Bộ lọc trong cơ sở dữ liệu: mỗi lần bấm là một nhóm bài biến mất

Cột bộ lọc bên trái màn hình kết quả là thứ dễ dùng nhất trong mọi cơ sở dữ liệu học thuật. Năm nghìn kết quả, bấm “năm gần đây”, bấm “bài báo”, bấm “tiếng Anh”, còn tám trăm. Nhanh, gọn, và gần như không ai hỏi lại tám trăm bài đó đã mất đi những gì.

Mỗi bộ lọc dựa vào một trường siêu dữ liệu: năm, loại tài liệu, ngôn ngữ, lĩnh vực. Các trường này do nhà xuất bản khai, do cơ sở dữ liệu gán, hoặc do máy suy ra, và không trường nào được điền đầy đủ, đồng đều cho mọi bài. Bộ lọc không loại bài theo nội dung; nó loại bài theo những gì được ghi trong một ô dữ liệu, kể cả khi ô đó trống hoặc sai.

Bộ lọc năm: năm nào mới là năm xuất bản

Một bài báo thường có ít nhất hai mốc thời gian: ngày đăng trực tuyến trước khi vào số, và năm của số tạp chí mà nó được xếp vào. Khoảng cách giữa hai mốc có thể vài tháng, có khi hơn một năm. Mỗi cơ sở dữ liệu chọn một mốc để đưa vào bộ lọc năm, và không phải lúc nào cũng nói rõ là mốc nào.

Hệ quả thực tế:

• Bài đăng trực tuyến cuối năm trước nhưng vào số của năm sau có thể bị loại khi bạn lọc từ năm sau trở đi, hoặc ngược lại.
• Cùng một câu lệnh, cùng một khoảng năm, chạy ở hai nền tảng có thể lệch nhau ở các bài sát mốc.
• Khi cập nhật một tổng quan, nếu bạn lọc chỉ từ năm tìm kiếm lần trước, những bài được cơ sở dữ liệu nhập muộn với năm cũ sẽ lọt khe.

Cách an toàn: khi đặt mốc năm cho tìm kiếm chính thức, lùi mốc bắt đầu thêm một năm so với mốc lý thuyết, rồi loại các bài nằm ngoài phạm vi ở bước sàng lọc. Khi cập nhật tổng quan, tìm lại từ trước ngày tìm kiếm lần đầu một khoảng rồi loại trùng với tập cũ, thay vì lọc đúng từ ngày đó.

Bộ lọc loại tài liệu: một bài nghiên cứu có nhiều tên

Loại tài liệu (bài báo, bài tổng quan, bài hội nghị, thư, ghi chú, đính chính…) được gán bởi nhà xuất bản hoặc người lập chỉ mục. Các lỗi hay gặp:

• Bài nghiên cứu ngắn bị xếp là thư hoặc ghi chú, nhất là ở các tạp chí có mục báo cáo ngắn.
• Bài tổng quan bị xếp là bài báo thường và ngược lại; một số cơ sở dữ liệu tự gán nhãn tổng quan dựa vào số lượng tài liệu tham khảo hoặc từ trong tiêu đề.
• Bài hội nghị đăng lại trong tạp chí có thể mang cả hai nhãn hoặc một nhãn ngẫu nhiên.
• Bản thảo trước khi phản biện trong một số nền tảng được xếp riêng, và bị loại hết khi bạn chỉ chọn “bài báo”.

Nếu bạn dùng bộ lọc “chỉ bài báo” để bỏ bớt nhiễu, hãy dành mười phút xem phần bị loại. Chạy câu lệnh hai lần, có và không có bộ lọc, dùng NOT để lấy riêng phần chênh lệch, lướt vài chục tiêu đề. Nếu trong đó có bài nghiên cứu đúng chủ đề, bộ lọc đang loại oan và bạn cần cân nhắc bỏ nó.

