FAIR và CARE trong quản lý dữ liệu nghiên cứu khoa học trường đại học: khuyến nghị cho Trường Đại học Ngoại thương

1. Mở đầu

1.1. Bối cảnh kỷ nguyên dữ liệu trong khoa học

Khoa học đương đại đang trải qua một cuộc chuyển đổi sâu sắc, trong đó dữ liệu đóng vai trò trung tâm không thể thay thế. Sự bùng nổ của công nghệ số, thiết bị cảm biến tốc độ cao, hệ thống lưu trữ đám mây và các thuật toán phân tích lớn đã biến dữ liệu thành một loại "nguyên liệu thô" quan trọng bậc nhất của mọi hoạt động nghiên cứu (Sobotová & Pollák, 2026). Thông qua dữ liệu, nhà khoa học có thể quan sát hiện tượng, kiểm chứng giả thuyết, xây dựng mô hình và rút ra kết luận mang tính khái quát. Khối lượng dữ liệu do nghiên cứu tạo ra trên toàn cầu đang tăng theo cấp số nhân — ước tính mỗi năm lĩnh vực y sinh học riêng biệt đã sản xuất hàng zettabyte thông tin — vượt xa khả năng xử lý và tổ chức của các phương pháp quản lý truyền thống.

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Trong bối cảnh đó, khái niệm "khoa học mở" (open science) đã trở thành kim chỉ nam cho hệ thống nghiên cứu toàn cầu. Tổ chức Giáo dục, Khoa học và Văn hóa Liên Hợp Quốc (UNESCO) đã thông qua Tuyên bố khuyến nghị về Khoa học mở vào năm 2021, khẳng định rằng dữ liệu nghiên cứu cần được chia sẻ rộng rãi, dễ tiếp cận và sử dụng lại một cách hợp pháp (UNESCO, 2021). Cùng chiều hướng đó, Tổ chức Hợp tác và Phát triển Kinh tế (OECD) từ năm 2007 đã ban hành Nguyên tắc và Hướng dẫn tiếp cận dữ liệu nghiên cứu từ nguồn tài chính công, nhấn mạnh rằng dữ liệu được tạo ra bằng ngân sách công là tài sản chung của xã hội và cần được quản lý để phục vụ lợi ích rộng rãi (OECD, 2007). Dù xuất phát từ các khu vực pháp lý khác nhau, các văn kiện này đều hội tụ về một thông điệp cốt lõi: dữ liệu nghiên cứu không nên bị khóa chặt trong ngăn kéo của từng cá nhân hay phòng thí nghiệm riêng lẻ.

UNESCO (2021). Recommendation on Open Science. Truy cập: https://www.unesco.org/en/articles/open-science-recommendation

OECD (2007). Principles and Guidelines for Access to Research Data from Public Funding. OECD Publishing. DOI: 10.1787/9789264034020-en-fr

Kỷ nguyên dữ liệu cũng mang đến những thách thức chưa từng có. Việc thu thập, lưu trữ, mô tả, chia sẻ và bảo quản dữ liệu đòi hỏi cơ sở hạ tầng kỹ thuật, năng lực nhân lực và khung chính sách hoàn thiện (Atkinson et al., 2017). Ở nhiều quốc gia đang phát triển, trong đó có Việt Nam, hệ thống quản lý dữ liệu tại trường đại học vẫn chủ yếu dựa vào phương pháp thủ công hoặc các phần mềm rời rạc, thiếu tính đồng bộ. Điều này dẫn đến tình trạng lãng phí tài nguyên — nhiều tập dữ liệu quý giá sau khi dự án kết thúc không còn ai có khả năng truy cập, sử dụng, thậm chí là xác định được vị trí lưu trữ vật lý. Thêm nữa, sự phát triển của trí tuệ nhân tạo và học máy đặt ra câu hỏi mới về quyền sở hữu, quyền kiểm soát và trách nhiệm khi dữ liệu được tái sử dụng ở quy mô lớn (Gans Combe, 2020).

Gans Combe, Caroline (2020). Research Ethics in Data. Springer. DOI: 10.1007/978-3-030-16759-2_13

Trường Đại học Ngoại thương (FTU) — một cơ sở giáo dục đại học hàng đầu về kinh tế, quản trị và ngoại ngữ tại Việt Nam — không đứng ngoài xu thế này. Với hàng trăm đề tài nghiên cứu khoa học cấp trường, cấp bộ và cấp quốc gia được thực hiện mỗi năm, cộng đồng giảng viên và nghiên cứu sinh của FTU đang tạo ra một lượng lớn dữ liệu đa dạng: bảng hỏi khảo sát, dữ liệu thứ cấp từ thống kê kinh tế vĩ mô, bản ghi cuộc phỏng vấn sâu, nhật ký quan sát trường hợp, cùng nhiều định dạng khác. Sự đa dạng ấy vừa là tài sản vô giá, vừa là thách thức quản trị. Nếu không có chiến lược quản lý phù hợp, FTU có nguy cơ đánh mất một phần di sản trí tuệ đáng kể, đồng thời khó đáp ứng các yêu cầu ngày càng cao về minh bạch và trách nhiệm giải trình từ phía cơ quan quản lý.

1.2. Khủng hoảng tái tạo trong khoa học

Bên cạnh cơ hội, kỷ nguyên dữ liệu còn phơi bày một lỗ hổng nghiêm trọng của hệ thống nghiên cứu đương đại: "khủng hoảng tái tạo" (reproducibility crisis). Thuật ngữ này chỉ tình trạng mà kết quả của nhiều nghiên cứu đã công bố không thể được tái hiện một cách độc lập bởi các nhóm nghiên cứu khác, làm xói mòn niềm tin vào tính xác thực của kiến thức khoa học (Iphofen, 2020). Nguyên nhân sâu xa của cuộc khủng hoảng này rất đa dạng: sai lệch trong thiết kế nghiên cứu, áp lực công bố quá mức, thiếu giao thức chi tiết, và đặc biệt là không chia sẻ dữ liệu gốc cùng mã lệnh phân tích.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Nhiều cuộc khảo sát quy mô lớn đã chứng minh quy mô nghiêm trọng của vấn đề. Một nghiên cứu nổi tiếng trên tạp chí Nature năm 2016 cho biết hơn 70% nhà nghiên cứu từng thất bại trong việc tái hiện kết quả của đồng nghiệp, và hơn một nửa thừa nhận chính kết quả của mình cũng khó tái hiện. Vấn đề này không giới hạn ở một lĩnh vực cụ thể mà xuất hiện từ khoa học y sinh, tâm lý học, kinh tế học đến khoa học xã hội — những lĩnh vực mà dữ liệu thường mang tính phức tạp, phụ thuộc ngữ cảnh và nhạy cảm. Trong bối cảnh đó, quản lý dữ liệu nghiên cứu hiệu quả không còn là nhu cầu "tùy chọn" mà trở thành yêu cầu bắt buộc để bảo vệ tính toàn vẹn của khoa học.

Khủng hoảng tái tạo cũng liên quan mật thiết đến "hiệu ứng ấn bản" (publication bias) và "thiên kiến xác nhận" (confirmation bias). Khi dữ liệu gốc không được công khai, cộng đồng học thuật không có cách nào kiểm tra xem kết quả báo cáo có thực sự phản ánh toàn bộ bằng chứng hay chỉ là phần đã được chọn lọc. Điều này tạo ra một vòng xoáy độc hại: nghiên cứu xây dựng trên nền tảng không vững lại tiếp tục tạo ra kết quả không đáng tin cậy. Việc áp dụng các nguyên tắc quản lý dữ liệu chặt chẽ từ khâu thiết kế dự án có khả năng cắt đứt vòng xoáy đó, đảm bảo mỗi bước của quy trình nghiên cứu đều có thể bị kiểm tra và tái hiện.

Tại Việt Nam, khủng hoảng tái tạo chưa được nghiên cứu hệ thống ở quy mô rộng, nhưng các dấu hiệu cảnh báo đã xuất hiện. Số lượng công bố quốc tế tăng nhanh, song song đó là những lo ngại về chất lượng thực chất của nghiên cứu (Iphofen, 2020). Thông tư 10/2021/TT-BGDĐT của Bộ Giáo dục và Đào tạo đã quy định rõ về quản lý hoạt động khoa học công nghệ trong cơ sở giáo dục đại học, bao gồm yêu cầu lưu trữ và báo cáo kết quả nghiên cứu, bước đầu phản ánh nhận thức của cơ quan quản lý về tầm quan trọng của tính minh bạch trong khoa học (Bộ GD&ĐT, 2021). Dù vậy, các quy định hiện hành chưa đi sâu vào khía cạnh quản lý dữ liệu, chưa đề cập cụ thể đến tiêu chí tái sử dụng hay tái tạo kết quả.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Bộ Giáo dục và Đào tạo (2021). Thông tư 10/2021/TT-BGDĐT — Quy định về quản lý hoạt động khoa học và công nghệ trong cơ sở giáo dục đại học. Chi tiết: Tóm tắt và phân tích

1.3. Tầm quan trọng của quản lý dữ liệu nghiên cứu tại trường đại học

Quản lý dữ liệu nghiên cứu (Research Data Management — RDM) là tập hợp các thực hành, chính sách và cơ sở hạ tầng nhằm đảm bảo dữ liệu được tạo ra trong quá trình nghiên cứu được xử lý, lưu trữ, mô tả, chia sẻ và bảo quản một cách có tổ chức xuyên suốt vòng đời của dự án (Sobotová & Pollák, 2026). Trong hệ sinh thái RDM, trường đại học giữ một vị trí chiến lược đặc biệt. Đây vừa là nơi sản sinh dữ liệu nghiên cứu với quy mô lớn, vừa là không gian huấn luyện thế hệ nhà khoa học tương lai, vừa là tổ chức có trách nhiệm quản lý tài sản trí tuệ và giải trình trước cơ quan tài trợ (Atkinson et al., 2017).

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Đối với trường đại học, RDM mang lại ít nhất ba nhóm lợi ích cốt lõi. Thứ nhất, về mặt khoa học, RDM nâng cao tính minh bạch và khả năng tái tạo của nghiên cứu — hai yếu tố nền tảng của tính toàn vẹn nghiên cứu (Iphofen, 2020). Khi dữ liệu được quản lý tốt, các nghiên cứu viên khác có thể kiểm chứng, mở rộng và xây dựng trên kết quả sẵn có, thúc đẩy tiến bộ tri thức một cách bền vững. Thứ hai, về mặt tổ chức, RDM giúp trường đại học bảo vệ tài sản trí tuệ, tránh rủi ro mất mát dữ liệu khi nhân sự thay đổi, đồng thời đáp ứng các yêu cầu của đơn vị tài trợ và cơ quan đánh giá. Thứ ba, về mặt giáo dục, tích hợp RDM vào chương trình đào tạo giúp trang bị cho sinh viên và nghiên cứu sinh năng lực số thiết yếu trong thị trường lao động hiện đại — nơi mà kỹ năng quản lý và phân tích dữ liệu ngày càng được đề cao.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Ở bậc vĩ mô, RDM còn là điều kiện tiên quyết để tham gia vào các hệ thống chia sẻ dữ liệu toàn cầu như Đám mây Khoa học mở Châu Âu (European Open Science Cloud — EOSC) (Atkinson et al., 2017). Dù Việt Nam chưa tham gia chính thức vào EOSC, xu hướng quốc tế hóa giáo dục đại học tất yếu sẽ đặt ra yêu cầu tương đương: dữ liệu nghiên cứu từ Việt Nam cần đạt chuẩn nhất định để có thể được trao đổi, đối chiếu và tích hợp với dữ liệu quốc tế. Sự chuẩn bị từ sớm sẽ giúp FTU và các trường đại học Việt Nam khác tránh được tình trạng "bắt đuổi" về tiêu chuẩn khi các cơ chế chia sẻ dữ liệu khu vực và toàn cầu trở thành bắt buộc.

1.4. Giới thiệu FAIR và CARE như hai bộ nguyên tắc nền tảng

Trong nỗ lực xây dựng khung chuẩn cho quản lý dữ liệu, hai bộ nguyên tắc nổi bật nhất hiện nay là FAIR và CARE. FAIR — viết tắt của Findable (có thể tìm thấy), Accessible (có thể tiếp cận), Interoperable (có thể tương tác) và Reusable (có thể tái sử dụng) — được đề xuất lần đầu vào năm 2016 bởi Wilkinson và đồng nghiệp (Wilkinson et al., 2016). Đây không phải là một tiêu chuẩn kỹ thuật cụ thể mà là một tập hợp các nguyên tắc hướng dẫn, nhắm đến việc tối ưu hóa cơ chế tìm kiếm, tự động hóa và tái sử dụng dữ liệu trong môi trường kỹ thuật số (Dumontier, 2022). FAIR nhanh chóng trở thành ngôn ngữ chung của cộng đồng khoa học mở và được hàng chục tổ chức quốc tế, từ Liên minh Châu Âu đến Tổ chức Y tế Thế giới, đưa vào chiến lược quản lý dữ liệu.

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Bốn nguyên tắc FAIR phân chia thành mười lăm tiêu chí cụ thể, bao trùm mọi khía cạnh của quản lý dữ liệu: từ việc gán mã định danh duy nhất (DOI, ORCID) đến việc sử dụng ngôn ngữ định nghĩa chính thức (ontology), từ cung cấp siêu dữ liệu (metadata) phong phú đến đảm bảo tính rõ ràng trong các điều kiện tiếp cận (Wilkinson et al., 2016; Dumontier, 2022). Sức mạnh của FAIR nằm ở chỗ nó định hướng dữ liệu theo chuỗi giá trị: dữ liệu phải được tìm thấy trước khi tiếp cận, phải tương tác được trước khi tái sử dụng một cách có ý nghĩa. Chuỗi logic này tạo ra một lộ trình rõ ràng cho các nhà quản lý dữ liệu cấp tổ chức.

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Song hành với FAIR, bộ nguyên tắc CARE — viết tắt của Collective Benefit (lợi ích tập thể), Authority to Control (quyền kiểm soát), Responsibility (trách nhiệm) và Ethics (đạo đức) — bổ sung một chiều kích quan trọng mà FAIR chưa bao quát đủ: quyền lợi và sự tham gia của các cộng đồng dữ liệu bản địa và các nhóm bị thiệt thòi (Carroll et al., 2020). Trong khi FAIR tập trung vào tính kỹ thuật và tính hạ tầng của dữ liệu, CARE đặt câu hỏi về: ai có quyền quyết định dữ liệu có được chia sẻ hay không, dữ liệu sẽ mang lại lợi ích cho ai, và việc sử dụng dữ liệu có tôn trọng các giá trị văn hóa, tinh thần của cộng đồng nguồn gốc hay không. Sự kết hợp FAIR–CARE tạo ra một khung quản lý toàn diện, cân bằng giữa khả năng tiếp cận mở và trách nhiệm đạo đức.

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

1.5. Mục tiêu bài viết

Bài viết này hướng đến ba mục tiêu cụ thể. Thứ nhất, hệ thống hóa nền tảng khái niệm về quản lý dữ liệu nghiên cứu, bao gồm định nghĩa, phân loại dữ liệu, vòng đời dữ liệu và các vấn đề đạo đức liên quan. Thứ hai, phân tích sâu hai bộ nguyên tắc FAIR và CARE — nội dung, ý nghĩa, mối quan hệ và kinh nghiệm ứng dụng quốc tế. Thứ ba, từ cơ sở lý luận và thực tiễn đó, đề xuất hệ thống khuyến nghị phù hợp với bối cảnh cụ thể của Trường Đại học Ngoại thương, góp phần xây dựng chiến lược RDM hiệu quả, thiết thực và bền vững.

Bài viết được viết cho đối tượng chính là giảng viên và nghiên cứu sinh FTU — những người đang trực tiếp sản sinh và sử dụng dữ liệu nghiên cứu hằng ngày — song cũng có giá trị tham khảo cho các đơn vị quản lý khoa học, trung tâm công nghệ thông tin và ban lãnh đạo trường. Qua đó, hy vọng bài viết sẽ góp phần thúc đẩy văn hóa chia sẻ dữ liệu, nâng cao chất lượng nghiên cứu và chuẩn bị cho FTU bước vào kỷ nguyên khoa học mở một cách chủ động, có chuẩn bị.

---

2. Nền tảng khái niệm

2.1. Dữ liệu nghiên cứu là gì

Dữ liệu nghiên cứu (research data) là mọi thông tin, ở mọi hình thức và định dạng, được tạo ra, thu thập hoặc sử dụng trong quá trình nghiên cứu nhằm kiểm chứng kết quả, xây dựng lý thuyết hoặc phát hiện kiến thức mới (Sobotová & Pollák, 2026). Định nghĩa này bao hàm một phổ rất rộng: từ con số thống kê, bản ghi âm phỏng vấn, hình ảnh quét vi phân, chuỗi trình tự gen, đến ghi chú hiện trường, nhật ký nghiên cứu, và mã lệnh lập trình. Điểm chung của tất cả các loại này là chúng đóng vai trò "bằng chứng" (evidence) cho các khẳng định khoa học — không có dữ liệu thì kết quả nghiên cứu chỉ là tuyên bố không có cơ sở.

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Việc phân loại dữ liệu nghiên cứu có thể thực hiện theo nhiều tiêu chí khác nhau. Theo nguồn gốc, dữ liệu được chia thành dữ liệu sơ cấp (primary data) — được nghiên cứu viên tự thu thập trực tiếp qua thực nghiệm, khảo sát hay quan sát — và dữ liệu thứ cấp (secondary data) — được lấy từ các nguồn đã tồn tại như cơ sở dữ liệu chính phủ, tổ chức quốc tế hay công trình nghiên cứu trước (OECD, 2007). Cả hai loại đều đóng vai trò quan trọng và thường được sử dụng kết hợp: dữ liệu sơ cấp cung cấp tính nguyên bản, còn dữ liệu thứ cấp mở rộng bối cảnh so sánh. Tại FTU, nhiều nghiên cứu về kinh tế và kinh doanh sử dụng kết hợp bảng hỏi tự thiết kế với dữ liệu thống kê từ Tổng cục Thống kê, Ngân hàng Thế giới hay Quỹ Tiền tệ Quốc tế.

OECD (2007). Principles and Guidelines for Access to Research Data from Public Funding. OECD Publishing. DOI: 10.1787/9789264034020-en-fr

Theo hình thức biểu diễn, dữ liệu có thể là dạng có cấu trúc (structured data) — được tổ chức theo hàng, cột rõ ràng, thường lưu trong bảng tính hoặc cơ sở dữ liệu quan hệ — hoặc dạng phi cấu trúc (unstructured data) — văn bản tự do, hình ảnh, âm thanh, video, ghi chú viết tay. Giữa hai cực này là dữ liệu bán cấu trúc (semi-structured data) như tệp JSON hay XML, có chứa các thẻ đánh dấu nhưng không tuân theo lược đồ cứng nhắc. Phân loại này có ý nghĩa thực tiễn lớn cho việc lựa chọn công cụ lưu trữ và phương pháp mô tả dữ liệu: dữ liệu có cấu trúc thường dễ dàng tìm kiếm, lọc và phân tích tự động hơn so với dữ liệu phi cấu trúc (Dumontier, 2022).

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Một phân loại khác liên quan đến tính nhạy cảm của dữ liệu. Dữ liệu không nhạy cảm (non-sensitive data) có thể được chia sẻ tự do mà không gây tổn hại cho bất kỳ cá nhân hay cộng đồng nào. Ngược lại, dữ liệu nhạy cảm (sensitive data) — bao gồm thông tin cá nhân, dữ liệu y tế, thông tin thương mại mật, dữ liệu về cộng đồng bản địa — đòi hỏi các biện pháp bảo vệ nghiêm ngặt trước khi có thể công khai (Gans Combe, 2020). Trong bối cảnh nghiên cứu kinh tế – xã hội tại Việt Nam, các nghiên cứu sử dụng dữ liệu phi cấu trúc như phỏng vấn sâu thường rất cần chú ý đến tính nhạy cảm, bởi thông tin cá nhân của người tham gia khảo sát có thể bị lộ nếu quản lý không chặt chẽ.

