Làm việc trong các trường đại học, hay ở giới học thuật nói chung, chắc bạn không xa lạ gì với câu của bạn bè và người thân về cách bạn sẽ dùng kỳ nghỉ hè của mình. Có những câu hỏi đơn giản chỉ bắt nguồn từ sự tò mò, nhưng thỉnh thoảng cũng xen lẫn ghen tị hoặc mỉa mai (“Ôi, sướng nhé, hè là nghỉ nguyên 3 tháng luôn!”) hay (“Ước gì năm nào mình cũng bỏ nguyên tháng 6, 7, 8 như bạn… nhưng khổ cái mình thuộc dạng tội nghiệp phải LÀM VIỆC ĐỂ KIẾM SỐNG ấy”).

Hoặc đơn giản đến từ sự ngây thơ của người ngoài ngành, đôi khi họ không biết rằng với dân khoa học trong môi trường hàn lâm thì mùa hè chỉ là đổi nhịp một chút, chứ không có chuyện nghỉ ngơi.

Tất nhiên, nó cũng khác so với năm học chính quy. Mùa hè bắt đầu bằng cảnh sinh viên tay xách nách mang chuẩn bị về quê, sự nhộn nhịp của hàng quán khi sinh viên xả hơi sau kỳ thi. Rồi sau đó là sự trống vắng bao trùm. Hàng chờ căn-tin, sân thể thao thưa hẳn; bãi đỗ xe từ “không còn chỗ” chuyển sang “hên lắm mới còn chỗ”; còn cột đèn, bảng tin thì rụng sạch tờ rơi như cây me rụng lá.

Nhưng trong lúc đó, học viên cao học vẫn vào viện/phòng nghiên cứu, như không hề có chuyện gì xảy ra.

Hồi còn học cao học, câu “Hè này có tính chơi bời gì không?” luôn khiến tôi khó chịu hơn là cảm thấy được quan tâm. Xin thưa rằng, không! Tôi không có cái gọi là kỳ nghỉ hè; còn việc làm gì để xõa thì tôi sẽ dành thời gian quý báu ở bên vài triệu con vi khuẩn tôi mới nhân bản. Những câu hỏi như vậy luôn nhắc tôi rằng người ta không chỉ thấy cái nghề tôi chọn là bí ẩn, mà còn nghĩ nó như kiểu… một chuyến nghỉ dưỡng.

Nó làm tôi nhớ đến một loạt câu hỏi đi vào lòng đất khác – kiểu hàm ý rằng trong khi thiên hạ toát mồ hôi ở thế giới thực thì tôi lại đang sống trong “lớp học Neverland” bằng tiền thuế của họ, vui vẻ làm học sinh lớp 23 (hoặc lớp 28) mà lại chẳng nhận ra có gì sai cả. Có thể kể ví dụ vài câu kinh điển mà họ hay đem ra để chọc ngoáy là:

Bao giờ thì tốt nghiệp?

Đứng top bảng, vì với nhiều người, một chương trình học không có ngày kết thúc nghe… điên thật. Mà đúng, nó điên thật. Nhưng đó là điên có chủ đích, và giờ bạn phải giải thích vì sao mình lại ký cái “hợp đồng trả góp” dài 500 năm. Câu này áp dụng luôn cho postdoc: “Nó như một công việc, nhưng không hẳn là công việc; ở đó cho đến khi tìm được việc khác, mà có thể chẳng bao giờ tìm được, và… thôi đừng nói nữa, không phải tôi đang khóc đâu, có mà bạn khóc ấy!!”

Học từng ấy năm thì lấy đâu tiền trả học phí?

Lại một cú hiểu nhầm rằng nhà khoa học toàn con nhà giàu mới chịu nổi. Tôi vẫn nhớ mặt ông bạn tôi khi tôi bảo: “Tiến sĩ thì không trả tiền cho trường, trường trả tiền cho mình.” Nhưng dù bạn có nói câu này bằng chất giọng hài hước đến thế nào đi nữa, thì sau khi họ hết sốc, vẫn nên trấn an: “Đừng lo, họ trả ít lắm.”

Sao bạn phải vào lab lúc nửa đêm? Có ai ép không?

Vừa có vừa không. Giáo sư hướng dẫn của bạn không nói thẳng “đêm nay vào lab nhé”, nhưng nếu dự án của bạn đang tiến triển kém mà còn đáp kiểu “Ơ, ai rảnh mà mò vào lab lúc nửa đêm?”, thì thôi tự hiểu. Dù giáo sư của bạn có là kiểu người hiểu rằng “cân bằng công việc – cuộc sống” không phải là một loại khẩu hiệu vớ vẩn, thì vẫn sẽ có nhiều thứ “ép” bạn vô lab giữa đêm: vi khuẩn, chuột, phản ứng hóa học, hay lịch quan sát kính thiên văn. Nên là thôi hãy cứ để người ngoài nghĩ bạn là kiểu người chăm chỉ kiếm tiền tăng ca đi!

Ô, bạn có xuất bản hả! Đọc chỗ nào vậy chỉ với?

Không dễ để giải thích rằng: Không, bài của bạn sẽ không xuất hiện ở bìa mấy cuốn tạp chí mà họ hay thấy; không, họ sẽ chẳng đọc nổi vì nó không được viết bằng kiểu “ngôn ngữ” mà họ dùng hằng ngày; không, chính họ sẽ chẳng muốn bỏ tiền ra để đọc đâu; và, vâng, ngay cả bạn cũng không đủ tiền để đọc chính bài của mình.

Làm nghề này sao còn có thời gian đi chơi?

Bạn có thể đáp: “Tôi không biết, thế bạn xem bạn làm cách nào mà vừa đi làm vừa có thời gian bới móc tôi nhiều thế?” Nhưng rồi vẫn thừa nhận rằng chắc họ nói cũng có lý, và tự hỏi có nên đi xin tài trợ cho nghiên cứu về đời sống xã hội của giới khoa học không nhỉ?

Cần gì không? Lấy tạm 5 đô nhé? Này, cầm đi. Không sao đâu.

Vừa xúc phạm, vừa… hữu ích phết.

Hè này, khi bạn thở phào trên khuôn viên trường vắng vẻ, đừng để mấy câu hỏi kia làm bạn mất bình tĩnh nhé. Hãy trả lời rằng bạn đang làm điều mình đam mê, và nghiên cứu thì không bao giờ có “nghỉ hè” cả.

Nhưng tối nay, về nhà lúc 11:59 nhé. Bạn xứng đáng mà.

Dịch từ Science

Bài viết Hè này, nghiên cứu sinh định xõa kiểu gì? đã xuất hiện đầu tiên vào ngày ADuBiz.

Vậy trong hoàn cảnh này, người phản biện cần làm gì để vừa giữ thái độ thận trọng, vừa đảm bảo tính trung thực của khoa học? Dưới đây là các bước được các chuyên gia khuyến nghị khi đối diện với nghi ngờ sai phạm trong một bản thảo.

1. Xem xét khả năng sai sót vô tình

Các chuyên gia về liêm chính khoa học khuyến nghị, bước đầu tiên là tìm các lời giải thích hợp lý trước khi nghĩ đến khả năng sai phạm. Jennifer Byrne (Đại học Sydney) gợi ý xem xét hai điểm: liệu các hình ảnh trùng lặp có mô tả cùng đối tượng (ví dụ protein, dòng tế bào) với nghiên cứu mới hay không; và hai bài báo có chung tác giả không. Nếu cả hai điều kiện này đúng, khả năng cao tác giả đang tái sử dụng dữ liệu trước đây – điều này có thể chấp nhận được nếu được ghi rõ trong bản thảo và trích dẫn đúng quy định của nhà xuất bản. Ngoài ra, có trường hợp hình ảnh được lấy từ kho dữ liệu công cộng, hoặc tác giả có thể đã xin phép chủ sở hữu bản quyền để dùng lại cho mục đích so sánh. Trong mọi tình huống, sự tái sử dụng có chủ đích đều phải được mô tả minh bạch và kèm trích dẫn. Ngược lại, nếu hình ảnh bị nghi ngờ lại mô tả đối tượng hoàn toàn khác, thì đó là dấu hiệu đáng lo ngại. Bên cạnh hình ảnh, người phản biện cũng nên chú ý đến tài liệu tham khảo xem chúng có thực sự hỗ trợ cho lập luận không, hoặc có dấu hiệu thao túng trích dẫn (cố tình chèn nguồn không liên quan để tăng số lần trích dẫn) hay không.

2. Thông báo cho biên tập viên qua kênh bảo mật

Những nghi vấn này nên được đề cập trong phần nhận xét cho tác giả, đồng thời thông báo riêng cho biên tập viên thông qua kênh bảo mật như email trực tiếp hoặc chức năng “liên hệ biên tập viên” trong hệ thống nộp bài. Byrne nhấn mạnh rằng bản thảo được gửi cho phản biện trên cơ sở bảo mật, vì vậy không nên chia sẻ lo ngại này với bất kỳ ai ngoài những người có trong quy trình phản biện. Jillian Goldfarb (Đại học Cornell) khuyên rằng nên gửi kèm bằng chứng cụ thể (đường dẫn tới bài báo có trùng lặp trước, thêm hình ảnh nghi vấn) và trong thư nên hỏi biên tập viên liệu có nên tiếp tục phản biện hay tạm dừng để điều tra.

3. Giữ ngôn từ trung lập và khách quan

Cũng cần lưu ý rằng, trong mọi trao đổi, cần giữ ngôn từ trung lập, tránh cáo buộc trực tiếp. Việc sử dụng từ ngữ như “gian lận” hay “đạo văn” không chỉ thiếu thận trọng mà còn có thể dẫn đến rủi ro pháp lý. Brian Jones (Đại học Murdoch) khuyến cáo hãy mô tả thực tế, chẳng hạn: “Đoạn văn ở mục 6 giống với nội dung trong bài của tác giả X” hoặc “Hình 3 tương tự hình 5 trong bài Y.” Điều này khá quan trọng ngay cả trong những trường hợp tưởng chừng như đã rõ ràng. Ví dụ, Jones từng gặp một bản thảo có tên đồng tác giả là người đã qua đời từ 5 năm trước. Dù dấu hiệu đáng ngờ, ông vẫn cẩn thận xác minh bằng email, liên lạc với viện nơi tác giả làm việc để xác nhận rằng người đó đã mất đồng thời nắm được thông tin rằng họ không hề hay biết về bản thảo. Điều này cho thấy phản biện không được phép “suy đoán” mà phải luôn bám vào bằng chứng khách quan. Goldfarb cũng nhấn mạnh: “Tấn công trực diện không phải là cách chuyên nghiệp. Hãy giữ giọng điệu mang tính điều tra, khách quan, nhưng thể hiện rõ sự quan ngại.”

