Redesigning Social Inquiry của Charles C. Ragin: nền tảng lý thuyết của fsQCA và tư duy tập hợp

Định vị cuốn sách trong lịch sử QCA

Charles C. Ragin là một trong những học giả có ảnh hưởng lớn nhất đối với sự hình thành của Qualitative Comparative Analysis (QCA). Nếu The Comparative Method (1987) đặt nền móng cho cách tiếp cận so sánh bằng đại số Boolean và crisp sets, và Fuzzy-Set Social Science (2000) mở rộng QCA sang tập hợp mờ, thì Redesigning Social Inquiry (2008) có vai trò hệ thống hóa và bảo vệ nền tảng phương pháp luận của cách tiếp cận tập hợp.

Điểm đáng chú ý là Ragin không chỉ đề xuất một kỹ thuật phân tích dữ liệu. Ông đề xuất một cách thiết kế nghiên cứu khác: chuyển trọng tâm từ "biến nào ảnh hưởng đến biến nào" sang "những điều kiện nào, trong cấu hình nào, có liên hệ tập hợp với một kết quả". Sự chuyển đổi này có ý nghĩa lớn với những hiện tượng xã hội mà nguyên nhân thường không đơn tuyến, không đối xứng và không thể rút gọn thành một hệ số trung bình.

Vấn đề phương pháp luận Ragin muốn sửa lại

Cuốn sách có thể được đọc như một lời phản biện đối với khuôn mẫu nghiên cứu xã hội dựa quá nhiều vào net effects thinking. Trong khuôn mẫu này, nhà nghiên cứu thường tìm cách ước tính tác động riêng của từng biến độc lập lên biến phụ thuộc, trong khi giữ các biến khác không đổi. Cách tư duy đó hữu ích trong nhiều bối cảnh, nhưng nó không phải lúc nào cũng phù hợp với các hiện tượng mang tính cấu hình.

Ragin cho rằng nhiều hiện tượng xã hội không vận hành theo logic "thêm một đơn vị X thì Y tăng một mức trung bình nào đó". Một điều kiện có thể chỉ có ý nghĩa khi kết hợp với các điều kiện khác. Một kết quả có thể xuất hiện qua nhiều con đường khác nhau. Và nguyên nhân của sự hiện diện kết quả có thể không phải là đảo ngược đơn giản của nguyên nhân làm kết quả vắng mặt.

Điều này không có nghĩa hồi quy là sai hay fsQCA luôn tốt hơn. Sai lầm phổ biến là biến một tranh luận phương pháp luận thành việc xếp hạng công cụ. Cách tiếp cận đúng đắn hơn là xác định câu hỏi nghiên cứu trước: nếu câu hỏi là về mức độ ảnh hưởng trung bình, mô hình thống kê có thể phù hợp; nếu câu hỏi là về điều kiện cần, điều kiện đủ và các cấu hình nhân quả, fsQCA có cơ sở phương pháp luận rõ ràng hơn.

Bốn cặp đối lập làm nên cấu trúc cuốn sách

Redesigning Social Inquiry được xây dựng quanh bốn đối lập phương pháp luận. Các đối lập này không nhằm tạo ra hai phe đối đầu, mà nhằm làm rõ fsQCA cần được hiểu như một cách thiết kế nghiên cứu có logic riêng.

Bốn đối lập này giúp người đọc thấy vì sao fsQCA đòi hỏi nhiều hơn việc nhập dữ liệu vào phần mềm. Nhà nghiên cứu phải có khái niệm tốt, lý thuyết đủ mạnh để chọn điều kiện, lập luận hợp lý cho calibration, và khả năng diễn giải kết quả như một câu trả lời lý thuyết chứ không chỉ là bảng kết quả kỹ thuật.

Tư duy tập hợp: điều kiện cần, điều kiện đủ và tính bất đối xứng

Trong tư duy tập hợp, một khái niệm nghiên cứu được xem như một tập hợp. Ví dụ, "doanh nghiệp có năng lực đổi mới cao" là một tập hợp; "dự án có kết quả thành công" là một tập hợp; "quốc gia dân chủ" là một tập hợp. Mỗi trường hợp trong dữ liệu có thể thuộc hoàn toàn, không thuộc, hoặc thuộc ở mức độ nhất định vào tập hợp đó.

Điểm chuyển quan trọng là từ "giá trị của biến" sang "mức độ thành viên trong tập hợp" (set membership). Với fuzzy sets, điểm thành viên thường nằm trong khoảng từ 0 đến 1. Giá trị gần 1 cho thấy trường hợp gần như hoàn toàn thuộc tập hợp; giá trị gần 0 cho thấy trường hợp gần như không thuộc tập hợp; giá trị 0.5 là điểm giao cắt, tức trường hợp không nghiêng rõ về trong hay ngoài tập hợp.

