Động lực học tập là gì? Cách xây dựng thang đo

Động lực học tập là gì và được đo bằng gì

Động lực học tập là mức độ thúc đẩy một người bắt đầu, duy trì và đầu tư nỗ lực vào hoạt động học tập. Trong luận văn định lượng, bạn không đo trực tiếp một khái niệm trừu tượng như động lực. Bạn chuyển khái niệm đó thành một nhóm biến quan sát, sau đó hỏi người trả lời mức độ đồng ý với từng phát biểu trên thang Likert.

Ví dụ, một bảng hỏi có thể đo các biểu hiện như người học đặt mục tiêu học tập, cố gắng khi bài học khó, chủ động hoàn thành nhiệm vụ và tiếp tục học dù gặp trở ngại. Các phát biểu này chỉ là bộ biến quan sát tham khảo. Bạn vẫn phải kiểm tra nội dung, bối cảnh và kết quả thống kê trên chính dữ liệu của mình.

Thang Likert là cách trình bày phổ biến cho loại biến này. Với thang 5 điểm, người trả lời có thể chọn từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Likert mô tả kỹ thuật đo lường thái độ bằng các mức phản hồi trong công trình (Likert, 1932). Cần phân biệt thang đo Likert với thang đo động lực học tập. Likert là định dạng đo, còn động lực học tập là khái niệm bạn muốn đo.

Nếu đề tài của bạn nghiên cứu quan hệ giữa động lực học tập và [kết quả học tập], hãy xem thêm cách phân biệt khái niệm ở bài kết quả học tập là gì. Việc tách rõ biến độc lập và biến phụ thuộc giúp bạn tránh dùng hai bộ phát biểu đo cùng một nội dung.

Nguồn thang đo gốc

Nguồn thang đo là phần dễ bị làm qua loa nhất. Bạn không nên lấy một bảng hỏi trên mạng, dịch lại rồi gọi đó là thang đo gốc nếu chưa xác định được tác giả, năm công bố, số biến quan sát và bối cảnh ban đầu. Với chủ đề động lực học tập, có thể tồn tại nhiều hướng khái niệm khác nhau, chẳng hạn động lực nội tại, động lực bên ngoài, mục tiêu học tập hoặc sự kiên trì. Mỗi hướng cần một nguồn thang đo phù hợp.

Trong phạm vi các nguồn được phép trích dẫn của bài này, nguồn xác lập nền tảng cho định dạng Likert là (Likert, 1932). Nguồn này không đủ để khẳng định một bộ biến quan sát cụ thể đã đo đầy đủ động lực học tập trong đề tài của bạn. Vì vậy, hãy ghi đúng vai trò của nó và bổ sung nguồn thang đo chuyên biệt sau khi bạn kiểm tra tài liệu gốc của ngành.

Khi lập bảng tổng hợp tài liệu, bạn nên có các cột: tác giả, năm, tên khái niệm, số biến quan sát, thang đo sử dụng, bối cảnh, cách dịch và quyết định giữ hoặc loại biến. Nếu chưa xác minh được nguồn gốc của một phát biểu, hãy đánh dấu là biến đề xuất, không ghi là biến kế thừa từ tác giả cụ thể.

Bạn có thể đặt phần này trong nhóm Mô hình nghiên cứu, cùng với lý do đưa động lực học tập vào mô hình. Nếu đề tài thuộc giáo dục, danh sách đề tài luận văn sư phạm cũng giúp bạn kiểm tra cách đặt bối cảnh và đối tượng khảo sát.

Bộ biến quan sát tham khảo

Bảng dưới đây là điểm bắt đầu để bạn xây dựng bảng hỏi, chưa phải thang đo đã được kiểm định và chưa phải bản dịch chuẩn hóa. Trước khi phát hành, bạn cần đối chiếu định nghĩa khái niệm, xin ý kiến giảng viên hướng dẫn, thử nghiệm với một nhóm nhỏ và chạy kiểm định trên dữ liệu chính thức.

Nên dùng mã ngắn như DL1, DL2 và DL3 trong file SPSS. Phần bảng hỏi cho người trả lời có thể viết câu đầy đủ, nhưng file dữ liệu nên giữ tên biến nhất quán, không dấu và không có khoảng trắng.

