Có thể hình dung đơn giản rằng mỗi đường mạng truy cập vào Sage sẽ được xem như một mã định danh. Đường mạng này có thể là mạng cá nhân, mạng từ quán cà phê, mạng từ trường đại học… Khi có dấu hiệu cho thấy đường truy cập này bị sử dụng theo cách mà nhà xuất bản không cho phép, họ sẽ truy ra và chặn mã định danh của đường truyền ấy.

Sci-hub hoạt động bằng cách lấy bài báo trực tiếp từ các trang xuất bản học thuật. Các nhà xuất bản biết rõ điều này và luôn giám sát hệ thống của họ để phát hiện những cách truy cập bất thường. Khi họ nhận thấy có quá nhiều bài bị lấy trong thời gian ngắn, hoặc các yêu cầu truy cập không giống với hành vi đọc bình thường của con người, hệ thống sẽ tự động kích hoạt cơ chế chặn.

Điều quan trọng là hệ thống này không phân biệt được đâu là Sci-hub, đâu là người dùng bình thường. Nó chỉ nhìn thấy rằng đường truy cập đó có liên quan đến việc lấy bài không hợp lệ. Vì vậy, nếu nhà khoa học tình cờ sử dụng cùng đường truy cập đó, họ cũng sẽ bị chặn theo, dù bản thân không hề có ý định hay hành vi gì sai. Việc bị chặn thường xảy ra ngay sau khi truy cập Sci-hub là vì các tín hiệu bất thường xuất hiện rất rõ trong khoảng thời gian ngắn. Hệ thống của Sage được thiết kế để phản ứng nhanh và hoàn toàn tự động, giống như một cánh cửa cuốn đóng lại ngay khi phát hiện dấu hiệu không an toàn, mà không cần con người ngồi kiểm tra từng trường hợp.

Nhiều người lo rằng mình có bị ghi sổ đen hay bị theo dõi cá nhân hay không. Trong thực tế, điều này hầu như không xảy ra. Việc chặn chỉ áp dụng tạm thời cho đường truy cập, chứ không gắn với danh tính cá nhân, không ảnh hưởng đến hồ sơ học tập, nghiên cứu hay uy tín học thuật. Khi đổi sang một đường truy cập khác hoặc sau một thời gian nhất định, quyền truy cập thường sẽ tự động được khôi phục. Một dấu hiệu dễ nhận biết là nhà khoa học chỉ không vào được Sage khi dùng một mạng cụ thể, trong khi chuyển sang mạng khác thì mọi thứ lại bình thường. Thậm chí, đôi khi ngay cả những bài báo miễn phí cũng không mở được nếu đường truy cập đang bị chặn.

Giải pháp

Trong nhiều trường hợp, việc không truy cập được Sage sau khi vào Sci-hub chỉ mang tính tạm thời và có thể được khắc phục khá đơn giản. Một trong những cách thường được áp dụng là khởi động lại modem mạng. Đối với những kết nối internet sử dụng địa chỉ mạng thay đổi theo thời gian, việc khởi động lại modem có thể giúp hệ thống cấp một đường truy cập mới, từ đó cho phép người dùng truy cập lại các trang học thuật như bình thường. Tuy nhiên, cần lưu ý rằng đây không phải là giải pháp triệt để. Nếu tiếp tục truy cập Sci-hub trên cùng đường mạng đó, khả năng bị Sage tự động chặn trở lại là rất cao.

Vì lý do này, một lựa chọn an toàn hơn là hạn chế trực tiếp truy cập Sci-hub và thay vào đó nhờ sự hỗ trợ từ những người có quyền truy cập hợp pháp vào các cơ sở dữ liệu học thuật. Hiện nay có nhiều cộng đồng học thuật hoạt động rất tích cực trong việc hỗ trợ chia sẻ bài báo khoa học giữa các nhà nghiên cứu. Một số cộng đồng được nhiều người biết đến có thể kể đến như PhD Hub, VietPhD, Research Coach in Social Sciences, hoặc trang web Science hub Mutual Aid. Thông qua các kênh này, nhà khoa học có thể tiếp cận tài liệu cần thiết mà không làm gián đoạn khả năng truy cập vào các trang xuất bản chính thống.

Một giải pháp khác mà nhiều người nhắc tới là sử dụng các dịch vụ VPN. Về mặt nguyên lý, VPN tạo ra một đường truy cập internet khác so với đường mạng đang bị chặn, từ đó có thể giúp truy cập lại các trang như SAGE. Tuy nhiên, cần hiểu rằng đây chỉ là một biện pháp mang tính kỹ thuật, không giải quyết gốc rễ của vấn đề. Nếu tiếp tục có những hoạt động bị hệ thống của nhà xuất bản đánh giá là bất thường, việc bị chặn vẫn có thể lặp lại. Ngoài ra, việc sử dụng VPN cũng cần được cân nhắc cẩn trọng để không vi phạm quy định của cơ quan, trường đại học hoặc tổ chức mà nhà khoa học đang công tác. Trong phạm vi bài viết này, tác giả không quảng bá cho các phần mềm VPN nào. Người đọc có thể tham khảo những công cụ VPN được Google đánh kiểm định và đánh giá.

Nhìn chung, giải pháp bền vững nhất vẫn là ưu tiên các con đường tiếp cận tài liệu hợp pháp và mang tính cộng đồng. Việc dựa vào mạng lưới học thuật, trao đổi trực tiếp với đồng nghiệp hoặc tác giả, và tận dụng các nguồn mở giúp giảm rủi ro bị gián đoạn truy cập, đồng thời tránh những phiền toái không đáng có trong quá trình nghiên cứu.

Bài viết Tôi và nhà xuất bản hàng đầu thế giới cạch mặt! đã xuất hiện đầu tiên vào ngày ADuBiz.

Ngay từ những ngày đầu bước chân vào chương trình tiến sĩ, Md Doulotuzzaman Xames đã tin rằng mình mình đang đi đúng hướng. Anh sớm xác định được đề tài luận án: ứng dụng công cụ số nhằm phòng ngừa kiệt sức ở nhân viên y tế – một chủ đề vừa cấp thiết vừa mang đậm ý nghĩa cá nhân. Cảm giác được góp phần vào một cộng đồng khoa học, chung tay hỗ trợ những người ở tuyến đầu chăm sóc sức khỏe, khiến anh làm việc với nhiều hứng khởi và niềm tin.  

Thế nhưng, như nhiều nghiên cứu sinh khác, anh nhanh chóng bị cuốn vào guồng quay căng thẳng giữa việc học, giảng dạy và nghiên cứu. Kỳ thi sơ bộ cận kề như một ngã rẽ lớn, và Xames dường như không còn nhiều thời gian để dừng lại và hít thở. Anh thường xuyên bỏ bữa để viết thêm vài dòng, làm việc xuyên cuối tuần với suy nghĩ “mình cần tranh thủ để không bị chậm”. Mỗi sáng, việc mở email thôi cũng khiến tim anh đập nhanh, lo lắng vì sợ thêm những đầu việc mới. Ban đầu, anh cho rằng đó chỉ là giai đoạn căng thẳng tạm thời. Nhưng rồi, cảm giác ấy cứ âm ỉ kéo dài đến mức anh không còn biết phải gọi tên nó là gì.

Mọi chuyện chỉ thực sự rõ ràng vào một buổi tối gần cuối năm thứ hai. Trong lúc cần một chút gì đó để tự trấn an, anh đã làm thử một bài kiểm tra tự đánh giá mức độ kiệt sức. Kết quả hiện lên khiến anh chết lặng: hầu hết các dấu hiệu đều có, từ mệt mỏi cảm xúc, mất kết nối với công việc, đến cảm giác không còn tạo ra điều gì có ý nghĩa. Anh nhìn chằm chằm vào kết quả ấy, như thể ai đó vừa vạch trần những cảm xúc mà bấy lâu nay anh vẫn cố gắng che giấu.

Dù vậy, Xames vẫn cố gắng phủ nhận mọi thứ thêm vài tuần, cho đến khi cơ thể và tâm trí không còn gắng gượng được nữa. Một buổi tối, anh ngồi lặng trước màn hình máy tính, chăm chăm nhìn vào đoạn văn đã bị chỉnh đi chỉnh lại hàng chục lần mà vẫn không thấy ổn. Sự mệt mỏi, bất lực và xa rời với công việc bỗng ùa đến, vỡ òa trong im lặng. Anh khẽ gập máy tính lại, và trong đầu thoáng vang lên suy nghĩ “Có lẽ… mình không thể tiếp tục được nữa?”.

