Kinh nghiệm viết và công bố bài báo khoa học quốc tế (Q1 Scopus/Wos): Hướng dẫn từng phần từ Title đến References

Bài báo khoa học quốc tế là một yêu cầu bắt buộc đối các nhà nghiên cứu nếu muốn chứng minh năng lực nghiên cứu của mình, có rất nhiều loại tạp chí khác nhau, và cũng có nhiều cách thức để đăng bài, Tuy nhiên, sẽ có một số kinh nghiệm chung được rút ra từ chính bài báo đã được đăng trên các tạp chí Q1 Scopus/ ISI. Dưới đây là một số kinh nghiệp cho từng phần riêng biệt trong các bài báo.

Nghiên cứu khoa học đang là xu hướng hiện tại trong nước cũng như quốc tế đối với các quốc gia nếu muốn phát triển kinh tế tri thức và tăng trưởng bền vững, khoa học cơ bản là một phần không thể thiếu trong nền giáo dục. Hiện nay, có rất nhiều bạn muốn tham gia vào lĩnh vực này nhưng chưa có nhiều kinh nghiệm viết và công bố bài báo khoa học quốc tế. Dưới đây là một số chia sẻ về kinh nghiệm viết từng phần trong một bài bái quốc tế đúng chuẩn, dựa trên các bài báo đã được công bố trên tạp chí Q1 Scopus/Web of Science.

1. Tiêu đề (Title)

1.1. Xác định rõ đối tượng nghiên cứu và ngữ cảnh thực tiễn

Tiêu đề không chỉ dừng lại ở các khái niệm lý thuyết trừu tượng mà luôn gắn liền với một nhóm đối tượng hoặc tình huống cụ thể để tăng tính thực tiễn và xác thực của nghiên cứu.

• Đối tượng cụ thể: Vận động viên tennis, giáo viên thực tập, người bị sa sút trí tuệ (dementia), hay người dùng ứng dụng DeepSeek.
• Ngữ cảnh thực tế: Các dự án năng lượng, trải nghiệm trong phòng thí nghiệm, hoặc tương tác giữa người và robot dịch vụ.

1.2. Công khai phương pháp luận hoặc công cụ nghiên cứu

Các tác giả thường đưa tên các phương pháp khoa học, thuật toán hoặc loại hình nghiên cứu trực tiếp vào tiêu đề để khẳng định độ tin cậy và cách tiếp cận kỹ thuật của bài báo.

• Phương pháp phân tích: “A sentiment analysis” (Phân tích cảm xúc), “active inference account” (giải trình suy luận chủ động).
• Công nghệ/Công cụ: “convolutional neural networks” (mạng thần kinh tích chập), “modeling and prediction” (mô hình hóa và dự đoán).
• Thiết kế nghiên cứu: “intensive longitudinal study” (nghiên cứu dọc chuyên sâu), “Exploring granular affect labeling” (Khám phá việc dán nhãn cảm xúc chi tiết).

Việc kết hợp các yếu tố này giúp tiêu đề vừa đảm bảo tính khái quát học thuật, vừa có độ chi tiết về phương pháp và ngữ cảnh thực tế, giúp người đọc nắm bắt nhanh chóng giá trị cốt lõi của bài báo.

1.3. Công thức đặt tiêu đề bài báo quốc tế

1) Công thức “Chủ đề chính: Bối cảnh hoặc phương pháp cụ thể”

Đây là công thức phổ biến nhất, xuất hiện trong đa số các bài báo. Cấu trúc này giúp tiêu đề vừa có tính khái quát cao, vừa đi sâu vào chi tiết kỹ thuật.

• Cấu trúc: [Hiện tượng/Lý thuyết chính] + : + [Giải trình chi tiết về cơ chế/phương pháp/đối tượng]
• Ví dụ:
  • “The theory of constructed emotion: an active inference account of interoception and categorization”.
  • “Emotional drivers of sustainable AI adoption: A sentiment analysis of early user feedback on the deepSeek app”.
  • “AI sensation and engagement: Unpacking the sensory experience in human-AI interaction”.

2) Công thức “Mối quan hệ giữa các biến số: Vai trò của yếu tố trung gian”

Công thức này thường dùng cho các nghiên cứu thực nghiệm tìm hiểu về tác động qua lại giữa các khái niệm tâm lý hoặc giáo dục.

• Cấu trúc: [Biến số A] + và + [Biến số B] + : + [Vai trò của yếu tố C trong bối cảnh D]
• Ví dụ:
  • “Anticipatory emotions and academic performance: The role of boredom in a preservice teachers’ lab experience”.
  • “When interacting with a service robot is (not) satisfying: The role of customers’ need for social sharing of emotion”.

3) Công thức “Hành động nghiên cứu + Đối tượng + Công cụ/Mô hình”

Cấu trúc này mô tả trực tiếp những gì nghiên cứu đã làm, trên ai và bằng phương pháp gì.

• Cấu trúc: [V-ing (Nhận diện/Khám phá/Mô hình hóa)] + [Đối tượng/Vấn đề] + [Bằng cách sử dụng/Phương pháp]
• Ví dụ:
  • “Recognizing affective states from the expressive behavior of tennis players using convolutional neural networks”.
  • “Emotional responses to energy projects: A new method for modeling and prediction beyond self-reported emotion measure”.
  • “Beyond happy and sad: Exploring granular affect labeling to enhance emotion regulation ability”.

4) Công thức “Liệt kê các biến số – Thiết kế nghiên cứu”

Đây là cách đặt tiêu đề trực diện, liệt kê tất cả các thành phần quan trọng và kết thúc bằng hình thức nghiên cứu.

• Cấu trúc: [Danh sách các từ khóa chính] + – + [Kết quả của loại hình nghiên cứu cụ thể]
• Ví dụ:
  • “Interoception, emotion regulation strategies and skin-picking behaviors – Results of an intensive longitudinal study”.

5) Công thức “Sự tồn tại của hiện tượng ở nhóm đối tượng cụ thể”

Đây là công thức ngắn gọn nhất, tập trung vào việc khẳng định sự hiện diện của một trạng thái hoặc tính chất.

• Cấu trúc: [Tính chất/Trạng thái] + ở/trong + [Đối tượng nghiên cứu]
• Ví dụ:
  • “Richness of emotion in people with dementia”.