Không nên gom mọi biểu hiện tích cực vào một thang đo duy nhất. “Tôi thích học”, “tôi thấy môn học thú vị” và “tôi học vì muốn hiểu thêm” có thể nghiêng về động lực nội tại. “Tôi học để đạt điểm cao”, “tôi học vì gia đình yêu cầu” và “tôi học để tránh bị phê bình” có thể phản ánh động lực bên ngoài. Nếu mô hình của bạn chỉ nghiên cứu động lực học tập tổng quát, cần có lập luận rõ vì sao các biểu hiện này được gộp chung.

Nếu bạn đưa cả DL5 và DL6 vào cùng một nhóm, đừng tự động đảo mã DL6 chỉ vì câu hỏi có sắc thái khác. Đảo mã là thao tác dữ liệu, còn quyết định một biến thuộc cùng cấu trúc hay thuộc cấu trúc khác là quyết định lý thuyết. Bạn có thể tham khảo cách xây dựng thang đo cho biến kết quả ở bài thang đo kết quả học tập, nhưng không sao chép phát biểu giữa hai khái niệm.

Điều chỉnh thang đo cho bối cảnh Việt Nam

Dịch thang đo không chỉ là thay từng từ tiếng Anh bằng một từ tiếng Việt. Bạn cần giữ ý nghĩa của phát biểu, đồng thời làm cho sinh viên hoặc học sinh trong mẫu hiểu cùng một nội dung. Một câu phù hợp với sinh viên đại học có thể quá rộng đối với học sinh trung học.

Xác định đúng đối tượng và bối cảnh

Ghi rõ người trả lời là ai, học ở đâu, trong môn nào và đang đánh giá khoảng thời gian nào. Câu “Tôi dành thời gian cần thiết để cải thiện kết quả học tập” sẽ khó trả lời nếu bảng hỏi không nói rõ học kỳ, môn học hoặc chương trình được nhắc đến.

Rà lại từ ngữ và độ dài câu

Mỗi biến quan sát nên tập trung vào một ý. Tránh câu như “Tôi chủ động và luôn cố gắng hoàn thành bài tập đúng hạn”, vì người trả lời có thể chủ động nhưng không luôn hoàn thành đúng hạn. Tách thành hai phát biểu nếu hai hành vi có thể khác nhau.

Xử lý biến đảo chiều trước khi nhập dữ liệu

Nếu dùng phát biểu phủ định, hãy ghi rõ mã đảo chiều trong codebook. Với thang 5 điểm, phép đảo thường biến 1 thành 5, 2 thành 4, 3 giữ nguyên, 4 thành 2 và 5 thành 1. Bạn chỉ thực hiện sau khi kiểm tra cách mã hóa thực tế trong file. Phát biểu phủ định dễ làm người trả lời nhầm, vì vậy không nên thêm biến đảo chiều chỉ để làm bảng hỏi có vẻ chặt chẽ.

Chạy thử bảng hỏi

Bạn có thể cho một nhóm nhỏ thuộc đúng đối tượng đọc bảng hỏi và trả lời thử. Ghi lại câu nào bị hỏi lại, câu nào có hai cách hiểu và thời gian hoàn thành. Đây là bước kiểm tra khả năng hiểu, chưa phải bằng chứng rằng thang đo đã đạt độ tin cậy.

Trong mô hình giáo dục, động lực học tập có thể liên quan đến sự gắn kết học tập hoặc phương pháp giảng dạy. Bạn cần định nghĩa ranh giới giữa các biến trước khi viết giả thuyết. Một sinh viên tham gia đầy đủ hoạt động trên lớp có thể có mức gắn kết cao, nhưng điều đó chưa tự động chứng minh họ có động lực học tập cao.

Kiểm định độ tin cậy và giá trị của thang đo

Sau khi có file .sav hoặc .csv, hãy kiểm định theo thứ tự từ dữ liệu và nội dung đến độ tin cậy, rồi mới đánh giá cấu trúc nhân tố. Không loại biến chỉ vì một chỉ số chưa đẹp mà không xem lại ý nghĩa lý thuyết của biến đó.

Kiểm tra mã hóa và dữ liệu thiếu

Mở Analyze > Descriptive Statistics > Frequencies để xem các giá trị của DL1 đến DL6. Kiểm tra giá trị ngoài khoảng 1 đến 5, ô trống, mã 99 và các dòng trả lời giống hệt nhau. Nếu có biến đảo chiều, xử lý trước khi chạy Cronbach's Alpha.