Ngày hôm sau, trong buổi gặp định kỳ với giảng viên hướng dẫn, khi cuộc trò chuyện sắp kết thúc, thầy bất chợt nhìn anh rất lâu rồi nhẹ nhàng nói “Xames, em nên nghỉ ngơi một thời gian đấy”. Dù chỉ một câu đơn giản, nhưng lại chạm đúng vào điều anh đang cố giấu. Chính khoảnh khắc ấy, lần đầu tiên anh dám đối diện và thừa nhận với chính mình: mình thực sự đang không ổn.

Là người nghiên cứu về kiệt sức, anh hiểu rõ những yếu tố nguy cơ: làm việc liên tục không nghỉ, thiếu ranh giới giữa công việc và cuộc sống, hay tình trạng căng thẳng kéo dài. Nhưng hiểu là một chuyện, còn thực sự sống trong guồng quay đó lại là chuyện hoàn toàn khác. Anh nhận ra mình đã rơi vào chính vòng xoáy mà trước đây từng phân tích trong các bài viết học thuật, chỉ khác là lần này anh không phải với tư cách nhà nghiên cứu, mà là người trong cuộc.

Sau cuộc trò chuyện hôm đó, anh bắt đầu điều chỉnh nhịp độ làm việc. Lần đầu tiên sau nhiều năm, anh cho phép bản thân thiết lập những ranh giới rõ ràng: không làm việc sau bữa tối, hay không còn lấy việc bận rộn làm thước đo cho sự chăm chỉ. Thay vào đó, anh dành thời gian trở lại với những thú vui từng bị bỏ quên – những sở thích đời thường, những hoạt động không liên quan gì đến luận án. Tất cả những điều này, anh từng đọc thấy trong các tài liệu khoa học về phục hồi tinh thần. Nhưng chỉ đến khi tự mình áp dụng, anh mới thấm thía được giá trị thật sự của chúng.

Tuy nhiên, việc phục hồi không diễn ra trong ngày một ngày hai. Thỉnh thoảng, trong đầu anh vang lên những tiếng thì thầm quen thuộc “Mình phải nỗ lực nhiều hơn nữa”, “Mình đang tụt lại phía sau”. Thế nhưng, theo thời gian, anh dần học được cách nhìn nhận mọi thứ với một góc độ khác. Anh hiểu rằng, trước khi là một nghiên cứu sinh, anh là một con người, và việc chăm sóc chính mình cũng quan trọng chẳng kém gì việc theo đuổi một công trình học thuật.

Và rồi, một điều tưởng chừng trớ trêu, nhưng có lẽ cũng là điều tất yếu đã xảy ra: khi anh buông bỏ nỗi ám ảnh về thành tích và thôi quay cuồng trong lo âu, công việc lại trở nên suôn sẻ hơn. Ý tưởng đến một cách tự nhiên hơn, và việc viết lách không còn là cuộc vật lộn mệt mỏi mà trở thành một hành trình sáng tạo đầy sống động. Lúc ấy, anh không còn đứng ngoài để quan sát hiện tượng kiệt sức như một nhà nghiên cứu xa rời thực tế, mà đã thực sự trải qua nó. Chính trải nghiệm đó nhắc anh nhớ rằng: đằng sau những con số, mô hình và biểu đồ là những con người bằng xương bằng thịt với cảm xúc chân thật và giới hạn rõ ràng.

Hiện tại, Xames vẫn tiếp tục nghiên cứu về kiệt sức, nhưng với một góc nhìn sâu sắc và toàn diện hơn. Bên cạnh việc tìm hiểu các yếu tố gây kiệt sức, anh bắt đầu quan tâm nhiều hơn đến khả năng phục hồi, tính bền vững trong nghề nghiệp, và đặc biệt là lòng trắc ẩn – không chỉ với người khác mà còn với chính bản thân mình. Công việc giờ đây không còn là cuộc chạy đua không hồi kết, mà trở thành hành trình trưởng thành cả về mặt học thuật lẫn đời sống nội tâm. 

Bài học lớn nhất mà Xames rút ra từ toàn bộ hành trình ấy không đến từ bất kỳ bài báo khoa học hay học thuyết nào, mà từ chính trải nghiệm sống: rằng dù công việc có quan trọng đến đâu, thì sức khỏe tinh thần và sự bình an bên trong vẫn cần được ưu tiên. Rằng đôi khi, bước tiến quan trọng nhất không nằm ở việc làm nhiều hơn, nhanh hơn, mà ở khả năng dừng lại đúng lúc để lắng nghe bản thân, để quay về với chính mình, như một con người trước khi là một học giả.

Dịch từ Science

Bài viết Khi người nghiên cứu trở thành đối tượng nghiên cứu: Hành trình vượt qua kiệt sức 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.

Để đối phó với khối lượng dữ liệu ngày càng tăng, nghiên cứu định lượng trong khoa học xã hội ngày càng phụ thuộc vào các phương pháp thống kê suy luận thống kê phức tạp. Trong bài viết này, Kevin R. Murphy lập luận rằng, dù những phương pháp này có thể mang lại nhiều giá trị, chúng không nên làm lu mờ tầm quan trọng của các thống kê mô tả vốn dĩ đơn giản hơn, nhưng lại đóng vai trò quan trọng trong việc truyền đạt ý nghĩa nghiên cứu đến các nhà hoạch định chính sách và những người sử dụng kết quả nghiên cứu khác.

Nghiên cứu trong khoa học xã hội và hành vi ngày càng dựa nhiều vào các phương pháp thống kê phức tạp để giải thích dữ liệu. Khi các nhà nghiên cứu bắt đầu đưa “dữ liệu lớn” (tức các tập dữ liệu cực lớn, thường được thu thập tự động, với bốn đặc trưng: khối lượng, tốc độ, đa dạng, độ tin cậy) vào công trình của mình, xu hướng phụ thuộc vào các phương pháp phức tạp để lọc và phân tích dữ liệu sẽ còn tăng mạnh. Trình độ phân tích thống kê cao hơn chắc chắn mang lại lợi ích, giúp giải quyết những câu hỏi mà các công cụ đơn giản không thể xử lý. Nhưng đồng thời, nó cũng kéo theo nhiều thách thức.

Thứ nhất, khi phân tích thống kê trở nên phức tạp hơn, khả năng nhà nghiên cứu và độc giả hiểu được những gì phân tích này có thể hoặc không thể chỉ ra lại giảm xuống.
Thứ hai, bằng chứng cho thấy rõ ràng: khi phân tích thống kê càng phức tạp, nguy cơ mắc lỗi nghiêm trọng trong phân tích và diễn giải càng cao.
Thứ ba, nhiều phương pháp phổ biến trong khoa học xã hội và hành vi lại dựa nặng, thậm chí độc quyền, vào một công cụ đang dần mất uy tín trong cộng đồng khoa học: kiểm định giả thuyết không. Các quyết định then chốt thường dựa vào việc xác định một tham số trong mô hình thống kê có ý nghĩa thống kê hay không. Với các thống kê đơn giản (ví dụ: hệ số tương quan giữa hai biến, sự khác biệt giữa vài giá trị trung bình), kiểm định khá dễ hiểu. Nhưng khi phân tích phức tạp hơn, các thành phần chính của kiểm định (ví dụ: sai số chuẩn của tham số trong mô hình) cũng phức tạp lên, khiến khó hiểu vì sao một tham số nào đó khác 0 một cách có ý nghĩa.

Có lẽ hạn chế lớn nhất của các phương pháp phức tạp là chúng khiến các nhà nghiên cứu khó truyền đạt một cách rõ ràng, chính xác đến khách hàng, thân chủ, nhà hoạch định chính sách, hay bất kỳ ai sử dụng kết quả nghiên cứu để xây dựng giải pháp hoặc chính sách. Thay vì mang lại hiểu biết tốt hơn về hành vi con người, các phương pháp phức tạp thường chỉ làm người dùng cuối thêm rối rắm, khiến biên tập viên và phản biện bối rối, và tạo ra một màn sương mù khó xuyên qua quanh phát hiện nghiên cứu. Trớ trêu thay, hầu như bài báo nào trong khoa học xã hội và hành vi cũng có sẵn một công cụ quan trọng để giải quyết vấn đề này – đó chính là bảng 1, bảng thống kê mô tả thường xuất hiện nhưng lại bị lãng quên trong gần như mọi báo cáo nghiên cứu.

Có lẽ hạn chế lớn nhất của các phương pháp phức tạp là chúng khiến nhà nghiên cứu khó giao tiếp một cách rõ ràng, chính xác với những người cần kết quả.

