên bản rút gọn hoặc mở rộng tùy câu hỏi nghiên cứu, đối tượng khảo sát và khả năng thu thập dữ liệu.

Phiên bản rút gọn đưa năm đặc điểm công việc tác động trực tiếp đến một kết quả, chẳng hạn sự hài lòng công việc. Đây là lựa chọn phù hợp khi bạn có thời gian ngắn, cỡ mẫu vừa phải và muốn kiểm định một mô hình dễ giải thích. Phiên bản đầy đủ thêm các trạng thái tâm lý làm biến trung gian. Khi đó, bạn cần có giả thuyết cho cả đường tác động trực tiếp và gián tiếp.

Một số đề tài thêm biến cá nhân hoặc bối cảnh làm biến điều tiết. Ví dụ, năng lực cá nhân, nhu cầu phát triển hoặc thâm niên có thể làm thay đổi mức độ một đặc điểm công việc ảnh hưởng đến động lực. Tuy nhiên, biến điều tiết làm mô hình và phần giải thích phức tạp hơn. Bạn cần có lý do lý thuyết trước khi thêm biến, thay vì thêm vì muốn mô hình có nhiều mũi tên.

JCM cũng có thể được đặt cạnh các mô hình về nguồn lực và yêu cầu công việc. Nếu đề tài của bạn nghiên cứu áp lực, hỗ trợ và nguồn lực, hãy đọc thêm bảo toàn nguồn lực COR là gì để phân biệt cách mỗi mô hình giải thích hành vi. Nếu nghiên cứu môi trường làm việc tiêu cực, bài bắt nạt nơi làm việc là gì có thể giúp bạn xác định đây là biến bối cảnh hay một vấn đề nghiên cứu riêng.

Khi viết cơ sở lý thuyết, bạn nên nói rõ mình dùng phiên bản nào của JCM, biến nào được giữ lại, biến nào được bỏ và lý do. Câu “mô hình gồm năm yếu tố” chưa đủ nếu mô hình thực nghiệm của bạn chỉ đo ba yếu tố. Sự nhất quán giữa sơ đồ, giả thuyết, bảng hỏi và phần phân tích sẽ giúp bạn trả lời được câu hỏi của hội đồng.

Thang đo thường dùng cho từng khái niệm

Bạn cần tìm nguồn thang đo phù hợp với bối cảnh ngành và nhóm đối tượng. Các nhóm biến của JCM thường được đo bằng nhiều phát biểu, người trả lời chọn mức độ đồng ý trên thang Likert. (Likert, 1932) là nguồn nền tảng cho kỹ thuật đo thái độ bằng thang đo nhiều mức.

Bảng dưới đây là bản đồ khái niệm để bạn bắt đầu xây bảng hỏi. Đây là định hướng thiết kế, không phải bộ biến quan sát đã được dịch và kiểm định sẵn cho đề tài của bạn.

Trong bước dịch và điều chỉnh, hãy giữ một ý trong mỗi biến quan sát. Câu hỏi dài, có hai vế hoặc chứa từ tuyệt đối dễ làm người trả lời chọn theo cảm tính. Bạn nên thử bảng hỏi với một nhóm nhỏ, kiểm tra cách hiểu và ghi lại mọi thay đổi trước khi thu thập chính thức.

Nếu biến phụ thuộc là gắn kết, bạn cần định nghĩa rõ đó là gắn kết với công việc, với tổ chức hay sự gắn kết cảm xúc. Nếu biến phụ thuộc là ý định nghỉ việc, câu hỏi cũng cần nói đến ý định trong một khoảng thời gian phù hợp. JCM giúp định hướng quan hệ, nhưng không thay bạn chọn một thang đo bất kỳ.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu nhân viên tại các doanh nghiệp dịch vụ với đề tài “Đặc điểm công việc ảnh hưởng đến sự hài lòng công việc”. Một mô hình thực nghiệm dễ triển khai có năm biến độc lập là skill variety, task identity, task significance, autonomy và feedback. Biến phụ thuộc là sự hài lòng công việc.

Bạn có thể viết bốn giả thuyết mẫu như sau:

• H1: Skill variety có tác động cùng chiều đến sự hài lòng công việc.
• H2: Task significance có tác động cùng chiều đến sự hài lòng công việc.
• H3: Autonomy có tác động cùng chiều đến sự hài lòng công việc.
• H4: Feedback có tác động cùng chiều đến sự hài lòng công việc.

