Công nghệ thu thập dữ liệu nghiên cứu là gì?

Điểm quan trọng là công nghệ chỉ tạo ra hạ tầng thu thập dữ liệu. Nó không tự quyết định dữ liệu có giá trị khoa học hay không. Chất lượng cuối cùng còn phụ thuộc vào thiết kế nghiên cứu, cách lấy mẫu, công cụ đo, quy trình vận hành, hiệu chuẩn, kiểm soát sai số và cách quản trị dữ liệu. Vì vậy, một hệ thống hiện đại có thể giúp thu thập nhanh và nhất quán hơn nhưng không thể tự sửa một thiết kế nghiên cứu thiếu phù hợp.

Bản chất của công nghệ thu thập dữ liệu nghiên cứu

Về bản chất, công nghệ thu thập dữ liệu nghiên cứu là lớp kỹ thuật nằm giữa đối tượng hoặc hiện tượng cần quan sát và tập dữ liệu được đưa vào quá trình nghiên cứu.

Đối tượng đầu vào có thể rất khác nhau: câu trả lời của người tham gia khảo sát, nhiệt độ môi trường, nhịp tim, hình ảnh kính hiển vi, tọa độ địa lý, tín hiệu điện, hành vi sử dụng ứng dụng hoặc bản ghi phát sinh từ một hệ thống số. Công nghệ thu thập có nhiệm vụ chuyển những tín hiệu đó thành dữ liệu theo một cấu trúc xác định.

Một hệ thống điển hình có thể thực hiện đồng thời nhiều chức năng:

·         Ghi nhận dữ liệu từ người tham gia, thiết bị đo hoặc nguồn dữ liệu số

·         Chuẩn hóa định dạng để các quan sát được lưu theo cùng một cấu trúc

·         Kiểm tra đầu vào bằng quy tắc về kiểu dữ liệu, phạm vi giá trị hoặc trường bắt buộc

·         Gắn thông tin ngữ cảnh như thời gian, mã đối tượng, vị trí, thiết bị hoặc phiên thu thập

·         Đồng bộ và truyền dữ liệu từ điểm thu thập tới môi trường lưu trữ

·         Bảo vệ dữ liệu bằng kiểm soát truy cập, mã hóa hoặc phân quyền khi cần

·         Tạo khả năng truy vết để xác định dữ liệu được tạo hoặc chỉnh sửa như thế nào

Do đó, khái niệm này rộng hơn phần mềm khảo sát trực tuyến. Một bảng hỏi điện tử chỉ là một dạng công nghệ thu thập dữ liệu. Cảm biến, thiết bị phòng thí nghiệm, hệ thống Electronic Data Capture, ứng dụng di động hay giao diện API cũng có thể đóng vai trò tương tự trong những loại nghiên cứu khác nhau.

Cũng cần phân biệt công nghệ với phương pháp nghiên cứu. Phỏng vấn, khảo sát, quan sát, thí nghiệm hay lấy mẫu là phương pháp hoặc kỹ thuật nghiên cứu. Phần mềm khảo sát, máy ghi âm, cảm biến hoặc hệ thống EDC là công nghệ hỗ trợ triển khai những phương pháp đó. Hai nghiên cứu sử dụng cùng một nền tảng công nghệ vẫn có thể tạo ra dữ liệu rất khác nhau nếu thiết kế phương pháp khác nhau.

Công nghệ thu thập dữ liệu vận hành như thế nào?

Quá trình thu thập thường bắt đầu trước thời điểm dữ liệu thực sự được ghi nhận. Nhà nghiên cứu trước hết phải xác định biến cần đo, đơn vị đo, nguồn dữ liệu, tần suất ghi nhận và những điều kiện khiến một quan sát được xem là hợp lệ. Công nghệ sau đó được cấu hình để thực thi các yêu cầu này.

Có thể hình dung cơ chế vận hành qua năm lớp liên tiếp.

Lớp thứ nhất là nguồn dữ liệu. Đây có thể là con người, môi trường vật lý, mẫu thí nghiệm, thiết bị hoặc một hệ thống thông tin đang hoạt động.

Lớp thứ hai là giao diện hoặc thiết bị thu nhận. Bảng hỏi điện tử nhận phản hồi của người tham gia; cảm biến chuyển đại lượng vật lý thành tín hiệu; thiết bị phòng thí nghiệm ghi kết quả đo; API lấy bản ghi từ một hệ thống khác.

Lớp thứ ba là kiểm soát dữ liệu tại thời điểm thu thập. Hệ thống có thể kiểm tra trường bắt buộc, giới hạn giá trị, định dạng ngày tháng, mã định danh hoặc logic giữa các câu trả lời. Kiểm tra càng gần thời điểm dữ liệu được tạo thì khả năng phát hiện lỗi sớm càng cao.