4. Khi tác giả phản hồi hoặc không phản hồi thỏa đáng

Nếu tác giả phản hồi thỏa đáng và tiến hành chỉnh sửa sau đó, thì đó là kết quả tốt nhất: bản thảo được cải thiện, nhóm nghiên cứu nhận thức rõ tiêu chuẩn cần tuân thủ, và văn hóa nghiên cứu cũng được nâng cao. Goldfarb kể rằng có những trường hợp sau khi được nêu vấn đề, tác giả đã thay thế hình ảnh, bổ sung dữ liệu mới, và bài báo nhờ vậy mà tốt hơn. Nhưng nếu phản hồi không giải quyết được vấn đề, cần tiếp tục báo lại cho biên tập viên, giải thích cụ thể vì sao câu trả lời chưa thỏa đáng. Tới đây, vai trò của phản biện đã hoàn thành: nêu vấn đề, cung cấp bằng chứng, chứ không phải trở thành “thẩm phán” trong một phiên xét xử tội đạo văn.

5. Các bước sau khi bài báo đã xuất bản

Trong trường hợp bài báo vẫn được xuất bản dù có bằng chứng rõ ràng, có thể cân nhắc các bước tiếp theo như gửi thư cho ban biên tập để công bố lo ngại, hoặc liên hệ với Retraction Watch hay đăng ý kiến trên nền tảng hậu bình duyệt PubPeer. Tuy nhiên, mỗi lựa chọn đều có rủi ro riêng. Viết thư cho ban biên tập chỉ nên làm khi có sự chắc chắn tuyệt đối, vì nguy cơ bị kiện từ tác giả vẫn tồn tại. Các kênh như PubPeer hay Retraction Watch có thể mang lại tính ẩn danh hơn, nhưng vẫn cần đảm bảo thông tin chính xác tuyệt đối.

Bỏ qua nghi vấn là lựa chọn dễ dàng, nhưng đồng nghĩa với việc để lại lỗ hổng trong hệ thống khoa học. Một số tổ chức cho rằng phản biện viên có nghĩa vụ đạo đức phải báo cáo những gì mình nghi ngờ. Như Goldfarb nhấn mạnh: “Không nói ra nghi ngờ chính là đặt tính tin cậy của khoa học vào rủi ro.”

Dịch từ Nature 

Bài viết Hướng dẫn xử lý nghi ngờ sai phạm trong quá trình phản biện bài báo đã xuất hiện đầu tiên vào ngày ADuBiz.

AI và nỗi ám ảnh “thay thế con người”

Trong hầu hết các cuộc trò chuyện về trí tuệ nhân tạo hiện nay, câu hỏi trung tâm gần như luôn là: nó có thể thay thế con người hay không. Các công cụ AI được ca ngợi bằng cách so sánh với chuyên gia, như thể giá trị tối cao của chúng chỉ là khiến con người trở nên thừa thãi. Ashutosh Ghildiyal, tác giả của bài báo này, cho rằng cách tiếp cận này đã sai từ gốc.

AI quả thật vượt trội ở những dạng công việc dựa vào trí nhớ và nhận diện mẫu: tốc độ, độ chính xác, khả năng xử lý dữ liệu ở quy mô lớn. Nhưng đó chỉ là một mảnh nhỏ của trí tuệ – dạng trí tuệ phân tích. Trớ trêu thay, chính dạng trí tuệ này lại đang được hệ thống giáo dục và xã hội tôn vinh quá mức. Trong khi đó, những loại trí tuệ khó đo lường như sáng tạo, trực giác, cảm xúc, khả năng đồng cảm hay thẩm mỹ lại bị coi nhẹ, dù chúng làm nên phần cốt lõi trải nghiệm của con người.

Theo ông, vấn đề không phải là “AI có thể thay con người hay không”, mà là: AI có thể giúp con người giải phóng năng lực tinh thần để tập trung vào sáng tạo và ý nghĩa hơn hay không. Nói cách khác, câu hỏi cần thiết là: chúng ta nên dùng AI ở đâu, và nên tránh dùng ở đâu – kể cả khi nó có thể được sử dụng.

Xuất bản học thuật như một trách nhiệm công

Để minh họa, tác giả đi sâu vào xuất bản học thuật. Ngay từ đầu, hoạt động xuất bản khoa học đã mang bản chất công: các tạp chí không chỉ ghi chép và lan truyền tri thức, mà còn xác nhận giá trị của nó. Trong bối cảnh nghiên cứu toàn cầu bùng nổ, công chúng và cộng đồng khoa học đều cần có thể tìm thấy và tin tưởng vào tri thức.

Giá trị cốt lõi của xuất bản học thuật, theo ông, nằm ở việc giữ vai trò gác cổng (gatekeeping): lựa chọn những công trình có ý nghĩa, đồng thời xác thực chúng thông qua hệ thống phản biện và giám sát biên tập. Chính quá trình phản biện đã làm nên tính liêm chính và sự tin cậy của khoa học.

Khủng hoảng đa tầng của phản biện

Ghildiyal chỉ ra rằng hệ thống phản biện hiện nay đang đối diện một loạt khủng hoảng.

• Khủng hoảng kinh tế: phần lớn phản biện viên làm việc không công, hiếm khi được công nhận chính thức hay hỗ trợ sự nghiệp. Những sáng kiến gần đây nhằm ghi nhận đóng góp là tích cực, nhưng vẫn chưa chạm được vào bản chất của sự “mệt mỏi phản biện” mang tính hệ thống.
• Khủng hoảng năng lực và đa dạng: nhiều nhân lực tiềm năng chưa được đào tạo hoặc chưa được huy động vào công tác phản biện, đặc biệt là các nhà nghiên cứu trẻ hoặc đến từ cộng đồng ít được chú ý.
• Khủng hoảng sự chú ý: đây là vấn đề mà ông cho là ngày càng nghiêm trọng. Trong kỷ nguyên của mạng xã hội, nội dung ngắn và các công cụ AI, khả năng tập trung sâu của con người bị bào mòn. Các công cụ như ChatGPT, dù tiện lợi, lại dễ tạo ra tình trạng “tự mãn nhận thức”: dựa dẫm vào máy móc và không còn tự suy nghĩ. Trong khi đó, phản biện khoa học vốn là công việc đòi hỏi sự nhẫn nại, thời gian và mức độ tập trung cao – những thứ ngày càng khan hiếm.

Jukka phản bác rằng quy trách nhiệm cho sự “khủng hoảng chú ý” là chưa đủ thuyết phục. Theo ông, gốc rễ của vấn đề không nằm ở công nghệ hay sự phân tán chú ý, mà ở chính sách của các nhà xuất bản. Nếu ba nhà xuất bản lớn nhất cùng áp dụng một quy định đơn giản: mỗi tác giả đã có một bài được in phải phản biện ba bản thảo khác, thì tình trạng thiếu phản biện viên đã cơ bản được giải quyết. Với Jukka, không cần viện tới AI, chỉ cần một chính sách ràng buộc nghiêm túc.

AI trong quy trình xuất bản: trợ lực chứ không thay thế

Mặc dù có những lo ngại, AI hiện diện ngày càng nhiều trong xuất bản khoa học, có thể kể đến năm lĩnh vực ứng dụng như:

1. Sàng lọc và thẩm định bản thảo.
2. Biên tập ngôn ngữ và định dạng.
3. Gợi ý lựa chọn phản biện viên.
4. Huấn luyện phản biện.
5. Hỗ trợ trực tiếp quá trình phản biện.

Theo ông, AI có thể giúp tiết kiệm công sức, loại bỏ sớm những bản thảo kém chất lượng, để phản biện viên tập trung vào phần quan trọng nhất: nội dung. Nhưng ông nhấn mạnh: AI không thể thay thế phán đoán con người. Nó có thể gợi ý hoặc cảnh báo, nhưng quyết định cuối cùng luôn thuộc về biên tập viên và phản biện viên.

Ông ví AI như công cụ xét nghiệm y khoa: dữ liệu có thể đến từ máy, nhưng chẩn đoán phải do bác sĩ. Nếu phó mặc toàn bộ cho AI, xuất bản sẽ biến thành một dây chuyền công nghiệp vô cảm, làm mất đi sự tinh tế và giá trị lâu dài, đồng thời làm suy yếu niềm tin vào khoa học.

Jukka chất vấn rằng trong năm cách ứng dụng nêu ra, chỉ có sàng lọc bản thảo và hỗ trợ phản biện là đáng quan tâm. Với hỗ trợ phản biện, ông cho rằng một khả năng hữu ích là để AI rà soát lại danh mục tài liệu tham khảo, bảo đảm tính chính xác và phù hợp (không phải tạo ra bản tóm tắt như các công cụ AI thường làm). Tuy nhiên, ông cũng lưu ý rằng rào cản paywall của các nhà xuất bản có thể cản trở đáng kể việc triển khai chức năng này. Biên tập ngôn ngữ thì vốn đã khủng hoảng từ trước: có nhà xuất bản lớn còn để hệ thống tự động làm sai chính tả, đổi tên riêng hoặc viết hoa lung tung. Việc lựa chọn phản biện thì các hệ thống gợi ý đã tồn tại từ lâu, có gọi là “AI” hay không cũng chẳng khác biệt. Còn về huấn luyện phản biện thông qua chatbot, ông hoài nghi liệu có nhà khoa học nào muốn học theo cách này.

Công cụ và môi trường hỗ trợ

Ghildiyal phân tích sâu hơn rằng hệ sinh thái công cụ AI đang mở rộng mạnh mẽ. Một số công cụ có khả năng đọc trực tiếp bản thảo để tự động phân loại, hoặc đối chiếu với các cơ sở dữ liệu bên ngoài nhằm đưa ra cảnh báo. Một số khác thì đưa ra gợi ý phản biện dựa trên mức độ tương đồng ngữ nghĩa hoặc trên mạng lưới trích dẫn. Ngoài ra, thậm chí đã xuất hiện các nền tảng huấn luyện phản biện ứng dụng trò chơi hóa hay mô phỏng, nhằm giúp người mới tập phản biện trong môi trường thực hành; hoặc để hỗ trợ trực tiếp trong quá trình phản biện, từ kiểm tra thống kê, đối chiếu trích dẫn, đến dịch, chỉnh sửa, tóm lược hay làm nổi bật nội dung quan trọng. Thậm chí, có công cụ có thể tạo ra biên bản phản biện dựa trên văn bản gốc hoặc phân tích lại nội dung phản biện do con người viết.

Tác giả đề xuất rằng các nhà xuất bản có thể cung cấp những công cụ này trong một môi trường kiểm soát an toàn – chẳng hạn như vô hiệu hóa chức năng sao chép – để hỗ trợ phản biện viên trong một không gian tập trung, ít xao nhãng, giống như một kỳ thi trực tuyến. Tuy nhiên, ông lưu ý rằng phản biện viên vẫn cần được khuyến khích tự do suy nghĩ và khám phá độc lập, không nên để công cụ dẫn dắt quá mức.

Tính nguyên bản và phán đoán con người

Một điểm nhấn khác trong lập luận của Ghildiyal là khái niệm tính nguyên bản trong thời đại AI. Theo ông, nguyên bản không có nghĩa là hoàn toàn khác biệt so với tất cả những gì đã tồn tại, mà là kết quả của một trải nghiệm và quan sát cá nhân thực sự. Một ý tưởng có thể giống với cái đã có, nhưng điều quan trọng là nó được sinh ra từ trải nghiệm độc lập của con người. Diễn đạt có thể nhờ AI hỗ trợ, nhưng quan sát và phán đoán ban đầu thì không thể vay mượn.

