Phân biệt dữ liệu và bằng chứng khoa học

Dữ liệu là thông tin thu được từ quan sát, đo lường, thí nghiệm hoặc ghi nhận. Dữ liệu có thể là số đo nhiệt độ, hình ảnh kính hiển vi, trình tự gene, câu trả lời khảo sát, thời gian phản ứng hay kết quả của một phép thử.

Bằng chứng khoa học xuất hiện khi dữ liệu được đặt trong một cấu trúc suy luận để làm tăng hoặc giảm mức độ hợp lý của một giả thuyết, lời giải thích hay kết luận. Vì vậy, bằng chứng không chỉ phụ thuộc vào việc “đã thu được dữ liệu gì”, mà còn phụ thuộc vào dữ liệu đó liên hệ với câu hỏi nghiên cứu như thế nào, được tạo ra bằng phương pháp nào và những suy luận nào được phép rút ra từ nó.

Có thể diễn đạt ngắn gọn: dữ liệu là đầu vào quan sát được; bằng chứng là giá trị suy luận mà dữ liệu có đối với một mệnh đề khoa học.

Dữ liệu và bằng chứng khác nhau ở vị trí trong suy luận

Điểm khác biệt quan trọng nhất không nằm ở hình thức vật chất của thông tin mà nằm ở chức năng nhận thức của nó.

Một bảng gồm 500 giá trị đo vẫn là dữ liệu. Khi nhà nghiên cứu dùng các giá trị đó để đánh giá một giả thuyết cụ thể, chúng mới đảm nhận vai trò của bằng chứng đối với giả thuyết ấy.

Có thể hình dung chuỗi suy luận khoa học theo hướng:

Hiện tượng → quan sát hoặc đo lường → dữ liệu → phân tích và suy luận → đánh giá giả thuyết → kết luận

Dữ liệu nằm ở phần ghi nhận hiện tượng. Bằng chứng nằm ở mối quan hệ giữa phần ghi nhận đó và điều nhà nghiên cứu muốn kết luận.

Ví dụ, một thí nghiệm ghi nhận cây ở nhóm A tăng trung bình nhiều hơn cây ở nhóm B. Các số đo chiều cao là dữ liệu. Chúng trở thành bằng chứng cho giả thuyết “tác nhân X làm tăng tốc độ sinh trưởng” chỉ khi cách bố trí thí nghiệm cho phép liên hệ sự khác biệt quan sát được với tác nhân X thay vì với ánh sáng, nước, giống cây hoặc một yếu tố khác.

Do đó, bằng chứng không phải là một lớp thông tin hoàn toàn tách khỏi dữ liệu. Trong nghiên cứu thực nghiệm, nó thường được xây dựng từ dữ liệu, nhưng chỉ sau khi dữ liệu được đặt vào một quan hệ suy luận xác định.

Dữ liệu trở thành bằng chứng khi được gắn với một giả thuyết

Một tập dữ liệu không tự nói rằng nó chứng minh điều gì. Muốn sử dụng dữ liệu như bằng chứng, nhà nghiên cứu cần ít nhất ba thành phần: một giả thuyết cần đánh giá, một dự đoán về dữ liệu nếu giả thuyết đúng và những điều kiện cho phép so sánh quan sát với dự đoán đó.

Giả sử một giả thuyết cho rằng thuốc A làm giảm huyết áp. Những con số huyết áp thu được từ người tham gia chỉ là dữ liệu. Để chúng trở thành bằng chứng về hiệu quả của thuốc, cần xem xét sự thay đổi có xảy ra đúng theo dự đoán hay không và liệu thiết kế nghiên cứu có loại trừ được những cách giải thích cạnh tranh ở mức cần thiết hay không.

Cơ chế này thể hiện rõ trong logic so sánh giả thuyết. Nếu một kết quả quan sát được dễ xuất hiện khi giả thuyết H1 đúng nhưng khó xuất hiện khi giả thuyết H0 đúng, kết quả đó có khả năng tạo bằng chứng nghiêng về H1.

Trong cách biểu diễn Bayes, ý tưởng này có thể được mô tả bằng tỷ số:

P(D | H1) / P(D | H0)

Trong đó D là dữ liệu quan sát được. Nếu dữ liệu D phù hợp với dự đoán của H1 hơn đáng kể so với H0, D có sức phân biệt giữa hai giả thuyết. Công thức này không có nghĩa mọi nghiên cứu phải sử dụng thống kê Bayes; nó làm rõ một nguyên tắc rộng hơn: sức mạnh của bằng chứng phụ thuộc vào khả năng dữ liệu phân biệt giữa các lời giải thích cạnh tranh.

Chính vì có bước suy luận này nên không thể chuyển từ “chúng tôi quan sát thấy X” trực tiếp sang “Y là nguyên nhân của X” nếu thiết kế nghiên cứu chưa cho phép suy luận nhân quả. Dữ liệu có thể đáng tin cậy về mặt đo lường nhưng kết luận vẫn vượt quá những gì dữ liệu có thể hỗ trợ.

