Ngay khi đợt dịch mới bắt đầu đạt đỉnh ở Vũ Hán, các bạn Trung Quốc đã thử nghiệm vô số cách thức điều trị, thuốc cho SARS, cho H1N1, HIV, sốt rét, thậm chí cả thuốc Đông Y để bổ trợ. Trong số đó có nhắc đến việc sử dụng hydroxychloroquine, một loại thuốc trị bệnh sốt rét. Câu chuyện về nó ban đầu râm ran nhưng rồi trở nên ầm ĩ khi Trump nhắc đến trong cuộc họp tóm tắt tình hình thường ngày ở Nhà Trắng vào ngày 19/03/2020, thúc giục người Mĩ sử dụng nó để chữa Covid-19: "Có gì để mà mất? Thử nó đi". Chủ nhật, ngày hôm sau, ông thúc giục việc bỏ qua việc thử nghiệm lâm sàng và khi được hỏi về lý do thúc đẩy một phương pháp chữa trị chưa được kiểm chứng, ông nói: "Ở Pháp, họ đã có thử nghiệm cho kết quả tốt". Vậy là câu chuyện dẫn về một nghiên cứu ở nước Pháp.

Con đường từ một nghiên cứu nhỏ ở Marseilles đến những người có ảnh hưởng ở Silicon Valley, kênh Fox News rồi Nhà Trắng bày ra trước mắt chúng ta những bài học sâu sắc tinh tế về công việc nghiên cứu khoa học và mối liên hệ qua lại của chúng với cuộc sống thực tế. Qua một số tìm hiểu cơ bản, tôi bất ngờ là làm thế nào mà một nghiên cứu được thực hiện ngớ ngẩn, đầy rẫy những sai lầm không khó để nhận ra đối với những người làm nghiên cứu nghiêm túc lại có thể đi xa đến thế. Tại sao thay vì vứt vào sọt rác nó lại được nhắc đi nhắc lại trong vô số cuộc tranh luận ở khắp nơi trên thế giới. Bạn hãy cùng tôi đi tìm hiểu kĩ hơn để biết được rằng câu chuyện hóa ra không hề đơn giản như chúng ta tưởng ban đầu.

Vào đầu tháng ba, nhóm nghiên cứu của Raoult ở IHU Méditerranée Infection (tiếng Pháp: Institut hospitalo-universitaire en maladies infectieuses de Marseilles) đã làm một thực nghiệm để tìm hiểu xem việc sử dụng hydroxychloroquine riêng hay có kết hợp với azithromycin có chữa được Covid-19 hay không. Đúng ra thì con đường trưởng thành của một nghiên cứu khoa học nói chung là như sau.

Nó trước hết được trình bày thành một bài báo khoa học, gửi đăng (submit) vào hội nghị hay tạp chí khoa học. Mục đích là để được chấp nhận (accept) xuất bản trong kỉ yếu hội nghị hay trong tạp chí, từ đó công bố rộng rãi đến cộng đồng khoa học. Để kiểm soát chất lượng, bài báo phải vượt qua phản biện chéo (peer review) bởi các chuyên gia trong ngành. Lúc này, từ những lỗi nhỏ nhặt như sai chính tả, hành văn lủng củng cho đến những lỗi nặng như sai về thiết kế thực nghiệm, cách thức xử lý số liệu, cách thức đưa ra kết luận... đều phải được mổ sẻ, đưa ra tranh luận và đề nghị sửa chữa khắc phục. Có những bài báo bị loại bỏ ngay từ đầu vì nghiên cứu trình bày có những sai lầm cơ bản không thể sửa chữa. Có những bài báo chỉ được chấp nhận sau khi trải qua nhiều vòng phản biện, nhiều lần khắc phục những điểm yếu, bổ sung những thực nghiệm mới hay thậm chí gần như làm lại thực nghiệm từ đầu.

Quá trình trên có thể mất rất nhiều thời gian từ vài tháng đến hàng năm. Nhưng đó mới chỉ là khởi đầu. Khi được đăng, nghiên cứu vẫn chỉ được đảm bảo chất lượng dựa trên trình độ của một số ít người phản biện, uy tín của ban biên tập, uy tín của nơi xuất bản. Có rất nhiều bài báo sau khi công bố đã bị phát hiện có những sai lầm cơ bản không thể sửa chữa, bị rút lại (retract). Có vô số những bài báo có chất lượng chỉ đủ để vớt qua vòng phản biện của những tạp chí hạng thấp, dần chìm vào quên lãng.

Với tôi, mục đích cuối của nghiên cứu khoa học không dừng ở đó. Giá trị của nó cần được toàn cộng đồng khoa học ghi nhận, rồi có những nghiên cứu mới phát triển dựa trên hướng đi mà nó chỉ ra. Ở mức cao hơn nữa, phát hiện của nó ghi tạc vào tài nguyên tri thức của nhân loại, giá trị của nó được chứng tỏ trực tiếp hoặc gián tiếp qua những áp dụng rộng rãi trong thực tế cuộc sống xã hội này. Nghĩa là, bài báo đó sẽ phải trải qua một quá trình phản biện lâu dài của cả cộng đồng nghiên cứu và thực tiễn cuộc sống để đạt được tới bước phát triển cuối cùng. Quá trình phản biện chéo để được đăng tạp chí vì thế có thể coi là một bước sàng lọc ban đầu.

Quá trình truyền thống trên không hề hoàn hảo. Mọi người vẫn đang tìm cách cải thiện vì những lý do như quá rườm rà gây mất thời gian và vẫn ẩn chứa tiêu cực. Nhưng đó là sẽ nằm trong một câu chuyện khác tôi sẽ kể bạn sau.

Quay trở lại câu chuyện chính. Trong giai đoạn dịch bệnh khẩn cấp, có nhiều nhóm nghiên cứu liên quan đến Covid-19 đã chọn công bố rộng rãi ở dạng trước in (preprint), nghĩa là bỏ qua bước sàng lọc trên. Sẽ không có gì đáng nói nếu nó vẫn được cẩn trọng trải qua việc phản biện mở (open review) của toàn cộng đồng khoa học. Sự khác biệt là giờ đây chúng đi thẳng đến môi trường phổ thông đại chúng bình dân. Những kết luận có thể đúng có thể sai nhưng chưa được nhìn nhận đánh giá nghiêm khắc của những người có chuyên môn có thể gây ra nhiều tác hại khôn lường như bị chính trị gia lợi dụng để tuyên truyền, bị bóp méo thành tin giả để phát tán hoặc bị đơn giản hóa thành các chỉ dẫn sai và áp dụng đại trà. Đó là những rủi ro đáng kể phải tính tới. Dẫu sao các nhóm nghiên cứu như nhóm ở đại học hoàng gia London trong tình thế bất khả kháng đã buộc phải lựa chọn con đường đi này.

Nhưng ở đây có vẻ như sự lựa chọn của Raoult thì không trong sáng như thế. Sau khi hoàn thành thực nghiệm ban đầu, bằng cách nào đó, Raoult đã có được Gregory Rignano như một nhà quảng bá hiệu quả. Ông luật sư này xuất hiện trên Fox News với tư cách là cố vấn của trường dược Stanford để nói chuyện về phương pháp chữa này, khẳng định "100% là tỉ lệ chữa khỏi coronavirus". Rigano viết một tài liệu chia sẻ trên Google Drive cổ vũ việc sử dụng chloroquine với James Todaro, một nhà đầu tư chuỗi khối (blockchain) có bằng dược ở trường Columbia nhưng bỏ không hành nghề. Tài liệu ban đầu có đồng tác giả thứ ba, một nhà sinh học nghỉ hưu, người đã phủ nhận không biết gì về chuyện này khi được Wired hỏi. Tài liệu này được chế bản cho giống một bài báo nghiên cứu, đã tìm thấy độc giả ở tầng lớp thượng lưu của Silicon Valley. Nó được nhiều nhà đầu tư có ảnh hưởng chia sẻ rồi đến tay một ông trùm trong lĩnh vực lan truyền ảnh hưởng: Elon Musk. Vào ngày 16 tháng 3, ông ta tweet đường dẫn đến tài liệu cho 33 triệu người theo dõi mình. Khi câu chuyện đã đến Fox News, Silicon Valley thì sau đó chỉ còn là vấn đề thời gian để nó vòng đến Nhà Trắng, rơi vào tay trùm cuối Donald Trump.

Luồng thông tin dội trở ngược lại nước Pháp. Dân chúng Pháp đam mê tán phét và tranh luận không thể nào bỏ qua chủ đề này. Nó được bàn luận trên khắp các kênh truyền hình, ví dụ như ở LCI lci (tiếng Pháp), hay báo chí, ví dụ như trên báo Le Monde lemonde1 (tiếng Pháp). Bạn có thể bắt gặp được gần như tất cả các kiểu luận điểm của tất cả mọi người đến từ tất cả các ngành nghề khác nhau. Thậm chí tổng thống Pháp Macron vào giữa tháng 4 cũng bất ngờ ghé thăm phòng thí nghiệm của Raoult và nêu quan điểm, xem Le Parisien leparisien (tiếng Pháp). Trừ phi có những nhà khoa học có uy tín được tin tưởng, được lắng nghe, những cuộc tranh luận đại chúng công cộng ngang hàng này không giúp ai tìm đến được sự thật vì nó không hề mang tinh thần khoa học. Đôi khi tôi bắt gặp những nhà khoa học chân chính hiền lành vụng về cố gắng trong cô đơn bảo vệ quan điểm khoa học của mình trước số đông và thấy được sự đồng cảm lớn. Không ít lần tôi cũng bị ở trong hoàn cảnh kiểu như vậy rồi. Nhưng cũng cần phải nhấn mạnh rằng tôi không hề có ý định tạo cảm giác thiện ác đối đầu giữa một bên là thiểu số các nhà khoa học chân chính và một bên là đa số quần chúng nhân dân dốt nát. Mỗi cá thể con người đều mang nhược điểm ít nhiều ngu dốt, cảm tính, dễ nhầm lẫn, bảo thủ, dễ tự ái. Với đúng tinh thần khoa học thì những cuộc tranh luận của chúng ta thực chất là cùng hợp lực nhằm chống lại những nhược điểm đó, để dần tìm ra sự thật đang bị ẩn giấu. Để bảo vệ được sự ngay thẳng khoa học như Feynman nói, mỗi người phải thấm nhuần được tinh thần khoa học, một điều không hề đơn giản. Đó trước hết là quá trình liên tục và mãi mãi chống lại những nhược điểm trên ở trong chính bản thân mình chứ không phải là của ai khác.

Cái đáng buồn to lớn nhất chính là khi chứng kiến cuộc nói chuyện đi chệch hướng, luẩn quẩn trong tăm tối của những suy nghĩ hẹp hòi đả kích lẫn nhau, của những luận điểm lòng vòng phản khoa học, mãi không thể nào thoát ra để tìm được đến sự thật như mong muốn.

Tôi lại lan man nữa rồi. Quay trở lại câu chuyện chính. Cộng đồng khoa học không hề yếu nên hiển nhiên với một nghiên cứu nhỏ, làm vội vã, đầy sai lầm cơ bản thì sẽ vấp phải nhiều phê phán về chuyên môn. Nhóm nghiên cứu vì thế hứa hẹn sẽ công bố bài báo theo con đường chính thống và công khai dữ liệu thực nghiệm. Kết quả là bài báo có phản biện chéo "Hydroxychloroquine và azithromycin như là cách điều trị COVID-19: kết quả của thử nghiệm lâm sàng không ngẫu nhiên nhãn mở" (Hydroxychloroquine and azithromycin as a treatment of COVID-19: results of an open-label non-randomized clinical trial) sciencedirect được công bố vào ngày 20 tháng 3 ở International Journal of Antimicrobial Agents (IJAA). Ta gọi là nghiên cứu 1. Sau đó là một nghiên cứu tiếp theo được cho là sẽ với thực nghiệm được làm cẩn thận, tỉ mỉ hơn (dù không qua phản biện): "Hiệu ứng lâm sàng và vi sinh của việc kết hợp hydroxychloroquine và azithromycin với 80 bệnh nhân COVID-19 với ít nhất sáu ngày theo dõi tiếp theo: một nghiên cứu quan sát" (Clinical and microbiological effect of a combination of hydroxychloroquine and azithromycin in 80 COVID-19 patients with at least a six-day follow up: an observational study) mediterranee-infection. Ta gọi là nghiên cứu 2. Nghiên cứu 2 sử dụng rất nhiều kết quả của các bệnh nhân của nghiên cứu 1. Rất tiếc nghiên cứu mới vẫn không khắc phục được mấy những sai lầm nghiêm trọng của nghiên cứu cũ nên ở đây tôi sẽ tập trung vào phân tích nghiên cứu 1.

Vào tháng 5, trong bản nháp, tôi đã viết thế này:

Khi đã có đầy đủ hơn thông tin để nhìn lại, các chuyên gia uy tín vào phản biện, mọi sự sẽ thấy khá rõ ràng, câu chuyện sẽ bị chìm dần vào quá khứ. Cuối cùng thì cuộc sống bừa bộn, chúng ta có biết bao những vấn đề mới cần quan tâm, tại sao tôi lại mất thời gian sân si bới móc lại câu chuyện này? Vì tôi không muốn những bài học về nghiên cứu khoa học trong câu chuyện này bị chìm vào quên lãng. Giá trị của chúng mới là điều tôi muốn quan tâm. Chúng có thể sẽ có tác dụng khi bạn và tôi cần nhận xét đánh giá một nghiên cứu để ra quyết định trong một thời gian hạn hẹp. Chúng có thể sẽ có tác dụng khi bạn và tôi muốn tự mình mở mang tâm trí với một chủ đề khoa học nào đó mà chẳng tìm đâu ra người phân tích hộ cho mình. Chúng có thể sẽ có tác dụng khi bạn và tôi đang trực tiếp làm nghiên cứu, cần phải đánh giá các nghiên cứu hiện hành để chọn lựa một hướng đi có tiềm năng nhất trong hoàn cảnh thiếu thông tin, mọi thứ mù mờ. Chúng có thể sẽ có tác dụng khi bạn và tôi đang cố gắng đảm bảo chất lượng công việc nghiên cứu bằng cách tách mình ra liên tục phán xét công việc nghiên cứu của chính mình, với đầu óc phê bình khách quan sâu sắc nhất. Hi vọng là, câu chuyện này sẽ là lời dẫn tuyệt vời để đi đến những câu chuyện nghiên cứu khác.

Bây giờ (vào tháng 6), tôi nhận ra là mình đã quá lạc quan khi nghĩ rằng sau hai tháng, với sức mạnh của cộng đồng nghiên cứu, giá trị của phương pháp chữa trị đã được làm rõ. Thực tế là câu chuyện càng ngày càng trở nên đại chúng hóa, chính trị hóa, mở rộng ở mức độ kịch tính hơn. Rất nhiều nghiên cứu đa dạng tiếp tục được diễn ra, có cả kết quả tích cực lẫn tiêu cực, với đủ loại chất lượng. Tôi thấy rất buồn khi có thêm một số lượng lớn sức lao động và tiền của đã bị lãng phí khi đáng ra có thể dành cho các phương pháp chữa trị có triển vọng khác. Đó cũng là một phần lý do (ngoài việc lười biếng) khiến tôi chậm chễ hoàn thành bài viết này. Tôi nghĩ là tôi cũng phải mở rộng câu chuyện, nghĩa là không dừng ở các nghiên cứu của Raoult mà phải mở rộng chủ đề ra xa hơn.

Chi tiết phản biện nghiên cứu 1

Trước hết, ở phần dưới này tôi sẽ trình bày về cách thức tôi thường phản biện bài báo, với những chi tiết cho riêng bài báo cho nghiên cứu 1 của Raoult.

Đa số các phát hiện dưới đây được tham khảo từ nhiều nguồn như trong danh sách có ở cuối bài. Vì điều kiện hạn chế vì trí nhớ và thời gian nên tôi xin lỗi nếu có một số trích dẫn không được thực hiện chi tiết, nghĩa là bỏ qua việc nói điều này được lấy từ mục nào phần nào của bài nào mà chỉ tổng quan ngầm hiểu là từ một trong số bài ở trong danh sách. Các nguồn chính có phản biện của cộng đồng khoa học cho bài báo thứ nhất pubpeer1, phản biện của cộng đồng khoa học cho bài báo thứ hai pubpeer2, các bài viết công phu forbetterscience, les-crises1. Do là người ngoài ngành nên rất xin lỗi nếu có một số mô tả hay thuật ngữ chuyên môn viết hay dịch chưa sát. Hi vọng sẽ nhận được góp ý của bạn để có thể dần khắc phục được hết những khuyết điểm này.

Thể loại bài báo

Điều đầu tiên cần xem xét là thể loại bài báo. Nếu bài báo thuộc dạng trước in (preprint) thì bình thường nên chờ qua phản biện, được chấp nhận công bố thì mới đọc. Điều này giúp tránh mất thời gian vào những nghiên cứu kém chất lượng. Ở đây là một trường hợp ngoại lệ do hoàn cảnh dịch bệnh. Nghiên cứu 1 của Raoult trước khi được công bố ở IJAA có thể tạm coi là dạng trước in, sau đó là bài báo tạp chí. Nghiên cứu 2 là trước in.

Nguồn gốc bài báo

Sau đó cần để ý đến nguồn gốc bài báo. Trước hết là việc tạp chí hay hội thảo có uy tín không. Sở dĩ có cả hội thảo vì không phải lúc nào bài báo hội thảo cũng kém hơn tạp chí. Cái này hoàn toàn phụ thuộc vào lĩnh vực. Với toán học thì chỉ có tạp chí nhưng với khoa học máy tính thì nhiều bài báo hội thảo lại được coi có chất lượng cao hơn bài báo tạp chí. Nếu nơi công bố ở thứ hạng thấp thì ta bắt buộc phải tăng độ nghi ngờ. Chú ý là có tồn tại những nơi tệ hại, việc phản biện chéo có thể được thực hiện rất sơ sài, đôi khi bị bỏ qua. Tệ hơn nữa thì quá trình công bố có thể hoàn toàn tiêu cực, nghĩa là người viết bỏ tiền hoặc thông qua mối quan hệ để đăng bài. Có những nơi mà thông tin về sự kém chất lượng hay tiêu cực có thể tìm kiếm dễ dàng. Cũng có lúc để phát hiện được, ta phải mất công để điều tra kĩ hơn. Ở đây, nghiên cứu 1 mặc dù qua phản biện chéo ở IJAA nhưng có một vài dấu hiệu tiêu cực. Thứ nhất là trong số các tác giả có biên tập viên của tạp chí J.M. Rolain và Philippe Colson. Đây là dấu hiệu nhỏ. Thứ hai, nghiêm trọng hơn là quá trình phản biện quá ngắn, theo thông tin bài báo là chỉ trong 1 ngày. Với chỉ riêng điều này, đúng ra đã có thể khẳng định việc có tiêu cực.

