Cách lắp ghép khoa học: Khi tri thức cứu mạng nằm ngay trước mắt

Khi đọc tin tức, hẳn bạn từng bối rối trước những câu chuyện khoa học và sức khỏe đầy mâu thuẫn: tuần này cà phê tốt cho bạn, tuần sau lại có hại. Rượu vang đỏ kéo dài tuổi thọ, rồi đột nhiên không còn tác dụng đó nữa. Theo thời gian, các nghiên cứu khoa học mới dường như phủ định lẫn nhau, khiến chúng ta không biết nên tin vào bằng chứng nào.

Với tư cách một nhà báo khoa học, tôi nhận ra vấn đề thực sự thường nằm ở chỗ mỗi nghiên cứu bị đưa tin một cách tách biệt, thay vì được cân nhắc đối chiếu với toàn bộ những gì chúng ta đã biết. Và đôi khi, rủi ro gây tổn hại là rất cao.

Khi một nghiên cứu đơn lẻ gây hoang mang

Vào tháng 9 năm 2025, Cơ quan Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) thông báo sẽ thêm nhãn cảnh báo cho thuốc giảm đau acetaminophen (paracetamol), với tuyên bố rằng dùng thuốc này khi mang thai làm tăng nguy cơ tự kỷ ở trẻ. Thông tin này lập tức gây chấn động toàn cầu.

Thế nhưng nhìn kỹ vào khoa học đằng sau, rõ ràng FDA và cơ quan y tế cấp trên đã chọn lọc một vài nghiên cứu và xem nhẹ những phát hiện vững chắc hơn. Điều này được xác nhận vài tháng sau đó, khi các nhà nghiên cứu công bố một tổng quan lớn phản ánh đầy đủ hơn toàn bộ khối tri thức hiện có.

"Bằng chứng hiện có không cho thấy mối liên hệ rõ ràng giữa việc dùng paracetamol khi mang thai với chứng tự kỷ hay ADHD ở trẻ."

Đến lúc đó, tất nhiên, vô số phụ nữ đã lo sợ một cách không cần thiết về loại thuốc giảm đau được coi là một trong những loại an toàn nhất khi mang thai.

Cơn lũ 7 triệu bài báo mỗi năm

Năm 2025, giới học thuật toàn cầu công bố khoảng 7 triệu bài báo học thuật — tức hơn 19.000 bài mỗi ngày. Bề ngoài, đây có vẻ là con số đáng ăn mừng, nhưng nó cũng đặt ra một vấn đề lớn. Khi khối lượng nghiên cứu phình to, thật khó để nhận ra hàng triệu bài báo ấy thực sự nói lên điều gì.

Trong dòng chảy dữ liệu khổng lồ đó, có những phương pháp luận nghiêm ngặt và phát hiện quan trọng, nhưng cũng có những mâu thuẫn khó hiểu, kết quả chưa được kiểm chứng và cả khoa học cẩu thả. Đáng chú ý, nhiều dạng tri thức đa dạng như kinh nghiệm sống và hiểu biết của người bản địa hiếm khi được ghi nhận trong các bài báo và cơ sở dữ liệu học thuật.

Nguyên nhân mang tính hệ thống. Các nhà khoa học công bố và quảng bá hết bài báo này đến bài báo khác vì đó là cách họ thăng tiến trong sự nghiệp. Các nhà báo ráo riết chạy theo những nghiên cứu mới nhất, hào nhoáng nhất để tiêu đề của họ có thêm lượt nhấp trực tuyến. Trong khi đó, hiếm ai dành thời gian để tìm hiểu thế giới đã biết những gì, bằng cách tổng hợp và đánh giá cẩn thận khối tri thức hiện có.

Iain Chalmers, bác sĩ đồng sáng lập Cochrane Collaboration — nhóm tổng hợp bằng chứng có trụ sở tại London — từng gọi đây là "thất bại đáng xấu hổ của khoa học trong việc tích lũy bằng chứng một cách khoa học".