Task identity có thể được giữ lại thành giả thuyết H5 nếu mô hình và bảng hỏi của bạn có đủ cơ sở. Bốn giả thuyết ở trên chỉ là ví dụ minh họa cho cách viết, không phải kết quả đã được xác nhận trong nghiên cứu của bạn.

Nếu muốn kiểm định cơ chế trung gian, bạn có thể thêm “cảm nhận công việc có ý nghĩa” hoặc “động lực nội tại”. Khi đó, cần vẽ các đường từ đặc điểm công việc đến biến trung gian và từ biến trung gian đến sự hài lòng. Đừng kết luận có trung gian chỉ vì một đường hồi quy có p-value nhỏ. Với kiểm định indirect effect, bạn cần báo cáo khoảng tin cậy bootstrap và kiểm tra khoảng này có chứa số 0 hay không, theo (Preacher và Hayes, 2008).

Cách viết vào luận văn: “Dựa trên mô hình JCM, nghiên cứu đề xuất rằng [tên đặc điểm công việc] ảnh hưởng cùng chiều đến [tên biến phụ thuộc] trong bối cảnh [đối tượng nghiên cứu]. Vì vậy, giả thuyết H[n] được phát biểu như sau: [tên đặc điểm công việc] có tác động cùng chiều đến [tên biến phụ thuộc].”

Trước khi thu thập dữ liệu, hãy lập bảng mã biến, ví dụ SV1 đến SV4 cho skill variety, AU1 đến AU4 cho autonomy và FB1 đến FB4 cho feedback. Tên biến ngắn, không dấu và nhất quán sẽ giúp bạn tránh lỗi khi nhập .sav hoặc .csv.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi mô hình của bạn chủ yếu gồm các thang đo tổng hợp và hồi quy. Quy trình thường là kiểm tra dữ liệu, chạy Cronbach's Alpha, EFA, tính biến đại diện rồi chạy hồi quy. Trong SPSS, bạn có thể bắt đầu tại Analyze > Scale > Reliability Analysis, đưa các biến quan sát của từng khái niệm vào cùng một lần chạy và chọn Scale if item deleted trong nút Statistics.

Sau đó, chạy EFA tại Analyze > Dimension Reduction > Factor. Xem ba bảng KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Khi các biến đã được xử lý, chạy hồi quy tại Analyze > Regression > Linear. Đưa biến phụ thuộc vào ô Dependent, các biến JCM vào ô Independent(s), rồi kiểm tra bảng Model Summary, ANOVA và Coefficients.

SmartPLS phù hợp khi bạn muốn kiểm định đồng thời mô hình đo lường và mô hình cấu trúc, đặc biệt khi mô hình có biến trung gian hoặc cấu trúc bậc cao. Dữ liệu .csv cần có hàng đầu là tên biến, mỗi hàng tiếp theo là một người trả lời. Trong SmartPLS 4, bạn tạo project, import dữ liệu, kéo các biến quan sát vào construct, nối các mũi tên và chạy PLS-SEM Algorithm, sau đó chạy Bootstrapping.

Với PLS-SEM, bạn đọc các bảng Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R Square, f Square và Collinearity Statistics. (Hair và cộng sự, 2022) khuyến nghị sử dụng 5.000 bootstrap subsamples khi báo cáo quy trình PLS-SEM. Các chỉ số CFI, TLI và RMSEA thuộc CB-SEM, vì vậy không đưa chúng vào phần đánh giá một mô hình SmartPLS.

Bảng dưới đây mô phỏng cách một phần output có thể được trình bày. Đây là số liệu minh họa, không phải kết quả từ một nghiên cứu thật và bạn không được chép các con số này vào luận văn.

Trong thực tế, bạn phải thay bằng output của file dữ liệu của mình. Đừng sửa dữ liệu hoặc xóa một biến chỉ để bảng kết quả giống bảng minh họa. Nếu dùng SPSS, hãy lưu từng file output theo vòng chạy. Nếu dùng SmartPLS, lưu ảnh mô hình và bảng kết quả sau mỗi lần điều chỉnh có lý do.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là dùng JCM như một danh sách biến rồi bỏ qua cơ chế tâm lý. Bạn có thể dùng phiên bản rút gọn, nhưng cần nói rõ phạm vi. Lỗi thứ hai là lấy thang đo từ một bài nghiên cứu khác nhưng giữ nguyên bối cảnh, đại từ và thuật ngữ không phù hợp với người trả lời tại Việt Nam.

