Quyền riêng tư là gì và xây dựng thang đo quyền riêng tư

Quyền riêng tư là gì và được đo bằng gì

Quyền riêng tư là mức độ một cá nhân cảm nhận rằng thông tin, hoạt động và không gian cá nhân của họ được tôn trọng, kiểm soát và không bị sử dụng vượt quá phạm vi họ chấp nhận. Trong nghiên cứu định lượng, bạn không đưa trực tiếp khái niệm trừu tượng này vào SPSS. Bạn chuyển nó thành một biến tiềm ẩn, sau đó đo bằng nhiều biến quan sát trong bảng hỏi.

Ví dụ, đề tài của bạn nghiên cứu ý định sử dụng một ứng dụng mua sắm. Người trả lời có thể đánh giá liệu ứng dụng có thu thập quá nhiều thông tin hay không, họ có biết dữ liệu được sử dụng như thế nào hay không, và họ có cảm thấy mình kiểm soát được thông tin cá nhân hay không. Các câu trả lời này được chấm trên thang Likert, thường từ 1 đến 5 hoặc từ 1 đến 7. Thang Likert bắt nguồn từ kỹ thuật đo lường thái độ được trình bày bởi Likert (1932).

Bạn nên phân biệt quyền riêng tư với an toàn bảo mật là gì. An toàn bảo mật thường nói đến khả năng hệ thống ngăn chặn truy cập trái phép, còn quyền riêng tư tập trung vào quyền kiểm soát và kỳ vọng của cá nhân đối với thông tin của họ. Một nền tảng có thể được bảo mật tốt nhưng vẫn khiến người dùng lo ngại nếu thu thập dữ liệu thiếu minh bạch.

Trong mô hình nghiên cứu, quyền riêng tư có thể là biến độc lập, biến trung gian hoặc một thành phần của nhận thức rủi ro. Vị trí này phụ thuộc vào câu hỏi nghiên cứu và lập luận lý thuyết của bạn. Vì vậy, trước khi soạn biến quan sát, hãy xác định rõ quyền riêng tư đang giải thích hành vi nào, chẳng hạn ý định sử dụng, niềm tin hoặc quyết định cung cấp thông tin.

Nguồn thang đo gốc

Không nên lấy vài câu trên Internet rồi gọi đó là thang đo quyền riêng tư đã được kiểm định. Bạn cần ghi rõ khái niệm được kế thừa từ nghiên cứu nào, dùng trong bối cảnh nào và đã được điều chỉnh ra sao. Với một số chủ đề công nghệ, quyền riêng tư thường được đặt cạnh niềm tin, rủi ro cảm nhận và ý định sử dụng. Bạn có thể xem thêm thang đo niềm tin để tránh trộn hai khái niệm vào cùng một nhóm biến.

Trong phạm vi nguồn được phép sử dụng, các nghiên cứu về chấp nhận công nghệ như Davis (1989), Ajzen (1991), Venkatesh và cộng sự (2003) và Venkatesh và cộng sự (2012) cung cấp nền tảng cho việc xây dựng mô hình hành vi. Những nguồn này không tự động trở thành nguồn gốc của thang đo quyền riêng tư. Bạn chỉ nên ghi một nguồn là “thang đo gốc” khi đã đọc đúng bài, xác định được các item và kiểm tra bối cảnh áp dụng.

Bảng dưới đây giúp bạn ghi chú nguồn theo cách an toàn. Số lượng biến quan sát là chỗ cần kiểm tra lại từ bài gốc, không được tự điền theo một bài mẫu trên mạng.

Khi tìm được nguồn gốc phù hợp, hãy lưu cả bài báo, phụ lục item, thang đo gốc và bản dịch. Trong chương 3, bạn cần nói rõ item được kế thừa, dịch sang tiếng Việt, điều chỉnh cho bối cảnh nào và có thử nghiệm trước khi khảo sát chính thức hay không.

