Tiếp cận phương pháp luận từ Biểu đồ năng lượng Thái Cực Việt (TCV) – Nguyễn Ngọc Thạch [1]

TÓM TẮT

Trong lịch sử nhận thức của nhân loại tồn tại nhiều hệ thống tri thức nằm ở ranh giới giữa kinh nghiệm truyền thống và những hiện tượng chưa được giải thích đầy đủ theo tiêu chuẩn khoa học hiện đại. Nhiều hệ thống phương Đông như Kinh Dịch, Âm Dương – Ngũ hành, Can Chi, Tử vi, Tứ trụ, Bát tự, Phong thủy, Thái Ất và Mai Hoa Dịch đã tồn tại hàng trăm hoặc hàng nghìn năm. Tuy nhiên, sự tồn tại lâu dài của một hệ thống tri thức không đồng nghĩa với việc các mệnh đề của hệ thống đó đã được kiểm chứng khoa học. Bài viết đề xuất một cách tiếp cận phương pháp luận: thay vì tranh luận một hệ thống siêu hình là “đúng” hay “sai” như một chỉnh thể, cần phân rã từng mệnh đề thành các biến có thể định nghĩa, đo lường và phản chứng; sau đó kiểm tra bằng dữ liệu, thống kê, trí tuệ nhân tạo và nghiên cứu tái lập. Từ kinh nghiệm nghiên cứu Thái Cực Hoa Giáp (TCHG), Biểu đồ năng lượng Thái Cực Việt (TCV) và Phương pháp Thiên Thạch Tự (PP3T), tác giả đề xuất khung mức độ trưởng thành của bằng chứng EL0–EL5, nguyên tắc Cổng kiểm chứng và chu trình 10 bước số hóa – kiểm chứng giả thuyết siêu hình. Trong TCV, chỉ số E không mặc nhiên được đồng nhất với năng lượng vật lý đo bằng Joule, điện năng, nhiệt năng hoặc trường điện từ, mà được định nghĩa là một biến trạng thái trong hệ quy chiếu TCHG.

 Bài viết không khẳng định khoa học siêu hình đã trở thành khoa học thực nghiệm, mà đề xuất một con đường để những mệnh đề có nội dung thực nghiệm chấp nhận phép thử của khoa học. Luận điểm trung tâm là: tương lai của nghiên cứu các giả thuyết siêu hình không nằm ở việc khẳng định mạnh hơn, mà ở khả năng đo lường tốt hơn, kiểm chứng nghiêm ngặt hơn và ứng dụng có trách nhiệm hơn.

 Phần cuối là Phụ lục 1 và 2.

Từ khóa: Khoa học siêu hình; số hóa; TCV; Thái Cực Hoa Giáp; PP3T; dữ liệu thời gian; Temporal Intelligence; trí tuệ nhân tạo; kiểm chứng khoa học; EL0–EL5.

I. ĐẶT VẤN ĐỀ

Thế kỷ XXI đang làm thay đổi căn bản phương thức con người tạo lập và kiểm tra tri thức. Khoa học chuyển ngày càng mạnh từ mô tả sang mô hình hóa, từ kinh nghiệm cá nhân sang dữ liệu, từ dự đoán định tính sang dự báo xác suất, từ nghiên cứu đóng sang khoa học mở và từ phân tích thủ công sang trí tuệ nhân tạo.

Trong bối cảnh đó, các hệ thống tri thức thường được gọi chung là khoa học siêu hình đứng trước một yêu cầu phương pháp luận mới. Nếu tiếp tục chủ yếu dựa trên truyền thừa, kinh nghiệm cá nhân và những diễn giải khó phản chứng, chúng sẽ khó đối thoại với khoa học hiện đại. Ngược lại, việc phủ nhận tất cả những gì hiện chưa được giải thích cũng không phải là phương pháp nghiên cứu thích hợp đối với những mệnh đề có nội dung thực nghiệm.

Bài viết đề xuất cách tiếp cận thứ ba:

Không mặc nhiên phủ định; không mặc nhiên thừa nhận; những mệnh đề có thể kiểm chứng cần được chuyển thành dữ liệu và đưa vào phép thử khoa học.

Vấn đề vì vậy không nên chỉ đặt dưới dạng: “Tử vi có đúng không?”, “Phong thủy có đúng không?” hay “Kinh Dịch có dự báo được không?”. Những câu hỏi này quá rộng.

Một câu hỏi nghiên cứu thích hợp hơn phải có dạng:

Trong quần thể P, đặc trưng X được xác định theo thuật toán A có cung cấp giá trị dự báo đối với kết quả đầu ra Y trong khoảng thời gian T, sau khi kiểm soát các biến Z, hay không?

Sự chuyển đổi này biến một mệnh đề truyền thống thành một giả thuyết có khả năng bị dữ liệu ủng hộ hoặc bác bỏ. Trong bài viết này, thuật ngữ ‘khoa học siêu hình’ được sử dụng theo nghĩa quy ước để chỉ nhóm hệ thống và giả thuyết đang được khảo sát; thuật ngữ này không đồng nhất hoàn toàn với metaphysics trong triết học hàn lâm.

II. TỪ NGÔN NGỮ SIÊU HÌNH ĐẾN NGÔN NGỮ DỮ LIỆU

1. Chuẩn hóa khái niệm là điều kiện đầu tiên

Các hệ thống tri thức phương Đông thường sử dụng những khái niệm như “vượng”, “suy”, “cát”, “hung”, “thuận”, “nghịch”, “sinh”, “khắc”, “thời vận” hoặc “trường khí”. Những khái niệm này có giá trị trong hệ thống lý luận truyền thống, nhưng khi chuyển sang nghiên cứu thực nghiệm phải trả lời được các câu hỏi: “vượng” được nhận dạng bằng tiêu chí nào; “thuận lợi” đối với kết quả đầu ra nào; trong khoảng thời gian bao lâu; và kết quả nào được coi là không phù hợp với dự báo? Nếu không có định nghĩa thao tác (operational definition), không thể xây dựng dữ liệu đáng tin cậy; không có dữ liệu chuẩn hóa thì khó tiến hành phân tích thống kê có ý nghĩa. Do vậy, có thể nói: Tri thức truyền thống → Khái niệm chuẩn hóa → Biến số → Dữ liệu → Giả thuyết → Phép thử → Bằng chứng có thể là cách tiếp cận khả thi để chuyển ngôn ngữ siêu hình sang ngôn ngữ dữ liệu trong môi trường AI hiện nay.

2. TCHG – TCV – PP3T như một trường hợp nghiên cứu

Trong quá trình nghiên cứu Thái Cực Hoa Giáp, tác giả thử nghiệm chuyển một số quan hệ vốn được mô tả bằng ngôn ngữ Dịch học thành cấu trúc dữ liệu theo ba tầng:

TCHG → TCV → PP3T.

Trong đó, TCHG – Thái Cực Hoa Giáp đóng vai trò hệ quy chiếu lý thuyết; TCV – Biểu đồ năng lượng Thái Cực Việt là phương thức biểu diễn trạng thái theo thời gian; PP3T – Phương pháp Thiên Thạch Tự là lớp ứng dụng hỗ trợ nhận thức trạng thái, quản trị rủi ro và lựa chọn hành động.

TCV hiện biểu diễn một chỉ số trạng thái E trên thang hữu hạn từ −3 đến +3 tại một thời điểm xác định. Có thể biểu diễn khái quát:

Ei​(t;v)=f(Si​,Tt​,Qv​);

Trong đó:

Ei​(t;v): trạng thái của chủ thể i tại thời điểm t theo phiên bản mô hình v;

Si​: chủ thể;

Tt​: trạng thái thời gian;

Qv​: bộ quy tắc của phiên bản mô hình.

Khi E đã được tạo ra bằng một quy trình xác định, câu hỏi khoa học không còn là “cách giải đoán có thuyết phục hay không?”, mà trở thành: E(t) có cung cấp thông tin về Y(t) hay không?  Đây là sự chuyển đổi có ý nghĩa phương pháp luận.