Chính ở đây, ông khẳng định lại: phản biện bởi con người là không thể thay thế. Trong thời đại tin giả, nội dung tổng hợp và niềm tin công chúng suy giảm, thì khả năng nhận ra sắc thái, tính độc đáo và ý nghĩa càng trở nên quan trọng. Và chỉ có sự tập trung của con người mới làm được điều đó.

Trách nhiệm trong việc dùng AI

Tác giả đưa ra hai nguyên tắc chính. Thứ nhất, không xâm phạm quyền của người khác: nghịch lý lớn nhất của AI hiện nay là nhiều mô hình được huấn luyện trên nội dung có bản quyền mà không có sự đồng thuận hay bồi thường. Thứ hai, chỉ dùng khi thật sự cần: AI có thể hỗ trợ biên tập, phân tích hay chuẩn bị bản thảo, nhưng đầu ra phải được con người rà soát cẩn thận. Phản biện thực sự là một công việc nặng về nhận thức, và nó phải do con người thực hiện, không có ngoại lệ.

Ông phân biệt giữa “nỗ lực thủ công” (thời gian, thao tác) và “nỗ lực trí tuệ” (sự chú ý, quan sát, tri thức, đồng cảm, sự nhập cuộc có ý thức). Việc dùng AI có thể giảm thiểu gánh nặng cho cả hai, nhưng chỉ nên giảm khi không ảnh hưởng đến tính chính xác và ý nghĩa của công việc. Mục tiêu cuối cùng là bảo tồn sự chú ý và tập trung hướng nó đến công cuộc tạo ra giá trị nhân văn.

Jukka nhấn mạnh rằng phản biện là công việc nặng về tư duy và không thể bị thay thế. Ông chỉ ra rằng hiện tượng “hallucination” (bịa đặt thông tin) của AI không hề giảm, thậm chí ngày càng gia tăng. Nếu đầu ra của AI chứa nhiều lỗi (và con người phải kiểm tra những lỗi đó thông qua đối chiếu văn bản gốc) thì việc kiểm tra còn mất công hơn. Ông nhấn mạnh: trong khoa học, uy tín cá nhân của tác giả, phản biện và nhà xuất bản đều bị đặt lên bàn cược khi sử dụng các thông tin được tạo ra bởi các AI này.

Điều gì nên và không nên giao phó cho AI?

Ghildiyal ví việc dùng AI giống như một người lãnh đạo giao việc cho thực tập sinh: cần đưa bối cảnh rõ ràng, định hướng cụ thể, và phản hồi kịp thời để công cụ phát huy hiệu quả. Nhưng trách nhiệm về phán đoán và định hướng vẫn hoàn toàn thuộc về con người. Một biên tập viên hoặc phản biện – nếu có sự sáng suốt và mục tiêu rõ ràng – có thể đạt hiệu quả lớn hơn bao giờ hết. AI có thể hỗ trợ việc tiêu hóa khối lượng nội dung khổng lồ, kiểm tra tuân thủ kỹ thuật, và làm nổi bật các mẫu tiềm ẩn mà con người có thể bỏ lỡ. Nhưng nó không thể quyết định cái gì thực sự quan trọng. Để làm được điều đó, cần sự chú ý, tầm nhìn, và một dạng “đồng cảm trí tuệ” – khả năng hiểu vì sao một vấn đề lại có ý nghĩa trong bối cảnh của lĩnh vực và cộng đồng nghiên cứu.

Theo ông, việc đặt câu hỏi “AI có thay thế được biên tập viên hay phản biện không?” là sai lầm. Vì ngoài kiến thức chuyên môn, biên tập viên và phản biện còn mang đến khả năng đánh giá điều gì là phù hợp, kịp thời và xứng đáng. Họ mang lại sự tinh tế, sự am hiểu về ngữ cảnh xã hội và nhân văn quanh nghiên cứu. Nếu phán đoán ấy bị cơ giới hóa, chỉ dựa vào chỉ số, cờ đỏ hay điểm số do AI sinh ra, thì khoa học không chỉ mất đi sự sắc thái mà còn có nguy cơ trở thành một dây chuyền vô cảm – điều này là tổn thất cho cả khoa học lẫn xã hội.

Vậy nên AI chỉ nên được coi là trợ lý, không phải là người thay thế. Biên tập viên và phản biện phải giữ vai trò lãnh đạo: đặt bối cảnh, định nghĩa tiêu chuẩn, hướng dẫn công cụ và xem xét kỹ lưỡng đầu ra, để mọi quyết định đều phản ánh sự giám sát cẩn trọng của con người. Tương tự, các nhóm xuất bản và đơn vị cung cấp dịch vụ nên dùng AI một cách có ý thức để nâng cao chất lượng quyết định, chứ không phải để lẩn tránh trách nhiệm.

Nói cách khác, ủy quyền cho AI không phải là giao phó trách nhiệm, mà là tổ chức sự hỗ trợ – trong đó con người vẫn nắm giữ mục đích, liêm chính và quyền kiểm soát. Và những người có thể phát triển trong kỷ nguyên này sẽ không phải là những ai đẩy trách nhiệm cho máy móc, mà là những người biết khai thác AI một cách thấu đáo để nâng cao chất lượng, tính liêm chính và tác động của khoa học.

Giữ con người làm trung tâm trong một tương lai máy móc phát triển

Ghildiyal kết luận: mục tiêu của khoa học là mở rộng hiểu biết nhân loại; mục tiêu của xuất bản học thuật là chọn lọc, xác thực và truyền đạt hiểu biết ấy một cách có trách nhiệm. AI chắc chắn sẽ tiếp tục được tích hợp, nhưng trái tim của hệ thống – phản biện và giám định – phải do con người nắm giữ. Tương lai không được quyết định bởi việc AI có thể làm gì, mà bởi cách con người lựa chọn sử dụng nó.

Jukka yêu cầu bằng chứng cho tuyên bố rằng AI đã đủ khả năng viết phản biện hay năng lực suy luận đang tiến bộ nhanh chóng. Theo ông, thực tế lại cho thấy điều ngược lại: AI đang tạo ra ngày càng nhiều “rác”. Nếu phải mất thêm công sức để kiểm tra, thì tốt hơn là không dùng ngay từ đầu. Rằng với xu hướng hiện nay – khi kỹ năng cơ bản như đọc hiểu cũng đang suy giảm – ông đặt câu hỏi: liệu còn ai sẽ tiếp tục làm khoa học trong 50 năm nữa, khi môi trường nghiên cứu đang ngập tràn ‘máy phát rác’?

Dịch từ The Scholarly Kitchen

Bài viết Phản biện, AI, và cuộc chiến bảo vệ ý nghĩa trong khoa học đã xuất hiện đầu tiên vào ngày ADuBiz.

Từ các dự án sinh thái học kéo dài hàng thập kỷ cho tới những nghiên cứu y sinh quy mô lớn, dữ liệu khoa học luôn cần được cập nhật và bảo tồn để đảm bảo tính minh bạch, khả năng truy xuất và tái lập kết quả. Tuy nhiên, việc duy trì nhiều phiên bản dữ liệu và trích dẫn đúng chuẩn vẫn là thách thức với nhiều nhóm nghiên cứu. Các chuyên gia đã đưa ra năm khuyến nghị giúp nhà khoa học quản lý dữ liệu một cách hệ thống và bền vững hơn.

Từ năm 1977, các nhà khoa học thuộc Dự án Portal đã đều đặn theo dõi sự tương tác giữa các loài gặm nhấm, kiến và thực vật và cách chúng phản ứng trước biến đổi khí hậu tại một vùng đất ở Arizona (Mỹ). Những năm đầu, dữ liệu chỉ được chia sẻ không chính thức. Đến thập niên 2000, nhóm bắt đầu công bố các bài báo dữ liệu định kỳ, mỗi bài ghép chung thông tin mới và cũ để đảm bảo cơ sở dữ liệu luôn được cập nhật.

“Thu thập dữ liệu không phải là việc làm một lần rồi thôi,” Ethan White – nhà khoa học dữ liệu môi trường tại Đại học Florida, người hợp tác với dự án từ năm 2002 – chia sẻ. Nhờ công cụ mới, nhóm đã tự động hóa và hiện đại hóa quy trình. Năm 2019, White cùng đồng nghiệp thiết lập hệ thống quản lý dữ liệu dựa trên GitHub, Zenodo và Travis CI, vừa giữ dữ liệu luôn tươi mới, vừa lưu lại tất cả phiên bản cũ. Tới nay, kho Zenodo của họ đã có hơn 600 phiên bản. “Chúng tôi muốn cập nhật thường xuyên nhưng vẫn đảm bảo bất kỳ ai cũng có thể tìm đúng bộ dữ liệu đã dùng trong phân tích cũ,” ông nói.

Không chỉ sinh thái học dài hạn mới cần cập nhật và lưu giữ dữ liệu. Trong nhiều lĩnh vực, nhà nghiên cứu liên tục chỉnh sửa, mở rộng, thậm chí thay đổi toàn diện bộ dữ liệu của mình – và vẫn tiếp tục xuất bản công trình khoa học. Tuy nhiên, Crystal Lewis – chuyên gia tư vấn quản lý dữ liệu ở Missouri – cho rằng hầu như không có hướng dẫn thống nhất, khi đưa ra nhận định rằng: “Không có tiêu chuẩn chung nào cho kho lưu trữ; và tạp chí cũng ít khi nói rõ cách chỉnh sửa hay trích dẫn dữ liệu mới, nên ai cũng làm theo cách riêng của mình”.

Việc thực hành năm gợi ý sau sẽ giúp việc cập nhật và trích dẫn dữ liệu của bạn trở nên rõ ràng và hệ thống hơn.

1. Chọn kho lưu trữ dữ liệu

Thay vì để dữ liệu trên website cá nhân hoặc dịch vụ đám mây vốn có nguy cơ mất hoặc khó tìm lại, hãy sử dụng các kho lưu trữ khoa học. Đây là nơi đảm bảo lưu trữ lâu dài, có nhiều bản sao dự phòng và gán mã định danh bền vững (persistent identifier) để dễ dàng tra cứu. Tùy lĩnh vực, bạn có thể chọn kho chuyên ngành như GenBank (dữ liệu gene) hoặc các kho tổng quát như Zenodo, Dryad, Figshare, Dataverse. Một số trường đại học và cơ quan tài trợ cũng cung cấp kho riêng, kèm hỗ trợ kỹ thuật.

2. Tạo nhiều phiên bản dữ liệu

Khi bổ sung hoặc chỉnh sửa, hãy tạo phiên bản dữ liệu mới thay vì ghi đè lên dữ liệu cũ. Cách này giúp tái lập kết quả cũ và theo dõi sự thay đổi theo thời gian, đồng thời tránh nhầm lẫn khi bạn quay lại sau nhiều tháng. Nhiều kho như Zenodo tự động cấp DOI riêng cho từng phiên bản và một DOI tổng liên kết tất cả. Nếu không dùng kho, bạn vẫn có thể quản lý phiên bản thủ công qua tên tệp hoặc công cụ như GitHub.

