Tiêu chí đánh giá phương pháp nghiên cứu trong hồ sơ APEL.Q

Trong hồ sơ APEL.Q cho DBA, phương pháp nghiên cứu là một trong những phần quyết định chất lượng học thuật của công trình trước đó. Nhiều ứng viên có kinh nghiệm thực tiễn rất mạnh, có đề tài hay, có dữ liệu phong phú, thậm chí có kết quả ứng dụng rõ ràng. Tuy nhiên, nếu phương pháp nghiên cứu không được trình bày rõ, hội đồng vẫn khó đánh giá công trình đó có thể phát triển thành luận án DBA hay không.

Phương pháp nghiên cứu không chỉ trả lời câu hỏi “ứng viên đã làm gì?”, mà còn trả lời câu hỏi “ứng viên đã tạo ra kết quả nghiên cứu bằng cách nào?”. Đây là điểm rất quan trọng. Một kết quả quản trị có thể hữu ích trong doanh nghiệp, song để trở thành nền tảng cho DBA, kết quả đó cần được tạo ra hoặc ít nhất được phân tích lại bằng một quy trình nghiên cứu có thể giải thích, kiểm tra và bảo vệ về mặt học thuật.

Trong nghiên cứu quản trị, sự phù hợp giữa câu hỏi nghiên cứu, thiết kế nghiên cứu, dữ liệu và phương pháp phân tích là điều kiện quan trọng để tạo ra kết quả có giá trị (Easterby-Smith et al., 2021). Vì vậy, khi hội đồng đánh giá hồ sơ APEL.Q, họ không chỉ nhìn vào chủ đề hoặc thành quả cuối cùng, mà sẽ xem toàn bộ logic nghiên cứu phía sau công trình.

Phương pháp nghiên cứu không phải là phần hình thức

Một hiểu lầm phổ biến là phương pháp nghiên cứu chỉ là phần trình bày thêm cho đúng mẫu học thuật. Thực tế, phương pháp là xương sống của công trình nghiên cứu. Nếu thiếu phương pháp, người đánh giá không thể biết kết quả được tạo ra từ dữ liệu thật, từ phân tích có hệ thống hay chỉ từ kinh nghiệm và nhận định cá nhân.

Trong APEL.Q, phương pháp giúp hội đồng đánh giá ba vấn đề. Thứ nhất, công trình cũ có thật sự là nghiên cứu hay chỉ là báo cáo thực tiễn. Thứ hai, kết quả của công trình có đáng tin cậy hay không. Thứ ba, công trình đó có thể được nâng cấp thành luận án DBA hay không.

Ví dụ, một ứng viên trình bày rằng dự án của mình đã cải thiện hiệu quả vận hành của doanh nghiệp. Nếu không có phương pháp, hội đồng khó biết sự cải thiện đó được đo bằng gì, so sánh với mốc nào, dữ liệu thu thập ra sao, yếu tố nào ảnh hưởng đến kết quả và kết luận có hợp lý không. Ngược lại, nếu ứng viên trình bày rõ cách thu thập dữ liệu trước và sau dự án, chỉ số đánh giá, cách phân tích và giới hạn của dữ liệu, hồ sơ sẽ có cơ sở học thuật tốt hơn.

Hội đồng xem xét sự phù hợp giữa câu hỏi nghiên cứu và phương pháp

Tiêu chí đầu tiên khi đánh giá phương pháp là sự phù hợp giữa câu hỏi nghiên cứu và phương pháp được sử dụng. Không có phương pháp nào tốt trong mọi trường hợp. Một phương pháp chỉ phù hợp khi nó giúp trả lời đúng câu hỏi nghiên cứu.

Nếu câu hỏi nghiên cứu nhằm đo lường mối quan hệ giữa các biến, nghiên cứu định lượng có thể phù hợp. Nếu câu hỏi nghiên cứu nhằm hiểu trải nghiệm, quan điểm, quá trình ra quyết định hoặc cách tổ chức thay đổi, nghiên cứu định tính có thể phù hợp hơn. Nếu câu hỏi cần vừa đo lường xu hướng vừa giải thích nguyên nhân, phương pháp hỗn hợp có thể được cân nhắc.

