Cách tự kiểm tra khoảng trống về dữ liệu và minh chứng trong hồ sơ APEL.Q

Trong APEL.Q cho DBA, dữ liệu và minh chứng là phần giúp hồ sơ thoát khỏi trạng thái “tôi đã làm” để bước sang trạng thái “tôi có thể chứng minh điều đã làm bằng nghiên cứu”. Đây là khác biệt rất lớn. Một ứng viên có thể có nhiều kinh nghiệm quản trị, từng triển khai nhiều dự án, từng viết báo cáo hoặc từng tham gia các công trình chuyên môn. Tuy nhiên, nếu không có dữ liệu và minh chứng đủ rõ, hội đồng rất khó đánh giá giá trị học thuật của những kinh nghiệm đó.

Khoảng trống dữ liệu xuất hiện khi công trình cũ có ý tưởng, có vấn đề thực tiễn hoặc có kết quả, nhưng dữ liệu hỗ trợ chưa đủ mạnh. Khoảng trống minh chứng xuất hiện khi ứng viên có nêu tài liệu, kết quả hoặc vai trò cá nhân, nhưng chưa chứng minh được bằng tài liệu có thể kiểm tra. Trong APEL.Q, hai khoảng trống này thường đi cùng nhau: có thể có dữ liệu nhưng thiếu minh chứng nguồn gốc, hoặc có minh chứng tài liệu nhưng dữ liệu bên trong chưa đủ để phát triển thành luận án.

Theo Sekaran và Bougie (2016), dữ liệu trong nghiên cứu kinh doanh cần được thu thập và sử dụng theo một thiết kế rõ ràng để trả lời vấn đề nghiên cứu. Điều này có nghĩa là ứng viên không nên xem dữ liệu như tài liệu đính kèm, mà phải xem dữ liệu như nền tảng để xây dựng lập luận học thuật.

Dữ liệu và minh chứng không giống nhau

Trước khi tự kiểm tra, ứng viên cần phân biệt dữ liệu và minh chứng. Dữ liệu là thông tin được sử dụng để phân tích nghiên cứu. Đó có thể là câu trả lời khảo sát, nội dung phỏng vấn, chỉ số vận hành, báo cáo tài chính, phản hồi khách hàng, tài liệu nội bộ, dữ liệu học tập, dữ liệu nhân sự hoặc tài liệu quan sát.

Minh chứng là bằng chứng cho thấy dữ liệu, công trình hoặc vai trò của ứng viên là có thật, có nguồn gốc và có thể kiểm tra. Ví dụ, nếu ứng viên nói đã thực hiện khảo sát, dữ liệu là câu trả lời khảo sát; minh chứng có thể là bảng câu hỏi, file tổng hợp phản hồi, mô tả mẫu và thời gian khảo sát. Nếu ứng viên nói đã viết bài báo, dữ liệu có thể nằm trong bài báo; minh chứng là thông tin công bố, DOI, trang tạp chí hoặc thư chấp nhận. Nếu ứng viên nói đã chủ trì một dự án, dữ liệu có thể là kết quả dự án; minh chứng là quyết định phân công, biên bản nghiệm thu, báo cáo dự án hoặc xác nhận của tổ chức.

Trong hồ sơ APEL.Q, thiếu dữ liệu và thiếu minh chứng dẫn đến hai rủi ro khác nhau. Thiếu dữ liệu khiến nghiên cứu khó phát triển. Thiếu minh chứng khiến hội đồng khó xác nhận những gì ứng viên khai báo. Một hồ sơ mạnh cần cả hai: có dữ liệu đủ dùng và có minh chứng đủ tin cậy.

Câu hỏi 1: Dữ liệu đang trả lời câu hỏi nghiên cứu nào?

Ứng viên nên bắt đầu bằng câu hỏi rất đơn giản: dữ liệu này đang dùng để trả lời câu hỏi nghiên cứu nào? Nếu không trả lời được, dữ liệu có thể đang rời rạc hoặc chỉ mang tính minh hoạ.