3. Quy ước tên tệp và thuật ngữ

Đặt tên tệp thống nhất, có ngày tháng (ví dụ: YYYYMMDD_tenfile), và lưu vào thư mục hợp lý để dễ nhận diện. Song song, cần ghi siêu dữ liệu (metadata) mô tả biến số, cấu trúc tệp và thuật ngữ đã sử dụng. Điều này đặc biệt quan trọng với dữ liệu y sinh, nơi các định nghĩa và truy vấn có thể thay đổi theo thời gian.

4. Viết nhật ký thay đổi

Nhật ký nên ghi rõ ngày, số phiên bản và nội dung chỉnh sửa, từ việc thêm biến số, sửa lỗi, đến thay đổi phần mềm hoặc phương pháp thu thập. Một số nhóm, như của Ethan White, duy trì cả “bài báo dữ liệu” cập nhật định kỳ để công khai chi tiết thay đổi. Đây là cách minh bạch hóa tiến trình và giúp cộng đồng khoa học theo dõi sự phát triển của bộ dữ liệu.

5. Cập nhật công nghệ

Dữ liệu trên 5 năm tuổi có nguy cơ khó truy cập do thiết bị và định dạng lỗi thời. Hãy lưu ở nhiều định dạng, ưu tiên định dạng mở như CSV, và định kỳ chuyển đổi sang chuẩn mới. Một số kho sẽ tự động hỗ trợ chuyển đổi khi tiêu chuẩn thay đổi. Nếu không, bạn cần chủ động xuất lại dữ liệu để tránh nguy cơ mất mát hoàn toàn.

Trong bối cảnh dữ liệu nghiên cứu ngày càng đóng vai trò then chốt, việc duy trì, chuẩn hóa và bảo tồn các phiên bản không chỉ giúp khoa học minh bạch hơn mà còn bảo vệ thành quả nghiên cứu, đảm bảo chúng tiếp tục phục vụ cho cộng đồng khoa học trong tương lai.

Dịch từ Nature

Bài viết Năm khuyến nghị dành cho nhà khoa học cho việc cập nhật dữ liệu nghiên cứu đã xuất hiện đầu tiên vào ngày ADuBiz.

Mặc dù Việt Nam đã đạt được nhiều thành tựu ấn tượng về tăng trưởng kinh tế và giáo dục trong ba thập kỷ qua, lợi tức từ giáo dục đại học (returns to higher education) – được hiểu là mức thu nhập tăng thêm nhờ có bằng cao đẳng/đại học – đã giảm rõ rệt từ năm 2010. Đây là xu hướng trái ngược với mục tiêu phát triển nguồn nhân lực chất lượng cao để đạt tầm quốc gia thu nhập cao vào năm 2045.

Trong ba thập kỷ qua, Việt Nam đã đạt được những bước tiến lớn về kinh tế và giáo dục, với GDP bình quân đầu người tăng hơn 450% từ năm 1986 đến 2020. Đồng thời, tỷ lệ hoàn thành tiểu học và tỷ lệ nhập học trung học cơ sở đều đạt trên 95%, trong khi kết quả PISA 2012 cho thấy học sinh Việt Nam vượt trội về toán và đọc hiểu so với nhiều quốc gia phát triển. Trong bối cảnh Việt Nam không ngừng nhấn mạnh vai trò của nguồn nhân lực chất lượng cao trong chiến lược phát triển quốc gia, một nghiên cứu mới công bố đã cho thấy một thực tế đáng lo ngại: lợi tức từ giáo dục đại học – tức phần tăng thêm của thu nhập do có bằng cao đẳng hoặc đại học – đã giảm liên tục kể từ năm 2010, bất chấp các nỗ lực mở rộng giáo dục đại học trong giai đoạn 2006–2013.

Từ tăng mạnh đến giảm dần sau năm 2010

Từ năm 1993 đến 2010, lợi tức từ giáo dục tại Việt Nam có xu hướng tăng nhanh. Ví dụ, một năm học thêm mang lại mức thu nhập cao hơn tới 11% vào năm 2002 – mức tương đối cao so với các nước đang phát triển. Trong giai đoạn 2002–2010, những người có bằng đại học thường nhận được mức lương cao hơn từ 70% đến hơn 100% so với người chỉ có bằng THPT.

Tuy nhiên, từ năm 2010 trở đi, mức chênh lệch này suy giảm mạnh. Với nam giới, lợi tức từ bằng đại học so với THPT giảm từ 81% (2010) xuống chỉ còn 56% (2012). Với nữ giới, mức giảm còn rõ hơn – từ 104% (2010) xuống còn 82% (2016). Song song, mức lương thực tế (đã điều chỉnh theo lạm phát) của người tốt nghiệp đại học gần như đứng yên trong suốt giai đoạn 2010–2016, trong khi những nhóm học vấn thấp hơn tiếp tục được cải thiện rõ rệt.

Dữ liệu từ Khảo sát Mức sống hộ gia đình (VHLSS) và Khảo sát Lực lượng Lao động (LFS) cho thấy đây là một xu hướng đáng tin cậy, nhất quán trên nhiều nguồn dữ liệu. Phân tích theo mô hình Mincer – tiêu chuẩn quốc tế trong đánh giá lợi tức giáo dục – cũng xác nhận rằng sự suy giảm này không chỉ đơn thuần là biến động ngắn hạn, mà là một xu hướng dài hạn. Trong khi lợi tức giáo dục có xu hướng giảm ở nhiều trình độ, sự sụt giảm rõ nhất xảy ra ở nhóm trình độ cao: cao đẳng và đại học. Điều này là nghịch lý so với lý thuyết kinh tế chuẩn, vốn dự đoán rằng học vấn càng cao thì thu nhập càng vượt trội.

Nguyên nhân do đâu?

Do cung lao động có trình độ tăng nhanh?

Việt Nam mở rộng mạnh hệ thống giáo dục đại học từ 2006–2013, làm tăng nhanh số người tốt nghiệp đại học. Tuy nhiên, phân tích ở cấp tỉnh cho thấy không có mối tương quan rõ rệt giữa sự gia tăng số người có bằng đại học và sự suy giảm lợi tức. Giả thuyết này không được xác nhận.

Do chất lượng đào tạo giảm?

Việc mở rộng quy mô có thể khiến chất lượng giảng dạy và đầu vào sinh viên suy giảm. Nhưng các phân tích lợi tức theo độ tuổi và thời gian tốt nghiệp không cho thấy xu hướng giảm năng lực rõ ràng ở nhóm tốt nghiệp sau này. Không có bằng chứng thuyết phục cho giả thuyết này.

Do sinh viên học các ngành có giá trị thấp hơn?

Nếu sinh viên chuyển hướng sang học các ngành ít được trả lương cao, lợi tức trung bình sẽ giảm. Tuy nhiên, dữ liệu cho thấy không có thay đổi lớn trong cơ cấu ngành học qua thời gian, do đó giả thuyết này cũng không có cơ sở.

Do Việt Nam đang chịu ảnh hưởng từ xu hướng quốc tế?

Đây là giả thuyết duy nhất chưa bị dữ liệu bác bỏ. Khi Việt Nam hội nhập sâu hơn vào chuỗi cung ứng toàn cầu, giá lao động có thể bị “neo” bởi mức giá ở các nước lớn hơn như Trung Quốc. Thực tế, lợi tức giáo dục tại Trung Quốc cũng đang giảm, cho thấy khả năng rằng thị trường lao động Việt Nam đang đồng bộ hóa với khu vực. Tuy chưa thể khẳng định nhân quả, nhưng đây là hướng cần tiếp tục điều tra sâu.

Hệ quả của xu hướng và khuyến nghị

Nếu lợi tức từ giáo dục đại học tiếp tục suy giảm, Việt Nam có thể đối mặt với một vòng luẩn quẩn: người học mất động lực đầu tư vào giáo dục bậc cao – nguồn nhân lực chất lượng cao bị thu hẹp – năng lực cạnh tranh quốc gia giảm – tăng trưởng dài hạn bị đe dọa. Điều này đặc biệt nguy hiểm trong bối cảnh chính sách tài chính đại học đang chuyển gánh nặng chi phí về phía người học từ sau năm 2015.

Dù vậy, không thể kết luận rằng xu hướng này hoàn toàn tiêu cực. Sự thu hẹp khoảng cách thu nhập giữa các trình độ có thể góp phần làm giảm bất bình đẳng. Ngoài ra, chi phí lao động trình độ cao thấp hơn có thể là yếu tố hấp dẫn FDI – vốn đang đóng vai trò lớn trong tăng trưởng của Việt Nam. Thực tế, năm 2021, dữ liệu LFS cho thấy có dấu hiệu lợi tức tăng nhẹ trở lại, có thể liên quan đến sự tăng tốc thu hút FDI hậu Covid-19.

Dù vậy, sự thiếu vắng dữ liệu chi tiết về nhu cầu kỹ năng của các doanh nghiệp hiện nay đang cản trở việc xác định chính xác nguyên nhân sâu xa. Trong bối cảnh đó, nghiên cứu khuyến nghị cần có thêm điều tra định kỳ ở cấp doanh nghiệp về cơ cấu kỹ năng và trình độ học vấn của lực lượng lao động. Đồng thời, chính sách giáo dục cần cân nhắc tới tính hiệu quả kinh tế của từng ngành học và chú trọng đảm bảo chất lượng đầu ra thay vì chỉ mở rộng quy mô. Việt Nam đang đứng trước một bài toán chiến lược: tiếp tục mở rộng giáo dục đại học, nhưng đồng thời phải đảm bảo rằng tấm bằng đại học vẫn là một khoản đầu tư đáng giá.

Chi tiết nghiên cứu

Banh, T. H., Dao, T. H., Glewwe, P., & Thai, G. (2024). An investigation of the decline in the returns to higher education in Vietnam. Education Economics, 32(5), 665-685. https://doi.org/10.1080/09645292.2024.2362262

Bài viết Lợi tức từ giáo dục đại học tại Việt Nam đang suy giảm? đã xuất hiện đầu tiên vào ngày ADuBiz.

Từ công cụ phổ biến đến điểm mù trong kiểm soát

Trong một khảo sát với hơn 30.000 giảng viên đến từ 10 trường đại học hàng đầu thế giới, phần lớn người tham gia cho biết họ dựa vào số lượng trích dẫn khi đánh giá ứng viên trong quá trình tuyển dụng hoặc thăng chức. Trong số đó, hơn 60% sử dụng Google Scholar để tra cứu chỉ số trích dẫn – nhiều hơn tất cả các nền tảng khác cộng lại. Dù các ngành học không khác biệt nhiều về việc có xem xét trích dẫn hay không, thì mức độ sử dụng Google Scholar lại có sự chênh lệch rõ rệt: giảng viên trong lĩnh vực Khoa học Máy tính và Khoa học Xã hội có xu hướng sử dụng Google Scholar nhiều hơn đáng kể so với giảng viên ngành Khoa học Tự nhiên. Những con số này cho thấy ảnh hưởng ngày càng sâu rộng của Google Scholar – nhưng cũng đồng thời đặt ra câu hỏi: liệu một công cụ miễn phí, không kiểm duyệt, lại dễ tạo hồ sơ như Google Scholar có đáng tin cậy đến vậy?

