Luis Miguel, Mijares và nhãn "bóng đá" dán nhầm: giải phẫu một lỗi phân loại trong đường ống dữ liệu thể thao

6 giờ 12 phút sáng ở Melbourne

Trên màn hình thứ hai của tôi, trong khung số bốn của bảng điều khiển nội dung, có một mục được dán nhãn chuyên mục là "bóng đá". Khi tôi mở nó ra, nội dung gồm mười tám điểm thông tin. Không một điểm nào nhắc tới một đội bóng. Không một điểm nào nhắc tới một cầu thủ. Không có huấn luyện viên, không có giải đấu, không có câu lạc bộ, không có hợp đồng, không có bàn thắng, không có thẻ phạt, không có bảng xếp hạng, không có bất kỳ cơ quan quản lý nào.

Nội dung ấy kể về hai giọng ca Mexico — Luis Miguel và Mijares — gặp nhau tại một nhà hàng ở New York. Có một thông báo về chuyến lưu diễn năm 2027. Có một lời chào ở lối vào. Có sự tò mò của người hâm mộ về khả năng hai người sẽ hợp tác. Và có ba lần, ở ba điểm thông tin khác nhau, bài báo tự nói rõ rằng chưa có gì được xác nhận.

Tôi ngồi đó khoảng bốn phút, tay vẫn đặt trên bàn phím. Trong nghề của tôi, bốn phút là một quãng dài. Tôi đã từng dành ba tháng để mã hóa một nghìn hai trăm pha pick-and-roll từ góc máy quay trên cao, chỉ để trả lời một câu hỏi duy nhất về vị trí đặt chân của Chris Paul. Vậy mà ở đây, thứ khiến tôi dừng lại không phải là một pha bóng, mà là một cái nhãn.

Câu hỏi đầu tiên tôi tự đặt ra không phải "bài này viết về cái gì". Câu hỏi đầu tiên là "ai đã dán nhãn này, và dựa trên cơ sở nào".

Đó là lúc tôi nhận ra đâu mới là câu chuyện. Không phải bữa tối ở New York. Mà là việc một bữa tối ở New York có thể đi lọt vào một đường ống dữ liệu thể thao mà không ai chặn lại ở cửa.

Dữ liệu không biết nói dối, nhưng chúng biết cách giấu mình trong độ lệch chuẩn. Trong trường hợp này, độ lệch chuẩn ấy có tên: nó là một nhãn sai nằm lọt giữa hàng nghìn nhãn đúng, đủ nhỏ để không ai để ý, đủ lớn để làm hỏng một tập dữ liệu nếu nó được nhân bản đủ nhiều lần.

Bối cảnh: làm sao một mục giải trí đi lọt vào đường ống thể thao

Từ một thói quen nghề nghiệp

Tôi làm nghề đưa tin bóng đá cho thị trường Úc, sống ở Melbourne, và trước đó xuất thân từ mảng bóng rổ chuyên nghiệp. Năm 2026, khi tờ Independent vừa được thành lập, tôi bắt đầu sự nghiệp viết lách của mình. Ba mươi sáu năm sau, tôi vẫn giữ một thói quen mà thời đó chưa ai gọi là "kiểm chứng dữ liệu": không viết một câu nào về một con số mà tôi chưa tự tay đếm lại ít nhất một lần.

Năm 2026, khi tôi bốn mươi ba tuổi, tôi dành ba tháng mã hóa hơn một nghìn hai trăm pha pick-and-roll của Houston Rockets dưới thời Mike D'Antoni, từ góc máy quay trên cao. Tôi phát hiện tỷ lệ ném ba điểm của Chris Paul sau khi đảo cánh hai nhịp tăng mười tám phần trăm so với ném ngay. Tôi công bố một mô hình mật độ không gian tự chế trên blog cá nhân. Không báo nào đăng lại, vì nó quá hàn lâm. Nhưng hai trợ lý phân tích của Rockets đã viết email hỏi xin số liệu thô.

Bài học tôi rút ra không nằm ở con số mười tám phần trăm. Nó nằm ở chỗ: thứ đáng giá nhất trong một bài phân tích không phải kết luận, mà là phần phương pháp luận cho phép người đọc tự kiểm chứng kết luận ấy. Từ đó, mỗi bài của tôi đều phải có phần đó, dù nó khiến tôi mất đi một lượng lớn độc giả phổ thông.

