Cách thực hiện phân tích chủ đề bằng AI: Từng bước một

Phân tích chủ đề là một phương pháp tìm kiếm các mô hình ý nghĩa trong dữ liệu định tính, chẳng hạn như bản ghi chép phỏng vấn hoặc câu trả lời khảo sát mở. Để thực hiện việc này bằng AI, hãy tải các bản ghi chép và câu hỏi nghiên cứu của bạn lên, để AI đề xuất các mã phân loại ban đầu, sau đó tự bạn phát triển và kiểm tra các chủ đề. AI giúp tăng tốc quá trình đọc và phân loại. Việc diễn giải vẫn do bạn quyết định.

Hướng dẫn này giải thích phân tích chủ đề là gì, đi qua sáu giai đoạn và chỉ ra những nơi AI có thể hỗ trợ cũng như những nơi AI không nên đưa ra quyết định. Hướng dẫn cũng bao gồm một ví dụ thực tế, định dạng bảng kết quả và so sánh với phân tích nội dung.

Phân tích chủ đề là gì

Virginia Braun và Victoria Clarke, những người đã phát triển phiên bản được trích dẫn rộng rãi nhất của phương pháp này, định nghĩa trên trang web của họ: "Phân tích chủ đề (TA) đề cập đến một loạt các phương pháp nghiên cứu định tính được sử dụng để khám phá và diễn giải ý nghĩa có tính mô hình trên các tập dữ liệu."

Hai từ trong định nghĩa đó rất quan trọng. "Loạt" (Range) có nghĩa là phân tích chủ đề là một nhóm các cách tiếp cận, chứ không phải một quy trình cố định duy nhất. "Diễn giải" (Interpreting) có nghĩa là kết quả đầu ra là một lập luận về ý nghĩa của dữ liệu, chứ không phải là việc đếm xem dữ liệu nói gì.

Braun và Clarke chia nhóm này thành ba nhánh: cách tiếp cận độ tin cậy của mã hóa (coding reliability), cách tiếp cận bộ mã (codebook), và cách tiếp cận phản thân (reflexive) của riêng họ. Sự khác biệt này ảnh hưởng đến cách bạn sử dụng AI.

• Độ tin cậy của mã hóa cố định một bộ mã từ sớm và kiểm tra xem các người mã hóa khác nhau có áp dụng nó theo cùng một cách hay không.
• Các cách tiếp cận Bộ mã cũng sử dụng một khung cấu trúc, nhưng cho phép nó phát triển phần nào.
• Phân tích chủ đề phản thân giữ cho việc mã hóa luôn mở và cho phép nó thay đổi khi sự hiểu biết của bạn sâu sắc hơn. Câu hỏi thường gặp của họ nêu rõ rằng "TA phản thân tránh sử dụng bộ mã."

Trong phân tích chủ đề phản thân, một chủ đề không chỉ đơn thuần là một đề tài. Braun và Clarke mô tả các chủ đề là "mô hình ý nghĩa chung được củng cố bởi một khái niệm hoặc ý tưởng trung tâm." Một đề tài như "giá cả" không phải là một chủ đề. "Khách hàng coi giá cả là một tín hiệu của sự tin cậy" thì đúng là một chủ đề.

Sáu giai đoạn

Braun và Clarke phác thảo sáu giai đoạn. Họ nhấn mạnh rằng "Các giai đoạn này không quy định một quy trình cứng nhắc mà bạn bắt buộc phải tuân theo." Trên thực tế, bạn sẽ di chuyển qua lại giữa chúng.

1. Làm quen với tập dữ liệu. Đọc đi đọc lại dữ liệu và ghi lại những quan sát đầu tiên.
2. Mã hóa. Gắn các nhãn ngắn gọn cho các phân đoạn có ý nghĩa trên toàn bộ tập dữ liệu, qua hai hoặc nhiều vòng.
3. Tạo các chủ đề ban đầu. Gom cụm các mã thành các mô hình ý nghĩa tiềm năng.
4. Phát triển và xem xét các chủ đề. Kiểm tra từng chủ đề tiềm năng đối với dữ liệu đã mã hóa và toàn bộ tập dữ liệu. Chia tách, hợp nhất hoặc loại bỏ các chủ đề nếu cần.
5. Tinh chỉnh, định nghĩa và đặt tên cho các chủ đề. Xác định phạm vi và câu chuyện của từng chủ đề và đặt cho nó một cái tên rõ nghĩa.
6. Viết báo cáo. Kết hợp mạch văn phân tích cùng với các đoạn trích dữ liệu, và kết nối nó với các tài liệu nghiên cứu hiện có.