Bộ lọc ngôn ngữ: loại mà không để lại dấu vết

Ngôn ngữ của bài thường được khai đúng hơn các trường khác, nhưng vấn đề nằm ở chỗ khác. Lọc ngôn ngữ ngay ở câu lệnh nghĩa là những bài bị loại không bao giờ đi vào tập dữ liệu của bạn. Bạn không biết có bao nhiêu bài, chúng đến từ đâu, và chúng có thay đổi kết luận hay không.

Với tổng quan có hệ thống, cách làm phổ biến được khuyến nghị là không lọc ngôn ngữ ở bước tìm, mà ghi nhận ở bước sàng lọc: những bài phù hợp nhưng không đọc được vì ngôn ngữ được đếm riêng và nêu trong báo cáo. Như vậy người đọc biết phạm vi thật của tổng quan, và bạn biết mình đang bỏ qua điều gì.

Có một điểm cần biết thêm với tài liệu tiếng Việt: nhiều bài trong tạp chí trong nước có tóm tắt tiếng Anh, và một số cơ sở dữ liệu ghi ngôn ngữ theo tóm tắt chứ không theo toàn văn. Lọc “tiếng Anh” vì thế có thể giữ lại những bài mà bạn sẽ thấy toàn văn là tiếng Việt, và ngược lại.

Bộ lọc lĩnh vực: loại theo tạp chí, không theo bài

Ở nhiều cơ sở dữ liệu, lĩnh vực không được gán cho từng bài mà cho tạp chí. Mọi bài trong một tạp chí y học nhận nhãn y học, dù bài đó thực chất nghiên cứu kinh tế y tế hay hành vi xã hội. Một bài về giáo dục sức khoẻ đăng trên tạp chí giáo dục sẽ không mang nhãn y học.

Với đề tài nằm gọn trong một ngành, bộ lọc lĩnh vực là cách thu hẹp nhanh để đọc thử. Với đề tài liên ngành, đây là bộ lọc nguy hiểm nhất, vì phần bị loại thường chính là phần mang góc nhìn khác mà bạn cần. Nếu buộc phải giảm số kết quả, hãy làm điều đó bằng cách thắt chặt câu lệnh (thêm một khối khái niệm, chuyển từ khoá sang trường tiêu đề) thay vì cắt theo ngành.

Bộ lọc truy cập mở và bộ lọc có toàn văn

Lọc “chỉ truy cập mở” hay “chỉ có toàn văn” là thói quen hiểu được khi bạn không có quyền đọc mọi thứ. Nhưng nó biến tập kết quả của bạn thành một mẫu thiên lệch: thiên về những tạp chí có mô hình truy cập mở, những lĩnh vực có quy định công bố mở chặt, những nhóm có kinh phí trả phí xuất bản.

Cách làm đúng là tìm không lọc, chọn bài theo nội dung, rồi mới tìm đường đọc toàn văn cho những bài đã chọn. Nhiều bài không mở ở trang nhà xuất bản vẫn có bản hợp pháp ở kho lưu trữ của trường hoặc trên trang cá nhân tác giả; bộ lọc truy cập mở của cơ sở dữ liệu không phải lúc nào cũng nhận ra các bản này.

Một quy trình kiểm tra bộ lọc mất mười lăm phút

1. Chạy câu lệnh không bộ lọc, ghi số kết quả.
2. Bật từng bộ lọc một, ghi số kết quả sau mỗi bộ lọc. Bộ lọc nào làm mất nhiều bài nhất là bộ lọc cần kiểm kỹ nhất.
3. Với bộ lọc đó, lấy phần bị loại bằng NOT hoặc bằng cách xuất hai tập và so.
4. Lướt ba mươi đến năm mươi bản ghi trong phần bị loại. Đếm xem có bao nhiêu bài mà bạn sẽ giữ lại nếu sàng lọc bằng tay.
5. Nếu con số đó khác không, quyết định: bỏ bộ lọc và chịu sàng lọc nhiều hơn, hay giữ bộ lọc và ghi rõ giới hạn trong phần phương pháp.

