Cách trình bày giới hạn dữ liệu một cách chuyên nghiệp trong luận án DBA

Trong luận án DBA theo lộ trình APEL.Q, dữ liệu thường đến từ môi trường thực tế: doanh nghiệp, tổ chức giáo dục, dự án tư vấn, hệ thống LMS, CRM, dữ liệu khách hàng, phản hồi nhân viên, phỏng vấn nhà quản lý hoặc báo cáo vận hành. Đây là lợi thế lớn vì nghiên cứu DBA cần gắn với vấn đề thật, bối cảnh thật và dữ liệu có giá trị ứng dụng.

Tuy nhiên, dữ liệu thực tế hiếm khi hoàn hảo. Ứng viên có thể gặp giới hạn về kích thước mẫu, quyền truy cập, tính đầy đủ của dữ liệu, độ nhạy cảm của thông tin, thời gian thu thập, phạm vi tổ chức, khả năng khái quát hoặc chất lượng dữ liệu cũ. Nếu không trình bày rõ, những giới hạn này có thể trở thành điểm yếu khi hội đồng phản biện.

Điều quan trọng là giới hạn dữ liệu không nhất thiết làm luận án yếu. Một nghiên cứu trưởng thành không phải là nghiên cứu không có giới hạn, mà là nghiên cứu hiểu rõ dữ liệu của mình cho phép kết luận đến đâu. Theo Maxwell (2013), người nghiên cứu cần nhận diện các nguy cơ ảnh hưởng đến tính hợp lệ của nghiên cứu và trình bày cách những nguy cơ đó được quản lý. Với APEL.Q cho DBA, trình bày giới hạn dữ liệu một cách chuyên nghiệp là dấu hiệu của sự trung thực và năng lực học thuật.

Giới hạn dữ liệu là gì?

Giới hạn dữ liệu là những yếu tố làm cho dữ liệu không thể trả lời mọi câu hỏi, không thể đại diện cho mọi bối cảnh hoặc không thể hỗ trợ những kết luận quá rộng. Giới hạn có thể đến từ cách dữ liệu được thu thập, đối tượng tham gia, bối cảnh tổ chức, thời điểm nghiên cứu, quyền sử dụng dữ liệu hoặc bản chất của dữ liệu.

Ví dụ, một nghiên cứu dựa trên phỏng vấn 12 nhân viên trong một doanh nghiệp có thể giúp hiểu sâu trải nghiệm của nhóm nhân viên đó, nhưng không thể khẳng định chắc chắn rằng mọi doanh nghiệp trong ngành đều gặp vấn đề giống hệt. Một nghiên cứu sử dụng dữ liệu LMS của một chương trình DBA online có thể rất hữu ích cho việc quản trị học viên trong chương trình đó, nhưng cần thận trọng khi áp dụng cho các chương trình khác có thiết kế học tập khác.

Giới hạn dữ liệu không phải là lời xin lỗi. Nó là phần giúp người đọc hiểu phạm vi đúng của phát hiện.

Vì sao cần trình bày giới hạn dữ liệu?

Ứng viên cần trình bày giới hạn dữ liệu vì ba lý do.

Thứ nhất, giới hạn giúp bảo vệ tính trung thực học thuật. Không có dữ liệu nào đủ để trả lời mọi thứ. Khi ứng viên nêu rõ giới hạn, hội đồng sẽ thấy ứng viên hiểu rõ phạm vi nghiên cứu của mình.

Thứ hai, giới hạn giúp bảo vệ kết luận. Nếu dữ liệu chỉ đến từ một tổ chức, kết luận nên được viết trong bối cảnh tổ chức đó hoặc các bối cảnh tương đồng. Nếu ứng viên khẳng định quá rộng, hội đồng có thể phản biện rằng dữ liệu không đủ để hỗ trợ.

Thứ ba, giới hạn giúp định hướng nghiên cứu tiếp theo. Một giới hạn được trình bày tốt có thể mở ra hướng phát triển sau DBA, chẳng hạn mở rộng mẫu, so sánh nhiều tổ chức, kiểm định mô hình trong ngành khác hoặc bổ sung dữ liệu định lượng.

