Nhận reviewer report về lần đầu tiên là một trải nghiệm khó mô tả. Không hẳn là tức giận. Không hẳn là thất vọng. Gần với cảm giác bị ai đó đọc rất kỹ bài của mình rồi chỉ ra tất cả những thứ mình biết là yếu nhưng cứ hy vọng không ai nhận ra.
Sau bốn lần đi qua quá trình này — A.1, A.2, P2, C5 — mình bắt đầu nhìn rebuttal theo cách khác. Không phải là vòng tranh cãi. Là lần chỉnh sửa có hướng dẫn nhất mà bài nào cũng cần, vì reviewer đọc kỹ hơn bất kỳ đồng nghiệp nào mình từng nhờ feedback.
AI giúp ích thật sự ở đây. Không phải vì nó viết hay hơn mình. Mà vì nó giúp mình chậm lại ở đúng chỗ cần chậm — và bắt được những chỗ mình miss khi đã mệt sau nhiều ngày revise.
Reviewer không phải địch
Mental model quan trọng nhất trước khi bắt đầu viết rebuttal: reviewer report là diagnostic data, không phải bản án.
Reviewer 2 viết một trang chỉ trích methodology của mình. Cảm giác đầu tiên là phòng thủ. Nhưng nếu mình hỏi "reviewer đang thấy gì từ góc của người đọc bên ngoài?" thay vì "reviewer sai ở đâu?" — câu trả lời thường có ích hơn.
Reviewer không nhất thiết phải đúng. Nhưng họ đọc bài từ góc nhìn của người không có toàn bộ context mình có trong đầu khi viết. Khi họ confused, có hai khả năng: hoặc bài trình bày chưa rõ, hoặc họ không đọc kỹ. Cả hai đều cần phản hồi — nhưng khác nhau hoàn toàn về cách xử lý.
Từ trải nghiệm với meta-analysis ARM, có lần Reviewer 2 hỏi về network meta-analysis mà mình không thực hiện. Cảm giác ban đầu là "reviewer không đọc kỹ phần Methods". Nhưng sau khi mình hỏi Claude "tại sao reviewer có thể hỏi câu này?" — lý do là mình chưa giải thích đủ tại sao NMA không phù hợp với data của mình. Một câu thêm vào phần Discussion giải quyết xong vấn đề mà không cần argue gì.
Cách đọc reviewer report bằng câu hỏi "họ đang thấy gì?" thay vì "họ đúng hay sai?" — đây là thứ mình học chậm nhất và quan trọng nhất.
Anatomy của một rebuttal hiệu quả
Một rebuttal tốt không phải danh sách dài "Reviewer said X, we changed Y." Đó là cách dễ làm nhưng thường gây khó chịu cho editor vì không thể hiện mình hiểu concern thật sự của reviewer là gì.
Cấu trúc mình dùng:
Một — Group trước khi trả lời. Reviewer 1 comment 3, Reviewer 2 comment 1, và Reviewer 3 comment 4 có thể cùng nói về một vấn đề methodological. Gộp lại một response duy nhất thay vì trả lời ba lần riêng biệt — vừa gọn, vừa thể hiện mình nhìn ra pattern.
Hai — Mỗi response có ba phần. (1) Xác nhận mình hiểu concern của reviewer là gì, đủ cụ thể để họ thấy mình đã đọc kỹ. (2) Giải thích thay đổi cụ thể mình đã làm, hoặc lý do mình không thay đổi. (3) Trích dẫn chính xác đoạn text mới trong manuscript — page, paragraph, sentence.
Ba — Không argue về "đúng hay sai". Nếu mình không thay đổi theo reviewer, giải thích bằng evidence hoặc logic — không phải bằng cảm giác. Câu "chúng tôi kính trọng ý kiến của reviewer, tuy nhiên..." thường là dấu hiệu của một response sắp argue. Thay vào đó: "Chúng mình hiểu concern này; đây là lý do thiết kế hiện tại phù hợp hơn với câu hỏi nghiên cứu của chúng tôi..."
Phần ba là phần AI giúp nhiều nhất. Nó không có cảm xúc với bài của mình, nên khi mình hỏi "Câu này có nghe defensive không?" — nó đánh giá trung lập hơn mình tự đọc sau 3 ngày ngồi revise.