Nếu đề tài của bạn nghiên cứu hành vi trực tuyến, quyền riêng tư có thể liên quan đến niềm tin là gì và rủi ro cảm nhận là gì. Đây là các khái niệm gần nhau về mặt nội dung, nhưng mỗi khái niệm cần một nhóm biến quan sát riêng.

Bộ biến quan sát tham khảo

Dưới đây là bộ biến quan sát minh họa để bạn hình dung cách chuyển khái niệm thành bảng hỏi. Đây chưa phải bản dịch được xác nhận của một thang đo gốc và chưa được kiểm định trong dữ liệu của bạn. Bạn cần đối chiếu với định nghĩa, bối cảnh, đối tượng khảo sát và nguồn tài liệu trước khi sử dụng.

Nên dùng cùng một chủ ngữ và cùng một bối cảnh trong toàn bộ nhóm item. Nếu đối tượng là người dùng ứng dụng ngân hàng, hãy thay cụm “nền tảng này” bằng tên hoặc loại dịch vụ cụ thể trong phần hướng dẫn bảng hỏi.

PR5 và PR6 là biến có nội dung nghịch chiều. Nếu người trả lời chọn mức cao, điều đó thể hiện mức lo ngại cao hơn, trong khi các biến PR1 đến PR4 thường được hiểu theo hướng quyền riêng tư được bảo vệ tốt hơn. Bạn cần quyết định từ đầu thang đo sẽ được mã hóa theo hướng nào. Khi nhập SPSS, biến nghịch chiều phải được recode trước khi tính điểm tổng hợp hoặc chạy phân tích tiếp theo.

Cách viết item cần tránh thuật ngữ pháp lý dài, câu có hai ý và câu dẫn người trả lời đến một đáp án. Ví dụ, “Nền tảng bảo mật và minh bạch trong việc sử dụng dữ liệu của tôi” đo ít nhất hai nội dung. Bạn nên tách thành item về bảo mật và item về minh bạch, rồi xem chúng thuộc hai khái niệm nào trong mô hình.

Nếu mô hình của bạn có thêm sự hoài nghi, hãy xem sự hoài nghi là gì trước khi gộp item. “Tôi nghi ngờ nền tảng này” có thể phản ánh thái độ tiêu cực hoặc thiếu niềm tin, trong khi “tôi không biết dữ liệu được sử dụng thế nào” phản ánh minh bạch quyền riêng tư. Hai câu có thể cùng liên quan đến quyết định sử dụng, nhưng không nên gộp chỉ vì chúng đều mang sắc thái lo ngại.

Điều chỉnh thang đo cho bối cảnh Việt Nam

Bạn bắt đầu bằng việc xác định người trả lời thực sự gặp tình huống nào. Người dùng ví điện tử, người mua hàng trên sàn thương mại điện tử và nhân viên sử dụng phần mềm nội bộ có mức hiểu khác nhau về dữ liệu cá nhân. Một item phù hợp với ứng dụng ngân hàng có thể quá rộng hoặc không đúng với mạng xã hội.

Bước tiếp theo là dịch và chỉnh câu. Giữ ý nghĩa của item gốc, nhưng thay những từ người trả lời Việt Nam khó hiểu bằng cách diễn đạt quen thuộc. “Data controller” hoặc “third-party data sharing” không nên xuất hiện nguyên dạng trong bảng hỏi phổ thông nếu bạn chưa giải thích rõ. Bạn cũng cần thống nhất cách gọi “nền tảng”, “ứng dụng”, “doanh nghiệp” hoặc “nhà cung cấp dịch vụ”.

Với item nghịch chiều, hãy kiểm tra xem câu có bị phủ định kép hay không. Câu “Tôi không cho rằng nền tảng không bảo vệ thông tin của tôi” rất dễ khiến người trả lời chọn nhầm. Có thể viết lại thành câu đơn giản hơn về lo ngại bị sử dụng sai mục đích, sau đó ghi chú chiều mã hóa trong file dữ liệu.