Trong hơn 40 năm qua, Kevin R. Murphy đã phản biện hàng nghìn bài báo và báo cáo nghiên cứu. Trong lĩnh vực tâm lý học tổ chức, gần như lúc nào tác giả cũng chỉ nhắc đến bảng 1 một lần (ví dụ: “Các thống kê mô tả được trình bày ở Bảng 1”), rồi bỏ qua nó. Sự quan tâm đến thống kê mô tả xuất phát từ việc phản biện nhiều bài cho các tạp chí hàng đầu, nơi mà ý tưởng và diễn giải của tác giả rõ ràng là bất khả thi khi đối chiếu với thống kê mô tả trong bảng 1. Ví dụ, có những bài viết về cách tổ chức phản ứng với khủng hoảng thiếu hụt nguồn lực, nhưng bảng 1 lại cho thấy hầu như không tổ chức nào trong mẫu nghiên cứu thực sự thiếu hụt. Nhiều nghiên cứu khẳng định biến Z trung gian mối quan hệ giữa X và Y, trong khi bảng 1 lại cho thấy: (a) X không liên quan tới Y, tức không có gì để trung gian, hoặc (b) Z chẳng liên quan gì đến X hay Y, tức không thể đóng vai trò trung gian. Kinh nghiệm nghiên cứu, phản biện và biên tập dẫn đến kết luận rằng tầm quan trọng của bảng trong một bài báo nghiên cứu thường tỷ lệ nghịch với số thứ tự bảng. Nói cách khác, bảng 1 mới là bảng quan trọng nhất, chứ không phải bảng chỉ nên lướt qua rồi bỏ. Và càng đi sâu vào những phân tích phức tạp hơn (ví dụ bảng 10), thì khả năng nội dung đúng và dễ hiểu càng giảm.

Thống kê mô tả cần giữ hai vai trò then chốt trong mọi nghiên cứu. Thứ nhất, chúng là công cụ giao tiếp chính. Chúng ta đang sống trong kỷ nguyên vàng của trực quan hóa dữ liệu: các ngôn ngữ phân tích (như R) và phần mềm thống kê hiện có cung cấp những công cụ mạnh mẽ để trực quan hóa và truyền đạt ý nghĩa dữ liệu, nhưng lại ít được khai thác. Nếu muốn giao tiếp hiệu quả với nhà hoạch định chính sách hay người dùng ngoài giới học thuật, đồ họa và thống kê mô tả chính là công cụ hữu ích nhất. Thứ hai, thống kê mô tả nên giữ vai trò “gác cổng”. Nghĩa là, trước khi lao vào phân tích phức tạp, ta phải kiểm tra xem ý tưởng của mình có khả thi không, và có thể kiểm chứng được với dữ liệu trong tay không. Trong một bài báo gần đây, Murphy đề xuất rằng: “Bất kỳ kết quả nào được rút ra từ phân tích dữ liệu phức tạp nhưng không thể chứng minh ít nhất là hợp lý dựa trên các thống kê đơn giản ở bảng 1 (ví dụ: trung bình, độ lệch chuẩn, hệ số tương quan) thì cần bị coi là đáng ngờ và phải diễn giải hết sức thận trọng.”

Phân tích thống kê phức tạp có thể mang lại hiểu biết quý giá, nhưng nếu không thể chứng minh ý tưởng ít nhất là có thể xảy ra dựa trên thông tin ở bảng 1, bạn sẽ gặp hai vấn đề. Một là, bạn có thể sai – thậm chí sai nghiêm trọng – mà không có cách nào biết đúng sai. Hai là, bạn sẽ khó truyền đạt được với người ngoài giới chuyên môn. Chú ý nhiều hơn tới bảng 1 sẽ giúp nghiên cứu của bạn tốt hơn và có tác động thực sự. Đã đến lúc phải trao lại vị trí xứng đáng cho thống kê mô tả.

Dịch từ LSE

Bài viết Thống kê mô tả là công cụ thiết yếu để giúp phân tích phức tạp trở nên hữu ích đã xuất hiện đầu tiên vào ngày ADuBiz.

Biên tập/chỉnh sửa là bước cần thiết giúp nâng cao chất lượng bài báo khoa học, là cầu nối giữa bản thảo đầu tiên và bản thảo sẵn sàng để nộp. Biên tập không chỉ là sửa lỗi ngữ pháp, biên tập còn giúp cải thiện sự rõ ràng, mạch lạc và độ chính xác của bài viết. Việc biên tập cho phép tác giả tự đánh giá lại ý tưởng, tinh chỉnh lập luận và xử lý những điểm yếu trong bản thảo. Bài viết này chia sẻ các mẹo, lời khuyên về cách biên tập bài báo khoa học cũng như một số điều cần cân nhắc.

Sức mạnh của việc biên tập

Đa phần, bản nháp đầu tiên của chúng ta là dành cho chính mình. Chúng ta viết ra những gì mình nghĩ nhiều nhất, nghĩa là bài viết phản ánh câu hỏi, kiến thức và mối quan tâm của chính nhà nghiên cứu. Tuy nhiên, độc giả của bài báo không chỉ là một mình nhà nghiên cứu. Vì vậy, chỉnh sửa lại bản thảo khoảng 1-2 vòng trước khi nộp vào các tạp chí là điều cần thiết, giúp tăng khả năng bài báo được chấp nhận và tiết kiệm thời gian về lâu dài. 

Biên tập là cách bạn tự giúp chính mình bằng cách loại bỏ những điểm gây xao nhãng, khó chịu hoặc các lỗi hình thức mà người phản biện có thể phê bình. Tại sao lại để họ có lý do chỉ trích trong khi bạn có thể đưa ra một bản thảo được chuẩn bị kỹ lưỡng?

Phân biệt tiên tập, hiệu đính và dò lỗi: Hiểu sự khác biệt

Biên tập (editing), hiệu đính (copyediting) và dò lỗi (proofreading) là các giai đoạn riêng biệt trong quá trình chuẩn bị nội dung viết. Biên tập cải thiện tổng thể về nội dung, cấu trúc và tính rõ ràng, bảo đảm bài viết truyền đạt hiệu quả thông điệp. Hiệu đính, một dịch vụ thường do tạp chí cung cấp, tập trung vào ngữ pháp, dấu câu, chính tả và tính nhất quán, sửa lỗi và tuân theo phong cách viết quy định. Dò lỗi là bước kiểm tra cuối cùng để phát hiện lỗi nhỏ, lỗi đánh máy và lỗi định dạng, đảm bảo văn bản hoàn chỉnh và không có sai sót trước khi xuất bản.

Điều quan trọng là phân biệt rõ giữa biên tập và dò lỗi. Tác giả nên tiến hành biên tập sớm để cải thiện nội dung và sự rõ ràng, còn dò lỗi nên được thực hiện ở giai đoạn cuối để đảm bảo bài viết không còn lỗi nhỏ trước khi gửi đi.

Công cụ và dịch vụ hỗ trợ biên tập

Hãy cân nhắc việc sử dụng dịch vụ biên tập chuyên nghiệp trước khi nộp bài, đặc biệt nếu tiếng Anh không phải là ngôn ngữ mẹ đẻ của bạn. Dù là tùy chọn, bước này có thể giúp đảm bảo nội dung bài viết của bạn được các biên tập viên và người phản biện hiểu rõ.

Xu hướng hiện nay là sử dụng công cụ AI hỗ trợ biên tập ngôn ngữ, trong một khảo sát hơn 2.000 nhà nghiên cứu cho thấy 38% đã dùng AI để hỗ trợ biên tập. Các công cụ phổ biến như Microsoft Word Editor và Turnitin Revision Assistant có thể giúp cải thiện khả năng dễ đọc và chất lượng bài viết trước khi nộp. Tuy nhiên, đứng trước sự phát triển chóng mặt của AI, nhiều nhà xuất bản đã đưa ra các hướng dẫn và hạn chế đối với việc sử dụng công cụ này, vì vậy nhà nghiên cứu cần kiểm tra chính sách của tạp chí hoặc nhà xuất bản trước khi sử dụng chúng.

Tinh chỉnh bài viết: Những câu hỏi tự vấn

1. Bài viết của bạn có rõ ràng và dễ hiểu không?

Sự rõ ràng là yếu tố thiết yếu để đảm bảo bạn truyền đạt hiệu quả ý tưởng. Nhà nghiên cứu nên đợi 2-3 ngày rồi đọc lại bản thảo. Bạn sẽ ngạc nhiên khi thấy nhiều đoạn viết rất rối rắm, khó hiểu – ngay cả với chính tác giả của chúng.

