Kết hợp phân tích chủ đề quy nạp – diễn dịch trong nghiên cứu mixed methods

Một hướng tiếp cận mạnh mẽ nhưng còn ít được khai thác.

Cho đến hiện tại mình đã xuất bản 05 bài báo dùng phương pháp mixed-method. Mình nhận ra là phần khó nhất của mixed methods không phải là thiết kế nghiên cứu hay thu thập dữ liệu. Mà luôn là phân tích và tích hợp dữ liệu. Khi bạn có hàng trăm phản hồi survey, vài chục cuộc phỏng vấn, thêm các thang đo định lượng, câu hỏi không còn là “có dữ liệu chưa?” mà là:

Làm sao để các loại dữ liệu này thực sự kết hợp được với nhau?

Cách bạn phân tích và tổng hợp dữ liệu sẽ phụ thuộc vào mixed-methods approaches, cách tiếp cận, mà bạn áp dụng, ví dụ: exploratory sequential mixed-methods hay convergent. Hãy tìm đọc các sách của một số tác giả lớn ví dụ hai tác giả được xem là nền tảng của mixed methods hiện đại: John W. Creswell & Vicki L. Plano Clark và cuốn sách kinh điển, dùng rộng rãi trong chương trình cao học: Designing and Conducting Mixed-Methods Research (2018).

Bản tin này chia sẻ một bài báo gần đây mình đọc được về phân tích dữ liệu trong mixed-methods rất hay: Inductive/Deductive Hybrid Thematic Analysis in Mixed Methods Research (Proudfoot, 2023).

Vì sao phân tích dữ liệu là bước khó nhất của mixed methods?

Nhiều học giả xem đây là bước khó nhất của quy trình mixed methods vì trong nghiên cứu mixed methods, phân tích dữ liệu không chỉ là xử lý số liệu hay mã hóa transcript. Nó là quá trình:

• hiểu dữ liệu

• đối chiếu các nguồn

• và quan trọng nhất: tích hợp dữ liệu định tính và định lượng để tạo ra kết quả nhằm trả lời câu hỏi nghiên cứu của bạn

Theo Proudfoot, dù nhiều học giả đã chỉ ra rằng phân tích dữ liệu là bước khó nhất của mixed methods, hiện vẫn thiếu hướng dẫn phương pháp luận cụ thể.

Trong thực tế, có ba vấn đề thường xảy ra:

• Phân tích song song nhưng không tích hợp: Nghiên cứu có phần định tính và định lượng, nhưng mỗi phần chỉ xác nhận kết quả của chính nó.

• Dữ liệu phân tích ở mức bề mặt: Ví dụ: Survey cho thấy stress cao. Phỏng vấn cho thấy sinh viên stress → nhưng không giải thích sâu hơn vì sao.

• Lý thuyết bị đóng khung quá sớm: Nếu chỉ dùng khung lý thuyết có sẵn để mã hóa, dữ liệu mới dễ bị bỏ qua.

Bài báo này đề xuất một hướng tiếp cận đáng chú ý: phân tích chủ đề kết hợp (hybrid thematic analysis) từ phương pháp quy nạp (inductive) và diễn dịch (deductive), đồng thời tích hợp chặt chẽ với phân tích định lượng trong một thiết kế mixed methods mang nền tảng triết học critical realism.

Nói cách khác, bài viết không chỉ bàn về kỹ thuật phân tích mà còn trả lời câu hỏi lớn hơn:

Làm thế nào để tích hợp dữ liệu định tính và định lượng theo cách thực sự tạo ra tri thức mới?