Trang web của họ mô tả quá trình này một cách trung thực: "phân tích thường là một quá trình lặp đi lặp lại." Hãy chuẩn bị tinh thần quay lại bước mã hóa sau khi bạn bắt đầu xây dựng các chủ đề.

Nơi AI có thể hỗ trợ và nơi AI không nên quyết định

AI thực sự hữu ích cho các giai đoạn liên quan đến khối lượng lớn. Nó có thể đọc nhanh 40 bản ghi chép, đề xuất các mã tiềm năng, trích xuất mọi đoạn phù hợp với một mã và đếm tần suất xuất hiện của một mô hình.

Nó không nên đưa ra các quyết định mang tính diễn giải. Braun và Clarke viết rằng "Phân tích định tính là một quá trình đòi hỏi kỹ năng, mang tính bối cảnh và chủ quan." Một mô hình không có cùng mối quan tâm với bạn đối với câu hỏi nghiên cứu, và nó chỉ biết bối cảnh mà bạn cung cấp cho nó.

Câu hỏi thường gặp của họ cũng đưa ra một quan điểm tương tự về phần mềm phân tích. Điều quan trọng, họ viết, là "trở thành một nhà nghiên cứu có hiểu biết." Điều đó có nghĩa là sử dụng bất kỳ công cụ nào theo cách phù hợp với các giá trị của cách tiếp cận mà bạn đã chọn.

Một sự phân chia công việc hợp lý sẽ trông như thế này:

Giai đoạn	Những gì AI có thể làm	Những gì bạn quyết định
Làm quen	Tóm tắt từng bản ghi chép, đánh dấu các đoạn gây ngạc nhiên	Đoạn trích nào quan trọng đối với câu hỏi của bạn
Mã hóa	Đề xuất các mã ban đầu và áp dụng chúng một cách nhất quán	Mã nào cần giữ lại, hợp nhất hoặc đổi tên
Tạo chủ đề	Gom cụm các mã và trích xuất các đoạn dẫn chứng hỗ trợ	Liệu một cụm có thực sự là một mô hình ý nghĩa hay không
Xem xét chủ đề	Tìm kiếm các ví dụ phản đề trong tập dữ liệu	Liệu một chủ đề có đứng vững hay không
Đặt tên chủ đề	Gợi ý tên và định nghĩa ngắn gọn trong một dòng	Tên cuối cùng và câu chuyện mà nó truyền tải
Viết báo cáo	Soạn thảo các phần và tập hợp các câu trích dẫn	Lập luận và các khẳng định của nó

Nếu bạn sử dụng cách tiếp cận bộ mã, kết quả đầu ra của AI có thể đóng vai trò như một bộ mã nháp. Nếu bạn sử dụng phân tích chủ đề phản thân, hãy coi các mã của AI như những gợi ý để tư duy, chứ không phải bản thân cuộc phân tích.

Dù bạn sử dụng cách tiếp cận nào, hãy ghi lại cách AI tham gia vào quá trình đó. Hãy lưu ý công cụ, các giai đoạn mà nó hỗ trợ và những gì bạn đã thay đổi sau đó. Một đoạn văn ngắn về phương pháp sẽ trả lời câu hỏi trước khi người phản biện, giám khảo hoặc bên liên quan kịp hỏi.

Những gì bạn cần trước khi bắt đầu

Hãy chuẩn bị bốn điều sau trước khi bất kỳ công cụ AI nào chạm vào dữ liệu.

Một câu hỏi nghiên cứu rõ ràng. Mọi mã và chủ đề đều được đánh giá dựa trên câu hỏi này. "Khách hàng trải nghiệm những gì trong quá trình làm quen (onboarding)?" sẽ tạo ra một phân tích khác với "Tại sao khách hàng hủy dịch vụ trong tháng đầu tiên?"

