Từ concept đến construct: Mình đang nghiên cứu cái gì?

Trong bài Gợi ý để viết phần Literature Review (1), tôi có nói rằng một trong những việc đầu tiên khi đọc literature là xác định các key concepts trong topic của mình. Ví dụ, nếu nghiên cứu về learning motivation, teacher identity, learner autonomy hay student engagement thì trước hết ta phải hiểu những concepts này đã được định nghĩa và phát triển như thế nào. Tuy nhiên, có một vấn đề tiếp theo mà người mới làm nghiên cứu có thể chưa hình dung đến. Biết tên của concept chưa có nghĩa là mình đã biết mình đang nghiên cứu cái gì. Giả sử tôi nói:

Tôi muốn nghiên cứu learner autonomy của sinh viên.

Nghe có vẻ khá rõ. Nhưng nếu hỏi tiếp:

Learner autonomy ở đây cụ thể là cái gì?

thì câu trả lời bắt đầu khó hơn.

Learner autonomy là khả năng tự đặt learning goals? Tự lựa chọn materials? Tự đánh giá progress? Tự tìm cơ hội học bên ngoài lớp? Sử dụng technology để học? Hay đơn giản là thích học một mình?

Nếu hai researchers cùng nói họ đang nghiên cứu learner autonomy nhưng một người đo khả năng lập kế hoạch, còn người kia đo mức độ học ngoài lớp, thì liệu họ có thực sự đang nghiên cứu cùng một thứ hay không? Đây là lúc ta cần đi từ một concept khá rộng đến một construct có thể sử dụng được trong nghiên cứu.

1. Concept và construct có gì khác nhau?

Thực ra literature không phải lúc nào cũng phân biệt hai từ này một cách hoàn toàn thống nhất. Có tài liệu dùng concept, construct và thậm chí domain khá gần nhau. Vì vậy tôi nghĩ chúng ta không cần mất quá nhiều thời gian để tranh luận xem câu nào bắt buộc phải dùng concept và câu nào phải dùng construct. Nhưng đối với người mới nghiên cứu, có một cách phân biệt khá hữu ích.
Concept có thể hiểu đơn giản là một ý niệm mà chúng ta dùng để nói về một hiện tượng. Ví dụ:

• learning motivation;
• learner autonomy;
• student engagement;
• anxiety;
• teacher identity;
• self-confidence.

Chúng ta có thể hiểu tương đối những từ này trong giao tiếp thông thường. Nhưng khi đưa chúng vào nghiên cứu, hiểu “tương đối” là chưa đủ. Lúc này researcher phải xác định:

• concept này được hiểu theo perspective nào;
• phạm vi của nó đến đâu;
• nó gồm những thành phần nào;
• những gì không thuộc concept này;
• và quan trọng hơn, trong nghiên cứu hiện tại ta sẽ nhận biết nó bằng cách nào.

Khi một concept được xác định tương đối rõ về mặt lý thuyết để phục vụ cho một nghiên cứu, chúng ta thường nói đến một construct. Điểm quan trọng là nhiều constructs trong educational research không phải là những thứ ta có thể nhìn thấy trực tiếp. Tôi có thể đo chiều cao của một sinh viên bằng thước. Nhưng tôi không thể lấy một cái thước để đo learning motivation, learner autonomy hay professional identity. Những thứ này là latent constructs, nghĩa là ta giả định chúng tồn tại dựa trên theory và evidence, rồi tìm những biểu hiện có thể quan sát được để hiểu hoặc đo chúng. Các tài liệu về scale development vì thế thường bắt đầu bằng việc xác định và định nghĩa construct/domain trước khi viết bất kỳ questionnaire item nào. Nói cách khác:

Concept cho ta một cái tên. Construct cho cái tên đó một cấu trúc nghiên cứu.

2. Một cái tên trong research title chưa phải là một construct

Tôi lấy một nghiên cứu của chính mình làm ví dụ. Trong một article năm 2025, tôi muốn xây dựng một model để đo learner autonomy capacity của sinh viên học tiếng Anh. Learner autonomy dĩ nhiên không phải concept mới. Nó đã được nghiên cứu rất lâu và có rất nhiều definitions cũng như conceptual models. Vấn đề là khi xem lại literature, tôi tìm thấy ít nhất sáu conceptual models khác nhau. Một số models nhìn learner autonomy theo developmental stages, trong khi những models khác tập trung vào areas of control. Các models này rất hữu ích để giải thích learner autonomy về mặt lý thuyết nhưng không phải model nào cũng dễ chuyển thành một measurement model. Điều đó tạo ra một vấn đề khá thú vị. Đó là tôi biết mình muốn nghiên cứu learner autonomy. Nhưng learner autonomy nào và được thể hiện qua những gì thì cần phải tìm hiểu thêm.

