Nghiên cứu khoa học là gì? Quy trình, ý nghĩa và cách thực hiện
Nghiên cứu khoa học là gì
Nghiên cứu khoa học là một quá trình có mục tiêu nhằm trả lời câu hỏi nghiên cứu bằng dữ liệu, lập luận và phương pháp có thể kiểm tra. Khi làm luận văn, bạn bắt đầu từ một vấn đề cụ thể, xác định đối tượng nghiên cứu, xây dựng câu hỏi hoặc giả thuyết, thu thập dữ liệu rồi phân tích để đi đến kết luận có căn cứ.
Điểm cốt lõi nằm ở tính có hệ thống. Bạn không chỉ nêu quan điểm cá nhân về một hiện tượng, mà phải chỉ ra hiện tượng cần giải thích, cách đo lường, nguồn dữ liệu và quy tắc dùng để kết luận. Với nghiên cứu định lượng, dữ liệu thường được nhập từ bảng hỏi vào file .sav hoặc .csv, sau đó xử lý bằng SPSS, SmartPLS hoặc phần mềm thống kê phù hợp.
Một đề tài nghiên cứu khoa học thường có các thành phần liên kết với nhau: vấn đề nghiên cứu, mục tiêu, câu hỏi, mô hình, giả thuyết, thang đo, mẫu nghiên cứu, phương pháp thu thập dữ liệu và phương pháp phân tích. Nếu một mắt xích không khớp, chẳng hạn giả thuyết cần kiểm định tác động nhưng bảng hỏi lại không đo được biến, kết quả cuối cùng sẽ khó bảo vệ.
Bạn có thể xem thêm phần giải thích ngắn về NCKH là gì, sau đó đối chiếu với đối tượng nghiên cứu của đề tài mình. Hai khái niệm này thường bị trộn lẫn khi sinh viên mới bắt đầu.
Ý nghĩa của nghiên cứu khoa học trong nghiên cứu định lượng
Trong nghiên cứu định lượng, nghiên cứu khoa học giúp bạn biến một nhận định rộng thành các biến có thể đo lường. Ví dụ, câu “chất lượng dịch vụ ảnh hưởng đến sự hài lòng” mới là định hướng. Để kiểm định, bạn cần xác định chất lượng dịch vụ gồm những khía cạnh nào, sự hài lòng được đo bằng các biến quan sát nào, và dữ liệu nào sẽ cho biết mối quan hệ đó có được ủng hộ hay không.
Nghiên cứu khoa học cũng giúp bạn quyết định nên dùng phân tích nào. Nếu mục tiêu là kiểm tra độ tin cậy của thang đo, bạn có thể chạy Cronbach's Alpha. Nếu cần khám phá cấu trúc các nhóm biến, EFA phù hợp hơn. Nếu mô hình gồm biến tiềm ẩn và các đường tác động, bạn có thể cân nhắc SmartPLS hoặc AMOS tùy thiết kế nghiên cứu.
Một quy trình định lượng thường đi theo thứ tự sau:
- Chọn vấn đề và giới hạn phạm vi nghiên cứu.
- Đọc tài liệu để xác định khái niệm, mô hình và khoảng trống.
- Xây dựng câu hỏi nghiên cứu hoặc giả thuyết.
- Chọn thang đo và thiết kế bảng hỏi.
- Thu thập, mã hóa và làm sạch dữ liệu.
- Phân tích dữ liệu theo thứ tự đã đặt ra trong phương pháp.
- Diễn giải kết quả, thảo luận và nêu hàm ý.
Bạn có thể đọc thêm nghiên cứu định lượng là gì nếu chưa phân biệt được dữ liệu số, biến độc lập, biến phụ thuộc và biến kiểm soát. Nếu đề tài cần khảo sát bằng bảng hỏi, việc xác định lĩnh vực nghiên cứu từ sớm sẽ giúp bạn giới hạn mẫu và bối cảnh, thay vì hỏi một nhóm đối tượng quá rộng.
Ý nghĩa thực tế của kết quả không nằm ở việc bảng output có nhiều con số. Kết quả phải trả lời được câu hỏi ban đầu. Một hệ số có p-value nhỏ vẫn cần được đặt trong bối cảnh của mô hình, thang đo, cỡ mẫu và hướng tác động. Vì vậy, bạn nên ghi lại lý do chọn từng phép phân tích trước khi mở SPSS, thay vì chạy tất cả bảng rồi mới tìm cách giải thích.