3. “Năng lượng” trong TCV là biến mô hình

Thuật ngữ “năng lượng” trong TCV ở giai đoạn hiện nay không mặc nhiên đồng nhất với năng lượng vật lý đo bằng Joule, điện năng, nhiệt năng hoặc trường điện từ.

Trong phạm vi nghiên cứu này: E được xem là một biến trạng thái được xác lập trong hệ quy chiếu TCHG. Nếu nghiên cứu sau này phát hiện E liên hệ với một số chỉ số sinh lý, tâm lý, hành vi hoặc hiệu suất, kết luận phải tương ứng với loại bằng chứng: tương quan nếu thiết kế chỉ chứng minh tương quan; giá trị dự báo nếu mô hình vượt kiểm định ngoài mẫu; và chỉ diễn giải nhân quả khi thiết kế nghiên cứu thực sự cho phép.

III. THỜI GIAN NHƯ MỘT CHIỀU CẤU TRÚC CỦA DỮ LIỆU

Trong phần lớn hệ thống dữ liệu hiện đại, thời gian thường được ghi dưới dạng dấu thời gian (timestamp), ví dụ: 2026-08-14T18:25:30+07:00

→ tương ứng 18 giờ 25 phút 30 giây, ngày 14/08/2026, múi giờ UTC+7. Trong TCHG và TCV, thời gian được xem xét sâu hơn thông qua quan hệ giữa chủ thể và các cấu trúc chu kỳ. TCV có thể tổ chức dữ liệu ở nhiều độ phân giải như năm, tháng, ngày và canh giờ. Cấu trúc nghiên cứu cơ bản có thể biểu diễn: Chủ thể × Thời gian × Trạng thái. Từ đó xuất hiện một câu hỏi có thể kiểm chứng: Một số cấu trúc chu kỳ thời gian có cung cấp thông tin dự báo gia tăng về trạng thái hoặc kết quả đầu ra của con người so với những biến dự báo thông thường hay không?

Vì một cá nhân được quan sát nhiều lần, các quan sát không mặc nhiên độc lập. Do đó, tùy thiết kế, có thể cần sử dụng mô hình hiệu ứng hỗn hợp (Mixed-Effects Models), Phương trình ước lượng tổng quát – “Generalized Estimating Equations (GEE) “-[2] , hoặc các phương pháp chuỗi thời gian thích hợp.

Đặc biệt, việc chia tập huấn luyện (train) và tập kiểm định (test) phải bảo toàn trình tự thời gian để tránh rò rỉ thông tin thời gian (temporal leakage).

IV. TỪ “DỰ ĐOÁN” ĐẾN “GIẢ THUYẾT DỰ BÁO”

Trong nghiên cứu khoa học, “dự đoán” nên được chuyển thành Giả thuyết dự báo.

Ví dụ, không nên kết luận: “E = −3 thì chắc chắn xảy ra điều xấu.” Thay vào đó có thể xây dựng:

H1: Tỷ lệ sai sót nhiệm vụ trong nhóm E = −3 cao hơn nhóm E = 0.

H2: Xác suất hoàn thành nhiệm vụ trong nhóm E dương cao hơn nhóm E âm.

H3: Việc bổ sung E vào mô hình cơ sở làm tăng khả năng dự báo kết quả đầu ra Y trên dữ liệu ngoài mẫu. Tương ứng phải xây dựng H0 và xác định trước tiêu chí phản chứng (Falsification Criterion). Một giả thuyết khoa học phải chấp nhận khả năng kết quả nghiên cứu không ủng hộ giả thuyết.

V. KIẾN TRÚC DỮ LIỆU VÀ VAI TRÒ CỦA AI

1. Kiến trúc dữ liệu tối thiểu

Một hệ thống kiểm chứng có thể tổ chức thành bốn tầng:

Tầng 1 – Dữ liệu gốc: thông tin đối tượng, thời gian, biến nền, điều kiện quan sát và các yếu tố cần thiết để kiểm soát sai lệch.

Tầng 2 – Dữ liệu mô hình: giá trị dự báo hoặc trạng thái E được tính theo thuật toán và phiên bản xác định.

Tầng 3 – Dữ liệu đầu ra: các kết quả thực tế như mức tập trung, sai sót nhiệm vụ, chất lượng giấc ngủ, thời gian phản ứng, hiệu suất công việc hoặc những kết quả đầu ra khác được định nghĩa trước.

Tầng 4 – Hậu kiểm: đối chiếu: Trạng thái dự báo đối chiếu với Kết quả quan sát được, trong đó: Trạng thái dự báo là trạng thái mà mô hình xác định trước tại thời điểm t; Kết quả quan sát được là kết quả thực tế được ghi nhận sau đó hoặc tại khoảng thời gian nghiên cứu quy định. Dự báo trong nghiên cứu xác nhận phải được tạo và khóa trước khi biết kết quả đầu ra.

2. Phép thử so với mô hình cơ sở (Baseline)

Một mô hình truyền thống không nên chỉ được đánh giá bằng câu hỏi “có dự báo đúng hay không?”. Phép thử mạnh hơn là: mô hình cơ sở kết hợp biến truyền thống có cho hiệu năng tốt hơn chính mô hình cơ sở hay không?

Đối với TCV có thể so sánh: Mô hình cơ sở → Mô hình chỉ sử dụng TCV → Mô hình chỉ sử dụng dữ liệu hành vi → Mô hình kết hợp TCV + dữ liệu hành vi → Mô hình kết hợp TCV + dữ liệu sinh lý. (Baseline → TCV-only → Behavior-only → TCV + Behavior → TCV + Physiological Data). Giá trị quan trọng cần xác định là Giá trị dự báo gia tăng (Incremental Predictive Value). Nếu bổ sung TCV không cải thiện khả năng dự báo ngoài mẫu so với Mô hình cơ sở (Baseline), kết quả đó phải được ghi nhận. Nếu cải thiện nhỏ, phải công bố đúng mức độ nhỏ. Giá trị dự báo gia tăng được xác định bằng mức cải thiện hiệu năng dự báo khi bổ sung TCV vào mô hình, so với mô hình tương ứng không có TCV, trong điều kiện cả hai được đánh giá trên cùng một tập dữ liệu ngoài mẫu và bằng cùng các chỉ số đánh giá đã xác định trước. Mức cải thiện được tính theo chiều tốt hơn của từng chỉ số, qua đó xác định phần giá trị dự báo bổ sung mà TCV mang lại ngoài các thông tin đã có trong mô hình cơ sở.

3. Vai trò của AI

AI có thể hỗ trợ phát hiện mẫu hình, phân nhóm, nhận dạng ngoại lệ, xây dựng mô hình dự báo và tìm những trường hợp mô hình thất bại. Tuy nhiên, AI không tự tạo ra bằng chứng cho một lý thuyết. Một mô hình AI có thể đạt kết quả cao giả tạo do quá khớp (overfitting) và rò rỉ dữ liệu (data leakage) [Xem phụ lục 1], lựa chọn mô hình hậu nghiệm hoặc thử quá nhiều giả thuyết. Vì vậy, những mẫu hình AI phát hiện trong dữ liệu khám phá phải tiếp tục được kiểm tra trên dữ liệu mới.

VI. THANG MỨC ĐỘ TRƯỞNG THÀNH CỦA BẰNG CHỨNG EL0–EL5

Để tránh tình trạng mọi kết quả đều được gọi chung là “đã kiểm chứng”, tác giả đề xuất phân loại mức độ trưởng thành của bằng chứng thành sáu mức, trong đó lưu ý EL0: một mệnh đề truyền thống còn mơ hồ thực chất chưa đủ điều kiện vào EL0. Do đó chỉ những mệnh đề đã được thao tác hóa mới đủ điều kiện xếp EL0. Bên cạnh đó:  EL0–EL5 là khung phân loại mức độ trưởng thành của bằng chứng do tác giả đề xuất cho chương trình nghiên cứu này, không nhằm thay thế các hệ thống phân cấp bằng chứng đã được sử dụng trong những ngành khoa học khác.