Nếu đơn giản lấy definition của một tác giả, đưa vào literature review, rồi lập tức làm questionnaire thì có thể vẫn chưa đủ.
Tôi phải quay lại literature và xem những behaviors, capacities và attributes nào thường được dùng để mô tả một autonomous learner. Qua quá trình synthesis, những attributes này ban đầu có thể nhóm thành ba processes khá rộng:

• initiating learning;
• monitoring learning;
• evaluating learning.

Ví dụ, initiating có thể liên quan đến việc xác định goals, lập plan hoặc chủ động tìm resources. Monitoring liên quan đến việc theo dõi learning process và điều chỉnh cách học. Evaluating liên quan đến việc nhìn lại progress, nhận ra mistakes và thay đổi strategies. Đến đây, learner autonomy không còn chỉ là một từ trong title nữa. Ta bắt đầu có một conceptual structure. Và structure đó quyết định khá nhiều thứ diễn ra tiếp theo.

3. Từ construct đến dimension, indicator và item
Giả sử tôi có construct learner autonomy. Một construct phức tạp thường không chỉ có một thành phần. Vì vậy bước tiếp theo có thể là xác định các dimensions. Ta có thể hình dung như thế này:

Construct → Dimensions → Indicators/behaviors → Items → Data

Ví dụ:

Câu “use the Internet for untaught content” là một item được tôi sử dụng trong quá trình phát triển instrument của nghiên cứu năm 2025. Điều đáng chú ý ở đây là câu hỏi trong questionnaire không phải là construct. Nó chỉ là một biểu hiện mà chúng ta cho rằng có thể cung cấp evidence về construct. Nếu một questionnaire có 20 câu hỏi về learner autonomy thì cũng không có nghĩa là ta có 20 definitions về learner autonomy. Chúng là 20 pieces of evidence mà researcher dùng để suy luận về một thứ không thể quan sát trực tiếp. Đây là lý do vì sao viết questionnaire không nên bắt đầu bằng nhận định như: “Tôi cần khoảng 30 câu, bây giờ nghĩ thử 30 câu gì.” Mà nên bắt đầu bằng: “Construct của tôi là gì, nó có những dimensions nào, và loại evidence nào có thể cho biết mỗi dimension đang tồn tại hoặc được thể hiện?” Cách đi này chậm hơn nhưng chắc hơn rất nhiều.

4. Ví dụ trong nghiên cứu của tôi: Từ 62 items quay lại 4 dimensions

Trong nghiên cứu nói trên, quá trình này không diễn ra hoàn toàn theo một đường thẳng. Từ literature và một instrument trước đó, một tập hợp các behaviors liên quan đến learner autonomy được xem xét. Sau khi loại các phần trùng nhau và điều chỉnh cho EFL context ở Việt Nam, tôi có 51 items. Sau đó 11 items liên quan đến technology-supported learning được bổ sung, tạo thành 62 questionnaire items. Questionnaire này được sử dụng với 562 undergraduate EFL students ở bốn vùng của Việt Nam. Sau đó exploratory factor analysis được dùng để xem các items thực tế đang cluster với nhau như thế nào. Kết quả cuối cùng không đơn giản lặp lại ba processes ban đầu. Data cho thấy một structure gồm bốn dimensions:

1. Monitoring learning processes
2. Goal-setting and evaluating learning
3. Using technology for learning
4. Initiating learning opportunities

Sau nhiều vòng analysis và conceptual checking, 25 items còn lại trong model cuối cùng. Tôi thấy ví dụ này khá hữu ích để giải thích một điểm mà người mới nghiên cứu thường hiểu nhầm. Construct không phải thứ researcher nghĩ ra một lần rồi giữ nguyên bất kể data nói gì. Ban đầu literature giúp ta xây dựng một conceptual expectation. Sau đó empirical data có thể support, challenge hoặc refine expectation đó. Trong trường hợp này, goal-setting và evaluating ban đầu được xem là những processes tương đối khác nhau nhưng data lại cho thấy chúng kết nối khá chặt trong một dimension. Trong khi đó, các technology-supported behaviors lại tách ra thành một dimension riêng. 

Nhưng chiều ngược lại cũng quan trọng không kém. Không phải statistics nói thế nào thì ta cứ thế chấp nhận. Trong quá trình analysis, có những items đạt yêu cầu nhất định về statistical loading nhưng sau đó vẫn bị loại vì conceptual misalignment khi được experts xem xét. Điều này cho thấy model development không phải chỉ là chạy SPSS hay một phần mềm thống kê nào dó. Data và theory phải nói chuyện với nhau.