Thói quen ấy là lý do tôi nhìn thấy cái nhãn sai kia. Không phải vì tôi thông minh hơn ai. Mà vì tôi có một quy trình buộc tôi phải nhìn lại.

Đường ống dữ liệu thể thao hiện đại trông như thế nào

Để hiểu vì sao một mục về Luis Miguel và Mijares có thể bị dán nhãn "bóng đá", cần hiểu đường ống nội dung thể thao vận hành ra sao.

Một đường ống điển hình gồm sáu mắt xích nối tiếp. Thứ nhất là thu thập nguồn: crawler quét các trang tin, mạng xã hội, bản tin nội bộ, dịch vụ thông tấn. Thứ hai là phân loại lĩnh vực: mỗi mục được gán một hoặc nhiều nhãn chủ đề. Thứ ba là chấm điểm độ liên quan. Thứ tư là trích xuất thực thể: tên người, tên tổ chức, địa điểm, con số. Thứ năm là tóm tắt hoặc viết lại. Thứ sáu là phân phối tới biên tập viên, tới bảng tin, hoặc tới mô hình.

Tôi xin lỗi vì đã dùng cách đếm thứ tự ở đây, nhưng trong trường hợp này nó cần thiết, bởi vì toàn bộ lập luận của tôi dựa trên việc xác định chính xác mắt xích nào đã hỏng.

Mỗi mắt xích có một tỷ lệ lỗi. Trong sản xuất công nghiệp, người ta gọi đó là "đặc tính kỹ thuật" và chấp nhận nó một cách có ý thức. Trong báo chí, người ta hiếm khi gọi tên nó, và vì thế hiếm khi đo nó.

Mắt xích phân loại là mắt xích mong manh nhất, vì nó là mắt xích duy nhất mà đầu ra không thể kiểm chứng bằng cách đọc nội dung. Đọc nội dung sẽ cho bạn biết bài viết nói về cái gì. Nó không cho bạn biết vì sao một cỗ máy nghĩ bài viết nói về cái gì. Giữa hai câu hỏi đó là toàn bộ khoảng cách giữa báo chí và kỹ thuật dữ liệu.

Thị trường nội dung thể thao đang chạy nhanh hơn tốc độ kiểm chứng

Ở thị trường tôi đang làm việc, và ở thị trường tôi sinh ra, tốc độ phân phối nội dung thể thao đã vượt qua tốc độ kiểm chứng nội dung thể thao từ khoảng năm 2026. Một tin chuyển nhượng có thể đi từ một tài khoản ẩn danh tới mười nghìn người đọc trong bốn mươi giây. Việc xác minh cùng tin đó mất tối thiểu bốn mươi phút, thường là bốn mươi giờ.

Khoảng cách ấy không được lấp bằng kỷ luật. Nó được lấp bằng tự động hóa. Và tự động hóa, như mọi thứ khác, có tỷ lệ lỗi.

Trong kỳ chuyển nhượng, áp lực này đạt đỉnh. Mùa chuyển nhượng không phải cuộc đấu của túi tiền; nó là cuộc đấu của những người biết chờ đợi. Nhưng đường ống dữ liệu thì không biết chờ. Nó được thiết kế để không chờ. Và đó là nguồn gốc của mọi vấn đề tiếp theo trong bài này.

Phần lõi: giải phẫu một lỗi phân loại

Bộ phân loại làm gì, và làm sai ở đâu

Một bộ phân loại lĩnh vực hiện đại không hiểu nội dung. Nó đo xác suất. Nó nhận một chuỗi ký tự, biến chuỗi đó thành một vector, rồi so vector ấy với những vector mà nó đã học là thuộc về "bóng đá". Nếu độ tương đồng vượt một ngưỡng, nó gán nhãn. Nếu không, nó thử nhãn khác.

Nghĩa là bộ phân loại không trả lời câu hỏi "bài này có phải về bóng đá không". Nó trả lời câu hỏi "bài này trông giống những bài về bóng đá ở mức độ nào". Hai câu hỏi hoàn toàn khác nhau. Và toàn bộ lỗi nằm ở chỗ chúng ta quên mất sự khác nhau đó.