Liên quan đến nguồn gốc thì nhóm tác giả và nơi nghiên cứu cũng cần xem xét. Chú ý là với một số tạp chí hay hội thảo tân tiến, khi có điều kiện, có thể áp dụng biện pháp mù đúp (double blind), một biện pháp mạnh để tránh sự thiên lệch. Khi đó ngoài việc người nghiên cứu không biết ai là người phản biện thì người phản biện cũng không biết ai là người nghiên cứu. Tên tác giả và những chi tiết liên quan đến nhóm nghiên cứu đều phải được che đậy trong văn bản khi gửi lên phản biện. Trong trường hợp đó thì nên bỏ qua việc xem xét này. Ở đây, giả sử có thông tin, ta sẽ tìm hiểu xem nhóm tác giả, nơi nghiên cứu có uy tín không. Nếu là xuất phát từ những nước kém phát triển trong riêng ngành đó, ví dụ như khi trong danh sách tác giả của một bài báo về khoa học máy tính, ta toàn thấy tên Trung Quốc, Ấn Độ, Việt Nam thì bắt buộc phải tăng độ nghi ngờ. Vấn đề ở đây không phải là sự phân biệt đối xử hay kì thị mà hoàn toàn là quyết định mang tính thống kê: Các nghiên cứu từ những nơi như vậy thường có chất lượng thấp. Nếu có quá nhiều thời gian rỗi hoặc khi độ nghi ngờ tăng cao trong quá trình phản biện, ta nên làm một cuộc điều tra về phong cách và chất lượng nghiên cứu trung bình của nhóm tác giả, đơn vị nghiên cứu trong lịch sử. Việc này chỉ có thể làm nếu nhóm tác giả hay đơn vị nghiên cứu có tính ổn định cao, hoặc khi chịu ảnh hưởng rõ nét, tập trung từ người đứng đầu. Lịch sử nghiên cứu của nhóm Raoult, rất tiếc, có một số điều tiêu cực. Ở forbetterscience, Elisabeth Bik phát hiện việc sửa chữa hình ảnh, số liệu, bài báo bị gỡ bỏ, hay vào năm 2006 bị American Society for Microbiology (ASM) cấm gửi đăng báo trong một năm sau khi phát hiện có lỗi trong một bài báo gửi đăng. Sẽ là không khách quan khi chỉ nói đến tiêu cực. Lịch sử nghiên cứu của Raoult có một số thành tựu không thể chối bỏ, như có thể tham khảo ở sciencemag. Điểm yếu ở đây là chúng nằm ở lĩnh vực khá khác biệt với nghiên cứu đang phân tích. Có một điều nguy hiểm là khi bạn đạt được thành công trong bất cứ lĩnh vực gì, bạn dễ bị ngủ quên trên chiến thắng, mất đi sự khiêm tốn, ảo tưởng về trí tuệ siêu phàm của bản thân, có xu hướng áp đặt hiểu biết của mình lên mọi thứ, ngay cả với những thứ lệch so với tầm hiểu biết của mình. Đây là điều tối kị với việc bảo vệ ngay thẳng khoa học. Điều này có thể phản ánh qua phát biểu của Raoult về mô hình dịch tễ (epidemic modeling) ở trong cùng bài viết trên với đại ý các nhà mô hình dịch tễ là lang băm, không có ví dụ nào về dịch bệnh truyền nhiễm đã được dự đoán bỏi mô hình.

Cũng phải nói lại lần nữa rằng tất cả những thứ liên quan đến nguồn gốc bài báo ở trên chỉ là thông tin tham khảo, là yếu tố phụ giúp chúng ta thực hiện quá trình phản biện nhanh và chính xác hơn. Ví dụ như từ việc xem xét lịch sử, ta biết được lỗi hay gặp của nhóm tác giả để tập trung xem xét. Tất cả các quyết định phản biện cho bài báo chỉ căn cứ vào nội dung trực tiếp của chính nghiên cứu đó. Một câu hỏi đặt ra là nếu nghiên cứu trong bài báo có sử dụng tài nguyên hay trích dẫn số liệu của nghiên cứu kém chất lượng khác thì chả nhẽ ta lại bỏ qua vì nó đến từ nơi khác, không phải nội dung trực tiếp. Không có gì là mâu thuẫn ở đây vì bản thân cái quyết định sử dụng nằm hoàn toàn trong nghiên cứu, là điểm yếu lớn mà ta quan tâm.

Nguyên tắc, tiêu chuẩn cơ bản cần tuân theo

Bây giờ mới đến phần chính, đi sâu vào nội dung nghiên cứu. Đầu tiên là cần phải đảm bảo những nguyên tắc tổng quan của một nghiên cứu khoa học. Tùy theo mỗi ngành sẽ có tiêu chuẩn cụ thể hơn. Ví dụ như hai tiêu chuẩn vàng của thử nghiệm lâm sàng (clinical trial) là tính mù kép (double blinded) và thử nghiệm được kiểm soát và mang tính ngẫu nhiên (randomized controlled trial RCT). Ở đây, để chứng minh là phương pháp điều trị này hiệu quả, ta sẽ so sánh kết quả điều trị giữa hai nhóm bệnh nhân. Một nhóm được chữa theo cách thông thường, gọi là nhóm kiểm soát (control) và nhóm được chữa theo phương pháp đề xuất, gọi là nhóm điều trị (treatment). Với nguyên tắc kiểm soát ngẫu nhiên, bệnh nhân ở hai nhóm phải được lựa chọn hoàn toàn ngẫu nhiên từ một tập hợp và hai nhóm phải được kiểm soát bằng các phương pháp thống kê, đo lường để được đảm bảo là gần tương đương nhau. Điều này đảm bảo đầu vào của hai đối tượng so sánh là tương đương nhau, có thế phép so sánh mới có nghĩa. Với nguyên tắc mù kép, cả người điều trị (bác sĩ) và người bệnh đều không được biết về loại thuốc chữa. Điều này đảm bảo tránh việc bác sĩ ở giữa chừng tùy theo diễn tiến của bệnh mà can thiệp vào việc điều trị của từng nhóm theo các cách thức khác nhau. Tốt nhất, cách thức chữa trị riêng cho từng nhóm phải được mô tả chi tiết cho từng tình huống từ trước. Lý tưởng, tất cả phải được công bố từ trước. Nghĩa là trong thử nghiệm lâm sàng, việc chữa trị phải được đăng kí trước (pre-registration), công bố công khai nghi thức thử nghiệm (trial protocol) và các sửa đổi sau đó đi kèm lý do, công bố công khai kế hoạch phân tích (analysis plan) và các sửa đổi sau đó đi kèm lý do, đồng ý chia sẻ dữ liệu. Nghi thức thử nghiệm ở đây bao gồm mục đích, thiết kế, phương pháp, cân nhắc thống kê và các khía cạnh khác liên quan đến việc tổ chức thử nghiệm pubmed. Theo tôi, những tiêu chuẩn chặt chẽ này cũng cần phải được áp dụng một cách phù hợp cho các ngành khoa học thực nghiệm như khoa học máy tính, nơi các nguyên tắc về cách thức làm thực nghiệm vẫn đang còn quá lỏng lẻo. Ví dụ ở khoa học máy tính, theo tôi, trước khi làm các thực nghiệm cho bài báo thì các tác giả phải lưu một bản đăng kí thể hiện tất cả các thông tin chi tiết về ý tưởng, cách thức sẽ làm, kì vọng về kết quả ra sao. Sau khi làm thực nghiệm xong, các tác giả viết bài báo với đầy đủ quá trình làm thực nghiệm, kết quả thực nghiệm, các phân tích. Phân tích phải bao gồm tất cả các thông tin tích cực lẫn tiêu cực: cái gì đúng như kì vọng đã đăng kí, cái gì không, các hướng nên tiếp tục, các hướng nên loại bỏ, lý do..., trình bày mọi thứ có thể giống như tinh thần về ngay thẳng khoa học mà Feynman đã nói ở link. Việc đánh giá bài báo khi đó phải căn cứ vào toàn bộ quá trình, từ ý tưởng ban đầu, triển khai thực nghiệm, lấy kết quả, đến phân tích và kết luận. Vấn đề nhức nhối hiện nay là việc đánh giá hiện đang ưu tiên lệch lạc về hướng mọi thứ đều tốt đẹp: kết quả cuối cùng phải tích cực, nghĩa là phương pháp đề xuất bắt buộc phải cho kết quả tốt hơn, ý tưởng luôn đúng đắn. Nó đã ngầm khuyến khích việc lọc bỏ các điều tiêu cực ở tất cả các khâu. Đó không thể là một hệ thống công bố khoa học tốt. Dù sao, đây là một vấn đề lớn nên tôi xin hẹn các bạn ở những bài viết khác để bàn kĩ hơn về vấn đề này.

Hai tiêu chuẩn vàng ở trên đều là thể hiện cụ thể của nguyên tắc nghiên cứu tổng quan hơn: Thực nghiệm phải được thiết kế để giảm thiểu tối đa sự ưu tiên lệch lạc (bias) có thể làm kết quả trở nên vô nghĩa. Không được chủ quan bỏ qua bất kì điều gì dù là nhỏ nhặt nhất. Ví dụ như trong một hoạt động thực nghiệm đo đạc tính toán nào đó sai lầm đặt niềm tin vào một người mà bỏ qua việc kiểm tra chéo. Tất cả các phương pháp đã được chứng minh là hiệu quả trong điều kiện cho phép đều phải được áp dụng. Đây chính là bài học tránh một số bẫy lừa chính mình như trong ví dụ đo điện tích electron ở bài link. Ở đây, con người vì áp đặt mong muốn về khoảng giá trị của đại lượng muốn đo đã vô ý đưa ý kiến chủ quan của mình vào việc lựa chọn kết quả thực nghiệm, nghĩa là cố gắng tìm mọi cách bác bỏ các kết quả được cho là không hợp lý và dễ dàng chấp nhận kết quả được cho là hợp lý. Cũng trong bài viết đó, bài học này cũng được thể hiện trong câu chuyện thực nghiệm với chuột. Ở đây, một yếu tố tưởng nhỏ (âm thanh sàn nhà) nhưng hóa ra lại có ảnh hưởng quan trọng đến việc chuột ghi nhớ đường. Với hiểu biết ban đầu, yếu tố này dễ dàng bị bỏ qua, dẫn đến tất cả các kết luận rút ra trong rất nhiều thực nghiệm có cùng cấu hình đều sai. Chỉ khi Young, bằng phương pháp đúng đắn, mất rất nhiều công sức phân tích, thực hiện các thực nghiệm so sánh một cách cực kì cẩn trọng mới có thể phát hiện ra yếu tố này.

Nghiên cứu của Raoult không tuân theo hai tiêu chuẩn trên. Đây là điều cố ý vì Raoult đã có lần phát biểu trong một bài phỏng vấn được dịch ra tiếng Anh pubpeer3. Ở đó Raoult bác bỏ tất cả các tiêu chuẩn trên, ví dụ: "Tôi chưa bao giờ thực hiện các thử nghiệm ngẫu nhiên [...] Tác dụng của các phương pháp ngẫu nhiên, có thể nó có tác dụng đối với những người bị nhồi máu cơ tim, nhưng với các bệnh truyền nhiễm, nó không có ý nghĩa". Các ý kiến cho thấy một là Raoult không thấm nhuần được chút nào về ngay thẳng khoa học, hai là vì cái tôi cá nhân quá cao nên coi mình đứng trên tất cả, có hiểu biết hơn tất cả để nghi ngờ tất cả tác dụng của các tiêu chuẩn trên.

Hậu quả là, trong nghiên cứu, nhóm điều trị và nhóm kiểm soát được lấy từ hai tập hợp người riêng rẽ: nhóm điều trị là gần như tất cả những bệnh nhân ở trong học viện của nhóm nghiên cứu IHU ở Marseilles, trong khi nhóm kiểm soát là một số ít bệnh nhân còn lại và các bệnh nhân rải rác ở các trung tâm phía nam của nước Pháp (Nice, Avignon và Briançon). Vì ở nhiều nơi với các tổ chức khác nhau, không thể đảm bảo là nghi thức (protocol) chữa trị được tuân theo chính xác: bệnh nhân có thể không được chăm sóc tốt, hoặc đơn giản là được chăm sóc ý tế khác so với kế hoạch. Cả người điều trị và bệnh nhân đều biết về cách thức chữa trị. Tùy thuộc tình hình điều trị thực tế, một trong số được điều trị bổ sung với azithromycin, một loại chống nhiễm khuẩn. Đây là một can thiệp tùy tiện không nằm trong thiết kế từ trước. Chỉ riêng điều này cũng đủ làm vô hiệu toàn bộ kết quả so sánh về sau.

Tiêu chí lựa chọn là các bệnh nhân lớn hơn 12 tuổi, có vi rút ở trong cuống họng. Có ba nhóm bệnh nhân từ nhẹ đến nặng: không triệu chứng (asymptomatic), URTI: người bị viêm mũi, viêm họng, hoặc sốt vừa và đau cơ, LRTI: người bị viêm phổi hoặc viêm phế quản. Ở Marseilles, tất cả các bệnh nhân sẽ ở nhóm điều trị nếu không có bệnh lý đặc biệt (vấn đề về mắt hoặc tim) hoặc không mang thai. Các bệnh nhân bị loại trừ được cho vào nhóm kiểm soát. Việc cố tình sắp xếp một cách tùy tiện này càng làm hỏng sự cân bằng giữa hai nhóm cần so sánh. Việc lệch lạc này được thể hiện rõ qua việc so sánh các thống kê cơ bản giữa hai nhóm, ví dụ độ tuổi của nhóm điều trị trung bình là 51.2 trong khi của nhóm kiểm soát là 37.3 (xem hai bảng bên dưới).

Cách thức làm thực nghiệm, đo lường và báo cáo kết quả

Về mặt thống kê, từ các tham số định trước, các tác giả sử dụng phương pháp Fleiss with CC để tính số lượng bệnh nhân ít nhất cần có là 48 (24 điều trị và 24 kiểm soát). Việc tính toán này như một số người chỉ ra là có thể đã bị sai. Trong thực tế, ngay cả khi con số này đúng thì số lượng bệnh nhân cũng không được đảm bảo, thực tế là 42, và khá lệch giữa hai nhóm, bao gồm 26 trong nhóm điều trị và 16 trong nhóm kiểm soát.

Một yếu tố không kém quan trọng trong thiết kế nghiên cứu là cách thức nhà nghiên cứu lựa chọn đo và báo cáo kết quả, phải làm sao tuyệt đối khách quan. Ở đây, ngoài việc sai lệch so với tiêu chuẩn ban đầu, trong kết quả cuối nhóm nghiên cứu lại cố tình loại bỏ thêm 6 người, trong đó 1 rời bệnh viện vì khỏi bệnh, 1 dừng điều trị do nôn mửa và có 4 người có tình trạng trở nặng (3 người được chuyển đến đơn vị chăm sóc tập trung (ICU), 1 người qua đời). Sáu người này được nhóm nghiên cứu coi là người thất lạc (lost people) trong thử nghiệm lâm sàng, nôm na dùng để chỉ những người bỏ đi vì một lý do nào đó mà không thông báo, không theo việc điều trị đến cuối nên không lấy được kết quả cần thiết. Vấn đề có người thất lạc chỉ thường xảy ra với thử nghiệm quy mô lớn. Trong 6 trường hợp bị bỏ ra ngoài, không có trường hợp nào như vậy. Lý do loại bỏ là vì không thể lấy mẫu xét nghiệm về số lượng vi rút ở cổ họng từng ngày là không chính đáng, vô lý, theo hướng có lợi cho nhóm điều trị vì 4 người trở nặng này đều nằm trong nhóm điều trị. Đúng nguyên tắc, nhóm người này phải được tính là 1 trường hợp khỏi bệnh và 5 trường hợp điều trị thất bại. Việc đúng phải làm ở đây là tìm ra phương pháp hợp lý để phản ánh các trường hợp cực đoan này trong kết quả cuối cùng ngay cả khi không lấy được mẫu xét nghiệm. Hợp lý có nghĩa là phải định ra được độ đo sao cho các trường hợp khỏi bệnh phải có độ đo tốt hơn các trường hợp còn lại, các trường hợp trở nặng phải có độ đo tồi hơn các trường hợp còn lại. Điều này liên quan đến vấn đề tiêu chí chính được trình bày ngay phía dưới.

Một tùy tiện khác là trong đăng kí thử nghiệm, nghiên cứu được mô tả là sẽ đánh giá dữ liệu PCR ở ngày 1, ngày 4, ngày 7, ngày 14 nhưng nghiên cứu lại đưa ra kết quả là ngày 6, khác biệt so với kế hoạch mà không nêu được lý do chính đáng. Nếu không phải là cố tình thì các tác giả đã rơi vào cái bẫy vô tình lựa chọn kết quả đúng theo mong muốn từ trước của mình.

Tiêu chí đánh giá

Tiêu chí đánh giá kết quả cần được định nghĩa rõ ràng từ trước. Tiêu chí chính thường được gọi là điểm cuối chính (primary endpoint), là kết quả chính của nghiên cứu thể hiện sự hiệu quả hay không của phương pháp điều trị. Có thể có các tiêu chí phụ khác nhưng tiêu chí chính là căn cứ duy nhất. Có cái bẫy sẽ mắc vào ở đây nếu các tác giả kết luận dựa trên tiêu chí phụ khi tiêu chí chính không tốt. Đây là lỗi phân tích rõ ràng, vì khi tiêu chí chính là tiêu cực, không thể có kết luận gì nữa. Vai trò của điểm cuối phụ chỉ là hỗ trợ cho thông điệp chỉ ra của điểm cuối chính.

Từ nội dung bài báo, ta thấy trong thử nghiệm này, điểm cuối chính là độ sạch của vi rút (ở đáy mũi (back of the nose)) ở ngày thứ 6 sau điều trị. Các Tiêu chí phụ là: i) xóa sạch vi rút (ở đáy mũi) vào ngày 14; ii) cải thiện kết quả điều trị: nhiệt độ cơ thể, tỉ lệ thở, ngày nằm viện và tỉ lệ tử; iii) sự xuất hiện của hiệu ứng lề (side effect).

Một vấn đề quan trọng là việc định ra điểm cuối chính là không hề tùy tiện, trái lại còn cực quan trọng. Lý tưởng, nó phải thể hiện đúng mục đích cuối cùng, cụ thể ở đây là bệnh nhân có được chữa khỏi bệnh hay không. Nếu hiểu đúng tinh thần này thì việc tìm ra một độ đo đúng đắn hơn điểm cuối chính của nhóm tác giả đã lựa chọn là hoàn toàn khả thi. Khi đó kết quả cuối sẽ có thể bao gồm 6 trường hợp không lấy được mẫu xét nghiệm ở trên. Vì lựa chọn sai nên câu hỏi cần phải trả lời là: "Liệu chloroquine có giúp điều trị và bảo vệ các ca bệnh nặng nhằm cứu mạng người" bị suy biến trở thành câu hỏi: "Liệu chloroquine có giúp cơ thể loại bỏ vi rút ở đáy mũi nhanh chóng hơn". Như nhiều nghiên cứu đã chỉ ra, việc tỉ lệ vi rút giảm hoặc hết ở đáy mũi không chứng tỏ được ca bệnh được chữa khỏi, thậm chí giảm nhẹ. Vi rút có thể vẫn còn đầy ở những bộ phận khác. Mối liên hệ giữa một kết quả xét nghiệm PCR (ta sẽ quay trở lại chi tiết hơn ở phần kết quả) với việc khỏi bệnh theo les-crises1 đã được nhiều nghiên cứu chỉ rõ.

