Ứng dụng công nghệ lập kế hoạch nghiên cứu

Vì vậy, công nghệ lập kế hoạch nghiên cứu nên được nhìn như một hệ thống hỗ trợ quyết định gồm nhiều lớp liên kết với nhau: bằng chứng đầu vào, mô hình thiết kế, kế hoạch nguồn lực, quản trị dữ liệu và cơ chế cộng tác. Khi các lớp này được kết nối, thay đổi ở một thành phần có thể được truy ngược đến những thành phần chịu ảnh hưởng thay vì chỉ được sửa thủ công trong từng tài liệu riêng lẻ.

Công nghệ biến kế hoạch nghiên cứu thành mô hình có thể kiểm thử

Một kế hoạch nghiên cứu truyền thống thường mô tả những gì nhóm nghiên cứu dự kiến thực hiện. Công nghệ cho phép tiến thêm một bước: biểu diễn kế hoạch bằng các biến số, giả định, quan hệ phụ thuộc, nguồn lực và điều kiện ràng buộc có thể tính toán hoặc kiểm tra.

Chẳng hạn, kế hoạch tuyển mẫu không chỉ chứa một ngày bắt đầu và ngày kết thúc. Hệ thống có thể liên kết quy mô mẫu dự kiến với tốc độ tuyển, số địa điểm, số nhân sự phụ trách, thời gian xử lý mỗi trường hợp và ngân sách tương ứng. Khi quy mô mẫu hoặc tốc độ tuyển thay đổi, nhóm nghiên cứu có thể nhìn thấy ngay những phần khác cần xem xét lại.

Cơ chế này tạo ra khác biệt giữa số hóa kế hoạch và mô hình hóa kế hoạch. Số hóa chỉ chuyển nội dung từ giấy sang phần mềm. Mô hình hóa thể hiện quan hệ nhân quả hoặc phụ thuộc giữa các quyết định. Nhờ đó, công nghệ hỗ trợ kiểm thử các kịch bản trước khi nguồn lực thực tế được cam kết.

Tuy nhiên, mô hình tính toán không làm cho một giả định trở nên đúng. Nếu thời gian thực hiện một nhiệm vụ, tỷ lệ tuyển mẫu, hiệu ứng kỳ vọng hoặc chi phí đầu vào được ước lượng thiếu cơ sở, hệ thống chỉ tạo ra một kết quả có vẻ chính xác từ những giả định chưa chắc chắn. Với các biến chưa đủ bằng chứng, cách phù hợp hơn là sử dụng khoảng giá trị và nhiều kịch bản thay vì một con số duy nhất.

Ý nghĩa thực tế là nhóm nghiên cứu cần ghi rõ nguồn gốc và mức độ chắc chắn của từng giả định quan trọng. Công nghệ có giá trị nhất khi nó cho phép nhìn thấy điều gì đang được giả định, giả định đó chi phối phần nào của kế hoạch và điều gì xảy ra khi giả định thay đổi.

Hỗ trợ thiết kế nghiên cứu từ bằng chứng đến phương án khả thi

Thu hẹp câu hỏi nghiên cứu bằng tổng hợp bằng chứng

Công cụ tìm kiếm học thuật, cơ sở dữ liệu tài liệu, phần mềm quản lý tài liệu tham khảo và các hệ thống hỗ trợ sàng lọc giúp nhóm nghiên cứu tổ chức lượng thông tin đầu vào lớn hơn so với cách xử lý thủ công. Mục tiêu không chỉ là tìm nhiều bài báo mà là xác định những gì đã biết, những điểm còn bất nhất và khoảng trống nào đủ cơ sở để hình thành câu hỏi nghiên cứu.

