Bịa và chế số liệu nghiên cứu: gian lận nặng hơn đạo văn
Bịa số liệu (fabrication) là tạo ra dữ liệu hoặc kết quả không hề tồn tại rồi ghi vào công trình; chế số liệu (falsification) là can thiệp vào dữ liệu, quy trình hoặc kết quả có thật — sửa, cắt bỏ, chọn lọc — khiến công trình không phản ánh đúng thực tế nghiên cứu. Cùng với đạo văn (plagiarism), hai hành vi này tạo thành bộ ba vi phạm liêm chính khoa học mà giới nghiên cứu quốc tế gọi tắt là FFP. Điểm quan trọng ít người biết: trong hầu hết khung xử lý, bịa và chế số liệu bị coi là nặng hơn đạo văn, vì đạo văn làm sai lệch việc ghi công còn bịa số liệu làm sai lệch chính tri thức. Và không có phần mềm kiểm tra trùng lặp nào phát hiện được chúng.
Cập nhật: tháng 7/2026 — Biên soạn bởi đội ngũ Kiểm Tra Tài Liệu, Metis JSC
Bịa số liệu (fabrication) là gì?
Bịa số liệu là hành vi tạo ra dữ liệu không có thật rồi báo cáo như thể đã thu thập được.
Theo định nghĩa của Office of Research Integrity (ORI, Bộ Y tế và Dịch vụ Nhân sinh Hoa Kỳ) tại 42 CFR Part 93, fabrication là "việc bịa ra dữ liệu hoặc kết quả rồi ghi lại hoặc báo cáo chúng"; falsification là "việc thao túng vật liệu, thiết bị hay quy trình nghiên cứu, hoặc thay đổi, bỏ sót dữ liệu, kết quả khiến nghiên cứu không được trình bày chính xác trong hồ sơ nghiên cứu".
Ở bậc đại học và sau đại học Việt Nam, bịa số liệu thường xuất hiện dưới ba dạng cụ thể:
- Chế phiếu khảo sát: đề tài cần 300 phiếu, phát được 120, tự điền nốt 180 phiếu còn lại rồi nhập vào SPSS.
- Bịa dữ liệu thực nghiệm: không chạy đủ số lần lặp thí nghiệm, tự suy ra con số "hợp lý" cho các lần còn lại.
- Bịa nguồn thứ cấp: dựng bảng số liệu doanh nghiệp hoặc số liệu ngành mà thực tế không tiếp cận được, ghi nguồn chung chung kiểu "theo báo cáo nội bộ".
Dạng thứ ba có họ hàng gần với việc AI bịa tài liệu tham khảo — cả hai đều tạo ra thứ trông giống dữ liệu thật nhưng không tồn tại trong thực tế.
Chế số liệu (falsification) là gì?
Chế số liệu là can thiệp vào dữ liệu có thật để kết quả trông đẹp hơn hoặc khớp với giả thuyết ban đầu. Khác với bịa, ở đây có dữ liệu gốc — nhưng dữ liệu đã bị bóp méo.
Các dạng phổ biến, xếp theo mức độ tinh vi tăng dần:
| Dạng chế số liệu | Biểu hiện cụ thể | Mức khó phát hiện |
|---|---|---|
| Sửa giá trị thô | Đổi trực tiếp vài con số trong file dữ liệu | Thấp — dễ lộ nếu bị yêu cầu nộp dữ liệu gốc |
| Loại quan sát bất lợi | Bỏ các phiếu, mẫu làm kết quả không có ý nghĩa thống kê | Trung bình — lộ qua chênh lệch cỡ mẫu giữa các bảng |
| Chọn lọc kết quả (cherry-picking) | Chỉ báo cáo phép kiểm định cho kết quả đẹp, giấu phần còn lại | Cao — cần so với đề cương ban đầu mới thấy |
| Làm tròn có chủ đích | Ép p-value từ 0,052 xuống "p < 0,05" | Cao — cần tính lại từ số liệu thô |
| Chỉnh sửa hình ảnh | Ghép, nhân bản, xóa vệt trong ảnh gel, ảnh hiển vi | Cao — cần công cụ pháp y hình ảnh |
Với sinh viên và học viên, hai dạng đầu chiếm đa số. Với nghiên cứu sinh và người viết bài báo khoa học, ba dạng sau nguy hiểm hơn vì người vi phạm thường tin rằng "chỉ chỉnh chút cho đẹp" không phải gian lận.