Lỗi thứ ba là gộp skill variety, task identity, task significance, autonomy và feedback thành một điểm trung bình trước khi kiểm tra độ tin cậy và giá trị thang đo. Hãy kiểm tra từng construct trước. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978), còn corrected item-total correlation từ 0.3 trở lên theo (Nunnally và Bernstein, 1994). Với nghiên cứu khám phá, alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010).

Lỗi thứ tư là kết luận quan hệ nhân quả quá mạnh từ dữ liệu khảo sát cắt ngang. Bạn nên dùng các cụm như “có tác động thống kê” hoặc “có mối liên hệ theo mô hình kiểm định”, tùy thiết kế và cách phân tích. Cuối cùng, hãy kiểm tra đa cộng tuyến. Trong PLS-SEM, VIF dưới 5 là ngưỡng thường được báo cáo theo (Hair và cộng sự, 2019).

Đọc thêm: mô hình maslow, amo là gì, chủ đề mo hinh nghien cuu.

Câu hỏi thường gặp

JCM có phải là mô hình đo động lực làm việc không?

JCM có thể được dùng để giải thích động lực nội tại, nhưng phạm vi của nó rộng hơn một thang đo động lực. Mô hình bắt đầu từ cách thiết kế công việc, đi qua trạng thái tâm lý và kết nối với kết quả như hài lòng hoặc hiệu suất.

Bạn cần xác định rõ biến phụ thuộc trong đề tài. Nếu đo động lực, hãy dùng thang đo động lực phù hợp; nếu đo sự hài lòng, không dùng các câu hỏi động lực để thay thế.

Có bắt buộc phải dùng đủ năm đặc điểm công việc không?

Không có một công thức bắt buộc cho mọi đề tài. Bạn có thể dùng phiên bản rút gọn nếu câu hỏi nghiên cứu, nguồn thang đo và bối cảnh giải thích được việc chọn biến.

Tuy vậy, việc bỏ một thành phần cần được trình bày rõ trong chương cơ sở lý thuyết và phương pháp. Sơ đồ mô hình, giả thuyết và bảng hỏi phải thống nhất với lựa chọn đó.

Nên chạy JCM bằng SPSS hay SmartPLS?

SPSS phù hợp với mô hình hồi quy tương đối gọn, khi bạn muốn kiểm tra thang đo bằng Cronbach's Alpha, EFA và hồi quy tuyến tính. SmartPLS thuận tiện hơn khi mô hình có nhiều construct, biến trung gian hoặc yêu cầu đánh giá outer model và inner model cùng lúc.

Bạn không nên chọn phần mềm chỉ vì một ngưỡng kết quả dễ đạt hơn. Hãy chọn theo mô hình, loại thang đo, cỡ mẫu và yêu cầu của người hướng dẫn.

Nếu Cronbach's Alpha của một thành phần JCM thấp thì làm sao?

Kiểm tra corrected item-total correlation, nội dung câu hỏi, biến đảo chiều và cách nhập dữ liệu trước khi xóa biến. Một biến có tương quan thấp có thể do người trả lời hiểu sai, mã hóa ngược chưa xử lý hoặc câu hỏi không phù hợp bối cảnh.

Nếu loại biến, ghi lại lý do và kết quả trước, sau khi loại. Đừng xóa liên tục đến khi alpha tăng mà không xem xét giá trị nội dung của thang đo.

Có thể thêm biến bắt nạt nơi làm việc vào mô hình JCM không?

Có thể, nhưng bạn cần xác định vai trò của biến này. Nó có thể là biến độc lập bổ sung, biến điều tiết hoặc biến bối cảnh tùy giả thuyết. Việc thêm biến cần có lập luận và thang đo riêng, không nên đưa vào chỉ để mô hình có nhiều yếu tố.

Bạn cũng cần kiểm tra mô hình có quá phức tạp so với cỡ mẫu hay không. Mỗi construct thêm vào sẽ kéo theo biến quan sát, giả thuyết và phần giải thích kết quả.

Bạn có thể bắt đầu bằng việc chốt phiên bản JCM, lập mã biến và vẽ sơ đồ giả thuyết trong file nghiên cứu của mình. Nếu cần chạy mô hình trên dữ liệu .sav hoặc .csv thật và chuyển output thành bảng kết quả, xem module M4 phân tích của DoThesis.