Nghiên cứu jcm đã chỉ ra rằng với 273 mẫu đã chắc chắn có vi rút, được xét nghiệm với phương pháp PCR “RoRp-P2”, kết quả chỉ là dương tính với 28%, nghĩa là tới 72% là âm tính giả. Vì thế các phòng thí nghiệm phải sử dụng nhiều phương pháp khác nhau để giảm sự kém chính xác này.

Báo cáo cdc cũng khẳng định: “Kết quả âm tính là không đủ để bác bỏ sự nhiễm Covid-19 và không nên được sử dụng như một cơ sở duy nhất cho việc điều trị [...]. Kết quả âm tính giả có thể xảy ra với các mẫu xét nghiệm (specimen) được thu thập, vận chuyển, xử lý sai. Kết quả âm tính giả có thể xảy ra nếu các chất ức chế khuếch đại (amplification inhibitor) có mặt trong mẫu vật hoặc nếu không có đủ sinh vật trong mẫu vật. [...] Giá trị tiên đoán dương tính hay âm tính rất phụ thuộc vào tỷ lệ hiện mắc. Kết quả xét nghiệm âm tính giả có nhiều khả năng xảy ra khi tỷ lệ mắc bệnh cao.

Trong les-crises2 có đề cập: “Hiện tại chúng ta thực hiện lấy mẫu ở mũi, nhưng chúng ta biết rằng vi rút không có trong mũi ở mọi giai đoạn của bệnh [...] Một xét nghiệm có thể âm tính mặc dù bệnh nhân có triệu chứng và thực sự bị nhiễm. Điều này là do virus nằm ở sâu hơn nhiều, ví dụ như trong phổi.”

Để minh họa, ta có thể xem bài báo Nature nature với kết quả xét nghiệm PCR của 9 bệnh nhân:

Nghĩa là, lượng vi rút (đo bằng RNA sao chép bởi mL, thang logarit) của 9 bệnh nhân giảm nhanh hơn ở mũi (đường vàng) hơn là ở đờm (sputum) (đường da cam) hay ở phân (stools) (đường xám).

Vì thế, rất khó hiểu cho việc không báo cáo tình trạng lâm sàng (clinical status) của bệnh nhân trong kết quả ngày 6 để biết được rằng họ đã khỏi hay không. Ta hoàn toàn có thể nghi ngờ là rất nhiều bệnh nhân dù có kết quả xét nghiệm PCR với mẫu ở đáy mũi là âm tính đều chưa khỏi bệnh, thể hiện ở việc họ vẫn tiếp tục nằm viện để có kết quả xét nghiệm. Họ khó có thể đã khỏe mà vẫn cố nằm viện chỉ để với mục đích cung cấp mẫu xét nghiệm, cống hiến cho khoa học. Tất nhiên đó chỉ là thêm một nghi ngờ.

Chi tiết kết quả và phân tích

Dù việc câu hỏi có bị suy biến như vậy thì nếu tìm được câu trả lời chính xác, nghiên cứu vẫn có thể có một chút giá trị. Rất tiếc là kết quả và phân tích trong bài báo cũng có rất nhiều vấn đề.

Các độ đo trong bảng là kết quả của việc xét nghiệm, bao gồm 2 bước: lấy mẫu và phân tích PCR. Độ đo này không hề lý tưởng, có sai số. Ngay bước lấy mẫu cũng là công việc phức tạp, cần người có chuyên môn, tiềm ẩn sai sót, ví dụ lấy mẫu với lượng không đủ. Sau đó, ta thực hiện phân tích PCR từ mẫu lấy. Độ đo thể hiện trong bảng không thể hiện "lượng vi rút" mà là số lần ít nhất thực hiện khuếch đại (nhân đôi) số lượng mã gen (genetic code) của RNA của vi rút từ trong mẫu để đạt được lượng đủ lớn (lớn hơn M) để máy đo có thể phát hiện được (dùng fluorrescence). Nếu thực hiện quá một số lần CT nhất định mà vẫn không phát hiện được vi rút thì ta coi là âm tính. Số lần tối đa thực hiện CT này được gọi là ngưỡng quay vòng (cycle threshold - CT). Dù lựa chọn CT là bao nhiêu thì lúc nào cũng sẽ có sai số âm và sai số dương: chọn quá bé sẽ làm cho mẫu dễ dàng được coi là âm tính, và ngược lại, chọn quá cao thì mẫu nào cũng là dương tính hết. Trong nghiên cứu này, CT = 35. Cần chú ý là các kết quả PCR có tham số ngưỡng khác nhau thì không thể so sánh được với nhau.

Bảng kết quả cụ thể:

Ta có thể thấy một số vấn đề nghiêm trọng.

Đầu tiên là sự sai khác so với mô tả ban đầu. Trong bảng kết quả vẫn bao gồm bệnh nhân số 1, 4 có độ tuổi là 10, đúng ra phải loại bỏ vì tiêu chí chọn mẫu là 12 tuổi trở lên.

Có một sự khác biệt rõ ràng giữa bản trước in và bản cuối như Leonid Schneider ở forbetterscience đã chỉ ra:

Việc chỉnh sửa nội dung viết giữa các bản là rất bình thường nhưng việc chỉnh sửa kết quả là một vấn đề nghiêm trọng, cần được giải thích thấu đáo. Lý do là việc lấy kết quả ngay từ lúc đầu đã phải làm rất cẩn thận ở mọi khâu, kể cả khâu tổng hợp cuối thành bảng để phân tích, để giảm thiểu mọi sai sót. Nếu phải chỉnh sửa do phát hiện sai sót thì cần phải quay trở lại tìm hiểu nguyên nhân chi tiết để xem kết quả còn có thể tin tưởng được nữa hay không.

Số liệu không được thể hiện nhất quán, độ đo có lúc chính xác là CT, lúc chỉ thể hiện NEG (tương đương CT = 35), lúc thể hiện POS (CT = ?), lúc thì không có (ND). Quá nhiều số liệu bị thiếu (ND trong bảng). Ngoại trừ Marseilles, các xét nghiệm không được làm hàng ngày. Thậm chí có 5 bệnh nhân không được xét nghiệm vào ngày thứ 6, ngày được chọn để lấy kết quả cho tiêu chí chính. Tại sao bệnh nhân số 6 lại không được xét nghiệm vào ngày 5, 6 khi vẫn nằm viện ở ngay trung tâm Marseilles?

Phương pháp đo không đồng nhất ở các đơn vị nên mới có giá trị chung chung POS, NEG. Có thể giả thiết là nó không được phân tích ở Marseilles mà ở các bệnh viện vùng khác. Không thể dám chắc là PCR được thực hiện với cùng một đoạn mồi (primer) và cùng giá trị CT. Nghĩa là POS (hay NEG) ở các vùng khác không có nghĩa là POS (hay NEG) ở Marseilles.

Phương pháp đo được mô tả sơ sài, lựa chọn giá trị CT = 35 là không dễ lý giải. Mục 3-8-4 les-crise cho thấy CT = 35 là quá thấp, dễ dẫn tới âm tính giả.

Có hiện tượng bất thường về số liệu, khi bệnh nhân có thể âm tính rồi lại dương tính và ngược lại. Điều này chứng tỏ số liệu bị viết sai hoặc là phương pháp đo không đáng tin cậy. Một ví dụ là ở biểu đồ sau:

Mọi người thường chỉ chú trọng vào sự khác biệt giữa hai đường cong, mà không nhận ra sự thật là tỉ lệ dương tính đúng ra chỉ giảm lại có 3 lần tăng lên ở nhóm kiểm soát.
Một điều cũng cần được nói tới là ở đây khoảng tin cậy (confidence interval) cũng bị bỏ qua. Chi tiết về khái niệm này chúng ta sẽ xem vào một bài viết khác. Về cơ bản, nó thể hiện độ sai số của kết quả trong thống kê với lý do có thể đến từ nhiều nguồn. Khi so sánh hai số x, y, ta không so sánh giá trị tuyệt đối của chúng mà thực tế là so sánh hai khoảng [x-e,x+e] với [y-f, y+f]. Nếu ví dụ mặc dù x > y nhưng hai khoảng lại quá chồng lấn lên nhau thì vẫn chưa kết luận được là x > y. Ở đây, khi vẽ lại kết quả bỏ các kết quả không có (ND) và có tính đến độ khoảng tin cậy thì kết quả là ta không kết luận được gì cả, quá nhiều khoảng bao nhau, đè lên nhau.

Một trong những lý do là vấn đề muôn thuở trong thống kê: lượng mẫu quá nhỏ để cho bất cứ kết luận nào có thể được đưa ra.

Kết luận cuối

Với nhiều lựa chọn và chế biến dữ liệu tùy tiện, mang đậm tính chủ quan, kết quả chính của nghiên cứu ở trở thành: Có 36 người còn lại đã hồi phục, và số người nhận được điều trị (nhóm điều trị) hết sạch vi rút nhanh hơn số người không (nhóm kiểm soát). Cụ thể như kết luận trong bài báo: 70% bệnh nhân được điều trị bởi được chữa khỏi vi rút, so sánh với 12.5% với nhóm kiểm soát. Ba kết luận được đưa ra:

i) hydroxychloroquine có hiệu quả trong việc làm sạch vi rút ở đáy múi [...] chỉ trong 3 đến 6 ngày, ở hầu hết các bệnh nhân,
ii) Sự khác biệt này với nhóm kiểm soát bắt đầu ngay từ ngày thứ 3 nhập viện
iii) Những kết quả này là “có tầm quan trọng rất lớn bởi vì một bài báo gần đây đã chỉ ra rằng thời gian trung bình có vi rút ở Trung Quốc là 20 ngày (thậm chí là 37 ngày là khoảng thời gian dài nhất)”.

Kết luận iii quan trọng, liên quan đến việc so sánh với nghiên cứu ở Trung Quốc và có một loạt các vấn đề. Thứ nhất là phải cùng mốc thời gian đếm (ngày hết vi rút tính từ ngày có triệu chứng đầu tiên). Khoảng thời gian từ 3 đến 6 ngày trong nghiên cứu là tính từ ngày điều trị, nghĩa là tương đương 7-10 ngày từ ngày có triệu chứng, đem so với 20 ngày trong nghiên cứu Trung Quốc. Nhưng còn rất nhiều khác biệt khác không thể bỏ qua: số lượng mẫu là khác nhau; hai biến thể vi rút ở hai vùng (dễ là) khác nhau; phương pháp PCR khác nhau vì khác biệt về đầu mồi (primer) và đặc biệt là giá trị CT (35 ở Marseilles và 45 của Trung Quốc); so sánh khác đại lượng, trung vị ở Marseilles so sánh với trung bình ở Trung Quốc.

Nói kĩ hơn một chút về giá trị của CT. Với giá trị CT = 35 thì việc âm tính sẽ xảy ra nhanh hơn với giá trị CT = 45. Để có cảm nhận nào đó với giá trị CT = 35, ta có thể tham khảo kết quả của một nghiên cứu khác:

để thấy rằng thời gian trung bình là 8-9 ngày, gần như tương ứng với giá trị 7-10 của nghiên cứu. Cần nhấn mạnh rằng việc so sánh chính xác là không thể vì dù dùng cùng giá trị CT, các cấu hình xét nghiệm khác nhau sẽ dẫn tới kết quả nhiều khả năng là khác nhau với cùng một mẫu xét nghiệm.

Nghiên cứu 2 sử dụng nhiều kết quả của nghiên cứu 1 và vấp phải nhiều sai lầm tương tự. Chi tiết có thể đọc thêm ở Twitter của Lu Chen twitter1.

Lạm bàn

Dưới đây là một số vấn đề bàn thêm cũng như bài học rút ra trong trường hợp này.

Để tránh nội dung quá dài, có một số vấn đề tiêu cực tôi không muốn đề cập đến nhiều. Một là ở đây rất có thể còn có mâu thuẫn lợi ích khi Sanofi, nhà sản xuất chloroquine, là một trong những đối tác của viện nghiên cứu. Một vấn đề khác là liệu thử nghiệm này có là phạm luật. Các vấn đề này được xem xét rất chi tiết ở trong các tài liệu tham khảo.

Ta cũng có thấy sai trái ngay ở trong tư tưởng của một số nhà làm nghiên cứu.

Việc ngụy biện cho việc không có thời gian để làm tỉ mỉ, cẩn thận trong khi kết quả vì dịch bệnh đang cần rất gấp là rất nguy hiểm. Đúng là cần kết quả gấp nhưng kết quả phải đúng. Kết quả sai sẽ dẫn đến tai hại khôn lường. Đa số các nghiên cứu gấp gáp không qua phản biện dạng này về sau nhìn lại sẽ là rác, hoàn toàn vô dụng. Một số bài, ví dụ như acpjournals, đã chỉ ra những tác hại chính như là: các chính phủ, nhà chính trị, cá nhân hiểu sai hoặc cố tình hiểu sai cổ vũ cho việc sử dụng hydroxychloroquine để chữa trị, cá biệt có vụ gây chết người; quá tập trung tiền của và thời gian cho việc nghiên cứu về loại thuốc này trong khi còn có các hướng điều trị khác tiềm năng hơn; gây ra sự thiếu hụt về các loại thuốc có chứa hydroxychloroquine trên thị trường, nghĩa là thiếu thuốc cho các bệnh nhân cần đến.

Nghiên cứu khoa học không phải là chia ra hai phe rồi đấu tranh đúng sai. Nếu giả sử sau này phương pháp chữa trị này được chứng tỏ là đúng thì cũng không hề làm các nghiên cứu của Raoult về vấn đề này từ vô giá trị quay trở lại có giá trị. Thái độ của Philippe Gautret trong các cuộc phỏng vấn như ở lci hoàn toàn thể hiện tính coi đồng nghiệp như kẻ thù đang tấn công mình, ganh đua, bè phái phản khoa học. Rộng hơn, việc tranh luận tính đúng sai của nghiên cứu phải tập trung vào nội dung chính của nó. Không thể lan man dùng các kết quả khác thực chất là không liên quan để khẳng định giá trị của nghiên cứu. Ví dụ luận điểm so sánh tỉ lệ chữa khỏi ở vùng Marseilles và các nơi khác ở Pháp. Tỉ lệ này không có nghĩa vì có thể ở Marseilles tỉ lệ chữa khỏi cao do xét nghiệm diện rộng và điều trị cho cả các ca không có triệu chứng. Việc bám vào một so sánh giữa hai nhóm với quá nhiều yếu tố tác động và còn vô kiểm soát hơn nữa càng cho thấy là sự hiểu biết sai trái phản khoa học của nhóm nghiên cứu này.

Môi trường nghiên cứu của nhóm nghiên cứu này thực chất đã bị nhiễm độc. Điều này một lần nữa chứng tỏ ngay cả ở những nước phát triển vẫn có thể tồn tại những môi trường độc hại cho khoa học. Có thể kể đến một trường hợp khác tiêu biểu là phòng thí nghiệm của cựu giáo sư đại học Cornell Brian Wansink với loạt bài báo pizza nổi tiếng npr. Tôi hứa sẽ viết về nó trong một dịp khác. Không hiếm những môi trường như thế ở khắp nơi trên thế giới đâu. Cũng vì thế, rất tiếc việc sang Tây làm việc một thời gian cũng không hề đảm bảo là sẽ thấu hiểu được tinh thần khoa học.

Có một luận điểm cũng khá nguy hiểm là tách biệt việc thực hành chữa trị của bác sĩ với việc nghiên cứu của các nhà khoa học liberation (tiếng Pháp), lemonde2 (tiếng Pháp). Mở rộng ra thì đây là mối quan hệ với thực tế tức thời và nghiên cứu xa xôi hơn. Con người, với bản tính tùy tiện, dễ thay đổi, dễ sai lầm, dễ bị đánh lừa, chỉ có thể may mắn dùng linh cảm, hay trực giác của mình đưa ra được quyết định đúng, giải quyết được vấn đề trong một số ít lần. Đề cao linh cảm, hay trực giác, là đề cao sự tùy tiện, về dài hạn, chính là kẻ thù cản trở sự tiến bộ lâu dài. Chủ đề lớn nên tôi sẽ quay trở lại trong các bài viết khác.

Theo dự định lúc ban đầu, để nhấn mạnh cho việc phải tuyệt đối cẩn trọng và giữ thái độ khách quan với các nghiên cứu trước in, dù cho kết quả là tích cực hay tiêu cực với việc chữa trị sử dụng hydroxychloroquine, tôi định áp dụng việc phản biện này cho một số bài báo khác, ví dụ như nghiên cứu của nhóm tác giả Trung Quốc medrxiv cho kết quả tích cực hay nghiên cứu ở Mỹ pmc cho kết quả tiêu cực. Một nghiên cứu được Lancet phản biện, xuất bản rồi rút lại ở đây lancet đã trở thành một câu chuyện tiêu biểu hơn cả. Nó khiến cho việc viết về những nghiên cứu kia không còn cần thiết. Nghiên cứu này được cho là đã sử dụng dữ liệu khá lớn của công ty Surgisphere đến từ bệnh viện ở nhiều nơi trên thế giới để bác bỏ tác dụng của hydroxychloroquine. Nó đã gây ra nhiều ảnh hưởng lớn, một trong số đó là những quyết định của WHO ra cảnh báo tạm dừng mọi thử nghiệm với hydroxychloroquine rồi lại rút lại cảnh báo này. Với một nghiên cứu cho kết quả ngược lại với các nghiên cứu của Raoult nhưng có chất lượng tồi tệ không kém, tôi chắc chắn phải có một bài viết riêng để đối sánh. Chi tiết về vụ việc bạn có thể xem trước ở bài viết này respectfulinsolence.

Lời kết

Tôi không hề có ý định viết một bài dài như thế. Nhưng thực sự là có quá nhiều điều để nói. Câu chuyện cứ kéo dài ra mãi nên cho đến hôm nay câu chuyện mới coi như tạm hoàn thành. Tôi rất vui nếu các bạn kiên trì đọc được đến những dòng cuối này. Hẹn gặp lại trong những câu chuyện khoa học khác.

