Hỗ Trợ Nghiên Cứu Khoa Học

26/08/2026

SINH VIÊN Y NĂM NHẤT CÓ NÊN LÀM NCKH?

Gần đây mình nhận được khá nhiều câu hỏi từ các em sinh viên năm nhất:

“Em mới năm nhất, chưa học lâm sàng thì có làm NCKH được không?”
“Em muốn bắt đầu sớm nhưng không biết bắt đầu từ đâu?”
“Em chưa biết thống kê, SPSS hay đọc bài báo thì có quá sớm không?”

Không quá sớm. Nhưng năm nhất chưa cần vội có đề tài hay bài báo.

Nếu bắt đầu từ con số 0, hãy đi theo thứ tự:

Đọc bài báo → Tìm tài liệu → Hiểu phương pháp nghiên cứu → Học thống kê cơ bản → Tham gia một nhóm nghiên cứu.

Đi sớm là một lợi thế, nếu đi đúng hướng ngay từ đầu.

Nếu các em quan tâm, mình sẽ chia sẻ tiếp lộ trình NCKH 3 tháng đầu dành cho sinh viên Y chưa có kinh nghiệm.

25/08/2026

SỐ LIỆU SẠCH – THỨ GIÚP MÌNH KHÔNG “SỢ” MỖI LẦN ĐỀ TÀI BỊ CHỈNH

Làm nghiên cứu rồi mới thấy: mỗi lần thầy cô hướng dẫn hay Hội đồng góp ý, đề tài gần như lại mở ra một hướng phân tích mới.

Có thể hôm trước chỉ mô tả đặc điểm mẫu.
Hôm sau cần chia lại nhóm.
Lần khác lại phải thêm một biến, đổi cách phân loại, chạy lại kiểm định, hồi quy hoặc dựng lại toàn bộ bảng kết quả.

Và lúc đó mới thấy một điều rất rõ:

Điều kiện tiên quyết không phải là biết chạy SPSS thật nhiều, mà là dữ liệu ban đầu phải sạch và chuẩn.

Nếu dữ liệu được nhập có hệ thống, mã hóa thống nhất, định nghĩa biến rõ ràng, kiểm tra giá trị bất thường và hạn chế tối đa dữ liệu sai ngay từ đầu, thì mỗi lần chỉnh sửa chỉ là đặt một câu hỏi mới cho cùng một bộ dữ liệu.

Ngược lại, nếu dữ liệu ban đầu lộn xộn thì chỉ một yêu cầu đơn giản như “chia lại nhóm này”, “kiểm tra thêm yếu tố kia” cũng có thể kéo theo việc quay lại rà từng bệnh án, sửa từng ô Excel và nghi ngờ luôn cả những kết quả đã chạy trước đó.

Ảnh dưới đây là cảnh 2 giờ đêm vẫn lọ mọ ngồi chạy lại số liệu sau góp ý. Không phải lần đầu, và chắc chắn cũng chưa phải lần cuối. 😄

Nhưng khi dữ liệu đủ sạch thì việc phải phân tích lại không còn quá đáng ngại.

Một bộ số liệu tốt không chỉ phục vụ cho kế hoạch phân tích ban đầu. Nó phải đủ chắc để chịu được những câu hỏi mà mình chưa nghĩ tới khi bắt đầu nghiên cứu.

Đó cũng là lý do tôi luôn nghĩ rằng: "đầu tư thời gian cho bệnh án nghiên cứu, bảng mã biến và làm sạch dữ liệu từ đầu chưa bao giờ là thời gian lãng phí."

24/08/2026

Thêm một tin vui từ công việc hỗ trợ nghiên cứu khoa học: một bản thảo mình đồng hành cùng đã chính thức được ACCEPTED. 🎉

Từ xử lý số liệu, hoàn thiện bản thảo đến chỉnh sửa theo phản biện — cuối cùng cũng về đích.

Chúc mừng bạn và cảm ơn vì đã tin tưởng đồng hành. 📚

23/08/2026

KHÓA HỌC 1:1 – NGHIÊN CỨU KHOA HỌC & VIẾT BÀI BÁO Y HỌC

Bạn đang có một đề tài nhưng chưa biết bắt đầu từ đâu?
Đã thu thập số liệu nhưng chưa biết nên phân tích như thế nào?
Viết phần phương pháp, kết quả, bàn luận nhưng vẫn cảm thấy bài chưa thực sự chặt chẽ?
Hay bạn muốn hướng tới một bài báo trong nước hoặc quốc tế nhưng chưa biết lựa chọn tạp chí và chuẩn bị bản thảo ra sao?

Tôi mở một số suất học 1:1 về nghiên cứu khoa học dành cho sinh viên Y, bác sĩ, học viên sau đại học và nhân viên y tế.