Ví dụ, ứng viên có dữ liệu doanh thu ba năm gần nhất. Dữ liệu này chỉ có ý nghĩa nghiên cứu nếu được đặt vào một câu hỏi cụ thể, chẳng hạn: chiến lược chăm sóc khách hàng mới có ảnh hưởng thế nào đến tỷ lệ mua lại; sự thay đổi kênh bán hàng có tác động gì đến doanh thu; hoặc chuyển đổi số trong quy trình bán hàng tạo ra thay đổi nào trong hiệu quả kinh doanh. Nếu chỉ đưa dữ liệu doanh thu vào hồ sơ mà không gắn với câu hỏi nghiên cứu, dữ liệu đó chưa đủ tạo giá trị học thuật.

Tương tự, ứng viên có phản hồi của học viên về một chương trình đào tạo. Dữ liệu này có thể dùng để nghiên cứu trải nghiệm học tập, chất lượng dịch vụ đào tạo, hiệu quả hỗ trợ học viên hoặc quản trị chương trình. Tuy nhiên, mỗi hướng nghiên cứu sẽ cần cách tổ chức dữ liệu khác nhau. Vì vậy, dữ liệu mạnh không chỉ là dữ liệu tồn tại, mà là dữ liệu được kết nối đúng với câu hỏi nghiên cứu.

Câu hỏi 2: Dữ liệu có nguồn gốc rõ không?

Nguồn gốc dữ liệu là phần hội đồng thường xem rất kỹ. Ứng viên cần biết dữ liệu đến từ đâu, được thu thập khi nào, bởi ai, từ nhóm đối tượng nào, trong phạm vi nào và với mục đích gì. Nếu nguồn gốc không rõ, dữ liệu có thể bị xem là yếu, dù nội dung bên trong có vẻ hữu ích.

Với dữ liệu khảo sát, cần biết số người trả lời, cách tiếp cận người trả lời, thời gian khảo sát, câu hỏi khảo sát và cách lưu trữ dữ liệu. Với dữ liệu phỏng vấn, cần biết người tham gia là ai theo vai trò, tiêu chí chọn họ, thời lượng phỏng vấn, cách ghi nhận và cách xử lý dữ liệu. Với dữ liệu doanh nghiệp, cần biết phòng ban hoặc hệ thống nào cung cấp dữ liệu, giai đoạn dữ liệu, chỉ số được định nghĩa như thế nào và dữ liệu có được phép sử dụng cho nghiên cứu hay không.

Kumar (2019) nhấn mạnh rằng độ tin cậy của nghiên cứu phụ thuộc nhiều vào cách dữ liệu được thu thập và kiểm soát. Trong APEL.Q, ứng viên không chỉ cần có dữ liệu, mà cần mô tả được hành trình của dữ liệu từ nguồn gốc đến phân tích.

Câu hỏi 3: Dữ liệu có đủ trực tiếp không?

Không phải dữ liệu nào liên quan đến chủ đề cũng trực tiếp trả lời vấn đề nghiên cứu. Một số dữ liệu chỉ giúp mô tả bối cảnh. Một số dữ liệu hỗ trợ diễn giải. Một số dữ liệu mới là dữ liệu chính để trả lời câu hỏi nghiên cứu.

Ví dụ, nếu nghiên cứu về nguyên nhân nhân viên nghỉ việc, dữ liệu trực tiếp có thể là phỏng vấn nhân viên đã nghỉ, khảo sát mức độ gắn kết, dữ liệu nghỉ việc theo phòng ban, hoặc phản hồi từ quản lý trực tiếp. Trong khi đó, brochure công ty, sơ đồ tổ chức hoặc chính sách nhân sự chỉ là dữ liệu bối cảnh. Chúng có thể hữu ích, nhưng không đủ để trả lời nguyên nhân nghỉ việc.

Ứng viên nên phân loại dữ liệu thành ba nhóm: dữ liệu chính, dữ liệu hỗ trợ và dữ liệu bối cảnh. Nếu hồ sơ chỉ có dữ liệu bối cảnh mà thiếu dữ liệu chính, khoảng trống dữ liệu còn lớn. Nếu đã có dữ liệu chính nhưng thiếu dữ liệu hỗ trợ, ứng viên có thể bổ sung để phân tích sâu hơn.

Câu hỏi 4: Dữ liệu có đủ chiều sâu không?

Dữ liệu đủ chiều sâu là dữ liệu cho phép ứng viên phân tích nguyên nhân, cơ chế, mối quan hệ hoặc ý nghĩa phía sau hiện tượng. Dữ liệu mỏng thường chỉ cho biết hiện tượng tồn tại, nhưng không giúp giải thích vì sao.