Cùng một dữ liệu có thể tạo ra bằng chứng khác nhau

Bằng chứng có tính quan hệ: một quan sát chỉ có ý nghĩa bằng chứng khi đặt trong quan hệ với điều đang được đánh giá.

Giả sử một nghiên cứu quan sát thấy tỷ lệ mắc một hiện tượng ở nhóm tiếp xúc với yếu tố X cao hơn nhóm không tiếp xúc. Dữ liệu này có thể phù hợp với giả thuyết X có ảnh hưởng đến hiện tượng. Nhưng nó cũng có thể phù hợp với một giả thuyết khác, chẳng hạn hai nhóm vốn khác nhau ở một yếu tố thứ ba.

Trong trường hợp đó, dữ liệu là thật và sự khác biệt đo được cũng có thể là thật, nhưng khả năng phân biệt giữa các lời giải thích còn yếu. Bằng chứng cho một kết luận nhân quả vì thế chưa mạnh tương ứng.

Điều ngược lại cũng có thể xảy ra. Một dữ liệu không hỗ trợ giả thuyết A có thể đồng thời là bằng chứng chống lại A hoặc làm tăng tính hợp lý tương đối của giả thuyết B. Giá trị của dữ liệu thay đổi tùy câu hỏi đang được đặt ra.

Bối cảnh tri thức cũng ảnh hưởng đến diễn giải. Một quan sát bất thường có thể là bằng chứng quan trọng nếu một lý thuyết dự đoán nó rất rõ trong khi các lý thuyết cạnh tranh không dự đoán được. Nhưng nếu nhiều cơ chế khác nhau đều tạo ra cùng kết quả, quan sát đó ít có khả năng phân biệt giữa các giả thuyết.

Vì vậy, câu hỏi khoa học hữu ích không chỉ là “Có dữ liệu không?” mà còn là “Nếu các giả thuyết cạnh tranh khác nhau là đúng, chúng ta có kỳ vọng quan sát thấy dữ liệu này khác nhau hay không?”

Chất lượng dữ liệu chưa đồng nghĩa với sức mạnh bằng chứng

Dữ liệu chất lượng cao là điều kiện quan trọng, nhưng không tự động tạo ra bằng chứng mạnh.

Chất lượng dữ liệu liên quan đến những vấn đề như phép đo có chính xác không, dữ liệu có bị thiếu hay sai không, quy trình thu thập có nhất quán không và đối tượng quan sát có được ghi nhận đúng không.

Sức mạnh bằng chứng còn phụ thuộc vào một tầng khác: dữ liệu có thực sự cho phép phân biệt giữa các cách giải thích và hỗ trợ loại kết luận đang được đưa ra hay không.

Một cảm biến cực kỳ chính xác có thể cung cấp hàng triệu phép đo đáng tin cậy. Nhưng nếu thí nghiệm không kiểm soát một biến gây nhiễu quan trọng, khối dữ liệu rất lớn đó vẫn có thể cung cấp bằng chứng yếu cho một kết luận nhân quả.

Đây cũng là lý do nhiều dữ liệu không luôn đồng nghĩa với bằng chứng mạnh hơn. Tăng số lượng quan sát thường giúp giảm bất định do dao động ngẫu nhiên, nhưng không tự sửa được sai lệch có hệ thống. Nếu cách chọn mẫu, phương pháp đo hay thiết kế nghiên cứu bị lệch, việc thu thêm dữ liệu theo cùng cơ chế có thể làm ước lượng trở nên rất chính xác quanh một giá trị vẫn bị sai lệch.

Ngược lại, một nghiên cứu có số quan sát nhỏ hơn nhưng được thiết kế để kiểm soát tốt các lời giải thích cạnh tranh đôi khi cung cấp bằng chứng phù hợp hơn cho một câu hỏi cụ thể.

Vì thế cần tách hai câu hỏi:

Dữ liệu có đáng tin về mặt quan sát không?

và

Từ dữ liệu đó, kết luận đang được đưa ra có được biện minh hay không?

Câu thứ nhất đánh giá dữ liệu. Câu thứ hai đánh giá bằng chứng và chuỗi suy luận.

Ba nhầm lẫn phổ biến khi đánh đồng dữ liệu với bằng chứng

Có dữ liệu nghĩa là đã có bằng chứng

Việc một nghiên cứu thu thập được số liệu không bảo đảm số liệu đó có khả năng trả lời câu hỏi nghiên cứu.

Nếu muốn kiểm tra tác động của X nhưng dữ liệu chỉ mô tả những người có và không có X mà không kiểm soát các khác biệt quan trọng giữa hai nhóm, dữ liệu vẫn hữu ích về mặt mô tả. Tuy nhiên, khả năng dùng chúng làm bằng chứng cho quan hệ nhân quả bị giới hạn.

