Là một nhà nghiên cứu non trẻ, thiếu cả kinh nghiệm và nguồn lực, chưa kể đến sự tự tin và bản lĩnh để đảm nhận những vai trò quan trọng, một năm trước đây, tôi không thể hình dung mình sẽ có thể có được vị trí dẫn đầu trong một nghiên cứu đăng trên ấn phẩm lâu đời của Viện Hàn lâm Khoa học Úc như Animal Production Science. Tuy nhiên, điều tưởng chừng như một giấc mơ xa vời đó đã trở thành hiện thực, khi gần đây nghiên cứu của chúng tôi có tựa đề “Improving the market for livestock production households to alleviate food insecurity in the Philippines” [1] đã được chính thức công bố. Thông qua bài viết này, tôi muốn chia sẻ hành trình phát triển khả năng, thái độ và thực hành (KAP) của cá nhân mình với đồng nghiệp và các nhà nghiên cứu trẻ - những người đang nỗ lực phấn đấu trên con đường nghiên cứu khoa học.

Trước tiên, phải khẳng định rằng đối với chúng tôi, công cụ làm việc hiệu quả là rất quan trọng, cần thiết để giảm bớt thách thức và tiết kiệm thời gian cũng như công sức. Một năm trước, khi lần đầu tiên tôi biết đến chương trình bayesvl [2], thật khó để hình dung ra tác động đáng kể của nó đối với kiến thức, thái độ và thực hành (KAP) của tôi. Chương trình này được giới thiệu chính thức tới người dùng tại Việt Nam thông qua báo Khoa học & Phát triển vào năm 2019 [3], một thời gian rất ngắn ngay sau khi được phê duyệt vào thư viện chuẩn CRAN. Tuy nhiên, tôi tiếp cận với chương trình khá muộn, tới 4 năm sau khi nó đã chính thức ra đời và được giới thiệu. Đến nay, chương trình đã bước sang tuổi thứ 6, với những thông tin về quá trình phát triển và tính năng đóng góp đã được thống kê chi tiết [4].

Hình ảnh được sản xuất bởi chương trình bayesvl

Trên thực tế, một năm trước, tôi đang phải dò dẫm tìm kiếm cách thức tiếp cận để giải quyết những vấn đề và chủ đề nghiên cứu mà từ đó có thể giúp bản thân tôi học hỏi, tiến bộ và vượt qua thử thách. Quá trình tìm kiếm đó dẫn tôi đến với cộng đồng BMF, nơi được thiết kế để kết hợp ứng dụng giữa bayesvl và lý thuyết mindsponge, nhằm làm tăng tính hữu dụng và công năng của phân tích thống kê hiện đại trong các bài toán nghiên cứu khoa học xã hội liên ngành. Hệ thống công cụ này được gọi tắt là “BMF analytics”. Mặc dù có những bối rối ban đầu, nhưng sự có mặt của hai cuốn sách trợ giúp [5-6] đã giúp củng cố niềm tin của tôi rằng, tôi có thể bắt tay tìm hiểu và sau đó làm chủ được quá trình ứng dụng “BMF analytics”.

Quy trình tiến hành nghiên cứu dựa trên BMF hỗ trợ các nhà nghiên cứu khái niệm hóa nghiên cứu, xây dựng mô hình và xác định các câu hỏi cũng như mục tiêu nghiên cứu [7]

Quả thực, quá trình ấy không phải lúc nào cũng suôn sẻ, như một nhà khoa học châu Âu thời trung cổ đã từng nói: Không có đường tắt trong khoa học. Tuy thế, với sự hiện diện của cộng đồng “BMF analytics”, dần dần, những khó khăn cũng đã được giải quyết, các câu hỏi sẽ tìm được câu trả lời. Việc tập trung ý chí và thời gian vào từng vấn đề cụ thể với số liệu, mô hình, biện luận, logic phía sau đáp án... sẽ thúc đẩy tiến triển của “đường cong kinh nghiệm” (learning curve). Hơn thế nữa, làm việc cùng với những nhà nghiên cứu dày dạn kinh nghiệm giúp cho các vấn đề hóc búa sẽ bớt “đáng sợ” so với việc phải suy nghĩ hoàn toàn đơn độc. Cũng chính nhờ sự động viên và sẵn sàng làm điểm tựa tinh thần, tôi đã có đủ can đảm để dẫn dắt một nghiên cứu như [1].