Ví dụ, nếu ứng viên muốn nghiên cứu tác động của phong cách lãnh đạo đến mức độ gắn kết nhân viên, phương pháp khảo sát định lượng có thể phù hợp nếu có thang đo, mẫu và cách phân tích rõ ràng. Tuy nhiên, nếu ứng viên muốn hiểu vì sao nhân viên phản ứng khác nhau với một chương trình thay đổi tổ chức, phỏng vấn sâu hoặc nghiên cứu tình huống có thể phù hợp hơn.

Theo Bryman (2016), lựa chọn phương pháp cần xuất phát từ bản chất của câu hỏi nghiên cứu, không nên chọn phương pháp chỉ vì nó quen thuộc hoặc dễ triển khai. Đây là một điểm hội đồng thường chú ý trong APEL.Q: phương pháp có thật sự phục vụ câu hỏi nghiên cứu hay không.

Thiết kế nghiên cứu cần được mô tả đủ rõ

Một lỗi thường gặp là ứng viên chỉ ghi tên phương pháp, chẳng hạn “nghiên cứu định tính”, “khảo sát”, “phỏng vấn”, “phân tích dữ liệu thứ cấp” hoặc “nghiên cứu tình huống”, nhưng không mô tả thiết kế nghiên cứu. Việc gọi tên phương pháp là chưa đủ.

Thiết kế nghiên cứu cần cho thấy toàn bộ cách công trình được tổ chức. Ứng viên cần mô tả bối cảnh nghiên cứu, đối tượng nghiên cứu, đơn vị phân tích, nguồn dữ liệu, quy trình thu thập dữ liệu, cách phân tích và giới hạn nghiên cứu. Nếu là nghiên cứu tình huống, cần nói rõ trường hợp được chọn là gì và vì sao. Nếu là khảo sát, cần nói rõ nhóm người trả lời là ai và mẫu được chọn thế nào. Nếu là phỏng vấn, cần nói rõ người tham gia được chọn theo tiêu chí nào và dữ liệu được xử lý ra sao.

Trong APEL.Q, hội đồng không kỳ vọng mọi công trình cũ đều hoàn hảo. Tuy nhiên, họ cần thấy ứng viên hiểu công trình của mình đã được thiết kế như thế nào. Nếu thiết kế cũ còn thiếu, ứng viên nên nhận diện rõ phần thiếu đó để có thể bổ sung trong lộ trình DBA.

Phương pháp định lượng: Không chỉ là có số liệu

Nhiều ứng viên cho rằng chỉ cần có số liệu là nghiên cứu đã mang tính định lượng. Đây là cách hiểu chưa đủ. Phương pháp định lượng không chỉ là việc đưa số vào báo cáo, mà là việc sử dụng dữ liệu số theo một thiết kế nghiên cứu có mục tiêu, biến số, công cụ đo lường và kỹ thuật phân tích phù hợp.

Nếu ứng viên khai báo nghiên cứu định lượng trong bảng APEL.Q, cần làm rõ một số điểm. Nghiên cứu đo lường điều gì? Các biến được xác định ra sao? Dữ liệu được thu thập từ ai? Cỡ mẫu bao nhiêu? Công cụ khảo sát hoặc bộ dữ liệu có nguồn gốc thế nào? Dữ liệu được phân tích bằng thống kê mô tả, tương quan, hồi quy, so sánh nhóm hay kỹ thuật nào khác?

Một báo cáo có nhiều bảng số liệu kinh doanh chưa chắc là nghiên cứu định lượng nếu không có câu hỏi nghiên cứu và cách phân tích rõ. Ví dụ, báo cáo doanh thu theo tháng là dữ liệu quản trị. Nó chỉ trở thành một phần của nghiên cứu khi được sử dụng để trả lời một câu hỏi cụ thể, chẳng hạn tác động của thay đổi quy trình bán hàng đến hiệu quả doanh thu hoặc mối liên hệ giữa chất lượng dịch vụ và tỷ lệ khách hàng quay lại.

