10 hiểu lầm phổ biến về qualitative research (nghiên cứu định tính) PART II
Hướng dẫn dành cho nhà nghiên cứu (researcher), nhà biên tập (editor), và nhà phản biện (reviewer) để một nghiên cứu định tính tốt KHÔNG bị từ chối vì lý do không phù hợp.
PHẦN 2: Áp đặt tiêu chí nghiên cứu định tính quá cứng nhắc
Misperception #6: “Qualitative research bắt buộc phải đạt Saturation (bão hòa dữ liệu)”
Reviewer đòi hỏi tác giả phải đề cập đến saturation hoặc bác bỏ bài vì không nhắc đến khái niệm này. Nhiều người xem saturation là tiêu chuẩn chất lượng bắt buộc của mọi nghiên cứu qualitative.
Saturation (Bão hòa dữ liệu): Thuật ngữ này được Glaser và Strauss đưa ra năm 1967 trong khuôn khổ grounded theory, nghĩa là điểm mà việc thu thập thêm dữ liệu không còn tạo ra code, theme, hay category mới nào. Theo nghĩa gốc, nó chỉ áp dụng cho một phương pháp phân tích cụ thể, không phải cho mọi nghiên cứu qualitative.
Tại sao đây là hiểu lầm?
Saturation đã được dùng phổ biến trong nhiều nghiên cứu định tính một cách không chính xác và bị biến thành tiêu chuẩn chất lượng phổ quát. Trên thực tế:
Saturation có nhiều định nghĩa khác nhau, được dùng không nhất quán trong tài liệu khoa học.
Không phải mọi thiết kế qualitative đều phù hợp với khái niệm này.
Nhiều tác giả đề cập saturation mà không định nghĩa rõ họ hiểu nó theo nghĩa nào.
Một lựa chọn thay thế phù hợp hơn khi bài báo của bạn bị nhận xét chưa có tính saturation là: Information power (Sức mạnh thông tin). Khái niệm này phù hợp hơn cho nhiều bối cảnh, mẫu nghiên cứu càng có nhiều thông tin liên quan đến mục tiêu nghiên cứu, số lượng người tham gia cần thiết càng ít.
Information power phụ thuộc vào: mục tiêu nghiên cứu có cụ thể hay không, mẫu có đặc thù hay đa dạng, có lý thuyết hướng dẫn không, và chất lượng đối thoại với người tham gia.
Ví dụ một nghiên cứu chuyên sâu về quá trình chuyển đổi nghề nghiệp của lao động di cư từ nông thôn ra thành phố với 12 cuộc phỏng vấn sâu cùng những người có trải nghiệm phong phú, đa dạng về bối cảnh cụ thể có thể có information power cao hơn rất nhiều so với 50 cuộc phỏng vấn có dữ liệu mờ nhạt. Sample nhỏ hơn nhưng chất lượng và độ sâu khác hoàn toàn.
Misperception #7: “Qualitative research phải có Member Checking”
Reviewer cho rằng member checking (Kiểm tra với thành viên), quá trình mời người tham gia nghiên cứu đọc lại và phản hồi về dữ liệu hoặc kết quả phân tích, nhằm đảm bảo rằng nhà nghiên cứu đã phản ánh đúng trải nghiệm và quan điểm của họ, là “tiêu chuẩn vàng” của nghiên cứu định tính.
Member checking không phải tiêu chuẩn vì có những hạn chế như sau:
Người tham gia thường không được chuẩn bị để đánh giá kết quả nghiên cứu đã được phân tích, tổng hợp và ẩn danh hóa (de-identify), họ không thể phân biệt đâu là “lỗi” của nhà nghiên cứu, đâu là sự giải thích dựa trên dữ liệu. Nói cách khác họ không đủ kiến thức nền tảng và kĩ năng cần thiết để kiểm chứng kết quả nghiên cứu.
Họ có thể muốn thay đổi hoặc xóa bỏ những phần dữ liệu không phù hợp nhưng điều này không đúng với quy trình phân tích đã thiết lập, không đúng với tính chính xác của nghiên cứu định tính khi muốn hiểu rõ cơ chế hay bản chất hiện tượng.
Có thể gây thêm gánh nặng cho người tham gia, đặc biệt nếu chủ đề nhạy cảm. Việc đọc lại câu chuyện của mình hoặc đọc cách tác giả phân tích sẽ gây cảm giác khó chịu, đau khổ, và ảnh hưởng tới người tham gia nghiên cứu. Trong nhiều nghiên cứu, điều này vi phạm quy tắc đạo đức nghiên cứu (Research ethics).