2. Bạn có lặp lại ý không?

Loại bỏ những câu văn thừa làm loãng trọng tâm và làm giảm sức ảnh hưởng của lập luận. Việc dùng ngôn ngữ dài dòng để tỏ ra chuyên nghiệp hoặc kéo dài bài viết dễ làm mờ thông điệp và giảm tính khách quan.

3. Phong cách viết của bạn có nhất quán không?

Giữ phong cách và định dạng đồng nhất giúp bài báo dễ đọc và dễ theo dõi hơn. Trong khi phong cách quan trọng, cần giữ cân bằng giữa tính học thuật và sự cuốn hút.

4.  Lập luận của bạn đã đủ thuyết phục chưa? Bạn có thể nhấn mạnh kết quả chính tốt hơn nữa không?

Củng cố lập luận giúp viết thuyết phục hơn và tin cậy hơn.

5. Tài liệu tham khảo và trích dẫn của bạn đã đầy đủ và chính xác chưa?
6. Bạn đã dò lỗi cẩn thận chưa?

Chú ý đến ngữ pháp, dấu câu và chính tả thể hiện sự chuyên nghiệp. Dù không cần tiếng Anh hoàn hảo, nhưng lỗi chính tả rải rác sẽ gây ấn tượng không tốt.

7. Dữ liệu của bạn có chính xác và được định dạng đúng chưa?

Hãy kiểm tra độ chính xác của tất cả dữ liệu trong bài. Nếu có tài liệu bổ sung như tập dữ liệu hoặc hình ảnh, hãy đảm bảo chúng được sắp xếp đúng theo yêu cầu của tạp chí.

8. Tạp chí bạn chọn có yêu cầu định dạng cụ thể không?
9. Bài viết của bạn có đúng độ dài không?

Không nên nộp bài viết đã chạm tới hoặc vượt quá giới hạn từ cho phép. Quá trình phản biện hiếm khi yêu cầu cắt bỏ mà thường sẽ yêu cầu bổ sung hoặc làm rõ. Nếu bạn đã đạt đến giới hạn từ ngay từ đầu, bạn sẽ phải cắt bớt khi sửa các phiên bản sau.

10. Bạn có cần ý kiến thứ hai không?

Nhờ một đồng nghiệp không phải là đồng tác giả góp ý có thể rất hữu ích. Họ đại diện cho người đọc, có thể mang đến góc nhìn khác biệt và giúp cải thiện bài viết. Tiếp nhận góp ý có thể khó khăn, nhưng sẽ giúp nội dung bài báo của bạn sáng tỏ hơn.

11. Tất cả các chỉnh sửa của bạn có phù hợp với tổng thể không?

Trải qua nhiều lần chỉnh sửa, nhà nghiên cứu có thể mất cái nhìn tổng quát về bài viết của mình. Bạn có thể xem lại dàn ý ban đầu để đảm bảo các bổ sung, chỉnh sửa hoặc lược bỏ không làm thay đổi cấu trúc theo cách không mong muốn.

Biên tập là phần thiết yếu để biến bản thảo đầu tiên thành bản thảo hoàn chỉnh và sẵn sàng để nộp cho tạp chí. Bằng cách tập trung vào sự rõ ràng, mạch lạc và chính xác, tác giả có thể củng cố lập luận và đảm bảo nghiên cứu của mình được truyền đạt hiệu quả. Bây giờ là lúc xem kỹ hướng dẫn nộp bài của tạp chí và nhà xuất bản để đảm bảo bài báo của bạn tuân thủ đúng các yêu cầu định dạng cũng như các yêu cầu cần thiết khác.

Dịch từ OUPblog

Bài viết Hướng dẫn tự chỉnh sửa bản thảo của bạn đã xuất hiện đầu tiên vào ngày ADuBiz.

Sự gia tăng nhanh chóng của các bài báo khoa học kém chất lượng, bao gồm cả những công trình giả mạo được tạo ra bởi trí tuệ nhân tạo (AI), đang đặt ra một thách thức mang tính sống còn đối với cách thức tổng hợp bằng chứng truyền thống. Tuy nhiên, nếu được áp dụng đúng hướng, AI cũng có thể trở thành một phần của giải pháp.

Trong nhiều thập kỷ, các phương pháp tổng hợp bằng chứng (evidence synthesis) đã giúp nâng cao đáng kể chất lượng của nghiên cứu y học và nhiều lĩnh vực khác. Việc hệ thống hóa và kết hợp kết quả từ nhiều nghiên cứu thành các bản tổng quan toàn diện cho phép các nhà nghiên cứu và hoạch định chính sách rút ra những kết luận chắc chắn từ kho tri thức toàn cầu. AI hiện hứa hẹn rút ngắn đáng kể một số khâu trong quy trình này, chẳng hạn như tìm kiếm, sàng lọc tài liệu hay phát hiện các nghiên cứu đáng ngờ. Tuy vậy, một số ứng dụng AI hiện nay vẫn chưa đủ mạnh để đảm bảo tính tin cậy và khả năng thích ứng của quá trình tổng hợp bằng chứng, đặc biệt trong bối cảnh AI cũng được dùng để tạo ra các bài báo giả mạo, làm gia tăng nguy cơ khủng hoảng toàn diện trong lĩnh vực này.

Điều cần thiết không chỉ là cải thiện quy trình hiện có, mà là chuyển sang một cách tiếp cận hoàn toàn mới: linh hoạt phản ứng trước những biến động nhanh chóng của hệ thống xuất bản khoa học, kể cả khi bài báo bị rút lại hay chỉnh sửa. Giải pháp được đề xuất là xây dựng một mạng lưới cơ sở dữ liệu bằng chứng “sống”, liên tục được cập nhật và quản lý bởi nhiều tổ chức độc lập, trong đó AI đóng vai trò hỗ trợ thu thập, tổ chức và sàng lọc thông tin. Mỗi cơ sở dữ liệu sẽ bao quát một lĩnh vực hoặc chủ đề rộng, trở thành nền tảng để thực hiện nhanh chóng và đáng tin cậy nhiều bản tổng quan có phạm vi cụ thể hơn.

Hạn chế của tổng quan hệ thống truyền thống

Hiện nay, tổng quan hệ thống được coi là “chuẩn vàng” trong việc tổng hợp bằng chứng. Quy trình này đòi hỏi sự toàn diện, chặt chẽ, minh bạch và khách quan, nhằm bao quát tối đa các bằng chứng chất lượng cao và giảm thiểu sai lệch. Các tiêu chí lựa chọn, chiến lược tìm kiếm, nguồn dữ liệu và xung đột lợi ích đều được công khai, đồng thời nhiều tác giả cùng tham gia rà soát để hạn chế thiên lệch cá nhân.

Tuy nhiên, cái giá phải trả cho chất lượng này là nguồn lực khổng lồ. Một số tổng quan Cochrane, vốn được xem là tiêu chuẩn vàng trong lĩnh vực y tế, có chi phí trên 140.000 USD và mất hơn hai năm để hoàn thành. Trong khi đó, khối lượng công bố khoa học đã tăng gấp đôi mỗi 14 năm kể từ 1952, khiến các nhóm tác giả ngày càng khó theo kịp. Điều này khiến các nhóm nghiên cứu khó theo kịp, đặc biệt khi mỗi người truy cập cơ sở dữ liệu khác nhau, và cơ sở dữ liệu thì luôn được cập nhật liên tục. 

Tính tái lập cũng là vấn đề nan giải. Chỉ khoảng 1% tổng quan hệ thống mô tả chiến lược tìm kiếm đủ rõ ràng để người khác có thể lặp lại y nguyên. Nhiều tổng quan vẫn vô tình trích dẫn những nghiên cứu đã bị rút lại vì sai sót, vi phạm đạo đức hoặc gian lận.

Khi AI trở thành “con dao hai lưỡi”

AI có thể hỗ trợ sàng lọc nhanh hơn, phân tích sâu hơn và tiếp cận nhiều ngôn ngữ hơn. Nhưng mặt khác, sự bùng nổ của các mô hình ngôn ngữ lớn (LLMs) cũng mở ra nguy cơ tràn ngập các bài báo giả mạo. Chẳng hạn, một bài báo do AI Scientist (công cụ do Sakana AI ở Tokyo phát triển) tạo ra đã được chấp nhận tại hội thảo thuộc một hội nghị AI lớn mà không ai phát hiện đó là sản phẩm của máy móc.

