Nên dùng phần mềm phân tích dữ liệu định tính nào?

Trả lời thẳng: Bằng chứng mở không chỉ ra một phần mềm thắng cuộc. Thứ đo được là việc học: Salmona và cộng sự (2022) khảo sát 355 nhà nghiên cứu ở 29 quốc gia, và 73% cho biết họ học bằng thử và sai hoặc tự học. Hãy chọn chương trình bạn học được khi có người hỗ trợ, đừng chọn theo danh sách tính năng dài nhất.

Câu hỏi quen thuộc của người hướng dẫn là "vì sao phần mềm này mà không phải phần mềm kia", và câu trả lời trung thực bắt đầu từ việc xem ai đang được hỏi. Salmona và cộng sự (2022) thu 355 phản hồi từ 29 quốc gia qua các danh sách thư, trong đó 226 người ở Hoa Kỳ, 64 người ở châu Đại Dương và 26 người ở châu Âu, và chỉ 21% được đào tạo qua một khoá học chính thức. Toàn văn bài mở tại Bowling Green State University, và nhóm tác giả kết luận rằng "technological confidence should not be confused with methodological competence" (Salmona và cộng sự, 2022).

Với sinh viên, điều rút ra là chương trình quan trọng ít hơn sự hỗ trợ xung quanh nó. NVivo, ATLAS.ti và MAXQDA đều lưu bản ghi chép, giữ các mã và truy xuất những đoạn đã gắn thẻ, còn các nghiên cứu mở dưới đây không đặt chương trình nào cạnh chương trình nào để so. Zamawe (2015) chỉ suy ngẫm về NVivo, nên bài của ông không chứng minh được NVivo hơn các đối thủ. Giấy phép của trường, buổi tập huấn ở thư viện và một người hướng dẫn đã quen chương trình vì vậy là lý do chọn mạnh hơn mọi bảng so sánh.

Nếu thiết kế nghiên cứu của bạn chưa chốt thì nên chốt trước. Bài cách làm thematic analysis mô tả các bước mã hoá mà chương trình sẽ giữ về sau, còn bài so sánh qualitative với quantitative và mixed methods giúp bạn quyết định có nên đi theo hướng định tính hay không.

Trả lời thẳng: Phần mềm lưu nguồn tư liệu, giữ các mã và truy xuất mọi đoạn gắn cùng một ý, nhưng không quyết định dữ liệu có nghĩa gì. Zamawe (2015) thấy một câu hỏi truy xuất mất hơn bốn giờ khi làm tay chỉ mất vài giây trong NVivo, và phần phân tích vẫn là của ông.

Bài suy ngẫm của Zamawe (2015) là lời kể của một nhà nghiên cứu, dựa trên 10 tệp phỏng vấn, nên các con số ở đây chỉ để minh hoạ, không phải chuẩn so sánh. Dù vậy đây là một trong số ít bài mở gắn thời gian vào từng tác vụ. Khi ông cần biết có bao nhiêu phụ nữ chưa có con đã đi đủ các lần khám thai, tìm bằng tay mất hơn bốn giờ, còn chương trình trả lời trong vài giây. Gộp hai nút mã rồi thêm hai nút nữa mất chưa đến hai phút. Ông còn nêu rằng với hơn 1.000 bản ghi chép, khả năng đọc kỹ từng nguồn bằng tay là rất thấp.

Chính bài này cũng vạch ra giới hạn. Zamawe viết rằng "unlike statistical software, the main function of CAQDAS is not to analyse data but rather to aid the analysis process, which the researcher must always remain in control of" (Zamawe, 2015, p. 13). CAQDAS là viết tắt của computer-assisted qualitative data analysis software, tức nhóm phần mềm gồm ba chương trình nêu trên. Ông cũng thừa nhận đã chọn phần mềm trước khi chọn thiết kế, và thấy chương trình khó học dù có kỹ năng máy tính tốt.

Nguồn: Zamawe (2015), https://doi.org/10.4314/mmj.v27i1.4, đọc ngày 31/10/2026.