Gans Combe, Caroline (2020). Research Ethics in Data. Springer. DOI: 10.1007/978-3-030-16759-2_13

Cần phân biệt rõ giữa "dữ liệu nghiên cứu" và "sản phẩm nghiên cứu". Bài báo khoa học, báo cáo dự án, slide thuyết trình và luận văn là sản phẩm nghiên cứu — kết quả sau khi dữ liệu đã được phân tích và diễn giải. Dữ liệu nghiên cứu là "nguyên liệu" tạo ra sản phẩm ấy. Sự nhầm lẫn giữa hai khái niệm này phổ biến trong thực tiễn, dẫn đến tình trạng nhiều nhà nghiên cứu cho rằng chỉ cần gửi nộp bài báo là đã hoàn thành nghĩa vụ với dự án, mà quên mất rằng dữ liệu gốc cần được lưu trữ và bảo quản để phục vụ kiểm chứng sau này (Iphofen, 2020).

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

2.2. Quản lý dữ liệu nghiên cứu (RDM) — Định nghĩa và phạm vi

Quản lý dữ liệu nghiên cứu (Research Data Management — RDM) là quá trình tổ chức, cấu trúc, lưu trữ, bảo vệ, mô tả, chia sẻ và bảo quản dữ liệu xuyên suốt vòng đời của một dự án nghiên cứu và cả sau khi dự án đã kết thúc (Sobotová & Pollák, 2026). RDM không đơn thuần là việc "cất file vào máy tính" mà là một hệ thống thực hành có chủ đích, dựa trên các nguyên tắc, tiêu chuẩn và công cụ nhất định (Wilkinson et al., 2016). Hiểu theo nghĩa rộng, RDM bao trùm mọi quyết định liên quan đến dữ liệu — từ khâu thiết kế phương pháp luận thu thập đến khâu quyết định nơi lưu trữ dài hạn, ai được quyền tiếp cận và trong điều kiện nào.

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Phạm vi của RDM bao gồm nhiều hoạt động cụ thể, có thể nhóm thành ba giai đoạn chính. Giai đoạn trước nghiên cứu (pre-research) gồm: lên kế hoạch quản lý dữ liệu (Data Management Plan — DMP), xác định định dạng lưu trữ phù hợp, thiết kế quy trình đặt tên file, và xin giấy phép đạo đức khi cần thiết. Giai đoạn trong nghiên cứu (active research) bao gồm: nhập liệu, làm sạch, mô tả bằng siêu dữ liệu, kiểm soát phiên bản, sao lưu định kỳ và bảo mật thông tin nhạy cảm. Giai đoạn sau nghiên cứu (post-research) bao gồm: chuẩn bị dữ liệu để chia sẻ, lưu trữ vào kho dữ liệu (data repository), gán mã định danh bền vững (như DOI), và định kỳ kiểm tra tính đầy đủ (OECD, 2007).

OECD (2007). Principles and Guidelines for Access to Research Data from Public Funding. OECD Publishing. DOI: 10.1787/9789264034020-en-fr

Nhiều nhà tài trợ nghiên cứu quốc tế hiện nay bắt buộc nộp Kế hoạch quản lý dữ liệu như một phần của hồ sơ dự án (Atkinson et al., 2017). Các chương trình tài trợ của Ủy ban Châu Âu (ví dụ: Horizon Europe), Quỹ Khoa học Quốc gia Hoa Kỳ (NSF) và Wellcome Trust đều yêu cầu nhà nghiên cứu mô tả chi tiết cách thức họ sẽ thu thập, xử lý, lưu trữ và chia sẻ dữ liệu. Tại Việt Nam, yêu cầu này chưa phổ biến nhưng đang dần được đưa vào các quy định cấp bộ. Thông tư 10/2021/TT-BGDĐT đã yêu cầu cơ sở giáo dục đại học "lưu trữ kết quả nghiên cứu khoa học và công nghệ", trong đó ngầm bao gồm dữ liệu nghiên cứu (Bộ GD&ĐT, 2021). Sự thay đổi này phản ánh xu hướng pháp lý hướng đến yêu cầu minh bạch dữ liệu rõ ràng hơn.

Bộ Giáo dục và Đào tạo (2021). Thông tư 10/2021/TT-BGDĐT — Quy định về quản lý hoạt động khoa học và công nghệ trong cơ sở giáo dục đại học. Chi tiết: Tóm tắt và phân tích

Về mặt tổ chức, RDM tại trường đại học đòi hỏi sự phối hợp của nhiều bên: nhà nghiên cứu (người tạo và sở hữu dữ liệu), thư viện hoặc trung tâm thông tin (đơn vị tư vấn và vận hành kho dữ liệu), phòng công nghệ thông tin (đơn vị cung cấp hạ tầng kỹ thuật), và ban quản lý khoa học (đơn vị ban hành chính sách, giám sát tuân thủ). Mô hình tổ chức RDM hiệu quả cần phân công rõ vai trò, trách nhiệm, nguồn lực và cơ chế phối hợp giữa các đơn vị (Atkinson et al., 2017). Tại nhiều trường đại học Châu Âu và Bắc Mỹ, thư viện đóng vai trò nòng cốt trong hệ sinh thái RDM — một mô hình mà FTU có thể tham khảo và điều chỉnh cho phù hợp với thực tiễn.

Một khía cạnh thường bị xem nhẹ nhưng rất quan trọng của RDM là quản lý chi phí dữ liệu. Lưu trữ dữ liệu lớn, duy trì máy chủ, trả phí cho kho dữ liệu chuyên nghiệp, đào tạo nhân sự — tất cả đều tiêu tốn nguồn lực (OECD, 2007). Đối với trường đại học ở nước đang phát triển, bài toán cân bằng giữa chi phí đầu tư cho hạ tầng RDM và hiệu quả mang lại là một thách thức không nhỏ. Giải pháp sẽ nằm ở việc tận dụng hạ tầng chia sẻ (như kho dữ liệu mở Zenodo, Figshare), xây dựng chính sách ưu tiên dữ liệu có giá trị cao và lâu dài, đồng thời tích hợp RDM vào các quy trình quản lý khoa học hiện có thay vì xây dựng hệ thống hoàn toàn mới.

OECD (2007). Principles and Guidelines for Access to Research Data from Public Funding. OECD Publishing. DOI: 10.1787/9789264034020-en-fr

2.3. Vòng đời dữ liệu nghiên cứu

Dữ liệu nghiên cứu, giống như mọi thực thể sống khác, trải qua một "vòng đời" (lifecycle) với các giai đoạn nối tiếp nhau, trong đó quyết định ở mỗi giai đoạn ảnh hưởng đến toàn bộ các giai đoạn sau (Sobotová & Pollák, 2026). Hiểu rõ vòng đời dữ liệu giúp nhà nghiên cứu lên kế hoạch tổng thể, tránh được các sai sót phổ biến như mất dữ liệu giữa chừng, thiếu siêu dữ liệu, hoặc không thể chia sẻ do vấn đề quyền sở hữu. Mô hình vòng đời dữ liệu phổ biến nhất trong văn học RDM gồm năm hoặc sáu giai đoạn chính, tuy biến thể cụ thể được khác nhau tùy tổ chức đề xuất.

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Giai đoạn đầu là thiết kế và lập kế hoạch (plan/design). Tại đây, nhà nghiên cứu xác định loại dữ liệu cần thu thập, phương pháp thu thập, định dạng lưu trữ, công cụ phần mềm cần dùng, và cách thức mô tả dữ liệu. Kế hoạch quản lý dữ liệu (DMP) thường được soạn thảo ở giai đoạn này, kể cả khi nhà tài trợ không yêu cầu. Một DMP tốt trả lời được các câu hỏi: dữ liệu từ đâu, định dạng gì, dung lượng bao nhiêu, ai được quyền truy cập, lưu ở đâu, bảo mật ra sao, và sẽ được xử lý thế nào sau khi dự án kết thúc (Sobotová & Pollák, 2026). Việc đầu tư thời gian vào giai đoạn thiết kế có khả năng tiết kiệm rất nhiều công sức ở các giai đoạn sau.

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Giai đoạn thứ hai là thu thập và tạo dữ liệu (collect/generate). Đây là lúc dữ liệu thực tế được tạo ra — thông qua khảo sát bằng bảng hỏi, thực nghiệm trong phòng thí nghiệm, phỏng vấn sâu, thu thập từ cơ sở dữ liệu thứ cấp, hay mô phỏng bằng máy tính. Tại giai đoạn này, việc tuân thủ quy trình chuẩn hóa — từ cách đặt tên biến, mã hóa đáp án đến định dạng tệp — có ý nghĩa quyết định đối với chất lượng dữ liệu. Một sai sót nhỏ trong khâu nhập liệu nhiều khả năng làm hỏng toàn bộ chuỗi phân tích sau này (Dumontier, 2022).

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Giai đoạn thứ ba là xử lý và phân tích (process/analyze). Dữ liệu thô thường cần được làm sạch (data cleaning), chuyển đổi định dạng, gộp hoặc chia nhỏ, mã hóa lại, và phân tích thống kê hoặc mô hình hóa. Trong suốt quá trình này, việc kiểm soát phiên bản (version control) là cực kỳ quan trọng — mỗi thay đổi cần được ghi nhận, phiên bản mới cần được phân biệt rõ với phiên bản cũ, và phiên bản gốc phải được bảo toàn nguyên vẹn (Iphofen, 2020). Thực hành tốt nhất là sử dụng các hệ thống quản lý phiên bản như Git hoặc DataLad, cho phép truy vết mọi thay đổi trong lịch sử xử lý dữ liệu.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Giai đoạn thứ tư là lưu trữ và bảo quản (store/preserve). Dữ liệu sau khi đã phân tích cần được lưu trữ an toàn, lý tưởng nhất là ở ít nhất hai vị trí vật lý khác nhau (ví dụ: ổ cứng cục bộ và máy chủ trung tâm). Việc bảo quản dữ liệu dài hạn đòi hỏi chú ý đến các rủi ro "hư hỏng bit" (bit rot), lỗi tương thích phần mềm (khi định dạng tệp trở nên lỗi thời), và mất mã hóa ký tự. Nguyên tắc chung là ưu tiên các định dạng mở (open format) — như CSV, TIFF, PDF/A — thay vì các định dạng độc quyền của phần mềm thương mại (OECD, 2007). Bước này đảm bảo dữ liệu vẫn cần đọc được sau nhiều năm, thậm chí nhiều thập kỷ.

OECD (2007). Principles and Guidelines for Access to Research Data from Public Funding. OECD Publishing. DOI: 10.1787/9789264034020-en-fr

Giai đoạn thứ năm là chia sẻ và công bố (share/publish). Khi nghiên cứu được công bố, dữ liệu hỗ trợ cần được cung cấp để cộng đồng được phép kiểm chứng và sử dụng lại. Tốt nhất là dữ liệu được nộp vào một kho dữ liệu (data repository) có uy tín, được gán mã DOI bền vững, và đi kèm siêu dữ liệu chi tiết (Wilkinson et al., 2016). Việc chia sẻ dữ liệu không chỉ nâng cao độ tin cậy của nghiên cứu mà còn tăng tần số trích dẫn — nhiều nghiên cứu đã chứng minh công trình có dữ liệu mở được trích dẫn nhiều hơn công trình không chia sẻ dữ liệu (Dumontier, 2022).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Giai đoạn cuối là tái sử dụng và tái phân tích (reuse/reanalyze). Dữ liệu được chia sẻ dễ dàng được nhóm nghiên cứu khác sử dụng để trả lời câu hỏi mới, kết hợp với dữ liệu khác trong phân tích tổng hợp (meta-analysis), hoặc phục vụ mục đích giáo dục. Đây chính là "đích đến" của toàn bộ chuỗi RDM: biến dữ liệu từ tài sản cục bộ thành nguồn tài nguyên dùng chung, nhân rộng giá trị của mỗi tập dữ liệu ra nhiều lần (UNESCO, 2021). Sự tái sử dụng thành công phụ thuộc trực tiếp vào chất lượng của các giai đoạn trước — nếu dữ liệu không được mô tả kỹ, không có siêu dữ liệu đầy đủ hoặc sử dụng định dạng khó tiếp cận, khả năng tái sử dụng sẽ giảm mạnh.

UNESCO (2021). Recommendation on Open Science. Truy cập: https://www.unesco.org/en/articles/open-science-recommendation

Cần lưu ý rằng vòng đời dữ liệu không phải là tuyến tính một chiều mà có tính lặp và lùi (iterative). Nhà nghiên cứu nên cần quay lại giai đoạn thu thập sau khi phân tích phát hiện dữ liệu không đủ, hoặc phải bổ sung siêu dữ liệu ở giai đoạn bảo quản khi nhận ra thông tin mô tả còn thiếu. Sự linh hoạt trong vòng đời đòi hỏi RDM phải là một quá trình thích ứng (adaptive), không phải một quy trình cứng nhắc (Sobotová & Pollák, 2026).

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

2.4. Đạo đức nghiên cứu và tính toàn vẹn

Đạo đức nghiên cứu (research ethics) là hệ thống các nguyên tắc và quy tắc định hướng cho hành vi của nhà nghiên cứu trong suốt quá trình thực hiện nghiên cứu (Iphofen, 2020). Trong kỷ nguyên dữ liệu, đạo đức nghiên cứu mở rộng đáng kể so với phạm vi truyền thống — không chỉ bao gồm việc bảo vệ người tham gia nghiên cứu và đối tượng nghiên cứu sinh học, mà còn bao quát các vấn đề về quyền riêng tư dữ liệu, minh bạch trong phân tích, trách nhiệm khi chia sẻ và sử dụng lại dữ liệu, cũng như tác động xã hội của các quyết định quản lý dữ liệu (Gans Combe, 2020). Sự giao thoa giữa đạo đức và RDM trở nên chặt chẽ hơn bao giờ hết.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Gans Combe, Caroline (2020). Research Ethics in Data. Springer. DOI: 10.1007/978-3-030-16759-2_13

Một trong những nguyên tắc đạo đức nền tảng nhất là đồng thuận có hiểu biết (informed consent). Khi nghiên cứu thu thập dữ liệu từ con người — qua khảo sát, phỏng vấn, quan sát hoặc thu thập dữ liệu hành vi trực tuyến — người tham gia cần được thông tin rõ ràng về mục đích nghiên cứu, cách thức dữ liệu sẽ được sử dụng, lưu trữ và chia sẻ, đồng thời phải tự nguyện đồng ý (Gans Combe, 2020). Thách thức hiện đại là xác định phạm vi đồng thuận: người tham gia có đồng ý cho dữ liệu của họ được chia sẻ công khai sau khi ẩn danh hay không? Có cho phép dữ liệu được tái sử dụng cho nghiên cứu khác không? Cần có các biểu mẫu đồng thuận được thiết kế kỹ lưỡng, trong đó các lựa chọn chia sẻ dữ liệu được trình bày rõ ràng và dễ hiểu.

Gans Combe, Caroline (2020). Research Ethics in Data. Springer. DOI: 10.1007/978-3-030-16759-2_13

Nguyên tắc thứ hai liên quan đến bảo mật và quyền riêng tư (confidentiality and privacy). Dữ liệu nghiên cứu — đặc biệt trong lĩnh vực kinh tế, y tế và khoa học xã hội — thường chứa thông tin sẽ nhận diện cá nhân: tên, tuổi, thu nhập, địa chỉ, số điện thoại, và thông tin vị trí (Gans Combe, 2020). Việc bảo vệ quyền riêng tư đòi hỏi các biện pháp kỹ thuật (mã hóa, kiểm soát truy cập) và biện pháp tổ chức (chính sách bảo mật, cam kết không tiết lộ). Kỹ thuật ẩn danh (anonymization) và bưng bít dữ liệu (pseudonymization) là công cụ quan trọng, dù không phải lúc nào cũng đủ để ngăn chặn việc nhận diện lại (re-identification), đặc biệt khi dữ liệu kết hợp với các nguồn thông tin công khai (Iphofen, 2020).

Gans Combe, Caroline (2020). Research Ethics in Data. Springer. DOI: 10.1007/978-3-030-16759-2_13

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Nguyên tắc thứ ba là minh bạch và trách nhiệm giải trình (transparency and accountability). Nhà nghiên cứu có trách nhiệm báo cáo kết quả theo cách trung thực, công khai các hạn chế của nghiên cứu, và chia sẻ dữ liệu gốc để cộng đồng được kiểm tra. Tính minh bạch không chỉ là yêu cầu đạo đức mà còn là nền tảng của tính toàn vẹn nghiên cứu (research integrity) — khái niệm rộng hơn bao gồm sự trung thực, cẩn trọng, khách quan, công bằng và cởi mở (Iphofen, 2020). Trong thực tế, nhiều hành vi vi phạm tính toàn vẹn — như thao túng dữ liệu (data fabrication), bóp méo hình ảnh (image manipulation), hay chọn lọc kết quả (cherry-picking) — có nguồn gốc từ việc thiếu minh bạch trong quản lý dữ liệu.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Nguyên tắc thứ tư liên quan đến công bằng và lợi ích chia sẻ (fairness and benefit sharing). Dữ liệu nghiên cứu thường được thu thập từ các cộng đồng hoặc cá nhân cụ thể, nhưng lợi ích sinh ra từ phân tích dữ liệu thường thuộc về nhà nghiên cứu và tổ chức của họ (Iphofen, 2020). Sự bất cân xứng này đặt ra câu hỏi về công bằng: liệu cộng đồng được nghiên cứu có được hưởng lợi từ kết quả nghiên cứu hay không? Bộ nguyên tắc CARE nêu trên, với trọng tâm là lợi ích tập thể và quyền kiểm soát của cộng đồng, chính là một nỗ lực giải quyết bất cân xứng này ở cấp độ dữ liệu.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Cuối cùng, tôn trọng bối cảnh văn hóa (cultural sensitivity) là nguyên tắc đạo đức đặc biệt quan trọng trong nghiên cứu đa văn hóa và nghiên cứu với cộng đồng bản địa. Dữ liệu có khả năng mang ý nghĩa tâm linh, nghi lễ hoặc lịch sử đặc thù mà nhà nghiên cứu bên ngoài khó nhận thức được. Việc sử dụng hoặc công bố dữ liệu mà không xin phép hoặc không hiểu đúng bối cảnh văn hóa nhiều khả năng gây tổn hại sâu sắc cho cộng đồng nguồn (Gans Combe, 2020). Tại Việt Nam, nhiều nghiên cứu liên quan đến dân tộc thiểu số, di sản văn hóa hoặc thực hành tín ngưỡng địa phương cần đặc biệt chú ý đến nguyên tắc này.

Gans Combe, Caroline (2020). Research Ethics in Data. Springer. DOI: 10.1007/978-3-030-16759-2_13

Tính toàn vẹn nghiên cứu và đạo đức dữ liệu không chỉ là vấn đề cá nhân mà cần được bảo đảm ở cấp độ tổ chức. Trường đại học có trách nhiệm xây dựng bộ quy tắc ứng xử nghiên cứu, thành lập hội đồng đạo đức hoạt động hiệu quả, cung cấp đào tạo và hỗ trợ tư vấn cho nhà nghiên cứu, đồng thời có cơ chế xử lý khi có vi phạm (Iphofen, 2020). Sự kết hợp giữa RDM và đạo đức nghiên cứu tạo ra một hệ thống bảo vệ nhiều lớp: dữ liệu được quản lý tốt vừa giúp nâng cao chất lượng khoa học, vừa ngăn ngừa các hành vi vi phạm, vừa đảm bảo nghiên cứu mang lại lợi ích chân chính cho xã hội.