Phân tích gộp ra đời từ một bất mãn cá nhân

Một trong những sự kiện lớn nhất trong lịch sử tổng hợp bằng chứng diễn ra tại một khách sạn ở San Francisco năm 1976. Tại đó, trong hội nghị thường niên của Hiệp hội Nghiên cứu Giáo dục Hoa Kỳ, nhà thống kê Gene Glass đã giới thiệu một kỹ thuật tài tình cho phép tích hợp phát hiện từ một khối lượng lớn các nghiên cứu riêng lẻ.

Công trình của Glass bắt nguồn từ chính những trăn trở về sức khỏe tinh thần của ông. Một thập kỷ trước, khi hoàn thành luận án tiến sĩ về tâm trắc học và thống kê, ông đang chịu đựng chứng lo âu và rối loạn thần kinh. Ông bắt đầu các buổi trị liệu tâm lý hàng tuần — điều giúp ông rất nhiều — và gắn bó với liệu pháp này suốt tám năm.

Nhưng trải nghiệm tích cực của ông lại đi ngược với quan điểm học thuật đương thời, vốn cho rằng trị liệu tâm lý ít mang lại lợi ích. Điều này phần lớn xuất phát từ công trình của nhà tâm lý học Hans Eysenck, người qua các tổng quan có ảnh hưởng lớn đã kết luận rằng trị liệu tâm lý là vô giá trị — hoặc cùng lắm chỉ có hiệu ứng giả dược.

Glass thấy bực bội. Không chỉ vì điều này ngụ ý rằng ông đã ném tiền qua cửa sổ cho một liệu pháp không hiệu quả, mà ông còn cho rằng phương pháp tổng quan của Eysenck có sai sót.

Eysenck — giống như các nhà nghiên cứu khác thời đó — có xu hướng làm điều gọi là "đếm phiếu": đếm xem bao nhiêu nghiên cứu cho thấy một liệu pháp có lợi, và bao nhiêu nghiên cứu không tìm thấy tác dụng. Bên nào nhiều "phiếu" hơn thì thắng.

Nghe có vẻ trực quan, nhưng đếm phiếu lại gây hiểu sai khi tổng hợp nghiên cứu, một phần vì nó bỏ qua quy mô của hiệu ứng. Một nghiên cứu có thể cho thấy 55 trong 100 người cải thiện sau một liệu pháp, nghiên cứu khác là 85 trên 100. Dù nghiên cứu thứ hai cho thấy tác dụng mạnh hơn nhiều, cả hai đều chỉ đóng góp một phiếu.

Từ "phân tích của các phân tích" đến tổng quan hệ thống

Glass quyết tâm làm tốt hơn. Ông cùng vợ — nhà tâm lý học Mary Lee Smith — hệ thống lùng sục mọi mẩu nghiên cứu có thể tìm được, so sánh hiệu quả trị liệu tâm lý với nhóm đối chứng hoặc với một liệu pháp khác, và cuối cùng thu được hơn 370 nghiên cứu.

Sau đó, Glass và Smith tìm ra cách trích xuất và kết hợp các phép đo hiệu quả trị liệu trong từng nghiên cứu. Dù một nghiên cứu đo tác động lên chứng lo âu, nghiên cứu khác đo ảnh hưởng lên huyết áp, họ vẫn nghĩ ra cách quy đổi các kết quả này về một thước đo chuẩn gọi là "kích thước hiệu ứng" (effect size), rồi lấy trung bình trên toàn bộ nghiên cứu. Cách này phần nào giống việc quy đổi nhiều loại tiền tệ khác nhau về đồng đô-la để có thể cộng gộp lại.

Glass gọi phương pháp thống kê mới này là phân tích gộp (meta-analysis) — phân tích của các phân tích, giống như metadata là dữ liệu về dữ liệu.

Sau hai năm miệt mài, Glass và Smith kết luận trị liệu tâm lý có hiệu quả tích cực. (Eysenck gọi công trình này là "một bài tập của sự ngớ ngẩn tột độ".) Nhưng về phân tích gộp, khán giả hoàn toàn sửng sốt. Đây là cách để rút ra ý nghĩa từ một mớ kết quả khác biệt tưởng như hỗn độn.

