Experience Sharing – Tổng quát về phương pháp học tập

Cũng giống như việc học tập trong nhiều môn học hay lĩnh vực khác, việc học có những nguyên tắc cơ bản sau đây mà nếu không tuân thủ thì với một người bình thường sẽ rất khó có thể đạt được kết quả tốt:

Nguyên tắc quan trọng nhất – Hiểu rõ lí do và động lực học tập của bản thân: Nếu đã qua giai đoạn cha mẹ, thày cô bảo học gì thì học nấy thì thường ta chỉ học tập được thực sự tốt nếu như có một động lực học tập đủ lớn. Khi ta hiểu vì sao ta cần học một thứ gì đó và việc học tập nó sẽ giúp ta như thế nào, thì ta sẽ rất muốn học, và khi đó tự khắc sẽ tìm được ra cách để học tập tốt. Việc này tuy quan trọng nhưng lại rất khó, và không phải ai cũng làm được ngay từ đầu. Vừa học vừa tìm kiếm động lực học tập là chuyện bình thường. Ngoài ra, năng lực tư duy và trải nghiệm của cá nhân bạn cũng sẽ được xây dựng và hình thành theo thời gian, nên lí do, động lực của bạn cũng sẽ thay đổi, và điều đó cũng là bình thường. Tuy nhiên ta phải luôn ghi nhớ nguyên tắc này và thường xuyên suy nghĩ và ghi nhớ về lí do và động lực học tập của bản thân mình.

—> Lời khuyên: Bạn nên thường xuyên tự vấn (self reflection) và tích cực học hỏi từ những người có nhiều kinh nghiệm sống và làm việc. Ngoài ra, bạn có thể tham khảo cả các dịch vụ của những tổ chức, chuyên gia khai vấn để có thêm trợ giúp trong việc tìm hiểu về bản thân mình.

Nguyên tắc 2 – Đặt mục tiêu và lên kế hoạch học tập: Cũng giống như bất kỳ công việc gì, để đạt được kết quả tốt nhất với nguồn lực và thời gian hữu hạn thì ta cần đặt mục tiêu rõ ràng và đi kèm với đó là một kế hoạch học tập, làm việc có khoa học. Mục tiêu và kế hoạch có thể thay đổi sau một thời gian khi ta hiểu rõ hơn về chủ đề đang học cũng như hiểu rõ hơn về chính bản thân mình (ưu, nhược điểm trong việc học, hình thức học phù hợp, …). Điều này là hết sức bình thường. Mục tiêu rõ ràng chứng tỏ ta đã tìm hiểu đủ kĩ và biết mình cần học gì. Kế hoạch khoa học và phù hợp giúp ta có các đầu việc và mốc thời gian cụ thể để dễ dàng thực hiện theo nhằm đạt được mục tiêu đã đề ra.

—> Lời khuyên: Luôn đặt mục tiêu học tập, lên kế hoạch học tập và cố gắng tuân thủ theo kế hoạch đã đề ra. Thay đổi mục tiêu, kế hoạch khi cần thiết. Bạn hãy tham khảo nguyên tắc SMART trong đặt mục tiêu (https://www.atlassian.com/blog/productivity/how-to-write-smart-goals) và tìm hiểu về các công cụ và kĩ thuật liên quan tới lập kế hoạch và quản lý công việc. Bạn cũng nên tìm hiểu tổng quan về ngành data và các cơ hội nghề nghiệp trong ngành. Thiếu kiến thức này thì rất khó để xác định mục tiêu cho bản thân.

Nguyên tắc 3 – Chọn nguồn học tốt và có ít nhất từ 2 nguồn học trở lên cho cùng một vấn đề đang cần tìm hiểu: Việc lựa chọn nguồn học tốt (sách chuẩn, thày cô có trình độ, …) giúp đảm bảo kiến thức nạp vào có độ chính xác cao và được diễn giải một cách dễ hiểu. Việc có nhiều nguồn học cho cùng 1 vấn đề giúp ta hiểu vấn đề nhanh hơn, đặc biệt là với các vấn đề trừu tượng hay phức tạp, do được tiếp xúc với nhiều cách giải thích, nhiều hình thức học khác nhau (đọc chữ, xem hình ảnh hoặc video minh hoạ, …). Bên cạnh đó, ta có thể so sánh, đối chiếu các nguồn học với nhau để đảm bảo kiến thức được nạp vào là chính xác, đặc biệt là với các chủ đề mà nguồn học đề cập đến không đủ kĩ.