Bảng 1. Khung mức độ trưởng thành của bằng chứng EL0–EL5

Mức	Nội dung	Điều kiện cốt lõi
EL0	Giả thuyết chưa được kiểm chứng (Unvalidated Hypothesis)	Biến dự báo, kết quả quan sát, quần thể nghiên cứu, khoảng thời gian nghiên cứu, giả thuyết không/giả thuyết đối và tiêu chí phản chứng được xác định rõ.
EL1	Khả năng tái lập tính toán (Computational Reproducibility)	Khi giữ nguyên dữ liệu đầu vào, thuật toán, bộ quy tắc và phiên bản hệ thống, kết quả đầu ra phải hoàn toàn giống nhau; đối với thuật toán xác định, tỷ lệ tái lập hoàn toàn được đề xuất ở mức 100%.
EL2	Bằng chứng thống kê khám phá (Exploratory Statistical Evidence)	Báo cáo kích thước hiệu ứng và khoảng tin cậy 95%; thực hiện hiệu chỉnh khi tiến hành nhiều phép kiểm định thống kê nhằm hạn chế nguy cơ kết luận dương tính giả; áp dụng phương pháp kiểm soát tỷ lệ phát hiện sai khi phù hợp.
EL3	Kiểm chứng ngoài mẫu (Out-of-Sample Validation)	Mô hình được khóa trước khi kiểm chứng, sử dụng dữ liệu chưa từng tham gia vào quá trình xây dựng hoặc hiệu chỉnh mô hình, đồng thời đánh giá mức cải thiện hiệu năng so với mô hình cơ sở.
EL4	Tái lập độc lập (Independent Replication)	Kết quả cốt lõi được tái lập bởi một nhóm nghiên cứu độc lập, trên bộ dữ liệu độc lập, theo quy trình nghiên cứu đã được xác lập và công bố trước
EL5	Bằng chứng tích lũy đa đoàn hệ (Cumulative Multi-cohort Evidence)	Nhiều nghiên cứu và đoàn hệ độc lập; tổng hợp bằng chứng và đánh giá độ bền khi đủ điều kiện

Trong EL1, chúng tôi đề xuất chỉ số CAR (CAR – Computational Agreement Rate – Tỷ lệ nhất quán tính toán), được tính bằng tỷ lệ số trường hợp cho kết quả trùng khớp trên tổng số trường hợp kiểm thử. Với thuật toán xác định, CAR là chỉ số vận hành dùng để kiểm tra khả năng tái lập của một quy trình tính toán có tính xác định: cùng dữ liệu đầu vào, thuật toán, bộ quy tắc và phiên bản hệ thống phải tạo ra cùng kết quả đầu ra; với loại thuật toán này, mục tiêu đề xuất là CAR = 100%. CAR không phải là thước đo phổ quát của khả năng tái lập khoa học (reproducibility) và cũng không chứng minh tính đúng đắn của lý thuyết hay giá trị dự báo của TCV/TCHG.

Các ngưỡng cụ thể của EL0–EL5 là Tiêu chí vận hành đề xuất, không phải chuẩn phổ quát cho mọi ngành khoa học.

1. Nguyên tắc Cổng kiểm chứng

EL0–EL5 không phải thang điểm cộng dồn mà là hệ thống Cổng kiểm chứng (Evidence Gate): EL0 → Kiểm tra giả thuyết → EL1 → Kiểm tra khả năng tái lập → EL2 → Kiểm định thống kê → EL3 → Kiểm tra khả năng khái quát hóa → EL4 → Kiểm tra tái lập độc lập → EL5

(EL0 → Hypothesis Gate → EL1 → Reproducibility Gate → EL2 → Statistical Gate → EL3 → Generalization Gate → EL4 → Independent Replication Gate → EL5).

Nguyên tắc:

Không thể dùng thành tích ở một tiêu chí để bù cho điều kiện bắt buộc còn thiếu.

Một kết quả có p rất nhỏ nhưng chưa kiểm chứng ngoài mẫu không phải EL3. Một thuật toán có CAR = 100% nhưng chưa đối chiếu với kết quả đầu ra thực tế chỉ chứng minh khả năng tái lập tính toán, không chứng minh lý thuyết đúng.

VII. TỪ CÁC MỆNH ĐỀ PHƯƠNG ĐÔNG ĐẾN GIẢ THUYẾT KHOA HỌC

Phương pháp trên có thể mở rộng ngoài TCV. Bản nghiên cứu ban đầu của tác giả đã thử chuyển 26 mệnh đề thuộc bảy hệ thống văn hóa cổ Phương Đông và khoa học siêu hình nói chung thành các giả thuyết có thể kiểm tra.

Trong phạm vi bài viết, có thể cô đọng như sau:

Bảng 2. Một số nhóm giả thuyết truyền thống có khả năng chuyển đổi thành phép thử dữ liệu [Chi tiết xem phụ lục 2]

Bộ môn	Mệnh đề/đặc trưng nghiên cứu	Kết quả quan sát có thể kiểm chứng
Tử vi	Mệnh–Thân; Quan Lộc; Đại hạn–Tiểu hạn	Nhân cách/hành vi; nghề nghiệp; sự kiện cuộc đời
Phong thủy	Hướng nhà; bố trí không gian; lựa chọn thời điểm	Chất lượng sống; hiệu suất hoạt động; mức độ căng thẳng; kết quả của công trình
Kinh Dịch	Quẻ chủ–biến; hào động; cấu trúc thuận/nghịch	Kết quả của sự kiện; thời điểm hoặc khoảng thời gian xảy ra biến đổi; kết quả sau quyết định.
Thái Ất	Chu kỳ; Chủ–Khách; điểm chuyển pha	Sự kiện tập thể; kết quả cạnh tranh; điểm biến đổi
Mai Hoa Dịch	Thể–Dụng; ứng kỳ; ngoại ứng	Kết quả quan sát; thời gian đến khi xảy ra sự kiện; giá trị dự báo gia tăng.
Tứ trụ	Ngũ hành; Nhật chủ; Đại vận	Hành vi; khả năng thích ứng; sự kiện theo thời gian
Bát tự	Dụng thần; Thập thần; Mệnh cục × Đại vận × Lưu niên	Kết quả hành vi; kết quả nghề nghiệp; kết quả biến đổi theo thời gian

Các mệnh đề này chỉ đủ điều kiện xếp EL0 sau khi đã được thao tác hóa thành giả thuyết có biến dự báo, kết quả quan sát, quần thể, khoảng thời gian và tiêu chí phản chứng xác định rõ.

Ví dụ, thay vì hỏi: “Phong thủy có tác dụng không?”

cần hỏi: Sau khi kiểm soát ánh sáng, nhiệt độ, tiếng ồn, thông gió và điều kiện kinh tế – xã hội, biến Phong thủy X còn cung cấp giá trị giải thích hoặc dự báo đối với Đầu ra Y hay không?

Thay vì hỏi: “Kinh Dịch có dự báo được không?”

cần hỏi: Nếu cách lập và giải quẻ được quy định cố định từ trước, liệu nó có dự báo kết quả thực tế tốt hơn cách dự báo thông thường khi được thử trên những dữ liệu mà thuật toán chưa từng biết hay không?

Như vậy, đối tượng của khoa học không nhất thiết là toàn bộ một học thuyết mà là từng mệnh đề có khả năng kiểm chứng.

VIII. MƯỜI NGUYÊN TẮC PHƯƠNG PHÁP LUẬN

Từ cách tiếp cận trên, tác giả đề xuất mười nguyên tắc cho chương trình số hóa và nghiên cứu các giả thuyết siêu hình:

Nguyên tắc 1: Không loại bỏ một hiện tượng chỉ vì hiện tại chưa giải thích đầy đủ.

Nguyên tắc 2: Không xác nhận một học thuyết chỉ vì nó tồn tại lâu đời.

Nguyên tắc 3: Hiện tượng có thể quan sát cần được ghi nhận thành dữ liệu.

Nguyên tắc 4: Khái niệm có khả năng định lượng cần được chuyển thành chỉ số hoặc biến.