Một nghiên cứu sơ bộ trên arXiv ước tính rằng ít nhất 10% các phần tóm tắt của bài báo (Abstract) trên PubMed năm 2024 có sự tham gia của LLMs. Ranh giới giữa việc dùng AI để cải thiện ngôn ngữ và để tạo ra bài báo giả mạo rất khó xác định. Việc tạo ra một bản thảo giả đã trở nên dễ dàng hơn bao giờ hết, nhằm phục vụ cho các mục đích từ thao túng kết quả đến phục vụ lợi ích cá nhân.

Sự khó khăn trong phân biệt giữa hỗ trợ hợp pháp và lạm dụng để tạo nội dung giả khiến AI có thể trở thành chất xúc tác cho “lò bán bài báo”, vốn chuyên sản xuất công trình giả để bán cho những người muốn thăng tiến học thuật. Với AI, quá trình này thậm chí có thể diễn ra trong vài phút và hầu như không tốn chi phí.

Các biện pháp ứng phó hiện tại

Một số tổ chức như Cochrane hay Campbell Collaboration đã đưa ra hướng dẫn nhằm nhận diện và loại bỏ nghiên cứu bị rút khỏi các bản tổng quan, như:

• Đối chiếu với cơ sở dữ liệu Retraction Watch để xác định các bài bị rút.
• Sử dụng CENTRAL – kho lưu trữ thử nghiệm lâm sàng có đánh dấu nghiên cứu bị rút.
• Nếu tổng quan đã xuất bản có trích dẫn bài bị rút, cần tính toán lại kết quả, gắn cảnh báo hoặc rút bản cũ và thay thế bằng phiên bản cập nhật.

Tuy nhiên, thực tế cho thấy các bước này hiếm khi được thực hiện đầy đủ, chủ yếu do hạn chế về thời gian và nguồn lực. Một nghiên cứu đã chỉ ra rằng, trong số các tổng quan hệ thống về thuốc được thử nghiệm lâm sàng, có đến 89% vẫn tiếp tục trích dẫn các nghiên cứu đã bị rút, dù các tác giả đã được thông báo từ một năm trước.

Mô hình “cơ sở dữ liệu bằng chứng sống” và vai trò của AI

Số lượng bài báo khoa học – cả hợp pháp lẫn giả mạo – đang tăng với tốc độ chưa từng có, khiến việc theo dõi, đánh giá và cập nhật thông tin chính xác trở thành thách thức lớn đối với cộng đồng nghiên cứu (xem thêm mục “More papers, more retractions”)

Trong bối cảnh này, cần một hệ thống có khả năng tự động, nhanh chóng và trên quy mô lớn loại bỏ những nghiên cứu giả mạo hoặc chứa sai sót nghiêm trọng khỏi cơ sở dữ liệu khoa học.

Kinh nghiệm từ dự án Conservation Evidence tại Đại học Cambridge gợi ý một hướng đi khả thi. Dự án này xây dựng cơ sở dữ liệu về hiệu quả các biện pháp bảo tồn đa dạng sinh học, được cập nhật định kỳ và sàng lọc hơn 1,2 triệu bài báo bằng 17 ngôn ngữ khác nhau. Phiên bản mở rộng, dự án Metadataset còn trích xuất dữ liệu định lượng để phục vụ phân tích tổng hợp tùy biến. Cách làm này cho phép trả lời các câu hỏi nghiên cứu trong vài giờ, thay vì nhiều tháng hoặc năm.

Ý tưởng là mở rộng nguyên mẫu này thành mạng lưới toàn cầu các cơ sở dữ liệu bằng chứng sống, nơi AI liên tục quét, sàng lọc, trích xuất dữ liệu, loại bỏ nghiên cứu bị rút và thậm chí phát hiện bài giả chưa bị thu hồi. Các cơ sở dữ liệu sẽ được nhân bản tại nhiều tổ chức độc lập để tránh rủi ro chính trị hay kỹ thuật, đồng thời mỗi tổng quan sẽ gắn với một mã định danh phản ánh trạng thái dữ liệu tại thời điểm thực hiện, giúp tăng tính tái lập.

AI có thể giúp giảm đáng kể chi phí xây dựng ban đầu, hỗ trợ xử lý đa ngữ và mở rộng ứng dụng sang nhiều lĩnh vực ngoài bảo tồn. Dù vẫn tồn tại thách thức như tái lập kết quả khi AI liên tục cập nhật, cách tiếp cận này hứa hẹn đáp ứng nhu cầu ngày càng cấp bách về một hệ thống tổng hợp bằng chứng minh bạch, cập nhật nhanh và đáng tin cậy.

Lược dịch từ Nature

Bài viết Tổng quan tài liệu trong thời đại AI: Cơ hội tái thiết hay nguy cơ đổ vỡ? đã xuất hiện đầu tiên vào ngày ADuBiz.

Bình duyệt ẩn danh đơn (Single Anonymised Peer Review)

Bình duyệt ẩn danh đơn là mô hình bình duyệt phổ biến và lâu đời nhất. Trong mô hình này, danh tính của tác giả được tiết lộ cho cả biên tập viên và người phản biện, trong khi danh tính của người phản biện được giữ kín đối với tác giả. Đây là mô hình dễ triển khai nhất, và vì đã được sử dụng rộng rãi nên được tất cả các bên hiểu rõ. Người phản biện được bảo vệ danh tính và có thể thoải mái đưa ra những đánh giá thẳng thắn, đặc biệt là khi cần những phản hồi tiêu cực mang tính xây dựng. Tuy nhiên, tác giả không được bảo vệ khỏi những thiên kiến (có ý thức hoặc vô thức) của người phản biện hoặc biên tập viên, và quyết định của họ có thể bị ảnh hưởng bởi tên tuổi, cơ quan công tác hoặc các thông tin nhận diện khác của tác giả.

Bình duyệt ẩn danh kép (Double Anonymised Peer Review)

Mô hình bình duyệt ẩn danh kép đảm bảo danh tính của tác giả được giữ kín với người phản biện và danh tính của người phản biện được giữ kín với tác giả. Biên tập viên là người duy nhất biết cả tên tác giả và người phản biện. Bằng cách bổ sung thêm một lớp ẩn danh, các tác giả được bảo vệ khỏi thiên kiến trong quá trình phản biện và người phản biện tránh được những hậu quả tiềm ẩn khi bình luận không có lợi cho nhà nghiên cứu. Điều này đặc biệt quan trọng với các nhà nghiên cứu trẻ khi họ phản biện công trình của các nhà nghiên cứu có ảnh hưởng lớn trong ngành.

Bình duyệt ẩn danh ba lớp (Triple Anonymised Peer Review)

Các tạp chí sử dụng mô hình bình duyệt ẩn danh ba lớp đảm bảo danh tính của tác giả không được tiết lộ với cả biên tập viên và người phản biện, đồng thời danh tính của người phản biện cũng được giữ kín với tác giả. Văn phòng biên tập nắm toàn bộ thông tin của người phản biện và tác giả, nhưng các biên tập viên ra quyết định không được tiếp cận thông tin này.

Tuy nhiên, tính ẩn danh không phải lúc nào cũng được đảm bảo trong mô hình bình duyệt ẩn danh kép hoặc ba lớp: người phản biện có thể dễ dàng đoán ra danh tính tác giả nếu làm việc trong chuyên ngành hẹp, hoặc tác giả cũng có thể suy ra người phản biện dựa trên nội dung phản hồi. Ngoài ra, mô hình này cũng đòi hỏi tác giả và nhân viên văn phòng biên tập phải đảm bảo toàn bộ bản thảo được ẩn danh kỹ càng ngay từ trước khi nộp để bình duyệt.

Bình duyệt không ẩn danh (Non-anonymised Peer Review)

Mô hình này còn gọi là bình duyệt mở (Open Peer Review), danh tính của tác giả, người phản biện và biên tập viên đều được chia sẻ và công khai giữa các bên. Mô hình này tối đa hóa tính minh bạch và công khai. Tất cả các bên đều có động lực đưa ra các bình luận công bằng, có lý lẽ và mang tính xây dựng do tính công khai của quy trình. Người phản biện cũng có thể nhận được ghi nhận công khai cho bản đánh giá của họ, ví dụ như qua dịch vụ Publons. Mô hình này cũng có thể tạo điều kiện cho các bên trao đổi sâu hơn, chẳng hạn như trong một quy trình bình duyệt cộng tác, người phản biện và biên tập viên cùng thảo luận, đưa ra một danh sách các nhận xét thống nhất, giúp tránh các phản hồi mâu thuẫn từ những người phản biện khác nhau.