Tài liệu tham khảo

lci
[lemonde]
leparisien
sciencedirect
mediterranee-infection
les-crises1
les-crises2
forbetterscience
guardian1
guardian2
pubpeer1
pubpeer2
pubpeer3
pubpeer3
jcm
cdc
nature
twitter1
medrxiv
npr
acpjournals
pmc
lancet
respectfulinsolence
liberation
lemonde2

Điều khác nhất với những thứ tôi thường hay làm là độ cẩn trọng trong việc làm thực nghiệm. Một thực nghiệm tin học thông thường tôi vẫn làm nếu dẫn đến kết luận sai thì cùng lắm cũng chỉ gây khó chịu cho người dùng. Hơn nữa, chúng thường sẽ được phát hiện sớm, rồi ta có rất nhiều cơ hội để sửa chữa. Một thực nghiệm dịch tễ học nói riêng hay y học nói chung mà bị làm sai, dẫn tới việc đưa ra những kết luận nhầm lẫn, có thể ảnh hưởng sâu sắc đến sức khỏe con người, đôi khi là không thể sửa chữa.

Một điểm khác biệt nữa là về độ lớn của dữ liệu trong thực nghiệm. Đọc một số tài liệu nghiên cứu về dịch tễ học, tôi thấy sự chênh lệch là một trời một vực: Một bên là tin học giờ đây hay được tính bằng triệu, bằng tỉ, một bên là dịch tễ học chỉ thường tính bằng trăm, bằng ngàn. Chính điều này càng thôi thúc tôi tìm hiểu quá trình làm thực nghiệm để đưa ra một kết luận mang tính quan trọng dựa trên một bộ dữ liệu nhỏ sẽ phải như thế nào. Sự cẩn trọng, ngay thẳng khoa học được thể hiện ra sao.

Lúc đó tôi không hề biết rằng chỉ vài tháng sau đã có rất nhiều sự kiện liên quan diễn ra, với rất nhiều dữ kiện phong phú và sâu sắc để nghiên cứu và phân tích. Dịch Covid-19, một điều không mong muốn, đã xuất hiện và thay đổi toàn thế giới.

Câu chuyện có khởi điểm chỉ là một bệnh dịch mang tính địa phương cục bộ Trung Quốc, tiến triển nhanh chóng thành một đại dịch nghiêm trọng trên toàn thế giới. Vai trò khoa học phía sau và sự ảnh hưởng của nó từ mờ nhạt dần hiện nên rõ ràng. Sống trực tiếp trong câu chuyện đó hiển nhiên mang lại những trải nghiệm lớn về khoa học. Mỗi đất nước với hệ thống chính trị của riêng mình, hệ thống y tế của riêng mình, nền tảng nghiên cứu khoa học của riêng mình đã có cách chống dịch khác nhau. Các nước phương Tây, được cho là có mọi thứ tối ưu hơn, cho tới giờ, lại gánh chịu hậu quả nặng nề hơn. Để tổng hợp, rút ra bài học thì cần rất nhiều công sức và thời gian. Tôi không dám có tham vọng ấy. Ở đây tôi chỉ dám viết ra một vài thứ lượm lặt được.

Trước hết là một câu chuyện không liên quan đến khoa học mà tôi đã dịch Thư gửi Vương quốc Anh từ Ý. Tôi để ở đây không phải cho bây giờ mà là để cho tương lai. Nghĩa là sau này, lúc mọi thứ về dịch bệnh này đã mờ đi, đọc nó sẽ giúp bạn và tôi hồi tưởng lại những khoảnh khắc đau đớn nhất đã từng trải qua.

Những chủ đề liên quan đến khoa học mà tôi muốn kể sẽ được liệt kê ở phía dưới đây (link sẽ được bổ sung khi bài viết chi tiết được đưa lên).

• Câu chuyện về các nghiên cứu của Raoult về hydroxychloroquine như là một phản ví dụ về cách làm nghiên cứu và ảnh hưởng tiêu cực của những phản nghiên cứu,

• Câu chuyện nhỏ về con đường một nghiên cứu nhỏ chưa qua phản biện Quantifying the effect of quarantine control in Covid-19 infectious spread using machine learning được nâng tầm thành một bài báo to tát ở Việt Nam của Zing News AI dự đoán hậu quả lớn nếu dừng giãn cách xã hội sớm, dịch từ bài của The next Web MIT’s AI predicts catastrophe if social distancing restrictions relax too soon,

• Một vài lượm lặt từ các chuỗi nghiên cứu, ví dụ của Imperial College COVID-19 Response Team, của Centre for Mathematical Modelling of Infectious Diseases - London School of Hygiene & Tropical Medicine...,

• Một số bình luận về chuỗi tổng hợp thông tin của Tomas Pueyo, một người ngoại đạo về nghiên cứu dịch bệnh giống như tôi,

Khi tôi nhìn vào trang giấy này, đầu óc trống rỗng, không biết viết gì thì nghĩa là lịch sử lặp lại. Không khác khi xưa tôi nhìn sâu vào những bài toán phổ thông. Đó chính xác là cảm giác bất lực. Không phải là vì những chữ nghĩa, những lời giải khó tìm mà là vì những ý nghĩa sâu xa hơn.

Liệu những gì tôi đang cố viết và truyền tải có là vô nghĩa.

Liệu cái đích cuối cùng của những kiểu công việc giống như kiểu làm mấy bài toán này có mang một ý nghĩa nào đó cho cuộc sống này không?

Hình ảnh những con số, những kí hiệu nhảy múa, những mẹo mực rối rắm hiện về ám ảnh khiến tâm trạng tôi bất an.

Thời đó, tôi không được dạy để hiểu được ý nghĩa của những con toán, rộng hơn, ý nghĩa của khoa học. Tôi yêu khoa học và thích làm nghiên cứu. Nhưng tôi không muốn mình sa vào một thứ tình yêu mù quáng. Tôi thực sự muốn hiểu đến tận cùng ý nghĩa của tình yêu này.

Giờ tôi ngồi đây, hoang mang lẫn lộn với hàng loạt những mảnh vụn kí ức hiện ra ngẫu nhiên trong đầu.

Tôi đã cố sắp xếp chúng thành một câu chuyện thật hay về con đường tôi khám phá ra khoa học để chia sẻ tình yêu lớn này cho tất cả, nhưng không thể.

Có thể là, cũng như khi làm khoa học, đừng cố vội đi tìm một chỉnh thể hoàn chỉnh, một chân lý tuyệt đối. Việc cần thiết đầu tiên là gom góp từng mảnh vụn lại và nghiền ngẫm chúng. Đến một ngày nào đó, ta có thể sẽ tìm được chìa khóa để kết hợp lại thành một tác phẩm đẹp.

Các mẩu chuyện nhỏ của cuộc đời tôi đi cùng những bài dịch, những bài viết rời rạc được dẫn ở dưới này hi vọng sẽ là những mảnh vụn như thế.

Khi còn nhỏ, chính việc yêu thích sự tìm tòi đã dẫn tôi tới ý định mơ hồ sẽ làm nghiên cứu khi lớn lên. Tôi đến với toán như một lẽ tự nhiên. Câu chuyện của toán học phổ thông là xoay quanh những bài toán đánh đố và những cuộc thi. Ngay cả khi luyện thi đội tuyển toán, tôi có cơ hội tiếp xúc với các giáo sư, tiến sĩ, là cả một đội ngũ nghiên cứu nước nhà. Được họ, nghĩa là những người làm toán chuyên nghiệp chỉ dạy, mọi câu chuyện vẫn đều chỉ xoay quanh việc giải các bài toán có sẵn. Thế nên dù có được một số giải thưởng lớn nhỏ sau các cuộc thi cấp tỉnh, thành phố, quốc gia, tôi vẫn có cảm giác không nắm bắt được ý nghĩa của việc mình làm. Có gì đó gờn gợn sai sai trong các cuộc thi thố đó. Với đầu óc con trẻ hạn hẹp của mình, tôi không thể thấy được sợi dây kết nối giữa khoa học và thực tiễn, giữa lý thuyết và ứng dụng. Những bài toán được các thầy, các giáo sư toán học vẽ ra kể lể đều chỉ như một trò chơi trí óc. Khi lớn lên, tôi dần nhận ra những cảm giác đó là của chung nhiều người khi còn trẻ. Hóa ra, toán phổ thông và các cuộc thi toán đúng là hình ảnh méo mó của việc nghiên cứu. Giáo dục mức độ phổ thông, vì thế, hiển nhiên không mang lại cho tôi những câu trả lời thỏa đáng. Những quan điểm trong bài dịch Bàn luận về thiên tài là những điều tôi thấy rất đúng, ví dụ như đoạn bài giảng ở kì thi Olympic Toán học Quốc tế năm 2001 của Andrew Wiles:

Cái gì phân biệt thứ toán chúng tôi, những người làm toán chuyên nghiệp làm với bài toán các bạn phải đối mặt trong tuần trước? Hai sự khác biệt cơ bản tôi tin là ở mức độ và tính mới.

Cũng phải nói thêm rằng, kể cả Lý và Hóa, đúng ra là những món khoa học mang đầy tính ứng dụng cũng bị biến thành những bài đố lý thuyết không chỉ xa rời mà còn sai so với thực tế. Thực ra còn tệ hơn nữa, những môn khoa học ấy bị méo mó bó hẹp vào những dạng bài, các mẹo cần phải học thuộc làu làu như những môn học xã hội.

Khi hết cấp ba, sợi dây kết nối vẫn mù mờ. Lạc lối, cộng với việc bắt đầu nhen nhóm trong đầu những suy nghĩ về cơm áo gạo tiền, tôi chọn nghề công nghệ thông tin, vẫn mang tính kĩ thuật nhưng ít hàn lâm, mang tính ứng dụng nhiều hơn. Vì thế chắc cũng sẽ có nhiều cơ hội cho việc kiếm tiền hơn. Vào học kiểu kĩ sư ở đại học Bách Khoa, nghĩa là đụng chạm rất nhiều vào ứng dụng thực tế. Vấn đề ngược lại nảy sinh từ đó. Không còn đụng nhiều vào Nghiên cứu hàn lâm (như tôi vẫn hiểu) nữa. Những gì tôi học thiên về Phát triển, vì kĩ sư hướng tới việc áp dụng những kiến thức có sẵn nào đó vào một vấn đề cụ thể. Dẫu sao thì góc nhìn về ứng dụng thực tế của tôi cũng được mở mang rất nhiều.

Những năm cuối đại học, tôi đến thực tập ở Viện Công nghệ Thông tin, làm bài toán nhận dạng tiếng nói, là một lĩnh vực nghiên cứu. Như vậy là việc nghiên cứu cũng đơn giản, đọc bài báo, áp dụng chúng vào dữ liệu của mình, tìm cách cải thiện một số kết quả. Nhưng vẫn có rất nhiều vấn đề khiến tôi vẫn không thỏa mãn. Vấn đề lớn nhất là việc nhận ra khoảng cách giữa ta và tây quá lớn. Lúc đó tôi chân thành nghĩ rằng: Các nhà khoa học của nước nhà, chỉ đơn giản là đang bắt chước các bạn tây, nhiều lúc là bê nguyên xi những gì các bạn tây nghĩ ra áp dụng cho dữ liệu của ta. Nói thẳng ra, việc sáng tạo, tìm ra cái mới là không hề có. Nhàm chán tương tự việc giải các bài toán đã có lời giải như hồi cấp ba. Tôi rùng hết cả mình khi nghĩ đến việc mười năm nữa tôi cứ đều đều làm nghiên cứu như thế này.

May mắn là cuối cùng tôi cũng được đi tây, kì vọng rằng nhờ đó tôi sẽ biết làm nghiên cứu thực sự là phải như thế nào. Khi ở trời tây, mọi thứ vẫn không được rõ ràng như tôi tưởng tượng. Vì ngay cả ở đó, cách thức làm khoa học thế nào cho đúng cũng không được dạy chính thức ở trường, như chính Feynman nói trong Khoa học bắt chước thần thánh:

Nhưng có một đặc tính mà tôi nhận thấy nói chung là bị bỏ qua trong Khoa học Bắt chước Thần thánh. Đó là ý tưởng mà tất cả chúng ta đều hi vọng bạn có được khi học khoa học ở trường - chúng tôi không bao giờ giải thích rõ nó là gì, nhưng chỉ hi vọng rằng các bạn có thể nắm bắt được qua những ví dụ về nghiên cứu khoa học. Vì thế rất hay là bây giờ đưa nó ra và nói về nó rõ ràng. Đó là sự ngay thẳng khoa học, nguyên tắc của sự hiểu biết khoa học tương ứng với việc hoàn toàn trung thực - cố gắng hết mình để đảm bảo.

Cùng trên một con đường như rất nhiều người khác, tôi phải trải qua rất nhiều những lần làm thực nghiệm mới cảm thấy giác ngộ được phần nào cách làm khoa học thực sự là như thế nào. Đến khi bắt đầu có cảm giác đó cũng là lúc tôi thấy được sự đồng cảm lớn trong những bài viết của những người như Feynman. Tôi cũng muốn như ông và những người như thế, đứng trước khoa học, cùng chiêm ngưỡng vẻ đẹp kì vĩ của nó, một cách khiêm nhường và hạnh phúc, thiết tha san sẻ những thấu hiểu đó đến tất cả mọi người.

Khi về nước, bỡ ngỡ, lơ ngơ. Muốn lo được cho người khác thì phải lo được cho bản thân đã. Nghĩ vậy, tôi đã phải bỏ ra một số lượng thời gian dành cho chuyện cơm áo gạo tiền và những vướng bận cá nhân khác. Thời gian tưởng ngắn mà bỗng chốc trôi bẵng đi nhiều năm.

Nhưng mọi thứ cuối cùng cũng dần sáng trong trở lại nên có vẻ như bây giờ là thời điểm tốt để tôi quay trở lại thực hiện khát khao chia sẻ này.

Tôi nghĩ không gì hơn là trình bày những câu chuyện nghiên cứu khoa học tiêu biểu như là những ví dụ cụ thể. Ban đầu để tránh việc nói về những thứ mình chưa hiểu, tôi chỉ định giản dị bó hẹp trong những thứ tôi đã học như học máy, xử lý ngôn ngữ, xử lý ảnh, xử lý tiếng nói, trí tuệ nhân tạo... Nhưng đó hóa ra là một giới hạn sai lầm vì nó bó buộc tôi vào những thứ chật hẹp, xưa cũ, lặp lại, kích thích sự lười biếng của trí óc.

Những sự kiện gần đây đã bắt buộc tôi phải mở rộng bản thân mình ra hơn nữa. Tôi tiến một bước nữa đến việc tìm hiểu những ngành truyền thống sát với đời hơn, ví dụ như kinh tế học, nông học, tâm lý họ, y tế, dịch tễ học. Mọi chuyện nhờ thế lại trở nên sáng rõ thêm hơn. Với mỗi ngành, tôi được lặp lại quá trình đi từ hoàn toàn mông lung cho đến khi có được một vài bước ngắn ngủi tiến gần hơn với sự thấu hiểu. Đó chính là những vòng tròn tưởng như luẩn quẩn quấn lấy cuộc đời tôi. Cứ đợi chờ trong nhẫn nại, rồi bình tâm nhìn lại, tôi tin chúng vẫn đang chậm chạp vững chắc nhích về phía trước. Trên những con đường đó, tôi có được lại rất nhiều cảm xúc bị lãng quên, những câu chuyện bị lãng quên, những bài học bị lãng quên. Và trên tất cả, tìm về sự tươi mới bị lãng quên.

Trong tất cả mọi việc như cuộc sống, tình yêu, nghiên cứu, viết văn, điều hệ trọng nhất là phải giữ chặt lấy sự tự trải nghiệm như quyền lực tối thượng không được cho ai khác động đến. Tự trải qua mọi điều, bắt đầu từ những lần mò vấp ngã đau đớn trong mông lung tuyệt đối cho đến khi thấy những vựa tri thức dần nứt vỡ ra là con đường duy nhất. Mỗi cá nhân đều đi trên con đường duy nhất. Nên ở đây tôi không có tham vọng và cũng không thể chỉ cho ai một lối tắt chung. Điều tôi muốn là chia sẻ được một vài giá trị chung phổ quát. Để hi vọng một lúc nào đó, bạn tình cờ lạc vào đây, bắt gặp những câu chuyện của tôi, bạn có một chút an lòng, một chút cảm thương. Để thấy bản thân dù có đang bước đi riêng mình nhưng vẫn không cô đơn.

Nhưng hãy cho phép tôi mách nhỏ bạn một điều, trong những hành trình này, để tiến lên phía trước, tôi và bạn không chỉ hướng tới tương lai mà còn trở về cội nguồn, bản chất của khoa học, với những giá trị nguyên sơ của nó.

Dưới đây là tập hợp những câu chuyện khoa học. Nếu bạn có những câu chuyện khoa học muốn thêm vào, đừng ngần ngại liên hệ với tôi. Sẽ thật tốt nếu được xây dựng cùng nhau bộ sưu tập này.

• Câu chuyện về kinh tế, về tiền bạc xuyên suốt lịch sử với một phần cuốn sách Vốn thế kỉ 21, dịch từ nguyên bản tiếng Pháp của Thomas Piketty,

• Câu chuyện từ từ tổng quát đến chi tiết bàn về cách thức làm khoa học một cách đúng đắn trong Khoa học bắt chước thần thánh. Đây là bài dịch từ Cargo Cult Science của Richard P. Feynman (Nobel Vật lý 1965),

• Bài viết nói lên những hiểu biết đúng đắn về khoa học, nhà khoa học, vai trò của khoa học, vai trò của nhà khoa học: Giá trị của khoa học. Đây là bài dịch từ The value of Science của Richard P. Feynman (Nobel Vật lý 1965),
• Các luận điểm của chính các nhà toán học cho thấy công việc chính xác của họ là gì, cần những đức tính như thế nào: Bàn luận về thiên tài,
• Khoa học và cuộc sống thời Covid19,

Như tôi có đề cập ở trong Những người được giải Fields về Toán phổ thông, toán phổ thông thường vẽ ra một bức tranh cực kì xuyên tạc về việc thực hành toán. Rất thường hay những người trẻ sáng dạ tham gia vào các cuộc thi toán, một hoạt động gần gũi hơn với việc thực hành toán. Thật không may, trong khi các cuộc thi toán có thể đại diện tốt hơn cho việc thực hành toán hơn là toán phổ thông, các cuộc thi toán, chính chúng, cũng cực kì gây nhầm lẫn. Hơn nữa, chúng thành ra gắn chặt với quan điểm thần thoại sai lệch về "thiên tài". Tôi đã sưu tập các câu trích dẫn xác đáng phía bên dưới.

Lời cảm ơn: Tôi có được một số câu trích dẫn từ bộ sưu tập các câu trích dẫn tạo bởi đồng nghiệp Laurens Gunnarsen.