Ví dụ, một khảo sát chỉ hỏi “anh/chị có hài lòng không?” sẽ cho dữ liệu rất mỏng nếu nghiên cứu muốn phân tích trải nghiệm khách hàng. Để có chiều sâu hơn, dữ liệu cần phản ánh các khía cạnh cụ thể như chất lượng tương tác, tốc độ phản hồi, độ tin cậy, cảm nhận giá trị, sự thuận tiện và khả năng tiếp tục sử dụng dịch vụ.

Với dữ liệu định tính, chiều sâu thể hiện ở mức độ phong phú của câu trả lời, khả năng đi vào trải nghiệm thật, mâu thuẫn, bối cảnh và lý do phía sau hành động. Theo Kvale và Brinkmann (2015), phỏng vấn nghiên cứu không chỉ là hỏi và ghi nhận câu trả lời, mà là quá trình tạo ra hiểu biết sâu về ý nghĩa của trải nghiệm. Vì vậy, nếu hồ sơ chỉ có vài nhận xét ngắn hoặc phản hồi chung chung, dữ liệu định tính có thể chưa đủ chiều sâu.

Câu hỏi 5: Dữ liệu có thể kiểm chứng ở mức phù hợp không?

Trong APEL.Q, ứng viên không nhất thiết phải công khai toàn bộ dữ liệu nhạy cảm. Tuy nhiên, dữ liệu cần có khả năng kiểm chứng ở mức phù hợp. Điều này đặc biệt quan trọng với dữ liệu doanh nghiệp, dữ liệu khách hàng, dữ liệu nhân sự hoặc dữ liệu tài chính.

Khả năng kiểm chứng có thể đến từ nhiều hình thức: file dữ liệu đã ẩn danh, bảng tổng hợp, báo cáo nội bộ, phụ lục khảo sát, bản ghi phỏng vấn đã mã hoá, thư xác nhận, biên bản dự án hoặc mô tả quy trình thu thập dữ liệu. Nếu ứng viên chỉ nêu “theo dữ liệu nội bộ” mà không có bất kỳ mô tả hoặc minh chứng nào, hội đồng sẽ khó đánh giá.

Silverman (2020) cho rằng trong nghiên cứu định tính, tính thuyết phục của kết quả phụ thuộc vào việc người nghiên cứu cho thấy dữ liệu được tạo ra và diễn giải như thế nào. Nguyên tắc này cũng áp dụng rộng hơn trong APEL.Q: kết quả không nên chỉ được khẳng định, mà cần có đường dẫn minh chứng hợp lý.

Câu hỏi 6: Dữ liệu có bị lệch hoặc thiếu nhóm quan trọng không?

Một khoảng trống dữ liệu thường gặp là dữ liệu bị lệch về một nhóm đối tượng. Ứng viên có thể chỉ có dữ liệu từ ban lãnh đạo, nhưng thiếu dữ liệu từ nhân viên. Hoặc chỉ có phản hồi từ khách hàng hài lòng, nhưng thiếu phản hồi từ khách hàng rời bỏ dịch vụ. Hoặc chỉ có dữ liệu từ một chi nhánh tốt, nhưng lại kết luận cho toàn hệ thống.

Dữ liệu bị lệch không nhất thiết làm nghiên cứu vô giá trị, nhưng ứng viên cần nhận diện và giới hạn kết luận. Nếu nghiên cứu về triển khai thay đổi tổ chức, việc chỉ phỏng vấn người thiết kế thay đổi có thể bỏ qua trải nghiệm của người chịu tác động. Nếu nghiên cứu về chất lượng dịch vụ, việc chỉ lấy phản hồi từ khách hàng đang sử dụng có thể bỏ qua lý do khách hàng đã rời đi.

Ứng viên nên tự hỏi: nhóm nào liên quan đến vấn đề nghiên cứu nhưng chưa có dữ liệu? Có cần bổ sung dữ liệu từ nhóm đó không? Nếu không thể bổ sung, giới hạn này ảnh hưởng thế nào đến kết luận?

Câu hỏi 7: Dữ liệu cũ có còn phù hợp không?