Bình duyệt minh bạch (Transparent Peer Review)

Mô hình bình duyệt minh bạch có thể thay đổi tùy theo cách vận hành của từng tạp chí. Quy trình bình duyệt có thể được thực hiện theo bất kỳ mô hình nào đã đề cập ở trên (ẩn danh hoặc không ẩn danh), nhưng khi bài báo được chấp nhận, các nhận xét của người phản biện sẽ được công bố cùng với bản thảo cuối cùng. Một số tạp chí còn công khai cả bản thảo ban đầu, phản hồi của tác giả với người phản biện và bình luận từ biên tập viên, từ đó cung cấp bối cảnh bổ sung cho bài báo và cho thấy những cải thiện tích cực đạt được thông qua bình duyệt.

Mô hình này nâng cao tính minh bạch của quy trình bình duyệt trong khi vẫn có thể bảo vệ danh tính của người phản biện và tác giả trước khi chấp nhận bài (tùy theo mô hình được chọn), đồng thời có tính linh hoạt tùy theo ưu tiên của từng bên. Một số tạp chí áp dụng mô hình này theo hình thức tùy chọn, nghĩa là tác giả có thể chọn công bố hay không các phản hồi từ người phản biện, và người phản biện có thể chọn công khai danh tính để nhận ghi nhận công khai cho đóng góp của mình.

Tuy mô hình bình duyệt minh bạch có thể mang lại sự linh hoạt cho tác giả và người phản biện, mặt khác, nó cũng làm tăng mức độ phức tạp cho tạp chí, tác giả và người phản biện. Điều quan trọng là đảm bảo sự rõ ràng tuyệt đối giữa các bên về cách quy trình bình duyệt sẽ được thực hiện trước khi bài được chấp nhận, đồng thời đặt ra các chính sách rõ ràng về những gì sẽ được công bố khi bài báo được xuất bản.

Dịch từ OUPblog

Bài viết 5 mô hình bình duyệt đã xuất hiện đầu tiên vào ngày ADuBiz.

Với khoảng 30.000 tạp chí học thuật trên toàn thế giới, làm thế nào để bạn xác định đâu là tạp chí phù hợp nhất với nghiên cứu của mình? Rất nhiều tạp chí trong lĩnh vực có vẻ phù hợp, nhưng bạn cần cân nhắc nhiều vấn đề để lựa chọn đúng tạp chí xuất bản công trình của mình – yếu tố ảnh hưởng đến mức độ tác động và hiển thị của nghiên cứu đó.

Đầu tiên, hãy cân nhắc: Mục tiêu xuất bản của bạn là gì?

Việc xác định mục tiêu sẽ giúp bạn xác định những tạp chí tương ứng với mong muốn. Một tác giả chọn xuất bản nghiên cứu vì nhiều lý do, vì vậy hãy xem xét điều gì là quan trọng đối với sự nghiệp, sự phát triển chuyên môn hoặc chương trình nghiên cứu của bạn. Một số mục tiêu tiềm năng có thể bao gồm:

• Nâng cao tri thức trong lĩnh vực chuyên môn, đóng góp vào sự phát triển của nghiên cứu hoặc các cuộc tranh luận học thuật, để người khác có thể tiếp tục xây dựng dựa trên ý tưởng hoặc kết quả của bạn
• Phổ biến kết quả nghiên cứu đến một nhóm độc giả rộng rãi hoặc liên ngành, tạo ảnh hưởng vượt ra ngoài giới học thuật
• Tuân theo yêu cầu của đơn vị tài trợ hoặc cơ quan công tác
• Hỗ trợ một cộng đồng (hội, hiệp hội) hay tổ chức trong lĩnh vực
• Sử dụng một dạng bài báo hoặc phương tiện truyền thông cụ thể để phổ biến các kết quả nghiên cứu

Thứ hai, điều gì là quan trọng với bạn trong quy trình xuất bản?

Cũng giống như mục tiêu, điều này thường mang tính cá nhân, có thể là:

• Xuất bản càng nhanh càng tốt
• Có quy trình phản biện cụ thể
• Quy trình nộp bài dễ dàng và thuận tiện
• Tùy chọn chuyển bài bị từ chối sang tạp chí liên quan
• Hỗ trợ chỉnh sửa, biên tập

Thứ ba, lập một danh sách các tạp chí để so sánh

Tìm kiếm các tạp chí đã xuất bản các bài báo về chủ đề bạn nghiên cứu. Bạn có thể lựa chọn thông qua hỏi ý kiến đồng nghiệp và người hướng dẫn, hay cân nhắc những tạp chí mà mình thường xuyên đọc hoặc trích dẫn. Sau khi có danh sách rút gọn, bạn có thể kiểm tra xem tạp chí nào đáp ứng các tiêu chí của bạn và xếp hạng mức độ ưu tiên cho các lựa chọn đó.

Những điều cần so sánh và cân nhắc

Sự phù hợp của bản thảo – phạm vi và chủ đề

Liệu tạp chí có chấp nhận loại bài viết và chủ đề nghiên cứu của bạn không? Bạn nên đọc qua một vài bài báo, số tạp chí gần nhất của họ để kiểm tra mức độ tương tự về phạm vi và loại bài của mình. Xem xét ban biên tập (Editorial board) cũng có thể giúp bạn đánh giá các chủ đề tạp chí tập trung vào. Phần mô tả mục tiêu và phạm vi (Aims and scope) của tạp chí hoặc lời mời bài viết (Call for paper) hiện tại sẽ cho thấy tạp chí bao quát nội dung ở mức độ nào và bản thảo của bạn có phù hợp hay không.

Cân nhắc về mức độ ảnh hưởng và phạm vi tiếp cận

Có nhiều chỉ số khác nhau, áp dụng ở những cấp độ khác nhau, như Impact Factor (chỉ số tác động của tạp chí, đo lường thông qua mức độ được trích dẫn) hay Altmetrics (mức độ ảnh hưởng của một nghiên cứu cụ thể, dựa trên các công cụ trực tuyến và phương tiện truyền thông xã hội như số lượt xem, chia sẻ, tải xuống,…). Điều quan trọng là chọn chỉ số phản ánh đúng mục tiêu xuất bản của bạn. Ví dụ, nếu bạn muốn nghiên cứu của mình tiếp cận với nhiều người, Altmetrics có thể giúp bạn theo dõi mức độ ảnh hưởng trong các lĩnh vực như tài liệu chính sách hoặc các cuộc thảo luận trên mạng xã hội.

Khi cân nhắc giữa uy tín và chỉ số của tạp chí, bạn có thể chọn tạp chí phù hợp với mức độ đóng góp của kết quả nghiên cứu. Chọn tạp chí có mức độ uy tín tương ứng với mức độ đóng góp có thể giúp bạn tăng khả năng được mời sửa bài và nộp lại, cũng như triển vọng được chấp nhận xuất bản.

Độc giả và đối tượng hướng đến

Một cuộc khảo sát trên bioRxiv năm 2019 cho thấy các nhà khoa học ưu tiên nhóm độc giả khi chọn nơi xuất bản. Bạn nên kiểm tra thống kê người đọc trên trang web của tạp chí và liên hệ với mục tiêu xuất bản của mình. Nếu muốn hướng đến nhóm độc giả cụ thể, hãy hỏi đồng nghiệp về tạp chí họ hay đọc; nếu muốn tiếp cận rộng hơn, hãy tìm tạp chí có độc giả toàn cầu và hiện diện phổ biến trên mạng xã hội.

Các cơ sở dữ liệu tóm tắt và chỉ mục cũng đóng vai trò quan trọng đến khả năng mọi người dễ dàng tìm và đọc được nghiên cứu của bạn. Một số cơ sở dữ liệu phổ biến bao gồm Scopus, PubMed, Web of Science, Google Scholar, cũng như nhiều cơ sở dữ liệu chuyên ngành khác.

Đạo đức và chính sách xuất bản

Những năm gần đây chứng kiến sự gia tăng của các tạp chí cướp danh và tạp chí săn mồi. Các tạp chí này thường đặt lợi ích cá nhân và lợi nhuận lên trên tính liêm chính của nghiên cứu, thường thu phí nhưng không thực hiện các dịch vụ như quảng cáo. Trước khi nộp bài, hãy xem kỹ trang web của tạp chí, chính sách, trình độ chuyên môn của ban biên tập và quy trình phản biện – một tạp chí uy tín sẽ công khai đầy đủ những thông tin này. Ngoài ra, hãy kiểm tra xem tạp chí đó có là thành viên của Ủy ban Đạo đức Xuất bản (COPE) hay tuân thủ các chuẩn mực đạo đức xuất bản nghiêm ngặt không. không. Dịch vụ Think.Check.Submit miễn phí có thể giúp bạn nhận diện những tạp chí uy tín.