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

3. Nguyên tắc FAIR trong quản lý dữ liệu nghiên cứu

3.1. Nguồn gốc và bối cảnh ra đời

Cuối năm 2014, tại thành phố Leiden (Hà Lan), một nhóm chuyên gia về quản lý dữ liệu khoa học đã nhóm họp trong hội nghị mang tên "Together FAIR" — thường được gọi tắt là GoFAIR. Mục tiêu của cuộc họp này là tìm ra bằng phương pháp tiếp cận thống nhất nhằm giải quyết một vấn đề cấp bách: dữ liệu khoa học đang được sản xuất với tốc độ vượt xa khả năng quản lý, chia sẻ và tái sử dụng của cộng đồng nghiên cứu. Các tham dự viên nhận ra rằng nếu không có một bộ nguyên tắc chung, phần lớn dữ liệu sẽ nằm "chìm" trong ổ cứng cá nhân của từng nhà nghiên cứu, không thể phát huy giá trị sau dự án kết thúc (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Năm 2016, nhóm nghiên cứu do Mark D. Wilkinson dẫn đầu đã công bố bài báo mang dấu ấn đậm nét trên tạp chí Scientific Data của Nature Publishing Group. Bài viết này trình bày hệ thống bốn trụ cột FAIR — viết tắt từ các từ khóa Findable, Accessible, Interoperable và Reusable — cùng mười lăm nguyên tắc con chi tiết. Từ đây, FAIR nhanh chóng trở thành khuôn tham chiếu chuẩn mực trong cộng đồng khoa học toàn cầu, được Liên minh Châu Âu, chính phủ nhiều quốc gia và các tổ chức tài trợ nghiên cứu đưa vào chính sách bắt buộc (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Động lực cốt lõi đằng sau sự ra đời của FAIR xuất phát từ ba xu hướng phát triển song song. Thứ nhất, khối lượng dữ liệu nghiên cứu tăng theo cấp số nhân trong mọi lĩnh vực từ khoa học tự nhiên đến khoa học xã hội. Thứ hai, chuyển đổi số trong hoạt động nghiên cứu khiến dữ liệu không còn là sản phẩm phụ mà trở thành tài sản tri thức có giá trị độc lập. Thứ ba, phong trào khoa học mở (open science) đòi hỏi tính minh bạch và khả năng kiểm chứng, vốn không thể thực hiện nếu dữ liệu gốc không được chia sẻ (Stall, 2017).

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Cần lưu ý một điểm quan trọng: nguyên tắc FAIR không đồng nghĩa với nguyên tắc "mở" (open). Dữ liệu FAIR vẫn cần bị giới hạn truy cập vì lý do bảo mật, sở hữu trí tuệ hoặc nhạy cảm về đạo đức. Wilkinson và cộng sự đã nhấn mạnh rõ ràng ranh giới này: FAIR hướng tới khả năng "tìm thấy và tiếp cận" dưới những điều kiện được quy định rõ, chứ không bắt buộc dữ liệu phải hoàn toàn miễn phí (Dumontier, 2022). Sự phân biệt này có ý nghĩa đáng chú ý trong bối cảnh các trường đại học Việt Nam, nơi dữ liệu khảo kinh tế — tệp dữ liệu phổ biến tại Trường Đại học Ngoại thương — thường chứa thông tin cá nhân hoặc dữ liệu thống kê có giá trị thương mại.

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Ngoài động lực từ cộng đồng khoa học, FAIR còn nhận được sự thúc đẩy mạnh mẽ từ các tổ chức tài trợ nghiên cứu. Quỹ Khoa học Châu Âu (European Research Council), Quỹ Wellcome Trust và nhiều cơ quan khác đã yêu cầu nhà nghiên cứu phải có kế hoạch quản lý dữ liệu (data management plan) tuân thủ FAIR như một điều kiện để nhận ngân sách. Tại Việt Nam, dù chưa có quy định bắt buộc chính thức ở cấp quốc gia, một số trường đại học tiên phong đã bắt đầu đưa khái niệm này vào quy chế nghiên cứu khoa học, tạo tiền đề cho sự thay đổi sâu rộng (Stall, 2017).

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

3.2. Bốn trụ cột FAIR

F — Findable (Được phép tìm thấy)

Trụ cột đầu tiên của FAIR giải quyết câu hỏi cơ bản nhất: làm sao để người khác biết dữ liệu của bạn tồn tại? Trong bối cảnh hàng triệu bộ dữ liệu được tạo ra mỗi năm, khả năng "tìm thấy" trở thành điều kiện tiên quyết để dữ liệu được tái sử dụng. Wilkinson et al. (2016) đã chia trụ cột này thành ba nguyên tắc con, tất cả đều xoay quanh khái niệm siêu dữ liệu (metadata) — tức dữ liệu về dữ liệu.

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Nguyên tắc F1 yêu cầu mỗi bộ dữ liệu phải được gán một số định danh toàn cầu và duy nhất. Thực tiễn phổ biến nhất là sử dụng Digital Object Identifier (DOI), một hệ thống định danh chuẩn quốc tế cho các đối tượng số. Khi một bộ dữ liệu được cấp DOI, nó trở thành một "công dân" chính thức trong hệ sinh thái học thuật, dễ dàng được trích dẫn giống như một bài báo. Borgman (2016) nhấn mạnh rằng trích dẫn dữ liệu (data citation) không chỉ giúp tăng khả năng tiếp cận mà còn giải quyết vấn đề ghi nhận công lao cho nhà nghiên cứu — một yếu tố then chốt để thúc đẩy văn hóa chia sẻ dữ liệu.

Borgman, Christine L. (2016). Data Citation as a Bibliometric Oxymoron. De Gruyter. DOI: 10.1515/9783110308464-008

Nguyên tắc F2 yêu cầu dữ liệu phải được mô tả bằng siêu dữ liệu phong phú. Trong thực tế, siêu dữ liệu là "lời giới thiệu" của bộ dữ liệu: nó cho biết ai tạo ra dữ liệu, khi nào, bằng phương pháp nào, bao gồm những biến số nào, và dữ liệu đó phù hợp cho mục đích gì. Nếu siêu dữ liệu nghèo nàn hoặc thiếu sót, dữ liệu dù có tồn tại trên mạng cũng không thể được tìm thấy bởi công cụ tìm kiếm (Mooney & Newton, 2012). Stall (2017) chỉ ra rằng siêu dữ liệu cần tuân theo các chuẩn mô tả đã được công nhận như Dublin Core, DataCite Metadata Schema, hoặc các chuẩn chuyên ngành tương ứng.

Mooney, Hailey; Newton, Mark P (2012). The Anatomy of a Data Citation. JLSC, 1(1), e1035. DOI: 10.7710/2162-3309.1035

Nguyên tắc F3 yêu cầu siêu dữ liệu phải được đăng ký trong một hệ thống tìm kiếm hoặc kho lưu trữ dễ tiếp cận. Đây là nguyên tắc đưa dữ liệu từ "tồn tại" sang "hiện diện". Một bộ dữ liệu nằm trên máy tính cá nhân hoặc trên website riêng lẻ rất khó được phát hiện. Ngược lại, khi được đăng ký trong các kho dữ liệu như Zenodo, Figshare, Harvard Dataverse hoặc các kho dữ liệu chuyên ngành, bộ dữ liệu sẽ được các công cụ tìm kiếm quốc tế như Google Dataset Search lập chỉ mục (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Ba nguyên tắc con của trụ cột Findable tạo thành một chuỗi logic chặt chẽ: định danh độc nhất giúp phân biệt dữ liệu, siêu dữ liệu phong phú giúp mô tả dữ liệu, và việc đăng ký trong kho lưu trữ giúp lan tỏa dữ liệu đến cộng đồng nghiên cứu. Thiếu bất kỳ mắt xích nào, chuỗi này sẽ đứt gãy, khiến dữ liệu trở thành "những hòn đảo cô lập" giữa đại dương thông tin (Borgman, 2016).

Borgman, Christine L. (2016). Data Citation as a Bibliometric Oxymoron. De Gruyter. DOI: 10.1515/9783110308464-008

A — Accessible (Nên tiếp cận)

Trụ cột thứ hai của FAIR đối diện với một thách thức tinh tế: dữ liệu sẽ tìm thấy nhưng chưa chắc đã được tiếp cận được. Stall (2017) phân biệt rõ hai khía cạnh này: khả năng tìm kiếm thông tin về dữ liệu (mô tả bằng siêu dữ liệu) và khả năng truy cập chính dữ liệu (xem, tải về, phân tích). Thông tin siêu dữ liệu nên luôn mở, còn dữ liệu gốc có khả năng bị giới hạn truy cập theo những điều kiện cụ thể.

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Nguyên tắc A1 yêu cầu dữ liệu (hoặc siêu dữ liệu) nhiều khả năng truy xuất được thông qua giao thức chuẩn hóa và mở. Giao thức phổ biến nhất hiện nay là OAI-PMH (Open Archives Initiative Protocol for Metadata Harvesting) và các giao thức web chuẩn như HTTP/HTTPS. Nguyên tắc này đảm bảo rằng bất kỳ phần mềm hoặc dịch vụ nào tuân thủ giao thức chuẩn đều cần tương tác với dữ liệu, không bị phụ thuộc vào nền tảng riêng tư của nhà cung cấp (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Nguyên tắc A1.1 — nguyên tắc con bổ sung quan trọng — yêu cầu siêu dữ liệu phải luôn khả dụng, ngay cả khi dữ liệu gốc không còn tồn tại. Đây là một yêu cầu thiết thực: nhiều bộ dữ liệu bị hỏng, thất lạc hoặc xóa theo thời gian. Nếu siêu dữ liệu vẫn được bảo tồn, cộng đồng nghiên cứu ít nhất biết được dữ liệu đó từng tồn tại, ai là người tạo ra, và được phép tìm kiếm các nguồn thay thế (Dumontier, 2022).

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Nguyên tắc A2 quy định siêu dữ liệu phải luôn truy cập được, kể cả khi dữ liệu gốc không còn. Hai nguyên tắc A1.1 và A2 bổ sung cho nhau, tạo ra một lớp "bảo hiểm" cho thông tin về dữ liệu. Trong thực tế tại các trường đại học Việt Nam, nhiều đề tài nghiên cứu hoàn thành rồi mà dữ liệu thu thập bị bỏ quên theo thời gian, không có người tiếp quản. Nếu nguyên tắc này được áp dụng, ít nhất các thông tin cơ bản về dữ liệu vẫn còn tồn tại trong kho lưu trữ của trường (Stall, 2017).

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Trụ cột Accessible phản ánh triết lý cốt lõi của FAIR: dữ liệu "được tìm thấy" cần thực sự "dễ dàng lấy được" thông qua các kênh chính thức. Một rào cản phổ biến trong môi trường đại học là việc dữ liệu lưu trữ trên các dịch vụ đám mây thương mại (Google Drive, OneDrive) mà không có siêu dữ liệu chuẩn hóa, khiến việc tự động hóa tìm kiếm trở nên bất khả thi (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

I — Interoperable (Nên tương tác)

Trụ cột thứ ba — sẽ được xem là kỹ thuật nhất trong bốn trụ cột — giải quyết vấn đề khả năng kết nối giữa các hệ thống dữ liệu khác nhau. Trong bối cảnh khoa học liên ngành ngày càng phát triển, dữ liệu từ một lĩnh vực thường cần kết hợp với dữ liệu từ lĩnh vực khác. Interoperability đảm bảo quá trình tích hợp này diễn ra trơn tru (Dumontier, 2022).

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Nguyên tắc I1 yêu cầu dữ liệu sử dụng một ngôn ngữ hình thức, được chia sẻ rộng rãi, có tính biểu diễn kiến thức và khả năng sử dụng lại. Ngôn ngữ ở đây không chỉ là ngôn ngữ tự nhiên (tiếng Việt, tiếng Anh) mà còn là các ngôn ngữ máy tính chuẩn hóa. Ví dụ, dữ liệu kinh tế lượng cần được lưu ở các định dạng không độc quyền (CSV, JSON, XML) thay vì các định dạng độc quyền (SPSS .sav, Stata .dta), để bất kỳ phần mềm phân tích nào cũng được đọc (Stall, 2017).

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Nguyên tắc I2 yêu cầu dữ liệu sử dụng các FAIR-compliant vocabularies — tức các hệ thống từ vựng hoặc thuật ngữ tuân thủ nguyên tắc FAIR. Đây là một yêu cầu đệ quy thú vị: dữ liệu cần dùng từ vựng chuẩn, và chính các từ vựng đó cũng phải là FAIR. Các hệ thống ontologies và controlled vocabularies như SKOS (Simple Knowledge Organization System) hay OWL (Web Ontology Language) đóng vai trò nền tảng cho nguyên tắc này (Dumontier, 2022).

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Nguyên tắc I3 yêu cầu dữ liệu bao gồm các trích dẫn tham chiếu rõ ràng đến các bộ dữ liệu khác. Nguyên tắc này thúc đẩy việc xây dựng mạng lưới dữ liệu liên kết, nơi mỗi bộ dữ liệu không tồn tại độc lập mà được đặt trong một mạng lưới quan hệ — tương tự cách các bài báo trích dẫn lẫn nhau (Borgman, 2016). Mooney và Newton (2012) cho thấy rằng trích dẫn dữ liệu có cấu trúc chuẩn (tên tác giả, năm, tiêu đề, phiên bản, DOI) giúp xây dựng "lịch sử trích dẫn dữ liệu" (data citation graph), từ đó đánh giá được mức độ ảnh hưởng của bộ dữ liệu trong cộng đồng nghiên cứu.

Borgman, Christine L. (2016). Data Citation as a Bibliometric Oxymoron. De Gruyter. DOI: 10.1515/9783110308464-008

Trụ cột Interoperable nổi bật quan trọng đối với một trường đại học đa ngành như Ngoại thương, nơi dữ liệu nghiên cứu xuất phát từ nhiều lĩnh vực: kinh tế, thương mại, ngôn ngữ học, luật, quan hệ quốc tế. Nếu không có chuẩn chung về định dạng, từ vựng và cách trích dẫn, việc tích hợp dữ liệu giữa các khoa và phòng ban sẽ gặp khó khăn lớn (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

R — Reusable (Có khả năng tái sử dụng)

Trụ cột cuối cùng và theo nhiều chuyên gia, cũng là mục tiêu cao nhất của FAIR: dữ liệu được tạo ra là để phục vụ nhiều mục đích, không chỉ cho dự án ban đầu. Khả năng tái sử dụng phụ thuộc vào ba yếu tố — license, provenance (nguồn gốc) và tiêu chuẩn dữ liệu — được thể hiện qua ba nguyên tắc con.

Nguyên tắc R1 yêu cầu dữ liệu phải có (hoặc được gắn) một license rõ ràng và dễ tiếp cận. Trong thực tế, nhiều nhà nghiên cứu chia sẻ dữ liệu trên mạng nhưng không nêu rõ quyền sử dụng, khiến người khác không dám tái sử dụng vì sợ vi phạm bản quyền. Các giấy phép phổ biến cho dữ liệu nghiên cứu bao gồm CC0 (xuất bản vào phạm vi công cộng), CC-BY (cho phép tái sử dụng với trích dẫn tác giả), và CC-BY-SA (tương tự CC-BY nhưng yêu cầu chia sẻ lại dưới cùng license) (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Nguyên tắc R1.1 — nguyên tắc con bổ sung — yêu cầu dữ liệu phải kèm theo thông tin chi tiết về provenance, tức nguồn gốc của dữ liệu. Thông tin này trả lời các câu hỏi: dữ liệu được ai tạo ra, bằng phương pháp nào, từ nguồn gốc nào, đã qua những bước xử lý nào, và các quyết định thiết kế nào đã được đưa ra. Provenance là yếu tố quyết định để đánh giá độ tin cậy và mức độ phù hợp của dữ liệu cho một nghiên cứu mới (Dumontier, 2022).

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Nguyên tắc R1.2 yêu cầu dữ liệu tuân thủ các tiêu chuẩn liên ngành áp dụng cho lĩnh vực tương ứng. Không phải bộ dữ liệu nào cũng phù hợp với mọi tiêu chuẩn, nhưng dữ liệu của một lĩnh vực cụ thể nên tuân thủ các chuẩn mà cộng đồng ngành đó đã thống nhất. Chẳng hạn, dữ liệu khảo kinh tế thường cần tuân thủ các chuẩn về ẩn danh (anonymization), trong khi dữ liệu genomics cần tuân thủ chuẩn MIAME (Minimum Information About a Microarray Experiment) (Stall, 2017).

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Ba nguyên tắc của trụ cột Reusable tạo ra một "tam giác đảm bảo chất lượng" cho dữ liệu: license đảm bảo quyền pháp lý, provenance đảm bảo độ tin cậy, và tiêu chuẩn đảm bảo tính tương thích. Wilkinson et al. (2016) nhấn mạnh rằng nguyên tắc R là trụ cột mang tính "đích đến" — tất cả các nguyên tắc F, A, I đều phục vụ mục tiêu cuối cùng là dữ liệu nhiều khả năng được tái sử dụng như vậy có ý nghĩa.

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Ngoài mười lăm nguyên tắc con chính thức, Dumontier (2022) đã đưa ra một phân tích hình thức hóa (formalization) khẳng định rằng tất cả các nguyên tắc FAIR đều cần diễn đạt bằng logic hình thức, nghĩa là chúng không chỉ là các khuyến nghị chung chung mà là các yêu cầu kỹ thuật được phép kiểm chứng được. Điều này mở đường cho việc xây dựng các công cụ tự động đánh giá mức độ FAIR của dữ liệu, một bước tiến quan trọng trong việc biến nguyên tắc từ giấy sang thực hành.

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

3.3. FAIR trong thực tiễn — từ nguyên tắc đến hành động

Biến nguyên tắc FAIR thành thực hành cụ thể trong môi trường đại học đòi hỏi sự kết hợp giữa hạ tầng kỹ thuật, chính sách thể chế và năng lực cá nhân. Trong những năm gần đây, cộng đồng quốc tế đã phát triển một loạt công cụ và phương pháp luận để hỗ trợ quá trình chuyển đổi này, thường được gọi chung là "FAIRification" — tức quá trình biến dữ liệu hiện có thành dữ liệu tuân thủ FAIR (Stall, 2017).

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

FAIRification không phải là một hành động đơn lẻ mà là một quy trình nhiều bước. Bước đầu tiên là đánh giá (assessment): sử dụng các công cụ như FAIRshake hoặc F-UJI (FAIR Evaluation Services) để đo lường mức độ tuân thủ FAIR hiện tại của dữ liệu. Bước tiếp theo là chuẩn hóa: chuyển đổi dữ liệu sang các định dạng mở, bổ sung siêu dữ liệu, gán DOI, và chọn license phù hợp. Bước thứ ba là lưu trữ: đăng ký dữ liệu vào các kho lưu trữ đáng tin cậy có chính sách bảo tồn dài hạn. Cuối cùng là lan tỏa: chia sẻ thông tin về bộ dữ liệu qua mạng lưới học thuật và cộng đồng nghiên cứu (Wilkinson et al., 2016).

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Một khái niệm kỹ thuật quan trọng trong thực tiễn FAIR là FAIR Data Point (FDP). FDP là một dịch vụ phần mềm cho phép dữ liệu được đăng ký, mô tả và liên kết theo chuẩn FAIR, hoạt động như một "điểm truy cập" độc lập với nền tảng lưu trữ cụ thể. Nghĩa là, ngay cả khi dữ liệu gốc nằm trên máy chủ của trường đại học, FDP vẫn cho phép siêu dữ liệu được phát hiện và truy cập qua các giao thức chuẩn hóa (Dumontier, 2022). Mô hình FDP thiết yếu phù hợp với các trường đại học muốn xây dựng hạ tầng dữ liệu riêng mà vẫn kết nối được với hệ sinh thái dữ liệu toàn cầu.

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Mặc dù FAIR đã đạt được sự chấp nhận rộng rãi, một số hạn chế cần được nhận diện rõ. Thứ nhất, FAIR không đảm bảo dữ liệu phải mở hoàn toàn. Một bộ dữ liệu dễ dàng tuân thủ FAIR tuyệt đối nhưng vẫn không thể tiếp cận nếu không có quyền truy cập được cấp. Stall (2017) giải thích điều này bằng một ví dụ rõ ràng: siêu dữ liệu của dữ liệu y tế có chứa thông tin bệnh nhân nên tìm thấy và mô tả rất đầy đủ, nhưng dữ liệu gốc chỉ truy cập được sau khi thông qua quy trình phê duyệt đạo đức — và điều đó hoàn toàn hợp lệ. Sự phân biệt giữa FAIR và Open Access cần được hiểu đúng để tránh những kỳ vọng sai lệch.