Khi tôi đối chiếu mười tám điểm thông tin của mục tin kia với các đặc trưng bề mặt mà một bộ phân loại thường dùng, tôi tìm thấy ít nhất bảy tín hiệu có thể đã đẩy xác suất lên ngưỡng.

Tín hiệu thứ nhất là ngôn ngữ. Mục tin gốc là tiếng Tây Ban Nha. Một tỷ lệ rất lớn nội dung bóng đá trong các tập dữ liệu huấn luyện là tiếng Tây Ban Nha — vì Tây Ban Nha, Argentina, Mexico, Colombia, Chile đều là những thị trường bóng đá khổng lồ. Với một bộ phân loại chưa được hiệu chỉnh tốt, "viết bằng tiếng Tây Ban Nha" tự nó đã là một tín hiệu mang trọng số dương cho nhãn bóng đá.

Tín hiệu thứ hai là tên riêng. Luis Miguel là một chuỗi ký tự có thể trùng với tên của các nhân vật thể thao trong nhiều cơ sở dữ liệu khác nhau. Mijares cũng vậy. Các bộ phân loại thường dùng tên riêng như một tín hiệu thực thể mạnh, và khi cơ sở dữ liệu thực thể bị nhiễu, tín hiệu mạnh ấy trở thành tín hiệu sai một cách tự tin.

Tín hiệu thứ ba là địa danh. New York là thành phố có đội bóng ở gần như mọi môn thể thao chuyên nghiệp. Với một bộ phân loại học từ dữ liệu, sự xuất hiện của "New York" trong một bài viết về con người thường đẩy xác suất về phía thể thao.

Tín hiệu thứ tư là từ "tour". Trong tiếng Anh thể thao, "tour" xuất hiện liên tục: preseason tour, post-season tour, promotional tour. Trong tiếng Tây Ban Nha giải trí, "tour" cũng xuất hiện liên tục. Cùng một chuỗi bốn ký tự, hai ngữ cảnh hoàn toàn khác nhau, một trọng số duy nhất.

Tín hiệu thứ năm là cấu trúc bài viết. Một bản tin về một cuộc gặp gỡ giữa hai người nổi tiếng có cấu trúc rất giống một bản tin về một cuộc gặp gỡ giữa hai nhân vật thể thao: chủ thể A, chủ thể B, địa điểm, thời gian, phản ứng của công chúng, tuyên bố chưa xác nhận. Bộ phân loại đọc cấu trúc. Nó không đọc việc A và B là ca sĩ hay cầu thủ.

Tín hiệu thứ sáu là sự thiếu vắng các từ khóa phản bác. Một bài bóng đá thật thường chứa các từ như "trận", "hiệp", "bàn", "chiến thuật", "đội hình". Mục tin này không có từ nào trong số đó. Nhưng các bộ phân loại hiện đại thường được tối ưu để tránh bỏ sót hơn là để tránh gán nhầm. Sự thiếu vắng tín hiệu âm không được tính đủ trọng số.

Tín hiệu thứ bảy là yếu tố thời điểm. Một thông báo về chuyến lưu diễn năm 2027 trùng thời điểm với kỳ chuyển nhượng, khi khối lượng nội dung bóng đá tăng vọt và ngưỡng phân loại tự động bị đẩy xuống để theo kịp lưu lượng. Khi bạn ép một hệ thống chạy nhanh hơn, bạn không chỉ nhận được kết quả nhiều hơn. Bạn nhận được kết quả lỏng lẻo hơn.

Bảy tín hiệu. Không tín hiệu nào tự nó đủ mạnh. Cộng lại, chúng đủ để vượt ngưỡng.

Một lỗi phân loại hiếm khi đến từ một sai sót lớn. Nó đến từ bảy sai sót nhỏ đồng thuận với nhau.

Vì sao nhãn không bao giờ tự kiểm tra

Có một đặc tính kỹ thuật mà tôi cho là quan trọng hơn cả bảy tín hiệu trên: nhãn là đầu ra duy nhất trong đường ống không có cơ chế tự phản biện.