—> Lời khuyên: Với mỗi vấn đề, chủ điểm kiến thức lớn cần tìm hiểu, nên có 1 nguồn học chính và ít nhất 1 nguồn học nữa để bổ sung thêm

Nguyên tắc 4 – Kỉ luật một cách có khoa học: Dù động lực học tập lớn đến đâu thì nhiều khi ta cũng khó có thể duy trì việc học tập liên tục với năng suất cao trong một thời gian dài do bản chất con người là lười biếng, và do việc hưởng thụ (ăn uống, vui chơi, du lịch, …) nói chung đem lại sự sung sướng nhất thời rất mạnh và có sức cám dỗ cao hơn so với việc học. Vì vậy, để học tập tốt và duy trì được trong một thời gian dài thì duy trì kỉ luật với bản thân là vô cùng quan trọng. Kỉ luật nên được hiểu là những quy tắc, quy định mà ta bắt buộc phải tuân theo, tuy nhiên chúng phải được đặt ra một cách có khoa học và phù hợp với bản thân và bối cảnh cuộc sống của mỗi người.

• Ví dụ về kỉ luật thiếu tính khoa học: một sinh viên đại học đặt ra quy tắc là mỗi ngày đều dậy sớm từ 4h sáng và dành ít nhất 3 tiếng để học Machine Learning (từ 4h – 7h) do nghe nói rằng người thành công là người dậy sớm, và quyết tâm áp dụng triệt để nguyên tắc đó trong 3 ngày liên tiếp và rồi ngủ nướng trong 2 ngày tiếp theo, và cuối cùng là không chịu được và phải từ bỏ nguyên tắc đã đề ra. Nguyên tắc này không áp dụng được do bạn sinh viên đã không để ý đến nhịp sinh học của mình (đang quen thức khuya đến 12h để chat với người yêu) và thực hiện chuyển đổi quá gấp, không để ý đến việc khả năng tập trung của bản thân cao nhất vào thời điểm nào (sáng sớm hay tối muộn) và trong không gian, điều kiện nào (sáng dậy sớm nhưng uể oải học trên giường không hiệu quả bằng chiều ra cafe tự học, hoặc học online cùng 1 vài người bạn để có người hỏi khi có chỗ không hiểu, ….
• Ví dụ về kỉ luật có tính khoa học: A là một Data Analyst ngày đi làm 8 tiếng tại văn phòng, tối về cơ thể mệt mỏi, A thường xuyên nằm trên giường lướt tiktok để giải trí và sau đó là ngủ thiếp đi. A rất muốn dành thêm thời gian đọc cuốn Storytelling with Data của Cole Nussbaumer Knaflic và đã mua nó rồi nhưng không tìm đâu ra thời gian, cuối cùng cuốn sách cứ nằm mãi trên giá. A suy nghĩ kĩ và tìm ra giải pháp, đó là mua một chiếc Kindle cũ giá hơn 1 triệu VND và 3 tối mỗi tuần, thay vì lướt tiktok thì A nằm trên giường và đọc sách trên Kindle. Cho dù một số biểu đồ, hình ảnh trong sách khi hiển thị trên Kindle không được tốt bằng máy tính, phương pháp này vẫn giúp A tránh được sự trì hoãn và hoàn tất cuốn sách trong vòng 2 tháng với chi phí đầu vào bỏ ra chỉ có 1 triệu VND, nhưng tiết kiệm được rất nhiều chi phí cơ hội khác. Tuy nhiên A cũng hiểu rằng việc tối đi làm về mình quá mệt mỏi không muốn ra khỏi giường cũng có thể là dấu hiệu của sức khoẻ tổng quát của bản thân không tốt, và A lên kế hoạch để bắt đầu rèn luyện thể dục thể thao.