Bạn nên thử bảng hỏi với một nhóm nhỏ có đặc điểm gần với mẫu chính thức. Mục tiêu của bước này là phát hiện từ khó hiểu, thời gian trả lời dài, item trùng ý và lựa chọn trả lời bị thiếu. Đây là bước kiểm tra ngôn ngữ và quy trình, chưa phải bằng chứng để khẳng định thang đo đạt độ tin cậy.

Đừng tự xóa item chỉ vì một người trả lời không thích câu hỏi. Việc giữ hay loại biến phải dựa trên định nghĩa khái niệm, nguồn gốc thang đo, phản hồi khi thử bảng hỏi và kết quả phân tích. Nếu bỏ PR3 vì Corrected Item-Total Correlation thấp, bạn cần ghi lại lý do và xem việc bỏ biến có làm mất khía cạnh minh bạch của quyền riêng tư hay không.

Kiểm định độ tin cậy và giá trị của thang đo

Với dữ liệu .sav hoặc .csv, quy trình thường bắt đầu bằng kiểm tra dữ liệu, sau đó chạy Cronbach's Alpha, EFA nếu thiết kế nghiên cứu có bước khám phá, rồi đánh giá mô hình đo lường bằng SmartPLS nếu bạn dùng PLS-SEM. Nếu dùng CB-SEM với AMOS, các chỉ số fit như CFI, TLI, RMSEA và SRMR thuộc nhóm tiêu chí khác, không đưa sang SmartPLS một cách máy móc.

Trong SPSS, mở Analyze > Scale > Reliability Analysis. Đưa các biến PR1 đến PR6 vào ô Items, chọn Model là Alpha, rồi vào Statistics và đánh dấu Item, Scale và Scale if item deleted. Bảng Reliability Statistics cho bạn Cronbach's Alpha và số lượng item. Bảng Item-Total Statistics cho Corrected Item-Total Correlation và Alpha if Item Deleted.

Cronbach's Alpha từ 0.7 trở lên thường được xem là đạt theo Nunnally (1978). Với thang đo mới hoặc nghiên cứu khám phá, mức Alpha từ 0.6 có thể được chấp nhận theo Hair và cộng sự (2010), nhưng bạn cần giải thích bối cảnh thay vì dùng 0.6 như một luật tự động. Corrected Item-Total Correlation từ 0.3 trở lên được tham chiếu theo Nunnally và Bernstein (1994).

Nếu chạy EFA, kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên và Bartlett có ý nghĩa ở mức dưới 0.05 được tham chiếu theo Kaiser (1974). Eigenvalue trên 1 là một quy tắc trích nhân tố thường được dùng theo Kaiser (1960). Factor loading từ 0.5 và tổng phương sai trích từ 50% trở lên có thể tham chiếu Hair và cộng sự (2010). Bạn vẫn phải xem nội dung item, tải chéo và cấu trúc lý thuyết.

Nếu dùng SmartPLS 4, bạn đánh giá outer loading, Cronbach's Alpha, composite reliability, rho_A, AVE và HTMT trong mô hình đo lường. Outer loading từ 0.7 trở lên được tham chiếu Chin (1998) hoặc Hair và cộng sự (2022). CR từ 0.7 và AVE từ 0.5 trở lên có thể tham chiếu Fornell và Larcker (1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được tham chiếu Henseler và cộng sự (2015).

Bảng dưới đây là số liệu minh họa, không phải kết quả từ một nghiên cứu thật. Tên cột được mô phỏng theo các bảng bạn có thể gặp trong SPSS và SmartPLS.

Kết quả minh họa không cho phép bạn kết luận thang đo trong đề tài của mình đạt hay không đạt. Bạn phải đọc đúng bảng output của file đang mở, kiểm tra mã hóa và lưu từng phiên bản chạy. EFA hiếm khi ra đẹp ở lần đầu. Loại biến, chạy lại và ghi lại từng vòng loại là việc bình thường, nhưng không nên loại liên tiếp chỉ để ép chỉ số đạt ngưỡng.