Đây là nơi người mới học fsQCA thường nhầm lẫn. Một điều kiện có tương quan cao với kết quả không tự động là điều kiện cần. Ngược lại, một điều kiện cần có thể không có hệ số hồi quy lớn, vì nó không phải là nhân tố "làm tăng" kết quả theo nghĩa trung bình; nó là ngưỡng điều kiện mà nếu vắng mặt thì kết quả khó đạt được. Hai logic này trả lời hai câu hỏi khác nhau.

Calibration: từ đo lường biến sang hiệu chuẩn tập hợp

Calibration là phần khó nhưng cũng là phần làm nên chất lượng của một nghiên cứu fsQCA. Trong đo lường thông thường, nhà nghiên cứu có thể sử dụng điểm trung bình, độ lệch chuẩn, phân vị hoặc thang Likert như những giá trị số học. Trong fsQCA, các giá trị đó phải được chuyển thành điểm thành viên tập hợp có ý nghĩa khái niệm.

Ragin nhấn mạnh rằng calibration không nên chỉ là thao tác kỹ thuật dựa vào phân phối mẫu. Nếu một nghiên cứu nói về "mức độ đổi mới cao", "chất lượng thể chế cao" hay "cam kết tổ chức mạnh", tác giả cần nói rõ ngưỡng nào được xem là "cao", ngưỡng nào là "không cao", và vì sao những ngưỡng đó có ý nghĩa trong bối cảnh nghiên cứu.

Trong các nghiên cứu dùng dữ liệu khảo sát, một số tác giả sử dụng phân vị 95, 50 và 5 làm ba mốc calibration. Cách làm này có tính thực dụng, nhất là khi chưa có chuẩn ngoài rõ ràng, nhưng không nên được xem là thay thế cho lập luận lý thuyết. Nếu chỉ lấy phân vị của mẫu mà không giải thích ý nghĩa khái niệm, calibration sẽ trở thành việc biến đổi dữ liệu có vẻ kỹ thuật nhưng nghèo về nội dung.

Truth table và tư duy cấu hình

Truth table là công cụ giúp biến tư duy cấu hình thành một quy trình có hệ thống. Với k điều kiện, truth table về lý thuyết có 2^k cấu hình. Mỗi hàng trong bảng đại diện cho một tổ hợp điều kiện có thể xảy ra, chẳng hạn như "điều kiện A cao, B cao, C thấp". Sau đó, nhà nghiên cứu đánh giá cấu hình nào có liên hệ nhất quán với kết quả.

Điều quan trọng là truth table không phải là bảng thống kê mô tả thông thường. Nó là cách tổ chức lập luận về nhân quả cấu hình. Mỗi cấu hình cần được xem như một giả thuyết nhỏ về con đường nhân quả: nếu các điều kiện này cùng hiện diện, kết quả có xuất hiện hay không?

Một điểm Ragin làm rõ là vai trò của counterfactual cases và limited diversity. Trong nghiên cứu xã hội, không phải mọi cấu hình về lý thuyết đều có trường hợp quan sát được trong dữ liệu. Những cấu hình vắng mặt này tạo ra bài toán diễn giải: nhà nghiên cứu có cho phép phần mềm sử dụng chúng trong quá trình tối giản hóa hay không? Câu trả lời không nên hoàn toàn kỹ thuật; nó cần dựa trên những giả định phản thực tế (counterfactual assumptions) có hợp lý về lý thuyết hay không.

Giới hạn của net effects thinking

Phần phê phán net effects thinking là một trong những đóng góp được đọc nhiều nhất của cuốn sách. Ragin không phủ nhận giá trị của mô hình thống kê. Điều ông phản biện là xu hướng xem net effects như khuôn mẫu mặc định cho mọi câu hỏi nhân quả trong khoa học xã hội.

Net effects thinking có thể làm mờ ba điểm quan trọng. Thứ nhất, nó dễ giải thích tác động trung bình của từng biến hơn là giải thích những cấu hình điều kiện. Thứ hai, nó thường giả định nguyên nhân của kết quả cao và kết quả thấp là đối xứng, trong khi thực tế có thể không phải vậy. Thứ ba, nó có thể che lấp các con đường khác nhau cùng dẫn đến cùng một kết quả.