5. Vậy variable nằm ở đâu?

Một từ nữa chúng ta dùng rất thường xuyên là variable. Tôi thường thấy trong proposal những câu như: “Learner autonomy is the independent variable.” hoặc “Learning motivation is my dependent variable.” Về mặt cách dùng có thể hiểu được, nhưng nếu đi sâu hơn thì câu hỏi vẫn là: Variable này được thể hiện bằng cái gì trong dataset? Một variable về bản chất phải có khả năng vary. Ví dụ:

• age có thể là 19, 20, 21...
• gender có thể được coding thành các categories;
• một questionnaire item có thể có responses từ 1 đến 5;
• một dimension score có thể có values khác nhau giữa participants.

Trong nghiên cứu learner autonomy ở trên, construct là learner autonomy. Nhưng khi data được thu vào, ta có thể có nhiều variables:

• response của participant đối với Item 1;
• response với Item 2;
• ...
• score cho Monitoring learning processes;
• score cho Using technology for learning;
• hoặc một overall score nếu researcher có theoretical và empirical justification để tạo ra nó.

Như vậy, construct và variable có liên quan nhưng không phải lúc nào cũng là cùng một thứ. Construct nằm ở level lý thuyết. Variable là cách một aspect của construct được representation trong data để có thể phân tích. Điểm này trở nên quan trọng khi researcher bắt đầu chọn statistical analysis. Nếu mình chưa rõ variable là gì thì việc hỏi “Nên chạy t-test hay ANOVA?” thường hơi sớm. Ta cần biết mình đang đo gì trước, rồi mới hỏi sẽ phân tích nó bằng cách nào.

6. Conceptual definition và operational definition

Có thêm một distinction khá hữu ích nữa giữa conceptual definition và operational definition. Giả sử tôi viết:

Learner autonomy là năng lực của người học trong việc chủ động và kiểm soát learning process của mình.

Đây chủ yếu là conceptual definition. Nó giúp người đọc hiểu tôi đang nói về learner autonomy theo nghĩa nào. Nhưng nếu tôi nói:

Trong nghiên cứu này, learner autonomy được investigated thông qua 25 behavioral items thuộc bốn dimensions...

thì tôi đang tiến gần đến một operational definition. Operational definition trả lời một câu hỏi rất thực tế là trong nghiên cứu này, làm thế nào tôi nhận biết construct đó? Bốn chữ “trong nghiên cứu này” rất quan trọng. Một operational definition không có nghĩa là researcher đã tìm ra definition cuối cùng và đúng cho mọi context. Model learner autonomy trong nghiên cứu năm 2025 chẳng hạn được phát triển từ perceptions của Vietnamese EFL undergraduates. Bản thân article cũng kết luận rằng model cần được tiếp tục refine khi áp dụng trong những contexts khác. Vì vậy, nếu một researcher ở một context khác lấy nguyên instrument đó và nói: “Đây là learner autonomy.” thì có thể hơi mạnh. Chính xác hơn nên là: “Trong study này, chúng tôi operationalise learner autonomy theo model...” Sự khác nhau nghe có vẻ nhỏ nhưng rất quan trọng về mặt research thinking.

7. Reliability cao không cứu được một construct sai

Một ví dụ khá quen thuộc là Cronbach's Alpha. Trong bài cũ về Độ tin cậy của công cụ nghiên cứu, tôi đã trình bày cách xem reliability của một nhóm questionnaire items. Nhưng trước reliability có một câu hỏi quan trọng hơn: "Các items đó có đang đo đúng construct hay không?" Giả sử tôi muốn đo learning motivation nhưng viết 10 items chủ yếu hỏi sinh viên có đi học đầy đủ, làm homework và nộp bài đúng hạn hay không. Sau đó Cronbach's Alpha = .92. Rất tốt. Nhưng .92 chỉ cho thấy các items có mức internal consistency cao theo một cách nhất định. Nó không tự động chứng minh rằng nhóm items đó thực sự đại diện đầy đủ cho learning motivation.

Có thể tôi đang đo compliance. Có thể tôi đang đo learning behaviour. Có thể tôi đang đo một phần của engagement. Hoặc có thể các constructs này đang overlap. Đây là lý do scale-development literature đặt việc define domain/construct và xác định content trước những bước statistical evaluation về reliability và validity. Nói đơn giản: Một cái thước rất ổn định không có nhiều ý nghĩa nếu ngay từ đầu ta dùng nhầm thước. Phần validity này sẽ cần một bài riêng vì nó phức tạp hơn khá nhiều.

8. Có phải construct nào cũng phải biến thành questionnaire và con số?

Không. Đây cũng là một hiểu nhầm khá phổ biến khi nói đến constructs. Trong quantitative research, chúng ta thường phải operationalise construct thành measurable indicators và variables. Nhưng qualitative research có thể tiếp cận cùng một construct theo cách khác. Trong một nghiên cứu khác của tôi năm 2024 về những constraints ảnh hưởng đến learner autonomy, tôi không cố tạo ra một autonomy score cho từng participant. Thay vào đó, participants được hướng dẫn nói về:

• những learning activities họ từng thực hiện;
• reflections về những activities đó;
• và plans của họ cho tương lai.