Thay vì member checking post-hoc (sau khi nghiên cứu xong), hãy xây dựng độ tinh cậy và sự chính xác trong suốt quá trình nghiên cứu bằng cách đặt câu hỏi rõ ràng trong lúc phỏng vấn, sử dụng periodic reflections (chiêm nghiệm theo từng giai đoạn thu thập và phân tích dữ liệu) để theo dõi, và mô tả các bước đã thực hiện cụ thể rõ rang để đảm bảo người tham gia được hiểu đúng.
Ví dụ: trong một nghiên cứu về trải nghiệm của sinh viên quốc tế tại các trường đại học Việt Nam, việc yêu cầu sinh viên đọc lại bản phân tích hoàn chỉnh sau 6 tháng có thể gây khó chịu và tạo những phản hồi mâu thuẫn. Tốt hơn là trong quá trình phỏng vấn, nhà nghiên cứu nên dùng những câu hỏi để kiểm tra sự hiểu biết: “Ý bạn muốn nói là...?” hoặc “Tôi hiểu đúng không khi bạn nói...?”
Misperception #8: “Qualitative analysis bắt buộc phải có Coding”
Reviewer mong đợi tác giả mô tả quy trình coding cụ thể diễn ra như thế nào (line-by-line coding) và thường từ chối chấp nhận đăng bài khi không thấy điều này, với lập luận rằng coding mới là đảm bảo dữ liệu được phân tích có hệ thống.
Giải thích khái niệm Coding (Mã hóa dữ liệu): Quá trình phân loại và dán nhãn các đoạn dữ liệu (thường là văn bản-text, ví dụ interview transcript) theo chủ đề hoặc các thể loại để các dữ liệu liên quan có thể được tổ chức và tổng hợp sau này. Ví dụ: trong một cuộc phỏng vấn, nhà nghiên cứu có thể đánh nhãn các đoạn nói về “áp lực gia đình”, “kỳ vọng của xã hội”, “thiếu tự tin bản thân”...
Coding là một trong nhiều cách tiếp cận phân tích nghiên cứu định tính, nhưng không phải cách duy nhất. Có nhiều phương pháp khác được sử dụng rộng rãi và có giá trị ngang nhau:
Rapid qualitative analysis: phân tích nhanh, thường dùng để cung cấp kết quả kịp thời
Matrix analysis: tổ chức dữ liệu theo bảng ma trận để nhìn tổng quát
Diagramming: sơ đồ hóa mối quan hệ giữa các yếu tố
Sort and Sift, Think and Shift: để dữ liệu dẫn dắt quá trình phân tích
Các phương pháp phân tích mở hoặc diễn giải (interpretive/open-ended) khác
Ví dụ thực tế từ một nhóm nghiên cứu nghiên cứu động lực học ngoại ngữ của học sinh THPT ở vùng nông thôn: thay vì coding chi tiết từng dòng, họ có thể dùng matrix analysis, tạo một bảng với mỗi hàng là một người tham gia, mỗi cột là một chủ đề (động lực nội tại, động lực ngoại lai, rào cản, chiến lược...), và điền vào bảng ở dạng tóm tắt. Phương pháp này hiệu quả hơn với nhóm nghiên cứu nhỏ và cho phép so sánh nhanh giữa các trường hợp.
Misperception #9: “Kết quả qualitative phải trình bày dưới dạng Themes (chủ đề)”
Reviewer hỏi themes là gì hoặc yêu cầu kết quả phải được tổ chức thành themes hoặc yêu cầu mô tả quá trình phát triển themes, vì đây là cách trình bày quen thuộc nhất trong nghiên cứu định tính.
Giải thích khái niệm Thematic Analysis (Phân tích chủ đề): Được Braun & Clarke hệ thống hóa năm 2006, đây là một trong những phương pháp phổ biến nhất. Themes là những kết quả của quá trình phân tích, những mô hình ý nghĩa xuyên suốt dữ liệu, chứ không phải các chủ đề có sẵn trong dữ liệu trước khi phân tích.