Kinh nghiệm rút ra (Tiêu đề)

Để viết một tiêu đề chuẩn như các nguồn tài liệu trên, bạn có thể kết hợp theo sơ đồ:

[Từ khóa trọng tâm] (ví dụ: Emotion, AI, Interoception) + [Mối liên hệ/Hành động] (ví dụ: drivers of, recognizing, impact of) + [Đối tượng/Ngữ cảnh] (ví dụ: tennis players, deepSeek app, dementia) + [Phương pháp luận] (ví dụ: CNN, sentiment analysis, longitudinal study).

---

2. Abstract

2.1. Cấu trúc logic: Từ “Khoảng trống nghiên cứu” đến “Tác động thực tiễn”

Đa số các bài báo đều tuân thủ một cấu trúc chặt chẽ, giúp người đọc nhanh chóng nắm bắt giá trị của nghiên cứu:

• Xác định vấn đề và khoảng trống (Gap): Các tóm tắt thường bắt đầu bằng việc nêu lên một thực trạng hoặc hạn chế của các nghiên cứu trước đó. Ví dụ, bài báo về tennis chỉ ra rằng các nghiên cứu cũ chủ yếu dùng dữ liệu từ diễn viên và phương pháp thống kê thô sơ. Bài về DeepSeek nêu rõ sự thiếu hụt nghiên cứu về cảm xúc người dùng ngay sau khi ra mắt ứng dụng AI.
• Mục tiêu và phương pháp cụ thể: Sau khi nêu vấn đề, tác giả đưa ra giải pháp (“Nghiên cứu này khám phá…”, “Chúng tôi đề xuất sử dụng…”). Các phương pháp được nêu rất chi tiết như sử dụng VADER, từ điển NRC, mạng thần kinh tích chập (CNN), hay phương pháp lấy mẫu trải nghiệm (experience sampling method).
• Kết quả và ý nghĩa: Abstract kết thúc bằng các con số ấn tượng (như độ chính xác 68.9% hoặc 98.81%) và ứng dụng thực tế cho các nhà quản lý hoặc nhà phát triển.

2.2. Tính mới: Sự chuyển dịch sang “Bối cảnh thực tế” và “Công nghệ tiên tiến”

Một đặc điểm nổi bật trong tính mới của 10 bài báo này là việc thách thức các phương pháp truyền thống:

• Dữ liệu thực tế (Naturalistic data): Thay vì sử dụng môi trường phòng thí nghiệm có kiểm soát, các nghiên cứu tập trung vào bối cảnh thực tiễn như trận đấu tennis thực, phản hồi người dùng trên App Store, hoặc các cuộc phỏng vấn chuyên sâu với người sa sút trí tuệ.
• Ứng dụng công nghệ mới: Các bài báo thể hiện tính thời đại bằng cách áp dụng các mô hình ngôn ngữ lớn (LLM), chatbot AI, hoặc thuật toán học sâu mờ (fuzzy deep learning) để vượt qua giới hạn của phương pháp tự báo cáo (self-report) truyền thống.
• Khám phá những khía cạnh ít được chú ý: Ví dụ như việc chứng minh cảm xúc mạnh mẽ nhất ở người sa sút trí tuệ là “hạnh phúc”, trái ngược với quan niệm sai lầm của công chúng là “sợ hãi”.

2.3. Cách thức biện luận: Lấy lý thuyết làm “mỏ neo” và mô hình hóa quan hệ

Cách viết phần Abstract trong các nguồn này không chỉ liệt kê kết quả mà còn thể hiện một tư duy biện luận sắc bén:

• Dựa trên nền tảng lý thuyết vững chắc: Rất nhiều bài báo (ít nhất 6/10 bài) sử dụng Thuyết kiến tạo cảm xúc (Theory of Constructed Emotion – TCE) của Barrett làm nền tảng để giải thích cách bộ não tạo ra ý nghĩa từ các tín hiệu cơ thể. Việc gắn kết với một lý thuyết lớn giúp tăng độ tin cậy và chiều sâu cho nghiên cứu.
• Biện luận qua các biến trung gian và điều tiết: Thay vì chỉ nói A tác động đến B, các tác giả biện luận về cơ chế bên trong. Ví dụ: sự không hài lòng khi tương tác với robot dịch vụ được giải thích thông qua “sự liên quan cảm nhận” và “tính phù hợp cảm nhận”, hoặc vai trò trung gian của “sự chán nản” trong kết quả học tập.
• Sử dụng bằng chứng đối lập để làm nổi bật kết quả: Cách biện luận thường so sánh kết quả máy tính với quan sát của con người để khẳng định sự vượt trội của mô hình AI.

Kinh nghiệm rút ra (Abstract)

Để có một phần Abstract tốt, bạn cần bắt đầu bằng một vấn đề thực tế chưa được giải quyết, áp dụng một phương pháp/công nghệ mới để xử lý dữ liệu trong bối cảnh thực, và quan trọng nhất là phải dựa trên một khung lý thuyết khoa học để giải thích các mối quan hệ nhân quả một cách chặt chẽ.

3. Introduction

3.1. Cấu trúc logic theo mô hình “Phễu ngược” (Từ tổng quan đến khoảng trống nghiên cứu)

Hầu hết các bài báo đều tuân thủ một cấu trúc phân lớp chặt chẽ, dẫn dắt người đọc từ bối cảnh rộng lớn đến vấn đề cụ thể mà nghiên cứu sẽ giải quyết:

• Bối cảnh chung và tầm quan trọng: Bắt đầu bằng cách khẳng định vai trò của lĩnh vực nghiên cứu đối với xã hội hoặc khoa học (ví dụ: sự bùng nổ của AI tạo sinh, tầm quan trọng của cảm xúc trong giáo dục, hoặc sự gia tăng của robot dịch vụ).
• Thu hẹp phạm vi: Tập trung vào một phân khúc cụ thể (ví dụ: phản hồi người dùng về ứng dụng DeepSeek, cảm xúc của người sa sút trí tuệ, hay hành vi nhổ da tự phát).
• Xác định “Khoảng trống nghiên cứu” (Research Gap): Đây là điểm mấu chốt. Các tác giả thường chỉ ra những hạn chế của các nghiên cứu trước đó, như: thiếu dữ liệu thực tế (thay vào đó là dữ liệu giả lập từ diễn viên), sự thiếu hụt nghiên cứu về trải nghiệm cảm giác trong tương tác AI, hoặc những sai lầm trong quan niệm phổ quát về cảm xúc.
• Mục tiêu nghiên cứu: Kết thúc bằng một tuyên bố rõ ràng về những gì bài báo này sẽ đóng góp để lấp đầy khoảng trống đó.