Lớp thứ tư là metadata và khả năng truy vết. Một giá trị đơn lẻ thường chưa đủ để giải thích một quan sát nghiên cứu. Thời điểm đo, thiết bị sử dụng, phiên bản biểu mẫu, người thực hiện hoặc điều kiện đo có thể quyết định cách diễn giải dữ liệu. Vì vậy, metadata là một phần quan trọng của quá trình thu thập chứ không chỉ là thông tin bổ sung.

Lớp cuối cùng là chuyển giao dữ liệu. Dữ liệu được đồng bộ hoặc xuất sang môi trường quản lý, kiểm tra và phân tích. Ranh giới của công nghệ thu thập thường kết thúc khi dữ liệu đã được ghi nhận đầy đủ, có ngữ cảnh cần thiết và được chuyển giao một cách kiểm soát cho bước xử lý tiếp theo.

Cơ chế này giải thích tại sao tự động hóa có thể giảm một số lỗi nhập liệu nhưng không loại bỏ mọi nguồn sai số. Nếu cảm biến chưa được hiệu chuẩn, câu hỏi khảo sát diễn đạt không rõ hoặc mẫu nghiên cứu bị thiên lệch, hệ thống vẫn có thể ghi nhận rất chính xác một dữ liệu vốn đã không đại diện đúng cho hiện tượng cần nghiên cứu.

Các nhóm công nghệ phổ biến và phạm vi ứng dụng

Loại công nghệ phù hợp phụ thuộc chủ yếu vào nguồn dữ liệu và cách hiện tượng nghiên cứu được quan sát. Không có một nền tảng duy nhất phù hợp với mọi lĩnh vực.

Biểu mẫu điện tử và hệ thống Electronic Data Capture

Biểu mẫu web, ứng dụng khảo sát, eCRF và các hệ thống Electronic Data Capture phù hợp khi dữ liệu chủ yếu được nhập bởi người tham gia hoặc nhân sự nghiên cứu.

Trong nghiên cứu xã hội, giáo dục hoặc thị trường, chúng có thể được sử dụng cho bảng hỏi có cấu trúc, nhật ký nghiên cứu hoặc phỏng vấn có máy tính hỗ trợ. Trong nghiên cứu lâm sàng, EDC có thể hỗ trợ nhập dữ liệu theo biểu mẫu điện tử, kiểm tra logic, quản lý phiên bản và lưu dấu vết thay đổi.

Ưu điểm chính của nhóm này không nằm ở việc thay bảng giấy bằng màn hình. Giá trị lớn hơn đến từ khả năng chuẩn hóa biểu mẫu, kiểm tra đầu vào ngay khi nhập và quản lý dữ liệu nhất quán giữa nhiều điểm nghiên cứu.

Thiết bị đo, cảm biến và hệ thống IoT

Cảm biến được sử dụng khi biến nghiên cứu có thể quan sát bằng đại lượng vật lý hoặc sinh học như nhiệt độ, độ ẩm, áp suất, chuyển động, ánh sáng hoặc một số tín hiệu sinh lý.

Những công nghệ này xuất hiện phổ biến trong nghiên cứu môi trường, nông nghiệp, kỹ thuật, y sinh và các nghiên cứu theo dõi liên tục. Thay vì yêu cầu con người ghi từng quan sát, hệ thống có thể tạo chuỗi dữ liệu theo thời gian với tần suất xác định.

Tần suất lấy mẫu là một ví dụ cho thấy thông số kỹ thuật phải gắn với mục tiêu nghiên cứu. Hệ thống lấy mẫu ở 1 Hz tạo một quan sát mỗi giây. Mức đó có thể phù hợp với một hiện tượng biến đổi chậm nhưng không nhất thiết đủ cho tín hiệu thay đổi rất nhanh. Vì vậy, “thu thập nhiều dữ liệu hơn” không đồng nghĩa với “đo tốt hơn”; độ phân giải, tốc độ lấy mẫu và độ chính xác phải phù hợp với đặc tính của biến cần nghiên cứu.

Ứng dụng di động và công nghệ nghiên cứu hiện trường

Điện thoại thông minh và máy tính bảng cho phép thu thập dữ liệu ngay tại địa điểm nghiên cứu. Một ứng dụng có thể kết hợp biểu mẫu, thời gian, vị trí, ảnh, dữ liệu cảm biến hoặc nhật ký hoạt động trong cùng một phiên.

Khả năng lưu tạm ngoại tuyến đặc biệt quan trọng trong nghiên cứu thực địa vì kết nối mạng không phải lúc nào cũng ổn định. Dữ liệu có thể được ghi trên thiết bị trước rồi đồng bộ khi có kết nối, nhưng quá trình này cần cơ chế xử lý bản ghi trùng, xung đột phiên bản và lỗi đồng bộ.