Dữ liệu cũ không tự động mất giá trị. Trong một số nghiên cứu DBA, dữ liệu cũ rất hữu ích vì giúp phân tích quá trình thay đổi theo thời gian. Tuy nhiên, ứng viên cần đánh giá xem dữ liệu cũ còn phù hợp với câu hỏi hiện tại hay không.

Nếu nghiên cứu liên quan đến công nghệ, hành vi khách hàng, thị trường hoặc quy định đang thay đổi nhanh, dữ liệu quá cũ có thể cần được cập nhật. Nếu nghiên cứu liên quan đến quá trình chuyển đổi tổ chức đã diễn ra trong quá khứ, dữ liệu cũ có thể là bằng chứng rất quan trọng. Vấn đề không phải dữ liệu bao nhiêu năm, mà là dữ liệu đó có còn trả lời được câu hỏi nghiên cứu hay không.

Ứng viên có thể xử lý dữ liệu cũ theo ba cách: dùng làm dữ liệu chính nếu nghiên cứu phân tích giai đoạn đó; dùng làm dữ liệu so sánh trước và sau; hoặc dùng làm bối cảnh lịch sử và bổ sung dữ liệu mới để cập nhật. Điều cần tránh là sử dụng dữ liệu cũ như thể nó phản ánh hiện trạng mới nhất mà không giải thích.

Câu hỏi 8: Dữ liệu có đủ điều kiện đạo đức và bảo mật không?

Dữ liệu trong DBA thường đến từ môi trường làm việc thật. Vì vậy, ứng viên cần kiểm tra quyền sử dụng, bảo mật và đạo đức nghiên cứu. Dữ liệu liên quan đến nhân viên, khách hàng, tài chính, chiến lược, hiệu suất hoặc hồ sơ nội bộ cần được xử lý cẩn trọng.

Ứng viên nên tự hỏi: dữ liệu này có được phép sử dụng cho nghiên cứu không? Có cần xin phép tổ chức không? Có cần ẩn danh người tham gia không? Có thông tin nào không nên đưa vào luận án không? Việc công bố kết quả có thể gây rủi ro cho cá nhân hoặc tổ chức nào không?

Orb, Eisenhauer và Wynaden (2001) nhấn mạnh rằng nghiên cứu liên quan đến con người cần chú ý đến quyền riêng tư, sự đồng thuận, nguy cơ tổn hại và trách nhiệm của người nghiên cứu. Với ứng viên DBA, điều này không chỉ là yêu cầu đạo đức, mà còn là yếu tố bảo vệ tính khả thi của luận án.

Câu hỏi 9: Minh chứng vai trò cá nhân đã đủ chưa?

Trong nhiều hồ sơ APEL.Q, dữ liệu hoặc công trình đến từ dự án nhóm. Ứng viên cần chứng minh vai trò cá nhân của mình trong việc tạo ra, xử lý hoặc sử dụng dữ liệu. Nếu không có minh chứng vai trò, hội đồng khó xác định năng lực nghiên cứu thực sự của ứng viên.

Ví dụ, một báo cáo tư vấn có thể do cả nhóm thực hiện. Ứng viên cần làm rõ mình phụ trách phần nào: thiết kế khảo sát, phỏng vấn, phân tích dữ liệu, viết báo cáo, xây dựng mô hình hay triển khai khuyến nghị. Với bài báo nhiều tác giả, cần làm rõ vai trò tác giả. Với dự án doanh nghiệp, cần phân biệt vai trò quản lý chung và vai trò nghiên cứu cụ thể.

Minh chứng vai trò cá nhân có thể là trang tác giả, thư xác nhận, phân công nhiệm vụ, email dự án, biên bản họp, bản thảo có ghi nhận đóng góp hoặc xác nhận của tổ chức. Đây là phần ứng viên thường xem nhẹ, nhưng lại rất quan trọng trong đánh giá APEL.Q.

Khi nào dữ liệu chỉ nên dùng làm minh hoạ?

Không phải dữ liệu nào cũng nên đưa vào làm nền tảng chính. Một số dữ liệu chỉ phù hợp để minh hoạ bối cảnh hoặc hỗ trợ diễn giải. Ví dụ, hình ảnh sự kiện, slide trình bày, bài viết truyền thông, nhận xét ngắn, email cảm ơn, tài liệu quảng bá hoặc thông tin mô tả chung thường không đủ để làm dữ liệu nghiên cứu chính.