Workflow 5 bước mình dùng với AI
Bước 1: Đọc reviewer report 2 lần trước khi mở AI.
Không paste ngay vào Claude. Đọc hết một lần để có cảm giác toàn cảnh. Đọc lần hai để highlight: comment nào là major concern (thường cần change thật), comment nào là minor (clarification là đủ), comment nào reviewer rõ ràng miss một phần của bài.
Lý do không mở AI ngay: sau bước 1, mình có bức tranh tổng thể. Nếu mở AI sớm hơn, mình sẽ bị dẫn theo từng comment lẻ và miss theme lớn hơn.
Bước 2: Dùng AI để categorize và tìm overlap.
Paste toàn bộ reviewer report vào Claude, hỏi: "Hãy phân nhóm những comment này theo: (1) methodological concerns, (2) presentation và clarity, (3) scope và framing. Xác định comment nào overlap giữa các reviewer."
Output này thường cho thấy những theme mình đang miss khi chỉ đọc từng comment riêng lẻ.
Bước 3: Draft response từng theme — mình viết, AI check.
Mình viết bản nháp đầu. Câu nào không chắc thì hỏi AI: "Câu này nghe defensive không?" hoặc "Cách nào diễn đạt rõ hơn?" Không paste toàn bộ response để AI viết lại — đó là cách mất voice và mất control về nội dung.
Đây là bước mình nhấn mạnh nhất: AI là editor, không phải author. Nội dung phải là của mình.
Bước 4: Audit "còn comment nào chưa address?"
Sau khi draft xong, paste cả reviewer report lẫn draft rebuttal vào Claude, hỏi: "Reviewer có comment hoặc câu hỏi nào mình chưa trả lời rõ không? Có thay đổi nào mình đề cập nhưng không có trích dẫn manuscript cụ thể?"
Bước này bắt được 1-2 chỗ miss mà mình không nhận ra khi đã quá quen với bài của mình.
Bước 5: Cold-read as hostile reviewer.
Ngủ một đêm. Sáng hôm sau đọc lại toàn bộ rebuttal như người không biết gì về bài. Câu nào mơ hồ, reference nào thiếu, thay đổi nào không được trích dẫn chính xác — sửa trước khi submit.
4 case mình đã làm
A.2 — khi 3 reviewer cùng nói "lack of depth"
Paper A.2 là bài lý thuyết về epistemic immunodepression — khái niệm mình đề xuất về việc AI làm suy giảm khả năng tự kiểm tra độc lập của bác sĩ trong quá trình tổng hợp bằng chứng lâm sàng. Ba reviewer khác nhau, ở ba vòng khác nhau, đều có cùng nhận xét về Discussion: "thiếu chiều sâu", "không develop đủ implications", "needs more development".
Khi 3 reviewer độc lập cùng nói một câu — đó là signal thật, không phải ý kiến cá nhân của một người.
Mình dùng Claude để deepen từng layer của Discussion theo cách có cấu trúc. Với mỗi sub-topic reviewer flag, mình hỏi: "Những implications nào của điểm này mình chưa viết trong bài?" Claude đưa ra 4-5 hướng mỗi lần. Mình chọn những ý nào mình có thể back up bằng literature thật — không phải ý nghe hay nhưng mình không có evidence.
Bước audit quan trọng sau đó: "Những đoạn mới thêm này có claim nào vượt quá data mình có không?" Bước này bắt được 2 chỗ mình viết quá strong, câu chữ mạnh hơn evidence cho phép.
Về cách dùng AI để viết Discussion từ đầu, mình có viết chi tiết workflow trong bài riêng.
P2 — reviewer hỏi mơ hồ, ngầm imply thiếu data
P2 là paper về frozen section biopsy trong phẫu thuật Hirschsprung — mình báo cáo concordance 97.1% (33/34 ca) giữa frozen section intraoperative và permanent histology. Trong ngữ cảnh LMIC nơi xét nghiệm này chưa phải standard of care, con số này quan trọng để convince đồng nghiệp adopt quy trình.
Một reviewer hỏi về "adequacy of sample size" theo cách không rõ họ muốn gì: thêm power calculation? Giải thích limitation? Hay thực sự muốn mình có thêm ca?
Mình test 3 cách trả lời với Claude:
- Defensive: Giải thích n=34 đủ cho case series, không cần power calculation vì đây không phải RCT.