Trả lời thẳng: Không thay được. Các thử nghiệm mở đặt mô hình kiểu GPT cạnh người mã hoá cho mức khớp từ yếu đến khá cao. Hệ số kappa là 0,401 trên 20 cuộc phỏng vấn (Li và cộng sự, 2024) và từ 0,61 đến 0,65 với chủ đề nhiều nhãn (Wen và cộng sự, 2026), nên kết quả của AI chỉ là bản nháp phải kiểm tra.

Nhiều chương trình nay quảng cáo tính năng mã hoá có AI hỗ trợ, và các nghiên cứu mở dưới đây thử chatbot nói chung chứ không thử các tính năng tích hợp đó, nên chúng cho thấy các mô hình làm được gì, không cho thấy nút bấm của hãng nào chạy ra sao. Hệ số kappa của Cohen là thước đo mức khớp mà các nghiên cứu này báo cáo: 0 nghĩa là khớp ngang mức ngẫu nhiên, 1 nghĩa là khớp hoàn toàn.

Nguồn: ba bài truy cập mở nêu trong bảng, đọc ngày 31/10/2026.

Prescott và cộng sự (2024) còn đo thời gian: phân tích bằng AI mất 20 phút (SD 3,5), còn người mã hoá mất 567 phút (SD 106,5), và nhóm tác giả viết rằng "the relatively lower reliability in coding between them suggests that hybrid approaches are necessary" (Prescott và cộng sự, 2024). Wen và cộng sự (2026) thấy GPT-4o mạnh ở phân loại cảm xúc (κ = 0,91 đến 0,95) nhưng gần như bằng không khi đánh giá bằng chứng về tác động (κ ≤ 0,01), một tác vụ phụ thuộc vào ngữ cảnh. Quy luật khá nhất quán: mô hình nhanh và sắp xếp tạm ổn, còn yếu ở chỗ cần diễn giải. Trường bạn có cho phép xử lý dữ liệu phỏng vấn bên ngoài hay không là câu hỏi riêng, đã được bàn trong bài công cụ AI nào được phép dùng trong bài làm đại học.

Trả lời thẳng: Hãy chạy một đợt thử nhỏ. Mã hoá một bản ghi chép trong chương trình rồi mã hoá lại bằng tay, so hai kết quả, và kiểm tra giấy phê duyệt đạo đức trước khi bật bất kỳ tính năng đám mây hay AI nào. Đợt thử tốn một buổi chiều, còn phát hiện lệch sau khi mã hoá cả bộ dữ liệu thì tốn nhiều tuần.

Bằng chứng cho ba lý do để thử. Thứ nhất, việc học thường là nút thắt, nên bạn cần biết sớm mình có làm việc được trong giao diện đó không. Thứ hai, Zamawe (2015) cảnh báo rằng chọn công cụ trước có thể bẻ thiết kế cho vừa công cụ, nên hãy tự hỏi câu hỏi nghiên cứu của bạn có còn như cũ nếu không có chương trình. Thứ ba, mức khớp với bản nháp của AI dao động rộng, và Prescott và cộng sự (2024) ghi nhận mức khớp mã thấp nhất là 36%, nên đặt hai kết quả cạnh nhau trên một bản ghi chép là việc vừa phải, không phải cầu kỳ.

Thứ tự thực tế là hỏi người hướng dẫn xem khoa cấp giấy phép cho chương trình nào và chấp nhận chương trình nào, liệt kê dữ liệu bạn sẽ mã hoá như bản ghi chép, hình ảnh hay âm thanh, đọc phiếu thông tin người tham gia và giấy phê duyệt đạo đức để biết dữ liệu được lưu ở đâu, rồi mới chạy đợt thử. Nếu đợt thử cho thấy chương trình tiết kiệm thời gian truy xuất chứ không tiết kiệm thời gian suy nghĩ, thì kết quả đó khớp với quy luật đã công bố và là lý do để đi tiếp.

Hãy ghi tên chương trình, phiên bản và ngày dùng vào chương phương pháp. Hội đồng thường hỏi phần mềm được dùng ra sao, và một câu rõ ràng rằng bạn tự mã hoá và diễn giải, còn chương trình chỉ dùng để lưu và truy xuất, là đủ để trả lời. Về thiết kế phỏng vấn cung cấp dữ liệu cho chương trình, xem bài phỏng vấn bán cấu trúc cho luận văn.