Phân tích gộp không phải công cụ tổng hợp duy nhất ra đời thời điểm đó. Công trình của Glass, Smith và các nhà nghiên cứu khác còn dẫn đến tổng quan hệ thống (systematic review) — một phương pháp có cấu trúc nghiêm ngặt để thu thập và đánh giá bằng chứng.

Cochrane và cuộc cách mạng thầm lặng trong y học

Vào tháng 5 năm 1991, Iain Chalmers — người ủng hộ sớm cho việc tổng hợp bằng chứng — đi dạo dọc dòng Wolvercote Mill ở Oxford, Anh. Ông vừa hoàn thành một dự án tiên phong kéo dài cả thập kỷ nhằm tổng hợp toàn bộ bằng chứng từ các thử nghiệm lâm sàng về điều trị trong thai kỳ và sinh nở.

Công trình này, với hàng trăm tổng quan hệ thống, đã chỉ ra rằng nhiều thực hành y tế tiêu chuẩn — như cạo lông mu của sản phụ khi chuyển dạ và rạch tầng sinh môn — dựa trên rất ít bằng chứng, và một số còn gây hại.

Chalmers nghĩ đến việc mở rộng công trình này. Chẳng phải sẽ hữu ích sao nếu tổng hợp các thử nghiệm lâm sàng trong mọi lĩnh vực y học và chăm sóc sức khỏe? Khi đó bác sĩ và bệnh nhân sẽ biết, dựa trên bằng chứng, cách điều trị hiệu quả cho tiểu đường, ung thư, bệnh tim và nhiều tình trạng khác.

Năm 1993, ông cùng một nhóm người đồng chí hướng thành lập Cochrane Collaboration (nay gọi tắt là Cochrane), chuyên sản xuất các tổng quan hệ thống chất lượng cao về hiệu quả của các phương pháp điều trị sức khỏe. Trong vòng 10 năm, Cochrane đã công bố khoảng 2.000 tổng quan hệ thống. Đến năm 2010, các nhà nghiên cứu trong và ngoài nhóm công bố 11 tổng quan hệ thống về chăm sóc sức khỏe mỗi ngày.

Ngày nay, "tổng quan Cochrane" được biết đến như một trong những cách tổng hợp khoa học nghiêm ngặt và đáng tin cậy nhất. Hầu hết những ai đã từng khám bác sĩ phương Tây đều đã hưởng lợi từ các tổng quan hệ thống mà không hề hay biết. Chúng đã trở thành nền tảng bằng chứng vô hình mà y học dựa vào.

Bài học đau lòng từ tư thế ngủ của trẻ sơ sinh

Để hiểu thế giới sẽ ra sao nếu không có chúng, hãy xem lời khuyên y khoa tai tiếng này từ giữa thế kỷ 20. Năm 1957, bác sĩ nhi khoa Benjamin Spock đã thực hiện một thay đổi nhỏ trong lần tái bản thứ hai cuốn sách bán chạy về nuôi dạy con The Common Sense Book of Baby and Childcare (1946). Ông nói rằng cha mẹ nên cho trẻ ngủ nằm sấp thay vì nằm ngửa.

Đến thập niên 1980 và 1990, các nghiên cứu đã chỉ rõ đây là một trong những lời khuyên vô căn cứ gây chết người nhiều nhất trong lịch sử sức khỏe trẻ em, vì nó góp phần làm gia tăng mạnh hội chứng đột tử ở trẻ sơ sinh (SIDS).

Điều khiến câu chuyện càng bi thảm là mối liên hệ giữa tư thế ngủ và SIDS lẽ ra có thể được phát hiện sớm hơn — nếu các nhà nghiên cứu đã tổng hợp bằng chứng từ nhiều nghiên cứu thay vì xem xét từng cái một. Khi họ làm điều này bằng một tổng quan hệ thống và phân tích gộp công bố năm 2005, họ phát hiện mối liên hệ giữa nằm sấp và SIDS đã rõ ràng từ năm 1970, tức khoảng 20 năm trước khi hầu hết cha mẹ được cảnh báo về rủi ro.