Những tài liệu này vẫn có thể hữu ích. Chúng giúp người đọc hiểu bối cảnh, quy mô hoạt động hoặc sự tồn tại của một dự án. Tuy nhiên, ứng viên không nên dựa vào chúng để chứng minh kết quả nghiên cứu cốt lõi.

Một cách kiểm tra đơn giản là hỏi: nếu bỏ dữ liệu này ra, lập luận nghiên cứu có sụp đổ không? Nếu không, dữ liệu đó có thể chỉ là minh hoạ. Nếu có, dữ liệu đó là dữ liệu chính và cần được kiểm chứng chặt chẽ hơn.

Khi nào cần bổ sung dữ liệu?

Ứng viên cần bổ sung dữ liệu khi dữ liệu hiện tại không đủ trả lời câu hỏi nghiên cứu, thiếu nhóm đối tượng quan trọng, thiếu chiều sâu, thiếu khả năng kiểm chứng, hoặc không còn phù hợp với bối cảnh hiện tại. Việc bổ sung dữ liệu nên có mục tiêu rõ, không nên làm theo kiểu thu thập thêm cho nhiều.

Nếu nghiên cứu hiện có dữ liệu khảo sát nhưng chưa hiểu lý do phía sau kết quả, có thể bổ sung phỏng vấn. Nếu có dữ liệu nội bộ nhưng thiếu góc nhìn khách hàng, có thể bổ sung phản hồi khách hàng. Nếu có dữ liệu từ ban lãnh đạo nhưng thiếu dữ liệu từ nhân viên, có thể bổ sung nhóm chịu tác động. Nếu có dữ liệu cũ, có thể bổ sung dữ liệu mới để so sánh.

Theo Bazeley (2018), phân tích dữ liệu tốt đòi hỏi người nghiên cứu hiểu vai trò của từng nguồn dữ liệu và cách chúng hỗ trợ cho lập luận chung. Vì vậy, bổ sung dữ liệu không phải là gom thêm tài liệu, mà là lấp đúng khoảng trống trong lập luận nghiên cứu.

Kết luận

Khoảng trống về dữ liệu và minh chứng là một trong những điểm ứng viên APEL.Q cho DBA cần kiểm tra nghiêm túc. Một hồ sơ có kinh nghiệm tốt hoặc ý tưởng hay vẫn có thể yếu nếu dữ liệu không rõ nguồn gốc, không đủ trực tiếp, thiếu chiều sâu, khó kiểm chứng hoặc không có minh chứng vai trò cá nhân.

Ứng viên nên tự soi dữ liệu bằng những câu hỏi cụ thể: dữ liệu trả lời câu hỏi nghiên cứu nào, đến từ đâu, có đủ trực tiếp không, có đủ sâu không, có thể kiểm chứng không, có bị lệch không, có còn phù hợp không, có đảm bảo đạo đức và bảo mật không, và có chứng minh được vai trò cá nhân không.

Trong APEL.Q, dữ liệu không chỉ là phần đính kèm hồ sơ. Dữ liệu là nền móng của luận án DBA. Khi ứng viên hiểu rõ dữ liệu mình có, dữ liệu mình thiếu và minh chứng cần bổ sung, quá trình phát triển nghiên cứu cũ thành luận án Tiến sĩ ứng dụng sẽ thực tế và có khả năng bảo vệ học thuật cao hơn.

Tài liệu tham khảo

Bazeley, P. (2018). Integrating analyses in mixed methods research. SAGE Publications.

Kumar, R. (2019). Research methodology: A step-by-step guide for beginners (5th ed.). SAGE Publications.

Kvale, S., & Brinkmann, S. (2015). InterViews: Learning the craft of qualitative research interviewing (3rd ed.). SAGE Publications.

Orb, A., Eisenhauer, L., & Wynaden, D. (2001). Ethics in qualitative research. Journal of Nursing Scholarship, 33(1), 93–96.

Sekaran, U., & Bougie, R. (2016). Research methods for business: A skill-building approach (7th ed.). Wiley.

Silverman, D. (2020). Interpreting qualitative data (6th ed.). SAGE Publications.