Điểm khác biệt của hình thức 1:1 là không học theo một giáo trình chung cho tất cả mọi người. Nội dung và lộ trình sẽ được xây dựng dựa trực tiếp trên ý tưởng, đề tài, dữ liệu, mục tiêu và trình độ hiện tại của từng học viên.

Nội dung có thể đồng hành

* Xây dựng câu hỏi và ý tưởng nghiên cứu
* Lựa chọn thiết kế nghiên cứu phù hợp
* Viết và hoàn thiện đề cương nghiên cứu
* Xác định biến số và xây dựng bệnh án nghiên cứu
* Lập kế hoạch thu thập, quản lý và làm sạch số liệu
* Hướng dẫn phân tích thống kê
* Xây dựng bảng, biểu đồ và trình bày kết quả
* Viết bài báo khoa học
* Hoàn thiện Abstract, Methods, Results và Discussion
* Lựa chọn tạp chí phù hợp với chất lượng và định hướng của nghiên cứu
* Chuẩn bị manuscript và hồ sơ submission
* Phân tích, chỉnh sửa và trả lời ý kiến phản biện

Khóa học phù hợp nếu bạn
✔ Chưa từng làm nghiên cứu và muốn học bài bản từ đầu
✔ Đang thực hiện khóa luận, luận văn, CKI, CKII hoặc đề tài nghiên cứu
✔ Đã có ý tưởng/tên đề tài nhưng chưa biết xây dựng phương pháp nghiên cứu
✔ Đã có số liệu nhưng chưa biết phân tích và khai thác như thế nào
✔ Muốn chuyển một đề tài hoặc luận văn thành bài báo khoa học
✔ Muốn nâng cao chất lượng nghiên cứu để hướng tới công bố quốc tế
✔ Đã gửi bài nhưng gặp khó khăn trong quá trình sửa bài và trả lời phản biện

Mục tiêu của khóa học không phải là “làm nghiên cứu hộ”.

Mục tiêu là giúp bạn "hiểu và tự làm được": hiểu tại sao lựa chọn thiết kế nghiên cứu đó, tại sao sử dụng phép phân tích đó, cách đọc và diễn giải kết quả, cũng như cách biến số liệu nghiên cứu thành một bản thảo khoa học có cấu trúc và logic.

Sau quá trình học 1:1, điều quan trọng nhất không chỉ là hoàn thiện đề tài đang có, mà là bạn có thể tự xây dựng và triển khai những nghiên cứu tiếp theo tốt hơn.

Hình thức học: 1 học viên – 1 người hướng dẫn
* Học trực tuyến, lịch học linh hoạt
* Nội dung được cá nhân hóa theo từng học viên
* Có thể bắt đầu từ con số 0
* Hoặc học và làm trực tiếp trên chính đề tài/nghiên cứu đang triển khai

Số lượng học viên mỗi đợt có giới hạn để bảo đảm đủ thời gian trao đổi và theo sát từng đề tài.

👉 Đăng ký/tư vấn qua Zalo: 0559586115 hoặc nhắn tin trực tiếp Fanpage.

Khi liên hệ, bạn có thể gửi kèm chuyên ngành, tình trạng đề tài hiện tại và mục tiêu muốn đạt được. Tôi sẽ xem trước nhu cầu và trao đổi về lộ trình học 1:1 phù hợp.

09/08/2026

🚨 LỖI BỊ HỘI ĐỒNG NHẮC NHIỀU NHẤT
Không phải lúc nào cũng là sai số liệu.

Một lỗi rất hay gặp là:
Mục tiêu nghiên cứu hỏi một đằng – kết quả trả lời một nẻo.
Ví dụ:
🎯 Mục tiêu: Xác định các yếu tố liên quan đến tăng huyết áp.
📊 Kết quả: Chỉ trình bày tỷ lệ tăng huyết áp theo tuổi, giới, BMI...
❓ Nhưng chưa có phân tích để xác định yếu tố nào thực sự liên quan sau khi kiểm soát các yếu tố khác.
Hội đồng có thể hỏi ngay:
“Vậy kết quả này đã trả lời mục tiêu nghiên cứu chưa?”

📌 Đây là lý do một đề tài cần có sự liên kết:
Câu hỏi → Mục tiêu → Biến số → Phương pháp → Kết quả → Kết luận
Chỉ cần một mắt xích không khớp, đề tài có thể gặp rất nhiều câu hỏi khi bảo vệ.
👉 Đừng đợi đến ngày bảo vệ mới phát hiện mục tiêu và kết quả chưa khớp nhau. 📩 Cần hỗ trợ phân tích & diễn giải kết quả? Inbox hoặc Zalo: 0559 586 115

09/08/2026

08/08/2026

📊 5 LỖI NHẬP SỐ LIỆU CÓ THỂ LÀM SAI KẾT QUẢ NGHIÊN CỨU

Nhiều người tập trung chạy SPSS, nhưng lại bỏ qua bước quan trọng nhất: kiểm tra dữ liệu đầu vào.