Đối với tác giả đang viết bài báo quốc tế, điểm này rất quan trọng. Reviewer có thể không chấp nhận một bài dùng fsQCA nếu tác giả chỉ trình bày fsQCA như một phần phụ lục kỹ thuật sau SEM hoặc hồi quy. Cần nói rõ lý do phương pháp luận: tại sao hiện tượng nghiên cứu có khả năng mang tính cấu hình, tại sao các điều kiện được chọn có cơ sở lý thuyết, và fsQCA bổ sung hiểu biết nào mà net effects không cung cấp.

Kết nối với PLS-SEM, NCA và fsQCA

Trong nghiên cứu quản trị, marketing, du lịch, giáo dục và hành vi người dùng, việc kết hợp PLS-SEM, NCA và fsQCA ngày càng phổ biến. Tuy nhiên, sự kết hợp này chỉ có giá trị khi mỗi phương pháp được gắn với một câu hỏi riêng, thay vì được thêm vào để làm bài viết có vẻ "nhiều phương pháp".

Một thiết kế mạnh có thể trình bày PLS-SEM như phần kiểm tra quan hệ tổng quát giữa các khái niệm, NCA như phần xác định điều kiện cần không thể bù trừ, và fsQCA như phần tìm các con đường cấu hình dẫn đến kết quả cao. Tuy vậy, tác giả cần thận trọng: nếu ba phương pháp cho kết quả khác nhau, không nên gọi đó là mâu thuẫn ngay lập tức. Trước hết, cần xem chúng có đang trả lời cùng một câu hỏi hay không.

Nên đọc cuốn sách này như thế nào?

Redesigning Social Inquiry không phải là sách để học bấm nút phần mềm. Người mới học fsQCA nên đọc cuốn này để xây dựng nền tảng tư duy, sau đó mới kết hợp với sách hướng dẫn thực hành, bài báo ứng dụng và tài liệu phần mềm. Nếu đảo thứ tự này, người học dễ biết cách chạy phần mềm nhưng không biết cách bảo vệ quyết định phương pháp trước reviewer.

Một cách đọc hiệu quả là mỗi khi gặp một kỹ thuật, hãy hỏi: kỹ thuật này đang phục vụ câu hỏi lý thuyết nào? Ví dụ, consistency không phải chỉ là một ngưỡng để đạt hay không đạt; nó cho biết mức độ một cấu hình có thực sự gắn với kết quả như lý thuyết dự đoán hay không. Coverage không phải là "R2 của fsQCA"; nó cho biết một con đường giải thích được bao nhiêu phần của kết quả trong bộ dữ liệu đang xét.

Bảng kiểm nhanh khi dùng fsQCA trong bài báo

Dù không phải là một chuẩn báo cáo chính thức duy nhất cho mọi lĩnh vực, các câu hỏi dưới đây có thể giúp tác giả kiểm tra xem phần fsQCA của mình đã đủ chất lượng học thuật hay chưa.

Bảng kiểm này cũng cho thấy một sự thật thường bị bỏ qua: fsQCA không làm bài nghiên cứu "dễ hơn". Nó làm rõ hơn trách nhiệm lý thuyết của nhà nghiên cứu. Một phân tích fsQCA yếu thường không yếu vì phần mềm sai, mà vì tác giả không định nghĩa tập hợp, không giải thích calibration, hoặc không chuyển solution thành lập luận học thuật.

Kết luận

Redesigning Social Inquiry là một cuốn sách nên đọc chậm. Nó không cung cấp công thức nhanh để có bảng kết quả đẹp, mà buộc người đọc đối mặt với những câu hỏi nền tảng: khái niệm nghiên cứu của mình có thể xem như tập hợp không? Kết quả đang nghiên cứu có nhiều con đường dẫn đến hay không? Điều kiện nào là cần, điều kiện nào là đủ, và điều kiện nào chỉ có ý nghĩa khi nằm trong một cấu hình nhất định?

Với người đang học công bố quốc tế, giá trị của cuốn sách nằm ở chỗ nó giúp viết phần phương pháp chắc hơn. Thay vì nói "tác giả sử dụng fsQCA để bổ sung cho SEM", một bài viết tốt cần nói rõ: fsQCA được dùng vì lý thuyết dự đoán tính phức hợp nhân quả, vì kết quả có thể đạt được bằng nhiều cấu hình, và vì quan hệ tập hợp không thể được thay thế đầy đủ bằng hệ số tác động trung bình.

Đọc Ragin không chỉ để học fsQCA. Đọc Ragin để học cách đặt câu hỏi nhân quả thận trọng hơn, sâu sắc hơn và trung thành hơn với bản chất phức tạp của đời sống xã hội.