Trong cuộc phỏng vấn năm 2003, Huy chương Fields Terence Tao trả lời câu hỏi:

Lời khuyên nào bạn sẽ nhắn nhủ cho người trẻ khởi đầu làm toán (ví dụ như là học sinh phổ thông hay các nghiên cứu trẻ)?

rằng:

Vâng, tôi nghĩ các bạn nên được cảnh báo rằng ấn tượng về công việc toán chuyên nghiệp của các bạn có thể sẽ rất khác so với thực tế. Ở trường tiểu học, tôi có ý kiến mơ hồ rằng nhà toán học chuyên nghiệp sử dụng thời gian để tính chữ số của pi, ví dụ thế, hoặc có thể nghĩ và giải các bài toán dạng Olympic

Trong Về việc phản đối khóa học toán Tripos, nhà toán học GH Hardy viết:

Chương trình toán Tripos thường được coi là một tập hợp các thứ vô dụng được xây dựng công phu, và sự chỉ trích đó cơ bản là chính xác. Ý kiến của cá nhân tôi là đấy là kết quả không thể tránh khỏi, trong cuộc thi toán với mức độ chuẩn hóa và cổ hủ cao. Giám khảo không được phép hài lòng ở mức kiểm tra năng lực và kiến thức của thí sinh; nhiệm vụ của họ là cung cấp một bài kiểm tra ý nghĩa nhiều hơn như thế, về sáng kiến, trí tưởng tượng và thậm chí là một số ý tưởng dạng độc đáo. Và vì chỉ có một bài kiểm tra về tính độc đáo trong toán học, gọi là dùng thành quả của công việc khai phá, và vì việc yêu cầu một thanh niên hai mươi hai thực hiện nghiên cứu khai phá trong các điều kiện kiểm tra là vô ích, việc kiểm tra nhất thiết phải thoái hóa thành một loại trò chơi, và dẫn đến nó bắt đầu thành một loạt các pha làm xiếc và thủ thuật.

Trong Bản đồ cuộc sống tôi, nhà toán học Goro Shimura nói về trải nghiệm dạy học ở trường luyện thi:

Tôi khám phá ra rằng rắt nhiều bài kiểm tra là nhân tạo và cần một số thủ thuật khôn ngoan. Tôi tránh kiểu dạng ấy, và chọn các vấn đề chính thống hơn, mà ai cũng có thể giải bằng cách sử dụng kĩ thuật tiêu chuẩn và kiến thức cơ bản. Có những cuộc thi Olympic toán học, ở trong đó các thí sinh được yêu cầu giải một số bài toán, rất khó và là những thứ tôi tránh. Mặc dù cuộc thi có thể có lý do để tồn tại, tôi nghĩ rằng các bạn trẻ có quan tâm thực thụ với toán học sẽ chả mất gì nếu bỏ qua nó.

Trong bài giảng ở kì thi Olympic Toán học Quốc tế năm 2001, Andrew Wiles đưa ra mô tả kĩ hơn tại sao cuộc thi toán không phải là biểu hiện của thực hành toán:

Để tôi chào đón các bạn không chỉ đến với sự kiện này mà là đến thế giới toán rộng lớn mà nhiều người trong chúng ta tin rằng đang ở thời kì hoàng kim. Tuy nhiên, hãy để tôi cũng cảnh báo các bạn - bất cứ con đường nào bạn đã đi từ trước, thách thức toán thực sự vẫn đang ở phía trước bạn. Tôi hi vọng có thể đưa cho bạn một cái nhìn thoáng qua về nó. Cái gì phân biệt thứ toán chúng tôi, những người làm toán chuyên nghiệp làm với bài toán các bạn phải đối mặt trong tuần trước? Hai sự khác biệt cơ bản tôi tin là ở mức độ và tính mới. Đầu tiên là mức độ: trong cuộc thi toán như là cái mà bạn vừa mới tham gia, bạn thi đua với thời gian và với nhau. Trong khi có những thời kì, đặc biệt là thế kỉ mười ba, mười bốn, mười lăm khi mà các nhà toán học tham gia các cuộc đấu với nhau theo tiêu chí thời gian, bây giờ nó không phải là lựa chọn. Thực tế là thời gian chủ yếu là ở bên cạnh bạn. Tuy nhiên, việc chuyển từ chạy ngắn sang chạy dài cần có yêu cầu thể lực khác và sự kiểm tra cực kì khác biệt về cá tính. Chúng ta thán phục một người có thể đạt huy chương vàng năm lần liên tiếp ở trò chơi Olympic khá ít ở khía cạnh tài năng thô mà ở sức mạnh về ý chí và sự kiến định để theo đuổi một mục tiêu trong một khoảng thời gian bền vững. Định lý toán thực sự sẽ yêu cầu thể lực tương tự khi bạn đo lường nỗ lực theo tháng hay theo năm [...]

Sự khác biệt cơ bản thứ hai là tính mới [...] Để tôi nhấn mạnh rằng tạo ra một thứ toán mới thì thực sự là một nghề nghiệp khác hẳn giải bài trong cuộc thi. Tại sao vậy? Bởi vì bạn không biết chắc chắn về cái bạn đang cố chứng minh hoặc thực sự chúng có đúng hay không.

Trong bài luận Giáo dục Toán học, Huy chương Field William Thurston nói

Liên quan đến việc nhận thức sớm là xu hướng phổ biến khi nghĩ về toán như thể một cuộc đua hoặc như một cuộc thi thể thao. Có nhiều giải đấu toán phổ biến ở mức trung học: các đội từ các trường trung học trong khu vực gặp nhau định kỳ và được đưa ra một số bài toán, với một giờ hoặc lâu hơn để giải quyết chúng.

Ngoài ra còn có các cuộc thi cấp độ bang, quốc gia và quốc tế. Những cuộc thi này vui, thú vị và có hiệu quả giáo dục cho những người thành công trong đó. Nhưng chúng cũng có một nhược điểm. Các cuộc thi củng cố quan niệm cho rằng bạn hoặc là có gen toán tốt, hoặc bạn không. Họ nhấn mạnh vào việc phải nhanh, đối nghịch với việc hiểu sâu và kĩ. Họ chú trọng đến các câu hỏi là những câu đố với một số mánh khóe ẩn giấu, thay vì những vấn đề thực tế hơn trong đó cách tiếp cận có hệ thống và bền bỉ là quan trọng. Điều này làm nản lòng nhiều người không nhanh hoặc ít thực hành, nhưng có thể giỏi xử lý các vấn đề khi họ có thời gian để suy nghĩ về chúng. Một số người có thành tích tốt nhất trong các cuộc thi đã trở thành những nhà toán học giỏi, nhưng cũng có nhiều nhà toán học hàng đầu không giỏi làm toán trong cuộc thi.

Nhanh là hữu ích trong toán học, nhưng nó chỉ là một trong những phẩm chất hữu ích. Đối với những người không trở thành nhà toán học, các kỹ năng làm toán trong cuộc thi có lẽ thậm chí còn ít liên quan hơn. Những cuộc thi này hơi giống như cuộc thi đánh vần. Có một số mối liên hệ giữa chính tả tốt và viết tốt, nhưng người chiến thắng cuộc thi đành vần bang không nhất thiết phải có tài năng để trở thành một nhà văn giỏi, và một số nhà văn giỏi không phải là người đánh vần giỏi. Nếu có một sự lẫn lộn phổ biến giữa chính tả giỏi và viết giỏi, nhiều nhà văn tiềm năng sẽ bị mất niềm tin một cách không cần thiết.

Trong cuốn sách Toán học: Một giới thiệu rất ngắn gọn, Huy chương Field Timothy Gowers viết:

Trong khi một hình ảnh tiêu cực về nhà toán học có thể gây hại, bằng cách gạt bỏ những người mà lẽ ra đã thích và giỏi toán, thì thiệt hại do từ thiên tài gây ra còn ngấm ngầm hơn và có thể còn lớn hơn. Đây là một định nghĩa sẵn có và thô về thiên tài: một người có thể dễ dàng làm, và ở độ tuổi trẻ, một điều mà hầu như không ai khác có thể làm trừ phi may ra sau nhiều năm luyện tập. Thành tựu của các thiên tài là do một số loại phẩm chất ma thuật của họ - như thể bộ não của họ hoạt động không chỉ hiệu quả hơn chúng ta, mà theo một cách hoàn toàn khác. Cứ một hoặc hai năm lại có sinh viên toán ở Cambridge thường xuyên giải quyết được trong một vài phút các vấn đề mà hầu hết mọi người, kể cả những người được cho là dạy họ, cần vài giờ hoặc hơn nữa. Khi đối mặt với một người như vậy, tất cả những gì có thể làm là lùi lại và ngưỡng mộ.

Tuy nhiên, những người phi thường này không phải lúc nào cũng là những nhà nghiên cứu toán học thành công nhất. Nếu bạn muốn giải quyết một vấn đề mà các nhà toán học chuyên nghiệp khác đã cố gắng và không giải quyết được trước bạn, thì, trong số nhiều phẩm chất bạn sẽ cần, thiên tài như tôi đã định nghĩa là không cần thiết cũng không đủ. Minh họa bằng một ví dụ cực đoan, Andrew Wiles, người (ở tuổi chỉ hơn bốn mươi) đã chứng minh Định lý cuối cùng của Fermat (nói rằng nếu x, y, z và n đều là các số nguyên dương và n lớn hơn 2, thì x^n + y^n không thể bằng z^n) và do đó đã giải quyết được vấn đề toán học chưa giải quyết được nổi tiếng nhất thế giới, chắc chắn là rất thông minh, nhưng với tôi thì ông không phải là thiên tài.

Làm thế nào, bạn có thể hỏi, ông ta có thể đạt được những gì ông ta đã làm mà không cần đến một năng lực não bộ bí ẩn khác thường? Câu trả lời là, mặc dù thành tích của ông ấy là cao siêu, việc giải thích là không cao siêu như thế. Tôi không biết chính xác điều gì đã cho phép ông ta thành công, nhưng ông ta cần sự can đảm, quyết tâm và kiên nhẫn rất lớn, một kiến ​​thức rộng về một số công trình rất khó mà những người khác đã thực hiện, may mắn được làm ở đúng lĩnh vực toán học ở đúng thời điểm và một khả năng xác định chiến lược phi thường.

Cuối cùng, phẩm chất cuối cùng này quan trọng hơn tốc độ suy nghĩ dị thường: những đóng góp sâu sắc nhất cho toán học thường được tạo ra bởi những con rùa hơn là những con thỏ rừng. Khi các nhà toán học phát triển, họ học được nhiều mánh khóe thủ đoạn khác nhau, một phần từ công việc của các nhà toán học khác và một phần là kết quả của nhiều giờ dành cho việc suy nghĩ về toán. Điều quyết định họ có thể sử dụng chuyên môn của mình để giải quyết các vấn đề khét tiếng hay không, là có kế hoạch cẩn thận: cố gắng giải quyết các vấn đề có khả năng mang lại kết quả, biết khi nào nên từ bỏ một dòng suy nghĩ (một đánh giá khó thực hiện), có thể phác họa các nét khung cảnh rộng về các suy luận trước đó, rất thỉnh thoảng, thu xếp điền vào các chi tiết. Điều này đòi hỏi một mức độ trưởng thành, không hề mâu thuẫn với thiên tài nhưng cũng không phải lúc nào cũng đi kèm với nó.

Trong có cần phải là thiên tài để làm toán? Terence Tao đồng tình với Gowers và giải thích về cùng một chủ đề.

Huy chương Field Alexander Grothendieck mô tả kinh nghiệm xác đáng của chính ông trong Thu hoạch và Hạt giống:

Kể từ đó, tôi đã có cơ hội ở trong thế giới toán nơi chào đón tôi, để gặp gỡ khá nhiều người, ở cùng cả những người tiền bối của tôi và ở cùng cả những người trẻ tầm tuổi tôi, những người tài giỏi hơn, thiên bẩm hơn tôi. Tôi ngưỡng mộ tiền đề mà họ có được, như thể đang chơi đùa, những ý tưởng mới, tung hứng chúng như thể quen thuộc với chúng từ trong nôi trong khi đối với bản thân tôi, tôi cảm thấy vụng về, thậm chí trì độn, lang thang đau đớn trên một con đường đầy gian nan, như một con bò câm phải đối mặt với một núi vô định hình những thứ tôi phải học (vì vậy tôi đảm bảo) những thứ tôi cảm thấy không có khả năng hiểu được cái bản chất hoặc đi theo cho đến cùng. Thật vậy, có rất ít thứ định hình tôi như là kiểu sinh viên sinh viên sáng láng chiến thắng tại các cuộc thi danh tiếng hoặc thấu hiểu như thể chỉ bằng sự khéo tay, những chủ đề cấm kị nhất.

Trên thực tế, hầu hết những đồng đội mà tôi đánh giá là xuất sắc hơn tôi đã trở thành những nhà toán học kiệt xuất. Nhưng đánh giá dài hơi, ba mươi hoặc ba mươi lăm năm, tôi có thể nói rằng dấu ấn của họ đối với toán học của thời đại chúng ta không được sâu sắc lắm. Họ đã làm tất cả mọi thứ, thường là những thứ đẹp đẽ trong bối cảnh đã được đặt ra trước mắt họ, mà họ không có khuynh hướng phá bỏ nó. Không nhận thức được điều đó, họ ở lại là tù nhân của những vòng tròn vô hình và chuyên chế đó, nơi bó hẹp một vũ trụ của một môi trường nhất định trong một thời đại nhất định. Để phá vỡ những giới hạn này họ sẽ phải khám phá lại trong họ thứ khả năng đã quyền của họ ngay khi trào đời, giống như của tôi: Năng lực cô độc.

Thư gửi Vương quốc Anh từ Ý: đây là những gì chúng tôi biết về tương lai của bạn

Tác giả ở Rome mô tả những gì sẽ tới dựa trên trải nghiệm của cô về phong tỏa

Tiểu thuyết gia được kì vọng người Ý Francesca Melandri, ở trong vòng phong tỏa ở Rome được gần ba tuần vì dịch bệnh Covid-19, đã viết một bức thư cho bác bạn hữu châu Âu "từ tương lai các bạn", bày ra cung bậc cảm xúc của con người thường trải qua cho những tuần sắp tới.

Tôi đang viết cho bạn từ Ý, nghĩa là tôi đang viết cho bạn từ tương lai của bạn. Chúng tôi đang ở nơi mà bạn sẽ tới trong vài ngày nữa. Biểu đồ dịch bệnh chỉ ra rằng chúng ta đang quấn vào nhau trong điệu nhảy song trùng.

Chúng tôi chỉ ở trước bạn hơn một vài bước chân trên con đường thời gian, cũng chỉ như Vũ Hán ở trước chúng tôi vài tuần. Chúng tôi quan sát bạn hành động hệt như chúng tôi. Các bạn giữ những quan điểm giống hệt chúng tôi cho đến khi rất gần đây, giữa những người vẫn còn nói: "đó chỉ là cúm, tại sao ầm ĩ thế?" và những người đã thấu hiểu.
Vì chúng tôi quan sát bạn từ đây, từ tương lai chính bạn, chúng tôi hiểu rằng rất nhiều trong số bạn, khi bị bắt buộc phải đóng cửa ở trong nhà, trích dẫn Orwell, hay thậm chí Hobbes. Nhưng sớm thôi, bạn sẽ quá bận rộn cho trò đó.

Đầu tiên, bạn sẽ ăn. Không chỉ là bởi vì đó là một trong số ít điều các bạn còn có thể làm.

Bạn sẽ tìm thấy cả tá nhóm mạng xã hội với chỉ dẫn làm sao có thể dùng thời gian rảnh theo một cách hiệu quả. Bạn sẽ tham gia vào tất cả, để rồi bỏ lơ chúng hoàn toàn sau một vài ngày.

Bạn sẽ lấy các tác phẩm văn học về tận thế khỏi giá sách, nhưng rồi sẽ sớm nhận ra bạn không có tâm trạng đọc bất cứ quyển nào.

Bạn sẽ lại ăn. Bạn sẽ không ngủ ngon. Bạn sẽ tự hỏi bản thân điều gì đang xảy ra với dân chủ.
Bạn sẽ có cuộc sống xã hội trực tuyến không dừng - trên Messenger, WhatsApp, Skype, Zoom...

Bạn sẽ nhớ những đứa con đã lớn như bạn chưa từng; thực tại là bạn không có ý tưởng về việc có khi nào bạn sẽ gặp lại chúng lần nữa sẽ đánh bạn một cú vào ngực.

Những oán giận cũ và bất đồng sẽ có vẻ không liên quan. Bạn sẽ gọi những người mà bạn đã thề sẽ không bao giờ nói chuyện nữa, để hỏi họ: "Bạn đang thế nào?" Nhiều phụ nữ sẽ bị đánh trong nhà của họ.

Bạn sẽ tự hỏi chuyện gì đang xảy ra với tất cả những người không thể ở nhà vì họ không có nhà để ở. Bạn sẽ cảm thấy dễ bị tổn thương khi ra ngoài mua sắm trên những con đường vắng, đặc biệt nếu bạn là phụ nữ. Bạn sẽ tự hỏi nếu đây là cách xã hội sụp đổ. Nó thực sự xảy ra quá nhanh? Bạn có thể ngăn chặn những suy nghĩ này và khi bạn trở về nhà bạn sẽ lại ăn.

Bạn sẽ tăng cân. Bạn sẽ tìm khóa học thể dục trực tuyến.

Bạn sẽ cười. Bạn cười rất nhiều. Bạn lúng túng phô trương sự hài hước phi thường mà bạn chưa từng có trước đây. Ngay cả những người luôn coi trọng cái chết của mọi thứ cũng sẽ suy ngẫm về sự phi lý của cuộc sống, của vũ trụ và của tất cả.

Bạn sẽ hẹn với bạn bè và người yêu của bạn ở hàng đợi siêu thị, để có thể thoáng gặp họ trực tiếp, trong mọi lúc tuân thủ các quy tắc giữ khoảng cách xã hội.

Bạn sẽ đếm tất cả những thứ bạn không cần.

Bản chất thực sự của những người xung quanh bạn sẽ được tiết lộ hoàn toàn rõ ràng. Bạn sẽ có những xác nhận và những bất ngờ.

Diễn giả đã có mặt khắp nơi trên thời sự sẽ biến mất, ý kiến ​​của họ đột nhiên không liên quan; một số người sẽ nương tựa vào sự lý giải bao biện, sẽ hoàn toàn thiếu sự đồng cảm đến mức mọi người sẽ ngừng lắng nghe họ. Thay vào đó, những người mà bạn đã bỏ qua, sẽ trở nên vững chắc, rộng lượng, đáng tin cậy, thực tế và thấu hiểu.

Những người mời bạn xem tất cả sự lộn xộn này như một cơ hội để đổi mới hành tinh sẽ giúp bạn đặt mọi thứ trong một viễn cảnh lớn hơn. Bạn cũng sẽ thấy chúng thật khó chịu: thật tuyệt, hành tinh đang thở tốt hơn vì lượng khí thải CO2 giảm một nửa, nhưng bạn sẽ thanh toán hóa đơn vào tháng tới như thế nào?

Bạn sẽ không hiểu nếu chứng kiến ​​sự ra đời của một thế giới mới là một sự kiện hoành tráng hay đau khổ.

Bạn sẽ chơi nhạc từ cửa sổ và khu vườn cỏ. Khi bạn nhìn thấy chúng tôi hát opera từ ban công của chúng tôi, bạn nghĩ rằng "À, những người Ý đó". Nhưng chúng tôi biết bạn cũng sẽ hát những ca khúc nâng cao tinh thần cho nhau. Và khi bạn gào Tôi Sẽ Sống Sót từ cửa sổ của bạn, chúng tôi sẽ theo dõi bạn và gật gù giống như người Vũ Hán, người đã hát từ cửa sổ của họ vào tháng hai, gật gù trong khi xem chúng tôi.