Bịa số liệu, chế số liệu và đạo văn khác nhau thế nào?
Ba hành vi khác nhau ở đối tượng bị xâm phạm: đạo văn xâm phạm quyền tác giả của người khác, còn bịa và chế số liệu xâm phạm chính tính đúng đắn của tri thức.
| Tiêu chí | Đạo văn (Plagiarism) | Bịa số liệu (Fabrication) | Chế số liệu (Falsification) |
|---|---|---|---|
| Bản chất | Lấy sản phẩm của người khác, không ghi công | Tạo dữ liệu không tồn tại | Bóp méo dữ liệu có thật |
| Đối tượng bị hại | Tác giả gốc | Cộng đồng khoa học, người ứng dụng kết quả | Cộng đồng khoa học |
| Phần mềm trùng lặp phát hiện được không | Có (với văn bản trùng) | Không | Không |
| Cách phát hiện chính | So khớp văn bản với kho dữ liệu | Kiểm tra tính khả thi thống kê, yêu cầu dữ liệu gốc | Phân tích thống kê, pháp y hình ảnh |
| Mức xử lý thường thấy | Nặng | Rất nặng | Rất nặng |
| Khắc phục được không | Có — trích dẫn lại, viết lại | Không — phải làm lại nghiên cứu | Không — phải làm lại phân tích |
Sự khác biệt ở dòng cuối là lý do FFP xếp bịa và chế số liệu ở mức nặng hơn. Một đoạn văn bị trùng lặp có thể sửa bằng cách trích dẫn lại hoặc diễn giải đúng chuẩn; một bảng số liệu bịa thì không có cách nào "sửa" ngoài việc thu thập lại từ đầu.
Vì sao phần mềm kiểm tra trùng lặp không phát hiện được số liệu bịa?
Vì phần mềm kiểm tra trùng lặp so khớp chuỗi ký tự với kho tài liệu đã có, còn số liệu bịa là chuỗi ký tự chưa từng tồn tại ở đâu cả — nên nó không trùng với bất kỳ nguồn nào.
Cơ chế hoạt động của các hệ thống này là băm văn bản thành các đoạn nhỏ, tạo dấu vân tay số rồi đối chiếu với chỉ mục nguồn; chi tiết kỹ thuật được trình bày trong bài các hệ thống kiểm tra đạo văn hoạt động như thế nào. Hệ quả trực tiếp:
- Một luận văn có 100% dữ liệu bịa vẫn có thể đạt tỷ lệ trùng lặp 3–5% — mức "rất đẹp" theo mọi quy chế.
- Ngược lại, một luận văn hoàn toàn trung thực nhưng trích dẫn nhiều có thể vượt 25%.
Tỷ lệ trùng lặp thấp không phải là bằng chứng của liêm chính học thuật. Nó chỉ chứng minh văn bản không sao chép, không nói gì về việc dữ liệu bên trong có thật hay không.
Đây là hiểu lầm phổ biến nhất về công cụ kiểm tra đạo văn, và cũng là lý do các ngưỡng tỷ lệ trùng lặp cần được đặt kèm đánh giá chuyên môn của hội đồng chứ không dùng đơn lẻ — vấn đề đã phân tích trong bài quy định điểm trùng lặp bao nhiêu thì là đạo văn.
Hội đồng phát hiện số liệu bịa bằng cách nào? 7 dấu hiệu
Không cần phần mềm chuyên dụng, phản biện có kinh nghiệm phát hiện dữ liệu bất thường bằng 7 phép kiểm tra sau — và bạn hoàn toàn có thể tự chạy chúng trên bài của mình trước khi nộp.
1. Kiểm tra tính khả thi của giá trị trung bình (GRIM test)
Với thang đo số nguyên (thang Likert 1–5, số câu trả lời đúng…), giá trị trung bình phải là một phân số có mẫu số bằng cỡ mẫu. Kỹ thuật này được Brown và Heathers công bố năm 2017 dưới tên GRIM (Granularity-Related Inconsistency of Means).
Cách làm trong 10 giây: lấy trung bình nhân với n, kết quả phải là số nguyên.