Theo Field (2018), phân tích định lượng đòi hỏi người nghiên cứu hiểu dữ liệu, giả định phân tích và cách diễn giải kết quả. Vì vậy, trong APEL.Q, hội đồng sẽ không chỉ xem ứng viên có số liệu hay không, mà xem số liệu đó được sử dụng như thế nào.

Phương pháp định tính: Không chỉ là kể lại ý kiến

Với nghiên cứu định tính, lỗi thường gặp là ứng viên chỉ tóm tắt ý kiến hoặc kể lại trải nghiệm mà không có quy trình phân tích rõ. Phỏng vấn, thảo luận nhóm hoặc ghi nhận phản hồi không tự động trở thành nghiên cứu định tính nếu dữ liệu không được xử lý có hệ thống.

Nếu ứng viên sử dụng phương pháp định tính, cần trình bày cách chọn người tham gia, số lượng người tham gia, lý do chọn nhóm đó, cách xây dựng câu hỏi phỏng vấn, cách ghi nhận dữ liệu, cách mã hoá hoặc phân tích chủ đề và cách rút ra kết luận.

Ví dụ, nếu ứng viên phỏng vấn 12 nhà quản lý về khó khăn trong chuyển đổi số, cần cho biết các nhà quản lý này thuộc cấp nào, ngành nào, được chọn vì lý do gì, phỏng vấn tập trung vào nội dung nào, dữ liệu được phân tích theo chủ đề nào và kết quả phản ánh điều gì về vấn đề quản trị. Nếu chỉ ghi “đã phỏng vấn các quản lý và nhận thấy họ gặp khó khăn”, phần phương pháp vẫn còn yếu.

Theo Braun và Clarke (2006), phân tích chủ đề trong nghiên cứu định tính cần một quy trình rõ ràng để nhận diện, phân tích và báo cáo các mẫu ý nghĩa trong dữ liệu. Điều này rất hữu ích cho ứng viên DBA, vì nhiều nghiên cứu ứng dụng thường sử dụng phỏng vấn, phản hồi chuyên gia hoặc dữ liệu tổ chức.

Phương pháp hỗn hợp: Cần có logic kết nối

Một số ứng viên sử dụng cả khảo sát và phỏng vấn, hoặc kết hợp dữ liệu số với dữ liệu mô tả. Điều này có thể rất phù hợp với DBA, vì các vấn đề quản trị thường phức tạp và cần được nhìn từ nhiều góc độ. Tuy nhiên, phương pháp hỗn hợp không có nghĩa là gom nhiều loại dữ liệu vào cùng một nghiên cứu.

Nếu khai báo phương pháp hỗn hợp, ứng viên cần làm rõ logic kết nối giữa các phần. Dữ liệu định lượng được dùng để làm gì? Dữ liệu định tính được dùng để làm gì? Phần nào được thực hiện trước? Phần nào giải thích hoặc bổ sung cho phần nào? Kết quả cuối cùng được tích hợp ra sao?

Ví dụ, ứng viên có thể khảo sát nhân viên để đo mức độ sẵn sàng thay đổi, sau đó phỏng vấn nhóm quản lý để giải thích vì sao một số bộ phận có mức sẵn sàng thấp. Trong trường hợp này, định lượng giúp nhận diện xu hướng, còn định tính giúp giải thích nguyên nhân. Đây là logic hỗn hợp rõ ràng hơn việc chỉ nói “nghiên cứu sử dụng cả khảo sát và phỏng vấn”.

Theo Tashakkori và Teddlie (2010), nghiên cứu hỗn hợp cần có sự tích hợp có chủ đích giữa các nguồn dữ liệu và cách phân tích. Vì vậy, hội đồng sẽ đánh giá phương pháp hỗn hợp dựa trên logic tích hợp, không phải số lượng kỹ thuật được sử dụng.