—> Lời khuyên: Hãy dành thêm thời gian để tìm hiểu về bản thân mình (ưu, nhược điểm, tính cách, nhịp sinh học, …) và tìm hiểu về các phương pháp giúp tăng mức độ tập trung, nâng cao năng suất trong việc học (nên học giờ nào, bằng phương tiện gì, phương pháp đọc nhanh, cách ghi chép và tổ chức notes, cách để giảm bớt sự trì hoãn, làm sao để ngủ ít hơn mà vẫn tỉnh táo, …). Mỗi người sẽ có bộ phương pháp và các thủ thuật của riêng mình, không có một hay một bộ giải pháp nào phù hợp cho tất cả mọi người cả.

Nguyên tắc 5 – Ghi chép, tổng hợp và khái quát hoá kiến thức: Việc chi chép kiến thức (take note) giúp kích hoạt não bộ của ta và giúp ta ghi nhớ kiến thức tốt hơn. Việc tổng hợp kiến thức và viết lại bằng chính ngôn từ của mình giúp ta thực sự hiểu được kiến thức do người khác giảng dạy và biến nó thành của bản thân mình. Việc khái quát hoá kiến thức giúp ta hiểu sâu về bản chất của kiến thức hơn, từ đó có thể đem đi áp dụng trong nhiều tình huống, lĩnh vực khác nhau.

—> Lời khuyên: hãy tìm hiểu và thử nghiệm các phương pháp ghi chép (vd: https://www.oxfordlearning.com/5-effective-note-taking-methods/), các phương pháp tổ chức, lưu trữ và tổng hợp kiến thức (vd: sử dụng mindmap, sử dụng Notion.so, …), và luôn tìm cách hiểu và ghi nhớ bản chất của bất cứ vấn đề nào bạn học, thay vì cố gắng nhớ hết tất cả các chi tiết.

Nguyên tắc 6 – Học phải đi đôi với hành: Tuy đây là một nguyên tắc xưa như trái đất nhưng nó chưa bao giờ sai! Lý thuyết mà không đi kèm với thực hành thì không thể được chuyển hoá thành kĩ năng, và cũng khó mà ghi nhớ lâu được. Ngoài ra, thực tiễn là thước đo tốt nhất cho lý thuyết, để kiếm chứng xem ta nắm lý thuyết có vững không, hay thậm chí là lý thuyết, kiến thức ta học được, kể cả từ các nguồn uy tín, có thực sự chính xác hay không.

—> Lời khuyên: Nếu có thể, hãy lựa chọn những nguồn học có bài tập thực hành đi kèm. Một trong những cách thực hành tốt đó là tự đặt ra các project để thực hiện (tốt nhất nên tham khảo các project về data trên mạng để làm theo hoặc để lấy ý tưởng) với tính thực tiễn cao rồi tra cứu và học thêm kiến thức trong quá trình làm project. Cách thực hành này tốt do nó mô phỏng việc học trong thực tế công việc (learning ơn job) và nếu có người hướng dẫn hoặc có bài mẫu, bài hướng dẫn thì việc học sẽ càng hiệu quả hơn.

Ngoài những nguyên tắc nêu trên, trong quá trình học tập để phục vụ cho các công việc về data, những người mới bắt đầu nên lưu ý tránh một số sai lầm sau:

• Sai lầm 1: Cho rằng chỉ cần có stackoverflow và ChatGPT là có thể code thoải mái, không cần học coding quá kĩ làm gì. Với người mới, sách , các khoá học chất lượng, learning on job, thường xuyên làm các project cá nhân và ghi chú, tổng hợp kiến thức sẽ giúp các bạn nắm vững kiến thức căn bản mà vẫn học được ở một tốc độ đủ nhanh. Dựa quá nhiều vào stackoverflow hay ChatGPT sẽ khiến bạn lười đọc những tài liệu chính thống, lười đọc lỗi và debug, và không thuộc các syntax căn bản. Những điều này sẽ làm giảm sense về coding của bạn cũng như khiến bạn không tìm hiểu về các good practice trong lập trình, khiến bạn khó phát triển về sau.
• Sai lầm 2: Cho rằng kĩ năng phân tích, sự nhạy cảm với số liệu mới là quan trọng, còn technical skills như SQL, Python, … chỉ thuần tuý là các công cụ hỗ trợ. Sai lầm này thường đến từ những người đã/đang/sẽ làm Data Analyst hay các vị trí phân tích dữ liệu tương tự. Hãy coi các ngôn ngữ lập trình và truy vấn dữ liệu, các công cụ xử lý dữ liệu là những công cụ căn bản giúp bạn tiếp xúc và làm việc với dữ liệu, nếu không sử dụng thành thạo chúng thì tốc độ truy vấn và xử lý dữ liệu của bạn sẽ chậm và bạn sẽ mất quá nhiều thời gian và trí lực vào việc tìm cách sử dụng công cụ, dẫn tới không còn đủ nguồn lực dành cho tư duy phân tích. Ngoài ra, hầu hết người mới bắt đầu đều không thể ngay lập tức có nhạy cảm dữ liệu tốt được, mà phải trải qua quá trình làm việc với dữ liệu và mắc nhiều sai lầm mới có thể hình thành sự nhạy cảm đó được. Chính vì vậy, coi thường các công cụ hỗ trợ sẽ khiến bạn đánh mất cơ hội phát triển sự nhạy cảm với số liệu của bản thân mà sẽ chỉ hiểu các con số ở mức độ hời hợt mà thôi. Ngay cả với những người làm business, để có được nhạy cảm về các con số, chỉ tiêu kinh doanh, vận hành của doanh nghiệp thì họ cũng phải trải qua những thời gian dài làm việc với dữ liệu, và rất nhiều lần phải tự mình chuẩn bị, phân tích, xào nấu dữ liệu.
• Sai lầm 3: Tập trung quá nhiều vào học các kĩ năng technical. Sai lầm này thường đến từ những người đã/đang/sẽ làm Data Engineer hay các vị trí đòi hỏi hàm lượng kỹ thuật lớn khác. Khi mới bắt đầu, nếu không có kĩ năng technical tốt thì bạn sẽ không có việc, và nếu có việc thì cũng khó đáp ứng được yêu cầu của công việc. Tuy nhiên, trong thực tế công việc Data Engineer hay các vị trí nhiều technical khác thì những việc khó nhất lại thường là hiểu các yêu cầu nghiệp vụ của các đơn vị kinh doanh, vận hành trong và ngoài tổ chức để từ đó đua ra được giải pháp kỹ thuật tối ưu. Không như các vấn đề kỹ thuật, các vấn đề về nghiệp vụ của doanh nghiệp thường ít khi được ghi chép lại trong sách hay các tài liệu chính thống mà ta dễ dàng tìm thấy trên mạng hay thậm chí là trong các trường đại học. Vì vậy, để một người làm tốt được một công việc data nặng về kĩ thuật, thực ra người đó phải có bộ kĩ năng giao tiếp, làm việc nhóm tốt và khả năng nắm bắt được các kiến thức và quy trình nghiệp vụ nhanh chóng, bên cạnh nền tảng kỹ thuật tốt.
• Sai lầm 4: Thiếu đầu tư vào kĩ năng truyền đạt thông tin, kĩ năng thuyết trình. Sai lầm này có thể đến từ bất cứ ai, nhưng ở đây ta sẽ ví dụ đối với một người đã/đang/sẽ làm Data Scientist hoặc những vị trí làm việc nhiều và sâu về các thuật toán Machine Learning (ML). Một sai lầm thường gặp phải đối với những người mới bắt đầu ở vị trí này là việc tập trung quá nhiều vào học và hiểu các thuật toán và các khía cạnh về toán có liên quan mà không lưu ý rèn kĩ năng truyền đạt thông tin, cả dưới dạng viết lẫn dạng nói. Điều này khiến cho Data Scientist khó giao tiếp với những người không có kiến thức và kinh nghiệm về ML, dù người đó làm vị trí về data hay thuộc phía business (đơn vị kinh doanh), vì Data Scientist không biết diễn đạt các kiến thức ML, toán bằng ngôn ngữ đời thường, dễ hiểu, đúng trọng tâm để các đồng nghiệp khác có thể hiểu được. Ngoài ra, việc diễn đạt kém, thiếu gãy gọn, xúc tích trong một số trường hợp cũng thể hiện Data Scientist chưa thực nắm rõ chuyên môn của mình, vì vậy không diễn đạt chính xác và tường mình được các vấn đề trừu tượng, phức tạp. Khi bạn có thể giải thích một mảng kiến thức nào đó về ML cho một người chưa biết gì về ML hiểu được và giúp họ trò chuyện với bạn một cách thoải mái được thì khi đó bạn có thể tự tin rằng mình đã làm chủ được kiến thức.