Ví dụ: báo cáo n = 30, trung bình = 3,47. Tính 3,47 × 30 = 104,1 — không phải số nguyên, nên giá trị trung bình này không thể tạo ra từ 30 câu trả lời trên thang số nguyên. Đây là dấu hiệu số liệu đã bị chỉnh tay hoặc cỡ mẫu báo cáo không đúng.
2. Đối chiếu p-value với thống kê kiểm định
Với các kiểm định phổ biến (t-test, ANOVA, chi bình phương), p-value được suy ra hoàn toàn từ giá trị thống kê và bậc tự do. Nếu bài báo cáo t = 1,82; df = 40 nhưng ghi p < 0,01 thì có mâu thuẫn. Nhóm nghiên cứu của Michèle Nuijten (Đại học Tilburg) đã xây dựng công cụ statcheck để tự động rà soát loại lỗi này trong các bài báo tâm lý học, và tỷ lệ bài có ít nhất một mâu thuẫn được ghi nhận là rất đáng kể.
3. Cỡ mẫu không nhất quán giữa các bảng
Bảng 3.1 ghi n = 312, bảng 3.4 ghi n = 300 mà không giải thích lý do mất 12 quan sát. Đây là dấu hiệu kinh điển của việc loại bỏ quan sát bất lợi. Nếu có loại phiếu, phải nêu rõ tiêu chí loại và số lượng loại ngay trong chương phương pháp nghiên cứu.
4. Độ lệch chuẩn "quá đẹp"
Dữ liệu khảo sát thực tế hiếm khi cho độ lệch chuẩn tròn trịa hoặc gần như bằng nhau giữa nhiều nhóm. Khi các nhóm độc lập đều có độ lệch chuẩn chênh nhau dưới 0,02, khả năng dữ liệu được sinh bằng công thức là rất cao.
5. Phân bố chữ số đầu bất thường (định luật Benford)
Với dữ liệu tài chính, dân số, doanh thu trải rộng nhiều bậc độ lớn, chữ số đầu tiên tuân theo định luật Benford: chữ số 1 xuất hiện khoảng 30,1%, chữ số 2 khoảng 17,6%, giảm dần đến chữ số 9 chỉ khoảng 4,6%. Số liệu do người tự nghĩ ra thường phân bố gần đều giữa các chữ số — sai lệch này lộ ra ngay khi vẽ biểu đồ tần suất chữ số đầu.
6. Mốc thời gian không khớp
Cam đoan ghi "khảo sát từ tháng 3 đến tháng 5", nhưng đề tài được giao tháng 4 và bài nộp đầu tháng 5. Mâu thuẫn giữa lời cam đoan, lịch trình đề tài và mô tả phương pháp là dấu hiệu đầu tiên hội đồng nhìn thấy, trước cả khi đọc số liệu.
7. Trùng lặp hình ảnh trong nghiên cứu thực nghiệm
Với các ngành sinh — y — dược, việc dùng lại cùng một ảnh cho hai điều kiện thí nghiệm khác nhau là dạng chế số liệu phổ biến. Nghiên cứu của Bik, Casadevall và Fang công bố trên mBio năm 2016 rà soát 20.621 bài báo y sinh và phát hiện khoảng 3,8% số bài chứa hình ảnh có vấn đề về nhân bản hoặc chỉnh sửa.
Ranh giới giữa gian lận và sai sót trung thực ở đâu?
Sai sót trung thực (honest error) không phải gian lận — định nghĩa của ORI nói rõ rằng sai phạm nghiên cứu không bao gồm sai sót trung thực hay khác biệt quan điểm. Yếu tố phân định là chủ ý.
| Tình huống | Xếp loại | Cách xử lý đúng |
|---|---|---|
| Nhập nhầm một dòng dữ liệu, phát hiện sau khi nộp | Sai sót trung thực | Báo giảng viên hướng dẫn, nộp bản đính chính |
| Dùng công thức thống kê sai vì hiểu nhầm | Sai sót trung thực | Phân tích lại, ghi nhận trong phần hạn chế |
| Loại 12 phiếu vì trả lời thiếu, có ghi rõ tiêu chí | Hợp lệ | Nêu tiêu chí loại trong phần phương pháp |
| Loại 12 phiếu vì chúng làm p > 0,05, không ghi | Chế số liệu | Không có cách hợp thức hóa |
| Điền thêm 180 phiếu cho đủ cỡ mẫu | Bịa số liệu | Không có cách hợp thức hóa |
Nguyên tắc thực hành: mọi thao tác trên dữ liệu đều được phép, miễn là được mô tả minh bạch trong bài và có thể tái lập từ dữ liệu gốc. Cái bị cấm không phải là việc loại quan sát, mà là việc giấu chuyện đã loại.