Bản ghi chép sạch, đã được ẩn danh. Xóa tên, tên công ty, email và bất kỳ chi tiết nào giúp nhận dạng người tham gia. Hãy thực hiện việc này trước khi tải lên, chứ không phải sau đó. Kiểm tra phê duyệt đạo đức hoặc biểu mẫu đồng ý của bạn để biết bất kỳ giới hạn nào đối với các công cụ của bên thứ ba.

Một tài liệu ghi chú cho những suy ngẫm của riêng bạn. Phân tích chủ đề phản thân đề cao góc nhìn của nhà nghiên cứu. Hãy ghi chép liên tục các giả định và phản ứng của bạn khi đọc, tách biệt với bất kỳ thứ gì do AI tạo ra.

Định dạng tệp nhất quán. Mỗi cuộc phỏng vấn một tệp, có nhãn người nói, giúp dễ dàng truy xuất mọi đoạn trích về nguồn gốc của nó. Giữ một danh mục đơn giản liên kết mã người tham gia với ngày phỏng vấn.

Cách thực hiện phân tích chủ đề bằng AI

Các bước dưới đây tuân theo sáu giai đoạn, được nhóm thành ba phiên làm việc.

Bước 1: Tải các bản ghi chép lên và thiết lập câu hỏi nghiên cứu

Tải các bản ghi chép đã ẩn danh lên một không gian làm việc AI như Powerdrill Bloom. Các gói dịch vụ của nó hỗ trợ tải lên các tệp Excel, CSV, PDF và tài liệu văn bản, vì vậy các bản ghi chép ở định dạng Word hoặc PDF đều hoạt động bình thường. Các câu trả lời khảo sát mở được xuất ra bảng tính cũng hoạt động tốt.

Hãy nêu câu hỏi nghiên cứu trước tiên, trước bất kỳ yêu cầu nào khác. Sau đó, yêu cầu một bản tóm tắt ngắn gọn cho từng bản ghi chép và danh sách các đoạn văn liên quan đến câu hỏi đó.

Đọc các bản tóm tắt đó, sau đó tự bạn đọc các bản ghi chép. Các bản tóm tắt của AI giúp tăng tốc quá trình làm quen, nhưng chúng không thể thay thế cho việc tự đọc. Hãy ghi lại những ấn tượng đầu tiên của riêng bạn trong một tài liệu riêng biệt trước khi bạn xem bất kỳ mã nào do AI tạo ra.

Bước 2: Tạo các mã ban đầu, sau đó tự mã hóa lại

Yêu cầu AI đề xuất các mã cho từng bản ghi chép. Yêu cầu các nhãn ngắn gọn, định nghĩa một dòng cho mỗi mã và các đoạn trích chính xác hỗ trợ chúng.

Một yêu cầu hữu ích cần ngắn gọn và cụ thể. Mã hóa bản ghi chép cho bất kỳ điều gì liên quan đến câu hỏi nghiên cứu, giữ các nhãn dưới năm từ và trích dẫn chính xác đoạn văn cho mỗi mã. Việc yêu cầu các đoạn trích chính xác giúp dễ dàng phát hiện ra mã nào đã bị lệch đi so với những gì người tham gia thực sự nói.

Sau đó, tự bạn thực hiện vòng mã hóa thứ hai. So sánh các mã của bạn với danh sách của AI. Những nơi chúng trùng khớp, mã đó có khả năng đang mô tả một điều gì đó hiện diện rõ ràng. Những nơi chúng khác biệt, hãy xem xét kỹ lưỡng. Hoặc là AI đã nhận thấy điều gì đó bạn bỏ lỡ, hoặc nó đã dán nhãn cho câu chữ bề mặt thay vì ý nghĩa thực sự.

Giữ cho mọi đoạn trích đều có thể truy xuất nguồn gốc. Mỗi mã phải trỏ đến một người tham gia và một đoạn văn. Trang chủ của Powerdrill Bloom cho biết mọi con số "đều đi kèm với trang, hàng và số liệu đằng sau nó," và khả năng truy xuất nguồn gốc tương tự cũng rất quan trọng đối với các câu trích dẫn.