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Thứ hai, FAIR không giải quyết trực tiếp các vấn đề đạo đức liên quan đến dữ liệu. Các nguyên tắc tập trung vào tính kỹ thuật và vận hành, không đề cập đến quyền lợi của cộng đồng mà dữ liệu được thu thập, không xử lý các rủi ro về phân biệt đối xử hay khai thác sai mục đích. Đây chính là khoảng trống mà nguyên tắc CARE ra đời để lấp đầy (Wilkinson et al., 2016). Đối với các nghiên cứu về cộng đồng dân tộc thiểu số, dữ liệu khảo sát hộ gia đình ở vùng sâu vùng xa, hoặc thông tin doanh nghiệp, việc chỉ tuân thủ FAIR là chưa đủ — cần cân nhắc thêm yếu tố đạo đức và trách nhiệm với đối tượng nghiên cứu.

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Thứ ba, chi phí và công sức để đạt được mức độ FAIR cao sẽ trở thành rào cản đáng kể. Việc tạo siêu dữ liệu chi tiết, chuẩn hóa định dạng, gán DOI và duy trì dữ liệu trong dài hạn đều đòi hỏi nguồn lực nhân lực và tài chính. Tại nhiều trường đại học, nghiên cứu viên thường làm quen với việc quản lý dữ liệu theo cách tự phát, không có hỗ trợ chuyên trách. Mooney và Newton (2012) lưu ý rằng nếu không có đội ngũ chuyên trách (data librarian hoặc data steward) và cơ chế tài chính phù hợp, việc áp dụng FAIR sẽ dừng ở mức khẩu hiệu.

Mooney, Hailey; Newton, Mark P (2012). The Anatomy of a Data Citation. JLSC, 1(1), e1035. DOI: 10.7710/2162-3309.1035

Thứ tư, FAIR được thiết kế ban đầu chủ yếu cho bối cảnh khoa học tự nhiên và khoa học sức khỏe, nơi dữ liệu có cấu trúc rõ ràng và chuẩn hóa tương đối tốt. Khi áp dụng vào khoa học xã hội và nhân văn — lĩnh vực mà Ngoại thương có thế mạnh — nhiều nguyên tắc cần được điều chỉnh linh hoạt. Dữ liệu định tính (phỏng vấn sâu, quan sát tham gia), dữ liệu lịch sử (tài liệu lưu trữ), và dữ liệu hỗn hợp đặt ra những thách thức riêng về siêu dữ liệu, định danh và tính tương tác (Borgman, 2016).

Borgman, Christine L. (2016). Data Citation as a Bibliometric Oxymoron. De Gruyter. DOI: 10.1515/9783110308464-008

Mặt khác, cần ghi nhận những lợi ích thiết thực mà FAIR mang lại khi được áp dụng đúng mức. Dữ liệu tuân thủ FAIR giúp nghiên cứu viên tăng số lượng trích dẫn — một yếu tố quan trọng trong đánh giá năng lực khoa học. Dữ liệu được quản lý tốt giảm thiểu rủi ro mất mát, tiết kiệm thời gian cho các dự án nghiên cứu sau. Quan trọng hơn, FAIR tạo cơ sở để xây dựng năng lực phân tích dữ liệu lớn và trí tuệ nhân tạo trong nghiên cứu, một xu hướng không thể đảo ngược trong giáo dục đại học thế kỷ hai mươi mốt (Dumontier, 2022).

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Đối với Trường Đại học Ngoại thương, việc tiếp cận FAIR cần đi kèm với một chiến lược phù hợp thực tiễn. Thay vì cố gắng áp dụng tất cả mười lăm nguyên tắc cùng lúc, trường được ưu tiên ba nhóm hành động ban đầu: (i) xây dựng kho dữ liệu nghiên cứu trực tuyến và yêu cầu mỗi đề tài cấp trường phải nộp dữ liệu và siêu dữ liệu tối thiểu; (ii) tổ chức tập huấn quản lý dữ liệu nghiên cứu cho giảng viên và nghiên cứu sinh, với trọng tâm là cách viết siêu dữ liệu và chọn license; (iii) thiết lập vị trí data steward hoặc data librarian trong thư viện trường, chịu trách nhiệm tư vấn và hỗ trợ kỹ thuật (Stall, 2017). Những bước đi đầu tiên này không đòi hỏi ngân sách lớn nhưng tạo nền móng vững chắc cho một hệ sinh thái dữ liệu nghiên cứu chuyên nghiệp, sẵn sàng mở rộng khi có điều kiện.

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Tóm lại, nguyên tắc FAIR cung cấp một khuôn khổ toàn diện nhưng không cứng nhắc để cải thiện cách thức quản lý và chia sẻ dữ liệu nghiên cứu. Từ hội nghị GoFAIR 2014 đến các công cụ FAIRification hiện đại, hệ sinh thái FAIR đã trưởng thành đáng kể. Dù còn những hạn chế về đạo đức, chi phí và tính khả thi trong khoa học xã hội, FAIR vẫn là điểm khởi đầu thiết yếu — một bước không thể thiếu trước khi tiến tới các khung nguyên tắc bổ sung như CARE, vốn sẽ được phân tích chi tiết trong phần tiếp theo của bài viết này.

4. Nguyên tắc CARE và quan điểm quản trị dữ liệu

4. Nguyên tắc CARE và quan điểm quản trị dữ liệu

4.1. Nguồn gốc CARE — từ quyền dữ liệu bản địa đến framework toàn cầu

Trong hệ sinh thái quản trị dữ liệu nghiên cứu hiện đại, nguyên tắc FAIR đã trở thành chuẩn mực kỹ thuật không thể thiếu. Vậy song hành cùng FAIR, khung tư tưởng nào đảm bảo rằng dữ liệu không chỉ có khả năng được chia sẻ mà còn nên được chia sẻ bằng phương pháp đàng hoàng? Câu trả lời nằm ở nguyên tắc CARE — một framework ra đời từ cuộc đấu tranh vì quyền dữ liệu của các cộng đồng bản địa trên toàn cầu.

Phong trào Indigenous Data Sovereignty (chủ quyền dữ liệu bản địa) phát triển mạnh mẽ từ đầu những năm 2010, xuất phát từ nhận thức sâu sắc rằng dữ liệu liên quan đến cộng đồng bản địa — từ số liệu nhân khẩu học, y tế, đến tri thức truyền thống — đã lâu bị thu thập, sử dụng và kiểm soát bởi các thế lực bên ngoài mà không có sự đồng thuận hay lợi ích trả lại cho chính những người bị nghiên cứu (Kukutai & Taylor, 2016). Walter và Carroll (2020) nhấn mạnh rằng chủ quyền dữ liệu bản địa không đơn thuần là yêu cầu kiểm soát thông tin, mà là khẳng định quyền tự quyết của một dân tộc đối với dữ liệu phản ánh cuộc sống, lịch sử và bản sắc của chính mình.

Kukutai, Tahu; Taylor, John (2016). Data sovereignty for indigenous peoples. ANU Press. DOI: 10.22459/caepr38.11.2016.01

Nền tảng lý luận cho phong trào này được xây dựng dựa trên nguyên tắc Free, Prior, and Informed Consent (FPIC) — sự đồng thuận tự do, trước và được thông tin đầy đủ — vốn là tiêu chuẩn cốt lõi trong Tuyên bố của Liên Hợp Quốc về quyền của người bản địa (UNDRIP, 2007). Khuynh hướng này đặt ra thách thức trực tiếp cho mô hình quản lý dữ liệu truyền thống trong khoa học, vốn thường coi dữ liệu nghiên cứu là tài sản công cộng miễn phí khi dự án kết thúc (Smith, 2016). Cộng đồng bản địa lập luận rằng dữ liệu mang bản sắc và mối liên hệ với những người mà nó mô tả; việc trao toàn quyền quyết định cho nhà nghiên cứu hay cơ quan tài trợ là một hình thức tiếp tục colonialism (chủ nghĩa thực dân) bằng con đường thông tin.

Smith, Diane (2016). Governing data and data for governance. ANU Press. DOI: 10.22459/caepr38.11.2016.07

Trong giai đoạn đó, năm 2018, nhóm Global Indigenous Data Alliance (GIDA) — bao gồm ba mạng lưới lớn: Te Mana Raraunga (New Zealand), First Nations Information Governance Centre (Canada) và US Indigenous Data Sovereignty Network (Mỹ) — đã phát triển một tập hợp nguyên tắc ban đầu để bảo vệ quyền dữ liệu bản địa. Nỗ lực này sau đó được tinh chỉnh và chính thức hóa bởi Carroll và cộng sự (2020) trong bài báo nền tảng đăng trên Data Science Journal, giới thiệu bốn nguyên tắc CARE cho quản trị dữ liệu bản địa.

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

CARE là từ viết tắt của Collective Benefit (lợi ích tập thể), Authority to Control (quyền kiểm soát), Responsibility (trách nhiệm) và Ethics (đạo đức). Khác với FAIR tập trung vào đặc tính kỹ thuật của dữ liệu, CARE xoáy sâu vào mối quan hệ giữa dữ liệu và con người — cụ thể là quyền của cộng đồng được quyết định cách dữ liệu của mình được sử dụng (Carroll et al., 2020). Sự khác biệt căn bản này không phải là sự đối lập mà là sự bổ trợ: FAIR giải quyết câu hỏi "dữ liệu nên được tổ chức thế nào?", còn CARE giải quyết câu hỏi "ai có quyền quyết định điều gì với dữ liệu?".

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

West và cộng sự (2020), khi phân tích quan điểm quản trị dữ liệu từ lăng kính Māori ở New Zealand, cho thấy nguyên tắc CARE phản ánh triết lý kaitiakitanga — khái niệm về người gác giữ, người bảo vệ — vốn ngấm sâu trong văn hóa bản địa Thái Bình Dương. Theo đó, dữ liệu không phải là đối tượng vô tri vô giác mà là thực thể mang sinh khí, cần được chăm sóc, bảo vệ và gìn giữ vì lợi ích của thế hệ mai sau. Quan điểm này thách thức trực tiếp cách tiếp cận thuần công cụ của khoa học phương Tây đối với dữ liệu.

West, Kiri et al. (2020). Data Ethics and Data Governance from a Maori World View. Journal of Global Ethics, 16(2), 209-224. DOI: 10.1108/s2398-601820200000006005

Marley (2020) phân tích vai trò vô cùng của trường đại học trong hệ thống này. Theo tác giả, các viện đại học — với tư cách là nơi sản xuất và lưu trữ lượng lớn dữ liệu nghiên cứu — vừa đóng vai trò là thủ phạm trong lịch sử khai thác dữ liệu bản địa, vừa có khả năng trở thành tác nhân dẫn dắt sự thay đổi nếu chủ động áp dụng CARE vào chính sách quản lý dữ liệu của mình. Sự công nhận này mở đường cho việc vận dụng CARE vượt ra khỏi phạm vi cộng đồng bản địa, hướng tới một khung quản trị dữ liệu công bằng và nhân văn hơn cho tất cả các lĩnh vực nghiên cứu.

Marley, Tennille L. (2020). Indigenous Data Sovereignty and the role of universities. Routledge. DOI: 10.4324/9780429273957-11

Nguồn gốc của CARE cho thấy một bài học quan trọng: framework quản trị dữ liệu tốt nhất không chỉ sinh ra từ nhu cầu kỹ thuật mà từ cuộc đấu tranh đòi công bằng xã hội. Điều này có ý nghĩa sâu sắc đối với bối cảnh giáo dục đại học Việt Nam nói chung và Trường Đại học Ngoại thương nói riêng, nơi việc xây dựng chính sách quản lý dữ liệu mới đang ở giai đoạn đầu.

4.2. Bốn trụ cột CARE chi tiết

Bốn nguyên tắc CARE không chỉ là những khẩu hiệu chung chung mà là một hệ thống quản trị hoàn chỉnh, với mỗi trụ cột bao gồm các nguyên tắc phụ cụ thể để hướng dẫn thực tiễn. Phân tích dưới đây trình bày chi tiết nội hàm từng trụ cột theo Carroll và cộng sự (2020), đồng thời liên hệ với bối cảnh nghiên cứu đại học.

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

C — Collective Benefit (lợi ích tập thể)

Trụ cột đầu tiên khẳng định rằng dữ liệu sinh ra từ cộng đồng phải mang lại lợi ích cho chính cộng đồng đó, thay vì chỉ phục vụ mục đích của nhà nghiên cứu hay tổ chức bên ngoài. Nguyên tắc này phản bác trực tiếp mô hình extractive research (nghiên cứu khai thác) — nơi dữ liệu được thu thập từ cộng đồng, mang về phòng thí nghiệm, xuất bản trên tạp chí quốc tế, rồi cộng đồng bị nghiên cứu không hề được hưởng lợi (Carroll et al., 2020).

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

Lợi ích tập thể thể hiện qua ba khía cạnh chính. Thứ nhất, dữ liệu nên hỗ trợ sự phát triển của cộng đồng — tức là kết quả nghiên cứu cần được phản hồi như vậy có ý nghĩa. Ví dụ, một nghiên cứu về hành vi tiêu dùng của người dân vùng nông thôn không chỉ nên xuất hiện trên bài báo học thuật mà còn cần tạo ra khuyến nghị chính sách thiết thực cho chính cộng đồng đó. Thứ hai, cộng đồng phải được tham gia vào quá trình hình thành, phân tích và diễn giải kết quả, đảm bảo góc nhìn của họ được lắng nghe và tôn trọng. Thứ ba, dữ liệu cần được sử dụng để thúc đẩy công bằng xã hội, không tiếp tục củng cố những bất bình đẳng hiện có (Walter & Carroll, 2020).

Walter, Maggie; Carroll, Stephanie Russo (2020). Indigenous Data Sovereignty and policy link. Routledge. DOI: 10.4324/9780429273957-1

Ở thời điểm giáo dục đại học, trụ cột Collective Benefit đặt ra câu hỏi then chốt: nghiên cứu tại trường đại học đang phục vụ lợi ích ai? Nếu một nghiên cứu sinh tại Trường Đại học Ngoại thương khảo sát doanh nghiệp nhỏ về thói quen sử dụng dịch vụ số, lợi ích của nghiên cứu đó có quay trở lại cộng đồng doanh nghiệp được khảo sát không? Những khuyến nghị có được truyền đạt bằng ngôn ngữ dễ tiếp cận hay chỉ nằm gọn trong một luận văn cấp phòng? Cách trường đại học tổ chức phản hồi kết quả nghiên cứu cho cộng đồng chính là thước đo mức độ thực hiện nguyên tắc lợi ích tập thể.

A — Authority to Control (quyền kiểm soát)

Nguyên tắc thứ hai khẳng định quyền của cộng đồng đối với dữ liệu của chính họ — từ khâu quyết định có cho phép thu thập hay không, đến cách thức dữ liệu được lưu trữ, sử dụng và chia sẻ (Carroll et al., 2020). Đây là trụ cột trực tiếp phản ánh triết lý Indigenous Data Sovereignty, coi quyền kiểm soát dữ liệu là một phần không thể tách rời của quyền tự quyết.

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

Authority to Control bao gồm bốn khía cạnh cốt lõi. Thứ nhất, quyền quyết định danh mục dữ liệu nào nhiều khả năng được thu thập và với mục đích gì. Cộng đồng có quyền từ chối những hình thức thu thập dữ liệu mà họ cho rằng xâm phạm đến đời tư hay văn hóa. Thứ hai, quyền quản lý cách dữ liệu được mô tả, phân loại và lưu trữ — đảm bảo rằng hệ thống phân loại tôn trọng bối cảnh văn hóa và không áp đặt danh mục sẵn có từ bên ngoài. Thứ ba, quyền kiểm soát quyền truy cập — quyết định ai được phép tiếp cận dữ liệu, ở mức độ nào và trong thời gian bao lâu. Thứ tư, quyền định đoạt vòng đời của dữ liệu, bao gồm cả quyết định về việc lưu trữ, tái sử dụng hay hủy bỏ (Kukutai & Taylor, 2016).

Kukutai, Tahu; Taylor, John (2016). Data sovereignty for indigenous peoples. ANU Press. DOI: 10.22459/caepr38.11.2016.01

Smith (2016) chỉ ra rằng quyền kiểm soát dữ liệu còn bao hàm khía cạnh quản trị thông qua dữ liệu — tức là cộng đồng sử dụng dữ liệu như công cụ tự quản lý, tự giám sát và tự phát triển. Khi cộng đồng nắm quyền kiểm soát dữ liệu của mình, họ cần phát hiện thách thức, đề xuất giải pháp và đánh giá hiệu quả can thiệp mà không phụ thuộc vào bên thứ ba. Điều này biến dữ liệu từ công cụ bị động thành nguồn lực chủ động phục vụ quyền tự quyết.

Smith, Diane (2016). Governing data and data for governance. ANU Press. DOI: 10.22459/caepr38.11.2016.07

Ở bối cảnh đại học, Authority to Control gợi mở những khó khăn như: ai quyết định dữ liệu nghiên cứu sinh thực tập thu thập được sẽ xử lý ra sao? Khi một giảng viên thực hiện dự án nghiên cứu sử dụng dữ liệu từ một tỉnh xa, người dân ở đó có biết dữ liệu của mình đang được sử dụng thế nào không? Trường đại học có cơ chế cho phép cộng đồng tham gia quyết định về dữ liệu liên quan đến họ không? Những câu hỏi này, dù chưa có đáp án rõ ràng trong thực tiễn hiện tại, cho thấy nguyên tắc A không chỉ là rào cản lý luận mà còn là yêu cầu cấp bách về mặt chính sách.

R — Responsibility (trách nhiệm)

Nguyên tắc thứ ba xác định rằng quyền sử dụng dữ liệu luôn đi kèm trách nhiệm — trách nhiệm đối với cộng đồng cung cấp dữ liệu, đối với các thế hệ tương lai và đối với toàn bộ hệ sinh thái mà dữ liệu phản ánh (Carroll et al., 2020). Nếu Collective Benefit hướng tới kết quả tích cực và Authority to Control bảo vệ quyền, thì Responsibility nhắc nhở rằng mỗi hành động liên quan đến dữ liệu đều mang hệ quả đạo đức.

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

Trách nhiệm trong CARE thể hiện ở nhiều tầng. Tầng đầu tiên là trách nhiệm đảm bảo chất lượng dữ liệu — dữ liệu bị sai lệch hay thiếu chính xác được phép gây hại nghiêm trọng cho cộng đồng mà nó mô tả. Tầng thứ hai là trách nhiệm bảo mật — ngay cả khi dữ liệu được mở, những thông tin nhạy cảm về cá nhân hay nhóm yếu thế cần được bảo vệ. Tầng thứ ba là trách nhiệm tiếp nối — nhà nghiên cứu phải đảm bảo dữ liệu được duy trì trong dài hạn, dễ dàng tiếp cận cho các thế hệ nghiên cứu viên sau này (West et al., 2020). Tầng thứ tư là trách nhiệm bồi thường — khi dữ liệu bị sử dụng sai mục đích, phải có cơ chế khắc phục và đền bù cho cộng đồng bị ảnh hưởng.

West, Kiri et al. (2020). Data Ethics and Data Governance from a Maori World View. Journal of Global Ethics, 16(2), 209-224. DOI: 10.1108/s2398-601820200000006005

Jennings và cộng sự (2023) khi vận dụng CARE vào lĩnh vực sinh thái học chỉ ra rằng trách nhiệm còn bao gồm việc công nhận nguồn gốc dữ liệu và tôn trọng các hệ thống tri thức không chính thức. Trong nghiên cứu sinh thái, dữ liệu truyền thống của cộng đồng bản địa thường bị coi là "dữ liệu phụ" so với dữ liệu khoa học chính thống. Nguyên tắc R đòi hỏi nhà nghiên cứu phải đối xử công bằng với mọi loại hình dữ liệu và công nhận giá trị của hệ thống tri thức địa phương.

Jennings, Lydia et al. (2023). Applying the CARE Principles to ecology. Nature Ecology and Evolution, 7, 872-878. DOI: 10.1038/s41559-023-02161-2

Đối với trường đại học như Đại học Ngoại thương, trụ cột Responsibility nhắc nhở rằng mỗi dự án nghiên cứu, mỗi luận văn tốt nghiệp đều tạo ra dữ liệu có vòng đời kéo dài vượt xa thời gian thực hiện dự án. Câu hỏi đặt ra là: trường có chính sách bảo trì dữ liệu sau khi nghiên cứu sinh tốt nghiệp không? Có quy định rõ ràng về trách nhiệm của người thu thập dữ liệu đối với những người tham gia khảo sát không? Việc trả lời những câu hỏi này là bước đầu tiên để xây dựng nền tảng quản trị dữ liệu chịu trách nhiệm.

