Wiki Hub

Nghiên cứu tình huống (Case Study)

3 min read

Nghiên cứu Tình huống (Case Study) — Phương pháp Định tính

Sử dụng trong vault: Paper #06 (AI Recruitment Ethics)

1. Khi nào dùng Case Study?

Case study phù hợp khi:

  • Hiện tượng còn mới — chưa đủ theory để test hypothesis
  • Cần hiểu “how” và “why” — không chỉ “what” hay “how much”
  • Ranh giới giữa hiện tượng và bối cảnh không rõ ràng
  • Cần chiều sâu (depth) hơn chiều rộng (breadth)

Case Study vs. Survey

Case StudySurvey/SEM
Câu hỏiHow? Why?How much? How many?
Dữ liệuPhỏng vấn, tài liệu, quan sátBảng câu hỏi Likert
Mẫu1-10 cases (sâu)200+ respondents (rộng)
GeneralizationAnalytical (lý thuyết)Statistical (thống kê)
Khi nào?Early-stage theoryMature theory

2. Thiết kế Case Study (Yin, 2018)

Single vs. Multiple Case

  • Single case: 1 case đặc biệt (unique, critical, revelatory)
  • Multiple case: 2-6 cases để so sánh (Paper #06 dùng 4 cases)
  • Quy tắc: Multiple case > single case về sức thuyết phục

Chọn case như thế nào?

  • Không random — chọn có mục đích (purposive sampling)
  • Literal replication: Chọn cases dự đoán sẽ cho kết quả tương tự
  • Theoretical replication: Chọn cases dự đoán sẽ cho kết quả khác nhau (vì lý do lý thuyết)
  • Paper #06: 4 “early-adopting firms” — chọn DN đi đầu để tìm hiểu

3. Thu thập dữ liệu

Phỏng vấn bán cấu trúc (Semi-structured Interview)

  • Có interview guide (bộ câu hỏi hướng dẫn)
  • Nhưng linh hoạt — theo dõi câu trả lời thú vị, hỏi sâu hơn
  • Paper #06: 36 phỏng vấn (≈ 8-10/case) — số lượng tốt

Triangulation (Tam giác hóa) — BẮT BUỘC

Dùng ≥ 3 nguồn dữ liệu để xác minh chéo:

     Phỏng vấn
      /      \
     /        \
    /          \
Tài liệu ── Nguồn thứ cấp
nội bộ       (báo chí, reports)
  • Nếu cả 3 nguồn đều chỉ cùng hướng → convergence → tăng tin cậy
  • Nếu mâu thuẫn → cần giải thích tại sao → insight sâu hơn

4. Phân tích dữ liệu

Thematic Analysis (Phân tích chủ đề)

  1. Mã hóa mở (open coding): đọc transcript → gán mã cho đoạn văn
  2. Mã hóa trục (axial coding): nhóm mã → tạo categories
  3. Mã hóa chọn lọc (selective coding): tìm themes chính

Ví dụ từ Paper #06

Transcript: "Khi phát hiện AI loại ứng viên nữ, chúng tôi điều chỉnh 
trọng số trong thuật toán để cân bằng..."

Mã hóa: [technical fix] [bias response] [single-loop]

Theme: Single-loop learning response to AI bias

5. Đảm bảo chất lượng (Rigor)

Tiêu chíChiến lượcVí dụ
Credibility (tin cậy)Triangulation, member checkingPaper #06: phỏng vấn + tài liệu + thứ cấp
Transferability (chuyển đổi)Thick descriptionMô tả chi tiết context
Dependability (ổn định)Audit trailGhi chép quy trình phân tích
Confirmability (xác nhận)ReflexivityTác giả nhận thức bias của chính mình

6. Lỗi phổ biến cần tránh

  1. Chọn case thiếu lý giải — cần giải thích tại sao chọn case A mà không phải B
  2. Chỉ dùng phỏng vấn — thiếu triangulation → reviewer sẽ reject
  3. Quá ít phỏng vấn — < 5/case không đủ saturation
  4. Không đạt saturation — thu thập cho đến khi không có insight mới
  5. Generalize thống kê — case study chỉ analytical generalization (mở rộng lý thuyết, không mở rộng population)
  6. Thiếu audit trail — không ghi chép quy trình coding

Graph View

Backlinks