Các công cụ hỗ trợ bằng AI có thể được sử dụng để phân loại tài liệu, gợi ý thuật ngữ hoặc phát hiện nhóm chủ đề. Nhưng bản tóm tắt do hệ thống tạo ra không nên được xem như bằng chứng thay cho nguồn gốc. Những kết luận tác động trực tiếp đến giả thuyết, tiêu chí chọn mẫu hoặc phương pháp đo lường vẫn cần được đối chiếu với tài liệu gốc.

Như vậy, công nghệ hỗ trợ tốt nhất ở khâu này khi nó làm cho quá trình từ bằng chứng → khoảng trống tri thức → câu hỏi nghiên cứu trở nên có thể truy vết.

Kiểm tra thiết kế bằng tính toán và mô phỏng

Khi câu hỏi đã được xác định, các công cụ thống kê và mô phỏng có thể giúp kiểm tra liệu thiết kế dự kiến có khả năng tạo ra dữ liệu phù hợp để trả lời câu hỏi hay không.

Trong nghiên cứu định lượng, tính cỡ mẫu có thể liên kết các giả định về kích thước hiệu ứng, biến thiên, mức sai số và power mục tiêu. Với thiết kế phức tạp hơn, mô phỏng cho phép thay đổi từng giả định để xem kết quả nhạy cảm đến mức nào. Một phương án chỉ khả thi trong một tập giả định rất hẹp cần được xem là rủi ro hơn phương án vẫn hoạt động trong nhiều kịch bản hợp lý.

Công nghệ vì thế không chỉ đưa ra một con số về cỡ mẫu. Giá trị lớn hơn nằm ở khả năng làm rõ giả định nào đang quyết định cỡ mẫu và thiết kế sẽ thay đổi thế nào nếu giả định đó không đúng.

Đối với nghiên cứu định tính hoặc khám phá, mức độ cấu trúc có thể thấp hơn và không phải mọi yếu tố đều có thể mô hình hóa bằng số. Trong trường hợp đó, công nghệ vẫn có thể hỗ trợ quản lý logic chọn trường hợp, tiêu chí dừng, lịch thu thập và phụ thuộc nguồn lực mà không tạo ra độ chính xác giả tạo.

Chuẩn hóa protocol, biến số và dữ liệu dự kiến

Biểu mẫu điện tử, data dictionary, repository dùng chung và hệ thống quản lý phiên bản giúp các thành viên thống nhất cách định nghĩa biến, tiêu chí chọn mẫu, nhiệm vụ và quy trình trước khi nghiên cứu bắt đầu.

Một chuỗi truy vết có thể được thiết kế theo hướng:

Câu hỏi nghiên cứu → giả thuyết → biến hoặc khái niệm → phương pháp đo → dữ liệu cần thu → nhiệm vụ → nguồn lực

Khi một biến được thay đổi, nhóm nghiên cứu có cơ sở để kiểm tra xem biểu mẫu thu thập, kế hoạch phân tích, thời gian thực hiện hay yêu cầu nhân sự nào cũng cần cập nhật.

Dù vậy, template hoặc phần mềm không thể xác nhận một phép đo có giá trị khoa học chỉ vì tất cả trường thông tin đã được điền đầy đủ. Chuẩn hóa làm giảm sự mơ hồ trong kế hoạch; tính hợp lệ của phương pháp vẫn phụ thuộc vào lập luận khoa học và chuyên môn của nhóm nghiên cứu.

Công nghệ phân bổ nguồn lực dựa trên tải công việc và ràng buộc

Từ danh sách công việc đến mạng lưới phụ thuộc

Lập kế hoạch nguồn lực không chỉ là gán người phụ trách cho một danh sách nhiệm vụ. Nhiều hoạt động nghiên cứu có quan hệ phụ thuộc: phải hoàn thành protocol trước khi xin phê duyệt, phải có phê duyệt trước khi triển khai một số hoạt động, hoặc phải hoàn thiện công cụ đo trước khi đào tạo người thu thập dữ liệu.