Trong phân tích chủ đề (thematic analysis), chúng ta thường chọn một trong hai hướng:

• Quy nạp (bottom-up): để theme xuất hiện từ dữ liệu

• Diễn dịch (top-down): dùng khung lý thuyết có sẵn

Hybrid thematic analysis kết hợp cả hai:

• Dùng khung lý thuyết có sẵn để định hướng mã hóa (diễn dịch)

• Đồng thời tạo theme mới từ dữ liệu (quy nạp)

• Sau đó kết hợp hai nguồn theme để làm giàu phân tích

Điểm mạnh của phương pháp này là tạo ra sự cân bằng:

• Không bị lệ thuộc hoàn toàn vào lý thuyết

• Không bị trôi hoàn toàn theo dữ liệu

• Giữ được tiếng nói của người tham gia (inductive)
  Đồng thời duy trì tính chặt chẽ lý thuyết (deductive)

• Tạo cơ hội phát triển lý thuyết mới, thay vì chỉ kiểm định lý thuyết cũ

Bài báo chỉ ra rằng việc kết hợp này giúp tăng độ rigor của phân tích. Đóng góp lớn của bài báo là chỉ ra cách hybrid thematic analysis có thể tích hợp với phân tích định lượng.

Ví dụ minh họa trong bài:

• Survey định lượng được phân tích bằng factor analysis

• Phản hồi mở và phỏng vấn được phân tích bằng hybrid thematic analysis

• Hai nguồn dữ liệu được tích hợp trong thiết kế convergent

Khi hai nguồn dữ liệu được đặt cạnh nhau, chúng không chỉ xác nhận nhau mà còn giải thích nhau. Một điểm rất thực tế là tác giả gợi ý rằng câu hỏi mở trong survey có thể đóng vai trò cầu nối giữa: dữ liệu định lượng và phỏng vấn sâu.

Trong một dự án gần đây mình đã sử dụng câu hỏi mở (open-ended questions) trong khảo sát để làm tiền đề cho phần phỏng vấn nhóm. Nghiên cứu của mình khám phá kinh nghiệm, động lực, nhu cầu về hỗ trợ phát triển nghiên cứu cho giảng viên từ nhà trường. Một số câu trả lời cho các câu hỏi mở này đã gợi ý cho mình rất nhiều cả trong lúc phỏng vấn và phân tích dữ liệu. Cụ thể, một số người tham gia nghiên cứu nói rằng họ đặc biệt thích được hợp tác nghiên cứu với những giảng viên khác trong trường. Khi phỏng vấn, mình đã xoáy sâu hỏi thêm lý do vì sao. Ngoài những lợi ích từ việc hợp tác nghiên cứu (research collaboration) mà rất nhiều nghiên cứu trước đó đã chỉ ra, người tham gia nghiên cứu của mình nhấn mạnh tác dụng “a sense of belonging”. Kết quả này rất quan trọng vì trường mình làm đa số các chương trình học online hoặc hybrid nên giảng viên ít có cơ hội gặp nhau trao đổi, chia sẻ kinh nghiệm. Việc cùng nhau làm một dự án nghiên cứu giúp họ có kết nối sâu sắc hơn trong môi trường online education đặc trưng của trường mình.

Vai trò của critical realism

Một phần thú vị của bài báo là đặt phương pháp này trong khung triết học critical realism. Critical realism cho rằng:

• Thực tại có nhiều tầng

• Không thể hiểu hoàn toàn bằng một phương pháp

• Cần nhiều cách tiếp cận

• Điều này rất phù hợp với mixed methods.

Hai khái niệm quan trọng:

• Abduction: Nhận ra những phát hiện mới/điều bất ngờ trong dữ liệu, vượt ngoài khung lý thuyết

• Retroduction: Điều chỉnh hoặc phát triển lý thuyết để giải thích điều đó.

Hybrid thematic analysis hỗ trợ cả hai quá trình này. Điều này cho phép nhà nghiên cứu không chỉ kiểm định lý thuyết mà còn tạo lý thuyết mới từ dữ liệu.

Khi nào nên dùng hybrid thematic analysis?