Theo Bryman (2016), nghiên cứu xã hội và quản trị cần trình bày rõ phạm vi dữ liệu và các điều kiện ảnh hưởng đến diễn giải kết quả. Điều này đặc biệt đúng với DBA, vì nghiên cứu thường xuất phát từ một bối cảnh thực tiễn cụ thể.

Giới hạn về phạm vi tổ chức

Một trong những giới hạn phổ biến nhất trong DBA là dữ liệu đến từ một tổ chức, một dự án hoặc một chương trình cụ thể. Đây không phải là vấn đề nếu luận án được thiết kế như nghiên cứu tình huống hoặc nghiên cứu ứng dụng trong bối cảnh cụ thể. Tuy nhiên, ứng viên cần trình bày rõ phạm vi này.

Ví dụ, nếu nghiên cứu về quản trị trải nghiệm học viên trong một chương trình trực tuyến, ứng viên nên nói rõ dữ liệu đến từ chương trình đó, trong giai đoạn đó, với nhóm học viên đó. Kết quả có thể có giá trị tham khảo cho các chương trình tương đồng, nhưng không nên khẳng định áp dụng cho toàn bộ giáo dục trực tuyến.

Cách viết chưa chuyên nghiệp là: “Mô hình này có thể áp dụng cho tất cả các cơ sở đào tạo trực tuyến.”
Cách viết chuyên nghiệp hơn là: “Mô hình được phát triển từ dữ liệu của một chương trình trực tuyến cụ thể và có thể là cơ sở tham khảo cho các chương trình có đặc điểm tương đồng về cấu trúc học tập, hệ thống hỗ trợ và nhóm người học.”

Cách viết thứ hai vừa bảo vệ đóng góp, vừa không vượt quá dữ liệu.

Giới hạn về kích thước mẫu

Kích thước mẫu là giới hạn thường gặp trong phỏng vấn, khảo sát hoặc nghiên cứu tình huống. Một số ứng viên lo rằng mẫu nhỏ sẽ làm luận án yếu. Thực tế, mẫu nhỏ không tự động làm nghiên cứu yếu nếu phương pháp phù hợp và dữ liệu đủ sâu.

Trong nghiên cứu định tính, mục tiêu thường không phải là đại diện thống kê, mà là hiểu sâu trải nghiệm, quá trình, ý nghĩa hoặc cơ chế. Vì vậy, ứng viên cần giải thích vì sao số lượng người tham gia phù hợp với mục tiêu nghiên cứu, nhóm người tham gia được chọn theo tiêu chí nào và dữ liệu thu được có đủ chiều sâu ra sao.

Trong nghiên cứu định lượng, kích thước mẫu có ảnh hưởng mạnh hơn đến khả năng phân tích và khái quát. Nếu mẫu nhỏ, ứng viên cần tránh sử dụng các kỹ thuật thống kê vượt quá khả năng dữ liệu. Có thể trình bày kết quả như phân tích mô tả hoặc dữ liệu khám phá, thay vì khẳng định quan hệ nhân quả mạnh.

Theo Vasileiou, Barnett, Thorpe và Young (2018), trong nghiên cứu định tính, sự phù hợp của mẫu cần được đánh giá dựa trên mục tiêu nghiên cứu, tính phong phú của dữ liệu và logic chọn mẫu, không chỉ dựa trên số lượng người tham gia.

Giới hạn về dữ liệu cũ trong APEL.Q

Trong APEL.Q, ứng viên thường sử dụng dữ liệu đã có từ trước. Đây là lợi thế, nhưng cũng tạo ra giới hạn. Dữ liệu cũ có thể được thu thập cho mục tiêu ban đầu khác với câu hỏi DBA hiện tại. Dữ liệu cũ có thể thiếu một số biến, thiếu một số câu hỏi hoặc không còn đầy đủ bản gốc.

Ứng viên cần trình bày rõ dữ liệu cũ được sử dụng như thế nào. Nếu dữ liệu cũ chỉ dùng làm bối cảnh, cần nói rõ. Nếu dữ liệu cũ được phân tích lại theo khung lý thuyết mới, cần giải thích quy trình phân tích lại. Nếu dữ liệu cũ được kết hợp với dữ liệu mới, cần nêu rõ vai trò của từng nhóm dữ liệu.