Từ câu hỏi đó, nhóm nghiên cứu đã chuyển hướng sang điều tra các dấu hiệu bất thường trong hơn 1,6 triệu hồ sơ học thuật. Họ phát hiện nhiều hồ sơ có biểu hiện “tăng trưởng trích dẫn” phi lý – và lần theo các dấu vết, họ phát hiện ra một dịch vụ chuyên bán trích dẫn. Để kiểm chứng, họ tạo ra một hồ sơ học thuật hoàn toàn giả mạo: 20 bài báo giả được tạo bởi trí tuệ nhân tạo, đứng tên một tác giả không có thật. Sau khi liên hệ với dịch vụ tăng trích dẫn, họ thành công mua được 50 lượt trích dẫn chỉ trong vòng vài tuần với chi phí thấp.

Dấu hiệu của việc thao túng có hệ thống

Phân tích sâu hơn cho thấy mô hình thao túng trích dẫn có thể được tổ chức khá tinh vi. Một số bài viết trích dẫn cùng một tác giả tới 45 lần, và hầu như toàn bộ các bài này đều trích dẫn đúng một nhóm bài viết giống nhau từ tác giả đó. Trong một số trường hợp, 90% tài liệu tham khảo trong bài viết là dành cho một tác giả duy nhất – điều này gần như không thể xảy ra một cách tự nhiên. Nhiều trích dẫn không hề xuất hiện trong phần nội dung chính của bài, chỉ nằm trong phần tài liệu tham khảo, cho thấy chúng không liên quan gì đến nội dung – chỉ đơn giản được đưa vào để tăng số lượng trích dẫn cho tác giả được nhắm đến. Một ví dụ gây sốc: một bài báo dài chỉ hai trang, có đúng một trích dẫn trong nội dung, nhưng lại liệt kê 29 lần trích dẫn cùng một tác giả trong phần tài liệu tham khảo.

Khi so sánh các hồ sơ khả nghi với những học giả tương đương về lĩnh vực, tuổi nghề và số lượng công bố, sự khác biệt trở nên rõ rệt. Những tác giả bị nghi ngờ có lượng trích dẫn tăng đột biến trong một năm cụ thể, không giống với mức tăng đều đặn ở nhóm đối chứng. Khi đối chiếu số lượt trích dẫn giữa Google Scholar và cơ sở dữ liệu Scopus – nơi chỉ chấp nhận các tạp chí đã qua kiểm duyệt – hơn 96% trích dẫn của các tác giả khả nghi không xuất hiện trong Scopus, so với mức sụt giảm 43% ở nhóm đối chứng.

Khả năng thao túng thuật toán

Điều đáng quan ngại là bất kỳ ai cũng có thể tạo ra một hồ sơ học thuật giả trên Google Scholar và nhanh chóng đạt được hàng trăm lượt trích dẫn, chỉ bằng cách đăng tải bài viết kém chất lượng lên các máy chủ lưu trữ bản thảo chưa qua phản biện (preprint servers), hoặc thông qua các dịch vụ tăng h-index trôi nổi. Nhóm nghiên cứu đã phát hiện 114 hồ sơ có dấu hiệu thao túng trích dẫn, phần lớn đến từ các nguồn không qua phản biện như arXiv, OSF, Authorea hay ResearchGate. Từ đó, họ tạo một nhân vật giả – một “nhà khoa học” làm việc tại một trường đại học không tồn tại, chuyên nghiên cứu về “Fake News” – và “trang bị” cho nhân vật này 20 bài báo do ChatGPT tạo ra, tất cả chỉ trích dẫn lẫn nhau và không nhắc đến bất kỳ nhà nghiên cứu thực sự nào.

Các bài báo này được đăng lên ba nền tảng Authorea, OSF và ResearchGate. Google Scholar sau đó đã tự động thu thập và lập chỉ mục các trích dẫn trong đó, tạo thành một hồ sơ với 380 lượt trích dẫn và h-index là 19. Thậm chí, một số bài viết chứa trích dẫn đến các bài báo… không hề tồn tại, nhưng Google Scholar vẫn chấp nhận và tính điểm như bình thường. Một chi tiết đặc biệt nguy hiểm là: ngay cả sau khi các bài viết đã bị xóa khỏi máy chủ (ví dụ như Authorea), các trích dẫn từ bài đó vẫn tiếp tục tồn tại trên Google Scholar. Người dùng có thể tạo bài viết giả mạo, để các trích dẫn được thu thập, rồi xóa bài viết khỏi nơi lưu trữ – xóa mọi dấu vết gian lận trước mắt người quan sát thông thường. Có đến 32% số bài viết từng trích dẫn các tác giả đáng ngờ đã không còn tồn tại trên các máy chủ, nhưng trích dẫn từ chúng thì vẫn đang góp phần nâng điểm cho các hồ sơ học thuật trên Google Scholar.

Không chỉ dừng lại ở thao túng bằng hồ sơ ảo, nhóm nghiên cứu còn mua được 50 lượt trích dẫn cho “nhân vật giả” từ một trang web quảng cáo dịch vụ “Tăng h-index và lượt trích dẫn”. Trích dẫn được tạo từ 5 bài báo có chứa số lượng lớn các tham chiếu vô nghĩa – trong đó nhiều trích dẫn không hề xuất hiện trong nội dung chính mà chỉ được liệt kê trong phần tài liệu tham khảo. Khi mở rộng phân tích, họ nhận thấy rằng nhiều tác giả khác cũng có dấu hiệu mua trích dẫn, khi cùng xuất hiện trong những bài báo này với số lần trích dẫn giống hệt nhau, cho cùng một nhóm bài viết. Điều này cho thấy khả năng rất cao rằng các trích dẫn này được “bán sỉ” – nghĩa là một bài viết giả sẽ “gánh” trích dẫn cho nhiều khách hàng cùng lúc.

Khi số liệu đánh giá học thuật bị bóp méo

Các bài báo chứa trích dẫn mua không chỉ xuất hiện đơn lẻ mà tập trung thành cụm trong cùng một tạp chí. Bằng cách phân tích mạng lưới các bài báo có số lượng trích dẫn trùng nhau cao bất thường, nhóm nghiên cứu phát hiện nhiều cụm bài viết cùng lặp lại danh sách trích dẫn giống nhau – biểu hiện rõ rệt của thao túng có hệ thống. Có tác giả được trích dẫn tới 30 bài giống hệt nhau từ 5 bài viết khác nhau. Có tác giả khác được trích dẫn 33 bài giống nhau từ 8 bài khác nhau. Việc mua bán trích dẫn không còn là trường hợp cá biệt, mà có thể là một thị trường ngầm hoạt động có tổ chức, đang làm méo mó nghiêm trọng cách đo lường thành tựu học thuật trên nền tảng như Google Scholar.

Khác với các hành vi như tự trích dẫn hay tạo “liên minh trích dẫn” (citation cartel), việc mua trích dẫn hoàn toàn không để lại dấu vết rõ ràng trong mạng lưới trích dẫn, khiến việc phát hiện gần như bất khả thi nếu chỉ dựa vào dữ liệu thuần túy. Một số trường hợp còn vượt xa mọi ngưỡng bất hợp lý từng được ghi nhận: có tác giả được trích dẫn 2.025 lần từ đúng 45 bài báo trong cùng một năm, hay một bài báo dài 3 trang liệt kê hơn 200 tài liệu tham khảo – trong đó có 167 lần trích dẫn cùng một tác giả. Những chỉ số đó, dù có vẻ ấn tượng, không phản ánh giá trị học thuật, mà là biểu hiện của sự thao túng có chủ đích.

Nghiên cứu cũng chỉ ra hai điểm yếu trầm trọng của Google Scholar. Thứ nhất, nền tảng này không cung cấp dữ liệu về các trích dẫn “đi ra” từ một bài báo, khiến việc phát hiện các cụm trích dẫn bất thường trở nên cực kỳ khó khăn. Thứ hai, cơ chế lập chỉ mục gần như không kiểm duyệt, cho phép các bài viết giả mạo, không có giá trị học thuật, được hiển thị ngang hàng với các nghiên cứu nghiêm túc. Tình trạng này càng đáng lo ngại khi các ủy ban tuyển dụng và thăng tiến tại các trường đại học hàng đầu vẫn phụ thuộc nặng nề vào chỉ số trích dẫn từ Google Scholar, bất chấp những lời cảnh báo ngày càng rõ ràng hơn.

Một thị trường ngầm trong thời đại AI?

Kết quả cho thấy tồn tại mối liên hệ giữa gian lận trích dẫn và các hoạt động xuất bản phi đạo đức như xuất bản săn mồi (predatory publishing), nhà máy sản xuất bài báo (paper mills), và giờ đây là “nhà máy trích dẫn” (citation mills) – những nơi chuyên cung cấp trích dẫn ảo cho người mua. Các bài báo chứa trích dẫn được mua thường được công bố trong cùng một số đặc biệt của một tạp chí có kiểm duyệt yếu, và không hề liên quan gì đến chủ đề chính của tạp chí – ví dụ như bài viết về chính trị, tôn giáo hay tin giả trong một tạp chí chuyên ngành hóa học. Điều đáng lo ngại là trong kỷ nguyên trí tuệ nhân tạo, việc thao túng trích dẫn sẽ ngày càng dễ dàng hơn. AI có thể tạo ra các bài báo “giả nhưng trông thật”, và “gieo trích dẫn” có chủ đích vào phần tài liệu tham khảo. Khi các nền tảng hiện tại vẫn có thể bị đánh lừa bởi các văn bản do AI tạo ra, nguy cơ xuất hiện các mạng lưới gian lận học thuật tự động hóa quy mô lớn là hoàn toàn hiện thực.

Để đối phó, các cơ sở dữ liệu như Google Scholar hay Scopus nên phát triển thêm các chỉ số phản ánh mức độ tập trung trích dẫn, chẳng hạn như c2-index hoặc adjusted c2-index, nhằm phát hiện những hồ sơ có dấu hiệu gian lận. Đồng thời, các hệ thống đánh giá học thuật nên cung cấp thông tin về nguồn gốc trích dẫn – ví dụ: bài trích dẫn có thuộc tạp chí có bình duyệt không, có nằm trong Q1 hay không, hay có phải là bài hội nghị uy tín? Những chỉ số này không chỉ giúp phân biệt trích dẫn chất lượng và trích dẫn rác, mà còn khuyến khích hành vi học thuật lành mạnh.

Cuối cùng, các ủy ban tuyển dụng và thẩm định học thuật cần nhận thức rõ về các hình thức thao túng trích dẫn hiện nay. Khi chỉ số trích dẫn có thể dễ dàng bị “thổi phồng” một cách giả tạo, việc đánh giá nghiên cứu và con người không thể chỉ dựa vào con số. Điều này đặc biệt quan trọng trong bối cảnh thành công học thuật vẫn gắn chặt với vị thế, giới tính, và danh tiếng – những yếu tố vốn đã tạo nên bất bình đẳng trong khoa học. Vì thế, hơn bao giờ hết, đã đến lúc đặt lại câu hỏi: chúng ta đang đánh giá điều gì – thành tựu khoa học, hay khả năng thao túng hệ thống?