Các hệ thống lập lịch có thể biểu diễn quan hệ này bằng dependency, milestone và đường dẫn công việc. Khi một nhiệm vụ quan trọng trễ, ảnh hưởng tới các nhiệm vụ phía sau có thể được nhận diện sớm hơn thay vì chỉ xuất hiện khi deadline cuối cùng bị bỏ lỡ.

Điều đó đặc biệt hữu ích với nghiên cứu có nhiều nhóm, nhiều địa điểm hoặc nguồn lực dùng chung. Một thiết bị, chuyên gia hoặc phòng thí nghiệm có thể đồng thời là điều kiện tiên quyết của nhiều công việc; lịch của từng thành viên riêng lẻ không thể hiện đầy đủ ràng buộc này.

Từ số lượng nhân sự đến năng lực thực sự

Headcount không đồng nghĩa với capacity. Một người có mặt trong dự án nhưng chỉ dành một phần thời gian cho nghiên cứu sẽ tạo ra năng lực khả dụng thấp hơn một vị trí toàn thời gian.

Một chỉ số đơn giản có thể được dùng để kiểm tra tải nguồn lực:

Resource load = Khối lượng công việc dự kiến / Năng lực khả dụng

Nếu tỷ lệ vượt 1, nhu cầu đã lớn hơn capacity được khai báo trong cùng kỳ. Nếu tỷ lệ ở sát 1, lịch có rất ít không gian cho công việc phát sinh hoặc sai số ước lượng. Ngưỡng chấp nhận không có một giá trị chung cho mọi nghiên cứu; nó phải phản ánh mức độ bất định và khả năng thay thế nguồn lực của từng dự án.

Công nghệ giúp tính chỉ số này theo vai trò hoặc theo khoảng thời gian. Nhờ vậy, nhóm nghiên cứu có thể phát hiện rằng tổng số nhân sự nhìn chung là đủ nhưng một kỹ năng chuyên môn cụ thể lại trở thành nút thắt trong một giai đoạn nhất định.

Phân bổ ngân sách và hạ tầng theo kịch bản

Ngân sách cũng có thể được liên kết với các driver thay vì nhập thành một tổng số cố định. Chi phí tuyển mẫu có thể phụ thuộc số đối tượng; chi phí lưu trữ phụ thuộc khối lượng và thời gian giữ dữ liệu; chi phí nhân sự phụ thuộc effort; chi phí thiết bị hoặc hạ tầng phụ thuộc lịch sử dụng.

Khi những quan hệ này được mô hình hóa, nhóm nghiên cứu có thể so sánh kịch bản cơ sở với các trường hợp bất lợi hơn, chẳng hạn tuyển mẫu chậm, cần thêm một vòng thu thập hoặc phải kéo dài thời gian sử dụng hạ tầng.

Điểm đánh đổi là độ chi tiết. Mô hình nguồn lực càng chi tiết thì khả năng phân tích càng cao nhưng chi phí duy trì dữ liệu kế hoạch cũng tăng. Vì vậy, chỉ nên mô hình hóa đến mức đủ để hỗ trợ các quyết định có ảnh hưởng đáng kể đến tính khả thi của nghiên cứu.

Liên kết dữ liệu, cộng tác và truy vết quyết định ngay từ kế hoạch

Một vấn đề thường gặp trong lập kế hoạch là các thành phần liên quan nằm trong những tệp độc lập: protocol ở một nơi, ngân sách ở một bảng tính khác, lịch ở công cụ quản lý dự án và quyết định của nhóm lại nằm trong email hoặc tin nhắn.

Khi thông tin bị tách rời, thay đổi dễ trở nên không đồng bộ. Protocol có thể đã chuyển sang phiên bản mới nhưng bảng dữ liệu hoặc kế hoạch nguồn lực vẫn dựa trên phiên bản cũ.

Công nghệ có thể xử lý vấn đề này bằng ba cơ chế: nguồn dữ liệu dùng chung, quản lý phiên bản và nhật ký thay đổi. Mỗi thay đổi quan trọng cần thể hiện ai thay đổi, thay đổi nội dung gì, vì sao thay đổi và thành phần nào của kế hoạch chịu ảnh hưởng.