E — Ethics (đạo đức)

Trụ cột cuối cùng — cũng là trụ cột bao trùm — nhấn mạnh rằng mọi hoạt động liên quan đến dữ liệu phải tuân thủ các tiêu chuẩn đạo đức cao nhất, không chỉ theo luật pháp hiện hành mà còn theo các giá trị văn hóa và chuẩn mực xã hội (Carroll et al., 2020). Đạo đức trong CARE vượt ra ngoài phạm vi của các hội đồng đạo đức nghiên cứu truyền thống, vốn thường chỉ tập trung vào việc bảo vệ người tham gia cá nhân trước khi dự án bắt đầu.

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

Đạo đức theo nghĩa CARE mở rộng trên ba chiều. Chiều thứ nhất là đạo đức liên thế hệ — cân nhắc tác động của việc sử dụng dữ liệu không chỉ đối với người hiện tại mà còn đối với thế hệ tương lai (Walter & Carroll, 2020). Chiều thứ hai là đạo đức hệ thống — không chỉ đánh giá từng hành động riêng lẻ mà nhìn nhận toàn bộ hệ thống sản xuất và sử dụng dữ liệu có đang củng cố bất công cấu trúc hay không (Smith, 2016). Chiều thứ ba là đạo đức quan hệ — đánh giá việc sử dụng dữ liệu có tôn trọng mối quan hệ giữa nhà nghiên cứu và cộng đồng, có duy trì niềm tin hay phá vỡ nó.

Walter, Maggie; Carroll, Stephanie Russo (2020). Indigenous Data Sovereignty and policy link. Routledge. DOI: 10.4324/9780429273957-1

Smith, Diane (2016). Governing data and data for governance. ANU Press. DOI: 10.22459/caepr38.11.2016.07

West và cộng sự (2020) minh họa khía cạnh đạo đức quan hệ thông qua khái niệm whanaungatanga trong văn hóa Māori — mạng lưới quan hệ gia đình và cộng đồng. Dữ liệu, trong lăng kính này, luôn được tạo ra trong một hệ thống quan hệ; việc tách dữ liệu khỏi bối cảnh quan hệ của nó là một hành động thiếu đạo đức. Do đó, quản trị dữ liệu đàng hoàng phải luôn giữ được sự liên kết giữa dữ liệu và cộng đồng đã sản sinh ra nó.

West, Kiri et al. (2020). Data Ethics and Data Governance from a Maori World View. Journal of Global Ethics, 16(2), 209-224. DOI: 10.1108/s2398-601820200000006005

Tại môi trường đại học, trụ cột Ethics đặt ra yêu cầu xây dựng cơ sở đạo đức dữ liệu toàn diện, vượt ra ngoài biểu mẫu informed consent (đồng thuận được thông báo) thông thường. Trường cần phát triển hướng dẫn rõ ràng về: (1) cách thu thập dữ liệu tôn trọng người tham gia, (2) cách lưu trữ bảo mật thông tin nhạy cảm, (3) cách chia sẻ kết quả nghiên cứu công bằng, và (4) cách xử lý khi xảy ra vi phạm. Rất, việc đào tạo đạo đức dữ liệu cần trở thành phần bắt buộc trong chương trình học cho mọi nghiên cứu sinh, không chỉ ở cấp tiến sĩ mà còn ở cấp cử nhân và thạc sĩ.

4.3. CARE ngoài bối cảnh bản địa — vận dụng phổ quát

Mặc dù CARE được phát triển từ phong trào Indigenous Data Sovereignty, nhiều tác giả gần đây cho rằng giá trị then chốt của framework này nên vận dụng vượt ra ngoài phạm vi cộng đồng bản địa (Jennings et al., 2023; Vidotti et al., 2024). Lý do đơn giản: mối quan tâm về quyền kiểm soát, lợi ích tập thể, trách nhiệm và đạo đức trong dữ liệu không phải là đặc quyền của cộng đồng bản địa — đó là nhu cầu của bất kỳ cộng đồng nào bị nghiên cứu.

Jennings, Lydia et al. (2023). Applying the CARE Principles to ecology. Nature Ecology and Evolution, 7, 872-878. DOI: 10.1038/s41559-023-02161-2

Vidotti, Silvana Aparecida Borsetti Gregorio et al. (2024). BeFAIRandCARE. ABEC Brasil. DOI: 10.22477/9788570131959.cap14

Marley (2020) lập luận rằng trường đại học, với tư cách là không gian giao thoa giữa sản xuất tri thức và trách nhiệm xã hội, cần coi CARE như một phần của sứ mệnh giáo dục chứ không chỉ là yêu cầu dành riêng cho nghiên cứu liên quan đến cộng đồng bản địa. Khi một giảng viên kinh tế học khảo sát sinh viên về sức khỏe tâm thần, khi một nhóm nghiên cứu Marketing thu thập dữ liệu hành vi mua sắm trực tuyến, hay khi một luận văn phân tích dữ liệu kinh tế vĩ mô của một tỉnh — trong mọi trường hợp, đều có một cộng đồng nào đó bị ảnh hưởng bởi cách dữ liệu được sử dụng.

Marley, Tennille L. (2020). Indigenous Data Sovereignty and the role of universities. Routledge. DOI: 10.4324/9780429273957-11

Vidotti và cộng sự (2024) phát triển framework BeFAIRandCARE — một nỗ lực tích hợp FAIR và CARE vào bối cảnh quản lý dữ liệu khoa học rộng hơn. Nhóm tác giả cho thấy rằng nguyên tắc CARE sẽ được tái cấu trúc để phù hợp với các bối cảnh đa dạng, bao gồm cả môi trường giáo dục đại học ở các quốc gia không có cộng đồng bản địa như Brazil hay Việt Nam. Chìa khóa nằm ở việc tách giá trị nền tảng (quyền của cộng đồng đối với dữ liệu liên quan đến họ) khỏi bối cảnh cụ thể ban đầu (chính trị bản địa tại các quốc gia định cư).

Vidotti, Silvana Aparecida Borsetti Gregorio et al. (2024). BeFAIRandCARE. ABEC Brasil. DOI: 10.22477/9788570131959.cap14

Kết hợp CARE vào quản trị dữ liệu tại trường đại học đòi hỏi thay đổi tư duy ở ba cấp. Cấp chiến lược, trường cần ban hành chính sách dữ liệu nhấn mạnh trách nhiệm xã hội và quyền của cộng đồng tham gia nghiên cứu. Cấp quy trình, cần xây dựng các template consent form (biểu mẫu đồng thuận) toàn diện, quy trình xem xét đạo đức dữ liệu và cơ chế phản hồi kết quả nghiên cứu cho cộng đồng. Cấp cá nhân, cần đào tạo cho giảng viên và nghiên cứu sinh về ý nghĩa của CARE, giúp họ nhận diện tình huống đạo đức trong quá trình thu thập và sử dụng dữ liệu.

5. FAIR và CARE — bổ trợ hay mâu thuẫn?

5.1. So sánh và phân tích

Khi lần đầu tiên tiếp xúc với hai framework FAIR và CARE, nhiều nhà nghiên cứu đặt câu hỏi: hai hệ thống này bổ trợ hay mâu thuẫn nhau? Câu hỏi này xuất phát từ một bề dày căng thẳng giữa yêu cầu mở dữ liệu (open data) — mà FAIR ủng hộ mạnh mẽ — và yêu cầu bảo vệ quyền kiểm soát dữ liệu — mà CARE nhấn mạnh. Sự căng thẳng này không hề nhỏ: nếu FAIR khuyến khích mọi dữ liệu nghiên cứu được mở và tái sử dụng rộng rãi, vậy việc cộng đồng muốn hạn chế quyền truy cập có phải là đi ngược lại tinh thần khoa học mở không?

Phân tích kỹ hơn cho thấy hai framework này hoạt động trên hai trục khác nhau. FAIR, như đã phân tích ở phần trước, là một tập hợp nguyên tắc kỹ thuật — mỗi nguyên tắc F, A, I, R đều được đo lường và kiểm chứng bằng các công cụ phần mềm. FAIR trả lời câu hỏi: dữ liệu nên được cấu trúc, mô tả, lưu trữ và cung cấp truy cập như thế nào để tối đa hóa khả năng tái sử dụng? FAIR không bàn về ai được phép tái sử dụng, trong hoàn cảnh nào, và với mục đích gì — đó là lĩnh vực của CARE (Carroll et al., 2021).

Carroll, Stephanie Russo et al. (2021). Operationalizing the CARE and FAIR Principles. Scientific Data, 8, 108. DOI: 10.1038/s41597-021-00892-0

CARE, ngược lại, là một tập hợp nguyên tắc quan hệ và đạo đức. CARE trả lời câu hỏi: ai có quyền quyết định điều gì với dữ liệu? Dữ liệu nên mang lại lợi ích cho ai? Những trách nhiệm đi kèm quyền sử dụng dữ liệu là gì? CARE không chỉ định dữ liệu phải lưu ở định dạng nào hay phải dùng metadata standard nào — đó là lĩnh vực của FAIR (Carroll et al., 2020).

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

Nói cách khác, FAIR và CARE không cạnh tranh mà bổ trợ cho nhau. FAIR đảm bảo dữ liệu có khả năng được chia sẻ theo cách hiệu quả; CARE đảm bảo việc chia sẻ đó nên diễn ra bằng phương pháp công bằng và có trách nhiệm. Một bộ dữ liệu nhiều khả năng vừa đạt tiêu chuẩn FAIR cao (được mô tả tốt, có định mở, liên kết đầy đủ) vừa tuân thủ CARE chặt chẽ (được cộng đồng đồng ý chia sẻ, lợi ích được phân bổ công bằng, quyền kiểm soát được tôn trọng).

Tuy nhiên, trong thực tiễn vẫn tồn tại những điểm giao thoa cần xử lý cẩn thận. Ví dụ, nguyên tắc A — Accessible của FAIR yêu cầu dữ liệu phải có sẵn ít phí và rào cản càng ít càng tốt; nhưng nguyên tắc A — Authority to Control của CARE cho phép cộng đồng giới hạn quyền truy cập. Hai yêu cầu này cần xung đột khi cộng đồng muốn bảo vệ dữ liệu nhạy cảm. Giải pháp nằm ở việc phân biệt giữa accessibility technique (khả năng tiếp cận về mặt kỹ thuật) và accessibility permission (quyền tiếp cận về mặt pháp lý). Dữ liệu được phép được tổ chức hoàn hảo về mặt kỹ thuật (đạt FAIR) nhưng chỉ cho phép truy cập khi đáp ứng đủ điều kiện đạo đức (tuân thủ CARE) (Carroll et al., 2021).

Carroll, Stephanie Russo et al. (2021). Operationalizing the CARE and FAIR Principles. Scientific Data, 8, 108. DOI: 10.1038/s41597-021-00892-0

Carroll và cộng sự (2021) minh họa mối quan hệ này qua hình ảnh hai vòng tròn giao nhau: vòng FAIR bao trùm khía cạnh kỹ thuật của quản lý dữ liệu, vòng CARE bao trùm khía cạnh quan hệ. Vùng giao thoa — nơi dữ liệu vừa được tổ chức tốt vừa được quản lý công bằng — chính là mục tiêu mà mọi hệ thống quản trị dữ liệu nên hướng tới.

Carroll, Stephanie Russo et al. (2021). Operationalizing the CARE and FAIR Principles. Scientific Data, 8, 108. DOI: 10.1038/s41597-021-00892-0

Đối với Đại học Ngoại thương, việc hiểu rõ mối quan hệ bổ trợ giữa FAIR và CARE giúp tránh hai sai lầm phổ biến: một là quá chú trọng kỹ thuật mà bỏ qua yếu tố con người (chỉ áp dụng FAIR), hai là quá lo ngại rủi ro đạo đức mà hạn chế chia sẻ dữ liệu (chỉ dùng CARE như rào cản). Mục tiêu thực tế là xây dựng một hệ sinh thái mà mỗi bộ dữ liệu đều được: (1) tổ chức theo tiêu chuẩn kỹ thuật rõ ràng, và (2) đi kèm thông tin về quyền và trách nhiệm liên quan.

5.2. Kết hợp FAIR-CARE trong thực tiễn

Nhận thức được sự bổ trợ giữa hai framework, các nhà nghiên cứu đã bắt đầu phát triển công cụ và phương pháp luận để vận dụng FAIR-CARE cùng lúc trong thực tiễn. Carroll và cộng sự (2021) trong bài báo Operationalizing the CARE and FAIR Principles for Indigenous data futures đã đề xuất một mô hình tích hợp với các bước cụ thể.

Carroll, Stephanie Russo et al. (2021). Operationalizing the CARE and FAIR Principles. Scientific Data, 8, 108. DOI: 10.1038/s41597-021-00892-0

Bước đầu tiên là đánh giá bối cảnh — xác định dữ liệu có liên quan đến cộng đồng hay nhóm yếu thế nào không, và mức độ nhạy cảm của dữ liệu đến đâu. Bước thứ hai là xác định quyền kiểm soát — hỏi xem ai là chủ thể có quyền quyết định về dữ liệu này, và cần xin phép ai trước khi chia sẻ. Bước thứ ba là thiết kế kế hoạch lợi ích — xác định rõ cộng đồng liên quan sẽ nhận được lợi ích gì từ việc chia sẻ dữ liệu. Bước thứ tư là áp dụng tiêu chuẩn kỹ thuật FAIR — chọn định dạng, chuẩn metadata và kho lưu trữ phù hợp. Bước thứ năm là xây dựng thỏa thuận chia sẻ — thiết lập các điều kiện rõ ràng về mục đích sử dụng, thời hạn truy cập và trách nhiệm của người sử dụng (Carroll et al., 2021).

Carroll, Stephanie Russo et al. (2021). Operationalizing the CARE and FAIR Principles. Scientific Data, 8, 108. DOI: 10.1038/s41597-021-00892-0

Vidotti và cộng sự (2024) đưa framework BeFAIRandCARE lên một tầm cao hơn khi tích hợp trực tiếp vào quy trình biên mục và quản lý kho dữ liệu. Nhóm tác giả đề xuất rằng mỗi bộ dữ liệu trong một repository (kho lưu trữ) nên được đánh giá trên cả hai chiều FAIR và CARE, sử dụng checklist (danh sách kiểm tra) kết hợp. Cụ thể, bên cạnh các tiêu chí kỹ thuật như định dạng mở, định danh persistent, liên kết ngữ nghĩa, bộ dữ liệu cần đi kèm: (1) mô tả về cộng đồng liên quan, (2) bằng chứng đồng thuận chia sẻ, (3) kế hoạch lợi ích cho cộng đồng, (4) giới hạn sử dụng rõ ràng, và (5) thông tin liên hệ để khiếu nại (Vidotti et al., 2024).

Vidotti, Silvana Aparecida Borsetti Gregorio et al. (2024). BeFAIRandCARE. ABEC Brasil. DOI: 10.22477/9788570131959.cap14

Cách tiếp cận này đáng kể phù hợp với bối cảnh đại học, nơi repository nghiên cứu đang được xây dựng và cần tiêu chuẩn hóa. Thay vì coi FAIR và CARE như hai bộ yêu cầu riêng biệt, BeFAIRandCARE khuyến nghị tích hợp ngay từ khâu thiết kế hệ thống — mỗi khi một bộ dữ liệu được nạp lên kho lưu trữ, hệ thống sẽ yêu cầu điền đầy đủ cả thông tin kỹ thuật (FAIR) và thông tin quan hệ (CARE).

Trong thực tiễn tại Đại học Ngoại thương, việc vận dụng FAIR-CARE dễ dàng bắt đầu từ những hành động cụ thể sau. Thứ nhất, bổ sung phần "tác động xã hội và trách nhiệm cộng đồng" vào template đề cương nghiên cứu hiện hành, yêu cầu nhà nghiên cứu mô tả cách họ sẽ trả lại lợi ích cho cộng đồng tham gia. Thứ hai, xây dựng biểu mẫu đồng thuận nâng cao, không chỉ xin phép người tham gia mà còn ghi rõ quyền lợi và cơ chế phản hồi của họ. Thứ ba, trong repository nghiên cứu của trường, bổ sung trường metadata về bối cảnh đạo đức và điều kiện sử dụng dữ liệu. Thứ tư, tổ chức workshop (hội thảo thực hành) thường niên cho giảng viên và nghiên cứu sinh về quản trị dữ liệu FAIR-CARE, với các tình huống thực tế rút từ nghiên cứu kinh tế — xã hội tại Việt Nam.

Mô hình FAIR-CARE không chỉ là một khung lý luận xa vời mà là hướng đi thiết thực để Đại học Ngoại thương xây dựng hệ thống quản trị dữ liệu nghiên cứu vừa hiện đại về mặt kỹ thuật, vừa nhân văn về mặt quản trị. Sự kết hợp này phản ánh đúng xu hướng toàn cầu: dữ liệu nghiên cứu tốt nhất là dữ liệu vừa dễ tiếp cận, vừa được sử dụng như vậy có trách nhiệm, vì lợi ích của tất cả các bên liên quan.

6. Quản lý dữ liệu nghiên cứu tại trường đại học — kinh nghiệm quốc tế

Việc xây dựng năng lực quản lý dữ liệu nghiên cứu (research data management — RDM) tại trường đại học không chỉ là yêu cầu từ các nhà tài trợ hay chính sách mở của quốc gia, mà còn là biểu hiện của sự trưởng thành trong hệ sinh thái nghiên cứu học thuật. Khi các nguyên tắc FAIR và CARE ngày càng được đề cao, vai trò của thư viện, đơn vị hỗ trợ nghiên cứu và cơ sở hạ tầng công nghệ thông tin tại trường đại học cần được nhìn nhận dưới góc nhìn chiến lược và liên ngành. Phần này tổng quan các mô hình, thực tiễn và khuôn khổ đánh giá từ các nước tiên tiến, nhằm cung cấp hệ quy chiếu cho Trường Đại học Ngoại thương trong quá trình thiết lập dịch vụ RDM phù hợp với điều kiện thực tiễn.

6.1. Dịch vụ quản lý dữ liệu nghiên cứu trong thư viện học thuật

Trong hơn một thập kỷ qua, thư viện học thuật đã chuyển mình từ chức năng lưu trữ tài liệu truyền thống sang vai trò tích cực hơn trong chu trình nghiên cứu. Nghiên cứu toàn diện của Tenopir et al. (2014) đã khảo sát hơn 400 trường đại học ở Bắc Mỹ và châu Âu, kết luận rằng thư viện đang dần trở thành trung tâm cung cấp dịch vụ RDM tại cơ sở. Theo khảo sát này, khoảng 75% thư viện được hỏi đang cung cấp ít nhất một hình thức dịch vụ liên quan đến dữ liệu nghiên cứu, dù mức độ chuyên sâu có sự khác biệt đáng kể. Các dịch vụ phổ biến nhất bao gồm tư vấn lập kế hoạch quản lý dữ liệu (data management plan — DMP), hướng dẫn trích dẫn dữ liệu và hỗ trợ nộp dữ liệu vào kho lưu trữ. Điều này cho thấy thư viện không còn đơn thuần là nơi thu thập và cung cấp tài liệu thứ cấp mà đã trở thành đối tác chiến lược trong quá trình sáng tạo tri thức mới.

Tenopir, Carol et al. (2014). Research data management services in academic libraries. LISR, 36(2), 129-141. DOI: 10.1016/j.lisr.2013.11.003

Sự chuyển đổi này đòi hỏi một lực lượng chuyên môn mới. Thuật ngữ data librarian — thủ lĩnh dữ liệu — được sử dụng để chỉ những nhân viên thư viện có chuyên môn về quản lý dữ liệu số, metadata, và các tiêu chuẩn liên quan đến dữ liệu nghiên cứu. Bên cạnh đó, khái niệm data steward — người quản trị dữ liệu — mang ý nghĩa rộng hơn, thường được dùng để chỉ những cá nhân chịu trách nhiệm giám sát vòng đời dữ liệu trong một dự án hoặc tổ chức cụ thể. Plotkin (2014) phân biệt rõ hai vai trò này: trong khi data librarian hoạt động trong lúc dịch vụ học thuật, data steward thường gắn với bộ phận nghiên cứu hoặc đơn vị chuyên trách quản trị dữ liệu (data governance). Tuy nhiên, trong thực tế tại nhiều trường đại học, ranh giới giữa hai vai trò này nên chồng chéo, và sự cộng tác giữa chúng là yếu tố then chốt để đảm bảo tính nhất quán trong quy trình quản lý dữ liệu (Plotkin, 2021).