Nhiều người trong số các bạn sẽ ngủ thiếp đi thề rằng điều đầu tiên bạn sẽ làm ngay khi phong tỏa kết thúc là nộp đơn ly hôn.

Nhiều đứa trẻ sẽ được thụ thai.

Con bạn sẽ được học trực tuyến. Chúng sẽ là những phiền toái khủng khiếp; chúng sẽ cho bạn niềm vui.

Người cao tuổi sẽ không vâng lời bạn hệt như những đứa trẻ trâu om xòm bất trị: bạn sẽ phải chiến đấu với họ để cấm họ ra ngoài, để bị nhiễm bệnh và chết.

Bạn sẽ cố gắng không nghĩ về những cái chết cô đơn bên trong ICU.

Bạn sẽ muốn phủ cánh hồng từng bước chân của các nhân viên y tế.

Bạn sẽ được bảo rằng xã hội đoàn kết trong một nỗ lực chung, rằng tất cả các bạn đều ở trong cùng một chiếc thuyền. Nó sẽ là thật. Trải nghiệm này sẽ thay đổi tích cực cách bạn nhận thức bản thân như một cá thể riêng lẻ trong một tổng thể lớn hơn.

Tầng lớp, tuy nhiên, sẽ tạo ra tất cả khác biệt. Bị nhốt trong một ngôi nhà có một khu vườn xinh đẹp hay trong một dự án nhà ở giải tỏa đông chật là không giống nhau. Cũng thế với việc có thể tiếp tục làm việc ở nhà hay thấy công việc của bạn biến mất. Chiếc thuyền mà bạn sẽ chèo để đánh bại dịch bệnh cho mỗi người sẽ không giống nhau và ngày thường chúng cũng chẳng giống nhau: chưa bao giờ là như thế.

Đến một điểm, bạn sẽ nhận ra nó khó nhọc. Bạn sẽ sợ. Bạn sẽ chia sẻ nỗi sợ hãi của mình với những người thân yêu, hoặc bạn sẽ giữ nó cho riêng mình để họ khỏi phải cùng chịu đựng chúng.

Bạn sẽ lại ăn.

Chúng tôi ở Ý, và đây là những gì chúng tôi biết về tương lai của bạn. Nhưng nó chỉ là thứ bói toán ngắn tủn. Chúng tôi là những nhà tiên tri tầm thường.

Nếu chúng ta hướng ánh mắt về tương lai xa hơn, tương lai mà cả bạn và chúng tôi cùng không biết, chúng tôi chỉ có thể nói với bạn điều này: khi tất cả những điều này kết thúc, thế giới sẽ không như đã từng.

(*): Cargo Cult Science: Tạm dịch là khoa học bắt chước thần thánh, chỉ các hoạt động có vẻ giống khoa học nhưng thực ra không tuân theo các phương pháp khoa học. Trong bài đọc có giải thích chi tiết cho thuật ngữ này.

Một số lưu ý về khoa học, giả khoa học, và học cách làm sao để không lừa gạt chính mình. Bài phát biểu khai giảng tại Caltech năm 1974.
Thời Trung Cổ có rất nhiều ý tưởng điên rồ, ví dụ như mẩu sừng tê giác có thể tăng cường sinh lực. (Ý tưởng điên rồ khác thời Trung cổ chính là những chiếc mũ mà chúng ta mang ngày hôm nay - cái tôi đội hơi bị rộng.) Sau đó một phương pháp được phát hiện để phân tách các ý tưởng - nghĩa là thử xem một ý tưởng có đúng đắn, và nếu không thì loại bỏ nó. Phương pháp đó được tổ chức, tất nhiên, thành khoa học. Và nó phát triển rất ổn, do đó chúng ta đang ở trong kỉ nguyên khoa học. Đó là kỉ nguyên khoa học đến độ, thực tế, chúng ta khó có thể hiểu được tại sao các thầy mo lại có thể đã từng tồn tại, khi bọn họ không đề xuất được bất cứ một điều gì thật sự có tác dụng - cùng lắm có một số rất ít.

Nhưng thậm chí bây giờ tôi vẫn gặp rất nhiều người mà không sớm thì muộn kéo tôi vào cuộc đối thoại về vật thể bay không xác định, chiêm tinh học, hay là các kiểu kì bí, nhận thức mở rộng, các kiểu ý thức mới, ngoại cảm(*), vân vân. Và tôi phải kết luận chúng không thuộc về thế giới khoa học.
(*): EPS

Rất nhiều người tin tưởng vào lắm thứ diệu kì nên tôi quyết định điều tra xem tại sao họ lại thế. Và cái sự tò mò điều tra đó đã đặt tôi vào một vấn đề khó khăn vì tôi tìm thấy quá nhiều rác rưởi để có thể nói đến trong cuộc nói chuyện này. Tôi bị choáng ngợp. Đầu tiên tôi bắt đầu bằng việc tìm hiểu các ý tưởng đủ loại về các câu chuyện kì bí, các trải nghiệm kì bí. Tôi vào một hộp cách biệt (nó tối và tĩnh lặng và bạn chìm đắm vào muối magiê) và có rất nhiều giờ ảo giác, nên tôi biết vài thứ về nó. Sau đó tôi tới Esalen, là nơi đất lành cho những suy nghĩ kiểu đó nảy sinh (đó là một nơi rất tuyệt; bạn nên tới đó). Và sau đó tôi chở nên choáng ngợp. Tôi đã không nhận ra mức độ của chúng.

Tôi đang ngồi, ví dụ nhé, ở trong một bể nước nóng và có một nam thanh niên và cô gái cũng ở trong đó. Hắn nói với cô gái, "Tôi học mát xa và tôi tự hỏi nếu tôi có thể thử trên em" Cô ấy nói Ok, nên sau đó cô ấy nằm lên bàn và hắn bắt đầu với các ngón chân - với ngón cái và xoay vặn nó. Sau đó hắn nhớ ra những điều nghe được từ người thầy dạy, và nói, "Tôi thấy có một cái nốt. Đó có phải là tuyến yên?" Và cô gái nói, "Không, đó không phải là điều em cảm thấy." Tôi nói, "Cậu đang ở chỗ xa tít tắp so với tuyến yên, chàng trai ạ" Và cả hai nhìn tôi - Tôi đã để rơi lớp che đậy, thế đấy - và cô ấy nói, "Đó là bấm huyệt." Nên tôi nhằm mắt lại và như chìm đắm vào cõi thiền.

Đó là một ví dụ về những thứ đã làm tôi choáng ngợp. Tôi cũng đã xem ngoại cảm và hiện tượng siêu năng lực, và cơn sốt nóng hổi nhất là Uri Geller, người được cho là có thể bẻ gãy chìa khóa bằng ngón tay. Thế là tôi đến phòng khách sạn của anh, do được mời, để chứng kiến sự trình diễn cả về đọc ý nghĩ và bẻ gãy chìa khóa. Anh ta không thành công với bất cứ trò đọc suy nghĩ nào; không ai có thể đọc suy nghĩ của mình, tôi đoán vậy. Và con trai tôi nắm chìa khóa và Geller chà sát nó, và không có gì xảy ra. Sau đó anh nói với chúng tôi rằng tốt hơn là làm ở dưới nước, và bạn có thể tưởng tượng tất cả chúng tôi đứng trong phòng tắm với vòi nước bật và chìa khóa ở dưới đó, và anh ta chà sát chìa khóa với ngón tay. Không có gì xảy ra. Vì thế tôi không thể thẩm định hiện tượng đó.

Nhưng sau đó tôi bắt đầu nghĩ, ở ngoài kia có điều gì khác khiến chúng ta tin? (Và tôi nghĩ về các thầy mo, và thật quá dễ để kiểm tra họ bằng cách để ý là không có gì thật sự có tác dụng.) Thế là tôi tìm những thứ thậm chí được nhiều người tin hơn, như là chúng ta có một số hiểu biết về cách thức dạy học. Có các trường lớn về phương pháp đọc và phương pháp làm toán, vân vân, nhưng nếu bạn để ý bạn sẽ thấy điểm số đọc vẫn đi xuống - hoặc hiếm khi đi lên - bất chấp sự thật là chúng ta liên tục giao cho cùng một nhóm người để cải thiện các phương pháp. Đó là những trò điều trị vô dụng của thầy mo. Bắt buộc phải tìm hiểu: làm sao họ biết là các phương pháp đó có tác dụng? Một ví dụ khác là làm sao để xử lý tội phạm. Chúng ta hiển nhiên không đạt được tiến bộ nào - rất nhiều lý thuyết, nhưng không có tiến triển - trong việc giảm số lượng tội ác bằng các phương pháp được sử dụng để đối xử với tội phạm.

Tuy thế những điều này được cho là khoa học. Chúng ta nghiên cứu chúng. Và tôi nghĩ những người bình thường với suy nghĩ lành mạnh đang bị đe dọa bởi thứ giả khoa học này. Một giáo viên có các ý tưởng tốt về cách thức dạy những đứa trẻ đọc bị hệ thống giáo dục ép buộc phải làm theo một cách thức khác - hoặc bị lừa dối bởi hệ thống giáo dục để nghĩ rằng phương pháp của cô không nhất thiết là tốt. Hay như cha mẹ của những đứa trẻ hư, sau khi dạy bảo chúng theo một cách thức nào đó, cảm thấy tội lỗi suốt cả phần đời còn lại bởi vì đã không làm "đúng cách," theo lời của những chuyên gia.

Vì thế chúng ta thực sự bắt buộc phải nhìn vào những lý thuyết không có tác dụng, những khoa học không phải khoa học.

Tôi cố gắng tìm kiếm nguyên tắc để khám phá thêm những dạng kiểu như vậy, và dừng lại ở hệ thống như sau. Bất cứ khi nào bạn thấy mình trong cuộc đối thoại ở tiệc cocktail - ở đó bạn không cảm thấy không thoải mái khi người phục vụ có thể đến và bảo, "Tại sao các bạn thảo luận lan man?" hoặc vợ bạn đi tới và hỏi, "Tại sao bạn lại tiếp tục đong đưa?" - khi đó bạn có thể chắc chắn rằng bạn đang nói chuyện về một thứ mà không ai hiểu tí gì.

Theo phương pháp đó, tôi khám phá một số chủ đề khác mà tôi đã quên - trong đó có sự hiệu quả của các loại trị liệu tâm lý. Thế là tôi bắt đầu điều tra trong thư viện, và cứ thế, và tôi có quá nhiều điều để có thể nói với các bạn. Tôi bắt buộc phải giới hạn bản thân vào chỉ một số thứ. Tôi sẽ tập trung vào một số chủ đề mà nhiều người tin vào. Còn có thể tôi sẽ có một chuỗi các bài nói chuyện vào năm tới cho tất cả các chủ đề ấy. Nó sẽ mất khá nhiều thời gian.

Tôi nghĩ là những nghiên cứu về giáo dục và tâm lý mà tôi đề cập đến là những ví dụ về các thứ mà tôi muốn gọi là Khoa học Bắt chước Thần thánh. Ở Châu Đại Dương có những con người làm thế. Trong chiến tranh họ nhìn thấy những máy bay hạ cánh với rất nhiều đồ dùng của cải, và họ muốn thứ như thế xảy ra tiếp. Thế là họ sắp xếp để có những thứ giống như đường băng, đốt lửa ở bên cạnh những đường băng, tạo ra những ghế gỗ để cho người ngồi, với hai miếng gỗ ở trên đầu như tai nghe và những thanh tre ở xung quanhh như là ăng ten - anh ta là người điều khiển - và họ chờ những máy bay hạ cánh. Họ làm đúng mọi thứ. Bề ngoài hoàn hảo. Nó nhìn giống hệt như đã từng. Nhưng nó không có tác dụng. Không có máy bay nào hạ cánh. Và thế là tôi gọi chúng là Khoa học Bắt chước thần thánh, bởi họ làm theo mọi thứ nhìn thấy bên ngoài và hình dạng được khoa học kiểm định, nhưng họ bỏ lỡ một điều căn bản, bởi vì máy bay không hạ cánh.

Bây giờ nhiệm vụ của tôi tất nhiên là phải nói cho các bạn họ đã bỏ qua điều gì. Nhưng nó dường như là cũng khó như giải thích cho những người dân đảo Châu Đại Dương làm sao mà họ có thể sắp xếp các thứ để họ có thể có được của cải trong hệ thống của họ. Nó không phải là kiểu đơn giản nói cho họ cách thức cải thiện hình dáng của tai nghe. Nhưng có một đặc tính mà tôi nhận thấy nói chung là bị bỏ qua trong Khoa học Bắt chước Thần thánh. Đó là ý tưởng mà tất cả chúng ta đều hi vọng bạn có được khi học khoa học ở trường - chúng tôi không bao giờ giải thích rõ nó là gì, nhưng chỉ hi vọng rằng các bạn có thể nắm bắt được qua những ví dụ về nghiên cứu khoa học. Vì thế rất hay là bây giờ đưa nó ra và nói về nó rõ ràng. Đó là sự ngay thẳng khoa học(*), nguyên tắc của sự hiểu biết khoa học tương ứng với việc hoàn toàn trung thực - cố gắng hết mình để đảm bảo(*). Ví dụ, nếu bạn làm thực nghiệm, bạn nên báo cáo lại mọi thứ bạn nghĩ rằng là sai - không chỉ là những cái đúng về nó: nguyên nhân khác có thể giải thích kết quả của bạn; và các hướng bạn nghĩ rằng bạn loại bỏ thông qua thực nghiệm khác, và cách thức làm - để chắc chắn là các đồng nghiệp khác có thể thấy rằng chúng bị loại bỏ.
(*): science integrity: integrity có thể dịch là toàn vẹn, ngay thẳng, chọn từ ngay thẳng vì nó gần với trung thực, thành thật hơn.

(*): leaning over backwards: thành ngữ, được giải nghĩa ở đây.

Chi tiết về những thứ có thể đem đến sự nghi ngờ cho phân tích của bạn cũng phải được đưa ra, nếu như bạn biết chúng. Bạn phải cố gắng hết sức có thể - nếu như bạn biết bất cứ điều gì sai hoặc có thể sai - để giải thích chúng. Nếu như bạn làm ra một lý thuyết, ví dụ thế, và quảng bá nó, hoặc là trình bày nó, bạn phải đưa ra tất cả các thực tế mâu thuẫn với nó, cùng với những cái đồng thuận với nó. Cũng có một vấn đề tế nhị hơn. Khi bạn tổng hợp rất nhiều ý tưởng để tạo ra lý thuyết phức tạp, bạn muốn chắc chắn rằng, khi trình bày về những cái phù hợp với nó, là những cái phù hợp này không chỉ giới hạn ở những cái đã mang đến cho bạn ý tưởng về lý thuyết; mà hơn nữa, lý thuyết cuối cùng cũng làm nảy ra một số thứ đúng đắn khác.

Kết lại, cái ý nói ở đây là cố gắng đưa ra tất cả các thông tin để giúp những người khác đánh giá được giá trị những đóng góp của bạn; không chỉ là những thông tin dẫn tới sự đánh giá theo hướng riêng biệt này hay kia.

Cách thức dễ nhất để giải thích ý này là tương phản nó, ví dụ, với quảng cáo. Tối hôm qua tôi nghe được rằng dầu Wesson không thấm vào thức ăn. Vâng, điều đó đúng. Nó không phải là không trung thực; nhưng cái mà tôi đang nói đến không chỉ là vấn đề có trung thực hay không, nó là vấn đề của sự ngay thẳng khoa học, nghĩa là ở mức độ khác. Sự thực cần thêm vào câu quảng cáo là không có loại dầu nào thấm vào thức ăn, nếu phản ứng ở một nhiệt độ nhất định. Nếu phản ứng ở một nhiệt độ khác, tất cả bao gồm dầu Wesson đều thấm. Vì vậy, cái ý cần nói nằm ở hàm ý đó, chứ không phải là một việc thực tế, được nói là đúng, và sự khác biệt đó là cái mà chúng ta phải giải quyết.

Chúng ta học rằng, từ thực nghiệm mà sự thật sẽ được phơi bày. Những nhà khoa học thực nghiệm sẽ thực hiện lại thí nghiệm của bạn và tìm ra là bạn đúng hay là sai. Hiện tượng tự nhiên sẽ đồng ý hay không đồng ý với lý thuyết của bạn. Và, mặc dù bạn có thể đạt được sự nổi tiếng và phấn khích ngắn hạn, bạn sẽ không đạt được uy tín tốt của nhà khoa học nếu bạn không cố gắng hết sức cẩn thận trong công việc này. Và chính cái tính ngay thẳng, tính cách cẩn thận không lừa dối chính mình, là cái thiếu ở mức độ lớn trong rất nhiều các nghiên cứu trong khoa học bắt chước thần thánh.

Cái khó khăn rất quan trọng của họ, hiển nhiên, là cái khó khăn của chủ đề và sự không thể áp dụng phương pháp khoa học cho chủ đề. Dẫu sao, cần nhấn mạnh rằng đó không phải là khó khăn duy nhất. Đó là lý do máy bay không hạ cánh - nhưng nó không hạ cánh.

Chúng ta học rất nhiều từ thực nghiệm về cách xử lý một số bẫy lừa chính mình. Một ví dụ: Millkikan đo điện tích trên một electron bằng thực nghiệm với giọt dầu rơi và có được đáp án mà bây giờ chúng ta biết là không đúng lắm. Nó bị sai một chút, vì giá trị độ nhớt không khí ông sử dụng bị sai. Thật thú vị khi xem lịch sử đo điện tích electron, sau Millikan. Nếu bạn vẽ nó như một hàm theo thời gian, bạn sẽ thấy một cái lớn hơn một chút của Millikan, cái tiếp theo lớn hơn một tí tẹo, cái sau nữa lại lớn hơn một tí tẹo, đến cuối cùng nó ổn định ở một số lớn hơn.

Tại sao người ta không khám phá ra giá trị mới lớn hơn ngay từ đầu? Đó là thứ mà nhà khoa học thấy xấu hổ trong lịch sử vì rõ ràng là họ đã làm như thế này: Khi họ ra một số quá cao so với giá trị của Millikan, họ nghĩ rằng có một cái gì đó chắc chắn sai, và họ đi tìm và tìm thấy lý do cho thứ bị sai. Khi họ ra một số gần với giá trị của Millikan hơn, họ không đi tìm quá kĩ. Và vì thế họ loại bỏ các số ở quá xa, và làm những thứ tương tự vậy. Giờ chúng ta đã biết về những mẹo vặt đó, và chúng ta không nhiễm bệnh dịch kiểu đó.

Nhưng câu chuyện dài về việc học làm thế nào để không lừa chính mình - định nghĩa tính ngay thẳng khoa học - là, rất tiếc phải nói, thứ mà chúng ta không để riêng cụ thể vào trong bất cứ khóa học nào mà tôi được biết. Chúng tôi chỉ hi vọng các bạn nắm bắt được qua thẩm thấu.