Bước 3: Xây dựng các chủ đề tiềm năng và kiểm tra chúng đối với dữ liệu

Yêu cầu AI gom cụm các mã cuối cùng của bạn thành các chủ đề tiềm năng, cùng với các đoạn trích dẫn chứng hỗ trợ cho từng chủ đề. Hãy coi các cụm này là một điểm khởi đầu.

Đối với mỗi chủ đề tiềm năng, hãy đặt một câu hỏi: có một khái niệm hoặc ý tưởng trung tâm nào đằng sau nó không? Nếu câu trả lời chỉ là một đề tài chung, thì nó chưa phải là một chủ đề. Hãy chia tách, hợp nhất hoặc loại bỏ nó.

Sau đó, kiểm tra từng chủ đề. Yêu cầu AI tìm các đoạn trích mâu thuẫn với chủ đề đó. Một chủ đề đứng vững sau một cuộc tìm kiếm có chủ đích các ví dụ phản đề sẽ mạnh mẽ hơn một chủ đề chưa bao giờ bị thách thức.

Cuối cùng, đặt tên cho từng chủ đề và viết một định nghĩa dài hai câu. Soạn thảo phần viết báo cáo theo từng phần, và kiểm tra mọi câu trích dẫn đối với bản ghi chép gốc trước khi đưa vào báo cáo.

Một ví dụ thực tế

Dưới đây là phiên bản rút gọn của quy trình trên một nghiên cứu sản phẩm với 12 cuộc phỏng vấn khách hàng. Câu hỏi nghiên cứu đặt ra là tại sao khách hàng mới ngừng sử dụng sản phẩm trong vòng 30 ngày.

Các mã AI ban đầu bao gồm "thiết lập mất quá nhiều thời gian," "giá cả không rõ ràng," và "cần phê duyệt từ bộ phận IT."

Sau vòng mã hóa thứ hai, nhà nghiên cứu nhận thấy rằng cả ba mã này đều xuất hiện trong các cuộc phỏng vấn với những người không tự mình lựa chọn sản phẩm.

Chủ đề thu được là "áp dụng nhưng không sở hữu" (adoption without ownership). Những khách hàng được bàn giao lại sản phẩm không có lý do gì để vượt qua những trở ngại ban đầu.

Nhà nghiên cứu sau đó đã yêu cầu AI tìm các ví dụ phản đề: những khách hàng không tự chọn sản phẩm nhưng vẫn tiếp tục sử dụng. Hai cuộc phỏng vấn phù hợp với điều này. Cả hai đều mô tả một đồng nghiệp đã chỉ cho họ một lợi ích nhanh chóng (quick win) trong tuần đầu tiên, điều này giúp tinh chỉnh chủ đề thay vì phá vỡ nó.

AI đã phát hiện ra các mã một cách nhanh chóng. Chủ đề xuất phát từ việc nhà nghiên cứu nhận thấy ai là người đang nói những điều đó, điều mà không một mã đơn lẻ nào có thể tự ghi nhận được.

Cách trình bày kết quả phân tích chủ đề

Một phần kết quả thường bắt đầu bằng một bảng các chủ đề, sau đó thảo luận về từng chủ đề với các đoạn trích hỗ trợ. Bảng dưới đây cho thấy một định dạng phổ biến.

Chủ đề	Định nghĩa	Người tham gia	Đoạn trích ví dụ
Áp dụng nhưng không sở hữu	Người dùng không tự chọn sản phẩm có rất ít lý do để kiên trì sử dụng	7 trên 12	"Tôi được bảo phải dùng nó, nên tôi chỉ làm ở mức tối thiểu."
Thiết lập như một ấn tượng đầu tiên	Nỗ lực thiết lập ban đầu định hình cái nhìn tổng thể về sản phẩm	9 trên 12	"Nếu giờ đầu tiên mà khó khăn, bạn sẽ cho rằng phần còn lại cũng vậy."