Kiểm tra với bộ bài mốc cũng có tác dụng ở đây: nếu một bài mốc biến mất sau khi bật bộ lọc, mở bản ghi của nó ra xem trường nào làm nó bị loại.

Bộ lọc nhóm đối tượng và thiết kế nghiên cứu

Một số cơ sở dữ liệu có bộ lọc theo nhóm tuổi, giới, loài (người hay động vật) và theo thiết kế nghiên cứu. Những bộ lọc này thường dựa vào đề mục chủ đề do người lập chỉ mục gán. Hệ quả là chúng chỉ hoạt động với những bài đã được lập chỉ mục. Bài mới nhập, chưa có đề mục, sẽ bị loại hết khi bạn bật bộ lọc nhóm tuổi, dù trong tóm tắt ghi rõ đối tượng là trẻ em.

Bộ lọc thiết kế nghiên cứu còn có thêm một vấn đề: nhãn do nhà xuất bản hoặc người lập chỉ mục gán không phải lúc nào cũng khớp với thiết kế thật. Một nghiên cứu tự gọi là thử nghiệm nhưng không có nhóm chứng ngẫu nhiên vẫn có thể mang nhãn thử nghiệm; một thử nghiệm được báo cáo trong bài có tiêu đề khiêm tốn có thể không mang nhãn nào.

Nếu câu hỏi của bạn thật sự chỉ quan tâm một thiết kế, cách làm được nhiều nhóm tổng quan dùng là kết hợp câu lệnh với một bộ lọc tìm kiếm đã được kiểm định về độ nhạy cho đúng nền tảng đó (một khối từ khoá viết sẵn, không phải nút bấm), rồi kiểm tra lại thiết kế ở bước đọc toàn văn. Với nhóm tuổi, thêm một khối từ khoá tự do về nhóm tuổi nối OR với bộ lọc, để bài mới chưa có đề mục vẫn được giữ lại.

Khi nào bộ lọc là lựa chọn đúng

Không phải lúc nào cũng phải tránh bộ lọc. Có những việc mà bộ lọc làm tốt và không cần cân nhắc nhiều:

• Đọc thử để định hướng. Khi bạn mới bắt đầu một đề tài và chỉ cần vài chục bài gần đây để hiểu lĩnh vực đang bàn gì, lọc năm và loại tài liệu là cách hợp lý.
• Tìm một bài cụ thể bạn nhớ mang máng. Lọc theo năm, theo tạp chí giúp thu hẹp nhanh.
• Phạm vi đã được đề cương quy định rõ, ví dụ chỉ xét các nghiên cứu sau một mốc thay đổi chính sách. Khi đó vẫn nên lùi mốc một chút và ghi lại.

Ranh giới nằm ở mục đích. Nếu bạn cần tìm đầy đủ, bộ lọc là một quyết định phương pháp phải được giải thích. Nếu bạn chỉ cần tìm đủ dùng, bộ lọc là công cụ tiện lợi.

Ghi lại bộ lọc như một phần của câu lệnh

Trong lịch sử tìm kiếm của nhiều nền tảng, bộ lọc bấm từ cột bên trái không hiện trong chuỗi câu lệnh. Nếu bạn chỉ chép chuỗi câu lệnh vào báo cáo, người khác chạy lại sẽ ra một con số khác hẳn. Hãy ghi bộ lọc như một phần không tách rời: tên bộ lọc, giá trị đã chọn, thứ tự áp dụng, số kết quả trước và sau.

Nếu nền tảng cho phép viết bộ lọc thành mã trường ngay trong câu lệnh (ví dụ giới hạn năm hoặc loại tài liệu bằng cú pháp), nên viết như vậy thay vì bấm. Câu lệnh khi đó tự mang đầy đủ thông tin, chép sang đâu cũng không mất phần lọc.

Câu hỏi thường gặp