Quản trị dữ liệu cũng nên được đưa vào ngay từ giai đoạn này. Nhóm nghiên cứu có thể xác định trước loại dữ liệu dự kiến tạo ra, quyền truy cập, cấu trúc tệp, quy tắc đặt tên, yêu cầu sao lưu, thời gian lưu trữ và trách nhiệm quản lý. Nếu nghiên cứu chịu yêu cầu của hội đồng đạo đức, nhà tài trợ hoặc chính sách dữ liệu của tổ chức, các điều kiện đó có thể được chuyển thành checklist, quyền truy cập hoặc approval gate trong quy trình số.

Lợi ích không phải là loại bỏ hoàn toàn sai sót. Công nghệ tạo ra khả năng truy vết, giúp nhóm nghiên cứu phát hiện nhanh hơn khi một quyết định mới không còn nhất quán với những quyết định trước đó.

Giới hạn xuất hiện khi tổ chức sử dụng quá nhiều hệ thống không kết nối. Nếu cùng một thông tin phải nhập lại ở nhiều nơi, nguy cơ lệch phiên bản vẫn tồn tại và chi phí quản trị có thể tăng. Vì vậy, khả năng tích hợp, xuất dữ liệu, phân quyền và duy trì lịch sử thay đổi thường quan trọng hơn số lượng tính năng của từng công cụ riêng lẻ.

Các giới hạn khiến công nghệ không tự động tạo ra kế hoạch tốt

Giả định yếu có thể tạo ra độ chính xác giả

Phần mềm có thể tính thời gian, cỡ mẫu, effort hoặc chi phí rất chính xác về mặt số học nhưng không thể tự bảo đảm các giả định đầu vào phản ánh thực tế.

Một biểu đồ chi tiết đến từng ngày không đồng nghĩa thời gian thực hiện đã được ước lượng đúng. Một mô hình ngân sách có nhiều dòng chi phí cũng không chứng minh mọi driver đã được nhận diện. Khi mức bất định cao, việc trình bày khoảng giá trị và kịch bản thường hữu ích hơn việc cố tạo một dự báo duy nhất.

Tự động hóa không thay thế phán đoán phương pháp

AI và các hệ thống tự động có thể đề xuất từ khóa, tóm tắt tài liệu, tạo lịch sơ bộ hoặc phát hiện xung đột nguồn lực. Tuy nhiên, chúng không nên trở thành nguồn ra quyết định cuối cùng đối với câu hỏi khoa học, tính hợp lệ của phép đo, đạo đức nghiên cứu hoặc việc chấp nhận một rủi ro phương pháp.

Một nguyên tắc thực tế là mức giám sát của con người nên tăng theo hậu quả của quyết định. Công việc hành chính có thể được tự động hóa nhiều hơn; quyết định thay đổi thiết kế, tiêu chí chọn mẫu hoặc giả thuyết cần mức kiểm tra cao hơn.

Nhiều công cụ không đồng nghĩa hệ thống tốt hơn

Mỗi công cụ bổ sung đều tạo thêm một điểm cần quản trị: tài khoản, quyền truy cập, phiên bản, tích hợp, đào tạo và sao lưu. Khi dữ liệu bị sao chép giữa nhiều hệ thống, chính công nghệ có thể trở thành nguyên nhân tạo ra thông tin không nhất quán.

Do đó, mục tiêu không phải xây dựng một “stack” công nghệ lớn nhất. Mục tiêu là tạo ra một luồng thông tin đủ liền mạch để bằng chứng, thiết kế, nguồn lực và quyết định quan trọng có thể liên hệ với nhau.