Hậu quả thực tế nặng đến mức nào?
Bịa và chế số liệu là nhóm vi phạm dẫn tới nhiều vụ rút bài nghiêm trọng nhất trong lịch sử khoa học hiện đại.
- Tạp chí Nature ghi nhận hơn 10.000 bài báo khoa học bị gỡ bỏ (retracted) trong năm 2023 — con số kỷ lục tính đến thời điểm đó, phần lớn liên quan đến gian lận dữ liệu và các "xưởng bài báo" (paper mills).
- Nhà tâm lý học người Hà Lan Diederik Stapel bị phát hiện bịa dữ liệu năm 2011, dẫn tới hơn 50 bài báo bị rút và mất chức danh giáo sư.
- Nhà nghiên cứu tế bào gốc Hwang Woo-suk (Hàn Quốc) bị xác định làm giả dữ liệu trong các công bố năm 2004–2005 trên Science; các bài báo bị rút và ông bị truy tố.
- Nghiên cứu tổng hợp của Daniele Fanelli công bố trên PLoS ONE năm 2009 cho thấy khoảng 2% nhà khoa học thừa nhận từng bịa hoặc chế số liệu ít nhất một lần, trong khi khoảng 14% cho biết từng biết đồng nghiệp làm việc đó.
Tại Việt Nam, Nghị định 109/2022/NĐ-CP (hiệu lực từ 01/3/2023) yêu cầu cơ sở giáo dục đại học ban hành quy tắc liêm chính học thuật theo nguyên tắc trung thực, trách nhiệm, công bằng, minh bạch, kèm cơ chế xử lý vi phạm. Với người học, chế tài phổ biến là hủy kết quả bảo vệ, buộc làm lại đề tài, và nếu phát hiện sau khi tốt nghiệp thì xem xét thu hồi văn bằng. Cơ sở để xác định lỗi cố ý chính là bản cam đoan đã ký.
Tình huống thực tế của sinh viên Việt Nam
Bốn kịch bản dưới đây lặp lại mỗi mùa bảo vệ, kèm hướng xử lý đúng cho từng trường hợp.
Kịch bản 1 — "Còn 3 tuần mà mới thu được 120/300 phiếu." Sai lầm: tự điền cho đủ 300. Xử lý đúng: báo giảng viên hướng dẫn ngay, giảm cỡ mẫu mục tiêu và thu hẹp phạm vi kết luận cho tương xứng. Một nghiên cứu n = 120 trung thực có giá trị hơn n = 300 bịa, và hội đồng chấp nhận điều đó nếu bạn nêu rõ hạn chế về cỡ mẫu trong phần kết luận.
Kịch bản 2 — "Chạy SPSS ra p = 0,067, giả thuyết không được ủng hộ." Sai lầm: bỏ vài quan sát cho p xuống dưới 0,05. Xử lý đúng: báo cáo đúng kết quả và phân tích nguyên nhân. Kết quả bác bỏ giả thuyết vẫn là kết quả nghiên cứu hợp lệ; hội đồng đánh giá quy trình, không đánh giá việc giả thuyết đúng hay sai.
Kịch bản 3 — "Lấy bảng số liệu của khóa trước, đổi năm từ 2024 thành 2026." Đây là hành vi kép: vừa chế số liệu, vừa đạo văn từ dữ liệu nội sinh của trường. Phần văn bản kèm theo gần như chắc chắn bị hệ thống đánh dấu trùng, và khi hội đồng lần theo nguồn trùng thì phát hiện luôn phần số liệu.
Kịch bản 4 — "Nhờ AI tạo bộ dữ liệu mẫu để chạy thử, rồi dùng luôn." Rất dễ lộ, vì dữ liệu do mô hình ngôn ngữ sinh ra thường có phân bố quá "đều" — mắc ngay ở phép kiểm tra độ lệch chuẩn và phân bố chữ số đầu. Dữ liệu mô phỏng chỉ nên dùng để kiểm thử quy trình phân tích, và nếu có trình bày thì phải ghi rõ là dữ liệu mô phỏng.