3.2. Tính mới: Thách thức phương pháp truyền thống và bối cảnh thực tế

Tính mới trong phần Introduction của các bài báo này thường được thể hiện qua việc chuyển dịch mô hình nghiên cứu:

• Từ phòng thí nghiệm ra bối cảnh thực (Naturalistic settings): Các nghiên cứu nhấn mạnh việc sử dụng dữ liệu từ thế giới thực thay vì dữ liệu được dàn dựng (ví dụ: trận đấu tennis thực, đánh giá trên App Store, hoặc dự án năng lượng gây tranh cãi thực tế).
• Ứng dụng công nghệ liên ngành: Sử dụng các công cụ kỹ thuật tiên tiến (như CNN, LLM, hoặc thuật toán mờ) để giải quyết các vấn đề tâm lý và xã hội học cũ.
• Thách thức các lý thuyết cũ: Nhiều bài báo (đặc biệt là của Barrett và các nghiên cứu dựa trên TCE) bắt đầu bằng việc đặt câu hỏi về các quan điểm cổ điển (Classical view) về cảm xúc vốn coi cảm xúc là các thực thể bẩm sinh có “dấu vân tay” thần kinh riêng biệt.

3.3. Cách thức biện luận: Lấy lý thuyết làm “xương sống” và định nghĩa khái niệm sắc bén

Cách biện luận trong Introduction không chỉ là mô tả mà là một quá trình xây dựng lập luận dựa trên lý thuyết:

• Sử dụng lý thuyết dẫn dắt (Theoretical Anchoring): Đa số các bài báo (ví dụ: bài về robot dịch vụ, chatbot granular, hay nhận diện hành vi tennis) đều lấy Thuyết kiến tạo cảm xúc (Theory of Constructed Emotion – TCE) hoặc lý thuyết Social Sharing of Emotions làm nền tảng để giải thích cơ chế hành vi. Việc này giúp bài viết có chiều sâu học thuật ngay từ đầu.
• Phân định khái niệm rõ ràng: Các tác giả dành không gian để làm rõ các thuật ngữ dễ gây nhầm lẫn (ví dụ: phân biệt giữa “Cảm xúc” (Emotion) và “Cảm giác nội cảm” (Interoception), hay giữa “Sự cảm thông” (Sympathy) và “Sự thấu cảm” (Empathy)).
• Biện luận so sánh và đối lập: Sử dụng chiến thuật “Trong khi các nghiên cứu trước đây chỉ tập trung vào A… nghiên cứu này đi sâu vào B…” để làm nổi bật giá trị. Một số bài báo còn dùng các bằng chứng đối lập để tạo sự tò mò, ví dụ như sự khác biệt giữa cách công chúng tưởng tượng về nỗi sợ của người bệnh dementia và thực tế sự hạnh phúc của họ.

Kinh nghiệm rút ra (Introduction)

Một phần Introduction tốt phải vừa mang tính học thuật (dựa trên lý thuyết vững chắc) vừa mang tính thời sự (giải quyết vấn đề trong bối cảnh thực mới mẻ), và quan trọng nhất là phải thuyết phục được người đọc rằng nghiên cứu này là cần thiết vì các phương pháp trước đó đã đạt đến giới hạn.

4. Literature Review and Hypothesis

4.1. Literature Review

4.1.1. Cấu trúc phân tầng và tiếp cận theo chủ đề (Thematic Structure)

Thay vì liệt kê các nghiên cứu theo thời gian, các tác giả xây dựng phần này theo từng mảng khái niệm được phân chia rõ ràng bằng các tiểu mục, đi từ bối cảnh rộng đến cơ sở lý thuyết hẹp:

• Đi từ tổng quan xã hội đến kỹ thuật cụ thể: Ví dụ, bài báo về ứng dụng DeepSeek bắt đầu bằng “AI tạo sinh trong xã hội”, sau đó mới đi sâu vào “Cảm xúc qua đánh giá người dùng” và mối quan hệ giữa “Điểm số đánh giá và khía cạnh cảm xúc”.
• Xây dựng khung lý thuyết đa chiều: Nghiên cứu về cảm xúc và kết quả học tập phân chia LR thành: “Các quan niệm sai lầm”, “Khung lý thuyết thần kinh & tâm lý (TCE)”, “Phân loại cảm xúc” và cuối cùng là “Cảm xúc trong quá trình học tập”.
• Hệ thống hóa các công nghệ liên quan: Bài báo về chatbot dán nhãn cảm xúc phân chia LR dựa trên các nhóm công nghệ hỗ trợ như “Viết biểu cảm” (Expressive writing), “Nhật ký tâm trạng” (Mood logging) và “Chatbot hỗ trợ tinh thần”.

4.1.2. Biện luận bằng cách xác định “Khoảng trống” và “Sự đối lập” (Gap Identification & Contrast)

Phần Literature Review trong các bài báo này không chỉ là bản tóm tắt mà còn là một công cụ biện luận để khẳng định tính cấp thiết của nghiên cứu:

• Thách thức các lý thuyết truyền thống: Bài báo của Barrett trực tiếp đối lập “Quan điểm cổ điển về cảm xúc” (Classical view) với “Thuyết kiến tạo cảm xúc” (TCE) để tạo tiền đề cho một sự chuyển đổi mô hình nghiên cứu.
• Chỉ ra hạn chế về phương pháp luận của nghiên cứu cũ: Bài nghiên cứu về tennis chỉ ra rằng 90% nghiên cứu trước đây chỉ tập trung vào nét mặt và dữ liệu từ diễn viên (đóng giả), từ đó khẳng định nhu cầu về dữ liệu “tự nhiên” (naturalistic) từ hành vi cơ thể.
• Phê phán tính lỗi thời của dữ liệu: Nghiên cứu về các dự án năng lượng lập luận rằng các phương pháp tự báo cáo (self-report) truyền thống dễ bị sai lệch do “mong muốn xã hội” (social desirability bias) và không dự báo được cảm xúc trong tương lai, từ đó đề xuất thuật toán AI mới.