Từ những accounts này, analysis xem những personal, situational và cultural factors nào đã mediated việc người học thực hiện learner autonomy trong thực tế. 

Learner autonomy vẫn là một concept/construct quan trọng. Nhưng evidence không phải luôn là các numbers từ 1 đến 5. Evidence nằm trong experiences, decisions, explanations và patterns xuất hiện trong interview data. Cho nên, operationalisation không đồng nghĩa với biến mọi thứ thành numbers. Operationalisation rộng hơn, nó yêu cầu researcher phải nói rõ mình sẽ nhận biết phenomenon mình quan tâm thông qua loại evidence nào. Trong quantitative study, đó có thể là questionnaire scores. Trong qualitative study, đó có thể là recurring patterns trong participants' accounts, observed behaviours, documents hoặc interactions.

9. Vì sao việc này quan trọng ngay từ Literature Review?

Ta quay lại vấn đề ở đầu bài. Khi làm literature review, một researcher thường bắt gặp rất nhiều studies cùng dùng một keyword. Ví dụ 30 papers đều có từ student engagement. Nhưng chưa chắc cả 30 đang nghiên cứu cùng một construct. 

• Study A có thể dùng attendance và task completion.
• Study B dùng emotional engagement.
• Study C dùng behavioral, emotional và cognitive engagement.
• Study D hỏi sinh viên tự đánh giá xem mình cảm thấy engaged đến đâu.
• Study E nhìn engagement qua clickstream data trên LMS.

Nếu chỉ search keyword rồi xem tất cả là một nhóm thì literature review có thể trở nên khá confusing. Một câu hỏi tốt hơn là: Mỗi study đang conceptualise và operationalise construct này như thế nào? Khi đặt câu hỏi đó, những apparent contradictions giữa studies đôi khi biến mất. Hai studies có kết quả khác nhau không nhất thiết vì một study sai. Có thể đơn giản là họ đang đo hai versions khác nhau của cùng một concept. Và đây cũng là một phần quan trọng trong việc xây dựng theoretical framework. Không chỉ biết construct tên gì, mà cần hiểu các thành phần, relationships và assumptions đằng sau nó. 

10. Trước khi thu data, thử trả lời những câu này

Nếu đang chuẩn bị một research paper, thesis hoặc một empirical study, tôi nghĩ có thể thử viết ra câu trả lời cho những câu hỏi sau:

1. Key concept của tôi là gì?
2. Tôi đang dùng definition/perspective nào về concept đó?
3. Những gì nằm ngoài phạm vi definition này?
4. Construct có một hay nhiều dimensions?
5. Mỗi dimension được biểu hiện bằng những gì?
6. Tôi cần loại evidence nào để nhận biết những biểu hiện đó?
7. Nếu dùng questionnaire, mỗi item map vào construct/dimension nào?
8. Nếu dùng interview, questions có thực sự eliciting experiences liên quan đến construct không?
9. Nếu dùng quantitative data, cuối cùng construct sẽ xuất hiện trong dataset dưới dạng variable nào?
10. Cách operationalise của tôi đến từ theory/literature hay chỉ vì có sẵn một questionnaire?

Nếu câu 7 chẳng hạn rất khó trả lời, có thể instrument đang có một số items không rõ để làm gì. Nếu câu 2 khó trả lời, có thể literature review chưa đủ. Nếu câu 9 khó trả lời, có thể chưa đến lúc quyết định statistical test. Còn nếu hầu hết các câu trên đều chưa rõ thì có lẽ chưa nên vội collect data.

Tôi nghĩ có thể tóm tắt câu chuyện này bằng một chuỗi khá đơn giản như sau:

Topic → Concept → Construct → Dimensions → Indicators → Evidence/Data

Không phải nghiên cứu nào cũng đi qua chuỗi này theo đúng một đường thẳng. Qualitative và quantitative research có thể đi những con đường khá khác nhau. Data cũng có thể quay ngược trở lại làm chúng ta thay đổi cách hiểu construct ban đầu.
Nhưng có một câu hỏi mà researcher gần như luôn phải trả lời: Mình đang nghiên cứu cái gì? Không phải tên của nó là gì. Mà là trong nghiên cứu này, khi nói đến cái tên đó, mình thực sự muốn nói đến điều gì và dựa vào evidence nào để biết nó tồn tại?
Khi câu hỏi này rõ, khá nhiều quyết định phía sau - từ literature review, research questions, instrument, data collection cho đến analysis - cũng sẽ bắt đầu rõ theo.