Checklist tự bảo vệ trước khi nộp
- [ ] Giữ toàn bộ dữ liệu gốc: phiếu khảo sát bản cứng hoặc file Google Form gốc, file SPSS/Excel thô chưa xử lý
- [ ] Lưu file dữ liệu theo từng phiên bản có ngày tháng, không ghi đè lên bản gốc
- [ ] Ghi rõ trong phần phương pháp: cỡ mẫu ban đầu, số phiếu bị loại, tiêu chí loại
- [ ] Kiểm tra cỡ mẫu n nhất quán trên toàn bộ bảng biểu, chú thích rõ khi có chênh lệch
- [ ] Chạy GRIM test cho các giá trị trung bình trên thang số nguyên (trung bình × n phải là số nguyên)
- [ ] Đối chiếu lại mọi p-value với giá trị thống kê và bậc tự do đã báo cáo
- [ ] Đối chiếu mốc thời gian khảo sát với lịch giao đề tài và nội dung lời cam đoan
- [ ] Ghi nguồn cụ thể cho từng bảng số liệu thứ cấp theo chuẩn trích dẫn bảng biểu, số liệu
- [ ] Kiểm tra trùng lặp toàn văn và lưu báo cáo PDF trước thời điểm nộp bài
Việc lưu giữ dữ liệu gốc quan trọng hơn mọi bước khác trong danh sách: khi bị chất vấn về số liệu, thứ duy nhất bảo vệ được bạn là bộ dữ liệu thô cùng nhật ký xử lý, không phải lời giải thích.
Câu hỏi thường gặp
Phần mềm kiểm tra đạo văn có phát hiện được số liệu bịa không?
Không. Các hệ thống kiểm tra trùng lặp, kể cả Turnitin, iThenticate hay Kiểm Tra Tài Liệu, đều hoạt động theo nguyên tắc so khớp văn bản với kho nguồn có sẵn. Số liệu bịa là dữ liệu chưa từng tồn tại nên không trùng với bất kỳ nguồn nào — bài vẫn cho tỷ lệ trùng lặp thấp. Phát hiện bịa số liệu là việc của người phản biện chuyên môn thông qua kiểm tra tính nhất quán thống kê và yêu cầu xuất trình dữ liệu gốc.
Bịa số liệu và đạo văn, cái nào bị xử lý nặng hơn?
Bịa số liệu thường bị xử lý nặng hơn. Đạo văn còn khắc phục được bằng cách trích dẫn lại hoặc viết lại, còn dữ liệu bịa khiến toàn bộ kết luận của công trình mất giá trị và không thể sửa nếu không làm lại nghiên cứu. Ngoài ra, bịa số liệu luôn mang yếu tố cố ý, trong khi một phần các trường hợp trùng lặp cao xuất phát từ kỹ năng trích dẫn kém chứ không phải chủ ý gian lận.
Loại bỏ phiếu khảo sát không hợp lệ có bị coi là gian lận không?
Không, nếu bạn nêu rõ tiêu chí loại và số lượng loại trong phần phương pháp nghiên cứu. Loại phiếu trả lời thiếu, phiếu chọn cùng một đáp án cho toàn bộ câu hỏi, hay phiếu hoàn thành dưới thời gian tối thiểu đều là thao tác làm sạch dữ liệu chuẩn mực. Nó chỉ trở thành chế số liệu khi bạn loại phiếu vì chúng làm kết quả không như mong muốn, và không khai báo việc đã loại.
Kết quả nghiên cứu bác bỏ giả thuyết ban đầu thì có bị đánh trượt không?
Không. Hội đồng chấm quy trình nghiên cứu, không chấm việc giả thuyết đúng hay sai. Một luận văn kết luận "không tìm thấy mối quan hệ có ý nghĩa thống kê giữa X và Y" với thiết kế chặt chẽ và phân tích trung thực hoàn toàn có thể đạt điểm cao. Sửa dữ liệu để có kết quả "đẹp" rủi ro hơn nhiều so với việc báo cáo trung thực một kết quả âm tính.