Nghiên cứu khoa học bao nhiêu là đạt
“Nghiên cứu khoa học đạt” không phải là một con số duy nhất. Mỗi giai đoạn có tiêu chí riêng. Với một luận văn định lượng, bạn cần kiểm tra sự phù hợp của dữ liệu, độ tin cậy và giá trị của thang đo, chất lượng mô hình, rồi mới kết luận giả thuyết. Các ngưỡng dưới đây là mốc tham khảo thường dùng, không phải lý do để xóa biến máy móc.
| Hạng mục cần kiểm tra | Ngưỡng thường dùng | Nguồn chính tắc |
|---|---|---|
| Cronbach's Alpha | Từ 0.70 trở lên | (Nunnally, 1978) |
| Alpha cho thang đo mới hoặc khám phá | Có thể từ 0.60 | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.30 trở lên | (Nunnally và Bernstein, 1994) |
| KMO | Từ 0.50 trở lên | (Kaiser, 1974) |
| Bartlett's Test | p-value dưới 0.05 | (Kaiser, 1974) |
| Eigenvalue khi trích nhân tố | Trên 1 | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Factor loading trong EFA | Từ 0.50 trở lên | (Hair và cộng sự, 2010) |
| Số quan sát trên mỗi biến quan sát | Khoảng 5 đến 10 | (Hair và cộng sự, 2010) |
Các ngưỡng này cần được đọc cùng bối cảnh. Chẳng hạn, Alpha tăng sau khi loại một biến chưa chắc chứng minh thang đo tốt hơn, vì biến đó có thể đại diện cho một khía cạnh có ý nghĩa về mặt lý thuyết. Bạn cần xem cả nội dung biến, Corrected Item-Total Correlation, ma trận tương quan và mục tiêu của thang đo.
Nếu chạy hồi quy, cỡ mẫu cũng cần được cân nhắc theo số biến độc lập. Một quy tắc thường được trích dẫn là cỡ mẫu tối thiểu bằng 50 cộng 8 lần số biến độc lập, theo (Tabachnick và Fidell, 2013). Đây là cơ sở tham khảo, còn cỡ mẫu thực tế phải xét thêm cách chọn mẫu, tỷ lệ phiếu hợp lệ và mô hình của bạn.
Cách đọc nghiên cứu khoa học trên output
Trong file SPSS, bạn thường không thấy một bảng có tên “Nghiên cứu khoa học”. Bạn đọc từng bảng để đánh giá từng phần của quy trình. Với một thang đo, hãy mở Analyze > Scale > Reliability Analysis. Bảng Reliability Statistics cho biết Cronbach's Alpha và số biến được đưa vào. Bảng Item-Total Statistics cho biết Corrected Item-Total Correlation và Alpha if Item Deleted.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS thường hiển thị để bạn đối chiếu với file đang mở.
| Bảng output | Cột hoặc dòng cần đọc | Số liệu minh họa | Cách hiểu |
|---|---|---|---|
| Reliability Statistics | Cronbach's Alpha | 0.824 | Độ nhất quán nội tại đạt mốc tham khảo |
| Reliability Statistics | N of Items | 4 | Có 4 biến quan sát trong lần chạy |
| Item-Total Statistics | Corrected Item-Total Correlation, DV1 | 0.612 | Biến có tương quan với tổng thang đo |
| Item-Total Statistics | Corrected Item-Total Correlation, DV2 | 0.241 | Cần xem xét nội dung và khả năng loại biến |
| Item-Total Statistics | Cronbach's Alpha if Item Deleted, DV2 | 0.851 | Alpha tăng nếu loại DV2, nhưng chưa đủ căn cứ để xóa |
Nếu chạy EFA, bảng KMO and Bartlett's Test cho biết KMO và kiểm định Bartlett. Bảng Total Variance Explained giúp bạn xem số nhân tố và tỷ lệ phương sai trích. Bảng Rotated Component Matrix cho biết mỗi biến quan sát tải mạnh vào nhân tố nào. Bạn cần kiểm tra biến tải thấp, tải chéo hoặc tải vào nhóm không phù hợp với mô hình lý thuyết.
Nếu chạy hồi quy, bảng Model Summary cho biết R Square, bảng ANOVA cho biết kiểm định mức độ phù hợp tổng thể, còn bảng Coefficients thường có các cột B, Beta, t và Sig. Trong đó, B cho biết hệ số chưa chuẩn hóa, Beta thuận tiện hơn khi so sánh tương đối giữa các biến, còn Sig. thường được dùng để xem bằng chứng thống kê cho hệ số.