Chi tiết nghiên cứu

Ibrahim, H., Liu, F., Zaki, Y., & Rahwan, T. (2024). Google Scholar is manipulatable. arXiv preprint arXiv:2402.04607

Bài viết GOOGLE SCHOLAR CÓ THỂ BỊ THAO TÚNG đã xuất hiện đầu tiên vào ngày ADuBiz.

Việc thực hiện phân tích trên InCites dựa trên việc sử dụng các bộ lọc đa dạng. Các bộ lọc này có sẵn trong tất cả sáu góc độ phân tích khác nhau, và đều sử dụng cùng một khoảng thời gian xuất bản, từ năm 1980 đến hiện tại. Bộ lọc cho phép bạn xác định liệu bạn muốn xem xét hiệu suất của một tổ chức nghiên cứu cụ thể dựa trên các ấn phẩm hay muốn thực hiện phân tích hợp tác hoặc so sánh. Bạn có thể sử dụng bộ dữ liệu có sẵn từ InCites làm cơ sở cho phân tích của mình hoặc chuẩn bị và tải lên bộ dữ liệu tự tạo. Bộ dữ liệu có thể được tải lên từ cơ sở dữ liệu WoS hoặc tải lên dưới dạng tệp CSV hoặc TXT. Tuy nhiên, cần lưu ý rằng chỉ các bản ghi xuất bản đã được chỉ mục trong các cơ sở dữ liệu WoS Core Collection mới được chuyển sang bộ dữ liệu InCites. Việc sử dụng bộ dữ liệu tự tạo cho phép, ví dụ, các tổ chức được xem xét ở các cấp độ phân cấp cụ thể hơn, như khoa, bộ môn hoặc nhóm nghiên cứu.

Các chủ đề phân tích

InCites cho phép phân tích từ sáu góc độ khác nhau, bao gồm các loại phân tích sau:

Nhà nghiên cứu: Cho phép phân tích sản phẩm xuất bản của hàng triệu nhà nghiên cứu khác nhau. Công cụ có thể trả lời các câu hỏi như ai là các nhà nghiên cứu có sản phẩm xuất bản nhiều nhất trong một lĩnh vực khoa học, quốc gia hoặc tổ chức cụ thể. Công cụ này cũng cho phép phân tích sự hợp tác giữa các nhà nghiên cứu thông qua các ấn phẩm đồng tác giả và kiểm tra xem các ấn phẩm này có được trích dẫn nhiều hơn hay ít hơn so với mức trung bình.

Tổ chức: Cho phép người dùng xem thông tin của gần 16.000 tổ chức được công nhận bởi InCites. Công cụ này giúp bạn xem dữ liệu xuất bản của một tổ chức cụ thể, lựa chọn tất cả các tổ chức nghiên cứu trong một quốc gia để xem xét, so sánh dữ liệu xuất bản của các tổ chức với nhau hoặc xem xét hợp tác tiềm năng giữa các tổ chức thông qua các ấn phẩm đồng tác giả.

Khu vực: Cho phép người dùng phân tích sản phẩm xuất bản của các quốc gia và khu vực địa lý khác nhau. Công cụ này cho phép bạn khám phá hoạt động xuất bản của một quốc gia nhất định, so sánh các quốc gia với nhau hoặc xem xét hợp tác xuyên biên giới qua các ấn phẩm đồng tác giả.

Lĩnh vực nghiên cứu: Cho phép phân tích chi tiết theo các lĩnh vực khoa học cụ thể. Bạn có thể chọn các phân loại lĩnh vực khoa học khác nhau để xem xét. Ngoài phân loại của Web of Science, bạn có thể chọn các hệ thống như OECD, UK REF và hệ thống phân loại cấp độ xuất bản do Bộ CWTS của Đại học Leiden phát triển.

Nguồn xuất bản: Cho phép phân tích chi tiết các tạp chí, sách và các ấn phẩm hội nghị là một phần của WoS Core Collection. Bạn có thể sử dụng công cụ này để tìm hiểu các kênh xuất bản mà các nhà nghiên cứu của một quốc gia hoặc tổ chức cụ thể sử dụng nhiều nhất hoặc trích dẫn thường xuyên nhất.

Tổ chức tài trợ: Cho phép phân tích các ấn phẩm và các bên tài trợ cho chúng. Công cụ này giúp bạn xem xét liệu các ấn phẩm do một tổ chức tài trợ nhất định có được trích dẫn nhiều hơn hay ít hơn so với mức trung bình, hoặc số lượng ấn phẩm được sản xuất trong một dự án cụ thể.

Chỉ số

InCites cung cấp hơn 80 chỉ số khác nhau giúp bạn xem xét năng suất, ảnh hưởng và sự hợp tác của đối tượng nghiên cứu. Các chỉ số này bao gồm các chỉ số quốc tế đã được công nhận để đo lường kết quả nghiên cứu, chẳng hạn như số lượng ấn phẩm, ấn phẩm Open Access, hợp tác quốc tế và số lượng và tỷ lệ trích dẫn của chúng, các chỉ số trích dẫn đã chuẩn hóa theo lĩnh vực và tạp chí, và các chỉ số Top X%.

Khi tính toán các chỉ số, cần lưu ý rằng InCites không có tùy chọn loại trừ tự trích dẫn. Người dùng cũng không thể xác định cửa sổ thời gian trích dẫn. Các chỉ số trích dẫn được tính từ thời điểm xem xét đến hiện tại.

Phân loại các lĩnh vực khoa học

InCites sử dụng phân loại Research Areas của WoS theo mặc định. Ngoài ra, InCites còn cung cấp nhiều hệ thống phân loại đa ngành khác được áp dụng quốc gia và quốc tế, bao gồm các phân loại của Mục tiêu Phát triển Bền vững (SDGs), Hệ thống phân loại Lĩnh vực Nghiên cứu (FoR), và phân loại của CWTS Đại học Leiden.

Tùy chọn trình bày, chia sẻ và lưu kết quả

Tất cả các phân tích được thực hiện với công cụ InCites có thể được trình bày dưới dạng bảng hoặc dưới dạng trực quan hóa trong giao diện người dùng của dịch vụ. Kết quả có thể được nhập vào định dạng CSV để xử lý thêm. Người dùng cũng có thể lưu các mẫu báo cáo trong InCites và chia sẻ chúng với người khác.

Giới hạn của công cụ

Giới hạn chính của InCites là khả năng truy cập, vì đây là công cụ trả phí. Giá giấy phép hàng năm phụ thuộc vào kích thước của tổ chức. Một yếu tố giới hạn khác là phạm vi dữ liệu trong dịch vụ, vì InCites sử dụng WoS Core Collection làm cơ sở dữ liệu, nên dữ liệu trong một số lĩnh vực khoa học nhất định vẫn còn hạn chế. Ngoài ra, công cụ này có một số giới hạn kỹ thuật, như kích thước tối đa của bộ dữ liệu người dùng tạo là 50.000 bản ghi.

Các trang hướng dẫn hữu ích

Bạn có thể tìm thấy các hướng dẫn hữu ích về cách tạo báo cáo và phân tích với InCites cũng như thông tin về các chức năng của dịch vụ trên trang LibGuides của nhà cung cấp dịch vụ và Sổ tay Chỉ số của InCites.

Tài liệu tham khảo

Clarivates (2022) InCites Help.

Clarivates (2020) InCites at a Glance.

Traag, V.A., Waltman, L. and van Eck, N.J. (2019) From Louvain to Leiden: guaranteeing well-connected communities. Scientific Reports 9, p. 5233.

Dịch từ Eduuni Wiki

Bài viết InCites Benchmarking & Analytics – Một công cụ đánh giá nghiên cứu đã xuất hiện đầu tiên vào ngày ADuBiz.

Khái niệm và vai trò của case study trong nghiên cứu

Case study là một phương pháp nghiên cứu phổ biến, trong đó người nghiên cứu xem xét một tình huống cụ thể trong thế giới thực để hiểu rõ hơn về các yếu tố tác động, quy trình, kết quả và bài học rút ra. Các nghiên cứu tình huống có thể được áp dụng trong nhiều lĩnh vực, từ kinh doanh và quản trị cho đến y tế, giáo dục và công nghệ. Mục tiêu của việc sử dụng case study là cung cấp cho người học và các nhà nghiên cứu một cái nhìn trực quan và thực tế về cách lý thuyết được áp dụng trong các tình huống thực tế.

Emerald case study là một bộ sưu tập nghiên cứu tình huống, được phát triển bởi Emerald, nơi người dùng có thể truy cập vào hàng ngàn bài nghiên cứu từ các tổ chức và doanh nghiệp trên toàn cầu. Những case study này không chỉ mô tả các tình huống thực tế mà còn phân tích chi tiết các quyết định quản lý, giải pháp, cũng như kết quả và các yếu tố ảnh hưởng đến các quyết định đó.

Các lợi ích khi sử dụng dữ liệu case study của emerald

Tính thực tiễn cao

Một trong những ưu điểm nổi bật của Emerald case study là tính thực tiễn của các tình huống được nghiên cứu. Những nghiên cứu tình huống này được xây dựng từ các tình huống thực tế trong các tổ chức và doanh nghiệp, do đó người đọc có thể dễ dàng áp dụng các bài học rút ra vào các tình huống thực tế trong công việc, học tập hoặc nghiên cứu của mình.

Phân tích chi tiết

Mỗi case study của Emerald không chỉ đơn thuần kể lại câu chuyện mà còn đi sâu vào phân tích các yếu tố tác động đến kết quả. Người đọc sẽ được cung cấp thông tin về bối cảnh, các quyết định đã được đưa ra, các chiến lược và giải pháp được áp dụng, cũng như các kết quả đạt được. Các phân tích này giúp người học và các nhà nghiên cứu hiểu rõ hơn về quy trình ra quyết định trong thực tế.

Ứng dụng đa dạng

Emerald cung cấp các case study trong nhiều lĩnh vực khác nhau như quản trị kinh doanh, tiếp thị, chiến lược, quản lý nhân sự, hệ thống thông tin và nhiều lĩnh vực khác. Điều này giúp người dùng có thể dễ dàng tìm kiếm và lựa chọn các nghiên cứu tình huống phù hợp với nhu cầu nghiên cứu của mình. Các case study này không chỉ hữu ích cho sinh viên mà còn cho các nhà nghiên cứu, giảng viên, và chuyên gia trong ngành.

Hỗ trợ giảng dạy và học tập

Emerald cung cấp nhiều tài liệu bổ sung như câu hỏi thảo luận, bài tập nghiên cứu, và các hướng dẫn giảng dạy, giúp giảng viên dễ dàng tích hợp các case study vào các khóa học của mình. Các sinh viên có thể áp dụng lý thuyết học được vào các tình huống thực tế để phát triển kỹ năng phân tích và giải quyết vấn đề.