Nguyên tắc đầu tiên là bạn phải không được lừa dối chính mình - và bạn là người dễ nhất để lừa đối. Vì thế bạn phải tuyệt đối cẩn thận về điều đó. Sau khi bạn không lừa chính mình, thật dễ dàng để không lừa các nhà khoa học khác. Bạn sau đố chỉ cần phải tiếp tục thành thật theo đã làm.
Tôi muốn thêm vào một thứ không phải là bản chất của khoa học, nhưng là một điều tôi tin tưởng, đó là bạn không nên lừa người thường khi bạn nói chuyện với tư cách là một nhà khoa học. Tôi không cố nói cho bạn biết nên làm gì khi lừa dối vợ, hoặc lừa bạn gái của bạn, hay đại loại như thế, khi bạn không cố gắng trở thành một nhà khoa học, mà chỉ cố gắng trở thành một con người bình thường. Chúng tôi sẽ để lại những vấn đề đó cho bạn và người thân. Tôi nói về tính ngay thẳng cụ thể, mang nghĩa rộng hơn là không nói dối, nhưng nhìn lại phía sau(*) để thấy bạn có thể sai như thế nào, mà bạn phải làm khi hoạt động như một nhà khoa học. Và đây là trách nhiệm của chúng ta với tư cách là nhà khoa học, chắc chắn đối với các nhà khoa học khác, và tôi nghĩ đối với người thường.
(*): bending over backwards: thành ngữ

Ví dụ, tôi hơi ngạc nhiên khi tôi nói chuyện với một người bạn sẽ lên đài phát thanh. Anh ấy làm về vũ trụ học và thiên văn học, và anh ấy tự hỏi làm thế nào để giải thích những ứng dụng của công việc này là gì. "Vâng," tôi đã nói, "không có cái nào cả". Anh ấy nói, "Đúng, nhưng sau đó chúng tôi sẽ không giành được sự hỗ trợ cho thêm những nghiên cứu kiểu này nữa." Tôi nghĩ rằng đó là kiểu không thành thật. Nếu bạn tự thể hiện là một nhà khoa học, thì bạn nên giải thích cho người thường về những gì bạn làm - và nếu họ không muốn hỗ trợ bạn trong những trường hợp đó, thì đó là quyết định của họ.

Một ví dụ cho nguyên tắc này là đây: Nếu bạn xác định là kiểm tra một lý thuyết, hoặc bạn muốn trình bày một ý tưởng, bạn nên luôn luôn quyết định công bố nó bất chấp nó sẽ như thế nào. Nếu chúng ta chỉ công bố kết quả theo một kiểu nào đó, chúng ta có thể làm cho các luận điểm trông tốt. Chúng ta phải công bố cả hai loại kết quả. Ví dụ - tiếp tục về quảng cáo - giả sử một loại thuốc lá đặc biệt có thuộc tính riêng biệt, ví dụ như chứa nicotine thấp. Nó được công bố bởi công ty rằng điều đó có nghĩa là tốt cho bạn - họ không nói, ví dụ là cặn khói thuốc có tỉ lệ khác, hoặc cái gì khác là bản chất của thuốc lá. Nói cách khác, xác suất công bố phụ thuộc vào câu trả lời. Không nên làm như thế.

Tôi nói rằng, cũng rất quan trọng trong việc đưa ra lời khuyên nào đó cho chính phủ. Giả sử một thượng nghị sĩ hỏi bạn lời khuyên về việc có nên khoan dầu trong bang của ông ta không; và bạn quyết định nó sẽ tốt hơn ở một số bang khác. Nếu bạn không đưa ra kết quả như vậy, thì với tôi dường như bạn không đưa ra lời khuyên khoa học. Bạn đã bị sử dụng. Nếu câu trả lời của bạn tình cờ được đưa ra theo hướng chính phủ hoặc chính trị gia thích, họ có thể sử dụng nó như một luận điểm có lợi cho họ; nếu nó được đưa ra theo hướng khác, họ không công bố nó chút nào. Đó không phải là đưa ra lời khuyên khoa học.

Các loại lỗi khác đặc trưng hơn cho khoa học nghèo nàn. Khi tôi ở Cornell. Tôi thường nói chuyện với những người trong khoa tâm lý. Một trong những học sinh nói với tôi rằng cô ấy muốn thực hiện một thí nghiệm giống như thế này - tôi không nhớ chi tiết, nhưng người khác đã phát hiện ra rằng trong những trường hợp nhất định, X, chuột đã làm gì đó, A. Cô ấy tò mò liệu cô ấy có thay đổi hoàn cảnh thành Y hay không, chúng có thể vẫn làm, A. Vì vậy, đề xuất của cô ấy là làm thí nghiệm trong hoàn cảnh Y và xem chúng có còn làm A.

Tôi giải thích với cô ấy rằng trước tiên cần phải lặp lại trong phòng thí nghiệm của cô ấy, thí nghiệm của người khác, thực hiện điều kiện X để xem liệu cô ấy cũng có thể nhận được kết quả A - và sau đó đổi thành Y và xem A có thay đổi không. Sau đó, cô sẽ biết rằng sự khác biệt thực sự cô nghĩ tới là nằm trong tầm kiểm soát.

Cô rất vui mừng với ý tưởng mới này, và đã đi đến gặp giáo sư của mình. Và câu trả lời của ông ấy là, không, bạn không thể làm điều đó, vì thử nghiệm đã được thực hiện và bạn sẽ lãng phí thời gian. Đó là vào khoảng năm 1935 hoặc gần thế, và dường như đó là chính sách chung về sau không cố gắng lặp lại các thí nghiệm tâm lý, mà chỉ thay đổi các điều kiện và xem điều gì sẽ xảy ra.

Ngày nay, có một mối nguy hiểm nhất định cho những điều tương tự xảy ra, ngay cả trong những ngành vật lý nổi tiếng. Tôi đã bị sốc khi nghe về một thí nghiệm được thực hiện tại máy gia tốc lớn tại Phòng thí nghiệm máy gia tốc quốc gia, nơi một người sử dụng hydro nặng(*). Để so sánh kết quả hydro nặng của ông ta với những gì có thể xảy ra với hydro nhẹ, ông ta phải sử dụng dữ liệu từ thí nghiệm trên hydro nhẹ của một người khác, được thực hiện trên thiết bị khác. Khi được hỏi, ông nói rằng đó là vì ông không thể có đủ thời gian trong chương trình (vì có rất ít thời gian và nó là thiết bị rất đắt tiền) để thực hiện thử nghiệm với hydro nhẹ trên thiết bị này vì sẽ không có kết quả nào mới. Và vì thế, những người đàn ông phụ trách các chương trình tại NAL rất sốt ruột về kết quả mới, để có thêm tiền để duy trì hoạt động vì mục đích quan hệ công chúng, họ rất có thể đã tự phá hủy giá trị của thí nghiệm, là toàn bộ mục đích của công việc. Thường rất khó cho các nhà thí nghiệm ở đó để hoàn thành công việc theo đúng yêu cầu của tính ngay thẳng khoa học.
(*): deuterium: tên khoa học

Tuy nhiên, tất cả các thí nghiệm trong tâm lý học không thuộc loại này. Ví dụ, đã có nhiều thí nghiệm chạy chuột qua tất cả các loại mê cung, và cứ thế, với một kết quả có vẻ rõ ràng. Nhưng vào năm 1937, một người đàn ông tên Young đã làm một điều rất thú vị. Anh ta có một hành lang dài với những cánh cửa dọc theo một bên nơi những con chuột bước vào, và những cánh cửa dọc theo phía bên kia nơi có thức ăn. Anh ta muốn xem liệu anh ta có thể huấn luyện những con chuột đi vào ở cửa thứ ba từ bất cứ nơi nào anh ta bắt đầu thả chúng không. Không. Những con chuột đã đi ngay đến cửa nơi có thức ăn của lần trước đó.

Câu hỏi là, làm thế nào mà những con chuột biết, bởi vì hành lang được xây dựng rất chuẩn và đồng đều, rằng đó là cùng một cánh cửa như lần trước? Rõ ràng có một cái gì đó về cánh cửa khác với những cánh cửa còn lại. Vì vậy, anh vẽ các cánh cửa rất cẩn thận, sắp xếp các họa tiết trên các mặt của cửa giống hệt nhau. Những con chuột vẫn nhận ra. Sau đó, anh ta nghĩ rằng có lẽ những con chuột ngửi thấy mùi thức ăn, vì vậy anh ta đã sử dụng hóa chất để thay đổi mùi sau mỗi lần chạy. Những con chuột vẫn nhận ra. Sau đó, anh nhận ra những con chuột có thể có thể nhận ra bằng cách nhìn thấy ánh sáng và sự sắp xếp trong phòng thí nghiệm giống như bất kỳ người nào. Vì vậy, anh ta che kín hành lang, và, những con chuột vẫn nhận ra.

Cuối cùng anh ta thấy rằng chúng có thể nhận ra bằng âm thanh sàn nhà phát ra khi chúng chạy qua. Và anh chỉ có thể khắc phục điều đó bằng cách rải cát vào hành lang. Vì vậy, anh ta lần lượt che đậy tất cả các manh mối có thể và cuối cùng đã có thể đánh lừa những con chuột để chúng phải học cách đi vào cánh cửa thứ ba. Nếu anh ta để lỏng bất kỳ điều kiện của mình, những con chuột có thể nhận ra.

Bây giờ, từ quan điểm khoa học, đó là một thí nghiệm A‑lần thứ‑l. Đó là thí nghiệm làm cho các thí nghiệm chạy chuột trở nên hợp lý, bởi vì nó phát hiện ra manh mối rằng chuột thực sự đang sử dụng - không phải là những gì bạn nghĩ rằng chúng sử dụng. Và đó là thí nghiệm cho biết chính xác những điều kiện bạn phải sử dụng để cẩn thận và kiểm soát mọi thứ trong một thí nghiệm với chuột đang chạy.

Tôi nhìn vào lịch sử tiếp theo của nghiên cứu này. Các thí nghiệm tiếp theo, và sau đó, không bao giờ trích dẫn đến Young. Họ không bao giờ sử dụng bất kỳ tiêu chí nào của anh ta về việc đặt hành lang trên cát, hoặc trở nên rất cẩn thận. Họ chỉ tiếp tục chạy chuột theo cùng một cách cũ, và không chú ý đến những khám phá vĩ đại của anh Young, và bài báo của anh không được trích dẫn đến, bởi vì anh đã không phát hiện ra bất cứ điều gì về những con chuột. Trên thực tế, anh ấy đã khám phá tất cả những điều bạn phải làm để khám phá điều gì đó về chuột. Nhưng không chú ý đến các thí nghiệm như thế là một đặc điểm của khoa học bắt chước thần thánh.

Một ví dụ khác là các thí nghiệm ngoại cảm của ông Rhine, và những người khác. Vì nhiều người đã đưa ra những chỉ trích - và chính họ đã đưa ra những chỉ trích về thí nghiệm của chính họ - họ cải thiện các kỹ thuật và thế là các hiệu ứng nhỏ hơn, nhỏ hơn và nhỏ hơn cho đến khi chúng dần biến mất. Tất cả các nhà nghiên cứu các hiện tượng dị tường tìm kiếm một số thí nghiệm có thể lặp đi lặp lại - nghĩa là bạn thậm chí có thể làm lại và nhận được hiệu ứng mang nghĩa thống kê tương tự. Họ chạy với một triệu con chuột - không, bây giờ là với người, họ làm rất nhiều việc và có được hiệu ứng thống kê nhất định. Lần sau họ thử nó, họ không nhận được nữa. Và bây giờ bạn thấy rằng ông ấy nói rằng đó là một yêu cầu không liên quan để trông đợi một thí nghiệm có thể lặp lại. Đây là khoa học sao?

Người đàn ông này cũng nói về một tổ chức mới, trong một cuộc nói chuyện trong đó ông từ chức Giám đốc của Viện Nghiên cứu các hiện tượng dị tường. Và, khi nói với mọi người những việc cần làm tiếp theo, ông nói rằng một trong những điều họ phải làm là chắc chắn rằng họ chỉ đào tạo những sinh viên đã thể hiện khả năng của mình để đạt được kết quả PSI ở mức độ chấp nhận được - để không lãng phí thời gian vào sinh viên có tham vọng và hứng thú chỉ đạt được kết quả may mắn. Sẽ rất nguy hiểm khi có một chính sách như vậy trong việc dạy học - chỉ dạy cho học sinh cách đạt được kết quả nhất định, thay vì làm thí nghiệm với tính ngay thẳng khoa học.

Vậy tôi ước cho các bạn - tôi đã hết thời gian, vậy tôi có một ước muốn cho các bạn - may mắn tốt lành được ở một nơi các bạn được tự do để duy trì tính ngay ngẳng mà tôi đã miêu tả, được ở một nơi mà bạn không cảm giác bị sức ép phải giữ vững vị trí trong một tổ chức, hoặc các hỗ trợ tài chính, hoặc các cái thứ tương tự, để bị mất tính ngay thẳng của bản thân. Bạn sẽ có thể có tự do. Tôi có thể đưa ra cho bạn một lời khuyên nhỏ cuối cùng: Không bao giờ đi làm diễn giả trừ phi bạn biết rõ bạn sẽ phải bàn đến điều gì và nhiều hay ít cái mà bạn sẽ nói ra.

Source: https://en.wikipedia.org/wiki/Javad_Alizadeh

1. Chia tách từ: Nói về vấn đề thế nào là từ (và làm thế nào lấy được nó) trong văn bản tiếng Việt

EMPIRICAL STUDY ON VIETNAMESE WORD SEGMENTATION
1. SUMMARY

In this paper, we investigate the problem of word segmentation for Vietnamese. Unlike other languages such as English, French where words are separated by space, in Vietnamese writing system, there is no special token to mark word boundary. Vietnamese words contain one or more syllables and spaces are used to separate syllables. The goal of word segmentation is therefore to consider whether to merge consecutive syllables into a single word. We show that by using Conditional Random Field along with some simple post-processing methods, good performance with F-measure of about 98% can be achieved. These results show this word segmentation system for Vietnamese is good enough to be used in real applications.
Keywords: Vietnamese Word Segmentation, Conditional Random Field, post-processing
2. INTRODUCTION

In Vietnamese text, words are difficult to be distinguished as there are only boundaries marked by space between syllables. Each Vietnamese word is constituted of one or multiple syllables. This phenomenon is the same for Mandarin while it is not the case for many languages, especially popular European languages: English, French. Moreover, about 85% of Vietnamese words are multiple syllables, about 80% of these syllables can stand alone form words. Therefore, a word segmentation task, i.e., how to combine syllables into words, is a crucial preprocessing step for Vietnamese Natural Language Processing. Note that, this task is to consider only how to form words from syllables, not how to divide complex words into sub-parts as with other languages: Arabic, German...

To better figure out this problem, let take one example. Supposing that we have one sentence as follows:

học sinh học sinh học .

As 'học' (learn), 'sinh' (give birth, produce), 'học_sinh' (pupil) and 'sinh_học' (biology) are all valid words in Vietnamese, ignoring the meanings, there are many ways to segment this sentence, for example:

học | sinh | học | sinh | học .
học_sinh | học | sinh | học .
học_sinh | học | sinh_học .

Here, for the ease of reading, we use '_' to separate syllables within a word and '|' as a word boundary. For this example, the only valid way is in bold. This example shows that for this task, in order to remedy the ambiguity issues, we should take into consideration the syntactic and semantic information. Though, in fact, for this example, the use of statistical models, such as language models could be enough. Even with human, there exist ambiguities. Until now, there are rules defined for Vietnamese word segmentation. They are useful but some of them are not yet proved to be helpful in application, e.g., one rule is to combine a first name and a last name to form a single word but is it good for Machine Translation?

Maximum Matching (MM) is considered as a standard algorithm for the word segmentation task. For Vietnamese Word Segmentation, it was first studied in [1]. At each position, this algorithm chooses a segmentation by determining the longest syllable sequence which forms a word. Though simple, this method works well in practice because longer words are more likely to be correct than short words. According to [1], the MM algorithm was augmented by using bigram statistics to resolve overlap ambiguities but the F-measure improvement is only of about 0.2 to 0.3%. PVnSeg is another Vietnamese Word Segmentation tool, which also try to augments MM by following the rule-based approach to detect compound formulas such as proper nouns, common abbreviations, dates, numbers, e-mail addresses... In [2], it is shown to achieved the best performance. However the reason is not clear as basically, this approach helps the system to better deal with unknown syllables. It is supposed to have a very small portion of unknown syllables in text. Moreover, most of the time, it's enough to consider each of them as a word and MM already do this implicitly.

Another approach is to recast the problem as a classification one as in [3]. Then, it is straightforward to use classification models such as Conditional Random Fields (CRFs) or Support Vector Machines (SVMs). In this article, this approach with CRF and SVM is shown to outperform MM to a large extent. However, in [2], this seems not to be the case on larger data as the difference between this approach and MM is rather small and even PVnSeg, the augmented version of MM, is shown to be better.

Regarding mixed results in the literature, the main goal of this article is to revise this problem in order to, hopefully, have more consistent results by using a larger and better data recently available. The performance of MM, CRF with some simple post-processing methods are compared and analyzed together.

The remaining part of this article is structured as follows. In Section 3, two methods are described in detail. Experimental results will be shown in Section 4. Finally, this article is finished with some conclusions in Section 5.
3. METHODS

In this section, two methods for word segmentations are presented. The former is Maximum Matching, the simple one, but its performance is not necessarily worst. For the later, this task is first considered as a classification problem, then Conditional Random Field is applied with handcrafted extracted features.
3.1. MAXIMUM MATCHING

Maximum Matching (MM) is a greedy method. At each position, longest words are selected where the length of a word is defined as its number of syllables. After that, we move to the next position just after the new word and do it again. If we meet any unknown syllable in the dictionary, we consider this as one word and continue. So come back to the previous example, for a sentence:

học sinh học sinh học .

The result should be:

học_sinh | học_sinh | học .

It makes a good choice for the first word but for the next two words, it makes a mistake 'học_sinh | học' should be 'học | sinh_học' instead.
3.2. CLASSIFICATION WITH CONDITIONAL RANDOM FIELD

First, the problem is recasted to a classification problem. In [3], there are three possible labels for each syllable: 'BW', 'IW', 'O'. 'BW' is for begin of word, 'IW' is for internal part of word and 'O' is for outside of word (for special token such as punctuation). The use of an additional label 'O' is not clear as the results of word segmentation are the same if we consider all 'O' as 'B_W'. Moreover, this mapping reduces the number of classes from 3 to 2, making the problem simpler. The results from preliminary experiments show that the performance is slightly better when using only 2 classes, so in the experimental part, we will only use CRF of 2 classes.

According to [3], the label for the correct segmentation of the example, 'học_sinh | học | sinh_học .', is shown in Table 1. Note that in the last line, for dot '.' we will substitute its label from 'O' to 'B_W'.

