Bạn có bao giờ để ý rằng cùng một chuyến xe công nghệ nhưng hai người lại có thể đưa ra hai đánh giá hoàn toàn khác nhau?
Một bạn trẻ vừa xuống xe liền mở ứng dụng và đánh giá ⭐⭐⭐⭐⭐. Bạn cho rằng tài xế rất thân thiện, chạy nhanh, nói chuyện vui vẻ và hành trình diễn ra thoải mái.
Trong khi đó, một người lớn tuổi đi đúng chiếc xe ấy, cùng tài xế ấy, cùng quãng đường ấy, lại chỉ chấm ⭐⭐⭐. Theo bác, tài xế chạy hơi nhanh, bật nhạc hơi lớn và ít chủ động hỗ trợ khách khi lên xuống xe.
Điều thú vị là cả hai đều không sai.
Họ chỉ đang đánh giá dựa trên trải nghiệm của chính mình.
Nếu hỏi thêm một người khác, biết đâu người đó chỉ cho ⭐⭐ vì xe không đủ mát, còn người tiếp theo lại chấm ⭐⭐⭐⭐⭐ chỉ vì tài xế chủ động che ô khi trời mưa.
Vậy câu hỏi đặt ra là: đánh giá nào mới phản ánh đúng chất lượng chuyến xe?
Nhiều người sẽ lập tức trả lời rằng: “Không đánh giá nào cả. Những ngôi sao này quá chủ quan.”
Và từ suy nghĩ đó, không ít người cũng đi đến một kết luận tương tự khi học về phương pháp nghiên cứu: điểm yếu lớn nhất của thang đo Likert là tính chủ quan.
Thoạt nghe, lập luận này hoàn toàn hợp lý. Trong khoa học, chúng ta thường tin tưởng những con số có thể đo đếm được hơn là cảm nhận của con người. Nếu hai người cùng trải qua một sự việc nhưng lại đưa ra hai câu trả lời khác nhau, liệu dữ liệu đó có còn đáng tin cậy?
Nhưng chính ở đây lại xuất hiện một sự hiểu nhầm khá phổ biến.
Chúng ta đang vô tình đòi hỏi một công cụ được thiết kế để đo cảm nhận của con người phải tạo ra kết quả giống như một công cụ đo hiện tượng khách quan.
Thang Likert chưa bao giờ được tạo ra để đo sự thật khách quan
Khi Rensis Likert công bố công trình A Technique for the Measurement of Attitudes vào năm 1932, mục tiêu của ông không phải là tạo ra một công cụ thay thế thước đo, cân điện tử hay đồng hồ bấm giờ. Thứ ông muốn đo là thái độ (attitude) của con người đối với một sự vật, hiện tượng hoặc vấn đề nhất định.
Thái độ, niềm tin, cảm xúc, sự hài lòng hay nhận thức đều là những biến số không thể quan sát trực tiếp. Không có thiết bị nào có thể đo được một người đang hài lòng ở mức 72% hay áp lực ở mức 8,5 điểm.
Muốn biết họ cảm thấy thế nào, cách tốt nhất là hỏi chính họ.
Đó chính là triết lý ra đời của thang đo Likert.
Chủ quan không phải là lỗi của công cụ
Giả sử một trường học muốn khảo sát câu hỏi:
- Giáo viên có hài lòng với môi trường làm việc không?
- Học sinh có cảm thấy an toàn khi đến trường không?
- Phụ huynh có tin tưởng nhà trường không?
Đây đều là những câu hỏi về trải nghiệm cá nhân.
Không ai ngoài chính người trải nghiệm có thể trả lời chính xác cảm nhận của họ.
Nếu một giáo viên nói rằng mình cảm thấy rất áp lực trong công việc thì không có số liệu hành chính nào có thể bác bỏ cảm nhận đó. Ngược lại, một giáo viên khác có thể làm cùng khối lượng công việc nhưng lại cảm thấy hoàn toàn bình thường.
Điều đó không có nghĩa một người đúng và người kia sai.
Nó chỉ cho thấy con người phản ứng khác nhau trước cùng một hoàn cảnh.
Chính vì vậy, tính chủ quan không phải là khuyết điểm của thang Likert mà là bản chất của đối tượng mà nó đo lường.
Vậy hạn chế thực sự nằm ở đâu?
Điều đáng lưu ý không phải là tính chủ quan, mà là thiên lệch phản hồi (response bias).
Người tham gia khảo sát có thể:
- trả lời theo điều xã hội mong đợi thay vì suy nghĩ thật của mình;
- chọn toàn mức “Đồng ý” vì ngại đọc kỹ câu hỏi;
- tránh chọn các mức cực đoan;
- nhớ không chính xác những gì đã xảy ra.
Những yếu tố này có thể làm sai lệch kết quả nghiên cứu.