Khả năng tiếp cận mọi lúc, mọi nơi

Dữ liệu case study của Emerald được cung cấp dưới dạng trực tuyến, cho phép người dùng dễ dàng truy cập vào bất kỳ lúc nào và từ bất kỳ đâu. Điều này đặc biệt hữu ích đối với sinh viên và các nhà nghiên cứu có nhu cầu tìm kiếm tài liệu nghiên cứu chất lượng cao mà không bị giới hạn về địa lý hay thời gian.

Cách sử dụng dữ liệu case study của emerald

Để sử dụng dữ liệu case study của Emerald, người dùng có thể thực hiện theo các bước đơn giản sau:

1. Truy cập vào emerald insight

Để truy cập các nghiên cứu tình huống của Emerald, người dùng cần đăng nhập vào Emerald Insight, nền tảng cung cấp tất cả các tài liệu học thuật và nghiên cứu của Emerald. Đây là nơi bạn có thể tìm kiếm các nghiên cứu tình huống theo chủ đề, lĩnh vực, tổ chức, hoặc các từ khóa cụ thể.

2. Tìm kiếm và lọc kết quả

Emerald cung cấp một công cụ tìm kiếm mạnh mẽ cho phép người dùng tìm kiếm các case study theo các tiêu chí khác nhau, chẳng hạn như lĩnh vực nghiên cứu, năm xuất bản, tác giả, tổ chức, hoặc các chủ đề cụ thể.

3. Đọc và tải xuống case study

Sau khi tìm thấy nghiên cứu tình huống phù hợp, người dùng có thể đọc bản tóm tắt (abstract) hoặc tải xuống toàn bộ nghiên cứu tình huống (thường ở dạng pdf) để nghiên cứu chi tiết hơn.

4. Sử dụng case study trong nghiên cứu và giảng dạy

Các case study có thể được sử dụng để hỗ trợ trong việc giảng dạy, nghiên cứu hoặc làm bài tập nhóm. Người học có thể phân tích các tình huống, đưa ra các giải pháp thay thế, và thảo luận về các kết quả có thể đạt được trong các tình huống khác nhau.

Kết luận

Dữ liệu case study của Emerald là một nguồn tài liệu quý giá, cung cấp cho người học và các nhà nghiên cứu cái nhìn sâu sắc về các tình huống thực tế trong các tổ chức và doanh nghiệp. Các nghiên cứu tình huống này không chỉ giúp người dùng hiểu rõ hơn về các chiến lược và quyết định trong quản lý, mà còn phát triển các kỹ năng phân tích và giải quyết vấn đề. Với tính thực tiễn cao, tính ứng dụng đa dạng và sự hỗ trợ từ các công cụ trực tuyến, Emerald là một nguồn tài nguyên tuyệt vời cho bất kỳ ai đang tìm kiếm thông tin chất lượng trong các lĩnh vực nghiên cứu khác nhau.

Bài viết Dữ liệu case study của emerald: tài nguyên hữu ích cho nghiên cứu và học tập đã xuất hiện đầu tiên vào ngày ADuBiz.

Cuộc khủng hoảng tái tạo là một vấn đề ngày càng trở nên phổ biến trong lĩnh vực nghiên cứu khoa học. Bài viết này sẽ bàn luận và cung cấp một cái nhìn tổng quan về chủ đề phức tạp này.

Tổng quan

Cuộc khủng hoảng tái tạo (replication crisis), còn được biết đến với tên gọi “khủng hoảng khả lặp” (reproducibility crisis) hay “khủng hoảng nhân rộng (replicability crisis), là cuộc khủng hoảng ảnh hưởng đến phương pháp nghiên cứu khoa học. Theo thời gian, nhiều người đã nhận ra rằng rất khó hoặc gần như không thể để tái tạo một cách chính xác kết quả của một số các công trình nghiên cứu khoa học. Tính khả lặp của dữ liệu thực nghiệm là yếu tố quan trọng đối với phương pháp khoa học, vì vậy việc gặp phải khó khăn trong quá trình tái lặp kết quả của một nghiên cứu hoặc lý thuyết sẽ làm suy giảm mức độ uy tín của nó.

Do đó, kiến thức khoa học có thể bị mất đi giá trị. Quá trình bình duyệt là một phần quan trọng của nghiên cứu khoa học, và nếu dữ liệu không thể được tái tạo, thì nó không thể được xác nhận. Cuộc khủng hoảng này đặc biệt ảnh hưởng đến lĩnh vực y học và khoa học xã hội. Đã có nhiều nỗ lực đáng kể được thực hiện trong những lĩnh vực này để xem xét lại các kết quả cổ điển, xác nhận tính khả thi của chúng và đánh giá lý do nếu chúng được coi là không đáng tin cậy. Có bằng chứng mạnh mẽ từ dữ liệu khảo sát cho thấy cuộc khủng hoảng còn ảnh hưởng đến mọi lĩnh vực trong khoa học tự nhiên.

Nhận thức về vấn đề này ngày càng được gia tăng, dẫn đến sự hình thành của thuật ngữ dành riêng cho nó vào đầu những năm 2010. Việc xác định vấn đề, xem xét nguyên nhân và xây dựng biện pháp khắc phục đã dẫn đến ngành khoa học mới được gọi là siêu khoa học(metascience), sử dụng phương pháp nghiên cứu thực nghiệm để xem xét thực hành nghiên cứu thực nghiệm.

Nghiên cứu thực nghiệm bao gồm cả  thu thập và phân tích dữ liệu Do đó, có hai loại xem xét liên quan đến khả năng tái tạo. Khả năng tái lặp (reproducibility) là sự xác nhận về cách phân tích và diễn giải dữ liệu. Việc lặp lại một thí nghiệm hoặc nghiên cứu để có dữ liệu độc lập mới xác nhận kết quả của nghiên cứu gốc xem xét khả năng nhân rộng (replication).

Nguyên nhân

Có một số nguyên nhân gây ra hiện tượng nghiên cứu có tính khả lặp thấp. Một nguyên nhân quan trọng là thiên kiến xuất bản (publication bias), khi các nghiên cứu có thể bị sai lệch về mặt thống kê do áp lực đưa ra các kết quả có ý nghĩa, do vậy bỏ qua các kết quả chính xác. Những nguyên nhân khác bao gồm các phương pháp phân tích dữ liệu đáng ngờ như tự do nghiên cứu của nghiên cứu viên, lôi kéo dữ liệu (data dredging) và HARKing (trình bày một giả thuyết hậu nghiệm trong phần giới thiệu báo cáo nghiên cứu như thể nó là một giả thuyết tiên nghiệm). Hay cũng có thể do không tuân theo các nguyên tắc nghiên cứu nghiêm ngặt, trong bối cảnh số lượng công bố và dữ liệu xuất bản mới gia tăng chóng mặt, khiến nhà nghiên cứu rơi vào tình trạng xuất bản hoặc lụi tàn (publish or perish).

Quy mô

Tạp chí Nature đã làm nổi bật quy mô của vấn đề vào năm 2016 thông qua một cuộc thăm dò ý kiến ​​với 1.500 nhà khoa học. 70% người tham gia báo cáo rằng họ đã không thể tái tạo được kết quả của ít nhất một nghiên cứu của đồng nghiệp. 87% nhà hóa học, 69% nhà vật lý và kỹ sư, 77% nhà sinh học, 64% nhà môi trường và khoa học trái đất, 67% nghiên cứu y học và 62% những người trả lời khác cũng công nhận vấn đề này. 50% thậm chí không thể tái tạo một trong những thí nghiệm của chính họ.

Bên cạnh đó, một số người tham gia báo cáo rằng biên tập viên và bình duyệt viên đã khuyên họ hạn chế việc so sánh với các nghiên cứu gốc khi họ báo cáo về sự thất bại trong tái tạo. Đôi khi vấn đề được tạo ra một cách có chủ ý – trong số những người tham gia nghiên cứu năm 2009, có 2% thừa nhận họ đã làm giả kết quả nghiên cứu ít nhất một lần, và 14% nói họ biết ai đó đã làm vậy. Theo một nghiên cứu, hành vi này xuất hiện còn thường xuyên hơn trong nghiên cứu y học.

Một nghiên cứu năm 2021 phát hiện rằng các bài báo có kết quả có thể tái tạo thường được trích dẫn ít hơn so với các bài báo có kết quả không thể tái tạo trong các tạp chí hàng đầu. Tác giả của nghiên cứu này cho biết một trong những lý do cho điều này là nhóm đánh giá có thể đối mặt với sự đánh đổi giữa duy trì các tiêu chuẩn khoa học nghiêm ngặt và sự hấp dẫn của bài báo. Ngoài ra, tác giả cũng cho biết một số bài báo có mục đích tạo sự hứng thú, bởi họ chịu áp lực phải nhận được kinh phí và thu hút sự chú ý từ truyền thông.

Tâm lý học: Lĩnh vực nằm ở trung tâm tranh cãi 

Tâm lý học có một vấn đề riêng khi nói đến khả năng tái tạo dữ liệu và kết quả nghiên cứu. Một nghiên cứu phân tích tổng hợp (meta-analysis) năm 2018 trên 200 bài báo kết luận rằng trung bình trong lĩnh vực nghiên cứu tâm lý học tồn tại tạp nham các nghiên cứu có độ tin cậy thống kê thấp. Vấn đề này đặc biệt nổi cộm trong mảng tâm lý học xã hội, nhưng các lĩnh vực nghiên cứu giáo dục, tâm lý lâm sàng và tâm lý phát triển cũng gặp vấn đề với khả năng tái tạo.

Một nghiên cứu được công bố trên Nature Human Behavior không thể tái tạo được 13 trong 21 bài báo về khoa học hành vi và khoa học xã hội được xuất bản trên Science và Nature, tức hai tạp chí hàng đầu. Trong một nghiên cứu khác, 186 nhà nghiên cứu từ 60 phòng thí nghiệm không thể tái tạo được 14 trong số 28 kết quả mặc dù có kích thước mẫu lớn. Một cách lý giải là sự phổ biến của các thực hành nghiên cứu đáng ngờ trong lĩnh vực tâm lý, bao gồm báo cáo chọn lọc, xuất bản một phần dữ liệu, tạo dựng câu chuyện sau khi có dữ liệu (poc-hoc storytelling) và dừng tùy ý (optional stopping).

Trong một nghiên cứu trên 2.000 nhà tâm lý, phần lớn đã thừa nhận thực hiện từng ít nhất sử dụng một kỹ thuật/thực hành nghiên cứu không đáng tin cậy. Để nhận biết giải pháp trong lĩnh vực này là một điều khó thực hiện, nhưng sự hợp tác quy mô lớn giữa các nhà nghiên cứu để làm cho dữ liệu của họ có thể được tiếp cập một cách miễn phí đang trở nên phổ biến hơn.

Y học

Các kết quả không thể tái lặp trong lĩnh vực y học có thể có hậu quả nghiêm trọng. Ví dụ, Cơ quan Quản lý Thực phẩm và Dược phẩm Hoa Kỳ đã  phát hiện ra rằng 10-20% các nghiên cứu y học được công bố trong khoảng từ năm 1977 đến 1990 mắc sai lầm. Năm 2012, Begley và Ellis phát hiện ra rằng trong số 53 nghiên cứu ung thư tiền lâm sàng, chỉ có 11% kết quả có thể được tái lặp thành công.