Dữ liệu và mẫu nghiên cứu cần có lý do lựa chọn

Trong APEL.Q, hội đồng thường xem kỹ dữ liệu và mẫu nghiên cứu. Ứng viên cần giải thích vì sao dữ liệu đó phù hợp, vì sao nhóm đối tượng đó được chọn, và dữ liệu có đủ để trả lời câu hỏi nghiên cứu hay không.

Với khảo sát, ứng viên cần làm rõ cỡ mẫu, đặc điểm mẫu, cách tiếp cận người trả lời và giới hạn của mẫu. Với phỏng vấn, cần làm rõ tiêu chí chọn người tham gia. Với dữ liệu doanh nghiệp, cần làm rõ thời gian, phạm vi, nguồn dữ liệu và độ tin cậy. Với dữ liệu thứ cấp, cần làm rõ nguồn, tính cập nhật và lý do sử dụng.

Một lỗi thường gặp là ứng viên dùng dữ liệu thuận tiện nhưng không giải thích giới hạn. Ví dụ, chỉ khảo sát nhân viên trong một phòng ban rồi kết luận cho toàn bộ tổ chức. Hoặc chỉ phỏng vấn một vài người quen rồi đưa ra kết luận rộng. Điều này không nhất thiết làm nghiên cứu vô giá trị, nhưng ứng viên cần thừa nhận giới hạn và điều chỉnh phạm vi kết luận.

Công cụ thu thập dữ liệu cần được mô tả

Công cụ thu thập dữ liệu là phần nhiều ứng viên bỏ qua. Nếu sử dụng bảng hỏi, cần có nội dung câu hỏi, thang đo hoặc cơ sở xây dựng câu hỏi. Nếu sử dụng phỏng vấn, cần có bộ câu hỏi phỏng vấn hoặc hướng dẫn phỏng vấn. Nếu sử dụng phân tích tài liệu, cần có tiêu chí chọn tài liệu và cách phân tích.

Trong DBA, công cụ nghiên cứu không cần lúc nào cũng quá phức tạp, nhưng phải phù hợp với câu hỏi nghiên cứu. Nếu câu hỏi nghiên cứu liên quan đến mức độ hài lòng, thang đo cần phản ánh đúng khái niệm hài lòng. Nếu câu hỏi liên quan đến năng lực lãnh đạo, công cụ cần đo hoặc khám phá đúng các khía cạnh của lãnh đạo. Nếu công cụ không phù hợp, kết quả nghiên cứu có thể thiếu giá trị.

Ứng viên nên lưu lại các công cụ đã sử dụng trong nghiên cứu cũ. Nếu công cụ chưa hoàn chỉnh, cần nêu rõ sẽ được điều chỉnh hoặc xây dựng lại trong giai đoạn DBA. Đây là cách trình bày trung thực và có trách nhiệm.

Logic phân tích phải đi từ dữ liệu đến kết luận

Một phương pháp tốt không dừng ở việc thu thập dữ liệu. Hội đồng sẽ xem ứng viên phân tích dữ liệu như thế nào và kết luận có thật sự đi ra từ dữ liệu hay không.

Với định lượng, cần tránh tình trạng chỉ trình bày bảng số liệu nhưng không phân tích ý nghĩa. Với định tính, cần tránh tình trạng chỉ trích vài ý kiến rồi kết luận rộng. Với dữ liệu doanh nghiệp, cần tránh tình trạng chọn những số liệu có lợi mà không xem xét bối cảnh, giới hạn hoặc yếu tố gây nhiễu.

Ứng viên nên thể hiện rõ chuỗi logic: câu hỏi nghiên cứu dẫn đến dữ liệu nào, dữ liệu được phân tích bằng cách nào, kết quả chính là gì, kết quả đó trả lời câu hỏi ra sao, và kết luận có giới hạn gì. Khi chuỗi logic này rõ, công trình cũ sẽ có khả năng được đánh giá cao hơn trong APEL.Q.

Độ tin cậy, tính hợp lệ và giới hạn nghiên cứu

Hội đồng không chỉ tìm điểm mạnh. Họ cũng xem ứng viên có hiểu giới hạn của nghiên cứu hay không. Một công trình nghiêm túc thường phải nói rõ dữ liệu có giới hạn gì, mẫu có giới hạn gì, phương pháp có điểm yếu gì và kết luận nên được hiểu trong phạm vi nào.