4.1.3. Cách thức biện luận: Lấy lý thuyết làm “Mỏ neo” (Theoretical Anchoring)

Các tác giả sử dụng các lý thuyết lớn làm nền tảng cốt lõi để định nghĩa các biến số và xây dựng giả thuyết:

• Thuyết kiến tạo cảm xúc (TCE) làm xương sống: Rất nhiều bài báo (ít nhất 6/10 bài) sử dụng TCE của Barrett làm mỏ neo lý thuyết để giải thích các cơ chế như “dán nhãn cảm xúc hạt mịn” (granular labeling), “trải nghiệm cảm giác AI”, hoặc “nhận thức nội cảm” (interoception) trong hành vi nhổ da.
• Kết hợp các lý thuyết liên ngành: Bài báo về robot dịch vụ kết hợp “Thuyết kiến tạo cảm xúc” với “Lý thuyết chia sẻ cảm xúc xã hội” để giải thích tại sao khách hàng cần sự hỗ trợ cảm xúc khi gặp sự cố.
• Định nghĩa khái niệm sắc bén: Các tác giả dành một phần riêng để làm rõ các thuật ngữ dễ nhầm lẫn (ví dụ: phân biệt giữa “Cảm xúc”, “Từ ngữ cảm xúc” và “Vốn từ cảm xúc chủ động”) để đảm bảo tính nhất quán cho lập luận phía sau.

Kinh nghiệm rút ra (Literature Review)

Một phần Literature Review mạnh không chỉ cho thấy bạn đã đọc nhiều, mà phải cho thấy bạn đã tổ chức lại kiến thức theo các chủ đề logic, phê phán một cách khoa học những gì còn thiếu sót ở nghiên cứu trước, và neo giữ lập luận của mình vào những khung lý thuyết vững chắc (như TCE trong các ví dụ trên).

4.2. Hypothesis Development

4.2.1. Cấu trúc: Từ nền tảng lý thuyết đến khung khái niệm cụ thể (Conceptual Framework)

Các bài báo không đưa ra giả thuyết một cách ngẫu nhiên mà tuân theo một lộ trình logic chặt chẽ:

• Đi từ lý thuyết lớn (Master Theories): Hầu hết các bài báo đều neo giữ giả thuyết vào các khung lý thuyết kinh điển như Thuyết kiến tạo cảm xúc (TCE), Thuyết thẩm định (Appraisal Theory), hoặc Thuyết chia sẻ xã hội về cảm xúc.
• Số hóa và hệ thống hóa: Các giả thuyết thường được trình bày dưới dạng danh sách đánh số (H1, H2a, H2b…) để tạo sự minh bạch.
• Kết nối qua mô hình trung gian: Thay vì chỉ giả thuyết A tác động đến B, các tác giả thường xây dựng cấu trúc “Biến độc lập -> Biến trung gian (Mediator) -> Biến phụ thuộc” hoặc đưa thêm “Biến điều tiết (Moderator)” để giải thích cơ chế phức tạp.

4.2.2. Tính mới: Thách thức các quan niệm cũ và tập trung vào “Cơ chế bên trong”

Kinh nghiệm rút ra là tính mới không chỉ nằm ở đối tượng nghiên cứu mà còn ở cách đặt vấn đề:

• Đảo ngược các giả định truyền thống: Nghiên cứu về người sa sút trí tuệ (dementia) đưa ra giả thuyết trái ngược với niềm tin của công chúng: thay vì lo âu, họ giả thuyết rằng hạnh phúc mới là cảm xúc mạnh mẽ nhất được lưu giữ. Bài báo của Barrett thách thức quan điểm “cổ điển” về dấu vân tay cảm xúc bẩm sinh.
• Chuyển từ “Phản ứng” sang “Kiến tạo”: Các giả thuyết mới tập trung vào việc con người tự tạo ra (construct) ý nghĩa cảm xúc dựa trên các tín hiệu cơ thể (interoception) hơn là chỉ phản ứng thụ động với kích thích bên ngoài.
• Ứng dụng công nghệ để kiểm chứng tâm lý: Xây dựng giả thuyết về khả năng của AI và thuật toán (như CNN hay Deep Learning) trong việc nhận diện hoặc dự đoán cảm xúc thay thế cho các phương pháp tự báo cáo (self-report) truyền thống.

4.2.3. Cách thức biện luận: Sử dụng bằng chứng đa ngành và logic “Nếu – Thì”

Cách viết phần biện luận cho giả thuyết trong các bài báo này rất sắc bén và mang tính thuyết phục cao:

• Biện luận bằng thực nghiệm (Empirical Logic): Các tác giả thường trích dẫn các nghiên cứu trước đó để chỉ ra những kết quả chưa thống nhất, từ đó đề xuất giả thuyết mới để giải quyết mâu thuẫn.
• Logic bắc cầu giữa các lĩnh vực: Ví dụ, bài báo về robot dịch vụ biện luận rằng vì robot thiếu sự thấu cảm (empathy) của con người, “nên” sự hài lòng của khách hàng sẽ phụ thuộc vào khả năng “thấu cảm nhân tạo/phản ứng đồng cảm” của robot.
• Biện luận dựa trên bối cảnh (Contextual Reasoning): Các bài báo nhấn mạnh rằng cảm xúc không tồn tại trong chân không. Biện luận cho giả thuyết luôn gắn liền với ngữ cảnh cụ thể (như trong một trận đấu tennis, trên ứng dụng DeepSeek, hoặc khi đối mặt với dự án năng lượng gây tranh cãi).

Kinh nghiệm rút ra (Hypothesis Development)

Để viết phần Hypothesis Development hiệu quả, bạn cần neo giữ vào một lý thuyết mạnh, xây dựng một mô hình quan hệ đa biến (trung gian/điều tiết), và sử dụng lối biện luận thách thức những lỗ hổng của nghiên cứu tiền nhiệm để làm nổi bật giá trị của mình.

5. Research Method

5.1. Cấu trúc: Quy trình đa giai đoạn và tích hợp đa phương pháp (Mixed-methods & Pipeline)

Các bài báo không chỉ sử dụng một kỹ thuật đơn lẻ mà thường xây dựng một quy trình (pipeline) nghiên cứu chặt chẽ, đi từ thu thập dữ liệu thô đến các bước xử lý tinh vi:

• Tiếp cận hỗn hợp (Mixed-methods): Nghiên cứu về cảm giác AI bắt đầu bằng giai đoạn định tính (68 cuộc phỏng vấn) để xây dựng mô hình, sau đó mới tiến hành khảo sát định lượng trên 557 nhân viên y tế.
• Quy trình xử lý dữ liệu kỹ thuật: Các bài báo về AI và dữ liệu lớn mô tả rất chi tiết quy trình: từ thu thập dữ liệu (web scraping từ Google Play/Apple Store), làm sạch văn bản (text cleaning), đến ứng dụng thuật toán (VADER, NRC Lexicon) và cuối cùng là kiểm định thống kê (OLS regression, VIF).
• Phân tầng đối tượng và kiểm soát: Nghiên cứu về tennis sử dụng phương pháp chọn mẫu phân tầng (stratified sampling) để đảm bảo tỷ lệ thắng/thua cân bằng trong bộ dữ liệu huấn luyện AI. Nghiên cứu về robot dịch vụ thực hiện chuỗi 3 thực nghiệm kịch bản (scenario-based experiments) để kiểm chứng dần các biến số trung gian và điều tiết.