Plotkin, David (2021). Practical Data Stewardship. Morgan Kaufmann. DOI: 10.1016/b978-0-12-822132-7.00006-1

Plotkin, David (2014). Data Stewardship and Data Governance. Morgan Kaufmann. DOI: 10.1016/b978-0-12-410389-4.00001-5

Sự phát triển của RDM cũng gắn liền với xu hướng Research 2.0 — hay nghiên cứu mở, trong đó quá trình khoa học được số hóa sâu rộng và tính hợp tác xuyên biên giới trở nên phổ biến. Koltay (2017) lập luận rằng các dịch vụ RDM tại thư viện cần vượt ra khỏi các hoạt động hỗ trợ thụ động như đào tạo hoặc tư vấn đơn lẻ, chuyển sang tích hợp trực tiếp vào quy trình nghiên cứu. Nói cách khác, RDM 2.0 đòi hỏi thư viện tham gia vào các giai đoạn sớm của dự án nghiên cứu — từ khi hình thành câu hỏi nghiên cứu, thiết kế phương pháp thu thập dữ liệu, cho đến khi chuẩn bị dữ liệu để chia sẻ và tái sử dụng. Koltay (2017) cũng nhấn mạnh rằng thư viện cần phát triển năng lực về khoa học dữ liệu, khoa học mở và quản trị tri thức số để đáp ứng yêu cầu ngày càng cao của hệ sinh thái nghiên cứu hiện đại.

Koltay, Tibor (2017). Research 2.0 and Research Data Services. Library Management, 38(6/7), 358-365. DOI: 10.1108/lm-11-2016-0082

Quan hệ giữa quản trị tri thức (knowledge management) và quản lý dữ liệu nghiên cứu được phân tích sâu sắc bởi Makani (2015). Tác giả cho rằng RDM sẽ được hiểu như một dạng quản trị tri thức chuyên biệt trong môi trường học thuật, trong đó dữ liệu nghiên cứu đóng góp quan trọng vào là tài sản tri thức cơ bản. Khi các trường đại học đầu tư vào cơ sở hạ tầng RDM, họ không chỉ tuân thủ quy định bên ngoài mà còn nâng cao năng lực nền tảng trong việc tạo ra, bảo tồn và khai thác tri thức nội sinh. Makani (2015) đề xuất mô hình tích hợp trong đó thư viện định hình cầu nối giữa quản lý dữ liệu — cấp độ vi mô, gắn với từng dự án — và quản trị tri thức cấp tổ chức — bao gồm cả cơ chế chia sẻ, lưu truyền và đổi mới dựa trên dữ liệu đã được quản lý bài bản. Góc nhìn này quan trọng có ý nghĩa đối với các trường đại học như Ngoại thương, nơi khối lượng dữ liệu nghiên cứu về kinh tế, thương mại và chính sách công ngày càng tăng nhưng cơ chế quản lý tập trung vẫn còn nhiều khoảng trống.

Makani, Joyline (2015). Knowledge management, research data management. VINE, 45(3), 352-363. DOI: 10.1108/vine-07-2014-0047

Cần lưu ý thêm rằng sự dịch chuyển của thư viện sang lĩnh vực RDM không phải là hiện tượng mới. Delserone (2008) đã cảnh báo từ sớm rằng thư viện học thuật đang đứng ở "điểm phân thủy", khi phải đối mặt với áp lực từ cả phía yêu cầu quản trị dữ liệu khoa học lẫn sự tiến hóa của mô hình xuất bản học thuật. Gần đây hơn, Palmer và Cragin (2023) mở rộng góc nhìn này, cho rằng việc thư viện tham gia vào công tác quản lý dữ liệu là biểu hiện của xu hướng hội tụ (convergence) giữa các ngành khoa học, trong đó ranh giới giữa khoa học tự nhiên, khoa học xã hội và khoa học thông tin ngày càng mờ nhạt. Do đó, dịch vụ RDM trong thư viện không chỉ là bổ sung chức năng mà là bước chuyển đổi mang tính cơ cấu, phản ánh sự thay đổi sâu sắc trong cách thức tri thức được sản xuất và phổ biến.

Delserone, Leslie M. (2008). At the Watershed. portal: Libraries and the Academy, 8(1), 7-22. DOI: 10.1353/lib.0.0032

Palmer, Carole L.; Cragin, Melissa H. (2023). Curating for Convergence. portal: Libraries and the Academy, 23(1), 1-23. DOI: 10.1353/lib.2023.0007

6.2. Các mô hình RDM tiêu biểu từ các trường đại học

Để xây dựng chiến lược RDM phù hợp, việc nghiên cứu các mô hình thực tiễn từ các trường đại học tiên tiến là bước đi cần thiết. Dưới đây là bốn trường hợp tiêu biểu, đại diện cho các tiếp cận khác nhau tùy thuộc vào bối cảnh thể chế, nguồn lực và truyền thống nghiên cứu của từng cơ sở.

Đại học Johns Hopkins — mô hình dịch vụ chuyên nghiệp hóa

Choudhury (2014) mô tả chi tiết cách Đại học Johns Hopkins xây dựng dịch vụ Data Management Services (DMS) như một đơn vị chuyên trách nằm trong hệ thống thư việnSheridan. Điểm đáng chú ý của mô hình này là tính chuyên nghiệp cao: nhóm DMS không chỉ cung cấp tư vấn mà còn trực tiếp hỗ trợ kỹ thuật trong việc tổ chức, cấu trúc hóa và bảo quản dữ liệu. Johns Hopkins tiếp cận RDM từ góc độ cung cấp dịch vụ tương tự như dịch vụ xuất bản học thuật — tức là người nghiên cứu là "khách hàng" và thư viện là nhà cung cấp dịch vụ. Mô hình này yêu cầu đội ngũ nhân sự có năng lực kỹ thuật vững, bao gồm cả chuyên gia về database, chuyên gia metadata và chuyên gia bảo tồn số. Tác giả cũng ghi nhận rằng sự ủng hộ từ cấp lãnh đạo cao nhất của trường, nổi bật là việc phân bổ ngân sách cụ thể cho DMS, là yếu tố quyết định để duy trì và mở rộng dịch vụ. Đối với một trường đại học tại Việt Nam, bài học từ Johns Hopkins là: dịch vụ RDM cần được định vị rõ ràng trong cơ cấu tổ chức, có nguồn tài chính ổn định và được xây dựng như một dịch vụ chuyên nghiệp hướng tới người nghiên cứu.

Choudhury, G. Sayeed (2014). Case study 1: Johns Hopkins University DMS. Facet Publishing. DOI: 10.29085/9781783300242.007

Đại học Southampton — mô hình đối tác đa bên

Brown và White (2014) trình bày mô hình RDM tại Đại học Southampton, trong đó thư viện không hoạt động đơn độc mà hợp tác chặt chẽ với IT Services và bộ phận nghiên cứu của trường. Đây là ví dụ điển hình cho tiếp cận đối tác (partnership model), trong đó không một đơn vị nào đơn phương phụ trách toàn bộ quy trình RDM. Southampton phát triển Jorum — một kho lưu trữ tài liệu học tập và dữ liệu nghiên cứu dùng chung — như một cơ sở hạ tầng chia sẻ giữa các đối tác. Điểm sáng của mô hình này là khả năng tận dụng sẵn có hạ tầng công nghệ thông tin của trường để xây dựng dịch vụ RDM, thay vì đầu tư từ đầu một hệ thống hoàn toàn mới. Brown và White (2014) cũng nhấn mạnh tầm quan trọng của văn hóa hợp tác: sự thành công của mô hình đối tác phụ thuộc vào việc các bên tham gia chia sẻ tầm nhìn chung về giá trị của dữ liệu nghiên cứu và cam kết phối hợp dài hạn. Thực tiễn này đáng lưu ý cho các trường đại học tại Đông Nam Á, nơi cơ cấu quản lý thường phân tán giữa nhiều phòng ban và việc xây dựng cơ chế phối hợp liên đơn vị là thách thức không nhỏ.

Brown, Mark L.; White, Wendy (2014). Case study 2: University of Southampton. Facet Publishing. DOI: 10.29085/9781783300242.008

Đại học Hong Kong — quản trị dữ liệu nghiên cứu trong giai đoạn châu Á

Xiao et al. (2021) phân tích cách Đại học Hong Kong triển khai chương trình research data stewardship như một phần của chiến lược RDM toàn trường. Điểm đáng chú ý là HKU kết hợp yếu tố quản trị dữ liệu với văn hóa chia sẻ dữ liệu, đồng thời chú trọng việc đào tạo và xây dựng cộng đồng thực hành (community of practice) xung quanh RDM. HKU thành lập Research Data Management Committee — ban chỉ đạo RDM cấp trường — với sự tham gia của đại diện từ nhiều đơn vị: thư viện, trung tâm công nghệ thông tin, phòng nghiên cứu và các khoa chuyên ngành. Ban này chịu trách nhiệm ban hành chính sách, giám sát thực thi và đánh giá hiệu quả của các hoạt động RDM. Ngoài ra, HKU đầu tư mạnh vào nền tảng HKU Scholars Hub — kho lưu trữ học thuật tích hợp cả ấn phẩm và dữ liệu nghiên cứu. Mô hình này cho thấy rằng ở bối cảnh châu Á, nơi văn hóa chia sẻ dữ liệu còn hạn chế so với phương Tây, việc kết hợp quản trị từ trên xuống (top-down) và xây dựng văn hóa từ dưới lên (bottom-up) là chiến lược hiệu quả hơn là chỉ dựa vào một trong hai phương pháp.

Xiao, SiZhe et al. (2021). Research data stewardship at HKU. Library Management, 42(8/9), 559-572. DOI: 10.1108/lm-09-2021-0079

Đại học Công nghệ MARA (UiTM), Malaysia — khuôn khổ quản trị dữ liệu

Kamarulzaman et al. (2025) đưa ra mô hình UiTM Data Governance Framework như một nỗ lực thiết lập hệ thống quản trị dữ liệu toàn diện tại cơ sở giáo dục bậc cao. UiTM là trường đại học lớn nhất Malaysia với hàng chục campus và hàng nghìn nhà nghiên cứu, do đó thách thức quản trị dữ liệu mang tính quy mô rất lớn. Khuôn khổ của UiTM bao gồm các tầng: (1) tầng chính sách và tiêu chuẩn — xác định nguyên tắc, quy tắc và tiêu chuẩn dữ liệu; (2) tầng tổ chức — quy định vai trò, trách nhiệm và cơ cấu ủy ban quản trị; (3) tầng quy trình — thiết lập các quy trình vận hành cho toàn bộ vòng đời dữ liệu; và (4) tầng công nghệ — xác định công cụ, nền tảng và hạ tầng kỹ thuật hỗ trợ. Kamarulzaman et al. (2025) nhấn mạnh rằng yếu tố then chốt trong mô hình của UiTM là sự gắn kết giữa data governance và IT governance — quản trị công nghệ thông tin — trong một hệ thống thống nhất. Bài học từ UiTM có giá trị thiết yếu đối với các trường đại học lớn tại Việt Nam, nơi điểm nghẽn quy mô và tính phân tán về mặt địa lý cũng là thách thức đáng kể trong việc thống nhất quy trình quản lý dữ liệu.

Kamarulzaman, Mohd Ridwan et al. (2025). UiTM Data Governance Framework. JIKM, 15(2). DOI: 10.24191/jikm.v15isi2.7390

Từ bốn trường hợp trên, được rút ra một số điểm chung. Thứ nhất, thành công của dịch vụ RDM phụ thuộc vào sự hậu thuẫn từ lãnh đạo cấp cao và cơ chế phân bổ nguồn lực rõ ràng. Thứ hai, không có mô hình "phù hợp với mọi trường" — mỗi trường đại học cần điều chỉnh theo bối cảnh thể chế, truyền thống nghiên cứu và nguồn lực sẵn có. Thứ ba, sự hợp tác liên đơn vị — giữa thư viện, IT, phòng nghiên cứu và các khoa — là điều kiện tiên quyết. Đối với Trường Đại học Ngoại thương, trong đó nghiên cứu về kinh tế, thương mại quốc tế và chính sách công chiếm tỷ trọng lớn, mô hình phù hợp có khả năng là sự kết hợp giữa tiếp cận dịch vụ chuyên nghiệp hóa (như Johns Hopkins) với cơ chế phối hợp liên đơn vị (như Southampton), đồng thời học hỏi bài học về xây dựng văn hóa chia sẻ dữ liệu từ HKU và khuôn khổ quản trị quy mô lớn từ UiTM.

6.3. Mô hình độ trưởng thành (maturity model) cho dịch vụ RDM

Việc đánh giá mức độ phát triển của dịch vụ RDM tại một trường đại học là bước quan trọng để xác định ưu tiên đầu tư và xây dựng lộ trình cải tiến. Minamiyama et al. (2025) đề xuất Maturity Model for Organizational RDM Services — mô hình độ trưởng thành cho dịch vụ RDM cấp tổ chức — được xây dựng dựa trên khảo sát thực tiễn tại nhiều trường đại học Nhật Bản và quốc tế. Mô hình này chia quá trình phát triển của dịch vụ RDM thành năm cấp độ: (1) Cấp độ ban đầu — chưa có dịch vụ RDM chính thức, dữ liệu được quản lý theo cách tự phát bởi từng nhà nghiên cứu; (2) Cấp độ nhận thức — cơ sở có nhận thức về tầm quan trọng của RDM, bắt đầu xây dựng chính sách sơ bộ; (3) Cấp độ phát triển — dịch vụ RDM được cung cấp dưới hình thức tư vấn, đào tạo và hỗ trợ cơ bản; (4) Cấp độ tích hợp — dịch vụ RDM được tích hợp vào quy trình nghiên cứu tiêu chuẩn của trường, có cơ sở hạ tầng kỹ thuật và nhân sự chuyên trách; và (5) Cấp độ tối ưu — dịch vụ RDM liên tục được cải tiến dựa trên phản hồi, có hệ thống đo lường hiệu quả và chia sẻ kinh nghiệm với cộng đồng rộng lớn hơn.

Minamiyama, Yasuyuki et al. (2025). Maturity Model for Organizational RDM Services. Data Science Journal, 24(1), 18. DOI: 10.5334/dsj-2025-018

Mỗi cấp độ được đánh giá theo một số chiều kích: chính sách và quy định, nguồn lực nhân lực, cơ sở hạ tầng công nghệ, dịch vụ tư vấn và hỗ trợ, đào tạo và nâng cao nhận thức, và sự hợp tác nội bộ lẫn liên trường. Minamiyama et al. (2025) cũng phát triển công cụ tự đánh giá (self-assessment tool) giúp các trường đại học xác định vị trí hiện tại trên mô hình độ trưởng thành, từ đó xác định các bước cải tiến cụ thể.

Minamiyama, Yasuyuki et al. (2025). Maturity Model for Organizational RDM Services. Data Science Journal, 24(1), 18. DOI: 10.5334/dsj-2025-018

Việc áp dụng mô hình này để đánh giá hiện trạng RDM tại các trường đại học Đông Nam Á cho thấy phần lớn các trường đang ở cấp độ 1 hoặc 2 — tức là mới bắt đầu nhận thức về tầm quan trọng của RDM nhưng chưa có dịch vụ chính thức. Một số trường đầu tiên đã tiến tới cấp độ 3, chủ yếu nhờ sự thúc đẩy từ chính sách dữ liệu mở của chính phủ hoặc dự án hợp tác quốc tế. Khoảng cách giữa cấp độ 3 và cấp độ 4 — từ dịch vụ cơ bản sang tích hợp toàn diện — thường là thách thức lớn nhất, đòi hỏi đầu tư đáng kể về cả nhân sự, công nghệ và thay đổi văn hóa tổ chức.

Đối với Trường Đại học Ngoại thương, việc sử dụng mô hình độ trưởng thành của Minamiyama et al. (2025) làm khung tham chiếu nhiều khả năng giúp xác định vị trí xuất phát hiện tại và xây dựng lộ trình phát triển dịch vụ RDM theo từng giai đoạn. Điều này vô cùng quan trọng ở thời điểm nguồn lực hạn chế, khi trường cần ưu tiên các bước đầu tư mang lại giá trị cao nhất trong giai đoạn đầu — ví dụ như xây dựng chính sách RDM, đào tạo nhân sự nòng cốt và thiết lập kho lưu trữ dữ liệu cơ bản — trước khi tiến tới các giai đoạn phức tạp hơn.

Minamiyama, Yasuyuki et al. (2025). Maturity Model for Organizational RDM Services. Data Science Journal, 24(1), 18. DOI: 10.5334/dsj-2025-018

6.4. RDM trong repository học thuật

Một trong những thành phần hạ tầng quan trọng nhất của dịch vụ RDM tại trường đại học là kho lưu trữ học thuật (institutional repository — IR). Từ lâu, IR được biết đến chủ yếu như nơi lưu trữ các ấn phẩm khoa học — luận văn, bài báo, báo cáo nghiên cứu — nhằm đáp ứng yêu cầu truy cập mở và bảo tồn tài sản trí tuệ của trường. Tuy nhiên, vai trò của IR đang được mở rộng đáng kể khi RDM.

Dube (2025) chỉ ra rằng ngày càng nhiều thư viện học thuật đang chuyển đổi IR thành nền tảng lưu trữ dữ liệu nghiên cứu (data repository) song hành với chức năng xuất bản truyền thống. Sự chuyển đổi này phản ánh thực tế rằng dữ liệu nghiên cứu ngày càng được coi là một dạng xuất bản (data as publication), đòi hỏi cơ sở hạ tầng lưu trữ, quản lý metadata và cung cấp truy cập tương tự như ấn phẩm học thuật. Dube (2025) cũng nhấn mạnh rằng việc tích hợp dữ liệu vào IR không chỉ đơn thuần là trăn trở kỹ thuật mà còn đòi hỏi thay đổi trong chính sách thể chế — cụ thể là quy định rõ yêu cầu nộp dữ liệu kèm theo ấn phẩm, thiết lập quy trình kiểm duyệt dữ liệu và xác định trách nhiệm quản lý dữ liệu dài hạn.

Dube, Tinyiko Vivian (2025). Research data management in academic libraries. Library Management. DOI: 10.1108/lm-06-2024-0070

Quá trình tiến hóa từ repository xuất bản sang data repository cũng đặt ra câu hỏi về tiêu chuẩn trích dẫn dữ liệu. Borgman (2016) đặt mối bận tâm theo cách sắc sảo khi gọi data citation — trích dẫn dữ liệu — là "một nghịch lý thư lượng" (bibliometric oxymoron): dữ liệu nghiên cứu về bản chất có tính chất động, phức tạp và khó chuẩn hóa hơn nhiều so với ấn phẩm học thuật truyền thống, do đó việc áp dụng mô hình trích dẫn truyền thống cho dữ liệu gặp nhiều thách thức về mặt khái niệm lẫn kỹ thuật. Borgman (2016) phân tích rằng mặc dù nhiều nỗ lực tiêu chuẩn hóa đã được thực hiện, sự đa dạng về định dạng, quy mô và tính chất của dữ liệu nghiên cứu khiến việc tạo ra một hệ thống trích dẫn thống nhất vẫn là mục tiêu xa phía trước.

Borgman, Christine L. (2016). Data Citation as a Bibliometric Oxymoron. De Gruyter. DOI: 10.1515/9783110308464-008

Mooney và Newton (2012) giải phẫu cấu trúc của một trích dẫn dữ liệu, xác định các thành phần cần thiết bao gồm: người sáng tạo dữ liệu, tiêu đề, năm xuất bản, định vị (identifier lâu dài như DOI), nhà xuất bản (thường là kho lưu trữ), và phiên bản. Tác giả cũng chỉ ra rằng trích dẫn dữ liệu cần gắn liền với metadata mô tả chi tiết về phương pháp thu thập, xử lý và cấu trúc dữ liệu, giúp người sử dụng sau đánh giá được tính phù hợp và độ tin cậy của dữ liệu. Việc xây dựng năng lực trích dẫn dữ liệu tại trường đại học không chỉ phục vụ mục đích ghi nhận công lao cho nhà nghiên cứu mà còn là cơ chế quan trọng để thúc đẩy tái sử dụng dữ liệu — một trong những mục tiêu then chốt của nguyên tắc FAIR.