Themes là hình thức trình bày kết quả nghiên cứu định tính phổ biến nhưng không bắt buộc. Nhiều phương pháp qualitative khác tạo ra những kết quả không phải là “themes”:
Qualitative content analysis tạo ra categories, patterns, hoặc domains nhằm mô tả đầy đủ các hiện tượng trong dữ liệu
Rapid qualitative analysis thường tổ chức kết quả theo framework có sẵn
Ethnographic analysis báo cáo theo social acts, norms, processes, situations
Ví dụ một nghiên cứu về cách giáo viên tiểu học tại các trường nông thôn ứng phó với việc triển khai giáo trình mới có thể trình bày kết quả theo các “domains” từ một framework triển khai có sẵn, thay vì tạo ra themes mới. Điều này giúp kết quả có thể so sánh trực tiếp với các nghiên cứu khác cùng dùng framework, đó là một lựa chọn phương pháp hợp lệ và có giá trị, không phải sự thiếu tính chính xác trong nghiên cứu định tính.
Misperception #10: “Phải dùng Qualitative Data Analysis Software (QDAS)”
Reviewer đòi hỏi tác giả phải đề cập việc dùng phần mềm như NVivo, ATLAS.ti, hay MAXQDA và đặt câu hỏi về tính chuẩn chỉnh trong nghiên cứu khi không thấy điều này.
Giải thích khái niệm QDAS (Qualitative Data Analysis Software): Các phần mềm hỗ trợ quản lý dữ liệu qualitative giúp tổ chức, tìm kiếm, và liên kết các đoạn dữ liệu. Chúng không thay thế nhà nghiên cứu trong việc phân tích; chúng chỉ là công cụ lưu trữ và tổ chức. Giống như việc dùng Excel không tự động làm cho một phân tích tài chính trở nên chính xác hơn, điều quan trọng là người dùng Excel có năng lực phân tích hay không.
Tuy nhiên, QDAS chỉ là công cụ hỗ trợ quá trình phân tích dữ liệu, không phải bằng chứng của một nghiên cứu chất lượng vì:
QDAS không thực hiện phân tích, đó là công việc của nhà nghiên cứu. Nhà nghiên cứu phan tích với sự hỗ trợ về mặt kĩ thuật của QDAS.
QDAS không phải lúc nào cũng cần thiết hoặc phù hợp. Phục thuộc vào quyết định của nhóm nghiên cứu, cũng như các nguồn lực sẵn có (resources).
Rapid qualitative analysis hiếm khi dùng QDAS vì yêu cầu thời gian đào tạo và tốc độ phân tích.
Các nhóm nhỏ thường dùng Word hay Excel để tạo summaries và analytic matrices hiệu quả tương đương.
Ví dụ thực tế một nhóm sinh viên tiến sĩ nghiên cứu trải nghiệm của các giảng viên nữ trong quá trình thăng tiến tại các trường đại học Việt Nam có thể phân tích dữ liệu hoàn toàn bằng Word và Excel: tạo một bảng tổng kết cho mỗi người tham gia, ghi chú các pattern xuyên suốt, và thảo luận trong nhóm. Kết quả có thể nghiêm ngặt và có giá trị khoa học ngang với bất kỳ nghiên cứu nào dùng NVivo đắt tiền, miễn là quy trình phân tích được mô tả rõ ràng.
Kết luận
Những hiểu lầm này không chỉ là vấn đề học thuật. Chúng có hậu quả thực tế: các nghiên cứu qualitative có giá trị bị từ chối tài trợ và xuất bản, những insight quan trọng về hành vi con người và bối cảnh xã hội không đến được với cộng đồng khoa học, và các nhà nghiên cứu định tính, đặc biệt là những người ở giai đoạn đầu sự nghiệp cảm thấy áp lực phải “định lượng hóa” công việc của mình để được chấp nhận.
Qualitative và quantitative research có mục tiêu khác nhau, câu hỏi khác nhau, và tiêu chuẩn chất lượng khác nhau. Đánh giá qualitative research bằng tiêu chí của quantitative research là sai về mặt phương pháp luận. Các reviewers và editors có trách nhiệm hiểu sự khác biệt này và nếu không đủ kinh nghiệm với qualitative methods, nên tự rút lui khỏi việc phản biện những bài báo đó. Các qualitative researchers cần phải nắm rõ những hiểu làm này, đặc biệt phải luôn trau dồi kiến thức của mình về mặt phương pháp luận để có cách mô tả quy trình làm nghiên cứu của mình một cách thuyết phục, cũng như để phản hồi các nhận xét không phù hợp trong bài báo của mình.
Hình ảnh tóm tắt từ bài báo của nhóm tác giả:
Reference:
Nevedal, A.L., et al. (2026). Optimizing qualitative methods in implementation research. Implementation Science, 21, 4. https://doi.org/10.1186/s13012-025-01474-z