Chạy Cronbach's Alpha

Vào Analyze > Scale > Reliability Analysis. Đưa các biến thuộc cùng một khái niệm vào ô Items, chọn Model: Alpha, sau đó mở Statistics và chọn Item, Scale, Scale if item deleted cùng Correlations nếu phiên bản SPSS của bạn có các lựa chọn này.

Cronbach's Alpha từ 0.7 trở lên thường được chấp nhận, trong khi thang đo khám phá có thể xem xét mức từ 0.6 theo (Nunnally, 1978) và (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên là một ngưỡng tham khảo theo (Nunnally và Bernstein, 1994). Đừng xóa biến chỉ vì mục “Alpha if Item Deleted” tăng nhẹ. Hãy xem biến đó có làm thay đổi nội dung khái niệm hay không.

Chạy EFA khi thiết kế nghiên cứu yêu cầu

Vào Analyze > Dimension Reduction > Factor. Chọn Descriptives để lấy KMO and Bartlett's test, chọn Extraction để xác định phương pháp trích, chọn Rotation nếu mô hình cần xoay nhân tố và chọn Options để xem hệ số tải dễ đọc hơn.

KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê ở mức dưới 0.05 là các tiêu chí thường được tham khảo theo (Kaiser, 1974). Eigenvalue lớn hơn 1 có thể được dùng làm quy tắc trích theo (Kaiser, 1960). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên là các mức tham khảo trong (Hair và cộng sự, 2010). Các mức này không thay thế cho việc xem nội dung và số lượng nhân tố mà mô hình lý thuyết dự kiến.

Bảng tiêu chí cần ghi lại

Nếu mô hình dùng SmartPLS, bạn sẽ đánh giá Outer Loadings, Composite Reliability, AVE và HTMT thay vì bê nguyên các chỉ số của CB-SEM vào. CR từ 0.7 và AVE từ 0.5 có thể tham khảo (Fornell và Larcker, 1981), còn HTMT dưới 0.85 hoặc 0.90 tùy mức gần nhau về khái niệm theo (Henseler và cộng sự, 2015). Hãy thống nhất công cụ với phương pháp đã nêu trong chương 3.

Cách trình bày thang đo trong chương 3

Trong chương 3, bạn nên đi từ định nghĩa khái niệm đến nguồn thang đo, cách điều chỉnh và kế hoạch kiểm định. Đừng đưa kết quả Cronbach's Alpha hoặc EFA của mẫu chính thức vào chương phương pháp nếu trường của bạn yêu cầu kết quả nằm ở chương 4.

Một đoạn trình bày có thể nêu: động lực học tập được vận hành hóa bằng các biến quan sát DL1 đến DL6, sử dụng thang Likert 5 mức, từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Các phát biểu được điều chỉnh theo bối cảnh [đối tượng khảo sát] và [môn học hoặc chương trình], sau đó đánh giá bằng Cronbach's Alpha và EFA theo kế hoạch phân tích.

Cách viết vào luận văn: “Khái niệm [động lực học tập] được đo lường thông qua [số lượng] biến quan sát, ký hiệu từ [mã biến đầu] đến [mã biến cuối]. Các biến được kế thừa hoặc điều chỉnh từ [tác giả, năm], phù hợp với bối cảnh [đối tượng và địa điểm nghiên cứu]. Người trả lời đánh giá trên thang Likert [5 hoặc 7] mức, trong đó [1] là [mô tả mức thấp nhất] và [5 hoặc 7] là [mô tả mức cao nhất].”

Sau khi chạy dữ liệu, bạn thay placeholder bằng thông tin thật và thêm bảng mã biến. Nếu có biến bị loại, ghi lý do dựa trên kết quả và lập luận nội dung. Không viết trước rằng toàn bộ thang đo đạt yêu cầu khi bạn chưa mở bảng Reliability Statistics, Item-Total Statistics hoặc Rotated Component Matrix.

Lỗi thường gặp

Gọi mọi câu hỏi về học tập là động lực

Câu hỏi về điểm số, mức độ hài lòng, sự gắn kết, tự tin và động lực có thể liên quan nhưng không đồng nhất. Hãy viết định nghĩa thao tác cho từng biến trước khi soạn phát biểu.

Dùng nguồn không kiểm chứng

Một file bảng hỏi được chia sẻ trong nhóm sinh viên không phải là nguồn thang đo gốc. Bạn cần lần về bài báo, sách hoặc tài liệu mà bảng hỏi xuất phát từ đó. Nếu chưa tìm thấy, hãy ghi là biến đề xuất và nói rõ giới hạn trong luận văn.