Nguyên tắc 5: Một dự báo muốn được kiểm chứng bằng phương pháp khoa học thì phải được diễn đạt đủ rõ để dữ liệu thực tế có thể chứng minh rằng dự báo đó sai.

Nguyên tắc 6: Đối với nghiên cứu xác nhận, giả thuyết, nguồn dữ liệu, kết quả đầu ra chính, tiêu chí chọn và loại mẫu, thuật toán, phương pháp phân tích và tiêu chí đánh giá phải được xác định và khóa trước khi mở khóa hoặc diễn giải kết quả; khi có điều kiện, kế hoạch nghiên cứu cần được đăng ký trước (preregistration) trên một hệ thống phù hợp để hạn chế lựa chọn hậu nghiệm, HARKing và p-hacking.

Nguyên tắc 7: AI là công cụ phân tích và kiểm định, không phải bằng chứng tự thân cho một lý thuyết.

Nguyên tắc 8: Kết quả tính toán phải có khả năng tái lập từ cùng dữ liệu, thuật toán, bộ quy tắc và phiên bản; kết quả thực nghiệm phải hướng tới tái lập độc lập trên dữ liệu và nhóm nghiên cứu khác.

Nguyên tắc 9: Mức độ ứng dụng phải tỷ lệ thuận với mức độ bằng chứng.

Nguyên tắc 10: Hậu kiểm là bắt buộc. Một hệ thống dự báo không hậu kiểm sẽ không xác định được mình đúng bao nhiêu, sai bao nhiêu và sai trong điều kiện nào. Hậu kiểm cần ghi nhận cả đúng, sai, đúng một phần, không xác định và không đủ dữ liệu, thay vì chỉ lưu những trường hợp phù hợp với dự báo.

IX. MÔ HÌNH 10 BƯỚC CHO NGHIÊN CỨU KHOA HỌC SIÊU HÌNH TRONG KỶ NGUYÊN AI

Từ những nguyên tắc trên có thể đề xuất chu trình nghiên cứu khoa học siêu hình trong kỷ nguyên AI như sau:

KHOA HỌC SIÊU HÌNH TRUYỀN THỐNG
↓
CHUẨN HÓA KHÁI NIỆM
↓
SỐ HÓA
↓
DỮ LIỆU THỜI GIAN
↓
ĐỊNH LƯỢNG
↓
GIẢ THUYẾT KIỂM CHỨNG
↓
THỐNG KÊ / AI
↓
PHẢN BIỆN & TÁI LẬP
↓
ỨNG DỤNG THỰC TIỄN
↓
HẬU KIỂM

Cần phân biệt hai cấu trúc: Mô hình 10 bước trả lời (Đảm bảo 10 Nguyên tắc): nghiên cứu phải được tiến hành như thế nào?.

Trong khi đó, EL0–EL5 trả lời câu hỏi về sáu mức độ trưởng thành của bằng chứng: bằng chứng hiện đã đạt đến mức nào?

Hai cấu trúc bổ sung cho nhau: một bên là “Quy trình nghiên cứu bằng chứng”, một bên là “Thang trưởng thành của bằng chứng”.

X. ĐỀ XUẤT CHƯƠNG TRÌNH NGHIÊN CỨU 2026–2030

Để chuyển phương pháp luận thành chương trình nghiên cứu, có thể triển khai theo năm giai đoạn chính sau:

1. Chuẩn hóa

Xây dựng hệ thống khái niệm chuẩn, thống nhất từ điển thuật ngữ, định nghĩa rõ các biến và quy tắc đo lường, chuẩn hóa thuật toán, đồng thời thiết lập cơ chế quản lý phiên bản để mọi thay đổi của dữ liệu, thuật toán và bộ quy tắc đều có thể truy vết và tái lập.

2. Xây dựng dữ liệu

Thiết lập các đoàn hệ nghiên cứu; chuẩn hóa thông tin mô tả dữ liệu, từ điển dữ liệu và các quy tắc kiểm soát chất lượng; xây dựng kho dữ liệu theo thời gian có khả năng truy vết để phục vụ phân tích, kiểm chứng, tái lập và hậu kiểm kết quả.

3. Nghiên cứu thí điểm

Ưu tiên lựa chọn các kết quả có thể đo lường tương đối khách quan và ít gây tranh luận, như mức độ tập trung, thời gian phản ứng, tỷ lệ sai sót khi thực hiện nhiệm vụ, chất lượng giấc ngủ, mức độ căng thẳng và hiệu suất hoạt động.

4. Kiểm định ngoài mẫu và đa trung tâm

Khóa trước giả thuyết, thuật toán, kết quả kiểm chứng và phương pháp phân tích; kiểm chứng trên dữ liệu mới và từng bước thực hiện tái lập bởi các nhóm nghiên cứu độc lập.

5. Trí tuệ nhân tạo và Trí tuệ thời gian

Thực hiện quy trình để đánh giá giá trị dự báo gia tăng của TCV: Mô hình cơ sở → Chỉ TCV → Chỉ dữ liệu hành vi → Mô hình cơ sở + TCV → Mô hình cơ sở + dữ liệu hành vi → Mô hình cơ sở + TCV + dữ liệu hành vi → Mô hình cơ sở + TCV + dữ liệu hành vi + dữ liệu sinh lý.  Câu hỏi khoa học về TCV khi đó trở nên rõ ràng hơn: Việc bổ sung TCV vào mô hình cơ sở có làm tăng khả năng dự báo trên dữ liệu mới hay không, và mức gia tăng đó có được duy trì sau khi bổ sung các biến hành vi và sinh lý hay không?. Để đánh giá giá trị dự báo gia tăng của TCV, các mô hình phải được kiểm chứng trên cùng một tập dữ liệu mới, chưa từng được sử dụng để xây dựng hoặc hiệu chỉnh mô hình. Trước hết xác định hiệu năng của mô hình cơ sở, sau đó lần lượt bổ sung TCV, dữ liệu hành vi và dữ liệu sinh lý, đồng thời đo mức thay đổi hiệu năng sau mỗi lần bổ sung. Giá trị dự báo gia tăng của TCV được xác định bằng phần cải thiện hiệu năng của mô hình có TCV so với mô hình tương ứng không có TCV, trong cùng điều kiện kiểm chứng. Chỉ khi mức cải thiện này được duy trì trên dữ liệu mới và đáp ứng các tiêu chí đã xác định trước mới có thể kết luận TCV cung cấp thêm thông tin hữu ích cho dự báo.

XI. THẢO LUẬN: TỪ “KHOA HỌC SIÊU HÌNH” ĐẾN “KHOA HỌC VỀ CÁC GIẢ THUYẾT SIÊU HÌNH”

Có lẽ chưa cần giải quyết ngay câu hỏi mang tính bản thể luận rằng “khoa học siêu hình có phải là khoa học hay không?”

Một câu hỏi khả thi hơn là:

“Có thể sử dụng phương pháp khoa học để nghiên cứu những giả thuyết có nguồn gốc từ các hệ thống siêu hình hay không?”

Chúng tôi cho rằng: Có thể, đối với những mệnh đề có khả năng định nghĩa thao tác, tạo dữ liệu và phản chứng.

Khoa học không đòi hỏi đối tượng nghiên cứu phải được thừa nhận là khoa học trước khi nghiên cứu. Điều quan trọng là phương pháp kiểm tra giả thuyết phải đáp ứng các chuẩn mực khoa học.

Cách tiếp cận này đồng thời mở ra khả năng phân loại kết quả. Có giả thuyết có thể được dữ liệu ủng hộ; có giả thuyết chỉ đúng trong một số điều kiện; có giả thuyết không tạo thêm giá trị so với mô hình cơ sở; và cũng có giả thuyết có thể bị bác bỏ.

Kết quả âm vì vậy không phải thất bại của khoa học. Nó là thông tin giúp xác định giới hạn của mô hình.