Bình duyệt ngang hàng (peer review)

Một tạp chí uy tín sẽ thực hiện quy trình bình duyệt/phản biện nghiêm ngặt. Có nhiều mô hình bình duyệt khác nhau với các ưu điểm riêng. Phản biện giúp đảm bảo tạp chí xuất bản nghiên cứu có chất lượng, bằng cách đánh giá độ hiệu lực, ý nghĩa và tính mới của nghiên cứu. Quy trình này cũng giúp các tác giả cải thiện chất lượng bản thảo và phát hiện lỗi trước khi xuất bản. Trong cuộc khảo sát với các tác giả của Nhà xuất bản Đại học Oxford (OUP), chất lượng phản biện luôn nằm trong ba yếu tố hàng đầu mà họ ưu tiên khi chọn tạp chí.

Một tạp chí tốt sẽ giải thích quy trình phản biện của mình và thông tin này thường có trên trang Hướng dẫn cho tác giả (Instruction to authors). Các biên tập viên có thể tham khảo Hướng dẫn đạo đức của COPE cho người phản biện, và các tạp chí được khuyến khích công khai quy trình phản biện.

Trải nghiệm của tác giả

Trải nghiệm tác giả sẽ khác nhau tùy từng tạp chí, nhà xuất bản và lĩnh vực. Nhiều tạp chí đang tối ưu hóa quy trình để việc xuất bản diễn ra suôn sẻ và nhanh chóng hơn, ví dụ như không yêu cầu định dạng bài viết ban đầu, hệ thống nộp bài hoạt động hiệu quả, phản hồi nhanh, hỗ trợ biên tập tích cực và có các khoản trợ cấp. Hãy cân nhắc điều gì phù hợp với bạn và hỏi những người xung quanh về trải nghiệm xuất bản gần đây của họ.

Mô hình xuất bản và tuân thủ yêu cầu của nhà tài trợ

Có nhiều mô hình xuất bản, bao gồm truy cập mở hoàn toàn (gold OA), mô hình lai (hybrid), và tự lưu trữ (green OA). Ngày càng nhiều cơ quan tài trợ và tổ chức yêu cầu học giả tuân theo giấy phép xuất bản cụ thể, nên bạn cần tìm hiểu kỹ các hạn chế và đảm bảo tạp chí trong danh sách rút gọn của bạn đáp ứng được các yêu cầu này. Cần chắc chắn rằng bạn hiểu và có thể đáp ứng được phí xuất bản, hoặc xem tổ chức của bạn có thỏa thuận Read and Publish hay không.

Tóm lại, bạn cần đối chiếu danh sách rút gọn các tạp chí của bạn với các tiêu chí ở trên. Cần lưu ý rằng, tuyệt đối không được gửi bài đến nhiều tạp chí cùng lúc. Nếu bị phát hiện, bài viết của bạn thường sẽ bị từ chối ngay lập tức. Nếu còn phân vân và cần thêm thông tin, bạn có thể liên hệ với biên tập viên hoặc văn phòng tòa soạn để được giải đáp. 

Dịch từ OUPblog

Bài viết Chọn tạp chí phù hợp cho nghiên cứu của bạn đã xuất hiện đầu tiên vào ngày ADuBiz.

Áp lực thời gian thường cản trở những ý tưởng mới. Việc tạo ra “khoảng không sáng tạo” và hỗ trợ các khoản tài trợ nhỏ cho những ý tưởng mạo hiểm có thể khuyến khích tư duy đổi mới trong nghiên cứu khoa học.

Lưu ý: Bài viết này được dịch hoàn toàn bởi ChatGPT và không hề trải qua quy trình hiệu đính

Khi ý tưởng đến trong mơ

Một buổi sáng năm 2009, Jacqueline Tabler tỉnh dậy với lời giải cho một vấn đề trong phòng thí nghiệm đã khiến cô bế tắc suốt nhiều tháng. Cô bật dậy, lấy sổ tay và phác thảo một thí nghiệm vừa xuất hiện trong giấc mơ.

Lúc đó, Tabler là nghiên cứu sinh tiến sĩ ngành sinh học phát triển tại King’s College London, đang gặp khó khăn trong việc tái tạo dữ liệu từ các phương pháp trước đây về chức năng của enzyme PAR-1 trong quá trình phát triển phôi ếch. Cô nảy ra ý tưởng thực hiện thí nghiệm ghép mô: lấy một lớp tế bào có biểu hiện quá mức PAR-1 từ một phôi và ghép sang một phôi không biểu hiện enzyme này. So sánh các phôi được ghép này với nhóm đối chứng (có mức PAR-1 bình thường), cô hy vọng sẽ quan sát được sự khác biệt khi các phôi hình thành tế bào thần kinh.

Tabler thực hiện thí nghiệm và phát hiện số lượng tế bào có PAR-1 cao hơn dự đoán ở một số lớp nhất định của phôi. Từ đó, nhóm nghiên cứu nhận ra PAR-1 còn có chức năng mới: kiểm soát hướng phân chia tế bào. Kết quả này được công bố năm 2010 trên tạp chí Development.

Cô thừa nhận mình đã mạo hiểm khi trình bày ý tưởng này với giáo sư hướng dẫn, thay vì chỉ làm những thí nghiệm được giao. Nhưng chính sự dám thử và óc sáng tạo đã giúp cô trưởng thành thành một trưởng nhóm nghiên cứu thành công.

Vấn đề văn hóa trong nghiên cứu

Tại Hội nghị (In)Credible Research 2024 ở Berlin, nơi Tabler chia sẻ kinh nghiệm, nhiều nhà khoa học trẻ cho rằng sáng tạo là yếu tố thiết yếu để tạo ra đột phá. Tuy nhiên, 81% cho biết họ gặp rào cản khi theo đuổi ý tưởng mới hoặc khác thường, do áp lực từ công bố, tài trợ và kỳ vọng của giáo sư hướng dẫn.

Nhà khoa học Itai Yanai (ĐH Y Grossman, New York) nhận xét: hệ thống khoa học hiện tại ít khuyến khích sáng tạo, mà ưu tiên các suất học bổng và công bố “đúng chuẩn”. Trong môi trường đó, sáng tạo đôi khi bị coi là bất lợi cho sự nghiệp — trừ khi bạn trụ vững đủ lâu để nó “đền đáp”.

Sáng tạo là gì?

Tại hội nghị, các nhà nghiên cứu đồng ý rằng sáng tạo trong khoa học là sự giao thoa giữa yếu tố mới và yếu tố đáng theo đuổi.
Shunichi Kasahara (Sony CSL, Nhật Bản) cho rằng đó là “khả năng quan sát, thử nghiệm lặp lại, và rút ra ý nghĩa từ trải nghiệm”.

Theo Tabler, trải nghiệm cá nhân và môi trường làm việc định hình sáng tạo. Với cô, chìa khóa là tiếp cận vấn đề theo hướng phi tuyến và thường xuyên trao đổi với đồng nghiệp.

Mở rộng trải nghiệm để nuôi dưỡng sáng tạo

Nhà thần kinh học Leandre Ravatt (ĐH Y Charité – Berlin) khuyên: hãy đọc và tham dự hội thảo ở nhiều lĩnh vực khác nhau, thay vì chỉ gói gọn trong chuyên ngành. Việc tham gia các hoạt động truyền thông khoa học, viết bài cho tạp chí sinh viên, hay đơn giản là trò chuyện với đồng nghiệp trong giờ giải lao, đều giúp mở rộng góc nhìn và tìm ra cách tiếp cận mới cho vấn đề.

Cần “không gian” cho sáng tạo

Áp lực tiến độ khiến nhà khoa học trẻ khó có thời gian cho ý tưởng mới. Ravatt cho rằng các trường, viện cần tạo ra môi trường để thúc đẩy giao thoa liên ngành.

Martin Lercher (ĐH Heinrich Heine, Đức) đề xuất đưa đào tạo sáng tạo vào chương trình học, không chỉ để học từ giáo sư hướng dẫn mà còn có lý thuyết và cấu trúc rõ ràng.

Yanai và Lercher nhấn mạnh khái niệm “khoa học ban ngày” (thực hiện thí nghiệm kiểm chứng) và “khoa học ban đêm” (thế giới của ý tưởng và ẩn dụ). Cả hai lập website chia sẻ tài liệu miễn phí giúp giáo dục về tầm quan trọng của quá trình sáng tạo.