Một cuộc khảo sát của Nature phát hiện ra rằng hơn 70% người tham gia không thể tái tạo kết quả của ít nhất một nghiên cứu khác. Hơn một nửa không thể sao chép ít nhất một trong những thí nghiệm của họ. John Ioannidis của Đại học Stanford đã kêu gọi sự cải cách rộng rãi, với một giải pháp là xây dựng một mô hình y tế tập trung hơn vào bệnh nhân, thay vì thực tế ưa chuộng nhu cầu của bác sĩ, nhà tài trợ và nhà nghiên cứu như hiện tại.

Tương lai

Để nghiên cứu có giá trị, kết quả và dữ liệu phải có khả năng tái tạo, và hiện nay, đây là một cuộc khủng hoảng nghiêm trọng trong nhiều lĩnh vực khoa học. Không có giải pháp dễ dàng cho khủng hoảng tái tạo, nhưng những nhà nghiên cứu, tạp chí, biên tập viên học thuật và các nhóm ủng hộ có thể đóng vai trò trong việc đảm bảo rằng các tiêu chuẩn mạnh mẽ được tuân thủ trong nghiên cứu khoa học. Với sự tập trung ngày càng tăng vào cuộc khủng hoảng tái tạo, có thể có một hướng đi mà sẽ cải thiện tính hợp lệ và chất lượng của nghiên cứu một cách đáng kể.

Lược dịch từ Reginald Davey (2022). What is the Replication Crisis? News-Medical

Bài viết Cuộc khủng hoảng tái tạo là gì? đã xuất hiện đầu tiên vào ngày ADuBiz.

Việc giành một Giải Nobel có thể là một sự kiện thay đổi cuộc đời. Những người chiến thắng được đưa lên sân khấu trước cả thế giới, và đối với nhiều nhà khoa học, sự công nhận này đại diện cho đỉnh cao của sự nghiệp của họ.

Nhưng tác động của việc giành một giải thưởng lớn như vậy đối với nền khoa học là gì? John Ioannidis, một nhà dịch tễ học tại Đại học Stanford, muốn tìm hiểu về điều này. Những giải thưởng như Giải Nobel là “một công cụ danh tiếng quan trọng”, ông nói, nhưng ông cũng đặt câu hỏi rằng “liệu chúng có thực sự giúp các nhà khoa học trở nên năng suất và có tầm ảnh hưởng hơn không?”

Vào tháng Tám, một nhóm nghiên cứu do Tiến sĩ Ioannidis dẫn đầu đã công bố một nghiên cứu trên tạp chí Royal Society Open Science. Nghiên cứu này cố gắng định lượng xem các giải thưởng lớn có thúc đẩy khoa học phát triển hay không. Sử dụng các mô hình xuất bản và trích dẫn dành cho các nhà khoa học đã giành Giải Nobel hoặc MacArthur Fellowship – còn được gọi là giải thiên tài – nhóm nghiên cứu đã phân tích cách tuổi tác và các giai đoạn trong sự nghiệp ảnh hưởng tới mức độ năng suất thời kỳ hậu giải thưởng. Nhìn chung, nhóm nghiên cứu nhận thấy rằng, sau khi dành một trong hai giải thưởng lớn này, các học giả có mức độ ảnh hưởng tương đương hoặc thậm chí suy giảm trong lĩnh vực của họ.

TS. Joannidis nhận định rằng “Những giải thưởng này dường như chẳng có vẻ gì là góp phần nâng cao hiệu suất của các nhà khoa học. Thực tế, nó dường như có ảnh hưởng theo chiều ngược lại”. Nghiên cứu trên góp phần làm sáng tỏ cách cách các giải thưởng định hình quá trình làm khoa học, mặc dù các học giả khác nhau sẽ có quan điểm khác nhau về những yếu tố nào là quan trọng nhất.

Kể từ năm 1901, Quỹ Nobel đã trao giải thưởng cho các thành tựu đột phá trong lĩnh vực vật lý, y học và hóa học (ngoài giải thưởng cho hòa bình, văn học, và từ năm 1969 có thêm nghiên cứu kinh tế). Quỹ Thiên tài được thành lập vào năm 1981, và khác với Giải Nobel, được trao thưởng như một sự đầu tư vào tiềm năng của một cá nhân.

Nhóm nghiên cứu của Tiến sĩ Ioannidis đã tìm hiểu về những người chiến thắng của cả hai giải thưởng để kiểm chứng vấn đề tuổi tác ảnh hưởng thế nào đến năng suất làm khoa học. Trung bình, những người chiến thắng Giải Nobel thường lớn tuổi hơn và đã tiến xa hơn trong sự nghiệp của họ so với những người đoạt giải thưởng Thiên tài.

Đối với nghiên cứu này, nhóm đã chọn mẫu gồm 72 người chiến thắng Giải Nobel và 119 học giả được cấp quỹ Thiên tài từ thế kỷ này. Từ đó đối chiếu số lượng xuất bản và lượng trích dẫn của mỗi người ba năm trước so với sau khi được trao thưởng. Theo TS. Ioannidis, xem xét số lượng bài báo xuất bản giúp cung cấp thông tin về số lượng công trình mới mà một học giả đang thực hiện, trong khi lượng trích dẫn cho thấy tầm ảnh hưởng của công trình đó trong lĩnh vực.

Kết quả cho thấy rằng sau khi đoạt giải Nobel, các học giả công bố số lượng tương đương trước khi đoạt giải, nhưng những công bố sau đó lại ít được trích dẫn hơn so với những nghiên cứu được công bố trước khi nhận giải. Ngược lại, các học giả nhận được giải thưởng “Thiên tài” đã xuất bản nhiều hơn một chút, nhưng số lượng trích dẫn của họ vẫn giữ ở mức tương tự. Tỷ lệ trích dẫn mỗi bài báo đối với cả người chiến thắng Giải Nobel và những học giả quỹ “Thiên tài” đều giảm sau khi họ giành giải.

Khi phân tích xu hướng trực tiếp về tuổi tác, nhóm đã tìm thấy rằng những người chiến thắng một trong hai giải thưởng và có tuổi từ 42 trở lên đã có sự sụt giảm trong số lượng trích dẫn và số lượng xuất bản sau khi giành giải. Người chiến thắng dưới 41 tuổi xuất bản nhiều hơn và được trích dẫn nhiều hơn. Về điều này, các nhà nghiên cứu nhận xét rằng tuổi tác thực sự có vai trò lớn tới năng suất làm việc của những người đoạt giải.

Tuy nhiên, Harriet Zuckerman, một nhà xã hội học tại Đại học Columbia, người đã dành cả cuộc đời để theo dõi cuộc sống và công việc của các người chiến thắng Giải Nobel, cho rằng cái khó nằm ở việc đánh giá hiệu suất làm việc chỉ qua các con số  đơn giản. Sự khó khăn tăng lên khi phải đánh giá khái quát trên các lĩnh vực khoa học khác nhau, với các tiêu chuẩn khác nhau cho việc xuất bản hoặc trích dẫn nghiên cứu. Ví dụ, ở một số lĩnh vực, các nhà khoa học lão làng có thể không đề tên trong danh sách tác giả để nhường lại cơ hội cho các nhà khoa học mới vào nghề.

Mặc dù TS. Zuckerman không gán các con số này là năng suất, bà cũng đã nghiên cứu cách các mô hình xuất bản và trích dẫn của người chiến thắng Giải Nobel thay đổi theo tuổi tác, giai đoạn sự nghiệp và các yếu tố khác. Cô nhận thấy rằng việc trải nghiệm sự nổi tiếng là yếu tố gây ra sự thay đổi lớn nhất, thứ mà các học giả Nobel phải đối mặt, còn các học giả quỹ “Thiên tài” thì không.

“Các nhà khoa học được đối xử như người nổi tiếng, như thể mọi ý kiến của họ đều có ý nghĩa to lớn đến mọi thứ, bởi cả những người thuộc lĩnh vực của họ và những người không thuộc thế giới khoa học… Điều này rất là phiền.”

Andrea Ghez, một nhà vật lý thiên văn tại Đại học California, Los Angeles, đã đồng tình rằng sự khác biệt giữa việc trở thành một người đoạt giải thưởng “Thiên tài” (điều mà bà đã đạt được vào năm 2008 khi bà 43 tuổi) và một người chiến thắng Giải Nobel vật lý (điều mà bà đã đạt được năm 2020 khi bà 55 tuổi) là rất lớn. Cụ thể, “Việc giành Giải Nobel đi kèm với một phần trách nhiệm cực kỳ to lớn, đặc biệt là khi được biết đến như một nhà lãnh đạo trên thế giới”. Đối với TS. Ghez, điều này bao gồm cả việc trở thành một biểu tượng tích cực cho phụ nữ cũng như việc bảo vệ tầm quan trọng của khoa học – hai tác động không được nhìn thấy trong số lượng bài báo hay số lượng trích dẫn.

Một lý do khác khiến các người chiến thắng Giải Nobel có sự sụt giảm trong năng suất là họ cảm thấy đã đạt đỉnh ở một lĩnh vực nghiên cứu và muốn thử một cái gì đó mới. Dashun Wang, nhà nghiên cứu đang công tác tại Đại học Northwestern (không tham gia vào nghiên cứu này) gọi giai đoạn này là “phạt đền (pivot penalty)” – khi nhà khoa học thay đổi hướng nghiên cứu.

TS. Wang cho biết điều này dẫn đến một sự sụt giảm tạm thời trong tỷ lệ xuất bản, nhưng sau khoảng ba năm, tỷ lệ này sẽ tăng trở lại. Ông cho rằng nên xem điều này là tích cực. “Điều đó có nghĩa là những người này muốn tiếp tục thúc đẩy ranh giới”, ông nói thêm.

TS. Ghez bình luận rằng, đoạt Giải Nobel sẽ mang lại sự tự tin và uy tín để theo đuổi các ý tưởng lớn hơn, tham vọng hơn. “Những bài báo mang tính đột phá thường không được đo bằng số lượng trích dẫn”, bà nói.

TS. Ioannidis thừa nhận hạn chế của việc đo lường mức độ năng suất bằng số lượng bài báo và lượt trích dẫn, vì chúng chỉ cho thấy một phần của câu chuyện. 

Nhưng cho đến khi có dữ liệu để định lượng những lợi ích đó, TS. Ioannidis vẫn nhận thấy nỗ lực đánh giá tác động của các giải thưởng này và thúc đẩy cộng đồng suy nghĩ sâu sắc hơn về cách đạt được những kết quả mạnh mẽ, có tầm ảnh hưởng hơn là có giá trị. TS. Ioannidis tuyên bố, “Khoa học là điều tốt nhất có thể xảy ra với con người”. Nhưng ông cũng nói thêm rằng, làm thế nào để tận dụng lợi ích của nó một cách tốt nhất cũng lại là một câu hỏi khoa học.

Lược dịch từ The New York Times

Bài viết Giải thưởng Nobel có thể làm giảm tầm ảnh hưởng của nhà khoa học đã xuất hiện đầu tiên vào ngày ADuBiz.