Tổng quan về xu hướng nghiên cứu fsQCA giai đoạn 2023-2026

1. Vấn đề chính của bài viết

Bài viết gốc đưa ra một nhận định đúng về mặt trực giác: fsQCA đang được quan tâm nhiều hơn trong các công bố gần đây. Tuy nhiên, để biến nhận định đó thành một bài viết học thuật đáng tin cậy hơn, cần làm rõ ba điểm. Thứ nhất, fsQCA phổ biến hơn không có nghĩa là mọi đề tài đều nên đưa fsQCA vào. Thứ hai, các con số tìm kiếm trên Google Scholar, Wiley Online Library hay cơ sở dữ liệu của nhà xuất bản chỉ nên được xem là tín hiệu ban đầu, không phải bằng chứng thư mục học đầy đủ. Thứ ba, xu hướng quan trọng nhất của fsQCA nằm ở logic phương pháp: phân tích cấu hình điều kiện, nhân quả bất đối xứng và khả năng nhận diện nhiều con đường khác nhau dẫn đến cùng một outcome.

Đối với học viên cao học, nghiên cứu sinh và giảng viên trẻ, giá trị của fsQCA không nằm ở việc "thêm một kỹ thuật cho bài báo có vẻ hiện đại". Giá trị của nó nằm ở việc giúp nhà nghiên cứu đặt câu hỏi phù hợp với những hiện tượng phức tạp: hành vi khách hàng, chấp nhận công nghệ, thành công tổ chức, năng lực đổi mới, phát triển bền vững, hoặc các cấu trúc chính sách đa điều kiện. Những hiện tượng này hiếm khi được giải thích bởi một biến đơn lẻ; chúng thường hình thành từ sự kết hợp của nhiều điều kiện trong một bối cảnh cụ thể.

2. fsQCA là gì và vì sao đang được quan tâm?

fsQCA là viết tắt của fuzzy-set Qualitative Comparative Analysis, thường được dịch là phân tích so sánh định tính tập mờ. Khác với hồi quy hay SEM, fsQCA không bắt đầu từ giả định rằng các biến độc lập có tác động riêng lẻ, cộng gộp và tuyến tính vào biến phụ thuộc. fsQCA xuất phát từ lý thuyết tập hợp: một trường hợp có thể thuộc một tập hợp ở các mức độ khác nhau, từ gần như không thuộc đến gần như hoàn toàn thuộc. Ví dụ, một doanh nghiệp có thể thuộc tập "năng lực đổi mới cao" ở mức 0.82, nhưng chỉ thuộc tập "hỗ trợ thể chế cao" ở mức 0.41.

Từ logic tập hợp đó, fsQCA tập trung vào các cấu hình điều kiện. Một cấu hình là một tổ hợp các điều kiện cùng xuất hiện hoặc cùng vắng mặt. Trong ngôn ngữ fsQCA, nhà nghiên cứu không chỉ hỏi "X có tác động đến Y không?" mà hỏi "những tổ hợp nào của X1, X2, X3 và X4 là đủ để Y xuất hiện?" Đây là điểm làm fsQCA đặc biệt hữu ích trong những chủ đề có tính phức hợp, nơi một kết quả có thể đến từ nhiều con đường khác nhau.

Có bốn khái niệm nên nắm trước khi đọc các nghiên cứu fsQCA gần đây. Equifinality nghĩa là cùng một outcome có thể được tạo ra bởi nhiều con đường khác nhau. Causal asymmetry nghĩa là con đường dẫn đến outcome cao không nhất thiết là hình ảnh đảo ngược của con đường dẫn đến outcome thấp. Conjunctural causation nhấn mạnh rằng một điều kiện chỉ có ý nghĩa khi kết hợp với điều kiện khác. Calibration là quá trình chuyển dữ liệu thô thành điểm thành viên tập hợp, thường nằm trong khoảng từ 0 đến 1.

3. Đọc số liệu xu hướng thế nào cho đúng?