Tài trợ nhỏ – đòn bẩy cho ý tưởng mạo hiểm

Theo Tabler, các khoản tài trợ hạt giống (seed grants) là cơ chế hữu ích để thử nghiệm công cụ mới hoặc ý tưởng hợp tác, đặc biệt cho nghiên cứu sinh. Cô từng nhận £7.000 từ Hội đồng Nghiên cứu Công nghệ Sinh học và Khoa học Sự sống để trao đổi phương pháp nghiên cứu giữa hai nhóm. Ưu điểm của loại tài trợ này là hồ sơ ngắn, xét duyệt nhanh, phù hợp để thử ý tưởng rủi ro.

Rèn luyện khả năng chịu đựng sự mơ hồ

Kaile Smith (ĐH Thành phố New York) khuyên các nhà khoa học trẻ học cách chịu đựng sự mơ hồ, không chắc chắn, và giữ thái độ cởi mở với cảm xúc, ý tưởng mới.
Katrine Sonne Anderson (Viện Ung thư Đan Mạch) đề xuất người hướng dẫn nên tạo “ốc đảo sáng tạo” — nơi tạm gác sự phân tích khắt khe và khuyến khích mạo hiểm, suy đoán.

Với Tabler, quyết định mạo hiểm sáng tạo đã giúp cô giảm bớt áp lực và tìm lại hứng thú nghiên cứu. Lời nhắn của cô tới các nhà khoa học trẻ: “Hãy tìm ra cách để giữ cho trí óc và kỹ năng của bạn luôn vận động”.

Dịch từ Nature

Bài viết Sáng tạo trong khoa học có thể học được không? Các nhà nghiên cứu này tin là có. đã xuất hiện đầu tiên vào ngày ADuBiz.

Theo một cuộc khảo sát, các nhà khoa học nhìn chung đều công nhận giá trị của việc chia sẻ kết quả vô hiệu, nhưng hiếm khi công bố chúng trong các ấn phẩm nghiên cứu. Những phát hiện này cho thấy rằng cần phải nâng cao nhận thức về cách thức và lý do chia sẻ những dữ liệu như vậy, cũng như cần có những thay đổi trong cách đánh giá năng suất nghiên cứu.Cuộc khảo sát đã thu hút phản hồi từ 11.069 nhà nghiên cứu tại 166 quốc gia và trong tất cả các lĩnh vực khoa học chính. Khảo sát cho thấy 98% người tham gia công nhận giá trị của kết quả vô hiệu, được khảo sát định nghĩa là “một kết quả không xác nhận giả thuyết mong muốn” 85% số người trả lời cho rằng việc chia sẻ các kết quả này là quan trọng. Tuy nhiên, chỉ 68% trong số 7.057 nhà nghiên cứu  từng chia sẻ công trình có chứa kết quả vô hiệu dưới một hình thức nào đó, và chỉ 30% cố gắng xuất bản chúng trên một tạp chí khoa học.

Những kết quả này được công bố vào ngày 22 tháng 7. Cuộc khảo sát được thực hiện bởi Springer Nature, nhà xuất bản của Nature (Nature hoạt động độc lập về mặt biên tập với nhà xuất bản của mình)

Do dự trong công bố

Việc chỉ 30% người tham gia có kết quả vô hiệu từng cố gắng công bố chúng không gây ngạc nhiên cho bà Ritu Dhand, giám đốc khoa học của Springer Nature tại London.

Bà cho biết “Các nhà nghiên cứu được dạy viết các bài báo khoa học ghi nhận những tiến bộ tích cực, vì vậy kết quả vô hiệu hiếm khi được trích dẫn”. Bà nói thêm, điều đó có nghĩa là ngay cả khi kết quả vô hiệu được công bố, chúng cũng sẽ không tạo ra tác động.

Khoảng 148 người trả lời đã từng chạy ra kết quả vô hiệu và đồng ý rằng việc chia sẻ chúng là quan trọng, nhưng họ vẫn chưa làm vậy. Phần lớn nhóm đó bày tỏ lo ngại về việc công bố chúng: 69% không nghĩ rằng kết quả vô hiệu sẽ được chấp nhận công bố; 52% không biết tạp chí nào sẽ xem xét công bố nghiên cứu có kết quả vô hiệu; 19% lo lắng rằng tổ chức hoặc nhà tài trợ của họ sẽ không chi trả phí xuất bản; và 21% lo ngại bản thân sẽ bị nhìn nhận tiêu cực bởi đồng nghiệp.

Mối lo ngại về danh tiếng này phản ánh một sự mất kết nối trong khoa học, theo lời ông Marcus Munafò, một nhà tâm lý học sinh học và là giám đốc điều hành của Mạng lưới tais K Reproducibility Network, một tổ chức có mục tiêu cải thiện độ tin cậy của nghiên cứu.

Ông Munafò chia sẻ “Hầu hết các nhà khoa học đều trải qua nhiều kết quả vô hiệu. Nó có thể xuất hiện trong những nghiên cứu khảo sát cơ bản, hoặc trong những thí nghiệm phức tạp. Một trong những lý do để công bố kết quả vô hiệu là tạo ra một mẫu số trung thực hơn trong kho tàng học thuật – tức là một bức tranh chính xác hơn về toàn cảnh nghiên cứu.

Lợi ích cho cộng đồng khoa học

Trong số 1.228 người tham gia đã công bố kết quả vô hiệu, 39% cho biết quá trình này giúp truyền cảm hứng cho giả thuyết hoặc phương pháp luận mới và 28% cho rằng nó ngăn việc tái lập các nghiên cứu không cần thiết.

Một người tham gia ẩn danh vào khảo sát đã mô tả cách các kết quả vô hiệu có thể thay đổi quỹ đạo công việc của họ, nhưng lại chỉ được “đề cập ngắn gọn, bị chôn vùi giữa các thông tin khác” trong một vài bài báo mà họ tình cờ phát hiện nhiều năm sau.

Họ than thở “Nếu được phổ biến rộng rãi trong lĩnh vực của tôi, nó đã có thể giúp tôi tiết kiệm hơn 2 năm nghiên cứu quan trọng!”

“Quy mô lãng phí lên tới hàng tỷ đô la, ” ông Brian Nosek, giám đốc điều hành Trung tâm Khoa học Mở (Center for Open Science), một tổ chức phi lợi nhuận tại Washington DC, cho biết. “Nếu chúng ta có thể báo cáo tất cả nghiên cứu của mình một cách hiệu quả và minh bạch hơn, tôi nghĩ mọi người sẽ phân bổ nguồn lực hiệu quả hơn nhiều vào những hướng đi mới đầy hứa hẹn.”

Nhận thức và cải thiện

Báo cáo khảo sát trên được công bố dưới dạng sách trắng (white paper) của Springer Nature. Các tác giả kêu gọi các chiến dịch giáo dục để nâng cao nhận thức về giá trị của kết quả vô hiệu, cũng như cần thêm nguồn tài trợ và sự hỗ trợ từ các tổ chức để khuyến khích các nhà nghiên cứu chia sẻ kết quả này. Họ cũng khuyến nghị cải thiện cách đánh giá nghiên cứu nhằm khuyến khích việc công bố các kết quả vô hiệu.

Các tác giả chia sẻ “Nếu không có các thước đo công bằng và toàn diện, các nhà nghiên cứu sẽ có rất ít động lực để đầu tư thời gian và công sức vào việc công bố những kết quả giá trị này.”

Cuộc khảo sát, được báo cáo mô tả là “một trong những khảo sát toàn cầu lớn nhất thuộc loại này cho đến nay”, đã được phân phát qua nhiều kênh từ ngày 6 tháng 11 năm 2024 đến ngày 6 tháng 1 năm 2025, bao gồm qua email đến những người đăng ký của Springer Nature và các thành viên của ban nghiên cứu thị trường của công ty, cũng như qua mạng xã hội, các bài đăng trên blog và các kênh chính thức của Springer Nature. Khảo sát này có các phiên bản bằng tiếng Anh, tiếng Đức, tiếng Pháp, tiếng Trung và tiếng Nhật. Các câu trả lời được đưa vào phân tích chỉ khi tác giả của chúng đã từng công bố bài trên một tạp chí có bình duyệt và dự kiến sẽ tiếp tục làm vậy trong tương lai.

Dịch từ Nature

Bài viết Giả thuyết vô hiệu: được công nhận nhưng khó công bố đã xuất hiện đầu tiên vào ngày ADuBiz.