- Concessive: Thừa nhận limitation n nhỏ, thêm câu explicit về external validity.
- Professional: Xác nhận thiết kế retrospective single-surgeon case series không có prospective power calculation; thêm câu về generalizability limitation trong Discussion; note là concordance 97.1% nhất quán với published literature range 91–97%.
Mình pick professional, adjust lại theo judgment của mình về từng câu. Reviewer không push back ở vòng sau.
Bài học: khi reviewer hỏi mơ hồ, viết ra 2-3 cách interpret câu hỏi của họ trước khi trả lời — thường response tốt nhất là response address được cả 2-3 interpretation đó cùng lúc.
A.1 — reviewer không đồng ý về lý thuyết nền
Paper A.1 về accountability trong nghiên cứu khoa học với AI. Reviewer có background triết học không đồng ý với một số framing về distributed agency mình dùng — họ muốn mình align với một trường phái lý thuyết cụ thể.
Đây là lần đầu mình phải viết rebuttal khi reviewer không sai về mặt kỹ thuật — họ chỉ nhìn từ framework khác. Không có đáp án "đúng", chỉ có negotiation về framing.
Claude giúp mình structure response: thừa nhận legitimate alternative framing của reviewer, giải thích tại sao framing mình chọn phù hợp với mục tiêu của bài hơn, và chỉ ra chỗ mình đã thêm footnote acknowledge perspective của reviewer. Không agree, không argue — acknowledge và contextualize.
Pattern này — acknowledge without conceding — mình áp dụng cho hầu hết rebuttal về lý thuyết và framing sau đó.
C5 — technical objection về reporting statistics
C5 về posterior urethral valves có reviewer hỏi tại sao mình report confidence interval thay vì p-value cho một số outcome nhất định.
Câu hỏi này dễ trả lời về mặt nội dung. Khó ở chỗ trả lời theo cách không nghe như mình đang dạy reviewer về statistics. Mình dùng Claude để draft response ngắn, trực tiếp: giải thích CI carries precision information về magnitude của effect mà p-value không có, trích dẫn một reference ngắn từ methodology literature, kết thúc bằng câu note là mình đã thêm sentence trong Methods để giải thích lựa chọn này.
Không lecture. Không explain lý do p-value "sai". Chỉ giải thích lựa chọn của mình và cite.
Khi nào không dùng AI cho rebuttal
Ba tình huống mình tự viết tay, không để AI shape nội dung:
Khi bị accuse về research integrity. Bất kỳ câu hỏi nào về data authenticity, authorship, hay conflict of interest cần mình viết rõ ràng, kiểm tra từng câu. Không phải vì AI viết kém — mà vì đây là vấn đề về record cá nhân và mình cần biết chính xác mình đang nói gì.
Khi reviewer yêu cầu re-analysis. AI không chạy lại SPSS hay R cho mình. Nó có thể giúp mình structure explanation sau khi đã có kết quả mới, nhưng analysis thật phải là mình làm và kiểm tra.
Khi ethical argument là trung tâm. Nếu mình disagree với reviewer về một câu hỏi ethics — về consent, về author contribution, về disclosure — mình cần viết từ đầu với full awareness. AI có thể check tone sau, nhưng không nên shape argument.
Audit pre-submit — bước cuối không thể bỏ
Sau khi hoàn chỉnh rebuttal và revised manuscript, mình luôn làm một bước audit cuối trước khi submit:
Paste toàn bộ reviewer report và toàn bộ rebuttal vào Claude: "Reviewer có comment hoặc câu hỏi nào mình chưa address rõ ràng không? Có thay đổi nào mình nói đã làm trong manuscript nhưng không trích dẫn cụ thể không?"
Năm lần mình test bước này trên các paper thật, cả năm đều bắt được 1-2 issue nhỏ — nhầm revision line number, một minor comment bị skip trong bản nháp cuối, một reference mình hứa thêm nhưng quên.
Không phải AI viết hộ. Là AI làm audit pass cuối khi mình đã mệt và không còn đọc được bài của mình với đôi mắt tươi tỉnh.
Rebuttal là kỹ năng học được qua thực hành, không phải từ đọc về nó. Khoá AI cho Nghiên cứu có module riêng về rebuttal workflow — từ cách đọc reviewer report đến checklist audit pre-submit, với prompt template từ các paper thật.