XII. GIỚI HẠN CỦA BÀI VIẾT

Bài viết này chủ yếu đề xuất một khung phương pháp luận cho việc số hóa và kiểm chứng các giả thuyết có nguồn gốc từ những hệ thống tri thức siêu hình; chưa cung cấp bằng chứng thực nghiệm đủ để xác nhận giá trị dự báo của TCV hoặc của các mệnh đề truyền thống được nêu. Các ví dụ, tiêu chí EL0–EL5 và ngưỡng vận hành trong bài có tính chất đề xuất, cần tiếp tục được kiểm tra, hiệu chỉnh và đánh giá trên các đoàn hệ độc lập. Ngoài ra, việc chuẩn hóa khái niệm, lựa chọn kết quả đầu ra, kiểm soát yếu tố gây nhiễu và bảo đảm tính tương đương giữa các phiên bản thuật toán vẫn là những thách thức cần được giải quyết trong các nghiên cứu tiếp theo.

XIII. KẾT LUẬN

Kỷ nguyên dữ liệu và AI tạo ra điều kiện kỹ thuật chưa từng có để chuyển một bộ phận những mệnh đề truyền thống có nội dung thực nghiệm thành biến số, dữ liệu và giả thuyết có khả năng kiểm tra.

Từ trường hợp TCHG – TCV – PP3T, chúng tôi đề xuất ba cấu phần phương pháp luận: Chu trình số hóa – Kiểm chứng 10 bước; Thang mức độ bằng chứng EL0–EL5; và Nguyên tắc Cổng kiểm chứng, theo đó một giả thuyết chỉ được nâng mức bằng chứng khi đáp ứng đầy đủ điều kiện của từng tầng.

TCV trong cách tiếp cận này không được đặt trước cộng đồng khoa học như một chân lý cần thừa nhận, mà như một mô hình cần kiểm tra, một cấu trúc dữ liệu cần phản biện và một tập hợp giả thuyết cần hậu kiểm.

Nếu một số mệnh đề truyền thống thực sự phản ánh những quan hệ khách quan có thể quan sát, dữ liệu và thực nghiệm sẽ giúp xác định chúng đúng ở mức nào, trong điều kiện nào và với độ tin cậy bao nhiêu. Nếu chúng không được dữ liệu ủng hộ, chính quá trình kiểm chứng sẽ giúp sửa đổi hoặc loại bỏ giả thuyết. Vì vậy, thay vì yêu cầu xã hội tin vào những kết luận chưa được kiểm chứng, cần xây dựng điều kiện để xã hội và cộng đồng khoa học có thể kiểm tra chúng.

Có thể nói: “Tương lai của nghiên cứu khoa học siêu hình không nằm ở việc khẳng định mạnh hơn, mà ở khả năng đo lường tốt hơn, kiểm chứng nghiêm ngặt hơn và ứng dụng có trách nhiệm hơn.”

———

PHỤ LỤC 1: QUÁ KHỚP (OVERFITTING), RÒ RỈ DỮ LIỆU (DATA LEAKAGE), RÒ RỈ THÔNG TIN THỜI GIAN (TEMPORAL LEAKAGE)

Quá khớp liên quan đến khả năng khái quát hóa; rò rỉ dữ liệu liên quan đến việc sử dụng thông tin không hợp lệ; rò rỉ thông tin thời gian là trường hợp rò rỉ dữ liệu do vi phạm trật tự thời gian, Bản chất có thể tham khảo tại bảng sau:

Khái niệm	Dịch	Bản chất	Ví dụ ngắn	Cách phòng tránh
Overfitting	Quá khớp	Mô hình học quá sát dữ liệu huấn luyện, kể cả nhiễu, nên kém trên dữ liệu mới	Mô hình TCV đạt 95% trên tập huấn luyện nhưng chỉ 60% trên đoàn hệ mới	Giảm độ phức tạp; regularization; cross-validation phù hợp; tăng cỡ mẫu; kiểm chứng ngoài mẫu
Data leakage	Rò rỉ dữ liệu	Mô hình được tiếp cận thông tin mà tại thời điểm dự báo thực tế nó không nên biết	Chuẩn hóa toàn bộ dữ liệu trước khi chia train/test, khiến thông tin từ test ảnh hưởng train	Chia dữ liệu trước; mọi preprocessing/feature selection phải fit trên train; dùng pipeline
Temporal leakage	Rò rỉ thông tin thời gian	Một dạng data leakage: thông tin tương lai được dùng để dự báo quá khứ/hiện tại	Dự báo outcome ngày 10/8 nhưng feature lại sử dụng dữ liệu ngày 11–12/8	Chia train/test theo thời gian; kiểm tra timestamp; chỉ dùng dữ liệu tồn tại tại hoặc trước thời điểm dự báo

 

1. Quá khớp (Overfitting)

Giả sử có dữ liệu Trạng thái TCV tại thời điểm (t) → Kết quả quan sát tại thời điểm kế tiếp (t+1); Mô hình cho kết quả rất tốt trên 500 quan sát đã được sử dụng để huấn luyện, nhưng khi áp dụng trên 200 quan sát mới chưa từng được sử dụng trong quá trình xây dựng mô hình, hiệu quả dự báo giảm mạnh. Hiện tượng này được gọi là quá khớp. Quá khớp xảy ra khi mô hình học quá sát các đặc điểm của dữ liệu huấn luyện, kể cả những yếu tố ngẫu nhiên hoặc nhiễu, nên đạt kết quả cao trên dữ liệu đã biết nhưng khả năng khái quát hóa và dự báo trên dữ liệu mới bị suy giảm. Hiện tượng quá khớp vẫn có thể xảy ra ngay cả khi việc thu thập, phân chia và xử lý dữ liệu được thực hiện đúng quy trình, tức là không có rò rỉ dữ liệu hay rò rỉ thông tin thời gian.

Phòng tránh: điều chuẩn mô hình; giảm số biến/tham số; tăng dữ liệu; kiểm định phù hợp; đặc biệt chú trọng kiểm chứng ngoài mẫu và kiểm chứng độc lập bên ngoài.

2. Rò rỉ dữ liệu (Data Leakage)

Giả sử có 1.000 quan sát. Nhà nghiên cứu chuẩn hóa biến bằng trung bình và độ lệch chuẩn của toàn bộ 1.000 quan sát, rồi mới chia thành 800 quan sát huấn luyện (train) và 200 quan sát kiểm định (test). Như vậy, thông tin từ tập kiểm định đã gián tiếp tham gia vào bước tiền xử lý dữ liệu (preprocessing) của tập huấn luyện; đây là rò rỉ dữ liệu (data leakage). Quy trình đúng nên là: Chia tập huấn luyện/kiểm định → Thiết lập tiền xử lý trên tập huấn luyện → Áp dụng phép biến đổi đã thiết lập cho tập kiểm định → Huấn luyện mô hình → Đánh giá trên tập kiểm định.

3. Rò rỉ thông tin thời gian (Temporal Leakage)

Đây là vấn đề đặc biệt quan trọng đối với nghiên cứu Dữ liệu thời gian (Temporal Data).

Ví dụ mục tiêu là:

Trạng thái TCV ngày 10/8 → dự báo đầu ra ngày 11/8. Nhưng một biến đầu vào được tính bằng trung bình hành vi từ 8–12/8. Biến này đã chứa dữ liệu của ngày 11–12/8, tức chứa thông tin tương lai so với thời điểm dự báo. Mô hình có thể đạt độ chính xác rất cao nhưng đó là hiệu năng bị thổi phồng do temporal leakage. Nguyên tắc phòng tránh: Tại thời điểm dự báo t, mô hình chỉ được sử dụng thông tin thực sự khả dụng tại hoặc trước t.Đối với dữ liệu theo thời gian, không nên chia ngẫu nhiên dữ liệu thành tập huấn luyện và tập kiểm định khi cách chia đó phá vỡ cấu trúc thời gian hoặc khiến thông tin tương lai lọt vào quá trình xây dựng mô hình. Thay vào đó, việc phân chia dữ liệu phải bảo đảm mô hình chỉ sử dụng những thông tin thực sự khả dụng tại hoặc trước thời điểm dự báo:  Quá khứ → Tập huấn luyện → Tập xác thực → Tập kiểm định → Tương lai; Có thể phân biệt bằng ba câu hỏi:

Overfitting: Mô hình có học quá sát dữ liệu đã thấy không?