5.2. Tính mới: Chuyển dịch sang dữ liệu thực tế (Naturalistic Data) và công nghệ lai (Hybrid Tech)

Các nghiên cứu thể hiện tính mới vượt trội bằng cách thoát ly khỏi các phương pháp truyền thống lỗi thời:

• Bối cảnh thực tế thay vì phòng thí nghiệm: Thay vì dùng diễn viên đóng giả, nghiên cứu tennis sử dụng video từ các trận đấu thật để nhận diện cảm xúc tự nhiên. Tương tự, nghiên cứu về DeepSeek sử dụng phản hồi sớm của người dùng ngay sau khi ứng dụng ra mắt để bắt trọn tâm lý thực tế.
• Sử dụng các phép đo sinh học và hành vi mới: Nghiên cứu về hành vi nhổ da sử dụng nhiệm vụ đếm nhịp tim (Heartbeat Counting Task) để đo độ chính xác của nhận thức nội cảm. Nghiên cứu về chatbot dán nhãn cảm xúc sử dụng Phương pháp lấy mẫu trải nghiệm (EMA) để thu thập dữ liệu tự phát trong 24 ngày.
• Công nghệ lai (Hybrid Models): Nghiên cứu về năng lượng đề xuất thuật toán lai giữa Logic mờ (Fuzzy Logic) và Mạng thần kinh sâu (Deep Learning) để mô phỏng tư duy mập mờ, không chắc chắn của con người.

5.3. Cách thức biện luận: Lấy lý thuyết dẫn dắt và kiểm chứng đối soát (Theoretical Grounding & Benchmarking)

Cách viết phần phương pháp luận thể hiện tư duy biện luận học thuật rất sắc bén:

• Biện luận dựa trên nền tảng lý thuyết (TCE): Đa số các nghiên cứu (ví dụ bài về nhổ da, robot dịch vụ, chatbot) đều khẳng định phương pháp của mình được thiết kế dựa trên các nguyên tắc của Thuyết kiến tạo cảm xúc (TCE) nhằm vượt qua hạn chế của quan điểm “cổ điển”.
• Sử dụng “Đối soát” để khẳng định độ tin cậy: Bài báo về tennis biện luận về hiệu quả của AI bằng cách so sánh trực tiếp kết quả của máy tính với khả năng nhận diện của con người. Nghiên cứu về dementia sử dụng phương pháp phân tích chéo giữa đánh giá của các chuyên gia trên bản gỡ băng cuộc họp và khảo sát ý kiến công chúng để chỉ ra sự sai lệch trong nhận thức.
• Minh bạch về các chỉ số kỹ thuật: Các tác giả biện luận cho tính hợp lệ của mô hình thông qua việc công khai các chỉ số như hệ số Cronbach’s alpha, AVE (Average Variance Extracted), và phương pháp bootstrapping để đảm bảo kết quả không bị sai lệch do phân phối dữ liệu.

Kinh nghiệm rút ra (Research Method)

Để viết phần Research Method thuyết phục, bạn cần xây dựng một quy trình nghiên cứu đa bước, ưu tiên các nguồn dữ liệu thực tế/công nghệ tiên tiến, và luôn phải đối chiếu quy trình đó với một khung lý thuyết vững chắc để chứng minh tính khoa học.

6. Result

6.1. Cấu trúc: Phối hợp đa phương thức và trình bày theo lớp logic

Các bài báo đều có một cấu trúc trình bày kết quả rất minh bạch, giúp người đọc nắm bắt dữ liệu từ cấp độ tổng quan đến chi tiết kỹ thuật:

• Trình bày từ mô tả đến dự báo: Thường bắt đầu bằng số liệu mô tả tổng quan (Descriptive statistics) như phân bổ cảm xúc, độ tuổi, giới tính. Sau đó mới đi vào các kiểm định giả thuyết phức tạp hơn như ANOVA, OLS Regression hoặc phân tích trung gian.
• Sử dụng bảng biểu và hình ảnh làm nòng cốt: Các kết quả quan trọng nhất luôn được tóm tắt trong các bảng (Table) về chỉ số hiệu suất (Accuracy, Precision, F1-score) hoặc các hệ số hồi quy (Beta, p-value).
• Cấu trúc theo giả thuyết: Kết quả thường được chia nhỏ theo các tiểu mục tương ứng trực tiếp với danh sách giả thuyết đã nêu ở phần trước (ví dụ: “Kết quả ủng hộ mạnh mẽ H1…” ).

6.2. Tính mới: Sự kết hợp giữa dữ liệu kỹ thuật AI và tâm lý học thực nghiệm

Điểm đặc biệt ở 10 bài báo này là cách trình bày kết quả không chỉ dừng lại ở các con số thống kê truyền thống mà thể hiện tính thời đại:

• Báo cáo hiệu suất của thuật toán: Các nghiên cứu về AI báo cáo các chỉ số kỹ thuật rất mới như độ chính xác của mạng thần kinh tích chập (CNN) đạt 68.9% hoặc độ chính xác của thuật toán Fuzzy Deep Learning lên tới 98.81%.
• Trực quan hóa dữ liệu hiện đại: Sử dụng các công cụ mới như Word Cloud để trình bày từ khóa cảm xúc, Bản đồ nhiệt (Heatmap) về tương quan, hoặc Phân tích mạng lưới (Network Analysis) để thể hiện sự liên kết giữa các trạng thái cảm xúc như sự chán nản và kết quả học tập.
• Kết quả so sánh giữa máy và người: Tính mới còn nằm ở việc đặt kết quả của thuật toán AI bên cạnh khả năng nhận diện của con người để khẳng định sự vượt trội hoặc tương đồng.