Phương pháp này đặc biệt hữu ích khi:

• Nghiên cứu có khung lý thuyết sẵn nhưng chưa đủ giải thích dữ liệu

• Cần kết hợp định tính – định lượng một cách thực sự tích hợp

• Mục tiêu là phát triển lý thuyết, không chỉ kiểm định

Những bài học rút ra cho nhà nghiên cứu

Bài báo này thực sự không có gì mới với mình vì tất cả các bài mixed-methods của mình đều có sự kết hợp khác nhau giữa dữ liệu định tính và định lượng, như mình nói lúc đầu là phụ thuộc vào approaches bạn chọn là gì. Nhưng sau khi đọc xong và nhìn lại trải nghiệm của mình, mình rút ra vài quan điểm quan trọng nếu bạn cân nhắc dùng mixed-methods cho nghiên cứu sắp tới của mình:

1. Đừng xem phân tích là bước cuối: Trong nhiều tài liệu phương pháp, phân tích thường được đặt sau thu thập dữ liệu như một bước kỹ thuật. Tuy nhiên, trong mixed methods, phân tích không chỉ là xử lý dữ liệu mà là quá trình tạo ra cái mới. Creswell và Plano Clark (2018) nhấn mạnh rằng integration không phải là bước bổ sung mà là trung tâm của mixed methods. Nếu integration không xảy ra trong phân tích, nghiên cứu sẽ trở thành hai nghiên cứu song song.

2. Không cần chọn giữa inductive và deductive: Truyền thống phương pháp luận thường đặt quy nạp và diễn dịch như hai lựa chọn đối lập. Tuy nhiên, trong thực hành nghiên cứu, hai logic này luôn tương tác. Nhiều nghiên cứu cho thấy việc kết hợp inductive và deductive coding làm tăng độ tin cậy và độ sâu của phân tích.

3. Integration bắt đầu từ phân tích: Một sai lầm phổ biến là xem integration như một phần trình bày trong bài viết. Thực chất, integration là một quá trình phân tích. Integration có thể xảy ra ở nhiều giai đoạn:

• thiết kế

• thu thập dữ liệu

• phân tích

• diễn giải

Nhưng integration sâu nhất xảy ra khi kết quả định tính được dùng để giải thích kết quả định lượng, hoặc ngược lại, hoặc kết hợp cả hai. Nếu integration chỉ xảy ra khi viết kết quả, nhà nghiên cứu chỉ có thể so sánh bề mặt. Integration ngay trong phân tích và buộc nhà nghiên cứu đặt hai loại dữ liệu cạnh nhau để tìm:

• điểm tương đồng

• điểm khác biệt

• ý nghĩa mới

4. Dữ liệu “không khớp” là cơ hội: Trong nhiều nghiên cứu, sự khác biệt giữa dữ liệu định tính và định lượng bị xem là vấn đề. Tuy nhiên, trong mixed methods, sự khác biệt này có thể là nguồn insight quan trọng.

5. Mixed methods là một cách nghĩ: Mixed methods thường được dạy như một thiết kế nghiên cứu (convergent, explanatory, exploratory). Nhưng ở mức sâu hơn, nó là một cách nhìn về tri thức (epistemology). Mixed methods dựa trên giả định rằng không có một phương pháp nào đủ để hiểu hiện tượng xã hội, nhà nghiên cứu cần nhiều góc nhìn và đối thoại giữa dữ liệu. Điều này dẫn đến một cách nhà nghiên cứu tư duy trong quá trình nghiên cứu một cách linh hoạt, phản tư, và chấp nhận sự phức tạp của hiện tượng. Nhà nghiên cứu mixed methods không chỉ thu thập hai loại dữ liệu mà còn suy nghĩ về cách dữ liệu tương tác, đặt câu hỏi về sự khác biệt, và tìm cách tích hợp với nhau.

Làm mixed-methods đôi khi giống như đứng giữa hai thế giới. Nếu không cẩn thận, bạn sẽ làm hai nghiên cứu riêng biệt trong một đề tài. Hybrid thematic analysis là một cách giúp hai thế giới đó thực sự gặp nhau. Đọc bài báo này mình cũng nhận ra là lý thuyết quan trọng, dữ liệu cũng rất quan trọng, nhưng quan trọng hơn cả là cách chúng ta để chúng kết hợp với nhau và tạo ra câu chuyện riêng của nó để xây dựng những hiểu biết mới về giáo dục, về người học, và về chính công việc nghiên cứu của chúng ta.