Sau bảng này là một phần ngắn cho từng chủ đề. Hãy giải thích ý tưởng trung tâm, đưa ra hai hoặc ba đoạn trích và kết nối nó với câu hỏi nghiên cứu của bạn.

Hãy chọn các đoạn trích thể hiện chủ đề từ các góc độ khác nhau, thay vì ba câu trích dẫn nói cùng một điều. Giữ chúng ngắn gọn và luôn gán chúng cho một mã người tham gia. Người đọc sẽ tin tưởng một chủ đề hơn khi họ có thể thấy nó được thể hiện qua nhiều tiếng nói khác nhau.

Số lượng người tham gia là thông tin bối cảnh hữu ích, nhưng cách tiếp cận của Braun và Clarke không coi tần suất là thước đo tầm quan trọng. Một chủ đề được nhắc đến bởi bốn người có thể quan trọng hơn một chủ đề được nhắc đến bởi mười người.

Đối với đối tượng là các bên liên quan, các kết quả tương tự thường được chuyển thành một bản trình bày (deck) ngắn gọn. Công cụ AI research synthesis mô tả lộ trình này, kết hợp các bản ghi chép và khảo sát thành các chủ đề, bằng chứng và một bản trình bày cho các bên liên quan.

Phân tích chủ đề so với phân tích nội dung

Hai phương pháp này thường bị nhầm lẫn vì cả hai đều làm việc với dữ liệu định tính.

	Phân tích chủ đề	Phân tích nội dung
Mục tiêu chính	Diễn giải các mô hình ý nghĩa	Phân loại và thường đếm nội dung
Kết quả đầu ra	Các chủ đề với một ý tưởng trung tâm	Các danh mục với tần suất
Vai trò của việc đếm	Nhiều nhất là bối cảnh hỗ trợ	Thường là trung tâm
Tốt nhất cho	Hiểu các trải nghiệm và quan điểm	Đo lường tần suất xuất hiện của một điều gì đó

Nếu câu hỏi của bạn là "khách hàng đề cập đến giá cả thường xuyên như thế nào?", phân tích nội dung sẽ phù hợp. Nếu câu hỏi là "giá cả có ý nghĩa gì đối với khách hàng?", phân tích chủ đề sẽ phù hợp.

Một số dự án sử dụng cả hai phương pháp theo trình tự. Một lượt quét tần suất trên một tập dữ liệu lớn sẽ chỉ ra nơi tập trung khối lượng lớn. Một lượt phân tích chủ đề trên một mẫu nhỏ hơn, tập trung hơn sau đó sẽ giải thích ý nghĩa của khối lượng đó.

Đối với phản hồi ở quy mô lớn, chẳng hạn như hàng nghìn đánh giá hoặc phiếu hỗ trợ, một góc nhìn về tần suất thường là nhu cầu đầu tiên. Công cụ Voice of Customer Summarizer gộp các kênh phản hồi thành các chủ đề với tần suất và một câu trích dẫn nguyên văn đại diện cho mỗi chủ đề.

Phân tích chủ đề trong Excel

Nhiều nhà nghiên cứu vẫn thực hiện mã hóa trong bảng tính, và nó hoạt động tốt cho các nghiên cứu nhỏ. Một bố cục đơn giản sử dụng một hàng cho mỗi đoạn trích.

• Cột A: mã người tham gia.
• Cột B: đoạn trích, được sao chép chính xác.
• Cột C: mã vòng một.
• Cột D: mã vòng hai.
• Cột E: chủ đề tiềm năng.

Việc lọc theo chủ đề sau đó sẽ cung cấp cho bạn mọi đoạn trích hỗ trợ trong một chế độ xem duy nhất. Việc đếm số hàng cho mỗi chủ đề và mỗi người tham gia cũng giúp thấy ngay liệu một chủ đề có chỉ dựa trên một người phỏng vấn nói nhiều hay không. Giới hạn ở đây là quy mô. Vượt quá vài trăm đoạn trích, việc phân loại và mã hóa lại bằng tay sẽ trở nên chậm chạp, đó là lúc việc gom cụm có sự hỗ trợ của AI giúp tiết kiệm thời gian nhất.