Nếu bạn dùng PLS-SEM, quy trình đánh giá hai giai đoạn, gồm measurement model rồi structural model, được trình bày trong Anderson và Gerbing (1988) và Hair và cộng sự (2022). Trong mô hình cấu trúc, VIF dưới 5 có thể tham chiếu Hair và cộng sự (2019). Các chỉ số CFI, TLI, RMSEA và SRMR theo Hu và Bentler (1999) dành cho CB-SEM, vì vậy không dùng chúng để đánh giá một mô hình SmartPLS.

Cách trình bày thang đo trong chương 3

Bạn có thể trình bày theo bốn phần: định nghĩa quyền riêng tư, nguồn thang đo, quá trình điều chỉnh và danh sách biến quan sát chính thức. Bảng thang đo nên có mã biến, nội dung item, nguồn và ghi chú điều chỉnh. Nếu bảng dài, đặt toàn bộ item ở phụ lục nhưng vẫn tóm tắt cấu trúc trong chương 3.

Cách viết vào luận văn: “Thang đo quyền riêng tư trong nghiên cứu này được kế thừa và điều chỉnh từ [TÊN NGUỒN, NĂM] cho bối cảnh [ĐỐI TƯỢNG/BỐI CẢNH]. Sau khi rà soát ngôn ngữ và thử nghiệm bảng hỏi, thang đo gồm [SỐ LƯỢNG] biến quan sát, ký hiệu từ [MÃ BIẾN 1] đến [MÃ BIẾN CUỐI]. Các biến được đo bằng thang Likert [5/7] mức, trong đó [MÃ BIẾN] được mã hóa nghịch chiều.”

Sau khi thu thập dữ liệu chính thức, chương 4 cần báo cáo kết quả theo thứ tự bạn đã cam kết trong phương pháp. Nêu số item ban đầu, item bị loại nếu có, lý do loại, Alpha hoặc composite reliability, kết quả EFA hoặc measurement model và kết luận về giá trị hội tụ, giá trị phân biệt. Đừng chỉ chép một ảnh output mà không diễn giải quyết định nghiên cứu.

Lỗi thường gặp

Lỗi đầu tiên là dùng “quyền riêng tư” như một nhãn chung cho mọi vấn đề bảo mật, rò rỉ dữ liệu, niềm tin và rủi ro. Cách sửa là viết định nghĩa thao tác trước khi viết item. Mỗi item phải trả lời được câu hỏi: người trả lời đang đánh giá quyền kiểm soát, tính minh bạch, mức xâm phạm hay lo ngại về sử dụng dữ liệu.

Lỗi thứ hai là ghi một nguồn thang đo nhưng không có item từ nguồn đó. Hội đồng có thể hỏi bạn đã kế thừa câu nào và đã điều chỉnh ra sao. Hãy lưu bài gốc, phiên bản dịch và bảng đối chiếu từng item.

Lỗi thứ ba là quên reverse code. Một item nghịch chiều có thể kéo Alpha xuống hoặc làm cấu trúc nhân tố khó đọc. Kiểm tra nhãn biến, giá trị thấp nhất và cao nhất, sau đó recode theo hướng thống nhất trước khi chạy phân tích.

Lỗi thứ tư là xóa biến chỉ vì Alpha if Item Deleted tăng. Chỉ số này là thông tin tham khảo, không phải lệnh bắt buộc. Việc loại một item có thể làm khái niệm mất một nội dung quan trọng. Bạn cần kết hợp lý thuyết, chất lượng câu hỏi, Corrected Item-Total Correlation và kết quả nhân tố.