Một con số sai trong bảng thống kê sẽ bị phát hiện, vì con số ấy phải khớp với một con số khác. Một câu trích dẫn sai sẽ bị phát hiện, vì nó phải khớp với một bản ghi âm. Một tên cầu thủ viết sai sẽ bị phát hiện, vì nó phải khớp với một danh sách.

Nhưng một nhãn sai thì không phải khớp với gì cả. Nhãn là một phán đoán độc lập, đứng một mình, không có đối trọng nội bộ. Nó tự khẳng định bằng chính sự tồn tại của nó.

Điều này dẫn tới một hệ quả mà tôi đã quan sát trong nhiều lĩnh vực: nhãn sai không bị phát hiện bởi vì nó sai. Nó bị phát hiện bởi vì có người tình cờ đọc nội dung. Và trong một đường ống được thiết kế để giảm thiểu số người đọc nội dung, xác suất ấy tiến dần về một con số rất nhỏ.

Trong trường hợp cụ thể này, người tình cờ đọc nội dung là tôi. Nhưng tôi sẽ không tự nhận công. Tôi chỉ đơn giản là người ngồi đúng chỗ vào đúng lúc, với đúng một thói quen nghề nghiệp đã được rèn trong ba mươi sáu năm.

Vòng lặp ô nhiễm: khi nhãn sai trở thành dữ liệu huấn luyện

Một nhãn sai đơn lẻ là một sự cố. Một nhãn sai được dùng làm dữ liệu huấn luyện là một căn bệnh.

Cơ chế rất đơn giản và rất khó chặn. Sau khi mục tin kia được dán nhãn "bóng đá", nó đi vào kho lưu trữ. Kho lưu trữ được dùng để huấn luyện lại bộ phân loại trong chu kỳ tiếp theo. Bộ phân loại mới học rằng một bài viết tiếng Tây Ban Nha có tên riêng hai người, địa danh New York, từ "tour", và cấu trúc "chưa xác nhận" là một bài bóng đá. Lần sau, nó sẽ gán nhãn ấy nhanh hơn, tự tin hơn, và với xác suất cao hơn.

Đây là một vòng lặp dương tính. Nó không tự tắt. Nó tự khuếch đại.

Tôi đã từng chứng kiến một phiên bản nhỏ hơn của vòng lặp này trong mảng dữ liệu chấn thương. Một cầu thủ rời sân ở phút thứ mười tám vì một pha va chạm. Hệ thống ghi nhận đó là chấn thương. Nhưng nguyên nhân thực tế, sau khi xem lại, là quyết định rút cầu thủ để tiết kiệm thể lực trong một lịch đấu ba ngày hai trận. Hai tuần sau, cùng một cầu thủ rời sân ở phút thứ mười chín trong một trận khác vì lý do chiến thuật, và hệ thống lại ghi nhận chấn thương. Sau sáu vòng lặp như thế, mô hình bắt đầu dự đoán cầu thủ ấy có nguy cơ chấn thương cao, và các đội bắt đầu tin vào dự đoán ấy. Một huyền thoại được sinh ra từ một định dạng cột dữ liệu.

Tôi đưa ra ví dụ này vì nó cho thấy vòng lặp ô nhiễm không phải là chuyện của riêng ngành giải trí. Nó là chuyện của mọi ngành có đường ống dữ liệu tự động.

Lập trường chuyên môn của tôi là thế này: mật độ lịch thi đấu là nguyên nhân chấn thương lớn nhất, và không một đội ngũ y tế nào cứu được một cầu thủ phải đá hai trận một tuần trong suốt một mùa. Nhưng để chứng minh điều đó bằng dữ liệu, trước tiên bạn phải chắc chắn rằng cột dữ liệu bạn đang đọc thực sự đo lường điều bạn nghĩ nó đo lường. Nhãn sai nằm chính xác ở điểm giao thoa giữa hai vấn đề ấy.

Tại sao thể thao đặc biệt dễ tổn thương

Có bốn lý do cấu trúc khiến ngành thể thao đặc biệt dễ bị tổn thương bởi lỗi phân loại.