Xóa biến theo Alpha một cách máy móc

Alpha tăng sau khi xóa một biến chưa có nghĩa mô hình tốt hơn. Biến bị xóa có thể là phần duy nhất đo một khía cạnh quan trọng của động lực. Hãy ghi lại từng vòng chạy và trao đổi với giảng viên hướng dẫn trước khi quyết định.

Dùng cùng một phát biểu cho nhiều biến

Nếu DL3 vừa dùng để đo động lực học tập vừa dùng để đo sự gắn kết học tập, kết quả hồi quy hoặc SEM có thể khó giải thích. Hãy kiểm tra nội dung trùng lặp trước khi phát hành bảng hỏi.

Viết kết quả trước khi có output

Bạn không thể biết Alpha, factor loading hay số nhân tố của dữ liệu thật trước khi chạy. Các ngưỡng trong bảng là tiêu chí tham khảo có nguồn, không phải dự đoán cho mẫu của bạn.

Câu hỏi thường gặp

Động lực học tập có phải là sự gắn kết học tập không?

Hai khái niệm có thể liên quan nhưng thường trả lời hai câu hỏi khác nhau. Động lực tập trung vào lý do và mức thúc đẩy người học bắt đầu hoặc duy trì nỗ lực. Sự gắn kết thường mô tả mức tham gia hành vi, cảm xúc hoặc nhận thức trong quá trình học.

Trong mô hình của bạn, hãy dùng định nghĩa và bộ biến riêng cho từng khái niệm. Nếu hai thang đo có nhiều phát biểu giống nhau, cần rà lại giá trị phân biệt.

Nên dùng thang Likert 5 điểm hay 7 điểm?

Cả hai đều có thể dùng nếu phù hợp với đối tượng khảo sát và cách thiết kế nghiên cứu. Thang 5 điểm dễ trả lời và dễ hướng dẫn, còn thang 7 điểm tạo nhiều mức phân biệt hơn. Quan trọng là bạn mô tả rõ ý nghĩa từng đầu mút và sử dụng nhất quán trong toàn bộ bảng hỏi.

Alpha dưới 0.7 có phải loại toàn bộ thang đo không?

Không. Với thang đo khám phá, mức Alpha từ 0.6 có thể được xem xét theo (Hair và cộng sự, 2010), nhưng quyết định còn phụ thuộc vào số biến, Corrected Item-Total Correlation, nội dung khái niệm và bối cảnh nghiên cứu.

Bạn nên xem từng dòng trong Item-Total Statistics, kiểm tra biến đảo chiều và phát hiện lỗi nhập liệu trước khi xóa biến. Nếu loại một biến, ghi lại lý do và chạy lại có kiểm soát.

Có thể lấy các biến quan sát trong bài viết này đưa thẳng vào bảng hỏi không?

Bạn không nên đưa thẳng vào khảo sát chính thức. Các câu trong bài chỉ là mẫu diễn đạt để bạn bắt đầu thiết kế. Hãy điều chỉnh cho [đối tượng], [môn học], [cấp học] và [thời gian nghiên cứu], sau đó thử đọc và kiểm tra độ rõ nghĩa trước khi thu thập dữ liệu.

Khi EFA tách động lực học tập thành nhiều nhân tố thì làm sao?

Trước hết, kiểm tra mã hóa, biến đảo chiều, dữ liệu thiếu và nội dung các phát biểu. Sau đó xem factor loading, cross-loading và số nhân tố có phù hợp với mô hình lý thuyết không. EFA hiếm khi ra đúng như dự kiến ở lần chạy đầu, nhưng bạn không nên ép dữ liệu vào một nhân tố chỉ để bảng kết quả đẹp.

Nếu cấu trúc nhiều nhân tố có ý nghĩa, bạn có thể tách thành các khía cạnh như động lực nội tại và động lực bên ngoài, với điều kiện định nghĩa, giả thuyết và thang đo được điều chỉnh nhất quán. Bước tiếp theo của bạn là mở file dữ liệu, lập codebook cho DL1 đến DL6, kiểm tra mã hóa rồi chạy Reliability Analysis; nếu cần một quy trình phân tích trên chính file .sav hoặc .csv, bạn có thể xem module M4 của DoThesis.