Họ tính toán rằng ít nhất 50.000 ca tử vong ở trẻ sơ sinh tại châu Âu, châu Úc và Hoa Kỳ có thể đã được ngăn chặn nếu bằng chứng được tổng hợp và hành động sớm hơn.

Tổng hợp bằng chứng lan sang mọi lĩnh vực

Y học không phải lĩnh vực duy nhất xây dựng được kho tàng tổng hợp bằng chứng. Nhiều ngành khác — từ bảo tồn đến giáo dục — đã học theo mô hình y học.

• Tổ chức phi lợi nhuận International Initiative for Impact Evaluation lưu giữ hơn 1.700 tổng quan hệ thống về những gì hiệu quả trong phát triển quốc tế, như cải thiện vệ sinh và giải quyết nạn suy dinh dưỡng.
• CEEDER, một cơ sở dữ liệu môi trường lớn, lưu trữ hơn 2.100 tổng quan bằng chứng về những gì hiệu quả để bảo vệ các loài và hành tinh.
• Education Endowment Foundation tại London đã xây dựng "bộ công cụ giảng dạy và học tập" được đánh giá cao, với gần 70% hiệu trưởng ở Anh sử dụng để đưa ra quyết định chi tiêu; bộ công cụ này đã được điều chỉnh cho hơn 30 quốc gia và dịch sang chín thứ tiếng.

Một trong những chiến lược hiệu quả nhất mà bộ công cụ chỉ ra là dạy học sinh siêu nhận thức (metacognition) — khả năng học cách học. Giới thiệu siêu nhận thức mang lại cho trẻ trung bình thêm tám tháng tiến bộ học tập mỗi năm. Ngược lại, việc cho học sinh lưu ban lại khiến việc học của các em chậm đi khoảng hai tháng.

Gần đây, các nhà khoa học khí hậu cũng học theo cách làm của y học. Sáu báo cáo đánh giá khoa học khổng lồ mà Ủy ban Liên chính phủ về Biến đổi Khí hậu (IPCC) công bố từ năm 1988 có lẽ là những tổng hợp bằng chứng lớn nhất và có ảnh hưởng nhất từng được thực hiện. Nhóm What Works Climate Solutions, khởi động năm 2024, đang nỗ lực xây dựng một ngân hàng tổng hợp bằng chứng kiểu Cochrane, chỉ ra những cách hiệu quả nhất để cắt giảm khí thải hoặc thích ứng với sự nóng lên toàn cầu.

Những giới hạn cần vượt qua

Các tổng quan hệ thống cũng có những chỉ trích. Một điểm là chúng thường nhấn mạnh các nghiên cứu định lượng — tức những nghiên cứu có dữ liệu số — và bỏ qua nghiên cứu định tính, như dựa trên phỏng vấn và quan sát.

Ở một số lĩnh vực như bảo tồn, các nhà khoa học bị phê bình vì đặt khoa học phương Tây lên trên các hình thức tri thức khác, như kinh nghiệm sống của cộng đồng địa phương và các nhóm người bản địa. Một số dân tộc bản địa ở Canada, chẳng hạn, có hiểu biết sâu rộng về hành vi của loài cá di cư mà họ săn bắt — nhưng dạng bằng chứng này không khớp với các tổng quan thông thường chỉ xử lý con số.

Tuy nhiên, có những cách để kết hợp chúng. Năm 2021, Parks Canada và nhóm Foundations of Success thực hiện một phân tích bằng chứng đặc biệt để quyết định có nên theo đuổi chương trình nhân giống nuôi nhốt tốn kém và rủi ro cho loài tuần lộc hoang dã đang bị đe dọa ở Vườn quốc gia Jasper hay không. Ngoài thu thập bằng chứng nghiên cứu, họ còn mời người từ các nhóm bản địa, sở thú và chuyên gia tuần lộc từ Phần Lan cùng xem xét bằng chứng và đạt đồng thuận về việc có nên tiến hành. (Họ đã tiến hành — và một số chú tuần lộc con đáng yêu đã chào đời năm 2025.)

AI có thể đẩy nhanh quá trình tổng hợp?