Nếu dự án của bạn cũng bao gồm việc đánh giá các nghiên cứu đã công bố, hướng dẫn của chúng tôi về cách viết một tổng quan tài liệu bằng AI sẽ đề cập đến phần đó.

Các lỗi thường gặp

• Coi đề tài là chủ đề. "Giao tiếp" là một đề tài. Một chủ đề phải nói lên điều gì đó về nó.
• Chấp nhận các mã của AI mà không qua vòng thứ hai. Các mã ban đầu thường dán nhãn cho câu chữ hơn là ý nghĩa.
• Tải lên dữ liệu có thể nhận dạng. Hãy ẩn danh các bản ghi chép trước khi tải lên.
• Coi việc đếm số lượng là bằng chứng. Tần suất hỗ trợ cho một chủ đề, nhưng nó không tự tạo nên một chủ đề.
• Bỏ qua việc tìm kiếm ví dụ phản đề. Một chủ đề chưa bao giờ bị thách thức sẽ yếu hơn so với vẻ ngoài của nó.
• Để AI đặt tên cho các chủ đề. Tên gọi mang tính lập luận, vì vậy hãy tự viết chúng sau khi các chủ đề đã được thống nhất và định nghĩa.

Thực hiện đúng những điều này là điểm khác biệt giữa một phân tích đáng tin cậy và một bản tóm tắt có các tiêu đề. Nếu bạn muốn việc đọc, mã hóa và gom cụm được thực hiện nhanh hơn trên chính các bản ghi chép của mình, bạn can dùng thử Powerdrill Bloom với một nghiên cứu.

Các câu hỏi thường gặp

Phân tích chủ đề theo cách hiểu đơn giản là gì?

Phân tích chủ đề là một cách tìm kiếm và diễn giải các mô hình ý nghĩa trong dữ liệu định tính, chẳng hạn như các cuộc phỏng vấn. Nhà nghiên cứu mã hóa dữ liệu, nhóm các mã thành các chủ đề và giải thích những gì mỗi chủ đề nói về câu hỏi nghiên cứu.

Sáu bước của phân tích chủ đề là gì?

Sáu giai đoạn của Braun và Clarke là làm quen với tập dữ liệu, mã hóa, tạo các chủ đề ban đầu, phát triển và xem xét các chủ đề, tinh chỉnh, định nghĩa và đặt tên cho các chủ đề. Giai đoạn thứ sáu là viết báo cáo. Họ lưu ý rằng các giai đoạn này không phải là những quy tắc cứng nhắc.

AI có thể thực hiện phân tích chủ đề không?

AI can hỗ trợ các công việc liên quan đến khối lượng lớn, chẳng hạn như tóm tắt các bản ghi chép, đề xuất các mã và trích xuất các đoạn văn. Công việc diễn giải để quyết định ý nghĩa của một chủ đề vẫn cần đến nhà nghiên cứu. Braun và Clarke mô tả phân tích định tính là một quá trình đòi hỏi kỹ năng, mang tính bối cảnh và chủ quan.

Một phân tích chủ đề nên có bao nhiêu chủ đề?

Braun và Clarke cho biết "không có công thức chính xác nào để xác định số lượng chủ đề trong một TA." Điều đó phụ thuộc vào dữ liệu, câu hỏi nghiên cứu và độ dài của báo cáo. Một phân tích có thể báo cáo sâu về một chủ đề hoặc đưa ra một cái nhìn tổng quan rộng hơn.

Sự khác biệt giữa phân tích chủ đề và phân tích nội dung là gì?

Phân tích chủ đề diễn giải các mô hình ý nghĩa và tạo ra các chủ đề. Phân tích nội dung phân loại nội dung và thường đếm tần suất xuất hiện của các danh mục. Hãy chọn phân tích chủ đề để hiểu các trải nghiệm, và phân tích nội dung để đo lường tần suất.

Nguồn: Braun và Clarke, Phân tích chủ đề · Hiểu về TA · Thực hiện TA phản thân · Câu hỏi thường gặp về Phân tích chủ đề. Ví dụ thực tế và bảng kết quả chỉ mang tính chất minh họa.