6.3. Cách thức biện luận: Diễn giải dữ liệu dựa trên khung lý thuyết và bối cảnh

Phần Results trong các bài báo này không chỉ liệt kê số liệu khô khan mà luôn đi kèm với sự biện luận sắc bén:

• Biện luận dựa trên nền tảng TCE: Các tác giả liên tục đối chiếu kết quả thu được với Thuyết kiến tạo cảm xúc (TCE) để giải thích tại sao cảm xúc không phải là phản ứng bản năng mà là sự diễn giải ý nghĩa của não bộ.
• Giải thích các hiện tượng “bất đối xứng”: Ví dụ, biện luận rằng nỗi buồn có tác động tiêu cực mạnh mẽ hơn các cảm xúc khác trong việc sử dụng AI DeepSeek, hoặc việc nhận diện cảm xúc tiêu cực thường chính xác hơn cảm xúc tích cực do yếu tố tiến hóa.
• Kết hợp định lượng và định tính: Trong các bài báo về chatbot hoặc dementia, kết quả thống kê thường được củng cố bằng các trích dẫn trực tiếp từ phỏng vấn (biện luận bằng bằng chứng thực tế) để tăng tính thuyết phục cho các con số.

Kinh nghiệm rút ra (Result)

Để viết phần Results tốt, bạn nên tổ chức dữ liệu theo thứ tự giả thuyết, sử dụng các phương pháp trực quan hóa hiện đại (như heatmap hay network plot), và quan trọng nhất là phải “thổi hồn” vào số liệu bằng cách biện luận chúng dựa trên các khung lý thuyết vững chắc như TCE.

7. Discussion and Conclusion

7.1. Discussion

7.1.1. Cấu trúc: Từ xác nhận giả thuyết đến mở rộng hệ quả

Cấu trúc phần Discussion trong các nguồn tài liệu thường tuân thủ một lộ trình từ hẹp đến rộng, giúp làm rõ giá trị của kết quả:

• Tóm tắt và xác nhận kết quả chính: Bắt đầu bằng việc khẳng định lại các phát hiện then chốt và mức độ ủng hộ đối với các giả thuyết ban đầu (ví dụ: xác nhận mối liên hệ giữa xếp hạng người dùng và cảm xúc tích cực trên ứng dụng DeepSeek).
• Phân tích theo các tiểu mục chủ đề: Các tác giả chia nhỏ cuộc thảo luận theo các biến số hoặc bối cảnh cụ thể, như sự khác biệt giữa các nền tảng (Google Play vs Apple Store) hoặc vai trò của các cảm xúc riêng biệt (như sự chán nản, lòng tin, hay sự ngạc nhiên).
• Phát triển các hệ quả (Implications): Luôn kết thúc bằng việc trình bày chi tiết hai mảng: Hệ quả lý luận (đóng góp gì cho học thuật) và Hệ quả thực tiễn/quản trị (ứng dụng thế nào trong thiết kế AI, giáo dục, hay y tế).

7.1.2. Tính mới: Nhấn mạnh tính “Sinh thái” và sự vượt trội của công nghệ AI

Tính mới trong phần Discussion không chỉ nhắc lại kết quả mà tập trung vào việc giải thích tại sao cách tiếp cận này lại quan trọng hơn các phương pháp cũ:

• Giá trị của bối cảnh thực tế: Các bài báo nhấn mạnh rằng kết quả đạt được có giá trị vì chúng dựa trên dữ liệu thực tế (naturalistic) như trận đấu tennis thật, phản hồi App Store, hoặc phỏng vấn người bệnh dementia, thay vì dữ liệu diễn xuất trong phòng thí nghiệm.
• Khám phá những cơ chế tâm lý mới thông qua AI: Thảo luận về việc thuật toán AI có thể nhận diện cảm xúc tiêu cực chính xác hơn con người, hoặc cách AI có thể dự báo các hành vi phản đối dự án năng lượng nhanh hơn và khách quan hơn các cuộc khảo sát truyền thống.
• Thách thức các định kiến xã hội: Ví dụ, bài báo về dementia sử dụng kết quả để chỉ ra sự sai lệch giữa trí tưởng tượng của công chúng (cho rằng người bệnh luôn sợ hãi) và thực tế (họ vẫn cảm thấy hạnh phúc).

7.1.3. Cách thức biện luận: Đối chiếu lý thuyết cốt lõi và giải thích các phát hiện bất ngờ

Cách thức biện luận thể hiện tư duy phản biện sâu sắc, không chỉ liệt kê mà còn “giải mã” dữ liệu:

• Sử dụng TCE làm khuôn mẫu đối chiếu: Đa số các bài báo (như bài về robot dịch vụ, chatbot, nhổ da) biện luận kết quả dựa trên TCE để giải thích rằng cảm xúc không phải là phản ứng tự động mà là quá trình bộ não tạo ra ý nghĩa từ các tín hiệu nội cảm và bối cảnh.
• Giải thích các kết quả không tương thích hoặc bất ngờ: Khi một cảm xúc (như niềm vui) không có ý nghĩa thống kê hoặc một tác động (như sự chán nản) lại đảo chiều ở nhóm có kiến thức cao, các tác giả sử dụng các lý thuyết bổ trợ hoặc yếu tố bối cảnh (như kỳ nghỉ lễ hay sự suy giảm well-being theo thời gian) để giải thích lý do.
• Biện luận về sự “Bất đối xứng” trong cảm xúc: Các tác giả biện luận về việc tại sao các cảm xúc tiêu cực thường có tác động mạnh mẽ và dễ nhận diện hơn cảm xúc tích cực từ góc độ tiến hóa hoặc xã hội học.

Kinh nghiệm rút ra (Discussion)

Một phần Discussion mạnh mẽ cần phải tổng hợp được cả dữ liệu định lượng và định tính, liên tục đối thoại với các lý thuyết lớn (như TCE), và quan trọng nhất là phải chứng minh được tại sao nghiên cứu này lại thay đổi cách chúng ta hiểu về vấn đề trong thế giới thực.

7.2. Conclusion

7.2.1. Cấu trúc: Từ tóm lược cốt lõi đến tầm nhìn mở rộng

Các bài báo thường tuân thủ một cấu trúc ba bước giúp người đọc đi từ dữ liệu cụ thể đến ý nghĩa bao quát:

• Xác nhận giả thuyết và tóm tắt phát hiện chính: Kết luận thường bắt đầu bằng việc khẳng định lại các giả thuyết đã được chứng minh (ví dụ: vai trò của xếp hạng và cảm xúc trong DeepSeek, hoặc vai trò của sự chán nản trong học tập).
• Khẳng định giá trị đóng góp (Significance): Tác giả nêu rõ nghiên cứu này là một “cột mốc” hoặc “bước tiến” trong lĩnh vực (ví dụ: mô hình nhận diện hành vi tennis được coi là một dấu mốc trong ứng dụng ML vào thể thao).
• Hướng dẫn cho tương lai và hạn chế: Các kết luận luôn đi kèm với việc thừa nhận giới hạn (như cỡ mẫu hoặc bối cảnh hẹp) và đề xuất các hướng nghiên cứu tiếp theo (như nghiên cứu dọc hoặc đa kênh dữ liệu).