Cũng không nên áp dụng cùng mức độ công nghệ cho mọi nghiên cứu. Một dự án nhỏ với ít phụ thuộc có thể được quản lý tốt bằng bộ công cụ đơn giản. Một chương trình nghiên cứu nhiều địa điểm, nhiều vai trò và yêu cầu kiểm soát dữ liệu cao mới cần kiến trúc phức tạp hơn. Mức đầu tư công nghệ phải tương xứng với độ phức tạp của quyết định mà nó cần hỗ trợ.

Cách triển khai công nghệ lập kế hoạch nghiên cứu theo quyết định cần hỗ trợ

Cách tiếp cận hiệu quả hơn việc bắt đầu bằng câu hỏi “nên dùng phần mềm nào?” là xác định “quyết định nào đang cần được hỗ trợ?”. Từ đó, nhóm nghiên cứu mới lựa chọn công cụ và mức tự động hóa phù hợp.

1.    Xác định các quyết định quan trọng như lựa chọn thiết kế, quy mô mẫu, thời gian, nhân lực, ngân sách, hạ tầng và quản trị dữ liệu

2.    Xác định dữ liệu đầu vào của từng quyết định gồm bằng chứng, giả định, ràng buộc và người chịu trách nhiệm

3.    Chọn lớp công nghệ phù hợp như tìm kiếm tài liệu, mô phỏng thống kê, quản lý dự án, capacity planning, quản trị dữ liệu hoặc quản lý phiên bản

4.    Biểu diễn quan hệ phụ thuộc để thay đổi ở một giả định có thể được kiểm tra đối với những phần còn lại của kế hoạch

5.    Thiết lập vòng cập nhật trong đó thay đổi quan trọng được ghi nhận, đánh giá tác động và phê duyệt trước khi trở thành phiên bản kế hoạch mới

Sau khi hệ thống được thiết lập, nhóm nghiên cứu có thể đánh giá chất lượng của chính quá trình lập kế hoạch bằng các chỉ số có thể kiểm tra: tỷ lệ giả định quan trọng có nguồn hoặc người chịu trách nhiệm, mức đầy đủ của dependency, tải nguồn lực theo vai trò, số thay đổi chưa được phản ánh sang các thành phần liên quan và độ lệch giữa nhu cầu với capacity khả dụng.

Những chỉ số này không có một ngưỡng chuẩn chung cho mọi dự án. Chúng nên được dùng như tín hiệu phát hiện vấn đề và được hiệu chỉnh theo loại nghiên cứu, mức bất định, yêu cầu quản trị và hậu quả của việc thiếu nguồn lực.

Với cách triển khai này, công nghệ lập kế hoạch nghiên cứu không phải một lớp phần mềm đặt lên trên quy trình cũ. Nó trở thành cơ chế kết nối bằng chứng với thiết kế, thiết kế với nguồn lực và các thay đổi với hậu quả của chúng.

Công nghệ hỗ trợ giai đoạn lập kế hoạch nghiên cứu mạnh nhất khi giúp nhóm nghiên cứu biến các giả định, quyết định và ràng buộc thành một hệ thống có thể kiểm tra. Trong thiết kế nghiên cứu, công nghệ hỗ trợ tổng hợp bằng chứng, kiểm tra giả định, mô phỏng phương án và chuẩn hóa protocol. Trong phân bổ nguồn lực, nó giúp mô hình hóa dependency, capacity, lịch, ngân sách và các kịch bản bất định.

Tuy nhiên, công nghệ không thay thế phương pháp khoa học hoặc phán đoán chuyên môn. Một kế hoạch chỉ trở nên đáng tin cậy khi dữ liệu đầu vào có cơ sở, các giả định được thể hiện rõ, thay đổi có thể truy vết và những quyết định quan trọng vẫn được con người đánh giá. Khi đáp ứng các điều kiện này, công nghệ giúp giai đoạn lập kế hoạch trở thành một quá trình ra quyết định có cấu trúc thay vì chỉ là hoạt động lập lịch và ghi chép.