Ví dụ: “Dữ liệu khảo sát năm 2022 được thu thập trước khi đề tài DBA được tái cấu trúc, nên không bao phủ toàn bộ các khía cạnh của mô hình hỗ trợ học viên. Vì vậy, nghiên cứu bổ sung phỏng vấn học viên và đội ngũ hỗ trợ nhằm làm rõ các yếu tố không được phản ánh đầy đủ trong dữ liệu khảo sát ban đầu.”

Cách viết này rất tốt vì thừa nhận giới hạn và cho thấy cách xử lý.

Giới hạn về quyền truy cập dữ liệu

Nhiều luận án DBA gặp giới hạn vì dữ liệu nội bộ không thể truy cập đầy đủ. Ví dụ, doanh nghiệp không cho phép dùng dữ liệu tài chính chi tiết, không cho phép công bố dữ liệu khách hàng, hoặc chỉ cho phép dùng dữ liệu tổng hợp. Đây là giới hạn bình thường trong nghiên cứu ứng dụng.

Ứng viên cần trình bày rõ giới hạn này trong chương phương pháp hoặc phần giới hạn nghiên cứu. Đồng thời, cần giải thích cách nghiên cứu đã thích ứng: dùng dữ liệu tổng hợp, dùng dữ liệu đã ẩn danh, bổ sung phỏng vấn, sử dụng tài liệu công khai hoặc thu hẹp phạm vi kết luận.

Cách viết không nên là: “Do không có dữ liệu chi tiết, nghiên cứu bị hạn chế.”
Cách viết tốt hơn là: “Do yêu cầu bảo mật của tổ chức, nghiên cứu không sử dụng dữ liệu tài chính chi tiết theo từng khách hàng. Thay vào đó, phân tích dựa trên dữ liệu tổng hợp theo giai đoạn và dữ liệu phỏng vấn đã ẩn danh. Điều này giới hạn khả năng phân tích ở cấp độ từng khách hàng, nhưng vẫn cho phép nghiên cứu đánh giá xu hướng quản trị ở cấp độ quy trình.”

Cách viết này cho thấy giới hạn và cách kiểm soát giới hạn.

Giới hạn về tính đại diện

Tính đại diện là vấn đề thường gặp nếu nghiên cứu chỉ dựa trên một nhóm người tham gia, một phòng ban, một chương trình hoặc một loại khách hàng. Ứng viên cần thận trọng khi viết kết luận.

Nếu dữ liệu đến từ nhóm học viên đã hoàn thành chương trình, kết quả có thể chưa phản ánh đầy đủ trải nghiệm của nhóm đã bỏ học. Nếu dữ liệu đến từ nhà quản lý, kết quả có thể thiếu góc nhìn của nhân viên tuyến đầu. Nếu dữ liệu đến từ khách hàng trung thành, kết quả có thể chưa phản ánh khách hàng không quay lại.

Ứng viên cần ghi rõ nhóm nào đã được phản ánh trong dữ liệu và nhóm nào chưa được phản ánh đầy đủ. Sau đó, có thể đề xuất nghiên cứu tiếp theo bổ sung nhóm còn thiếu.

Theo Patton (2015), nghiên cứu định tính có thể chọn mẫu theo mục đích để hiểu sâu một hiện tượng, nhưng người nghiên cứu cần minh bạch về logic chọn mẫu và phạm vi diễn giải. Đây là nguyên tắc rất phù hợp khi trình bày giới hạn dữ liệu trong DBA.

Giới hạn về thời gian thu thập dữ liệu

Dữ liệu được thu thập trong một giai đoạn cụ thể. Vì vậy, kết quả có thể phản ánh bối cảnh tại thời điểm đó. Với các chủ đề như chuyển đổi số, trải nghiệm khách hàng, hành vi học viên hoặc quản trị nhân sự, bối cảnh có thể thay đổi rất nhanh.

