Phạm vi nghiên cứu quyết định chất lượng luận án DBA

Nhiều nghiên cứu sinh bắt đầu luận án với mong muốn giải quyết một vấn đề lớn. Điều này rất dễ hiểu, đặc biệt với nhà lãnh đạo đã quen nhìn doanh nghiệp ở tầm chiến lược. Họ muốn nghiên cứu chuyển đổi số, tăng trưởng bền vững, phát triển lãnh đạo, đổi mới mô hình kinh doanh hoặc quản trị nhân tài. Tuy nhiên, trong nghiên cứu Tiến sĩ, một đề tài lớn chưa chắc tạo ra một luận án mạnh. Chất lượng luận án thường phụ thuộc nhiều hơn vào việc người học xác định phạm vi nghiên cứu có đủ rõ và đủ khả thi hay không.

Đề tài rộng dễ tạo cảm giác hấp dẫn

Một đề tài rộng thường nghe có vẻ quan trọng. “Chuyển đổi số trong doanh nghiệp” chắc chắn là một chủ đề lớn. “Chiến lược tăng trưởng bền vững” cũng rất hấp dẫn. Nhưng nếu phạm vi không rõ, người học sẽ nhanh chóng gặp khó: không biết nên đọc nhóm tài liệu nào, thu thập dữ liệu ở đâu, phân tích yếu tố nào và kết luận ở mức độ nào.

Với DBA, rủi ro này càng lớn vì vấn đề thực tế thường rất phức tạp. Một hiện tượng trong doanh nghiệp có thể liên quan đến chiến lược, nhân sự, tài chính, văn hoá, công nghệ và thị trường cùng lúc. Nếu cố gắng đưa tất cả vào luận án, công trình dễ bị loãng. Người học viết nhiều, nhưng phân tích chưa đủ sâu.

Thu hẹp không làm đề tài nhỏ đi

Thu hẹp phạm vi không có nghĩa là làm cho đề tài kém giá trị. Ngược lại, phạm vi rõ giúp nghiên cứu đi sâu hơn. Thay vì nghiên cứu “chuyển đổi số trong doanh nghiệp”, người học có thể tập trung vào vai trò của quản lý cấp trung trong việc chuyển đổi quy trình vận hành. Thay vì nghiên cứu “giữ chân nhân tài”, có thể đi vào các yếu tố ảnh hưởng đến ý định gắn bó của nhân sự chủ chốt trong giai đoạn doanh nghiệp mở rộng.

Sự thu hẹp này giúp người học xác định rõ đối tượng, bối cảnh, dữ liệu và phương pháp. Miles, Huberman và Saldaña (2014) cho rằng việc xác định khung phân tích và ranh giới nghiên cứu là bước quan trọng để dữ liệu không trở nên quá tải và khó diễn giải. Với luận án DBA, đây là điều rất thực tế: phạm vi rõ giúp người học không bị chìm trong chính dữ liệu của mình.

Phạm vi quyết định phương pháp và dữ liệu

Một khi phạm vi nghiên cứu được xác định, các quyết định khác sẽ rõ hơn. Nếu nghiên cứu tập trung vào một doanh nghiệp cụ thể, case study có thể phù hợp. Nếu muốn so sánh nhiều chi nhánh, thiết kế nghiên cứu có thể cần cách lấy mẫu khác. Nếu muốn hiểu trải nghiệm của nhân viên, phỏng vấn sâu có thể cần thiết. Nếu muốn kiểm tra mối quan hệ giữa các yếu tố, khảo sát định lượng có thể phù hợp hơn.

Ngược lại, khi phạm vi mơ hồ, phương pháp cũng dễ bị chọn sai. Người học có thể dùng khảo sát cho một câu hỏi cần chiều sâu, hoặc dùng phỏng vấn cho một vấn đề cần đo lường rộng hơn. Flick (2018) nhấn mạnh rằng thiết kế nghiên cứu định tính cần sự nhất quán giữa câu hỏi, bối cảnh, mẫu nghiên cứu và cách phân tích. Điều này cũng đúng với các hướng nghiên cứu ứng dụng trong DBA.

DBA Bespoke™ cần giúp người học giới hạn đúng

Trong hệ sinh thái SwissEdu⁺, DBA Bespoke™ có thể hỗ trợ người học ở một bước rất quan trọng: biến một chủ đề rộng thành phạm vi nghiên cứu phù hợp. Đây không phải là thao tác kỹ thuật nhỏ. Nó quyết định toàn bộ chất lượng luận án.

Một lộ trình cá nhân hoá cần giúp người học trả lời các câu hỏi: nghiên cứu này tập trung vào hiện tượng nào, trong bối cảnh nào, với nhóm đối tượng nào, trong giai đoạn nào, bằng loại dữ liệu nào và nhằm tạo ra đóng góp gì. Khi những giới hạn này được xác định rõ, người học sẽ có một con đường nghiên cứu thực tế hơn, thay vì chỉ có một ý tưởng lớn nhưng khó triển khai.

Kết luận

Phạm vi nghiên cứu là một trong những yếu tố quyết định chất lượng luận án DBA. Một đề tài rộng có thể gây ấn tượng ban đầu, nhưng một phạm vi rõ mới giúp nghiên cứu đi sâu, thu thập dữ liệu đúng và tạo ra kết luận có thể bảo vệ. Với nhà lãnh đạo, học cách giới hạn vấn đề không phải là thu nhỏ tham vọng nghiên cứu. Đó là cách biến một bài toán lớn thành một công trình Tiến sĩ có phương pháp, có chiều sâu và có giá trị thật sau ngày bảo vệ.

Tài liệu tham khảo

Flick, U. (2018). Designing qualitative research (2nd ed.). SAGE Publications.

Miles, M. B., Huberman, A. M., & Saldaña, J. (2014). Qualitative data analysis: A methods sourcebook (3rd ed.). SAGE Publications.