Các con số như "hàng nghìn kết quả trên Google Scholar" hoặc "hàng trăm bài trên một nền tảng nhà xuất bản" có thể giúp người đọc hình dung mức độ phổ biến của từ khóa fsQCA. Tuy nhiên, trong một bài viết học thuật, các con số này cần được viết thận trọng. Kết quả tìm kiếm thay đổi theo thời điểm truy cập, cách đặt từ khóa, bộ lọc năm, ngôn ngữ, cơ sở dữ liệu và cách hệ thống đếm bản ghi. Một chương sách, bài báo, bài tổng quan, bản thảo trước in và tài liệu hội thảo có thể cùng được tính vào kết quả tìm kiếm, nhưng chúng không có giá trị bằng nhau khi đánh giá xu hướng khoa học.

Do đó, thay vì trình bày con số tìm kiếm như một bằng chứng kết luận, nên xem chúng là chỉ báo mở đầu. Bằng chứng thuyết phục hơn nên đến từ các tổng quan hệ thống, nghiên cứu thư mục học, bài hướng dẫn phương pháp và các bài ứng dụng đã qua bình duyệt. Chẳng hạn, các tổng quan trong du lịch, khách sạn, hành vi người tiêu dùng và tâm lý tổ chức cho thấy fsQCA ngày càng được xem như công cụ phân tích cấu hình có thể bổ sung cho phương pháp định lượng truyền thống.

Một cách viết thận trọng hơn là: "Các kết quả tìm kiếm học thuật và sự xuất hiện của nhiều bài tổng quan phương pháp trong giai đoạn 2023-2026 cho thấy fsQCA đang được chú ý nhiều hơn. Tuy nhiên, mức độ phát triển của xu hướng này cần được đánh giá thông qua tổng quan hệ thống hoặc phân tích thư mục học, thay vì chỉ dựa vào số lượng kết quả tìm kiếm thô." Cách viết này vừa giữ được thông điệp chính, vừa tránh biến dữ liệu tìm kiếm động thành tuyên bố quá mạnh.

4. Các cụm nghiên cứu nổi bật giai đoạn 2023-2026

Có thể đọc xu hướng fsQCA gần đây theo các cụm nghiên cứu thay vì chỉ liệt kê từng bài. Cách đọc này giúp người mới thấy được fsQCA đang trả lời những loại câu hỏi nào và trong bối cảnh nào phương pháp này phát huy giá trị.

4.1. Cụm tổng quan và phương pháp luận

Cụm này bao gồm các bài tổng quan hệ thống, nghiên cứu thư mục học và hướng dẫn thực hành. Điểm chung của các công trình này là không chỉ sử dụng fsQCA như một công cụ tính toán, mà còn thảo luận các quyết định phương pháp: chọn điều kiện, calibration, phân tích điều kiện cần, xây dựng truth table, chọn frequency cutoff, chọn consistency cutoff, phân biệt complex solution, parsimonious solution và intermediate solution.

Đối với người học nghiên cứu, đây là cụm nên đọc trước khi chạy phần mềm. Nhiều lỗi khi dùng fsQCA không nằm ở thao tác kỹ thuật, mà nằm ở việc thiếu cơ sở lý thuyết cho calibration, đưa quá nhiều điều kiện vào mô hình, hoặc diễn giải điều kiện lõi như "biến tác động mạnh nhất". Một bài hướng dẫn tốt giúp người học hiểu vì sao từng quyết định phân tích cần được báo cáo minh bạch.

4.2. Cụm hành vi người tiêu dùng và marketing

Marketing và hành vi người tiêu dùng là lĩnh vực phù hợp với tư duy cấu hình vì hành vi mua, sự trung thành, ý định chấp nhận dịch vụ hoặc phản ứng với thương hiệu thường không xuất phát từ một yếu tố duy nhất. Một khách hàng có thể mua vì niềm tin thương hiệu, nhận thức giá trị và ảnh hưởng xã hội cùng xuất hiện; khách hàng khác có thể mua vì ưu đãi, tiện lợi và rủi ro cảm nhận thấp. Hai con đường khác nhau vẫn có thể dẫn đến cùng một outcome.