Hiện nay, dường như cộng đồng cũng đang mở rộng thêm từ xuất phát điểm khiêm tốn, thông qua những nỗ lực giới thiệu ứng dụng trong công việc như: chương trình VIASM-HANU 2023, với tác giả của BMF analytics trực tiếp tham dự với nhiều cán bộ nghiên cứu đại học [7]. Những học viên nói trên cũng đã có sản phẩm xuất bản bằng phương pháp luận BMF và sử dụng bayesvl vào đầu năm 2024 trên The VMOST Journal of Social Sciences and Humanities, tạp chí được xuất bản và đầu tư trọng điểm bởi Bộ Khoa học và Công nghệ [8].

Nhân dịp chương trình bayesvl đi qua trọn vẹn 5 năm đầu tiên, tôi hy vọng những dòng chia sẻ này tới được những người cũng giống như tôi hơn một năm trước, đang trên đường tìm cho mình một lối đi trong nghiên cứu. Biết đâu, bayesvl và BMF analytics lại chính là hệ thống giúp tạo ra manh mối.

Tài liệu tham khảo:

[1] Duong, M. P. T., et al. (2024). Improving the market for livestock production households to alleviate food insecurity in the Philippines. Animal Production Science, 64(7), AN23349. https://doi.org/10.1071/AN23349

[2] La, V. P., & Vuong, Q. H. (2019). bayesvl: Visually learning the graphical structure of Bayesian networks and performing MCMC with ‘Stan’. https://cran.r-project.org/package=bayesvl

[3] Hạnh, H. P. (2019). Chương trình máy tính bayesvl trong môi trường R: Đóng góp Việt cho khoa học thế giới. https://khoahocphattrien.vn/khoa-hoc/chuong-trinh-may-tinh-bayesvl-trong-moi-truong-r-dong-gop-viet-cho-khoa-hoc-the-gioi/20190613093044113p1c160.htm

[4] Huệ, N. T. H. (2024). Nhìn lại 5 năm phát triển chương trình phân tích thống kê Bayes của người Việt. https://kinhtevadubao.vn/nhin-lai-5-nam-phat-trien-chuong-trinh-phan-tich-thong-ke-bayes-cua-nguoi-viet-28667.html

[5] Vuong, Q. H., Nguyen, M. H., & La, V. P. (Eds.). (2022). The mindsponge and BMF analytics for innovative thinking in social sciences and humanities. Walter de Gruyter GmbH. https://www.amazon.com/dp/B0C4ZK3M74

[6] Vuong, Q. H. (2023). Mindsponge theory. Walter de Gruyter GmbH. https://www.amazon.com/dp/B0C3WHZ2B3

[7] Yến, N. T. Q. (2023). Sinh hoạt khoa học VIASM HANU mang BMF Analytics đến với KHXH&NV. https://kinhtevadubao.vn/sinh-hoat-khoa-hoc-viasm-hanu-mang-bmf-analytics-den-voi-khxhnv-27529.html

[8] Nguyen, M. H., et al. (2024). Effects of water scarcity awareness and climate change belief on recycled water usage willingness: Evidence from New Mexico, United States. The VMOST Journal of Social Sciences and Humanities, 66(1), 62-75. https://d.vjst.vn/index.php/vmost_jossh/article/view/344

TS. Dương Thị Minh Phượng

Trường Đại học Tôn Đức Thắng