Vì vậy, khi thiết kế bảng hỏi, nhà nghiên cứu phải xây dựng câu hỏi rõ ràng, kiểm tra độ tin cậy của thang đo và hạn chế các nguồn thiên lệch có thể xảy ra.
“Thường xuyên” cũng chưa chắc là khách quan
Nhiều người cho rằng nếu thay “Đồng ý” bằng các mức:
- Không bao giờ
- Hiếm khi
- Thỉnh thoảng
- Thường xuyên
- Rất thường xuyên
thì dữ liệu sẽ khách quan hơn.
Thực tế không hoàn toàn như vậy.
Hãy hỏi một giáo viên:
“Thầy/cô thường xuyên sử dụng phương pháp dạy học hợp tác.”
Câu trả lời vẫn dựa trên trí nhớ và sự tự đánh giá của giáo viên.
Nếu quan sát trực tiếp 20 tiết học, nhà nghiên cứu có thể thu được một kết quả khác.
Điều đó cho thấy thang Likert về tần suất vẫn là dữ liệu tự báo cáo (self-report). Nó phản ánh nhận thức của người trả lời về tần suất hành vi, chứ không phải tần suất được ghi nhận bằng quan sát.
Khi nào cần dữ liệu khách quan?
Nếu nghiên cứu muốn biết:
- điểm trung bình học tập;
- số lần đi muộn;
- doanh thu;
- tỷ lệ chuyên cần;
- số tiết dự giờ;
- số vụ tai nạn trong trường học;
thì thang Likert không phải lựa chọn phù hợp.
Những hiện tượng này có thể được đo trực tiếp bằng hồ sơ, báo cáo, camera, bài kiểm tra hoặc số liệu thống kê.
Trong trường hợp đó, dữ liệu khách quan sẽ có giá trị hơn dữ liệu cảm nhận.
Nhà nghiên cứu giỏi không chọn một trong hai
Trong nghiên cứu hiện đại, đặc biệt là khoa học xã hội và giáo dục, việc kết hợp nhiều nguồn dữ liệu (triangulation) được xem là một cách nâng cao độ tin cậy của kết quả.
Ví dụ, khi nghiên cứu về đổi mới phương pháp dạy học, nhà nghiên cứu có thể:
- sử dụng thang Likert để khảo sát nhận thức của giáo viên;
- dự giờ để quan sát hành vi giảng dạy;
- phân tích hồ sơ chuyên môn;
- phỏng vấn giáo viên để giải thích các kết quả định lượng.
Bốn nguồn dữ liệu này không cạnh tranh với nhau mà bổ sung cho nhau.
Dữ liệu khách quan trả lời câu hỏi “Điều gì đã xảy ra?”
Dữ liệu chủ quan trả lời câu hỏi “Con người cảm nhận điều đó như thế nào?”
Muốn hiểu đầy đủ một hiện tượng giáo dục, cả hai câu hỏi đều quan trọng.
Kết luận
Điều thú vị là chính hệ thống đánh giá ⭐ của các ứng dụng xe công nghệ, khách sạn hay sàn thương mại điện tử đã chứng minh giá trị của dữ liệu chủ quan.
Các nền tảng này không sử dụng đánh giá sao để đo tốc độ xe, quãng đường hay mức tiêu hao nhiên liệu. Họ dùng nó để đo trải nghiệm của khách hàng. Và chính hàng triệu đánh giá mang tính chủ quan đó lại trở thành nguồn dữ liệu quý giá giúp cải thiện chất lượng dịch vụ.
Thang đo Likert cũng hoạt động theo nguyên lý tương tự.
Nó không được tạo ra để thay thế những con số khách quan, mà để đo lường những điều các con số không thể phản ánh: cảm xúc, nhận thức, thái độ và trải nghiệm của con người.
Vì vậy, thay vì nói “tính chủ quan là hạn chế lớn nhất của thang đo Likert”, có lẽ nên diễn đạt chính xác hơn:
Tính chủ quan là bản chất của thang đo Likert. Đây là lợi thế khi nghiên cứu nhận thức, thái độ và trải nghiệm của con người; còn khi nghiên cứu những hiện tượng có thể quan sát và kiểm chứng, nhà nghiên cứu nên kết hợp thêm dữ liệu khách quan để có cái nhìn toàn diện hơn.
Tài liệu tham khảo
- Likert, R. (1932). A Technique for the Measurement of Attitudes. Archives of Psychology, 140, 1–55.
- Boone, H. N., & Boone, D. A. (2012). Analyzing Likert Data. Journal of Extension, 50(2).
- Carifio, J., & Perla, R. (2007). Ten Common Misunderstandings, Misconceptions, Persistent Myths and Urban Legends about Likert Scales and Likert Response Formats. Journal of Social Sciences, 3(3), 106–116.
- DeVellis, R. F., & Thorpe, C. T. (2021). Scale Development: Theory and Applications (5th ed.). Sage Publications.