Trong cụm này, fsQCA thường được dùng để nhận diện các cấu hình điều kiện dẫn đến ý định mua, sự hài lòng, lòng trung thành, chấp nhận công nghệ hoặc phản ứng với thông điệp marketing. Khi kết hợp với PLS-SEM, SEM trả lời câu hỏi về hiệu ứng ròng giữa các cấu trúc, còn fsQCA cho biết những cấu hình điều kiện nào đủ để outcome cao xuất hiện.

4.3. Cụm du lịch, khách sạn và dịch vụ

Du lịch và khách sạn là một trong những lĩnh vực ứng dụng fsQCA sớm và mạnh, vì trải nghiệm du lịch thường có tính phức hợp. Sự hài lòng của du khách có thể được hình thành từ chất lượng dịch vụ, hình ảnh điểm đến, giá trị cảm nhận, cảm xúc, an toàn, tính bền vững và tương tác xã hội. fsQCA cho phép nhà nghiên cứu nhận diện nhiều tổ hợp điều kiện dẫn đến trải nghiệm tích cực thay vì chỉ xem từng biến có tác động riêng lẻ.

Các nghiên cứu thư mục học trong lĩnh vực này cũng giúp người mới thấy một điều quan trọng: khi số lượng bài dùng fsQCA tăng lên, yêu cầu về chuẩn mực báo cáo cũng tăng theo. Một bài ứng dụng fsQCA hiện nay cần trình bày rõ hơn về mẫu nghiên cứu, lựa chọn điều kiện, quy trình calibration, bảng sự thật và kiểm tra độ bền.

4.4. Cụm giáo dục, ngôn ngữ học ứng dụng và AI

Từ năm 2023 trở đi, giáo dục và AI trở thành không gian ứng dụng mới của fsQCA. Các câu hỏi như sinh viên chấp nhận cố vấn AI trong học thuật khi nào, giảng viên sẵn sàng dùng công cụ AI trong giảng dạy trong những điều kiện nào, hoặc người học tham gia viết học thuật bằng ngoại ngữ ra sao đều có tính cấu hình. Những outcome này phụ thuộc vào nhận thức hữu ích, niềm tin, rủi ro, năng lực số, hỗ trợ tổ chức, chuẩn mực xã hội và trải nghiệm cá nhân.

Đối với nghiên cứu sinh trong giáo dục, điểm cần lưu ý là không nên đưa fsQCA vào chỉ vì chủ đề AI đang mới. fsQCA chỉ phù hợp khi nghiên cứu có lập luận rõ rằng outcome được tạo thành bởi nhiều điều kiện cùng kết hợp. Nếu câu hỏi chỉ là "AI literacy có ảnh hưởng đến intention hay không", SEM hoặc hồi quy có thể phù hợp hơn. Nếu câu hỏi là "những cấu hình nào của AI literacy, trust, perceived usefulness và institutional support dẫn đến acceptance cao", fsQCA bắt đầu có lý do phương pháp.

4.5. Cụm quản trị, chính sách công và phát triển bền vững

Trong nghiên cứu chính sách và phát triển bền vững, fsQCA đặc biệt hữu ích khi số lượng đơn vị phân tích không quá lớn nhưng mỗi đơn vị có bối cảnh phức tạp. Ví dụ, khi so sánh quốc gia, vùng, địa phương hoặc nhóm tổ chức, một outcome như chuyển đổi số, chủ quyền số, giảm phát thải hoặc phát triển kinh tế nông thôn có thể phụ thuộc vào nhiều điều kiện thể chế, kinh tế, xã hội và công nghệ.

Điểm mạnh của fsQCA trong cụm này là nó không ép mọi trường hợp vào một mô hình tuyến tính duy nhất. Thay vào đó, phương pháp cho phép nhận diện các con đường khác nhau: một quốc gia có thể đạt outcome nhờ năng lực thể chế mạnh và đầu tư công nghệ cao; quốc gia khác có thể đạt outcome nhờ cấu trúc chính sách linh hoạt, áp lực xã hội và hợp tác quốc tế. Cách tiếp cận này phù hợp với bản chất đa đường của chính sách công.