Trong thế giới mà một bản tin hay bài đăng mạng xã hội có thể lan truyền trong vài giờ, một trong những vấn đề lớn nhất của tổng quan hệ thống là thời gian. Một phân tích hơn 500 tổng quan Cochrane cho thấy trung bình một tổng quan mất gần ba năm — và có trường hợp mất tới tám năm. Đó là vì thực hiện một tổng quan hệ thống gồm khoảng 25 bước, trong đó nhiều bước phải làm trùng lặp để tránh sai sót.

Các nhà nghiên cứu từ lâu đã dùng máy tính hỗ trợ, nhưng những tiến bộ nhanh chóng của AI tạo sinh đang khơi lên sự hào hứng mới về việc tăng tốc và tự động hóa công việc này. Các startup đang chạy đua phát triển hệ thống dùng AI để tìm, sắp xếp và tóm tắt các ấn phẩm nghiên cứu, nhưng phần lớn chưa được kiểm nghiệm kỹ lưỡng để chứng minh tạo ra tổng quan hệ thống chất lượng cao.

Dù vậy, có vẻ khó tránh khỏi việc chúng sẽ được cải thiện và chẳng bao lâu nữa, phần lớn công việc nặng nhọc khi biên soạn bằng chứng sẽ do máy móc đảm nhiệm thường xuyên, giải phóng con người để kiểm tra và diễn giải kết quả. Điều đó có nghĩa là bất kỳ ai cũng có thể lắp ghép một tổng hợp bằng chứng đáng tin cậy phù hợp với câu hỏi của mình, gần như chỉ bằng một cú nhấp chuột.

Nhưng con đường đó còn xa — và những lo ngại về AI trong tổng hợp bằng chứng cũng rất nhiều. Một là AI đang dẫn đến làn sóng các tổng quan khoa học thiếu chính xác, vì nhà nghiên cứu dùng công cụ này để chạy nhanh những nỗ lực kém chất lượng. Một lo ngại khác là người ta sẽ bỏ qua hoàn toàn các tổng quan hệ thống nghiêm ngặt: vì việc gì phải bận tâm khi bạn có thể chỉ hỏi ChatGPT xem bằng chứng nói gì? (Điều này hiện vẫn nguy hiểm vì công cụ AI có thể "ảo giác" và đưa ra bức tranh không chính xác, cùng với việc hầu hết chúng không truy cập được toàn bộ kho nghiên cứu của thế giới.)

Bài học cho độc giả Việt Nam

Bài học rút ra từ tất cả những điều này là hãy ý thức rằng nghiên cứu đơn lẻ có thể là ngoại lệ. Tôi đã nói chuyện với hàng trăm nhà nghiên cứu trên khắp thế giới về tầm quan trọng của việc tổng hợp bằng chứng, và nó đã thay đổi cách tôi nghĩ về nghiên cứu.

Với độc giả Việt Nam, nơi thông tin khoa học đôi khi bị lan truyền qua mạng xã hội mà thiếu kiểm chứng, bài học này càng có giá trị. Khi đọc một tiêu đề giật gân kiểu "phát hiện mới", hãy tự hỏi: liệu kết quả này có khớp với toàn bộ khối nghiên cứu trước đó không? Khi tìm kiếm bằng chứng cho một vấn đề cá nhân như chẩn đoán y khoa, hãy ưu tiên tìm các tổng quan hệ thống và tổng hợp bằng chứng — đồng thời ý thức rằng không phải mọi tổng quan đều chất lượng tốt.

Chúng ta nên cưỡng lại sức hấp dẫn và hào quang của những nghiên cứu mới. Đúng là nghiên cứu mới quan trọng, vì nó dẫn đến đổi mới và những cách thức mới để bảo vệ hành tinh và sinh mạng con người. Nhưng nếu thực sự muốn hiểu thế giới và làm cho nó tốt đẹp hơn, chúng ta cũng cần làm công việc kém hào nhoáng, ít được trân trọng hơn: tập hợp tri thức hiện có — và tìm ra ý nghĩa của tất cả.

Bài viết dựa trên tiểu luận "How to Assemble Science" đăng trên Aeon, với nội dung về lịch sử và phương pháp tổng hợp bằng chứng khoa học.