Ví dụ, dữ liệu về mức độ chấp nhận hệ thống CRM trong ba tháng đầu triển khai có thể phản ánh giai đoạn thích nghi ban đầu, chưa phản ánh trạng thái sử dụng ổn định sau một năm. Dữ liệu về học viên online trong một học kỳ có thể chịu ảnh hưởng bởi lịch học, thay đổi giảng viên, công nghệ hoặc điều kiện thị trường tại thời điểm đó.

Ứng viên nên ghi rõ thời gian dữ liệu được thu thập và giới hạn diễn giải theo giai đoạn. Nếu cần, có thể đề xuất nghiên cứu theo chiều dọc trong tương lai để kiểm tra sự thay đổi theo thời gian.

Giới hạn về phương pháp thu thập dữ liệu

Mỗi phương pháp đều có giới hạn. Khảo sát có thể thu thập được nhiều phản hồi nhưng khó hiểu sâu lý do phía sau. Phỏng vấn giúp hiểu sâu nhưng số lượng thường hạn chế. Dữ liệu hệ thống như LMS hoặc CRM cho thấy hành vi, nhưng không luôn giải thích được động cơ. Báo cáo nội bộ có thể giàu bối cảnh nhưng có thể thiên về góc nhìn của tổ chức.

Ứng viên cần trình bày giới hạn phương pháp một cách cân bằng. Không nên làm giảm giá trị phương pháp mình chọn, nhưng cũng không nên giả vờ phương pháp không có điểm yếu.

Ví dụ: “Dữ liệu LMS cho phép nghiên cứu theo dõi mức độ tham gia của học viên thông qua hành vi đăng nhập và hoàn thành nhiệm vụ. Tuy nhiên, dữ liệu này không giải thích đầy đủ lý do cá nhân phía sau việc giảm tương tác. Vì vậy, nghiên cứu bổ sung phỏng vấn để làm rõ trải nghiệm và khó khăn của học viên.”

Cách trình bày này rất chuyên nghiệp vì cho thấy sự kết hợp dữ liệu có chủ đích.

Giới hạn về thiên lệch của người nghiên cứu

Trong DBA, ứng viên có thể là người trong tổ chức, người quản lý dự án hoặc người có liên quan trực tiếp đến vấn đề nghiên cứu. Đây là lợi thế vì ứng viên hiểu sâu bối cảnh, nhưng cũng tạo ra nguy cơ thiên lệch.

Ứng viên có thể có giả định sẵn về nguyên nhân vấn đề, có lợi ích trong việc chứng minh dự án thành công, hoặc có quan hệ quyền lực với người tham gia. Vì vậy, cần trình bày cách nghiên cứu giảm thiểu thiên lệch: sử dụng nhiều nguồn dữ liệu, đối chiếu dữ liệu, ẩn danh phản hồi, ghi nhận dữ liệu trái chiều, hoặc mời phản biện độc lập đọc phân tích.

Theo Berger (2015), phản tư về vị trí của người nghiên cứu là yếu tố quan trọng trong nghiên cứu định tính, đặc biệt khi người nghiên cứu có liên hệ gần với bối cảnh nghiên cứu. Với DBA, phản tư giúp luận án đáng tin hơn, không yếu hơn.

Cách viết giới hạn mà không làm luận án yếu đi

Nhiều ứng viên sợ viết giới hạn vì nghĩ rằng hội đồng sẽ đánh giá luận án yếu. Thực tế, không viết giới hạn mới tạo rủi ro lớn hơn. Vấn đề là phải viết giới hạn theo cách chuyên nghiệp.

Một cấu trúc tốt gồm ba phần: nêu giới hạn, giải thích tác động của giới hạn, và nêu cách nghiên cứu đã xử lý hoặc phạm vi diễn giải phù hợp.

Ví dụ: “Nghiên cứu được thực hiện trong một tổ chức giáo dục trực tuyến cụ thể, vì vậy kết quả không nhằm khái quát cho toàn bộ lĩnh vực giáo dục trực tuyến. Tuy nhiên, việc phân tích sâu một trường hợp cho phép nghiên cứu làm rõ cơ chế hỗ trợ học viên trong bối cảnh chương trình có cấu trúc học tập linh hoạt. Các phát hiện có thể được tham khảo bởi các tổ chức có đặc điểm tương đồng.”