5. Xu hướng kết hợp PLS-SEM và fsQCA

Một xu hướng nổi bật trong nhiều bài gần đây là kết hợp PLS-SEM và fsQCA. Cách kết hợp này có thể hữu ích, nhưng chỉ khi nhà nghiên cứu hiểu rõ hai phương pháp trả lời hai câu hỏi khác nhau. PLS-SEM thường được dùng để kiểm định quan hệ tuyến tính giữa các cấu trúc tiềm ẩn, đánh giá hệ số đường dẫn, độ tin cậy thang đo, giá trị hội tụ, giá trị phân biệt và khả năng giải thích của mô hình. fsQCA được dùng để nhận diện các cấu hình điều kiện đủ dẫn đến outcome cao hoặc thấp.

Nói cách khác, PLS-SEM giúp trả lời: "các cấu trúc có quan hệ với nhau như dự kiến lý thuyết hay không?" fsQCA giúp trả lời: "có những con đường điều kiện nào cùng dẫn đến outcome?" Hai câu hỏi này bổ sung cho nhau, nhưng không thay thế nhau. Một biến có thể không có hiệu ứng ròng mạnh trong SEM, nhưng vẫn xuất hiện như điều kiện ngoại vi trong một cấu hình fsQCA. Ngược lại, một biến có hệ số tác động đáng kể trong SEM không nhất thiết là điều kiện lõi trong mọi cấu hình.

Khi dùng điểm biến tiềm ẩn từ SmartPLS hoặc phần mềm SEM làm đầu vào cho fsQCA, cần nhớ rằng các điểm đó vẫn phải được calibration trước khi đưa vào truth table. Đây là lỗi rất phổ biến ở người mới: đưa trực tiếp điểm Likert hoặc latent variable scores vào fsQCA và xem đó là dữ liệu tập mờ. Về mặt phương pháp, calibration là bước chuyển đổi khái niệm từ dữ liệu đo lường sang mức độ thuộc tập hợp, nên không thể bỏ qua.

6. Những hiểu lầm phổ biến khi đọc xu hướng fsQCA

fsQCA được quan tâm nhiều hơn cũng kéo theo một số hiểu lầm trong thực hành nghiên cứu. Các hiểu lầm này nếu không được xử lý sẽ làm bài viết kém thuyết phục, đặc biệt khi gửi đến tạp chí quốc tế có phản biện phương pháp nghiêm túc.

7. Bảng kiểm nhanh trước khi đưa fsQCA vào bài báo

Nếu đang cân nhắc đưa fsQCA vào luận văn, luận án hoặc bài báo quốc tế, nên tự kiểm tra bằng các câu hỏi sau. Bảng kiểm này không thay thế hướng dẫn phương pháp chuyên sâu, nhưng giúp hạn chế những lỗi cơ bản trước khi gửi bản thảo cho người hướng dẫn hoặc tạp chí.

• Câu hỏi nghiên cứu có thực sự mang tính cấu hình không, hay chỉ là câu hỏi tác động giữa biến độc lập và phụ thuộc?
• Các điều kiện đưa vào fsQCA có được chọn từ lý thuyết, tổng quan tài liệu hoặc bối cảnh thực nghiệm không?
• Outcome có được định nghĩa rõ là tập hợp nào, ví dụ "mức chấp nhận AI cao", "hài lòng cao" hoặc "hiệu quả chính sách cao" không?
• Calibration có ba mốc rõ ràng: full membership, crossover point và full nonmembership không?
• Có báo cáo phân tích điều kiện cần trước khi phân tích điều kiện đủ không?
• Frequency cutoff và consistency cutoff có được lý giải theo quy mô mẫu và mục tiêu nghiên cứu không?
• Có kiểm tra PRI consistency để tránh cấu hình liên quan đồng thời đến outcome và non-outcome không?
• Có so sánh complex, parsimonious và intermediate solution để xác định điều kiện lõi và ngoại vi không?
• Có chạy kiểm tra độ bền bằng cách thay đổi ngưỡng calibration, consistency cutoff hoặc frequency cutoff không?
• Có báo cáo phần mềm, phiên bản, quy trình làm sạch dữ liệu và quyết định mã hóa không?