API, nhật ký hệ thống và dữ liệu hành vi số

Trong nghiên cứu về nền tảng số hoặc hành vi trực tuyến, dữ liệu có thể được thu qua API, nhật ký máy chủ, sự kiện trong ứng dụng hoặc hệ thống telemetry thay vì hỏi trực tiếp người tham gia.

Ưu điểm là hành vi có thể được ghi nhận gần thời điểm nó xảy ra. Tuy nhiên, ý nghĩa của từng trường dữ liệu phụ thuộc mạnh vào cách hệ thống nguồn định nghĩa sự kiện. Một bản ghi “login”, “view” hay “session” chỉ có giá trị nghiên cứu khi nhà nghiên cứu biết chính xác hệ thống tạo bản ghi đó trong điều kiện nào.

Khi dữ liệu liên quan đến con người, khả năng truy cập về mặt kỹ thuật cũng không đồng nghĩa với quyền sử dụng không giới hạn. Sự đồng ý của người tham gia, yêu cầu đạo đức nghiên cứu, quy định bảo vệ dữ liệu và điều kiện sử dụng của nguồn dữ liệu vẫn có thể giới hạn việc thu thập.

Thiết bị phòng thí nghiệm và hệ thống thu nhận tín hiệu

Trong nghiên cứu thực nghiệm, thiết bị phân tích, máy ghi dữ liệu và hệ thống Data Acquisition có thể tự động chuyển kết quả đo sang dữ liệu số. Giá trị của hệ thống phụ thuộc không chỉ vào khả năng lưu dữ liệu mà còn vào hiệu chuẩn, điều kiện đo, độ phân giải, phạm vi đo và cách liên kết kết quả với mẫu nghiên cứu.

Điều này đặc biệt quan trọng khi nhiều thiết bị được sử dụng cùng lúc. Nếu đồng hồ hệ thống không được đồng bộ hoặc mã mẫu không nhất quán, dữ liệu từ các nguồn riêng lẻ có thể chính xác nhưng vẫn khó ghép thành một tập dữ liệu nghiên cứu đáng tin cậy.

Tiêu chí đánh giá công nghệ thu thập dữ liệu nghiên cứu

Một công nghệ phù hợp không nhất thiết là công nghệ có nhiều tính năng nhất. Tiêu chí quan trọng hơn là mức độ nó đáp ứng yêu cầu của protocol và đặc điểm của dữ liệu cần thu.

Trước hết cần kiểm tra độ phù hợp với biến nghiên cứu. Thiết bị hoặc hệ thống phải đo được đúng đại lượng, ở độ phân giải và tần suất cần thiết. Với dữ liệu do con người nhập, biểu mẫu phải hỗ trợ cấu trúc câu hỏi, logic phân nhánh và quy tắc kiểm tra phù hợp.

Tiếp theo là chất lượng và tính toàn vẹn của dữ liệu. Các chỉ số có thể theo dõi gồm tỷ lệ trường thiếu, bản ghi trùng, lỗi định dạng, số lần sửa dữ liệu, độ trễ đồng bộ, sai lệch thời gian hoặc tỷ lệ bản ghi vượt ngoài phạm vi hợp lệ. Không tồn tại một ngưỡng phần trăm chung cho mọi nghiên cứu; giới hạn chấp nhận phải xuất phát từ protocol, đặc điểm biến đo và mức sai số mà câu hỏi nghiên cứu cho phép.

Khả năng truy vết cũng quan trọng khi dữ liệu có thể bị chỉnh sửa. Với các môi trường được quản lý chặt, hệ thống có thể cần audit trail để cho biết bản ghi nào thay đổi, thay đổi lúc nào và bởi ai. Trong nghiên cứu lâm sàng hoặc những bối cảnh chịu quy định về hồ sơ điện tử, yêu cầu này có thể trở thành điều kiện bắt buộc thay vì một tính năng tùy chọn.

An toàn và quyền riêng tư phải được đánh giá ngay từ khâu thiết kế nếu dữ liệu chứa thông tin cá nhân hoặc dữ liệu nhạy cảm. Phân quyền, xác thực, mã hóa, quản lý thiết bị, thời gian lưu giữ và quy trình xử lý sự cố đều ảnh hưởng đến mức rủi ro. Những khung như ISO/IEC 27001 có thể cung cấp nền tảng quản lý an toàn thông tin, trong khi yêu cầu pháp lý cụ thể còn phụ thuộc quốc gia, tổ chức và loại dữ liệu.

Cuối cùng là khả năng tích hợp và vận hành thực tế. Một hệ thống thu thập tốt nhưng không thể xuất dữ liệu ở định dạng cần thiết, không hoạt động khi mất mạng hoặc quá phức tạp đối với người sử dụng có thể làm tăng sai sót vận hành. Khả năng kết nối API, chuẩn hóa mã biến, quản lý phiên bản và xuất metadata thường quan trọng không kém giao diện người dùng.