Lý do thứ nhất là khối lượng. Thể thao là một trong những chủ đề có khối lượng nội dung hàng ngày lớn nhất trên internet: trận đấu, chuyển nhượng, chấn thương, dự đoán, tranh luận, tin vắn, video, chỉ số. Khối lượng càng lớn, tỷ lệ lỗi càng khó thấy. Trong một trăm mục, một mục sai là một vết đỏ. Trong một trăm nghìn mục, một mục sai là một con số bị làm tròn.

Lý do thứ hai là chu kỳ. Nội dung thể thao có vòng đời cực ngắn. Một tin chuyển nhượng có giá trị trong vài giờ. Không ai có thời gian kiểm chứng một mục mà bốn giờ nữa nó sẽ không còn ai nhớ. Tốc độ trở thành một giá trị tự thân, và kỷ luật trở thành một chi phí bị cắt.

Lý do thứ ba là giá trị quảng cáo. Thể thao có giá trị quảng cáo cao và ổn định. Điều đó nghĩa là có áp lực kinh tế để tự động hóa nhiều hơn, để phân phối nhiều hơn, để lấp đầy nhiều vị trí hơn. Mỗi một vị trí được lấp tự động là một cơ hội cho một nhãn sai đi lọt.

Lý do thứ tư, và theo tôi là quan trọng nhất, là văn hóa. Người hâm mộ thể thao đã được huấn luyện trong nhiều thập kỷ để chấp nhận con số như một dạng chân lý. Khi bạn nói một đội kiểm soát bóng sáu mươi phần trăm, không ai hỏi sáu mươi phần trăm ấy được đo như thế nào. Con số tự mang uy tín của nó. Và một nhãn, xét cho cùng, cũng chỉ là một con số được trình bày bằng chữ.

Tôi từng nói nhiều lần rằng tỷ lệ kiểm soát bóng là chỉ số lừa dối nhất trong môn thể thao này, vì rất nhiều đội cày được sáu mươi phần trăm bằng những đường chuyền ngang vô nghĩa ở phần sân nhà. Nhưng tôi nhận ra lập luận ấy còn đúng hơn khi mở rộng ra ngoài đường biên: rất nhiều bài viết cày được một nhãn "bóng đá" bằng những tín hiệu bề mặt vô nghĩa trong phần tiêu đề.

Ánh xạ sang tin chuyển nhượng: cùng một cơ chế, khác một hình dạng

Trong kỳ chuyển nhượng, cùng cơ chế lỗi này xuất hiện dưới một hình dạng quen thuộc hơn với độc giả.

Tôi gọi nó là "sự gần gũi được đọc thành sự liên quan". Cầu thủ A đăng một bức ảnh ở một thành phố. Câu lạc bộ B có trụ sở ở thành phố đó. Một tài khoản tổng hợp hai dữ kiện ấy, thêm một biểu tượng cảm xúc, và trong vòng hai giờ, một tin đồn chuyển nhượng ra đời.

Không ai nói dối. Cầu thủ đúng là ở thành phố đó. Câu lạc bộ đúng là ở thành phố đó. Tất cả các sự kiện riêng lẻ đều đúng. Chỉ có kết luận là sai. Và kết luận sai ấy không bị phát hiện, bởi vì nó được rút ra từ một cơ chế mà chính độc giả cũng đang vận hành trong đầu mình.

Trong mục tin về New York, cơ chế y hệt. Luis Miguel và Mijares đúng là ở New York. New York đúng là thành phố có đội bóng ở nhiều môn. Hai dữ kiện đúng. Một kết luận sai. Một nhãn sai.

Điểm khác biệt duy nhất giữa hai trường hợp là ai rút ra kết luận. Trong trường hợp tin chuyển nhượng, đó là con người. Trong trường hợp này, đó là một cỗ máy. Và vì cỗ máy không có biên tập viên, kết luận ấy bước vào đường ống với tư cách một dữ kiện.

Chất lượng nguồn: tín hiệu yếu nhất trong toàn bộ hồ sơ

Có một chi tiết trong hồ sơ gốc mà tôi cho là quan trọng hơn cả cái nhãn sai.