Bạn không nên kết luận chỉ từ một cột Sig. Hãy đọc hướng của hệ số, khoảng tin cậy nếu có, kiểm tra VIF, xem phần dư và đối chiếu với giả thuyết đã viết trước khi phân tích. Nếu đề tài dùng SmartPLS, các bảng tương ứng có thể là Outer Loadings, Construct Reliability and Validity, Discriminant Validity và Path Coefficients. Các chỉ số CFI, TLI và RMSEA thuộc nhóm đánh giá CB-SEM, không nên đưa vào bài hướng dẫn đánh giá mô hình PLS-SEM.
Khi nghiên cứu khoa học không đạt thì xử lý thế nào
Khi một chỉ số không đạt, bạn nên xử lý theo thứ tự từ kiểm tra dữ liệu đến xem xét mô hình. Đừng xóa biến ngay sau lần chạy đầu tiên. EFA hiếm khi ra đúng cấu trúc đẹp ở lần chạy đầu, nhưng việc loại biến phải có lý do được ghi lại.
Kiểm tra mã hóa và dữ liệu gốc
Mở Variable View để kiểm tra kiểu biến, nhãn giá trị, missing value và chiều của các biến đảo chiều. Một biến được nhập ngược có thể làm tương quan với các biến cùng thang đo giảm mạnh. Kiểm tra thêm các dòng trống, giá trị ngoài thang Likert và những bản ghi có cùng một đáp án cho toàn bộ bảng hỏi.
Kiểm tra từng biến quan sát
Đọc Item-Total Statistics, ma trận tương quan và nội dung của biến. Nếu Corrected Item-Total Correlation thấp, hãy xem biến đó có đo cùng khái niệm không, có câu chữ gây hiểu nhầm không và có bị mã hóa sai không. Chỉ loại biến khi có căn cứ thống kê kết hợp với căn cứ lý thuyết.
Chạy lại và lưu từng phiên bản
Lưu file syntax hoặc ghi lại thứ tự loại biến, Alpha, KMO, tổng phương sai trích và cấu trúc nhân tố sau mỗi vòng. Hội đồng có thể hỏi vì sao biến bị loại. Một bảng theo dõi ngắn sẽ giúp bạn trả lời bằng quy trình, thay vì nhớ lại từ nhiều file output.
Cân nhắc thu thêm dữ liệu
Nếu vấn đề đến từ cỡ mẫu quá nhỏ, dữ liệu thiếu hoặc mẫu không đúng đối tượng, chỉnh tùy chọn trong SPSS không giải quyết được nguyên nhân. Khi đó, trao đổi với giảng viên về khả năng thu thêm dữ liệu hoặc giới hạn lại mô hình. Thu thêm phiếu không bảo đảm mọi chỉ số sẽ đạt, nên bạn không nên hứa trước một kết quả cụ thể.
Phân biệt nghiên cứu khoa học với nghiên cứu định tính
Nghiên cứu khoa học là khái niệm rộng, bao gồm nhiều cách tiếp cận. Nghiên cứu định lượng dùng dữ liệu số, thang đo và kiểm định thống kê để mô tả hoặc kiểm tra mối quan hệ giữa các biến. Nghiên cứu định tính tập trung vào dữ liệu dạng lời nói, văn bản hoặc quan sát để hiểu sâu ý nghĩa và trải nghiệm. Trong phạm vi bài này, quy trình được minh họa cho nghiên cứu định lượng bằng bảng hỏi, SPSS và SmartPLS.
Một nhầm lẫn khác là đồng nhất phương pháp với công cụ. Bảng hỏi là công cụ thu thập dữ liệu, SPSS là phần mềm phân tích, còn hồi quy hoặc EFA là phương pháp phân tích. Bạn có thể dùng cùng một bảng hỏi nhưng chọn phép phân tích khác nhau tùy câu hỏi nghiên cứu và mô hình.
Nghiên cứu khoa học cũng khác với việc tổng hợp tài liệu. Tổng quan tài liệu cung cấp nền tảng để chọn biến, thang đo và giả thuyết. Nghiên cứu của bạn cần tiến thêm một bước bằng cách thu thập dữ liệu trong bối cảnh đã xác định và kiểm tra các nhận định bằng phương pháp minh bạch.