Lỗi cuối là trộn tiêu chí của SPSS, SmartPLS và AMOS. SPSS thường được dùng cho độ tin cậy và EFA, SmartPLS cho PLS-SEM, còn AMOS thuộc CB-SEM. Công cụ nào cũng cần dữ liệu sạch, mô hình có lập luận và báo cáo minh bạch.

Câu hỏi thường gặp

Quyền riêng tư là biến độc lập hay biến phụ thuộc

Quyền riêng tư có thể giữ nhiều vai trò khác nhau. Trong một mô hình, cảm nhận quyền riêng tư có thể là biến độc lập giải thích niềm tin hoặc ý định sử dụng. Trong mô hình khác, nó có thể là biến phụ thuộc được giải thích bởi tính minh bạch, an toàn bảo mật hoặc đặc điểm của nền tảng.

Bạn quyết định vai trò dựa trên câu hỏi nghiên cứu và lý thuyết, không dựa vào tên khái niệm. Sơ đồ mô hình, giả thuyết và thang đo phải dùng cùng một cách hiểu.

Có thể dùng một câu hỏi để đo quyền riêng tư không

Có thể nếu nghiên cứu của bạn có lý do phương pháp rõ ràng, nhưng một biến tiềm ẩn phức tạp thường cần nhiều biến quan sát để bao quát các khía cạnh. Một item duy nhất khó kiểm tra độ tin cậy nội tại và dễ bỏ sót minh bạch, quyền kiểm soát hoặc cảm nhận bị xâm phạm.

Nếu dùng single-item measure, bạn phải giải thích nguồn, cách đo và giới hạn trong chương phương pháp. Đừng gọi một câu hỏi đơn lẻ là “thang đo” nhiều biến.

Có được tự dịch thang đo quyền riêng tư sang tiếng Việt không

Bạn được điều chỉnh ngôn ngữ cho bối cảnh Việt Nam, nhưng cần giữ ý nghĩa của item gốc và ghi rõ quy trình. Hãy kiểm tra thuật ngữ, bối cảnh sử dụng, chiều đo và khả năng hiểu của người trả lời trước khảo sát chính thức.

Bản dịch chưa được kiểm định không nên trình bày như một thang đo tiếng Việt đã chuẩn hóa. Trong luận văn, dùng các từ như “kế thừa và điều chỉnh” nếu đó đúng là việc bạn đã làm.

Alpha thấp thì có nên xóa ngay biến quan sát không

Bạn cần kiểm tra reverse code, dữ liệu thiếu, cách nhập thang điểm và nội dung item trước. Sau đó xem Corrected Item-Total Correlation, Alpha if Item Deleted, cấu trúc lý thuyết và kết quả EFA nếu có.

Alpha thấp có thể do item đo khía cạnh khác, do thang đo quá ngắn hoặc do người trả lời hiểu không thống nhất. Xóa biến để đạt một con số đẹp nhưng làm mất nội dung khái niệm sẽ tạo rủi ro khi bảo vệ.

Có thể dùng thang đo quyền riêng tư cho mọi đề tài công nghệ không

Bạn có thể dùng một số khía cạnh chung, nhưng không nên bê nguyên item giữa các bối cảnh. Người dùng ngân hàng, mạng xã hội, thương mại điện tử và ứng dụng y tế có kỳ vọng khác nhau về dữ liệu, mức nhạy cảm và quyền kiểm soát.

Hãy điều chỉnh chủ thể, loại thông tin, mục đích sử dụng và tình huống cung cấp dữ liệu. Sau đó trình bày rõ nguồn gốc, phạm vi điều chỉnh và kết quả kiểm định trong chính mẫu nghiên cứu của bạn.

Mở file bảng hỏi và file dữ liệu ngay bây giờ, lập bảng đối chiếu gồm định nghĩa, mã biến, chiều mã hóa, nguồn và quyết định giữ hoặc loại từng item; nếu cần chạy kiểm định trên chính file .sav hoặc .csv, bạn có thể dùng module M4 phân tích dữ liệu.