Table 1: Examples for class labels used in Word Segmentation

Now, the goal is to assign to each syllable a good label. To do that, we can use any classification method, here, we choose Conditional Random Field (CRF) because of its capacity of using rich and redundant features.

CRF we used is in fact linear-chain CRF, one type of an indirect graphical model, aiming at assigning labels to all elements in a sequence at the same time. To formulate the problem, first considering
as a sequence of random variables used to represent labels (n is in general different for each sequence) and
as a sequence of random variables representing observations (attributes), then, the task is to find the most likely sequence of labels for an observation sequence , i.e, finding the one that maximizes:

Z is a normalization factor, which is computed as:

means summation over all possible values of labels.

Functions f are called feature functions. Each one is a Kronecker (δ) test function which fires when a set of attribute and label values satisfy some criteria. For example, if we define
, it means that it fires when the jth word is 'sinh' and the label for this word is 'B_W'. means that it fires when the jth word is in a set and the label for this word is 'B_W'. We can also test if the value of is in a specification format (time, date, number...)

In general, feature functions could be defined arbitrarily but for a linear-chain CRF, only combinations of attributes and one label and combinations of two consecutive labels are accepted. It means that this type of model cannot capture dependencies between labels other than two consecutive ones (label bigrams). The features which are conditioned on combinations of attributes and one label are called state features whereas the features which are conditioned on label bigrams are called transition features. For instance,
is a state feature whereas
is a transition feature.

Set of is parameters to be learned. These optimal values could be found by maximizing likelihood for all sequences on the training data :

It should be noted that the summation above is convex, so the global optimum can be found, by carrying out certain numerical optimization algorithms, such as Stochastic Gradient Descent or Gradient Descent using the L-BFGS. To prevent overfitting, L2 regularization term should be used.

The performance of this type of model strongly depends on the choice of feature functions. As CRF is often known to be robust with redundant features, one naive solution is to add as many types of features as possible. However, in practice, for the computational cost reason, eliminating useless features is necessary.

For word segmentation, similar to [3], we consider a set of features presented in Table 2. Detailed descriptions for these features will be shown in Section 4.
3.3. ADDITIONAL RESOURCES

As shown in [3], there are additional resources which could also be helpful. They are provided along with the toolkit JVnTextPro (http://jvntextpro.sourceforge.net/) of [3]. The first one is the dictionary, which contains 70,592 words. Many are multiple syllable words which do not occur in the word segmentation corpus. The second one is the list of locations taken from Wikipedia. The third one is the list of proper names. Both last two resources could be used to deal with the name entity.

For MM, all three additional resources are taken following the same way. All are considered as words and are added to extend the dictionary.

For CRF, the additional features are defined which fire whether words are in the dictionary ('dict'), in the list of locations ('locations') or in the list of first names ('first_names'), middle names ('middle_names'), last names ('last_names') extracted from a list of proper names.

3.4. POST-PROCESSING

There are two post-processing methods inspired from two simple observations. The first one is that the unknown syllables are often grouped in one word, so we scan the output text from a word segmentation model and group all consecutive unknown words if each of them is a single one, i.e., containing only 1 syllable. We use 'unk' to denote this post-processing method.

The second observation is that, the most frequent ambiguity is between two possible segmentation solution for 3 syllables ('a b c'): considering them as 2-syllable word ('a_b'), then 1-syllable word ('c') or vice-versa, 1-syllable word ('a') then 2-syllable word ('b_c'). For example, 'học_sinh | học' or 'học | sinh_học' for 'học sinh học'. We call it 'overlap ambiguity'. Most of the time, this issue can be resolved by using information from statistics drawn from the training data. Here we simply use probabilities based on unigram, so the choice depends on the comparison between P('a') + P('b_c') and P('a_b') + P('c'). This probability is computed from the word frequency counted in the training data. Using probabilities with higher order of gram is possible but we leave this investigation as a future work. We call this method 'uni'.
4. EXPERIMENTAL RESULT

The text used was induced from the corpus of KC01/06-10 project "Building Basic Resources and Tools for Vietnamese Language and Speech Processing" (VLSP). The corpus for word segmentation consisted of 62,873 sentences, of 1,537,068 running words. We divided it into 5 chunks and then carried out 5-fold Cross Validation: for each setup, we took 4 parts as the training data and the rest as the test data. The experimental results reported in Table 3 are the average on 5 setups.
To evaluate a model, we used F-measure which is computed from Precision and Recall. Concretely, supposing that there are N_ref words in a reference, N_hyp words in the output of a model and N_cor words which are correctly segmented, Precision and Recall are computed as follows:

Precision = N_cor / N_hyp

Recall = N_cor / N_ref

Then, we obtain F-measure as the average of Precision and Recall.

F-measure = (Precision + Recall) / 2

CRFs were trained using CRFsuite [4]. There are only 2 types of labels (B_W, I_W) instead of 3 (B_W, I_W, O) compared with [3] as preliminary experimental results show that the former configuration is better. Scripts for all experiments were roughly based on the code provided by Anindya Roy (https://github.com/roy-a/Roy_VnTokenizer).

List of state features for CRF are summarized in Table 2. The transition features are also used but their parameters are learned from the statistics on the training data for bi-gram labels. They are fixed, the Gradient Descent with L-BFGS algorithm modifies only parameters of state features.

The first three lines are for the n-gram features.

The next eight lines are for the features testing whether a word formed by n-gram is in the 'dict', 'first_name', sets obtained from the additional resources...

The remaining lines are for the features testing word format.

Table 2: Features for CRF

All results are grouped in Table 3. In this table, '+lex' stands for the use of three additional resources (dictionary, list of locations and list of proper names). '+lexwot' is '+lex' but eliminating words that have more than 2 syllables and 2-sylllable words which are separated at least once in the training data. '+unk' stands for the 'unk' post-processing method. '+uni stands for the 'uni' post-processing method.

In all configurations, CRF is better than MM. In the best configuration, CRF outperforms MM of about 1.1% (97.80% compared with 96.68%).

Using additional resources is only helpful for CRF (see line 2 and 3 of the table). For MM, the result drops down significantly with '+lex' but remains almost the same with '+lewwot'. So for MM, it is even harmful if we don't resolve the inconsistency between multiple syllable words induced from 'dict' and the training data. On the contrary, the performance of CRF is better in the two cases, showing that CRF is more robust in combining features.

Two post-processing steps are helpful but the improvement is not at the same order between MM and CRF. While '+unk' always helps, the use of unigram to resolve the ambiguity brings a significant improvement only for MM. The average number of edition after doing unigram post-processing is 190 for MM and 5 for CRF. This fact implies that by taking n-gram features, CRF can well handle this overlap ambiguity.

We take a quick glance at the output of the best system and find that many errors are hard to correct because they are caused by the inconsistency existing in the training data. A large part of the other errors could be corrected by applying some simple post-processing rules.

Table 3: Word Segmentation with F-measure (in %).

1. CONCLUSION

In this article, by comparing and analyzing two methods, named Maximum Matching and Conditional Random Fields, for Vietnamese Word Segmentation, we show that CRF is better. The result of about 98% seems to be good enough to be used in real applications. CRF is shown to be robust in combining different types of features and is good at resolving the overlap ambiguity issue. The use of statistical language models for post-processing seems not to be very helpful for CRF. Future work should focus on analyzing the errors of CRF and on finding some post-processing rules to correct them.
REFERENCES

[1] H. P. Le, T. M. H. Nguyen, A. Roussanaly, and T. V. Ho. (2008). A hybrid approach to word segmentation of Vietnamese texts. In 2nd International Conference on Language and Automata Theory and Applications, Tarragona, Spain.

[2] Q. T. Dinh, H. P. Le, T. M. H. Nguyen, C. T. Nguyen, M. Rossignol, and X. L. Vu. (2008). Word segmentation of Vietnamese texts: a comparison of approaches. LREC 2008.

[3] C. T. Nguyen, T. K. Nguyen, X. H. Phan, L. M. Nguyen, and Q. T. Ha. (2006). Vietnamese word segmentation with CRFs and SVMs: An investigation. In Proceedings of the 20th Pacific Asia Conference on Language, Information and Computation (PACLIC 2006)

[4] Naoaki Okazaki. (2007). CRFsuite: a fast implementation of Conditional Random Fields (CRFs). http://www.chokkan.org/software/crfsuite/

“Tiếng vĩ cầm réo rắt, tiếng dương cầm du dương”

Hồi trẻ, thầy vật lý dạy sự khác biệt là do âm sắc. Sự khác biệt có thể thấy rõ khi nhìn tín hiệu trong miền tần số. Hình ảnh trong miền tần số đó gọi là phổ tín hiệu.

Biểu đồ 2.6: Formant với Praat [1]

Ví dụ về nhạc cụ chỉ mang tính chất gợi mở, ke ke. Tôi sẽ tập trung vào tiếng nói. Phổ tín hiệu có thể được thể hiện ở phần phía dưới trong hình vẽ 2.6. Trục ngang là thời gian. Trục dọc là tần số (từ 0 đến 11025Hz). Trọng lượng của tần số hình thành nên tín hiệu được thể hiện trong dải màu đen trắng: Từ trắng đến đen nghĩa là từ thấp đến cao. Ở miền thời gian phía trên có hai phần. Các cục to là khi tôi nói một nguyên âm, tương ứng với phần phía dưới là các vùng khu tần số thấp đen đậm hơn. Chỗ đều đều là tín hiệu âm thanh môi trường có nhiễu, các tần số có trọng lượng thấp mờ nhạt hơn.

Biểu đồ 2.7: Phân bố f₁ của nguyên âm đơn tiếng Việt

Biểu đồ 2.8: Phân bố f₂ của nguyên âm đơn tiếng Việt

Biểu đồ 2.9: Bản đồ formant (f₁, f₂) của nguyên âm đơn tiếng Việt

Ở phần các cục to to là các tiếng nói hữu thanh, ta thấy có các dải đỏ chạy khá ổn định. Đó là các điểm thể hiện formant. Formant đơn giản là các điểm cực đại cục bộ của phổ, nghĩa là các tần số có trọng lượng cao hơn so với các tần số nằm xung quanh. Tất nhiên xung quanh phải đủ rộng thì mới có ý nghĩa. Các formant không thể hiện hết phổ nhưng đóng vai trò đại diện khá ổn. Ta có âm sắc (phổ) các formant.

Ta có thể phân biệt các nguyên âm bằng phổ của chúng, nghĩa là có thể ở mức độ nào đó sử dụng formant để phân biệt. Ở ba hình vẽ 2.7, 2.8, 2.9 là các formant của nguyên âm tiếng Việt được thống kê từ bộ dữ liệu thu âm các câu nói của một số người Việt. Dữ liệu gồm 168 nữ, 38 nam, 102712 câu nói. Dữ liệu câu nói được gán nhãn ở mức câu, nghĩa là tương ứng với mỗi file wav câu nói đó sẽ có một dòng văn bản đi kèm thể hiện là người đó đã nói gì. Sau đó tôi sử dụng công cụ Kaldi [3] để xây dựng hệ thống Ghi lại lời nói, từ đó gán nhãn tự động các câu ở mức âm vị (phoneme). Âm vị là đơn vị nhỏ hơn tiếng, ví dụ như từ /bán/ có thể phân tách thành ba âm vị /B/, /A/, /NC/. Từ đó ta có tương ứng với mỗi đoạn tín hiệu (đoạn file wav) là loại âm vị gì (hoặc không xuất hiện tiếng nói, coi như âm vị đặc biệt /SIL/ (silence - khoảng lặng). Có thống kê âm vị (bỏ qua SIL) xuất hiện trong cơ sở dữ liệu như trong Biểu đồ 2.10. Chú ý là các âm vị không được kí hiệu như theo IPA mà là theo kiểu Telex. Do đó OW là Ơ, UW là Ư, UWOW là nguyên âm đôi ƯƠ, OO là Ô, EE là Ê... Ngoài ra âm vị có C ở cuối là để chỉ âm vị nằm ở vị trí cuối. Ví dụ N là âm vị nằm ở đầu, trong /năm/, /no/..., còn NC là âm vị nằm ở cuối, trong /tan/, /bốn/. Đây là một cách phân loại âm vị tôi cảm thấy phù hợp cho việc phát triển hệ thống Ghi lại lời nói. Có nhiều cách phân loại âm vị. Chi tiết về chúng xin hẹn bạn đọc trình bày vào một dịp khác.

Biểu đồ 2.10: Thống kê âm vị trong cơ sở dữ liệu

Cuối cùng tôi sử dụng Praat [1] để tính toán formant cho từng đoạn, rồi vẽ biểu đồ tần suất (histogram). Đỉnh của histogram cho từng nguyên âm được cho vào trong bảng 2.1.

Bảng 2.1: Giá trị formant thường gặp của nguyên âm

Có thể thấy rằng kết quả rất phù hợp với các kết luận đã có từ trước. Ví dụ như trong ngôn ngữ học, ngữ “chưa mua mía” có các nguyên âm đôi /uw-ow/, /u-oo/, /i-ee/ được cho là biến đổi từ nguyên âm đơn bắt đầu (/uw/, /u/, /i/) sang nguyên âm kết thúc (/ow/, /oo/, /ee/) hướng về phía nguyên âm /a/. Do đó mới bị viết lệch thành “a” ở cuối. Ta có thể vẽ đường di chuyển rất đẹp của chúng (màu đỏ) trên hình vẽ 2.9.

[tiếp] [trước] [mục lục]

“Ca sĩ này giọng cao vút”

Khi nói đến độ cao thấp là nói đến việc ta cảm nhận tiếng nói trong miền tần số. Giọng trẻ con cao vút, giọng nữ chua loét, giọng nam trầm trầm. Đó là do sự khác nhau ở tần số cơ bản: Là tần số rung của dây thanh ở trong cuống họng, thường được gọi là tần số cơ bản, kí hiệu là f₀. Khác với cường độ, đánh giá tham số đặc tính là tần số cơ bản này không hề đơn giản. Ta có thể sử dụng Praat [1] để thử xem tần số cơ bản này có hình dáng như thế nào trong hình vẽ 2.4.

Biểu đồ 2.4: f₀ với Praat [1]

Tần số cơ bản là đường màu xanh nước biển ở phía dưới (đo bằng Hz). Đường này đứt đoạn vì có nhiều chỗ không có. Khi ta nói có đoạn có tần số cơ bản gọi là hữu thanh, không có là vô thanh. Hữu thanh là khi ta phát âm, luồng không khí đi từ phổi qua cuống họng rồi qua miệng (hoặc mũi) ra ngoài. Đó là khi ta nói nguyên âm và một số phụ âm. Vô thanh là khi không khí không móc từ dưới lên mà chỉ được bật ra chủ yếu từ phần cuống họng sau dây thanh, lưỡi, răng. Đó là khi ta nói với đa số các phụ âm. Dấu hiệu cơ bản nhất để nhận biết là với các âm hữu thanh, ta có thể ngân nga kéo dài chứ không bị ngắt cụt lủn như âm vô thanh.

Khi hát nốt cao cũng chính là khi ta chỉnh tần số cơ bản cao và ngược lại.

[tiếp] [trước] [mục lục]

“Nói nhỏ quá, nói to lên tí đi”

Tai người cảm nhận độ to nhỏ khác nhau ở những tần số khác nhau. Tham số cường độ theo cách tính cơ bản không tính tới điều này. Do vậy cường độ không phản ánh hoàn toàn độ to nhỏ nhưng là độ đo tốt để bắt đầu. Trong một khoảng thời gian, giả sử ta lấy được N mẫu thì cường độ I có thể được ước lượng như sau:

Cường độ thường được đo bằng decibel, nghĩa là trong thang log, tương ứng với việc sử dụng log(I).

Biểu đồ 2.2: Cường độ với Praat [1]

Trên hình vẽ 2.2, ta có thể thấy đường màu xanh ở phía dưới là cường độ trong từng khoảng thời gian ngắn của tín hiệu tiếng nói của tôi được đo bằng decibel. Xin được khuyến khích người đọc tải ứng dụng Praat [1] và thử chơi với tiếng nói của mình. Ở phần sau ta sẽ thấy Praat không chỉ chỉ cho ta thấy cường độ mà còn là nhiều thứ thú vị khác.

[tiếp] [trước] [mục lục]

Đặc tính tiếng nói

Tiếng nói người cũng như tiếng kêu con vật, tiếng nước chảy, tiếng quạt kêu nhìn từ góc độ vật lý là sóng âm thanh lan truyền trong không khí. Ta nghe được vì chúng bay bay đến đập vào tai, làm rung màng nhĩ.

Về kĩ thuật, để cho dễ hiểu, ta có thể mượn hình vẽ 2.1. Đây là hình vẽ lấy ở trong bài báo [4] ở đó người ta tính toán các đặc trưng của tiếng nói rồi trên cơ sở đó xây dựng các trò chơi luyện phát âm.

Biểu đồ 2.1: Tính toán đặc tính từ tín hiệu tiếng nói, ảnh mượn từ [4]

Ta thấy tín hiệu tiếng nói vào (Input Speech Signal) được trải qua các bước tiền xử lý bao gồm:

1. Khử DC (DC Offset): Chủ yếu để chuẩn hóa tín hiệu nhảy nhót quanh giá trị 0 (giá trị trung bình bằng 0)
2. Tiền nhấn mạnh (Pre-emphasis): Thực chất là bộ lọc ưu tiên tần số cao, nghĩa là giảm thiểu vai trò của tần số thấp vốn thường chịu ảnh hưởng của các hiệu ứng thu âm không mong muốn
3. Cửa sổ Hamming (Hamming window): Giảm ảnh hượng của việc tính toán tín hiệu số trong một đoạn tín hiệu ngắn, nghĩa là vi phạm giả thiết vô hạn của chuỗi Fourier. Ặc, biến đổi Fourier là một câu chuyện dài không thể nào viết đủ ở đây. Hẹn bạn đọc ở bài khác

Ý nghĩa chi tiết của các bước tiền xử lý này người viết xin được nợ vào một dịp sau sẽ viết ở phần phụ lục 6.

Sau đó các tham số đặc tính tiếng nói sẽ được ước lượng. Có nhiều cách tính khác nhau. Ví dụ như trong hình vẽ trên, ta có thể thấy người ta tính Formant theo hai bước: Phân tích mã hóa dự báo thẳng (Linear Predictive Coding analysis) rồi tính nghiệm (Root analysis).

Các tham số đặc tính tiếng nói có thể được định nghĩa là các tham số thể hiện ở mức độ nào đó các đặc tính tiếng nói tương ứng. Chúng ta có thể liệt kê ra một số đặc tính quan trọng như sau:

• Độ to nhỏ - Gắn với tham số Cường độ (Intensity)
• Độ cao thấp - Gắn với Tần số cơ bản (Fundamental frequency)
• Âm sắc (Timbre) - Gắn với các Phóoc-măng (Formants)

2.1 Độ to nhỏ
2.2 Độ cao thấp
2.3 Âm sắc

[tiếp] [trước] [mục lục]