Lỗi thường gặp
Chọn đề tài quá rộng
“Ảnh hưởng của công nghệ đến xã hội” khó trở thành một mô hình khảo sát khả thi trong thời gian làm luận văn. Bạn nên giới hạn ngành, địa bàn, nhóm đối tượng, hành vi và khoảng thời gian. Một đề tài hẹp nhưng đo được thường tốt hơn một đề tài lớn nhưng không có dữ liệu phù hợp.
Viết giả thuyết sau khi xem kết quả
Nếu bạn chỉ chọn những quan hệ có p-value nhỏ sau khi chạy dữ liệu, phần giả thuyết sẽ mất tính định hướng. Hãy viết mô hình và giả thuyết trước khi phân tích chính thức, đồng thời phân biệt rõ kiểm định đã dự kiến với phân tích phát sinh.
Trộn tiêu chí của các phần mềm
SPSS hồi quy, AMOS và SmartPLS có bảng output và logic đánh giá khác nhau. Đặc biệt, các chỉ số fit của CB-SEM không được đưa sang đánh giá PLS-SEM một cách tùy tiện. Khi đổi phần mềm, bạn cần đổi cả quy trình báo cáo chứ không chỉ đổi ảnh chụp màn hình.
Chỉ chụp output mà không diễn giải
Một ảnh Coefficients không cho người đọc biết giả thuyết được chấp nhận hay bác bỏ. Trong chương kết quả, hãy nêu biến nào tác động, hướng tác động, hệ số, mức ý nghĩa và kết luận tương ứng với giả thuyết. Phần thảo luận mới giải thích vì sao kết quả giống hoặc khác nghiên cứu trước.
Câu hỏi thường gặp
Nghiên cứu khoa học là gì nếu tôi chỉ làm khảo sát bằng bảng hỏi?
Khảo sát bằng bảng hỏi vẫn là nghiên cứu khoa học nếu bạn có câu hỏi rõ, mẫu phù hợp, thang đo có căn cứ, quy trình thu thập minh bạch và phương pháp phân tích nhất quán. Số lượng phiếu nhiều không tự động làm nghiên cứu tốt hơn nếu dữ liệu không đúng đối tượng hoặc biến không đo được khái niệm cần nghiên cứu.
Nghiên cứu khoa học có bắt buộc phải dùng SPSS không?
Không. SPSS là một lựa chọn phổ biến cho Cronbach's Alpha, EFA, tương quan và hồi quy. SmartPLS phù hợp với PLS-SEM, AMOS phù hợp với CB-SEM, còn JASP hoặc R có thể đáp ứng nhiều phân tích khác. Bạn nên chọn công cụ dựa trên mô hình, năng lực sử dụng và yêu cầu của giảng viên.
Bao nhiêu mẫu thì nghiên cứu khoa học được xem là đạt?
Không có một cỡ mẫu chung cho mọi đề tài. Với hồi quy, quy tắc 50 cộng 8 lần số biến độc lập thường được trích dẫn theo (Tabachnick và Fidell, 2013). Với thang đo, tỷ lệ 5 đến 10 quan sát trên mỗi biến quan sát là một mốc tham khảo theo (Hair và cộng sự, 2010). Bạn vẫn cần xem thiết kế mẫu và tỷ lệ phiếu hợp lệ.
Nếu Cronbach's Alpha không đạt thì phải làm sao?
Trước tiên, kiểm tra biến đảo chiều, missing value, mã hóa và nội dung từng biến. Sau đó xem Corrected Item-Total Correlation và Alpha if Item Deleted. Bạn có thể loại một biến nếu có căn cứ thống kê và lý thuyết, nhưng cần ghi lại quyết định. Nếu thang đo mới mang tính khám phá, mốc Alpha từ 0.60 có thể được tham khảo theo (Hair và cộng sự, 2010).
Có thể đổi giả thuyết sau khi xem output không?
Bạn có thể thực hiện phân tích bổ sung nếu phát hiện một kết quả đáng chú ý, nhưng phải ghi rõ đó là phân tích phát sinh. Không nên sửa giả thuyết ban đầu để biến một kết quả không dự kiến thành kết quả đã được dự báo. Cách báo cáo minh bạch giúp người đọc phân biệt thiết kế ban đầu và diễn giải sau phân tích.
Mở file dữ liệu của bạn ngay bây giờ, kiểm tra lại câu hỏi nghiên cứu, danh sách biến và thứ tự phân tích trước khi chạy bảng tiếp theo; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, xem module M4 phân tích dữ liệu.