Với nghiên cứu định lượng, ứng viên có thể cần xem xét độ tin cậy của thang đo, chất lượng dữ liệu và khả năng khái quát. Với nghiên cứu định tính, ứng viên có thể cần xem xét độ tin cậy trong mã hoá, tính nhất quán trong diễn giải và khả năng đối chiếu dữ liệu. Với nghiên cứu ứng dụng trong doanh nghiệp, ứng viên cần chú ý đến yếu tố bối cảnh vì kết quả từ một tổ chức chưa chắc áp dụng nguyên vẹn cho tổ chức khác.

Việc thừa nhận giới hạn không làm nghiên cứu yếu đi. Ngược lại, nó cho thấy ứng viên hiểu bản chất của nghiên cứu. Một ứng viên không nhìn thấy giới hạn của công trình mình thường khó phát triển nghiên cứu lên cấp độ DBA một cách thuyết phục.

Khi phương pháp cũ chưa đủ mạnh, ứng viên nên làm gì?

Không phải mọi hồ sơ APEL.Q đều có phương pháp hoàn chỉnh ngay từ đầu. Nhiều công trình cũ xuất phát từ thực tiễn doanh nghiệp, nên có thể có dữ liệu và kết quả tốt nhưng thiếu thiết kế nghiên cứu chính thức. Trong trường hợp này, ứng viên không nên cố trình bày rằng phương pháp đã hoàn hảo.

Cách tốt hơn là xác định rõ phương pháp hiện tại đang ở mức nào và cần nâng cấp ra sao. Có thể cần viết lại câu hỏi nghiên cứu, chuẩn hoá thiết kế nghiên cứu, bổ sung mẫu, xây dựng lại công cụ khảo sát, thực hiện thêm phỏng vấn, phân tích lại dữ liệu hoặc bổ sung phần giải thích phương pháp.

APEL.Q không yêu cầu mọi thứ đã hoàn chỉnh ngay từ lúc nộp hồ sơ. Tuy nhiên, hồ sơ cần cho thấy công trình có nền tảng để nâng cấp. Nếu phương pháp còn thiếu nhưng có thể bổ sung trong lộ trình DBA, đó là khoảng trống có thể xử lý. Nếu phương pháp hoàn toàn không tồn tại và không có dữ liệu để tái cấu trúc, rủi ro sẽ cao hơn.

Kết luận

Phương pháp nghiên cứu là một trong những tiêu chí quan trọng nhất trong đánh giá hồ sơ APEL.Q cho DBA. Hội đồng không chỉ xem ứng viên đã có đề tài hay dữ liệu, mà còn xem kết quả nghiên cứu được tạo ra bằng cách nào, có logic không, có phù hợp với câu hỏi nghiên cứu không và có thể bảo vệ về mặt học thuật không.

Ứng viên nên tự kiểm tra phương pháp của mình qua các câu hỏi: câu hỏi nghiên cứu là gì, phương pháp có phù hợp không, dữ liệu đến từ đâu, mẫu được chọn thế nào, công cụ thu thập dữ liệu là gì, phân tích được thực hiện ra sao, kết luận có đi ra từ dữ liệu không và giới hạn nghiên cứu nằm ở đâu.

Nếu trả lời được các câu hỏi này một cách rõ ràng, hồ sơ APEL.Q sẽ có nền tảng học thuật tốt hơn. Nếu chưa trả lời được, đó chính là phần ứng viên cần bổ sung trước hoặc trong lộ trình hoàn thiện DBA.

Tài liệu tham khảo

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.

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

Easterby-Smith, M., Thorpe, R., Jackson, P. R., & Jaspersen, L. J. (2021). Management and business research (7th ed.). SAGE Publications.

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

Tashakkori, A., & Teddlie, C. (Eds.). (2010). SAGE handbook of mixed methods in social & behavioral research (2nd ed.). SAGE Publications.