Rò rỉ dữ liệu (data leakage): Mô hình có được nhìn thấy thông tin mà nó không được phép biết không?

Rò rỉ thông tin thời gian (temporal leakage): Mô hình có nhìn thấy tương lai không?

Đối với nghiên cứu kiểm chứng TCV, rò rỉ thông tin thời gian là một nguy cơ đặc biệt nghiêm trọng. Để kiểm chứng nguyên tắc “Trạng thái dự báo → Kết quả quan sát được”, thời điểm chốt thông tin dự báo phải được xác định và khóa trước khi kết quả tương ứng được quan sát. Mọi thông tin phát sinh sau thời điểm này không được phép tham gia vào quá trình tạo dự báo. Vi phạm nguyên tắc trên có thể làm kết quả đánh giá cao hơn năng lực dự báo thực tế của mô hình và làm suy giảm giá trị khoa học của bằng chứng kiểm chứng.

———

PHỤ LỤC 2:  GỢI Ý CHUYỂN ĐỔI CÁC MỆNH ĐỀ TRUYỀN THỐNG THÀNH GIẢ THUYẾT CÓ THỂ KIỂM CHỨNG

1. Mục đích và nguyên tắc sử dụng

Phụ lục này minh họa cách chuyển một số mệnh đề hoặc đặc trưng thường gặp trong Tử vi, Phong thủy, Kinh Dịch, Thái Ất, Mai Hoa Dịch, Tứ trụ và Bát tự thành các câu hỏi nghiên cứu có khả năng kiểm chứng bằng dữ liệu.

Các ví dụ dưới đây không khẳng định các mệnh đề truyền thống là đúng, mà chỉ xác định cách thức để chúng có thể được đưa vào phép thử khoa học.

Mỗi nghiên cứu cần xác định trước tối thiểu: đối tượng nghiên cứu; biến dự báo; biến kết quả; cách đo lường; khoảng thời gian quan sát; các yếu tố gây nhiễu cần kiểm soát; giả thuyết không; giả thuyết đối; tiêu chí phản chứng; phương pháp phân tích và tiêu chí đánh giá.

Nguyên tắc chung là: Mệnh đề truyền thống → Định nghĩa thao tác → Biến dự báo → Kết quả quan sát → Giả thuyết → Kiểm chứng trên dữ liệu → Hậu kiểm → Tái lập.

2. TỬ VI

2.1. Đối tượng nghiên cứu

Các cấu trúc có thể được lựa chọn để nghiên cứu gồm Mệnh–Thân, cung Quan Lộc, Đại hạn, Tiểu hạn và các tổ hợp được thuật toán Tử vi xác định trước.

2.2. Mệnh đề nghiên cứu

Một số cấu trúc Tử vi được cho là có liên hệ với đặc điểm hành vi, khuynh hướng nghề nghiệp hoặc xác suất xuất hiện một số sự kiện trong những giai đoạn nhất định của cuộc đời.

2.3. Chuyển thành giả thuyết kiểm chứng

Ví dụ:

Các nhóm được thuật toán Tử vi phân loại khác nhau về đặc trưng Mệnh–Thân có khác biệt có thể đo lường về một số đặc điểm hành vi đã xác định trước hay không?

Hoặc:

Các đặc trưng của cung Quan Lộc có cung cấp thêm thông tin dự báo về nhóm nghề nghiệp hoặc quá trình phát triển nghề nghiệp so với mô hình cơ sở chỉ sử dụng tuổi, giới tính, trình độ học vấn, điều kiện kinh tế – xã hội và các biến thông thường khác hay không?

Đối với Đại hạn–Tiểu hạn:

Những giai đoạn được thuật toán xác định trước có liên hệ với xác suất xuất hiện các sự kiện cuộc đời đã định nghĩa trước cao hơn mức tham chiếu hay không?

2.4. Kết quả có thể quan sát

Có thể lựa chọn các kết quả như: chỉ số hành vi; nhóm nghề nghiệp; thay đổi nghề nghiệp; thăng tiến; gián đoạn công việc; thay đổi nơi cư trú hoặc những sự kiện khác có định nghĩa và thời điểm ghi nhận rõ ràng.

2.5. Yêu cầu kiểm chứng

Không nên sử dụng các mô tả rộng như “thành công”, “thất bại”, “có số làm quan” nếu chưa có định nghĩa thao tác. Thuật toán lập và diễn giải lá số phải được xác lập trước; các nhóm kết quả phải được mã hóa bằng tiêu chí thống nhất; đồng thời cần kiểm chứng trên dữ liệu mới.

3. PHONG THỦY

3.1. Đối tượng nghiên cứu

Các đặc trưng có thể nghiên cứu gồm hướng nhà, hướng làm việc, cấu trúc và bố trí không gian, vị trí chức năng, thời điểm sử dụng hoặc cải tạo công trình.

3.2. Mệnh đề nghiên cứu

Một số đặc trưng được Phong thủy phân loại là thuận hoặc không thuận được cho là có liên hệ với chất lượng sống, trạng thái tâm lý, hiệu suất hoạt động hoặc kết quả sử dụng công trình.

3.3. Chuyển thành giả thuyết kiểm chứng

Ví dụ:

Sau khi kiểm soát ánh sáng, nhiệt độ, độ ẩm, tiếng ồn, thông gió, diện tích, mật độ sử dụng và các yếu tố kinh tế – xã hội, đặc trưng Phong thủy X có còn liên hệ với kết quả Y hay không?

Hoặc:

Việc bổ sung biến Phong thủy X vào mô hình cơ sở có làm tăng khả năng dự báo kết quả Y trên dữ liệu mới hay không?

3.4. Kết quả có thể quan sát

Chất lượng sống; mức độ hài lòng với không gian; chất lượng giấc ngủ; mức độ căng thẳng; khả năng tập trung; sai sót nhiệm vụ; năng suất lao động; tỷ lệ nghỉ việc; mức sử dụng không gian và các chỉ tiêu vận hành công trình có thể định lượng.

3.5. Yêu cầu kiểm chứng

Phong thủy là lĩnh vực có nhiều yếu tố gây nhiễu. Vì vậy, nghiên cứu không được quy mọi khác biệt của kết quả cho biến Phong thủy. Các yếu tố vật lý của môi trường và đặc điểm kinh tế – xã hội phải được đo lường và kiểm soát thích hợp.

4. KINH DỊCH

4.1. Đối tượng nghiên cứu

Có thể nghiên cứu quẻ chủ, quẻ biến, hào động, cấu trúc thuận–nghịch hoặc các đặc trưng khác nếu có quy tắc xác định rõ ràng.

4.2. Mệnh đề nghiên cứu

Một quẻ được lập tại thời điểm xác định và diễn giải bằng bộ quy tắc cố định có thể chứa thông tin liên quan đến kết quả của một sự kiện xảy ra sau thời điểm lập quẻ.

4.3. Chuyển thành giả thuyết kiểm chứng

Ví dụ:

Nếu phương pháp lập và giải quẻ được quy định cố định từ trước, kết quả phân loại từ quẻ có dự báo kết quả thực tế tốt hơn mô hình cơ sở khi kiểm chứng trên những trường hợp hoàn toàn mới hay không?

Có thể thiết kế:

Thời điểm chốt dự báo → Lập quẻ → Khóa kết quả dự báo → Sự kiện xảy ra → Ghi nhận kết quả → Đối chiếu dự báo với thực tế.

4.4. Kết quả có thể quan sát

Thành công/không thành công của một sự kiện được định nghĩa trước; thời gian đến khi sự kiện xảy ra; chiều hướng biến đổi; kết quả sau một quyết định hoặc một chỉ tiêu định lượng tương ứng với câu hỏi nghiên cứu.

4.5. Yêu cầu kiểm chứng

Câu hỏi, thời điểm lập quẻ, phương pháp lập quẻ, quy tắc diễn giải, kết quả dự báo và khoảng thời gian quan sát phải được khóa trước khi biết kết quả thực tế. Không được thay đổi cách diễn giải sau khi sự kiện đã xảy ra.