7.2.2. Tính mới: Frame nghiên cứu như một “Sự thay đổi mô hình” (Paradigm Shift)

Cách viết kết luận trong các nguồn tài liệu không chỉ dừng lại ở việc báo cáo kết quả mà tập trung vào việc thách thức các quan niệm cũ:

• Vượt qua giới hạn phương pháp luận truyền thống: Nhiều bài báo nhấn mạnh việc nghiên cứu của họ đã giải quyết được các lỗi “ngụy biện” hoặc hạn chế của phương pháp cũ (ví dụ: bài báo của Barrett yêu cầu từ bỏ tư duy thực thể hóa cảm xúc, hay nghiên cứu về năng lượng khẳng định AI khắc phục được sự thiên kiến của phương pháp tự báo cáo).
• Khám phá sự bền bỉ của cảm xúc trong các điều kiện đặc biệt: Tính mới được thể hiện qua việc chứng minh rằng những khả năng tưởng chừng đã mất đi vẫn còn tồn tại (ví dụ: sự phong phú của cảm xúc hạnh phúc ở người sa sút trí tuệ).
• Ứng dụng liên ngành đột phá: Kết luận thường làm nổi bật tính thời đại bằng cách đưa công nghệ AI vào giải quyết các vấn đề tâm lý xã hội phức tạp một cách khách quan.

7.2.3. Cách thức biện luận: Đối thoại với lý thuyết cốt lõi và tác động thực tiễn

Cách thức biện luận trong phần kết luận thể hiện một tư duy hệ thống và thực tế:

• Neo giữ vào TCE: Kết luận của nhiều bài (như về dán nhãn cảm xúc, robot dịch vụ, hay interoception) luôn quay trở lại khẳng định rằng cảm xúc là một quá trình kiến tạo ý nghĩa chủ động dựa trên dữ liệu nội cảm và bối cảnh.
• Biện luận về “Trải nghiệm con người” trong kỷ nguyên AI: Các bài báo về tương tác người-máy (HCI) thường biện luận rằng dù AI hiệu quả, nhưng yếu tố then chốt vẫn là sự kết nối cảm xúc và thấu cảm nhân tạo.
• Đề xuất chiến lược hành động cụ thể: Biện luận kết thúc bằng các khuyến nghị mang tính thực thi cao cho các nhà phát hành ứng dụng, giáo viên, hoặc các nhà quản lý dự án để cải thiện hiệu quả công việc và phúc lợi xã hội.

Kinh nghiệm rút ra (Conclusion)

Một phần kết luận xuất sắc phải vừa đóng lại các câu hỏi nghiên cứu bằng dữ liệu xác thực, vừa mở ra một khung tư duy mới dựa trên nền tảng lý thuyết (như TCE), đồng thời chứng minh được giá trị thực tiễn của nghiên cứu đối với xã hội và cộng đồng khoa học.

---

8. References

8.1. Cấu trúc: Sự đa dạng và nhất quán giữa các tiêu chuẩn quốc tế

Các bài báo thể hiện hai phong cách trình bày phổ biến, phản ánh yêu cầu khắt khe của các tạp chí khoa học uy tín (như Elsevier, Oxford University Press):

• Hệ thống số thứ tự (Numbered/Vancouver): Thường dùng trong các bài về công nghệ và năng lượng (ví dụ: bài về DeepSeek, năng lượng CCS, tennis). Các nguồn được đánh số và liệt kê theo thứ tự xuất hiện hoặc bảng chữ cái, giúp người đọc dễ tra cứu nhanh bằng mã số trong văn bản.
• Hệ thống tên – năm (Alphabetical/APA): Thường dùng trong các nghiên cứu tâm lý và thần kinh học của Barrett hoặc các nghiên cứu về robot dịch vụ. Danh mục được sắp xếp hoàn toàn theo bảng chữ cái tên tác giả, giúp người đọc nhận diện ngay các “cây đại thụ” trong ngành.
• Sự minh bạch kỹ thuật số: Các tài liệu tham khảo gần đây đều đi kèm với mã DOI hoặc liên kết URL trực tiếp. Điều này không chỉ giúp kiểm chứng dữ liệu mà còn tăng độ tin cậy và khả năng tiếp cận của bài báo.

8.2. Tính mới: Cân bằng giữa “Nền tảng kinh điển” và “Thời đại AI”

Danh mục tham khảo của các bài báo này cho thấy một tư duy chọn lọc nguồn tin rất sắc bén:

• Sử dụng các nguồn “Master Theories”: Dù nghiên cứu về công nghệ mới nhất như GPT-4 hay DeepSeek, các tác giả vẫn trích dẫn các công trình kinh điển để làm nền tảng lý thuyết như Darwin (1859), James (1890), Ekman (1992) hay Plutchik (1980).
• Tỷ lệ cập nhật cao: Đặc biệt trong các bài báo năm 2024–2025, có một số lượng lớn các nguồn tham khảo từ giai đoạn 2022–2025. Kinh nghiệm ở đây là: để khẳng định tính cấp thiết, bạn cần trích dẫn các nghiên cứu trong 2–3 năm gần nhất.
• Trích dẫn đa ngành: Danh mục tham khảo kết hợp giữa các tạp chí về Máy tính (Computer Science), Tâm lý học (Psychology) và Quản trị (Management). Điều này cho thấy nghiên cứu hiện đại thường mang tính liên ngành rất cao.

8.3. Cách thức biện luận: Trích dẫn để xây dựng “Hệ sinh thái học thuật”

Phần Reference không chỉ là bản liệt kê mà là công cụ để tác giả khẳng định vị thế và logic của mình:

• Lấy TCE làm mỏ neo: Đa số các bài báo đều dẫn nguồn Barrett (2017) như một tài liệu tham khảo cốt lõi để xây dựng lập luận cho toàn bài. Việc trích dẫn một công trình mang tính “thay đổi mô hình” giúp tăng trọng lượng cho biện luận của tác giả.
• Chiến thuật trích dẫn chéo và tự trích dẫn: Một số tác giả (như Foroudi hoặc Barrett) trích dẫn các công trình trước đó của chính mình để cho thấy đây là một chuỗi nghiên cứu có hệ thống và họ là chuyên gia trong lĩnh vực đó.
• Trích dẫn để chỉ ra “Khoảng trống”: Các tài liệu tham khảo được dùng để đối soát. Tác giả trích dẫn A, B, C để sau đó biện luận rằng “Tuy nhiên, A, B, C chưa giải quyết được vấn đề X”, từ đó tạo “đất diễn” cho nghiên cứu của mình.

