5 bài học về nghiên cứu sau khi kết thúc một công việc bất ngờ

Cuối tháng 12/2020, tôi có chia sẻ một bài viết về một công việc bất ngờ, tôi nhận được khi đang loay hoay tìm kiếm tài chính cho luận văn tiến sỹ. Tôi tham gia dự án đó với vai trò là người thiết kế khảo sát chính ở Việt Nam. Nhóm dự án có tất cả 6 người, phụ trách thiết kế khảo sát cho nhiều quốc gia khác nhau ở Đông Nam Á. Để đảm bảo tính nhất quán giữa các khảo sát, nhóm chúng tôi trao đổi thường xuyên qua email, và họp qua Zoom một tuần một lần.

Thời gian trôi qua thật nhanh. Tôi chính thức hoàn thành nhiệm vụ của mình ở dự án vào tháng 6/2021. Khảo sát đã được thiết kế hoàn chỉnh, chúng tôi đã thu thập số liệu thử (pilot test) hai vòng, và tuần vừa rồi đã chính thức thu thập toàn bộ mẫu, với gần 2000 người trả lời.

Mấy tháng qua, tôi đã quan sát được nhiều điều thú vị liên quan đến làm việc nhóm đa văn hoá, và học được nhiều bài học hữu ích về thiết kế khảo sát và làm nghiên cứu. Xin chia sẻ với bạn về những bài học ấy trong bài viết hôm nay.

Bài học 1: Thiết kế lựa chọn câu trả lời cho câu hỏi khảo sát

Làm việc với các giáo sư và sinh viên đến từ các trường Đại học khác khiến tôi nhận ra rằng, có rất nhiều cách tiếp cận khác nhau khi thiết kế lựa chọn câu trả lời cho câu hỏi khảo sát. Bạn đã bao giờ tham gia khảo sát, và được yêu cầu trả lời một câu hỏi mà bạn đồng ý hay không đồng ý với điều gì đó ở mức độ nào đó? Loại câu hỏi đó được gọi là thang đo Likert. (Ví dụ thang đo Likert 5 bậc, trong đó 1 là “hoàn toàn không đồng ý”,  2 là “không đồng ý”, 3 là “không đồng ý cũng không phản đối”, 4 là “đồng ý,” và 5 là “hoàn toàn đồng ý”).

Một giáo sư rất có tiếng về survey experiments ở khoa tôi luôn khuyến khích chúng tôi dùng thang đo Likert 7 bậc, và có dán nhãn rõ ràng cho từng bậc. Cô luôn hạn chế dùng thang đo dưới 5 bậc. Cô giúp tôi thiết kế nhiều khảo sát nên tôi luôn nghĩ rằng đó là cách tiếp cận tốt nhất khi thiết kế trả lời cho câu hỏi khảo sát. (Và thật sự đến giờ, tôi cũng vẫn thích dùng Likert Scale 6-7 bậc).

Khi tham gia công việc bất ngờ này, tôi mới nhận ra rằng, không phải ai cũng thích dùng Likert Scale để đo ý kiến, nhận thức, và hành vi của người trả lời. Hai giáo sư trong nhóm dự án chỉ dùng thang 10, không dán nhãn cho mỗi bậc. Ví dụ, lựa chọn trả lời cho câu hỏi “Bạn đồng ý hay không đồng ý với nhận định ABC”, sẽ là từ 1 đến 10 trong đó 1 là “không đồng ý”, và 10 là “đồng ý”. Nhưng từ bậc 2 đến bậc 9 sẽ không dán nhãn gì. Người trả lời phải tự hiểu rằng, bậc càng cao thì mức độ đồng ý càng tăng lên.

Ban đầu tôi cảm thấy rất bối rối, không biết cách tiếp cận nào mới thật sự “đúng”, và hiệu quả. Nhưng dần dần tôi nhận ra rằng, sử dụng cách nào hoàn toàn phụ thuộc vào sở thích và lựa chọn của mỗi nhà nghiên cứu. Mỗi cách tiếp cận đều có điểm mạnh và điểm yếu riêng, và thật sự chưa có bài báo nào bị từ chối xuất bản vì bài nghiên cứu sử dụng Likert scale 7 bậc mà không sử dụng thang đo 10 bậc (không dán nhãn), và ngược lại!!

Bài học 2: Làm việc chuyện nghiệp và tỉ mẩn

Tôi luôn ấn tượng với môi trường khoa học ở Mỹ: cực kỳ chuyên nghiệp và năng động. Tính chuyên nghiệp được thể hiện rất rõ ở điểm các giáo sư luôn tỉ mẩn và cẩn thận với bài viết của mình. Ngoài ra, các giáo sư cũng rất minh bạch về quy trình nghiên cứu, và thu thập số liệu.

Tất nhiên không phải ai cũng vậy, tôi đã nghe nhiều chuyện liên quan đến làm giả số liệu hoặc ăn cắp ý tưởng. Phần lớn nếu bị phát hiện những nhà nghiên cứu này sẽ bị đuổi việc, và mãi mãi không thể quay về làm trong môi trường học thuật được nữa.

Là thành viên của nhóm nghiên cứu này, tôi học thêm được rất nhiều điều về sự chuyên nghiệp.