5. THÁI ẤT

5.1. Đối tượng nghiên cứu

Các cấu trúc có thể nghiên cứu gồm chu kỳ, quan hệ Chủ–Khách, các trạng thái chuyển tiếp hoặc điểm chuyển pha được xác định theo thuật toán.

5.2. Mệnh đề nghiên cứu

Một số cấu trúc chu kỳ của Thái Ất được cho là có liên hệ với trạng thái của các sự kiện tập thể, kết quả cạnh tranh hoặc những thời điểm xuất hiện biến đổi đáng kể.

5.3. Chuyển thành giả thuyết kiểm chứng

Ví dụ:

Các trạng thái Chủ–Khách được xác định trước có cung cấp thông tin dự báo về kết quả của một nhóm sự kiện cạnh tranh đã định nghĩa trước hay không?

Hoặc:

Các điểm chuyển pha được thuật toán Thái Ất xác định có xuất hiện gần các điểm biến đổi quan sát được trong chuỗi dữ liệu thực tế với tần suất cao hơn mức kỳ vọng theo mô hình cơ sở hay không?

5.4. Kết quả có thể quan sát

Kết quả cạnh tranh; thay đổi thứ hạng; thời điểm đảo chiều; điểm biến đổi của chuỗi dữ liệu; thời gian đến sự kiện hoặc các chỉ số tập thể được định nghĩa trước.

5.5. Yêu cầu kiểm chứng

Phải tránh lựa chọn sự kiện sau khi đã biết kết quả. Danh mục sự kiện, thời gian nghiên cứu, thuật toán xác định trạng thái và tiêu chí nhận diện điểm biến đổi phải được xác lập trước.

6. MAI HOA DỊCH

6.1. Đối tượng nghiên cứu

Các đặc trưng có thể nghiên cứu gồm Thể–Dụng, ứng kỳ, ngoại ứng và các quy tắc chuyển đổi từ chúng thành kết quả dự báo.

6.2. Mệnh đề nghiên cứu

Các quan hệ Thể–Dụng và ứng kỳ, khi được xác định bằng một quy trình cố định, được giả định có thể cung cấp thông tin về kết quả hoặc thời gian xuất hiện của sự kiện.

6.3. Chuyển thành giả thuyết kiểm chứng

Ví dụ:

Một thuật toán Mai Hoa Dịch được khóa trước có dự báo kết quả của sự kiện tốt hơn mô hình cơ sở trên dữ liệu chưa từng sử dụng hay không?

Đối với ứng kỳ:

Khoảng thời gian dự báo sự kiện theo quy tắc ứng kỳ có chứa thời điểm xảy ra sự kiện thực tế với tỷ lệ cao hơn mức tham chiếu hay không?

6.4. Kết quả có thể quan sát

Kết quả sự kiện; thời gian đến khi xảy ra sự kiện; sai số giữa thời điểm dự báo và thời điểm thực tế; độ chính xác phân loại và giá trị dự báo gia tăng so với mô hình cơ sở.

6.5. Yêu cầu kiểm chứng

“Ứng kỳ” phải được chuyển thành một khoảng thời gian định lượng trước khi sự kiện xảy ra. “Ngoại ứng” chỉ có thể trở thành biến nghiên cứu khi có tiêu chí nhận dạng và mã hóa đủ rõ để các nhà nghiên cứu khác có thể áp dụng cùng một cách.

7. TỨ TRỤ

7.1. Đối tượng nghiên cứu

Có thể nghiên cứu Ngũ hành, Nhật chủ, Đại vận và các cấu trúc được xác định theo một thuật toán Tứ trụ cố định.

7.2. Mệnh đề nghiên cứu

Các cấu trúc Tứ trụ được giả định có liên hệ với một số đặc điểm hành vi, khả năng thích ứng hoặc sự thay đổi kết quả theo các giai đoạn thời gian.

7.3. Chuyển thành giả thuyết kiểm chứng

Ví dụ:

Các nhóm Nhật chủ hoặc cấu trúc Ngũ hành được xác định trước có khác biệt về một số chỉ số hành vi hoặc khả năng thích ứng đã định nghĩa trước hay không?

Đối với Đại vận:

Các giai đoạn Đại vận được xác định trước có cung cấp giá trị dự báo gia tăng đối với sự thay đổi của một kết quả Y theo thời gian, sau khi đã kiểm soát các biến nền thông thường hay không?

7.4. Kết quả có thể quan sát

Chỉ số hành vi; khả năng thích ứng; mức độ ổn định trong thực hiện nhiệm vụ; thay đổi nghề nghiệp; kết quả hoạt động hoặc các sự kiện theo thời gian có tiêu chí ghi nhận rõ ràng.

7.5. Yêu cầu kiểm chứng

Cần tách biệt rõ nghiên cứu mối liên hệ với nghiên cứu dự báo. Nếu dữ liệu chỉ cho thấy tương quan giữa cấu trúc Tứ trụ và hành vi, không được diễn giải thành quan hệ nhân quả hoặc năng lực dự báo tương lai nếu thiết kế chưa chứng minh được điều đó.

8. BÁT TỰ

8.1. Đối tượng nghiên cứu

Các cấu trúc có thể nghiên cứu gồm Dụng thần, Thập thần và tương tác Mệnh cục × Đại vận × Lưu niên, với điều kiện thuật toán xác định các cấu trúc này được quy định rõ và có khả năng tái lập.

8.2. Mệnh đề nghiên cứu

Các cấu trúc Bát tự được giả định có thể cung cấp thông tin liên quan đến hành vi, kết quả nghề nghiệp hoặc sự biến đổi của một số kết quả theo thời gian.

8.3. Chuyển thành giả thuyết kiểm chứng

Ví dụ:

Các nhóm Dụng thần hoặc Thập thần được thuật toán phân loại trước có khác biệt về kết quả hành vi hoặc nghề nghiệp đã xác định trước hay không?

Đối với cấu trúc thời gian:

Tương tác Mệnh cục × Đại vận × Lưu niên có cung cấp giá trị dự báo gia tăng đối với kết quả Y so với mô hình cơ sở khi được kiểm chứng trên dữ liệu mới hay không?

8.4. Kết quả có thể quan sát

Kết quả hành vi; hiệu suất công việc; thay đổi nghề nghiệp; thời gian duy trì công việc; kết quả nghề nghiệp và sự biến đổi của các chỉ số được theo dõi theo thời gian.

8.5. Yêu cầu kiểm chứng

Dụng thần, Thập thần và các trạng thái của Mệnh cục không nên được thay đổi cách phân loại sau khi đã biết kết quả của đối tượng. Thuật toán phải được khóa trước và đạt khả năng tái lập tính toán trước khi tiến hành kiểm chứng với kết quả thực tế.

9. KHUNG KIỂM CHỨNG CHUNG CHO BẢY BỘ MÔN

Mỗi mệnh đề nghiên cứu có thể được chuẩn hóa theo cấu trúc:

Đối tượng nghiên cứu → Biến dự báo X → Thời điểm chốt dự báo → Kết quả Y → Khoảng thời gian quan sát → Mô hình cơ sở → Phương pháp phân tích → Tiêu chí phản chứng → Kiểm chứng ngoài mẫu → Tái lập độc lập.

Một câu hỏi nghiên cứu tổng quát có thể viết:

“Trong quần thể P, biến X được xác định bằng thuật toán A và khóa tại thời điểm t có cung cấp giá trị dự báo gia tăng đối với kết quả Y trong khoảng thời gian T, so với mô hình cơ sở B và sau khi kiểm soát các yếu tố Z, hay không?”

Trong đó:

P là quần thể nghiên cứu;
X là biến hoặc đặc trưng truyền thống được số hóa;
A là thuật toán và bộ quy tắc đã được xác lập trước;
t là thời điểm chốt thông tin dự báo;
Y là kết quả quan sát có thể kiểm chứng;
T là khoảng thời gian quan sát;
B là mô hình cơ sở dùng để so sánh;
Z là các biến nền và yếu tố gây nhiễu cần kiểm soát.