⚠️ 5 lỗi thường gặp
❌ 1. Nhập sai mã hóa biến
Ví dụ: Nam = 1 ở một số dòng, nhưng Nam = 2 ở những dòng khác.
❌ 2. Thiếu dữ liệu (Missing Values)
Không kiểm tra dữ liệu trống trước khi phân tích.
❌ 3. Nhập sai đơn vị đo
Ví dụ: chiều cao nhập lẫn cm và m, cân nặng lẫn kg và g.
❌ 4. Dữ liệu trùng lặp hoặc nhập nhầm
Một đối tượng được nhập nhiều lần hoặc nhập sai giá trị.
❌ 5. Không kiểm tra giá trị ngoại lai (Outliers)
Một vài giá trị bất thường có thể làm thay đổi đáng kể kết quả phân tích.

💡- Thống kê chỉ chính xác khi dữ liệu đầu vào chính xác.
- Đừng vội chạy phân tích.

Hãy làm sạch dữ liệu trước, vì chỉ một lỗi nhỏ cũng có thể làm thay đổi toàn bộ kết quả nghiên cứu.

📩 Inbox hoặc Zalo: 0559 586 115 nếu bạn cần hỗ trợ kiểm tra dữ liệu và lựa chọn phương pháp phân tích phù hợp.

07/08/2026

📊ĐỪNG ĐÁNH GIÁ THANG ĐO CHỈ BẰNG CRONBACH'S ALPHA

Nhiều người cho rằng:
"Cronbach's Alpha > 0,7 = Thang đo tốt." ❌

Thực tế, **đây chỉ là điều kiện cần, chưa phải điều kiện đủ.**

📌 "Cronbach's Alpha chỉ phản ánh độ nhất quán nội tại", không khẳng định thang đo "đo đúng khái niệm" cần nghiên cứu.

👉 Một thang đo nên được đánh giá thêm:
✔ Corrected Item–Total Correlation
✔ Cronbach's Alpha if Item Deleted
✔ Phân tích nhân tố (EFA/CFA)
✔ Giá trị hội tụ & giá trị phân biệt (nếu phù hợp)

💡 "Độ tin cậy (Reliability) ≠ Giá trị (Validity)."

Một thang đo có thể "ổn định", nhưng vẫn "không đo đúng khái niệm" cần nghiên cứu.

📩 Nếu bạn đang kiểm định thang đo bằng "SPSS, AMOS hoặc SmartPLS", hãy Inbox hoặc Zalo: 0559 586 115 để được trao đổi.

06/08/2026

📊p < 0,05 CHƯA CHẮC NGHIÊN CỨU TỐT

Nhiều người xem p < 0,05 là bằng chứng cho một nghiên cứu thành công.
"Thực tế, không hẳn."

Một nghiên cứu vẫn có thể có p < 0,05 nhưng:
❌ Thiết kế nghiên cứu chưa phù hợp.
❌ Cỡ mẫu chưa hợp lý.
❌ Có sai lệch (Bias) hoặc yếu tố nhiễu (Confounding).
❌ Hiệu quả rất nhỏ, ít ý nghĩa lâm sàng.

💡 "Đừng chỉ hỏi: "Có p < 0,05 không?"

Hãy hỏi thêm:
✔ Effect Size lớn đến đâu?
✔ 95% CI có đủ chính xác không?
✔ Kết quả có **ý nghĩa lâm sàng** không?

🎯 "Một nghiên cứu tốt không được đánh giá chỉ bằng p-value, mà bằng chất lượng của toàn bộ thiết kế và cách diễn giải kết quả."

📩 Nếu bạn cần hỗ trợ lựa chọn phương pháp thống kê hoặc diễn giải kết quả, Inbox hoặc Zalo: 0559 586 115 để được trao đổi.

05/08/2026

📊 KHI NÀO KHÔNG NÊN DÙNG T-TEST?

T-test rất phổ biến, nhưng "không phải lúc nào cũng là lựa chọn đúng."

⚠️ Không nên dùng T-test khi:
❌ Dữ liệu **không phân phối chuẩn** (đặc biệt với cỡ mẫu nhỏ).
❌ Biến phụ thuộc là **dữ liệu thứ bậc (Ordinal)**.
❌ Hai nhóm **không độc lập** (đối với Independent t-test).
❌ Dữ liệu có **Outliers** ảnh hưởng mạnh đến giá trị trung bình.

💡 Trong những trường hợp này, hãy cân nhắc các phép kiểm "Mann–Whitney U" hoặc "Wilcoxon Signed-Rank" (tùy thiết kế nghiên cứu).

🎯 "Đừng chọn phép kiểm theo thói quen."

Hãy chọn dựa trên "bản chất của dữ liệu" và "câu hỏi nghiên cứu".

📩 Nếu bạn chưa biết nên sử dụng phép thống kê nào, **Inbox hoặc Zalo: 0559 586 115** để được trao đổi.