8. Gợi ý cho người học nghiên cứu và công bố

Với người mới bắt đầu công bố quốc tế, fsQCA nên được đưa vào bài báo khi nó phục vụ câu hỏi nghiên cứu, không phải khi ta muốn bài viết có thêm một phương pháp "thời thượng". Một đề tài phù hợp với fsQCA thường có ba dấu hiệu. Thứ nhất, lý thuyết gợi ý rằng kết quả có thể hình thành từ nhiều con đường khác nhau. Thứ hai, các điều kiện có thể kết hợp với nhau, tức một điều kiện chỉ phát huy ý nghĩa khi đi kèm điều kiện khác. Thứ ba, nhà nghiên cứu có khả năng định nghĩa các tập hợp một cách có lý do, thay vì đưa dữ liệu thô vào phần mềm.

Khi viết phần tổng quan tài liệu, nên trình bày fsQCA theo đúng vai trò. Nếu bài của bạn kết hợp PLS-SEM và fsQCA, hãy xây dựng cầu nối lý thuyết giữa hai phần: SEM kiểm tra logic quan hệ giữa các cấu trúc, fsQCA khám phá những cấu hình điều kiện dẫn đến outcome. Nếu bài của bạn là tổng quan về xu hướng fsQCA, hãy cân nhắc dùng quy trình systematic review hoặc bibliometric analysis thay vì chỉ dựa vào tìm kiếm thủ công. Nếu bài của bạn là nghiên cứu ứng dụng, hãy trình bày đầy đủ các quyết định phương pháp vì đó chính là phần giúp người đọc tin vào kết quả.

Một chuẩn mực quan trọng khi công bố là tính minh bạch. Người đọc cần biết bạn đã lấy dữ liệu ở đâu, đã calibration ra sao, đã chọn ngưỡng truth table như thế nào, có bao nhiêu cấu hình bị loại bỏ, có logical remainders không, và kết quả có ổn định khi thay đổi ngưỡng hay không. Trong nhiều trường hợp, phụ lục phương pháp chi tiết có giá trị không kém bảng kết quả chính, vì nó cho phép người đọc đánh giá khả năng tái lập và độ tin cậy của nghiên cứu.

9. Kết luận

Xét tổng thể, giai đoạn 2023-2026 cho thấy fsQCA đang bước vào một giai đoạn ứng dụng rộng hơn và được chuẩn hóa hơn. Các bài tổng quan, hướng dẫn phương pháp và nghiên cứu thư mục học giúp cộng đồng nghiên cứu hiểu rõ hơn về cách dùng fsQCA một cách nghiêm túc. Các bài ứng dụng trong marketing, du lịch, giáo dục, AI, chính sách công và phát triển nông thôn cho thấy phương pháp này có sức hấp dẫn khi đối tượng nghiên cứu có tính phức hợp và đa điều kiện.

Đối với độc giả Việt Nam đang học nghiên cứu khoa học và công bố quốc tế, điều quan trọng không phải là chạy thêm fsQCA cho mọi bộ dữ liệu, mà là hiểu khi nào phương pháp này phù hợp. fsQCA nên được sử dụng khi bạn có lý thuyết về các con đường khác nhau dẫn đến kết quả, có khả năng định nghĩa tập hợp, và sẵn sàng báo cáo minh bạch các quyết định phương pháp. Khi đó, fsQCA không chỉ là một kỹ thuật phân tích, mà là một cách tư duy nghiên cứu: thay vì tìm một biến quyết định duy nhất, ta tìm những tổ hợp điều kiện có ý nghĩa trong bối cảnh cụ thể.

10. Nguồn tham khảo nên đọc

Các nguồn dưới đây không nhằm thay thế một danh mục tài liệu theo APA đầy đủ. Chúng được chọn để độc giả có điểm xuất phát đáng tin cậy khi tìm hiểu xu hướng fsQCA, cách áp dụng và công cụ phân tích.