Dùng dữ liệu mô phỏng hoặc dữ liệu do AI tạo có được không?
Được, nhưng chỉ khi ghi rõ đó là dữ liệu mô phỏng và nêu mục đích sử dụng — thường là kiểm thử quy trình phân tích hoặc minh họa phương pháp. Trình bày dữ liệu mô phỏng như dữ liệu thực thu thập được chính là bịa số liệu. Dữ liệu do mô hình ngôn ngữ sinh ra còn dễ bị phát hiện vì phân bố thống kê thường quá đều so với dữ liệu thực tế.
Phát hiện sai sót trong số liệu sau khi đã nộp bài thì nên làm gì?
Chủ động báo giảng viên hướng dẫn ngay, kèm bản mô tả sai sót và bản đính chính. Sai sót được người viết tự khai báo trước khi hội đồng phát hiện gần như luôn được xử lý ở mức nhẹ nhất, vì nó chứng minh không có yếu tố cố ý. Ngược lại, im lặng và chờ đợi biến một sai sót trung thực thành hành vi che giấu — mức xử lý khi đó tương đương gian lận.
Ngành xã hội học, kinh tế có bị soi số liệu như ngành y không?
Có, tuy công cụ kiểm tra khác nhau. Ngành y — sinh chịu thêm áp lực từ pháp y hình ảnh và yêu cầu chấp thuận của hội đồng đạo đức nghiên cứu. Ngành kinh tế, xã hội học lại bị soi kỹ về tính nhất quán của cỡ mẫu, cách xử lý dữ liệu thiếu và tính khả thi của các giá trị thống kê — chính là những phép kiểm tra như GRIM hay đối chiếu p-value nêu ở trên, vốn không cần thiết bị gì ngoài máy tính.
Tóm tắt
- FFP gồm ba hành vi: fabrication (bịa dữ liệu), falsification (bóp méo dữ liệu) và plagiarism (đạo văn); hai hành vi đầu thường bị xử lý nặng hơn.
- Phần mềm kiểm tra trùng lặp mù hoàn toàn với số liệu bịa — tỷ lệ trùng lặp thấp không chứng minh liêm chính học thuật.
- Bảy dấu hiệu hội đồng dùng: GRIM test, đối chiếu p-value, cỡ mẫu không nhất quán, độ lệch chuẩn quá đẹp, định luật Benford, mốc thời gian mâu thuẫn, trùng lặp hình ảnh.
- Ranh giới với sai sót trung thực nằm ở chủ ý và ở việc có mô tả minh bạch thao tác dữ liệu hay không.
- Giữ dữ liệu gốc và nhật ký xử lý là biện pháp tự bảo vệ hiệu quả nhất khi bị chất vấn.
- Kết quả bác bỏ giả thuyết vẫn là kết quả hợp lệ; sửa dữ liệu cho "đẹp" rủi ro hơn nhiều so với báo cáo trung thực.
Nguồn tham khảo
- Office of Research Integrity (ORI), U.S. Department of Health and Human Services — định nghĩa research misconduct tại 42 CFR Part 93.
- Brown, N. J. L. & Heathers, J. A. J. (2017), "The GRIM Test: A Simple Technique Detects Numerous Anomalies in the Reporting of Results in Psychology", Social Psychological and Personality Science.
- Bik, E. M., Casadevall, A. & Fang, F. C. (2016), "The Prevalence of Inappropriate Image Duplication in Biomedical Research Publications", mBio.
- Fanelli, D. (2009), "How Many Scientists Fabricate and Falsify Research? A Systematic Review and Meta-Analysis of Survey Data", PLoS ONE.
- Nature, tháng 12/2023 — thống kê số bài báo khoa học bị gỡ bỏ trong năm 2023.
- Nghị định 109/2022/NĐ-CP ngày 30/12/2022 của Chính phủ, Điều 20 về liêm chính học thuật, hiệu lực từ 01/3/2023.
- Committee on Publication Ethics (COPE) — hướng dẫn xử lý nghi vấn về dữ liệu và hình ảnh trong bài báo khoa học.
Biên soạn bởi đội ngũ Kiểm Tra Tài Liệu (Metis JSC) — đơn vị phát triển hệ thống kiểm tra trùng lặp, đạo văn phục vụ các trường đại học và người học tại Việt Nam.