Phần lớn các điểm thông tin trong mục tin ấy ghi nguồn là "không xác định". Kể cả những điểm được đánh dấu là thông tin đã công bố cũng không có nguồn cụ thể. Đây là một tín hiệu chất lượng nguồn rất thấp, và nó độc lập hoàn toàn với câu hỏi về lĩnh vực.

Nói cách khác: kể cả nếu chúng ta xóa cái nhãn sai đi và xếp mục tin này đúng chỗ trong mục giải trí, nó vẫn là một mục yếu. Nó không có nguồn. Nó không có xác nhận. Nó chỉ có một lời chào ở lối vào một nhà hàng và sự tò mò của công chúng.

Đây là điểm mà tôi muốn dừng lại một chút.

Khi một mục tin bị dán nhãn sai, phản xạ đầu tiên của chúng ta là sửa cái nhãn. Nhưng cái nhãn sai thường chỉ là triệu chứng bề mặt của một vấn đề sâu hơn: mục tin ấy đi vào đường ống vì nó lấp được một vị trí, chứ không phải vì nó xứng đáng được đăng. Một bài không có nguồn, không có xác nhận, không có thông tin mới, sẽ luôn tìm được một vị trí để lấp ở đâu đó. Nếu không phải ở mục "bóng đá", thì ở mục "giải trí". Nhưng nó vẫn đang chiếm chỗ của một bài có giá trị.

Trong nền kinh tế chú ý, chi phí thật của một bài viết vô giá trị không phải là thời gian người đọc nó. Chi phí thật là thời gian người ta không đọc bài khác.

Hồ sơ rủi ro: điều gì thực sự đang bị đe dọa

Khi tôi lập một hồ sơ rủi ro cho sự cố này, tôi loại bỏ toàn bộ các mục về đội bóng, tài chính câu lạc bộ, kết quả thi đấu, ban huấn luyện. Không có chủ thể nào trong số đó tồn tại trong nội dung gốc, nên mọi rủi ro gắn với chúng đều là rủi ro giả tạo.

Cái còn lại là một rủi ro duy nhất, nhưng ở mức cao: ô nhiễm đường ống dữ liệu.

Rủi ro này có ba đặc tính khiến nó nguy hiểm hơn vẻ ngoài của nó. Nó vô hình, vì nhãn sai không tạo ra thông báo lỗi. Nó tích lũy, vì mỗi vòng huấn luyện lại củng cố lỗi cũ. Và nó lan, vì nhãn sai ở đầu vào có thể trở thành một dòng dữ liệu sai ở đầu ra, và từ đó đi vào một bảng biểu, một bài phân tích, một quyết định.

Một cầu thủ có thể bị đánh giá sai về nguy cơ chấn thương. Một chiến thuật có thể bị đánh giá sai về hiệu quả. Một đội có thể bị đánh giá sai về phong độ. Tất cả bắt đầu từ một nhãn.

Đây là lý do tôi không xem đây là một sự cố nhỏ. Một sự cố nhỏ trong một hệ thống tự khuếch đại không còn là một sự cố nhỏ.

Góc phản trực giác

Điều đáng tin nhất trong mục tin ấy lại là điều khiêm tốn nhất

Đây là chỗ mà tôi muốn đi ngược lại phản xạ tự nhiên của chính mình.

Khi tôi đọc mười tám điểm thông tin kia, điều làm tôi khó chịu nhất không phải là chúng sai. Điều làm tôi khó chịu nhất là có nhãn "bóng đá" ở trên đầu chúng. Nhưng khi tôi đọc kỹ, tôi nhận ra một chi tiết mà tôi suýt bỏ qua.

Ba lần, ở ba điểm thông tin khác nhau, mục tin ấy tự nói rõ rằng chưa có gì được xác nhận. Nó không tuyên bố hai ca sĩ sẽ hợp tác. Nó không tuyên bố một album đang được thu. Nó chỉ thuật lại một cuộc gặp gỡ và ghi nhận sự tò mò của công chúng, với một lời cảnh báo rõ ràng rằng sự tò mò ấy chưa có cơ sở xác nhận.

Đây là một thói quen báo chí tốt. Và nó là phần đáng tin nhất trong toàn bộ mục tin.