NVivo có tốt hơn ATLAS.ti hay MAXQDA không?
Các bài mở không xếp hạng chúng. Zamawe (2015) chỉ viết về NVivo, nên chưa có gì cho thấy một phần mềm thắng. Hãy chọn theo giấy phép của trường, loại dữ liệu và sự hỗ trợ khoa bạn có.

Phần mềm phân tích định tính miễn phí có đủ dùng không?
Có những lựa chọn miễn phí, nhưng các nghiên cứu đã đọc ở đây không đặt chúng cạnh chương trình trả phí. Hãy hỏi người hướng dẫn xem công cụ miễn phí có được chấp nhận không trước khi mã hoá cả bộ dữ liệu bằng nó.

Phần mềm có phân tích dữ liệu thay tôi không?
Nó sắp xếp và truy xuất, còn bạn diễn giải. Zamawe (2015) nói nhà nghiên cứu phải luôn nắm quyền kiểm soát phần phân tích, và các thử nghiệm AI ở trên chỉ khớp với người mã hoá một phần.

Mã hoá bằng AI có tiết kiệm thời gian không?
Có, trong nghiên cứu mở đã đo thời gian phân tích bằng AI: 20 phút so với 567 phút (Prescott và cộng sự, 2024). Các con số về mức khớp cho thấy bạn vẫn cần thời gian để kiểm tra kết quả.

Tôi có phải nêu tên chương trình trong luận văn không?
Có, hãy nêu tên chương trình, phiên bản và mục đích sử dụng. Phần phương pháp được đọc đúng vì chi tiết đó.

Nếu chưa chắc cách thiết lập hệ mã hay cách báo cáo chương trình trong chương phương pháp, bạn có thể đặt một buổi tư vấn ngắn về cách thiết lập phần mã hoá qua trang hỗ trợ SPSS và phân tích dữ liệu. Việc mã hoá, diễn giải và viết vẫn là của bạn, và dịch vụ không đặt mục tiêu điểm.

• Cách làm thematic analysis: phương pháp mã hoá mà chương trình sẽ giữ
• Công cụ AI nào được phép dùng trong bài làm đại học?: tìm quy định của trường bạn
• Công cụ AI và nghiên cứu nào hỗ trợ ở từng giai đoạn của một dự án?: quy trình rộng hơn

• Li, K. D., Fernandez, A. M., Schwartz, R., Rios, N., Carlisle, M. N., Amend, G. M., Patel, H. V., & Breyer, B. N. (2024). Comparing GPT-4 and human researchers in health care data analysis: Qualitative description study. Journal of Medical Internet Research, 26, Article e56500. https://doi.org/10.2196/56500
• Prescott, M. R., Yeager, S., Ham, L., Rivera Saldana, C. D., Serrano, V., Narez, J., Paltin, D., Delgado, J., Moore, D. J., & Montoya, J. (2024). Comparing the efficacy and efficiency of human and generative AI: Qualitative thematic analyses. JMIR AI, 3, Article e54482. https://doi.org/10.2196/54482
• Salmona, M., Kaczynski, D., & Lieber, E. (2022). Improving research practices through user insights of qualitative and mixed methods data analysis technology. Mid-Western Educational Researcher, 34(3), Article 3. https://scholarworks.bgsu.edu/mwer/vol34/iss3/3
• Wen, C., Clough, P., Paton, R., & Middleton, R. (2026). Leveraging large language models for thematic analysis: A case study in the charity sector. AI & Society, 41(1), 731-748. https://doi.org/10.1007/s00146-025-02487-4
• Zamawe, F. C. (2015). The implication of using NVivo software in qualitative data analysis: Evidence-based reflections. Malawi Medical Journal, 27(1), 13-15. https://doi.org/10.4314/mmj.v27i1.4

Bài viết thuộc chuỗi MAAS Journal dành cho sinh viên. MAAS là đối tác hỗ trợ học thuật: chuyên gia hướng dẫn sinh viên qua từng giai đoạn của bài làm của chính các bạn, và chúng tôi không làm bài đánh giá thay cho sinh viên.