Đặc biệt, tôi học được rằng, thiết kế khảo sát rất cần sự tỉ mẩn về câu chữ, và cách diễn đạt, sao cho người trả lời hiểu được rõ ràng ý của câu hỏi. Có những buổi họp, chúng tôi chỉ tranh cãi về câu chữ, chẳng hạn, nên dùng “approve” hay “agree” cho câu hỏi X. Hai từ này khá giống nhau, nhưng cũng có sắc thái ý nghĩa khác nhau ít nhiều. Đau đầu hơn là, khi dịch sang tiếng Việt, làm thế nào để vẫn giữ được sắc thái trong tiếng Anh?

Chúng tôi cũng đi qua từng câu hỏi, và suy nghĩ xem cách hỏi này có khiến người trả lời hiểu lầm hoặc hiểu sai ý của nhà nghiên cứu không.

Sau mỗi lần pilot test (mẫu khoảng gần 200 người), chúng tôi lại ngồi chạy thử số liệu, và tỉ mẩn sửa từng câu chữ.

Bài học 3: Làm việc chuyên tâm và nỗ lực sẽ được đền đáp

Dù đây chỉ là một công việc ngắn hạn, nhưng ngay khi ký hợp đồng, tôi đã tự hứa sẽ cố gắng làm việc thật chuyên nghiệp, và nhiệt tình. Sau 7 tháng, những nỗ lực đó đã được đền đáp xứng đáng.

Giáo sư phụ trách dự án cho phép tôi được thêm câu hỏi của riêng mình vào khảo sát. Tôi có ý tưởng cho hai dự án, và đều chưa có số liệu. Thế là tôi nêu ý tưởng với các giáo sư trong nhóm, và bày tỏ mong muốn được thêm câu hỏi liên quan đến hai nghiên cứu này vào khảo sát. Thật may mắn, họ thấy ý tưởng thú vị, và chấp thuận các câu hỏi của tôi. Tôi rất háo hức chạy thử số liệu xem giả thuyết của mình liên quan đến hai ý tưởng này có đúng không.

Tôi sắp tốt nghiệp, và hi vọng sẽ tìm được vị trí nghiên cứu chuyên nghiệp ở một trường Đại học nào đó. Nhiều khi, tôi lo lắng liệu mình có bị cạn ý tưởng để viết, hoặc có ý tưởng nhưng lại không có số liệu  để phân tích không. (Haha). Nên bây giờ, trước khi ra trường, bất cứ khi nào ý tưởng đến tôi lại ngồi viết ra, và suy nghĩ xem mình cần số liệu thế nào cho nghiên cứu. Thật may mắn, vì tham gia dự án này, mà tôi đã có số liệu cho hai dự án nhỏ để viết trong tương lai!

Ngoài ra, các giáo sư cũng đồng ý viết thư giới thiệu khi tôi đi xin việc. Năm thứ nhất, tôi luôn căng thẳng về vấn đề xin thư giới thiệu của giáo sư ngoài trường. Và thật may, tôi đã có thư giới thiệu ấy một cách tình cờ và bất ngờ!

Bài học 4: Kỹ năng mềm và kỹ năng cứng

Nhiều người cho rằng, kỹ năng mềm quan trọng hơn kỹ năng cứng. Nhưng sau mấy năm học PhD, và đặc biệt sau khi tham gia dự án này, tôi nhận thấy, trước khi có kỹ năng mềm, ta phải trang bị cho mình những kỹ năng cứng (hard skills).

Tôi thấy rất may mắn, vì mình được đào tạo chuyên nghiệp về xác xuất thống kê, phân tích số liệu, thiết kế khảo sát, và viết lách. Tôi nghĩ rằng, trong thời buổi “big data” hiện nay, những kỹ năng liên quan đến phân tích số liệu cực kỳ quan trọng và có ích. Những kỹ năng này không chỉ mở rộng cơ hội nghề nghiệp, mà còn dạy tôi cách tư duy logic, và cách nhìn nhận những sự kiện hiện tượng xảy ra xung quanh mình một cách sâu sắc hơn. Thật sự, lối tư duy của tôi như được “cách mạng hoá” sau khi được dạy những kỹ năng liên quan đến phân tích số liệu!

Bài học 5: Học từ những nghiên cứu sinh đến từ các trường Đại học khác

Trong nhóm nghiên cứu, tôi làm việc với 4 bạn nghiên cứu sinh đến từ 4 trường Đại học khác. Tôi rất vui vì được học nhiều điều thú vị từ các bạn. Có mấy bạn code giỏi, nên thỉnh thoảng tôi cũng “xin” code của bạn để học hỏi.

Ai cũng biết, ở mức độ PhD, ta không cạnh tranh với bạn bè trong khoa, mà cạnh tranh với các nghiên cứu sinh đến từ các trường Đại học khác. Tôi coi các bạn trong nhóm vừa là đồng nghiệp, vừa là…đối thủ cạnh tranh tiềm năng. (Haha). Tôi thường để ý xem các bạn đang làm nghiên cứu gì, có điểm mạnh gì, đã có những thành tích gì trong nghiên cứu. Thế rồi, tôi xem mình có thể học hỏi gì từ các bạn, và cần phải cải thiện những hạn chế gì!

Tôi thấy rất may mắn vì đã nhận được công việc này!

Cảm ơn bạn đã ghé đọc blog. Chúc bạn tuần mới thật nhiều niềm vui!

Trương Thanh Mai

Nếu bạn thấy các bài viết trên blog hữu ích, hãy subscribe email để nhận thông tin về bài viết mới hàng tuần

THEO DÕI BLOG QUA EMAIL

Join 1,917 other subscribers

Leave a Reply