Cách viết này không làm luận án yếu. Nó làm cho đóng góp rõ phạm vi hơn.

Cách liên kết giới hạn với hướng nghiên cứu tiếp theo

Sau khi nêu giới hạn, ứng viên nên đề xuất hướng nghiên cứu tiếp theo. Đây là cách biến giới hạn thành cơ hội phát triển.

Nếu giới hạn là nghiên cứu chỉ thực hiện trong một tổ chức, hướng tiếp theo có thể là so sánh nhiều tổ chức. Nếu giới hạn là dữ liệu phỏng vấn chưa đủ nhóm khách hàng, nghiên cứu tiếp theo có thể bổ sung nhóm khách hàng không quay lại. Nếu giới hạn là dữ liệu chỉ trong giai đoạn đầu triển khai, nghiên cứu tiếp theo có thể dùng dữ liệu theo chiều dọc. Nếu giới hạn là dữ liệu định tính, nghiên cứu tiếp theo có thể kiểm định mô hình bằng khảo sát rộng hơn.

Cách viết này cho thấy ứng viên hiểu công trình của mình nằm trong một quá trình phát triển tri thức, không phải là câu trả lời cuối cùng cho mọi bối cảnh.

Những lỗi thường gặp khi trình bày giới hạn dữ liệu

Lỗi thứ nhất là không trình bày giới hạn. Điều này khiến luận án có vẻ thiếu tự nhận thức học thuật.

Lỗi thứ hai là trình bày giới hạn quá tiêu cực, như thể nghiên cứu không còn giá trị. Giới hạn cần được viết cân bằng.

Lỗi thứ ba là nêu giới hạn nhưng không giải thích tác động. Người đọc cần biết giới hạn ảnh hưởng đến kết luận như thế nào.

Lỗi thứ tư là nêu giới hạn nhưng vẫn kết luận quá rộng. Nếu dữ liệu chỉ từ một tổ chức, không nên kết luận cho toàn ngành.

Lỗi thứ năm là dùng giới hạn như lời biện hộ cho phương pháp yếu. Giới hạn cần đi kèm cách kiểm soát hoặc phạm vi diễn giải hợp lý.

Lỗi thứ sáu là quên liên kết giới hạn với hướng nghiên cứu tiếp theo.

Kết luận

Trình bày giới hạn dữ liệu là một phần quan trọng trong luận án DBA theo lộ trình APEL.Q. Dữ liệu thực tế thường có giới hạn về phạm vi, kích thước mẫu, quyền truy cập, tính đại diện, thời gian, phương pháp và vị trí của người nghiên cứu. Những giới hạn này không làm mất giá trị của luận án nếu được nhận diện và trình bày một cách học thuật.

Ứng viên cần viết giới hạn theo cách chuyên nghiệp: nêu giới hạn, giải thích tác động, trình bày cách kiểm soát và xác định phạm vi kết luận phù hợp. Một luận án DBA mạnh không phải là luận án khẳng định quá mức, mà là luận án biết rõ dữ liệu của mình nói được gì, chưa nói được gì và có thể phát triển tiếp theo hướng nào.

Trong APEL.Q, sự minh bạch về giới hạn dữ liệu giúp hội đồng thấy ứng viên có năng lực nghiên cứu trưởng thành, biết sử dụng dữ liệu thực tiễn một cách có trách nhiệm và biết bảo vệ đóng góp trong phạm vi hợp lý.

Tài liệu tham khảo

Berger, R. (2015). Now I see it, now I don’t: Researcher’s position and reflexivity in qualitative research. Qualitative Research, 15(2), 219–234.

Bryman, A. (2016). Social research methods (5th ed.). Oxford University Press.

Maxwell, J. A. (2013). Qualitative research design: An interactive approach (3rd ed.). SAGE Publications.

Patton, M. Q. (2015). Qualitative research & evaluation methods (4th ed.). SAGE Publications.

Vasileiou, K., Barnett, J., Thorpe, S., & Young, T. (2018). Characterising and justifying sample size sufficiency in interview-based studies: Systematic analysis of qualitative health research over a 15-year period. BMC Medical Research Methodology, 18, 148.