Mooney, Hailey; Newton, Mark P (2012). The Anatomy of a Data Citation. JLSC, 1(1), e1035. DOI: 10.7710/2162-3309.1035

Đối với Trường Đại học Ngoại thương, việc phát triển IR thành nền tảng tích hợp cả ấn phẩm và dữ liệu nghiên cứu cần được tiến hành theo lộ trình thực tế. Giai đoạn đầu cần bao gồm việc bổ sung trường metadata cho dữ liệu nghiên cứu trong IR hiện có, thiết lập chính sách khuyến khích nộp dữ liệu kèm ấn phẩm, và nâng cấp hạ tầng kỹ thuật để hỗ trợ lưu trữ dữ liệu đa định dạng. Giai đoạn tiếp theo được phép tích hợp với các nền tảng dữ liệu mở toàn cầu (như Zenodo, Dryad) và tham gia các sáng kiến trích dẫn dữ liệu quốc tế. Sự liên kết giữa RDM và repository học thuật không chỉ tạo ra giá trị cho chính trường mà còn đóng góp vào hệ sinh thái dữ liệu mở ở quy mô quốc gia và quốc tế.

7. Thực trạng quản lý dữ liệu nghiên cứu tại Việt Nam và khu vực ASEAN

7.1. Báo cáo ASEAN Data Archives về RDM tại Việt Nam

Năm 2025, ASEAN Data Archives Research Group công bố báo cáo điều tra toàn diện về thực trạng quản lý dữ liệu nghiên cứu (Research Data Management — RDM) tại các trường đại học và viện nghiên cứu Việt Nam. Đây là một trong những công trình hệ thống đầu tiên cung cấp bức tranh đa chiều về năng lực tổ chức trong việc quản lý tài sản dữ liệu khoa học tại quốc gia trong khối ASEAN (ASEAN Data Archives Research Group, 2025). Báo cáo khảo sát hơn 40 cơ sở giáo dục đại học và viện nghiên cứu trên cả nước, bao gồm các trường thành viên của Đại học Quốc gia Hà Nội, Đại học Quốc gia Thành phố Hồ Chí Minh cùng các trường đại học trọng điểm vùng.

ASEAN Data Archives Research Group (2025). Research Data Management (RDM) in Universities and Research Institutions, Vietnam: The Present and Future Perspective. ASEAN Data Archives. DOI: 10.17983/298877

Phát hiện nổi bật nhất là sự thiếu vắng chính sách RDM cấp cơ quan. Trong số các tổ chức tham gia khảo sát, dưới 15% có văn bản chính thức quy định quy trình thu thập, lưu trữ, bảo quản và chia sẻ dữ liệu nghiên cứu. Hơn nữa, phần lớn các trường không phân công rõ trách nhiệm cho đơn vị nào trong việc giám sát tuân thủ các nguyên tắc quản lý dữ liệu. Tình trạng này phản ánh khoảng cách lớn giữa thực tiễn quản trị tại chỗ và các tiêu chuẩn quốc tế được khuyến nghị bởi UNESCO (UNESCO, 2021) cũng như OECD (OECD, 2007).

UNESCO (2021). Recommendation on Open Science. Truy cập: https://www.unesco.org/en/articles/open-science-recommendation

OECD (2007). Principles and Guidelines for Access to Research Data from Public Funding. OECD Publishing. DOI: 10.1787/9789264034020-en-fr

Về hạ tầng kỹ thuật, khảo sát cho thấy đa số các cơ sở nghiên cứu Việt Nam chưa trang bị kho lưu trữ dữ liệu (data repository) đạt chuẩn. Nhiều tổ chức vẫn phụ thuộc vào phương thức lưu trữ truyền thống — ổ cứng vật lý hoặc máy chủ nội bộ không có khả năng sao lưu tự động, không hỗ trợ xuất bản dữ liệu với mã định danh số (DOI). Mô hình trưởng thành dịch vụ RDM (RDM Service Maturity Model) của Minamiyama và cộng sự (Minamiyama et al., 2025) dễ dàng dùng làm thước đo để đánh giá: hầu hết các trường đại học Việt Nam hiện nằm ở mức 1 hoặc 2 (khởi phát/cơ bản) trên thang 5 cấp, với nhận thức thấp và dịch vụ chưa được tổ chức hóa.

Minamiyama, Yasuyuki et al. (2025). Maturity Model for Organizational RDM Services. Data Science Journal, 24(1), 18. DOI: 10.5334/dsj-2025-018

Nhận thức của cộng đồng nghiên cứu về RDM cũng ở mức khiêm tốn. Khi được hỏi về sự quen thuộc với nguyên tắc FAIR và khung CARE, đa số nhà nghiên cứu cho biết chỉ từng nghe nói nhưng chưa thực hành trong công việc hàng ngày. Thoegersen và Borlund (Thoegersen & Borlund, 2021) đã chỉ ra rằng thái độ của nhà nghiên cứu đối với việc chia sẻ dữ liệu chịu ảnh hưởng mạnh mẽ bởi yếu tố động viên từ tổ chức, văn hóa kỷ luật và sự hỗ trợ hạ tầng. Tại Việt Nam, cả ba yếu tố này đều còn hạn chế, dẫn đến một vòng lặp tiêu cực: không có chính sách → không có hạ tầng → không có động lực → không có thực hành.

Thoegersen, Jennifer L.; Borlund, Pia (2021). Researcher attitudes toward data sharing. Journal of Documentation, 77(5), 1218-1240. DOI: 10.1108/jd-01-2021-0015

Bên cạnh những điểm hạn chế, báo cáo cũng ghi nhận những tín hiệu tích cực. Chương trình Chuyển đổi số quốc gia theo Quyết định 822/QĐ-TTg (Quyết định 822/QĐ-TTg, 2021) đang thúc đẩy các trường đại học đầu tư vào hệ thống thông tin, hạ tầng điện toán đám mây và nền tảng quản trị số. Sự phát triển của mạng lưới ASEAN Data Archives cũng mở ra khả năng hợp tác khu vực, giúp Việt Nam tiếp cận kinh nghiệm từ Singapore, Malaysia và Thái Lan — những quốc gia đã có bước tiến đáng kể trong xây dựng chính sách RDM (ASEAN Data Archives Research Group, 2025). Hơn thế nữa, thế hệ trẻ nhà khoa học Việt Nam đang ngày càng gắn kết với cộng đồng quốc tế qua các dự án chung, bài đăng trên tạp chí mở và chương trình trao đổi — tất cả đều đặt đòi hỏi mới về minh bạch dữ liệu.

Chính phủ Việt Nam (2021). Quyết định 822/QĐ-TTg — Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030. Chi tiết: Tóm tắt và phân tích

ASEAN Data Archives Research Group (2025). Research Data Management (RDM) in Universities and Research Institutions, Vietnam: The Present and Future Perspective. ASEAN Data Archives. DOI: 10.17983/298877

Nhìn chung, bức tranh mà báo cáo ASEAN Data Archives vẽ lên vừa phản ánh thách thức sâu-root, vừa hé lộ cơ hội chiến lược. Việc Việt Nam bước vào lĩnh vực RDM ở giai đoạn này nên tạo lợi thế "người đến sau" (latecomer advantage): các trường đại học không cần lặp lại sai lầm của các nước phương Tây mà sẽ áp dụng ngay những mô hình tiên tiến đã được kiểm chứng, đồng thời điều chỉnh phù hợp với đặc thù thể chế và văn hóa trong nước.

7.2. Chính sách và khuôn khổ pháp lý Việt Nam

Hệ thống pháp luật và chính sách của Việt Nam đã có những bước tiến quan trọng liên quan đến quản lý dữ liệu nói chung, song chưa có văn bản nào điều chỉnh trực tiếp RDM trong môi trường đại học. Đây vừa là thách thức, vừa là không gian chính sách cần lấp đầy.

Quyết định 822/QĐ-TTg năm 2021 phê duyệt "Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030", đặt nền tảng vĩ mô cho mọi nỗ lực số hóa, bao gồm cả lĩnh vực giáo dục và khoa học. Chương trình nhấn mạnh ba trụ cột: chính phủ số, kinh tế số và xã hội số. Trong đó, mục tiêu phát triển dữ liệu số quốc gia và xây dựng hạ tầng chia sẻ dữ liệu mở ra dư địa để các cơ sở giáo dục đại học tích hợp quản lý dữ liệu nghiên cứu vào chiến lược chuyển đổi số của riêng mình (Quyết định 822/QĐ-TTg, 2021). Dù vậy, chương trình thiên về dữ liệu hành chính và kinh tế, chưa đề cập cụ thể đến dữ liệu khoa học.

Chính phủ Việt Nam (2021). Quyết định 822/QĐ-TTg — Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030. Chi tiết: Tóm tắt và phân tích

Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân đánh dấu bước ngoặt quan trọng trong lúc quản trị dữ liệu tại Việt Nam. Nghị định phân loại dữ liệu cá nhân thành hai nhóm — dữ liệu cá nhân cơ bản và dữ liệu cá nhân nhạy cảm — với quy định rõ về sự đồng ý, quyền của chủ dữ liệu và nghĩa vụ của bộ trưởng xử lý dữ liệu (Nghị định 13/2023/NĐ-CP, 2023). Đối với cộng đồng nghiên cứu tại các trường đại học, rất là trong các lĩnh vực kinh tế, xã hội học và y tế công cộng — nơi việc thu thập dữ liệu cá nhân là phổ biến — Nghị định tạo ra yêu cầu tuân thủ pháp lý mới: mọi đề tài nghiên cứu sử dụng dữ liệu cá nhân phải có cơ chế bảo vệ phù hợp, đồng thời phải được lưu trữ và chia sẻ theo đúng quy định. Khung CARE, với nguyên tắc tôn trọng quyền tự quyết của cộng đồng nguồn (Collective Benefit, Authority to Control, Responsibility, Ethics), được cung cấp cơ chế thực tiễn để đáp ứng yêu cầu này (Taitingfong & Carroll, 2023).

Chính phủ Việt Nam (2023). Nghị định 13/2023/NĐ-CP — Bảo vệ dữ liệu cá nhân. Chi tiết: Tóm tắt và phân tích

Taitingfong, Riley; Carroll, Stephanie (2023). CARE in Biodiversity Data Management. BISS, 7, e112615. DOI: 10.3897/biss.7.112615

Thông tư 10/2021/TT-BGDĐT quy định về quản lý hoạt động khoa học và công nghệ trong cơ sở giáo dục đại học. Thông tư thiết lập các quy tắc về đăng ký đề tài, nghiệm thu, đánh giá kết quả và lưu trữ hồ sơ nghiên cứu. Mặc dù đề cập đến trách nhiệm lưu trữ kết quả nghiên cứu, Thông tư chưa quy định cụ thể về cách thức quản lý dữ liệu nguyên bản, định dạng lưu trữ, quyền truy cập và trách nhiệm chia sẻ (Thông tư 10/2021/TT-BGDĐT, 2021). Khoảng trống này khiến các trường thiếu cơ sở pháp lý để yêu cầu nhà nghiên cứu lập kế hoạch quản lý dữ liệu (Data Management Plan) như một thủ tục bắt buộc trong quy trình đăng ký đề tài.

Bộ Giáo dục và Đào tạo (2021). Thông tư 10/2021/TT-BGDĐT — Quy định về quản lý hoạt động khoa học và công nghệ trong cơ sở giáo dục đại học. Chi tiết: Tóm tắt và phân tích

Luật Viễn thông năm 2024 (sửa đổi) cũng tác động gián tiếp đến RDM thông qua các quy định mới về an ninh mạng, quản lý nền tảng số và bảo vệ thông tin trên không gian mạng. Dù luật này không nhắm trực tiếp đến dữ liệu khoa học, nó đặt ra yêu cầu về an toàn thông tin mà mọi kho lưu trữ dữ liệu phải đáp ứng — một yếu tố cần cân nhắc khi xây dựng institutional data repository.

Từ bức tranh tổng thể trên, có khả năng nhận diện rõ một khoảng trống chính sách cơ bản: Việt Nam chưa có văn bản pháp luật hay chính sách bộ ngành nào quy định cụ thể về quản lý dữ liệu nghiên cứu khoa học tại cơ sở giáo dục đại học. Sułkowski và cộng sự (Sułkowski et al., 2026) đã nhấn mạnh rằng năng lực dữ liệu (data literacy) của nhà nghiên cứu không thể phát triển trong môi trường thiếu khuôn khổ thể chế hỗ trợ. Sobotová và Pollák (Sobotová & Pollák, 2026) cũng khẳng định rằng trong giai đoạn khoa học mở (Open Science), vai trò của chính sách quốc gia là nền tảng không thể thay thế. Trong những điều kiện đó, việc các trường đại học chủ động xây dựng chính sách RDM cấp cơ sở — trước khi có quy định cấp quốc gia — không chỉ cần thiết mà còn là hành động tiên phong.

Sułkowski, Lukasz et al. (2026). Data Literacy and Researcher Competencies. Routledge. DOI: 10.4324/9781003790334-3

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

7.3. Đặc thù bối cảnh Trường Đại học Ngoại thương

Trường Đại học Ngoại thương (Foreign Trade University — FTU) là một trong những trường đại học kinh tế và ngoại giao hàng đầu Việt Nam, được thành lập từ năm 1960 với sứ mệnh đào tạo cán bộ kinh tế xuất sắc cho đất nước. Với ba cơ sở đào tạo tại Hà Nội, Thành phố Hồ Chí Minh và Quảng Ninh, FTU thu hút sinh viên xuất sắc và duy trì vị thế cao trong các bảng xếp hạng đại học quốc gia (ftu.edu.vn).

FTU có những lợi thế chiến lược đáng kể trong việc phát triển RDM. Thứ nhất, trường sở hữu mạng lưới đối tác quốc tế rộng lớn, với hơn 150 tổ chức đối tác ở hơn 30 quốc gia. Những quan hệ hợp tác này — bao gồm chương trình trao đổi, nghiên cứu chung và dự án được tài trợ quốc tế — đặt FTU tiếp xúc trực tiếp với các tiêu chuẩn RDM quốc tế. Thứ hai, danh tiếng của trường trong cộng đồng kinh tế học khu vực giúp dễ dàng thu hút nguồn lực và kỹ năng từ các tổ chức quốc tế đang thúc đẩy khoa học mở. Thứ ba, FTU đã có bước đầu trong chuyển đổi số: trang thông tin điện tử, hệ thống học trực tuyến, thư viện số — tất cả tạo nền móng công nghệ nhiều khả năng mở rộng cho dịch vụ RDM.

Song song với những lợi thế, FTU cũng đối diện nhiều thách thức. Trường chưa ban hành chính sách RDM cấp cơ sở, chưa xây dựng kho lưu trữ dữ liệu thể chế (institutional data repository), và chưa có đơn vị chuyên trách hỗ trợ nhà nghiên cứu trong quản lý dữ liệu. Văn hóa chia sẻ dữ liệu trong cộng đồng giảng viên và nghiên cứu sinh vẫn ở giai đoạn hình thành. Steinhart và cộng sự (Steinhart et al., 2012) đã chỉ ra rằng việc thiếu sẵn sàng từ tổ chức trong việc hỗ trợ lập kế hoạch quản lý dữ liệu là rào cản lớn nhất đối với thực hành RDM. Tại FTU, rào cản này kết hợp với đặc thù lĩnh vực nghiên cứu: nhiều đề tài kinh tế sử dụng dữ liệu vi mô từ doanh nghiệp, dữ liệu khảo sát hộ gia đình hoặc dữ liệu ngành — những loại dữ liệu có tính nhạy cảm cao và đòi hỏi cơ chế bảo mật chặt chẽ, khiến nhà nghiên cứu e ngại việc chia sẻ.

Steinhart, Gail et al. (2012). Prepared to Plan? Journal of eScience Librarianship, 1(3), 6. DOI: 10.7191/jeslib.2012.1008

Điều đó nói lên rằng thách thức cũng chính là cơ hội. Dữ liệu kinh tế — và kinh tế đối ngoại — mà FTU sản xuất có giá trị to lớn cho chính sách công, nghiên cứu khu vực và hợp tác quốc tế. Nếu FTU trở thành một trong những trường đại học đầu tiên tại Việt Nam triển khai hệ thống RDM toàn diện, trường không chỉ nâng cao uy tín học thuật mà còn đóng góp vào hệ sinh thái dữ liệu mở quốc gia.

---

8. Khuyến nghị cho Trường Đại học Ngoại thương

8.1. Xây dựng chính sách và khuôn khổ thể chế

Bước đầu tiên và quan trọng nhất là ban hành chính sách RDM cấp trường, được Hiệu trưởng ký ban hành dưới hình thức quy chế hoặc quyết định. Chính sách này cần xác định rõ nguyên tắc FAIR và khung CARE là tiêu chuẩn bắt buộc đối với mọi hoạt động nghiên cứu tại trường. Nội dung chính sách nên bao gồm: định nghĩa về dữ liệu nghiên cứu ở thời điểm FTU, phân loại dữ liệu (mở, hạn chế truy cập, mật), trách nhiệm của các bên (nghiên cứu viên, phòng nghiên cứu, thư viện, trung tâm công nghệ thông tin), quy trình lưu trữ dài hạn và cơ chế chia sẻ dữ liệu.

Song song với chính sách tổng thể, trường cần yêu cầu mọi đề tài nghiên cứu — từ đề tài cấp cơ sở đến dự án cấp quốc gia và quốc tế — phải nộp kế hoạch quản lý dữ liệu (Data Management Plan — DMP) trước khi được nghiệm thu. Steinhart và cộng sự (Steinhart et al., 2012) đã chứng minh rằng việc bắt buộc lập DMP tạo thay đổi thực chất trong hành vi quản lý dữ liệu của nhà nghiên cứu. DMP tại FTU nên tuân theo các tiêu chuẩn quốc tế (ví dụ DMPTool hoặc mẫu DMP của Science Europe) nhưng được điều chỉnh cho phù hợp với các loại dữ liệu đặc thù của trường: dữ liệu thống kê kinh tế vĩ mô, dữ liệu khảo sát, dữ liệu giao thương quốc tế, dữ liệu tài chính doanh nghiệp. Mỗi DMP cần nêu rõ: loại dữ liệu sẽ tạo ra, định dạng chuẩn, phương pháp lưu trữ, cơ chế bảo mật (đáng kể đối với dữ liệu cá nhân theo Nghị định 13/2023/NĐ-CP), kế hoạch chia sẻ sau khi kết thúc dự án, và quyền lợi của cộng đồng nguồn dữ liệu theo khung CARE.

Steinhart, Gail et al. (2012). Prepared to Plan? Journal of eScience Librarianship, 1(3), 6. DOI: 10.7191/jeslib.2012.1008

Việc tích hợp FAIR và CARE vào quy chế nghiên cứu cần được thực hiện bằng phương pháp cân bằng. FAIR đảm bảo dữ liệu cần tìm được (Findable), truy cập được (Accessible), tương thích (Interoperable) và tái sử dụng được (Reusable). CARE bổ sung chiều kích đạo đức: lợi ích tập thể (Collective Benefit), thẩm quyền kiểm soát (Authority to Control), trách nhiệm (Responsibility) và y đức (Ethics). Tại FTU, nguyên tắc FAIR sẽ hỗ trợ nâng cao tính minh bạch và trích dẫn của nghiên cứu, trong khi CARE bảo vệ quyền lợi của các đối tượng tham gia khảo sát — quan trọng quan trọng trong nghiên cứu kinh tế xã hội liên quan đến cộng đồng người yếu thế, doanh nghiệp nhỏ và vùng sâu vùng xa (Taitingfong & Carroll, 2023).