Nghịch lý nằm ở chỗ: bài viết tự hạ thấp độ chắc chắn của mình ở cấp độ câu, nhưng bị nâng lên một độ chắc chắn giả tạo ở cấp độ nhãn. Cấp độ câu thì thận trọng. Cấp độ nhãn thì tự tin tuyệt đối, vì một nhãn không có chỗ để viết "chưa xác nhận".

Tôi cho rằng đây là một trong những nghịch lý quan trọng nhất của báo chí thể thao hiện đại. Chúng ta đã học cách viết câu một cách thận trọng. Chúng ta chưa học cách dán nhãn một cách thận trọng. Và trong một đường ống tự động, thứ được đọc nhiều nhất không phải là câu. Thứ được đọc nhiều nhất là nhãn.

Dữ liệu không biết nói dối, nhưng chúng biết cách giấu mình trong độ lệch chuẩn. Nhãn thì khác: nhãn nói dối ngay ở dòng đầu tiên, và không ai kiểm tra dòng đầu tiên.

Nếu chúng ta chấp nhận nhãn sai, chúng ta cũng chấp nhận mọi chỉ số sai khác

Bây giờ tôi muốn nối sự cố nhỏ này với một vấn đề lớn hơn mà tôi theo đuổi trong nhiều năm.

Năm 2026, ở World Cup tại Nga, tôi được phân công theo dõi đội tuyển Nigeria. Sau trận thua Croatia không bàn thắng, tôi không viết bài cảm xúc như đồng nghiệp. Tôi lặn vào dữ liệu phòng ngự và phát hiện bảy mươi bốn phần trăm thời lượng các hậu vệ Nigeria bước chân trụ sai hướng trong các pha đối mặt cầu thủ chạy cánh. Tôi mất hai tuần xem lại từng tình huống để xác nhận nguyên nhân là sai sót trong khâu kèm người chéo, chứ không phải thể lực. Bài viết dài bốn nghìn từ, không có một câu trích dẫn cầu thủ nào, và bị biên tập viên cắt còn một phần ba.

Bài học tôi rút ra từ lần ấy không phải là bài bị cắt. Bài học là: tôi đã dành hai tuần để kiểm tra một con số, nhưng tôi chưa bao giờ dành hai phút để kiểm tra xem con số ấy có thuộc về trận đấu tôi nghĩ nó thuộc về hay không. Tôi giả định cột dữ liệu đúng. Tôi giả định nhãn đúng. Tôi bắt đầu phân tích từ một điểm xuất phát mà tôi chưa từng xác minh.

Rất may, trong lần ấy, giả định của tôi đúng. Nhưng tôi nhận ra rằng sự đúng ấy là may mắn, không phải kỷ luật.

Từ đống tro World Cup 2026, tôi học được rằng các nền bóng đá từng chịu tổn thương tập thể thường chơi bằng nỗi sợ và khát khao vô thức, những thứ không xuất hiện trong bảng thống kê. Nhưng tôi cũng học được một điều khiêm tốn hơn: những thứ không xuất hiện trong bảng thống kê bao gồm cả những sai sót trong chính bảng thống kê ấy.

Và đó là lý do tôi nói rằng sự cố nhãn "bóng đá" không nhỏ. Nó là cùng một lỗi ở một tầng khác. Nó là việc chấp nhận một tiền đề mà không kiểm tra tiền đề. Từ tiền đề sai ấy, mọi phân tích tiếp theo đều có thể hoàn toàn hợp lý về mặt nội bộ, và hoàn toàn vô nghĩa về mặt thực tế.

Tôi đã từng viết về cách bóng rổ là nghệ thuật của khoảng trống có chủ đích, và cách phòng không dân cư mùa COVID dạy tôi điều đó: khoảng trống không phải là nơi trống rỗng, nó là nơi không ai muốn ở, và chính vì thế nó là nơi nguy hiểm nhất. Trong dữ liệu cũng vậy. Khoảng trống nguy hiểm nhất không phải là chỗ thiếu dữ liệu. Khoảng trống nguy hiểm nhất là chỗ có nhãn nhưng không có người kiểm tra.

Một điểm mù nghề nghiệp ít ai thừa nhận

Trong nghề của tôi, có một quy tắc bất thành văn: kiểm tra số liệu trong bài. