Hiểu đúng về Nghiên cứu khoa học

💡 IO Research là series bài viết mới của Hoà trong năm 2025 về nghiên cứu khoa học, với mục tiêu giúp các bạn sinh viên và nghiên cứu viên trẻ trong lĩnh vực công nghệ thông tin làm quen và chuẩn bị nền tảng kiến thức vững chắc hơn trước khi bắt đầu các dự án nghiên cứu. Series này được xây dựng dựa trên những kiến thức và kinh nghiệm mà Hoà đã tự học và tích luỹ từ những ngày đầu tiên khi mới bắt đầu làm PhD về khoa học máy tính tại Đại học Melbourne, Australia.

🔬 Nghiên cứu là gì?#

Hiện có rất nhiều cách định nghĩa khác nhau về khái niệm nghiên cứu (research) nhưng theo Hoà, định nghĩa dưới đây của Dawson (2015) có thể phản ánh đầy đủ và súc tích nhất về bản chất nghiên cứu khoa học:

Research is a considered activity which aims to make an original contribution to knowledge.

(Tạm dịch: Một hoạt động thận trọng nhằm tạo ra đóng góp nguyên bản cho tri thức.)

Định nghĩa này làm nổi bật ba yếu tố cốt lõi của nghiên cứu: Tính nguyên bản, Đóng góp, và Tri thức.

1. Tính nguyên bản (Originality)#

Tính nguyên bản có thể hiểu đơn giản là làm một thứ gì đó mới và chưa từng được thực hiện trước đây. Nếu chỉ lặp lại những gì đã làm hay đã được phát hiện trước đó, nghiên cứu sẽ không mang lại đóng góp mới và có giá trị cho khoa học. Có hai hướng chính để xây dựng tính nguyên bản trong nghiên cứu:

1. Nguyên bản trong kết quả nghiên cứu: tạo ra hay phát triển thứ gì đó chưa từng được thực hiện trước đây. Kết quả nghiên cứu có thể là một lý thuyết, mô hình, hoặc sản phẩm hoàn toàn mới. Thậm chí, ngay cả khi một thí nghiệm thất bại, việc giải thích nguyên nhân cũng có thể mang lại giá trị khoa học.
2. Nguyên bản trong cách thực hiện nghiên cứu: áp dụng một phương pháp hay hướng tiếp cận mới để giải quyết một vấn đề đã được nghiên cứu trước đây. Các cách tiếp cận để tạo tính nguyên bản trong nghiên cứu gồm:
   • Áp dụng công cụ, kỹ thuật hoặc quy trình mới vào các vấn đề hiện có, hoặc thử nghiệm chúng trong các bối cảnh chưa từng được nghiên cứu.
     Ví dụ: Áp dụng mô hình học máy lượng tử (quantum machine learning) vào việc phát hiện lỗi trong mã nguồn phần mềm thay vì các phương pháp kiểm thử truyền thống - giả sử chưa từng có ai thực hiện hướng này).
   • Nghiên cứu những lĩnh vực hoàn toàn mới và chưa ai làm. Trong quá trình nghiên cứu, bạn cũng có thể vô tình gặp những kết quả bất ngờ và có thể sử dụng chúng để mở rộng phạm vi nghiên cứu hiện tại.
     Ví dụ: Khi thử nghiệm thuật toán tối ưu hóa mạng, phát hiện ra rằng nó cũng hiệu quả trong việc cân bằng tải hệ thống máy chủ.
   • Sử dụng và diễn giải dữ liệu theo hướng tiếp cận mới.
     Ví dụ: Phân tích dữ liệu giao thông đô thị không chỉ để dự đoán tắc đường mà còn để tối ưu hóa lộ trình cho xe buýt.

2. Đóng góp (Contribution)#

Nghiên cứu khoa học không chỉ để đạt được tri thức cho một cá nhân mà phải mang lại giá trị đóng góp cho cộng đồng. Một nghiên cứu được coi là thành công khi nó bổ sung giá trị cho tri thức chung, bất kể kết quả là gì. Cryer (2006) chỉ ra rằng đóng góp không chỉ nằm ở kết quả cuối cùng mà còn bao gồm cả các sản phẩm phụ (by-products) như:

• Hiểu được lý do một phương pháp thất bại trong bối cảnh mới.
• Đưa ra cách tiếp cận thay thế phù hợp hơn cho các nghiên cứu tương lai.

Ví dụ: Một nghiên cứu thử nghiệm thuật toán mới nhưng không đạt hiệu quả như mong muốn. Tuy nhiên, việc phân tích nguyên nhân dẫn đến thất bại có thể giúp người khác tránh được sai lầm tương tự.

3. Tri thức (Knowledge)#

Tri thức không chỉ là dữ liệu hoặc thông tin, mà là sự hiểu biết sâu sắc về “tại sao” và “như thế nào”. Post và Anderson (2006) đã phát triển mô hình DIKW để giải thích mối quan hệ giữa dữ liệu (Data), thông tin (Information), tri thức (Knowledge) và sự uyên bác (Wisdom):

• Dữ liệu (Data): Các số liệu hoặc quan sát thô.
• Thông tin (Information): Dữ liệu đã được phân tích để mang lại ý nghĩa.
• Tri thức (Knowledge): Hiểu biết về lý do và quy luật đằng sau thông tin.
• Sự uyên bác (Wisdom): Khả năng áp dụng tri thức vào các tình huống phức tạp.

Một nghiên cứu chất lượng phải vượt lên khỏi việc thu thập dữ liệu thô để tạo ra tri thức có giá trị và ứng dụng thực tiễn.

Ảnh minh hoạ: Đóng góp của bạn cho tri thức chung của nhân loại (dựa trên Dawson (2015)

Ngoài ra, một yếu tố quan trọng khác trong định nghĩa của Dawson nhấn mạnh đến việc nghiên cứu là một quy trình có hệ thống và phương pháp, được thực hiện một cách thận trọng (considered activity). Điều này có nghĩa rằng nghiên cứu không phải là một hoạt động ngẫu nhiên hay mang tính nhất thời (ad hoc), mà được lên kế hoạch và thực hiện một cách có suy xét kỹ lưỡng (considered).

Quá trình nghiên cứu đòi hỏi sự chuẩn bị kỹ lưỡng, từ việc xác định câu hỏi nghiên cứu, xây dựng phương pháp, thu thập và phân tích dữ liệu, đến việc rút ra kết luận. Tất cả các bước này cần được thực hiện theo cách thức hợp lý và có hệ thống để đảm bảo tính tin cậy và giá trị của kết quả. Sự thận trọng này không chỉ tạo nền tảng cho một nghiên cứu tốt mà còn giúp giảm thiểu rủi ro sai sót và tăng khả năng áp dụng kết quả vào thực tế.

---

🙋🏻‍♂️ Như thế nào là một nghiên cứu “tốt”?#

Một nghiên cứu tốt và chất lượng (good research) không chỉ đơn thuần là thực hiện một cách máy móc hay đạt được kết quả cụ thể. Theo Phillips và Pugh (2010), một nghiên cứu tốt phải bao gồm ba đặc điểm quan trọng:

1. Tư duy mở (Open Minds)#

Một nhà nghiên cứu giỏi phải có tư duy mở, sẵn sàng thách thức những quan điểm truyền thống và không bị ràng buộc bởi tư duy cũ. Tri thức hiện tại, dù đã được chấp nhận rộng rãi, đôi khi có thể không còn phù hợp với các vấn đề mới. Do đó, một nghiên cứu tốt luôn bắt đầu bằng sự tò mò và sẵn sàng đặt câu hỏi như:

• “Liệu có cách tiếp cận nào khác hiệu quả hơn?”
• “Tại sao chúng ta vẫn tin vào giả định đã có này?”

Ví dụ: Khi nghiên cứu về một thuật toán mã hoá cổ điển, bạn có thể đặt câu hỏi liệu các giao thức mã hóa truyền thống có còn hiệu quả trong bối cảnh hệ thống lượng tử sắp ra mắt.

2. Phân tích phản biện (Critical Analysis)#

Phân tích kết quả một cách “nghiêm túc” (critical) là yếu tố quan trọng để đảm bảo chất lượng của nghiên cứu. Nhà nghiên cứu cần:

• Kiểm tra độ chính xác của dữ liệu: “Liệu số liệu này có sai sót không?”
• Đánh giá ngữ cảnh ảnh hưởng đến dữ liệu: “Dữ liệu này được thu thập trong điều kiện nào, và liệu có bị tác động bởi yếu tố bên ngoài không?”
• Xem xét các cách diễn giải khác: “Liệu còn cách nào để hiểu dữ liệu này không?”

Ví dụ: Khi phân tích hiệu suất của một thuật toán, bạn cần xem xét các yếu tố có thể ảnh hưởng như cấu hình phần cứng hoặc tập dữ liệu sử dụng.

3. Khả năng khái quát hóa (Generalisations)#

Một nghiên cứu tốt không chỉ tập trung vào một trường hợp cụ thể mà còn cần đưa ra các khái quát hóa (generalisation) để có thể áp dụng trong nhiều ngữ cảnh khác nhau. Tuy nhiên, nhà nghiên cứu cũng cần phải hiểu rõ giới hạn của những khái quát này và chỉ ra các điều kiện mà chúng áp dụng.

Ví dụ: Một thuật toán AI được tối ưu hóa cho hệ thống nhận dạng hình ảnh có thể không hoạt động tốt trong nhận dạng giọng nói. Việc khái quát hóa chỉ hợp lý nếu được kiểm chứng trên nhiều tình huống khác nhau.

Tóm lại, một nghiên cứu khoa học tốt không chỉ dừng lại ở kết quả mà còn phải đóng góp tri thức mới, thách thức các giả định cũ và có giá trị áp dụng rộng rãi.

• Tư duy mở giúp đặt câu hỏi đúng.
• Phân tích phản biện đảm bảo kết quả chính xác.
• Khái quát hóa giúp nghiên cứu có giá trị ứng dụng rộng rãi.

Ba đặc điểm trên (tư duy mở, phân tích phản biện, và khái quát hóa) chính là nền tảng để đạt được mục tiêu cuối cùng: làm giàu tri thức.

---

Trong phần tiếp theo, chúng ta sẽ tiếp tục tìm hiểu tổng quan về quy trình và các phương pháp chính trong thực hiện nghiên cứu khoa học. Mời các bạn cùng theo dõi để hiểu rõ hơn về hành trình thực hiện nghiên cứu khoa học!

Tài liệu tham khảo#

1. Dawson, C. W. (2015). Projects in computing and information systems: A student’s guide (3rd ed.). Pearson Education Limited.
2. Cryer, P. (2006) The research student’s guide to success (3rd Edition), Open University Press, Maidenhead, UK.
3. Post, G.V. and Anderson, D.L. (2006) Management information systems solving business problems with information technology (4th Edition), McGraw-Hill, New York.
4. Phillips, E.M. and Pugh, D.S. (2010) How to get a PhD a handbook for students and their supervisors (5th Edition), Open University Press, Buckingham, UK.