Taitingfong, Riley; Carroll, Stephanie (2023). CARE in Biodiversity Data Management. BISS, 7, e112615. DOI: 10.3897/biss.7.112615

Ngoài ra, trường nên thành lập một ủy ban cố vấn RDM gồm đại diện Phòng Đào tạo sau đại học, Thư viện, Trung tâm Công nghệ thông tin, Phòng Khoa học Công nghệ và một số giảng viên đứng đầu về nghiên cứu. Ủy ban này có tác động sâu sắc đến tham vấn, giám sát thực thi chính sách và cập nhật quy định khi cần.

8.2. Đầu tư hạ tầng kỹ thuật

Hạ tầng kỹ thuật là xương sống của bất kỳ hệ thống RDM nào. FTU cần xây dựng institutional data repository — kho lưu trữ dữ liệu thể chế — đáp ứng các yêu cầu kỹ thuật tối thiểu: hỗ trợ nhiều định dạng dữ liệu, khả năng cấp mã DOI cho mỗi bộ dữ liệu, giao diện tìm kiếm nâng cao, cơ chế kiểm soát quyền truy cập theo từng cấp độ, và khả năng tương thích với các tiêu chuẩn liên ngành (FAIR).

Thay vì xây dựng hoàn toàn từ đầu, FTU được phép lựa chọn giải pháp kết hợp: triển khai nền tảng mã nguồn mở như DSpace hoặc InvenioRDM cho kho lưu trữ nội bộ, đồng thời liên kết với các nền tảng quốc tế như Zenodo (thuộc CERN/OpenAIRE) hoặc Figshare. Những nền tảng này cung cấp sẵn tính năng DOI, lưu trữ lâu dài và kết nối với mạng lưới trích dẫn toàn cầu. Liên kết với ASEAN Data Archives — dự án đang trong quá trình xây dựng hạ tầng chia sẻ dữ liệu giữa các nước Đông Nam Á — cũng là hướng đi chiến lược giúp FTU tham gia vào mạng lưới khu vực ngay từ giai đoạn đầu (ASEAN Data Archives Research Group, 2025).

ASEAN Data Archives Research Group (2025). Research Data Management (RDM) in Universities and Research Institutions, Vietnam: The Present and Future Perspective. ASEAN Data Archives. DOI: 10.17983/298877

Việc tích hợp DOI cho dữ liệu nghiên cứu mang lại lợi ích kép. Một mặt, nó cho phép bộ dữ liệu được trích dẫn như một xuất bản phẩm độc lập, tăng cường hồ sơ công trình của nhà nghiên cứu. Mặt khác, nó tạo minh bạch về nguồn gốc dữ liệu — yếu tố quan trọng khi ngày càng có nhiều lo ngại về tính toàn vẹn của nghiên cứu kinh tế (Sobotová & Pollák, 2026). Hệ thống quản lý DOI cần được xây dựng phù hợp với năng lực thực tiễn: dễ dàng bắt đầu bằng việc sử dụng dịch vụ DOI của đối tác quốc tế trước khi tự đăng ký hệ thống DOI thành viên với DataCite.

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Ngoài kho dữ liệu, trường cần đầu tư hệ thống sao lưu, bảo mật mạng và phần mềm quản lý quyền truy cập. Chi phí đầu tư ban đầu nên được tối ưu thông qua hợp tác với các trường đại học cùng mạng lưới hoặc sử dụng hạ tầng điện toán đám mây (ví dụ: Viettel Cloud, VNPT Cloud) thay vì xây dựng trung tâm dữ liệu vật lý riêng.

8.3. Phát triển năng lực nhân sự

Hạ tầng không thể phát huy hiệu quả nếu thiếu nguồn nhân lực đủ năng lực. Trọng tâm cần đặt vào đào tạo data stewardship — kỹ năng quản trị dữ liệu — cho cán bộ thư viện. Trong mô hình RDM tiên tiến, thư viện là yếu tố quyết định trung tâm: cung cấp tư vấn lập DMP, hỗ trợ chuẩn hóa dữ liệu, quản lý kho lưu trữ và hướng dẫn quy trình chia sẻ (Sułkowski et al., 2026). Thư viện FTU cần được trang bị thêm chức năng "thư viện dữ liệu" (data library), với ít nhất 2–3 chuyên viên được đào tạo bài bản về quản lý dữ liệu nghiên cứu.

Sułkowski, Lukasz et al. (2026). Data Literacy and Researcher Competencies. Routledge. DOI: 10.4324/9781003790334-3

Đào tạo chuyên sâu cho cán bộ thư viện sẽ thực hiện qua nhiều kênh: chương trình chứng chỉ chuyên ngành do các tổ chức quốc tế cung cấp (ví dụ LIBER, Research Data Alliance), chương trình trao đổi với thư viện các trường đối tác nước ngoài, hoặc mời chuyên gia RDM về tư vấn và đào tạo tại chỗ. Mô hình trưởng thành dịch vụ RDM (Minamiyama et al., 2025) cung cấp khung đánh giá giúp FTU xác định mức độ sẵn sàng và lên kế hoạch phát triển nhân lực phù hợp với từng giai đoạn.

Minamiyama, Yasuyuki et al. (2025). Maturity Model for Organizational RDM Services. Data Science Journal, 24(1), 18. DOI: 10.5334/dsj-2025-018

Đối với giảng viên, nghiên cứu sinh và đáng chú ý là sinh viên đại học, trường cần tổ chức chuỗi workshop nâng cao nhận thức về RDM, nguyên tắc FAIR/CARE và kỹ năng quản lý dữ liệu cơ bản. Các workshop nên được thiết kế thực hành, sử dụng bộ dữ liệu thật từ nghiên cứu kinh tế đối ngoại làm ví dụ, giúp người tham gia hiểu rõ quy trình từ lúc thu thập đến lúc xuất bản dữ liệu. Các môn học phương pháp nghiên cứu tại trường nên tích hợp một hay nhiều buổi học về RDM, biến nó thành phần năng lực bắt buộc thay vì lựa chọn.

Xây dựng văn hóa chia sẻ dữ liệu là một quá trình dài hạn, đòi hỏi kết hợp động lực và khuyến khích. Thoegersen và Borlund (Thoegersen & Borlund, 2021) đã chỉ ra rằng nhà nghiên cứu thường ngần ngại chia sẻ dữ liệu vì lo sợ bị mất lợi thế cạnh tranh, dữ liệu chưa hoàn hảo hoặc không nhận được ghi nhận xứng đáng. FTU được giải quyết những rào cản này qua các biện pháp cụ thể: công nhận dữ liệu như một sản phẩm nghiên cứu (tương đương bài báo) trong đánh giá thi đua, tổ chức giải thưởng "bộ dữ liệu xuất sắc", và chủ động trích dẫn dữ liệu chia sẻ trong các báo cáo nghiên cứu của trường.

Thoegersen, Jennifer L.; Borlund, Pia (2021). Researcher attitudes toward data sharing. Journal of Documentation, 77(5), 1218-1240. DOI: 10.1108/jd-01-2021-0015

8.4. Khuyến nghị cụ thể theo lộ trình

Việc triển khai RDM tại FTU cần được tiến hành theo lộ trình khả thi, tránh tình trạng đầu tư dàn trải mà không có trọng tâm. Dưới đây là đề xuất chia thành ba giai đoạn.

Giai đoạn 1 (2025–2027): Xây dựng chính sách, nâng cao nhận thức. Giai đoạn này tập trung vào nền móng thể chế và thay đổi nhận thức. Cụ thể: ban hành chính sách RDM cấp trường, xây dựng mẫu DMP tiêu chuẩn, yêu cầu DMP cho đề tài nghiên cứu cấp trường, thành lập ủy ban cố vấn RDM, tổ chức chuỗi 6–8 workshop giới thiệu FAIR và CARE cho toàn trường, cử 2–3 cán bộ thư viện tham gia khóa đào tạo data stewardship chuyên nghiệp. Giai đoạn này cũng cần tiến hành khảo sát thực trạng RDM nội bộ để làm cơ sở cho các bước tiếp theo, tương tự cách tiếp cận mà ASEAN Data Archives đã thực hiện ở cấp quốc gia (ASEAN Data Archives Research Group, 2025). Nhóm công tác cần xem xét kỹ các quy định pháp luật hiện hành — nhất là Nghị định 13/2023/NĐ-CP về dữ liệu cá nhân — để đảm bảo chính sách RDM phù hợp với luật pháp quốc gia.

ASEAN Data Archives Research Group (2025). Research Data Management (RDM) in Universities and Research Institutions, Vietnam: The Present and Future Perspective. ASEAN Data Archives. DOI: 10.17983/298877

Giai đoạn 2 (2027–2029): Triển khai hạ tầng, đào tạo chuyên sâu. Sau khi chính sách đã đi vào hoạt động, trường bắt đầu đầu tư hạ tầng kỹ thuật và đào tạo chuyên sâu. Hoạt động trọng tâm: lựa chọn nền tảng cho institutional data repository (DSpace, InvenioRDM hoặc giải pháp cloud), triển khai hệ thống cấp DOI, tích hợp kho dữ liệu với thư viện số hiện có, tổ chức đào tạo nâng cao về quản lý dữ liệu cho cán bộ thư viện và chuyên viên phòng nghiên cứu. Đồng thời, trường mở rộng phạm vi yêu cầu DMP cho mọi đề tài nghiên cứu có sử dụng ngân sách từ bên ngoài (quỹ quốc gia, dự án quốc tế), và bắt đầu xây dựng bộ tiêu chí đánh giá chất lượng dữ liệu theo nguyên tắc FAIR và CARE. Giai đoạn này cũng cần thiết lập cơ chế hỗ trợ kỹ thuật — hotline, bộ câu hỏi thường gặp, tư vấn cá nhân — để giúp nhà nghiên cứu vượt qua khó khăn nhiều nơi khi áp dụng DMP lần đầu (Steinhart et al., 2012).

Steinhart, Gail et al. (2012). Prepared to Plan? Journal of eScience Librarianship, 1(3), 6. DOI: 10.7191/jeslib.2012.1008

Giai đoạn 3 (2029–2031): Tích hợp khu vực, chia sẻ best practices. Khi hạ tầng và năng lực nhân sự đã ổn định, FTU mở rộng sang hợp tác quốc tế và khu vực. Hoạt động chính: kết nối institutional data repository với mạng lưới ASEAN Data Archives, Zenodo hoặc DataCite; tham gia tích cực vào Research Data Alliance và các tổ chức quốc tế về khoa học mở; tổ chức hội nghị khu vực về RDM tại trường; công bố nghiên cứu tình huống (case study) về triển khai FAIR/CARE tại trường đại học kinh tế ASEAN; và hỗ trợ các trường đại học khác trong nước xây dựng năng lực RDM. Mục tiêu của giai đoạn này là đưa FTU trở thành một trong những trung tâm RDM hàng đầu trong khối ASEAN, với kho dữ liệu kinh tế đối ngoại được sử dụng rộng rãi bởi cộng đồng nghiên cứu toàn cầu.

Quy trình ba giai đoạn trên là linh hoạt và cần được điều chỉnh theo bối cảnh theo thực tiễn — nguồn lực tài chính, mức độ sẵn sàng nhân sự, tiến độ chuyển đổi số chung của trường và thay đổi chính sách cấp quốc gia. Minamiyama và cộng sự (Minamiyama et al., 2025) khuyến nghị sử dụng mô hình trưởng thành như công cụ tự đánh giá định kỳ, giúp tổ chức theo dõi tiến trình và xác định bước tiếp theo cần ưu tiên.

Minamiyama, Yasuyuki et al. (2025). Maturity Model for Organizational RDM Services. Data Science Journal, 24(1), 18. DOI: 10.5334/dsj-2025-018

---

9. Kết luận

Bài viết đã phân tích nguyên tắc FAIR và khung CARE dưới góc độ quản lý dữ liệu nghiên cứu khoa học tại trường đại học, từ nền tảng lý luận đến bối cảnh thực tiễn tại Việt Nam và Trường Đại học Ngoại thương. FAIR cung cấp bộ tiêu chuẩn kỹ thuật đảm bảo dữ liệu có khả năng được tìm kiếm, tiếp cận, kết nối và tái sử dụng — nền tảng của khoa học mở và đổi mới dựa trên bằng chứng. CARE bổ sung chiều kích đạo đức và công lý, nhắc nhở rằng dữ liệu không bao giờ tồn tại trong chân không: nó gắn liền với con người, cộng đồng và hệ sinh thái mà nhà nghiên cứu phải tôn trọng. Hai bộ nguyên tắc này không đối lập mà bổ trợ lẫn nhau, tạo thành khuôn khổ toàn diện cho quản lý dữ liệu nghiên cứu trong thế kỷ hai mươi mốt.

Bức tranh thực trạng tại Việt Nam — qua lăng kính báo cáo ASEAN Data Archives, hệ thống pháp luật đang hình thành và kinh nghiệm quốc tế — cho thấy cơ hội lớn. Quốc gia đang trong giai đoạn chuyển đổi số mạnh mẽ, cộng đồng ASEAN đang xây dựng hạ tầng chia sẻ dữ liệu chung, và thế hệ nhà khoa học trẻ ngày càng gắn kết với chuẩn mực quốc tế. Đối với FTU — trường đại học kinh tế-ngoại giao hàng đầu với mạng lưới đối tác rộng và truyền thống đào tạo chất lượng cao — việc tiên phong xây dựng hệ thống RDM toàn diện không chỉ nâng cao uy tín học thuật mà còn đóng góp thiết thực vào sự phát triển của hệ sinh thái dữ liệu mở quốc gia và khu vực.

Hành trình này đòi hỏi cam kết từ lãnh đạo, đầu tư có chiến lược vào hạ tầng và nhân lực, và kiên nhẫn xây dựng văn hóa chia sẻ. Mỗi bộ dữ liệu được quản lý tốt, chia sẻ đúng nguyên tắc FAIR và CARE là một viên gạch thêm vào công trình khoa học minh bạch, bao trùm và bền vững. Trường Đại học Ngoại thương hoàn toàn có đủ tiềm năng để dẫn đầu hành trình đó — và thời điểm để bắt đầu là ngay hôm nay.

---

---

Tài liệu tham khảo

ASEAN Data Archives Research Group (2025). Research Data Management (RDM) in Universities and Research Institutions, Vietnam: The Present and Future Perspective. ASEAN Data Archives. DOI: 10.17983/298877

Borgman, Christine L. (2016). Data Citation as a Bibliometric Oxymoron. De Gruyter. DOI: 10.1515/9783110308464-008

Brown, Mark L.; White, Wendy (2014). Case study 2: University of Southampton. Facet Publishing. DOI: 10.29085/9781783300242.008

Bộ Giáo dục và Đào tạo (2021). Thông tư 10/2021/TT-BGDĐT — Quy định về quản lý hoạt động khoa học và công nghệ trong cơ sở giáo dục đại học. Chi tiết: Tóm tắt và phân tích

Carroll, Stephanie Russo et al. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. DOI: 10.5334/dsj-2020-043

Carroll, Stephanie Russo et al. (2021). Operationalizing the CARE and FAIR Principles. Scientific Data, 8, 108. DOI: 10.1038/s41597-021-00892-0

Choudhury, G. Sayeed (2014). Case study 1: Johns Hopkins University DMS. Facet Publishing. DOI: 10.29085/9781783300242.007

Chính phủ Việt Nam (2021). Quyết định 822/QĐ-TTg — Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030. Chi tiết: Tóm tắt và phân tích

Chính phủ Việt Nam (2023). Nghị định 13/2023/NĐ-CP — Bảo vệ dữ liệu cá nhân. Chi tiết: Tóm tắt và phân tích

Delserone, Leslie M. (2008). At the Watershed. portal: Libraries and the Academy, 8(1), 7-22. DOI: 10.1353/lib.0.0032

Dube, Tinyiko Vivian (2025). Research data management in academic libraries. Library Management. DOI: 10.1108/lm-06-2024-0070

Dumontier, Michel (2022). A formalization of one of the main claims of The FAIR Guiding Principles. Data Intelligence, 4(1-2), 38-49. DOI: 10.3233/ds-210047

Gans Combe, Caroline (2020). Research Ethics in Data. Springer. DOI: 10.1007/978-3-030-16759-2_13

Iphofen, Ron (2020). Ethics and Integrity in Research. Springer. DOI: 10.1007/978-3-030-16759-2_56

Jennings, Lydia et al. (2023). Applying the CARE Principles to ecology. Nature Ecology and Evolution, 7, 872-878. DOI: 10.1038/s41559-023-02161-2

Kamarulzaman, Mohd Ridwan et al. (2025). UiTM Data Governance Framework. JIKM, 15(2). DOI: 10.24191/jikm.v15isi2.7390

Koltay, Tibor (2017). Research 2.0 and Research Data Services. Library Management, 38(6/7), 358-365. DOI: 10.1108/lm-11-2016-0082

Kukutai, Tahu; Taylor, John (2016). Data sovereignty for indigenous peoples. ANU Press. DOI: 10.22459/caepr38.11.2016.01

Makani, Joyline (2015). Knowledge management, research data management. VINE, 45(3), 352-363. DOI: 10.1108/vine-07-2014-0047

Marley, Tennille L. (2020). Indigenous Data Sovereignty and the role of universities. Routledge. DOI: 10.4324/9780429273957-11

Minamiyama, Yasuyuki et al. (2025). Maturity Model for Organizational RDM Services. Data Science Journal, 24(1), 18. DOI: 10.5334/dsj-2025-018

Mooney, Hailey; Newton, Mark P (2012). The Anatomy of a Data Citation. JLSC, 1(1), e1035. DOI: 10.7710/2162-3309.1035

OECD (2007). Principles and Guidelines for Access to Research Data from Public Funding. OECD Publishing. DOI: 10.1787/9789264034020-en-fr

Palmer, Carole L.; Cragin, Melissa H. (2023). Curating for Convergence. portal: Libraries and the Academy, 23(1), 1-23. DOI: 10.1353/lib.2023.0007

Plotkin, David (2014). Data Stewardship and Data Governance. Morgan Kaufmann. DOI: 10.1016/b978-0-12-410389-4.00001-5

Plotkin, David (2021). Practical Data Stewardship. Morgan Kaufmann. DOI: 10.1016/b978-0-12-822132-7.00006-1

Smith, Diane (2016). Governing data and data for governance. ANU Press. DOI: 10.22459/caepr38.11.2016.07

Sobotová, Romana; Pollák, František (2026). Research Data in the Context of Open Science. IntechOpen. DOI: 10.5772/intechopen.1013381

Stall, Shelley (2017). Enabling Findable, Accessible, Interoperable, and Reusable Data. Eos, 98. DOI: 10.1029/2018eo081907

Steinhart, Gail et al. (2012). Prepared to Plan? Journal of eScience Librarianship, 1(3), 6. DOI: 10.7191/jeslib.2012.1008

Sułkowski, Lukasz et al. (2026). Data Literacy and Researcher Competencies. Routledge. DOI: 10.4324/9781003790334-3

Taitingfong, Riley; Carroll, Stephanie (2023). CARE in Biodiversity Data Management. BISS, 7, e112615. DOI: 10.3897/biss.7.112615

Tenopir, Carol et al. (2014). Research data management services in academic libraries. LISR, 36(2), 129-141. DOI: 10.1016/j.lisr.2013.11.003

Thoegersen, Jennifer L.; Borlund, Pia (2021). Researcher attitudes toward data sharing. Journal of Documentation, 77(5), 1218-1240. DOI: 10.1108/jd-01-2021-0015

UNESCO (2021). Recommendation on Open Science. Truy cập: https://www.unesco.org/en/articles/open-science-recommendation

Vidotti, Silvana Aparecida Borsetti Gregorio et al. (2024). BeFAIRandCARE. ABEC Brasil. DOI: 10.22477/9788570131959.cap14

Walter, Maggie; Carroll, Stephanie Russo (2020). Indigenous Data Sovereignty and policy link. Routledge. DOI: 10.4324/9780429273957-1

West, Kiri et al. (2020). Data Ethics and Data Governance from a Maori World View. Journal of Global Ethics, 16(2), 209-224. DOI: 10.1108/s2398-601820200000006005

Wilkinson, Mark D. et al. (2016). The FAIR Guiding Principles. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18

Xiao, SiZhe et al. (2021). Research data stewardship at HKU. Library Management, 42(8/9), 559-572. DOI: 10.1108/lm-09-2021-0079