Có thể tóm tắt các tiêu chí lựa chọn thành sáu câu hỏi:

·         Đo đúng không: Công nghệ có ghi nhận chính xác biến cần nghiên cứu không

·         Đủ chi tiết không: Độ phân giải, tần suất và phạm vi đo có phù hợp không

·         Kiểm soát lỗi được không: Có validation, kiểm tra dữ liệu và khả năng truy vết cần thiết không

·         Bảo vệ dữ liệu được không: Quyền truy cập và dữ liệu nhạy cảm có được kiểm soát phù hợp không

·         Vận hành được không: Công nghệ có phù hợp với thiết bị, kết nối và năng lực của nhóm nghiên cứu không

·         Chuyển giao được không: Dữ liệu và metadata có thể xuất, tích hợp và sử dụng ở bước tiếp theo không

Giới hạn và điều kiện để dữ liệu thu được có giá trị nghiên cứu

Sai lầm phổ biến nhất là đồng nhất mức độ hiện đại của công nghệ với chất lượng nghiên cứu. Công nghệ có thể làm quá trình ghi nhận nhanh hơn, giảm thao tác thủ công và tạo khả năng kiểm soát tốt hơn, nhưng tính hợp lệ của dữ liệu vẫn phụ thuộc vào toàn bộ chuỗi nghiên cứu.

Nếu mẫu được chọn không phù hợp, một nền tảng khảo sát có thể thu hàng triệu câu trả lời mà vẫn không đại diện cho quần thể cần nghiên cứu. Nếu câu hỏi đo sai khái niệm, validation của biểu mẫu chỉ giúp bảo đảm người tham gia nhập đúng định dạng chứ không làm cho biến đo trở nên hợp lệ hơn.

Tương tự, cảm biến tạo dữ liệu tự động nhưng vẫn chịu ảnh hưởng của hiệu chuẩn, vị trí lắp đặt, nhiễu, điều kiện môi trường và độ trôi của thiết bị. Dữ liệu tự động vì thế không mặc nhiên khách quan hơn dữ liệu do con người ghi nhận.

Một giới hạn khác là sự phụ thuộc vào hệ thống. Mất kết nối, hết pin, lỗi đồng bộ, thay đổi phiên bản phần mềm hoặc thay đổi API có thể tạo khoảng trống trong chuỗi dữ liệu. Nghiên cứu kéo dài cần tính đến những tình huống này từ đầu thay vì chỉ xử lý sau khi dữ liệu đã thiếu.

Cuối cùng là ranh giới giữa khả năng kỹ thuật và khả năng sử dụng hợp pháp, có đạo đức. Một nền tảng có thể cho phép ghi vị trí, hành vi hoặc thông tin nhận dạng nhưng việc thu thập vẫn phải phù hợp với mục tiêu nghiên cứu, nguyên tắc tối thiểu hóa dữ liệu và những yêu cầu áp dụng đối với người tham gia. Với nghiên cứu chịu quy định chuyên ngành, protocol và các chuẩn tương ứng phải được ưu tiên hơn những tính năng mặc định của phần mềm.

Vì vậy, giá trị thực của công nghệ thu thập dữ liệu không nằm ở số lượng tính năng mà ở mức độ kiểm soát được quá trình biến một hiện tượng thành bằng chứng nghiên cứu. Khi công cụ đo, quy trình, metadata, kiểm soát chất lượng và yêu cầu bảo vệ dữ liệu được thiết kế đồng bộ, công nghệ giúp tạo ra dữ liệu có cấu trúc, truy vết được và phù hợp hơn cho việc kiểm chứng câu hỏi nghiên cứu.

Công nghệ thu thập dữ liệu nghiên cứu là tập hợp các công cụ và hệ thống kỹ thuật phục vụ việc ghi nhận, kiểm tra, định danh và chuyển giao dữ liệu từ nguồn nghiên cứu. Phạm vi của nó trải từ biểu mẫu điện tử, EDC và ứng dụng di động đến cảm biến, thiết bị phòng thí nghiệm, API và hệ thống thu nhận tín hiệu.

Tuy nhiên, công nghệ không thay thế phương pháp nghiên cứu. Một hệ thống chỉ thực sự có giá trị khi thông số kỹ thuật, cách vận hành và cơ chế kiểm soát dữ liệu phù hợp với câu hỏi nghiên cứu. Vì vậy, khi đánh giá một công nghệ thu thập dữ liệu, trọng tâm nên là khả năng đo đúng biến cần nghiên cứu, duy trì tính toàn vẹn và khả năng truy vết của dữ liệu, đáp ứng yêu cầu bảo mật, đồng thời hoạt động ổn định trong điều kiện nghiên cứu thực tế.