Vấn đề ở đây không phải “có hay không có dữ liệu” mà là dữ liệu có kết nối hợp lệ với kết luận đang được yêu cầu hay không.

Nhiều dữ liệu luôn tạo ra bằng chứng mạnh hơn

Dữ liệu lớn có thể cải thiện độ chính xác thống kê, phát hiện các mẫu nhỏ hơn và giảm một số loại bất định ngẫu nhiên. Nhưng số lượng không thể thay thế thiết kế.

Nếu một khảo sát chỉ tiếp cận một nhóm người có đặc điểm đặc biệt, hàng triệu câu trả lời vẫn không tự bảo đảm rằng kết quả có thể khái quát cho toàn bộ quần thể. Nếu một phép đo có sai lệch hệ thống, lặp lại phép đo đó nhiều lần không loại bỏ nguyên nhân gây sai lệch.

Sức mạnh bằng chứng vì thế phụ thuộc vào chất lượng phép đo, thiết kế, khả năng kiểm soát sai lệch, mức độ bất định và sự phù hợp giữa dữ liệu với câu hỏi, chứ không chỉ vào kích thước tập dữ liệu.

Ý nghĩa thống kê đồng nghĩa với bằng chứng quyết định

Một kết quả vượt qua ngưỡng thống kê không tự biến một giả thuyết thành sự thật. Phân tích thống kê chỉ là một phần trong chuỗi suy luận.

Cần xem xét thêm kích thước hiệu ứng, độ bất định, thiết kế nghiên cứu, các giả định của mô hình, khả năng có sai lệch và liệu kết quả có phù hợp với những dữ liệu độc lập khác hay không.

Do đó, “có ý nghĩa thống kê” có thể là một yếu tố của bằng chứng, nhưng không phải dấu chứng nhận rằng một kết luận đã được chứng minh tuyệt đối.

Cách đọc một kết luận khoa học từ dữ liệu đến bằng chứng

Khi đọc một nghiên cứu, thay vì chỉ kiểm tra xem tác giả “có dữ liệu” hay không, có thể lần theo toàn bộ chuỗi suy luận. Sáu câu hỏi sau giúp phân biệt phần dữ liệu với phần bằng chứng:

1.    Dữ liệu thực tế được quan sát hoặc đo lường là gì

2.    Giả thuyết hoặc kết luận nào đang được đánh giá

3.    Nếu giả thuyết đúng, vì sao phải kỳ vọng quan sát thấy dữ liệu này

4.    Có những giải thích cạnh tranh nào cũng có thể tạo ra cùng dữ liệu

5.    Thiết kế và phương pháp phân tích đã xử lý các giải thích cạnh tranh đến mức nào

6.    Kết luận có đi xa hơn phạm vi mà dữ liệu và thiết kế cho phép hay không

Cách đọc này đặc biệt hữu ích khi một bài viết sử dụng những câu như “dữ liệu chứng minh rằng…”. Cụm từ đó thường nén rất nhiều bước suy luận vào một câu. Điều cần kiểm tra không chỉ là dữ liệu có tồn tại mà còn là cầu nối từ dữ liệu đến kết luận có đủ vững hay không.

Trong thực hành khoa học, bằng chứng cũng hiếm khi được đánh giá chỉ từ một quan sát đơn lẻ. Khi nhiều nghiên cứu độc lập, nhiều phương pháp đo và nhiều cách kiểm tra khác nhau cùng tạo ra kết quả phù hợp, các lời giải thích dựa vào một sai lệch riêng lẻ trở nên khó duy trì hơn. Tuy nhiên, giá trị của sự hội tụ đó vẫn phụ thuộc vào mức độ độc lập và chất lượng suy luận của các nguồn dữ liệu, chứ không chỉ vào số lượng nghiên cứu.

Dữ liệu và bằng chứng khoa học vì vậy không phải hai khái niệm đồng nghĩa. Dữ liệu là những gì được quan sát, đo lường hoặc ghi nhận; bằng chứng là vai trò mà dữ liệu đảm nhận trong việc đánh giá một giả thuyết hay kết luận. Dữ liệu trở thành bằng chứng thông qua một chuỗi suy luận gồm câu hỏi nghiên cứu, thiết kế, phương pháp đo, mô hình phân tích, các giả định và sự so sánh với những lời giải thích cạnh tranh.

Phân biệt hai khái niệm giúp tránh một lỗi phổ biến trong việc đọc nghiên cứu: cho rằng chỉ cần có nhiều số liệu là kết luận đã được chứng minh. Một kết luận khoa học đáng tin không chỉ cần dữ liệu tốt mà còn cần một mối liên hệ suy luận đủ chặt chẽ giữa dữ liệu và điều được khẳng định.