Kinh nghiệm rút ra (References)

Để có một phần Reference chuyên nghiệp, bạn cần nhất quán về định dạng, đảm bảo tính thời đại của nguồn tin (đặc biệt là các nguồn về công nghệ), và sử dụng các nguồn tham khảo như những vệ tinh hỗ trợ cho khung lý thuyết chính (như cách các bài báo trên sử dụng TCE).

9. Các câu hỏi thường gặp (FAQ)

1) Sự khác biệt giữa luận văn thạc sĩ và bài báo khoa học là gì?

Luận văn thạc sĩ chủ yếu chứng minh khả năng áp dụng phương pháp nghiên cứu.
Bài báo khoa học quốc tế yêu cầu tính mới (novelty) và đóng góp học thuật rõ ràng cho lý thuyết.

2) Một tiêu đề bài báo khoa học tốt cần có những yếu tố nào?

Tiêu đề nên bao gồm:

• khái niệm trung tâm
• bối cảnh nghiên cứu
• phương pháp hoặc cơ chế nghiên cứu

Cấu trúc phổ biến: [Chủ đề chính] : [Bối cảnh hoặc phương pháp]

3) Abstract nên viết theo cấu trúc nào?

Một abstract chuẩn thường gồm 4 phần:

• Research gap
• Research objective
• Method/data
• Key findings và implications

4) Làm thế nào để xác định research gap?

Research gap thường xuất hiện khi:

• kết quả nghiên cứu trước mâu thuẫn
• thiếu cơ chế giải thích
• thiếu bối cảnh mới
• hoặc hạn chế về phương pháp nghiên cứu

5) Literature Review nên viết theo cách nào?

Thay vì liệt kê tài liệu theo thời gian, nên tổ chức theo chủ đề (thematic structure) để xây dựng lập luận logic dẫn đến mô hình nghiên cứu.

6) Một mô hình nghiên cứu tốt nên có những yếu tố gì?

Thông thường mô hình nên có:

• biến độc lập
• biến phụ thuộc
• biến trung gian (mediator)
• biến điều tiết (moderator)
  để giải thích cơ chế quan hệ.

7) Kích thước mẫu trong nghiên cứu định lượng nên là bao nhiêu?

Theo Hair et al. (2010): n ≥ 50 + 8m (m là số biến độc lập).
Trong SEM, kích thước mẫu thường ≥ 200.

8) Có thể sử dụng dữ liệu thứ cấp trong nghiên cứu khoa học không?

Có. Dữ liệu thứ cấp từ:

• World Bank
• báo cáo tài chính
• dữ liệu mạng xã hội
• hoặc đánh giá người dùng
  được sử dụng rộng rãi nếu nguồn dữ liệu đáng tin cậy.

9) Phần Results cần trình bày như thế nào?

Kết quả nên trình bày theo thứ tự:

• thống kê mô tả
• kiểm định thang đo
• kiểm định mô hình
• kết luận giả thuyết (H1, H2…)

10) Phần Discussion cần tập trung vào điều gì?

Discussion cần:

• giải thích kết quả dựa trên lý thuyết nền tảng
• so sánh với các nghiên cứu trước
• nêu đóng góp học thuật và thực tiễn của nghiên cứu.

Tài liệu tham khảo

1. Barrett, L.F. (2017) ‘The theory of constructed emotion: an active inference account of interoception and categorization’, Social Cognitive and Affective Neuroscience, 12(1), pp. 1–23. doi: 10.1093/scan/nsw154.
2. Buah, E., Linnanen, L. and Wu, H. (2020) ‘Emotional responses to energy projects: A new method for modeling and prediction beyond self-reported emotion measure’, Energy, 190, 116210. doi: 10.1016/j.energy.2019.116210.
3. Foroudi, P., Marvi, R. and Zha, D. (2025) ‘AI sensation and engagement: Unpacking the sensory experience in human-AI interaction’, International Journal of Information Management, 84, 102918. doi: 10.1016/j.ijinfomgt.2025.102918.
4. Gómez-Ochoa de Alda, J.A., Marcos-Merino, J.M., Valares-Masa, C. and Esteban-Gallego, M.R. (2025) ‘Anticipatory emotions and academic performance: The role of boredom in a preservice teachers’ lab experience’, Heliyon, 11(1), e41142. doi: 10.1016/j.heliyon.2024.e41142.
5. Hossain, M.S. (2025) ‘Emotional drivers of sustainable AI adoption: A sentiment analysis of early user feedback on the deepSeek app’, Sustainable Futures, 10, 100947. doi: 10.1016/j.sftr.2025.100947.
6. Jekauc, D., Burkart, D., Fritsch, J., Hesenius, M., Meyer, O., Sarfraz, S. and Stiefelhagen, R. (2024) ‘Recognizing affective states from the expressive behavior of tennis players using convolutional neural networks’, Knowledge-Based Systems, 295, 111856. doi: 10.1016/j.knosys.2024.111856.
7. Kłosowska, J., Cieśla, A., Szymańska, D., Jankowska, A. and Prochwicz, K. (2024) ‘Interoception, emotion regulation strategies and skin-picking behaviors – Results of an intensive longitudinal study’, Journal of Psychiatric Research, 180, pp. 47–55. doi: 10.1016/j.jpsychires.2024.09.040.
8. Lajante, M., Tojib, D. and Ho, T.I. (2023) ‘When interacting with a service robot is (not) satisfying: The role of customers’ need for social sharing of emotion’, Computers in Human Behavior, 146, 107792. doi: 10.1016/j.chb.2023.107792.
9. Nguyen, M.H., Rajendran, D.P.D. and Nanayakkara, S.C. (2026) ‘Beyond happy and sad: Exploring granular affect labeling to enhance emotion regulation ability’, International Journal of Human – Computer Studies, 209, 103723. doi: 10.1016/j.ijhcs.2025.103723.
10. Onzo, A., Nozawa, S., Ishikawa, T., Mogi, K., Oono, M., Tsuda, S. and Hotta, S. (2025) ‘Richness of emotion in people with dementia’, BioSystems, 257, 105601. doi: 10.1016/j.biosystems.2025.105601.