การคิดหัวข้อวิจัย แบบไม่ได้เริ่มต้นที่ทฤษฎี 100 % ทำได้หรือไม่

การคิดหัวข้อวิจัย แบบไม่ได้เริ่มต้นที่ทฤษฎี 100 % ทำได้หรือไม่
.
“From Theory-driven to Problem-driven or Data-driven Research”
.
วันนี้จะพักเรื่องเกี่ยวกับสถิติและกลับมาพูดกันถึงการวิจัยสักนิด โดยเฉพาะส่วนที่เกี่ยวข้องกับการคิด Research Idea หรือ Research Question หลายครั้งเรามักติดกับดักความคิดที่ทำให้เราไม่สามารถทำวิจัยต่อได้ เพราะอ้างว่าหาหัวข้อการวิจัยไม่ได้ หรือหัวข้อการวิจัยไม่ดีพอเราจึงหยุดทำต่อไป
.
ต้องยอมรับว่าการหาไอเดียการวิจัยโดยอ้างอิงการ Challenge Assumption ของทฤษฎีใดทฤษฎีหนึ่งต้องใช้เวลาและอาศัยการสเคราะห์ที่ลึกซึ้ง ในความจริงแล้วการคิดหัวข้อวิจัยอาจไม่จำเป็นต้องเริ่มต้นที่ทฤษฎีก่อนเสมอไป การเริ่มหัวข้อการวิจัยอาจเริ่มที่การวิเคราะห์ข้อมูลหรือปัญหาในการนำไปใช้ได้
.
นักวิชาการ/นักวิจัยสามารถเริ่มต้นคิดไอเดียการวิจัยได้โดยวิธีอื่นๆ ในที่นี่จะกล่าวถึง 2 วิธี คือ
.

  1. Data-driven Research คือ การหาหัวข้อการวิจัยโดยให้ข้อมูลและการวิเคราะห์ข้อมูลเป็นตัวผลักดันและคิดหัวข้อวิจัย หัวใจของวิธีนี้ คือ การหาหัวข้อและไอเดียโดยให้ผลการวิเคราะห์ข้อมูลเป็นตัวเล่าเรื่อง สร้างแนวคิดวิจัยใหม่ในหัวข้อที่สนใจ อาจจะเป็นการทดสอบแนวคิดวิจัยใหม่ๆ ที่นักวิจัยยังไม่เคยทดสอบ เริ่มต้นการวิเคราะห์โดยข้อมูลที่มีอยู่ ทำการวิเคราะห์โดยปราศจากคำถามวิจัยใดใด ข้อมูลประเภท Big Data และ Data Analytics เหมาะที่จะทำการวิเคราะห์และค้นหาหัวข้อการวิจัยในมุมนี้
    .
    การวิจัยแบบ Data-driven research จะแตกต่างจาก Problem-drive research คือ จะเป็นการวิจัยที่ทำการเก็บข้อมูลหรือใช้ข้อมูลที่มีอยู่แล้ว (Big Data) ทำการวิเคราะห์ข้อมูลก่อนที่ Specific problem จะถูกพัฒนาขึ้น บางครั้งอาจใช้การ Explore เช่นใช้ Cluster analysis แบ่งกลุ่มหรือดู Pattern ของข้อมูลแล้วพยายามอธิบาย
    .
  2. Problem-drive Research คือ การหาหัวข้อวิจัยโดยผลักดันจากปัญหาที่เกิดขึ้นในการปฏิบัติและพยายามหาคำตอบ และใช้แนวคิดการวิจัยจากแนวปฏิบัติมาพยายามปรับปรุงการทำงานที่กำลังทำอยู่ คิดคำถามวิจัยจาก Practical Problem เช่นจำทำอะไรที่แตกต่างจากเดิมเพื่อให้ดีขึ้น การทำแตกต่างจากเดิมต้องอาศัยกลไกใดบ้าง ออกแบบการวิจัยตามปัญหาที่ต้องการหาคำตอบ เป็นการทำวิจัยในเชิงปฏิบัติที่นำไปสู่แนวคิดหรือโมเดล
    .
    อย่างไรก็ตามไม่ว่าจะเป็น Data-driven หรือ Problem-driven Research ถ้าจะเป็นการวิจัยเชิงวิชาการที่ตีพิมพ์ในวารสารวิชาการ ก็จำเป็นอย่างยิ่งที่จะต้องทักถอทฤษฎีที่เกี่ยวข้องเพื่ออธิบายหรือสร้าง Argument ของปรากฎการณ์หรือแนวคิดการวิจัยที่เกิดขึ้น ถ้าปราศจากส่วนสำคัญนี้ก็จะไม่เป็นงานวิจัยเชิงวิชาการที่สมบรูณ์ คำนี้สำคัญ คือคำว่า “Merging Theory to Practice”
    .
    (อย่าเข้าใจผิดว่า Problem หรือ Data-driven research คือการละเลยทฤษฎี)
    .
    ส่วนอีกแบบหนึ่ง คือ Theory-driven Research แบบนี้ คือ หลักทั่วไปของงานวิจัยเชิงวิชาการที่เริ่มต้นจากการ Challenge Assumption ของทฤษฎีที่มีอยู่ พยายามหาช่องว่างของการสร้าง argument จากทฤษฎีในปัจจุบัน แบบนี้จะสร้าง Contribution ทางทฤษฎีได้มาก อย่างไรก็ตามแบบนี้ก็ยังเป็นแบบที่ครบถ้วนในการทำวิจัยเชิงวิชาการ
    .
    สาเหตุของข้อเขียนวันนี้ สืบเนื่องจากมีอาจารย์หลายท่านมักถามว่าจะทำอย่างไรดีถ้าต้องทำวิจัยในเชิงปฏิบัติจะด้วยสาเหตุใดใดก็ตาม เช่น เข้าไปช่วยองค์การในการปรับปรุงการทำงานแก้ปัญหาเชิงปฏิบัติ และจะทำยังไงต่อถ้าอยากจะไปตีพิมพ์ในวารสารวิชาการ และขอตำแหน่งวิชาการ
    .
    คำตอบ คือ ไม่มีปัญหาและเป็นไปได้ ที่ให้ Problem หรือ Data -driven ก่อน แต่จะต้องมีส่วนที่สำคัญ คือ ส่วนที่นำเอาทฤษฎีที่เหมาะสมมาอธิบายคำตอบที่ได้จากการวิเคราะห์ข้อมูลหรือ Practical problem ที่เกิดขึ้น
    .
    ปัจจุบันแนวทางการวิจัยขยับออกไปมากขึ้นสู่ Practical-based โดยเฉพาะในยุคของ Data Analytics
    .
    ลองอ่านบทความนี้ โดย Simchi-Levi (2013) ที่อ้างอิงถึงกันดู
    .
    .
    Ref:
    Simchi-Levi, D. (2013). Om forum—om research: From problem-driven to data-driven research. Manufacturing & Service Operations Management, 16(1), 2-10.