10. NGUYÊN TẮC DIỄN GIẢI

Các mệnh đề nêu trong Phụ lục này khi chưa có dữ liệu kiểm chứng chỉ thuộc mức EL0 – giả thuyết chưa được kiểm chứng. Khả năng tái lập của thuật toán không đồng nghĩa với việc mệnh đề truyền thống đã được chứng minh đúng.

Một kết quả chỉ nên được diễn giải tương ứng với mức bằng chứng mà thiết kế nghiên cứu thực sự đạt được:

Có mối liên hệ khi nghiên cứu chứng minh được mối liên hệ;

Có giá trị dự báo khi kết quả được duy trì trên dữ liệu chưa từng sử dụng để xây dựng hoặc hiệu chỉnh mô hình;

Có giá trị dự báo gia tăng khi việc bổ sung biến truyền thống làm tăng hiệu năng so với mô hình cơ sở trong cùng điều kiện kiểm chứng;

Có khả năng tái lập độc lập khi kết quả cốt lõi được nhóm nghiên cứu độc lập tái lập trên dữ liệu độc lập theo quy trình được xác lập trước;

và chỉ được diễn giải quan hệ nhân quả khi thiết kế nghiên cứu thực sự cho phép đưa ra kết luận nhân quả.

Vì vậy, mục đích của việc số hóa các mệnh đề Tử vi, Phong thủy, Kinh Dịch, Thái Ất, Mai Hoa Dịch, Tứ trụ và Bát tự không phải là sử dụng công nghệ để mặc nhiên xác nhận các hệ thống này, mà là chuyển từng mệnh đề có nội dung thực nghiệm thành đối tượng có thể đo lường, phản chứng, kiểm chứng, hậu kiểm và tái lập bằng phương pháp khoa học.

———

TÀI LIỆU THAM KHẢO

1. Nguyễn Ngọc Thạch (2017), Dự báo theo Thái Cực Hoa Giáp năm Đinh Dậu – 2017, NXB Hồng Đức.
2. Nguyễn Ngọc Thạch (2018), Hằng số luân hồi và Thái Cực Hoa Giáp, tái bản lần thứ 3, NXB Hồng Đức, Hà Nội.
3. Nguyễn Ngọc Thạch (2021), “Một số phát hiện mới về thuyết Âm – Dương – Ngũ hành”, Kỷ yếu Hội thảo toàn quốc lần II, Viện Nghiên cứu và Ứng dụng Tiềm năng Con người.
4. Nguyễn Ngọc Thạch (2022), “Thái Cực Hoa Giáp góp phần kích hoạt năng lực dự báo tiềm ẩn của con người”, Kỷ yếu Hội thảo quốc tế lần thứ nhất, Viện IHP.
5. Nguyễn Ngọc Thạch (2023), Thái Cực Hoa Giáp – Lục hào: Nạp thiên can cho hào Dịch, tài liệu nghiên cứu.
6. Nguyễn Ngọc Thạch (2026), Phương pháp Thiên Thạch Tự (PP3T) – Cẩm nang ứng dụng Biểu đồ năng lượng trong nhận thức trạng thái cá nhân và quản trị rủi ro theo chu kỳ thời gian, tài liệu nghiên cứu.
7. Popper, K. R. (1959), The Logic of Scientific Discovery, Hutchinson, London.
8. Benjamini, Y., & Hochberg, Y. (1995), “Controlling the false discovery rate: A practical and powerful approach to multiple testing”, Journal of the Royal Statistical Society: Series B, 57(1), 289–300.
9. Barr, D. J., Levy, R., Scheepers, C., & Tily, H. J. (2013), “Random effects structure for confirmatory hypothesis testing: Keep it maximal”, Journal of Memory and Language, 68(3), 255–278.
10. Yarkoni, T., & Westfall, J. (2017), “Choosing prediction over explanation in psychology: Lessons from machine learning”, Perspectives on Psychological Science, 12(6), 1100–1122.
11. Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018), “The preregistration revolution”, Proceedings of the National Academy of Sciences, 115(11), 2600–2606.
12. National Academies of Sciences, Engineering, and Medicine (2019), Reproducibility and Replicability in Science, The National Academies Press, Washington, DC.
13. Tabassi, E. (2023), Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, National Institute of Standards and Technology.
14. Autio, C. et al. (2024), Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1.

Thông tin tác giả

Tên chính thức: Nguyễn Ngọc Thạch
Đơn vị: Viện Nghiên cứu và Ứng dụng Tiềm năng Con người (IHP)
Email: thachnhansinh866@gmail.com
Điện thoại/Zalo: 088-663-5538

PHIẾU XÁC LẬP DẤU ẤN TÁC PHẨM

BẢN NHẬN DIỆN – PHIÊN BẢN – CHỨNG CỨ KỸ THUẬT

Tên tác phẩm	TỪ SIÊU HÌNH ĐẾN DỮ LIỆU: KHUNG SỐ HÓA VÀ KIỂM CHỨNG CÁC GIẢ THUYẾT SIÊU HÌNH TRONG KỶ NGUYÊN AI
Phụ đề	Tiếp cận phương pháp luận từ Biểu đồ năng lượng Thái Cực Việt (TCV)
Tác giả	Nguyễn Ngọc Thạch
Đơn vị	Viện Nghiên cứu và Ứng dụng Tiềm năng Con người (IHP)
Loại tác phẩm	Bài nghiên cứu khoa học – Khung phương pháp luận
Phiên bản xác lập	VERSION 1.0 – OFFICIAL RESEARCH VERSION
Ngày xác lập	15/08/2026
Mã nhận diện	NNT-META2DATA-TCV-2026-V1.0
Tệp nguồn	NGUYỄN NGỌC THẠCH_ HỘI THẢO 28-11-026.docx
SHA-256 tệp nguồn	f7ddcc724b8d0711ea3c8d76739a4b1a93441133d8ad6bbc586734630c5b2212

Tuyên bố nhận diện tác phẩm

© 2026 Nguyễn Ngọc Thạch. Bảo lưu các quyền theo quy định pháp luật.

Tác phẩm trình bày khung phương pháp luận nhằm chuyển đổi các mệnh đề có nguồn gốc từ những hệ thống tri thức siêu hình thành các biến số, dữ liệu và giả thuyết có khả năng đo lường, phản chứng, kiểm chứng, hậu kiểm và tái lập.

Các cấu phần nhận diện học thuật nổi bật gồm: Chu trình số hóa – kiểm chứng 10 bước; Thang mức độ trưởng thành của bằng chứng EL0-EL5; Nguyên tắc Cổng kiểm chứng (Evidence Gate); chỉ số CAR (Computational Agreement Rate); và khung chuyển đổi mệnh đề truyền thống thành giả thuyết có thể kiểm chứng.

Mã SHA-256 trên được tính từ chính tệp DOCX nguồn tại thời điểm xác lập. Mọi sửa đổi đối với tệp có thể làm thay đổi mã SHA-256; phiên bản sửa đổi tiếp theo cần được lưu với số phiên bản và mã băm mới.

Trích dẫn đề nghị: Nguyễn Ngọc Thạch (2026), Từ siêu hình đến dữ liệu: Khung số hóa và kiểm chứng các giả thuyết siêu hình trong kỷ nguyên AI – Tiếp cận phương pháp luận từ Biểu đồ năng lượng Thái Cực Việt (TCV), Version 1.0.

Tác giả xác lập
Nguyễn Ngọc Thạch

---

[1] –TS. Nguyễn Ngọc Thạch – Phó Viện trưởng Viện Nghiên cứu và Ứng dụng Tiềm năng Con người (IHP).

[2] Phương trình ước lượng tổng quát (Generalized Estimating Equations – GEE) được sử dụng để phân tích dữ liệu đo lặp theo thời gian, trong đó nhiều quan sát được thực hiện trên cùng một đối tượng và do đó có thể tương quan với nhau. Mô hình cho phép đánh giá mối liên hệ giữa điểm năng lượng TCV/PP3T và biến kết quả, đồng thời hiệu chỉnh theo thời gian và các biến đồng biến có liên quan.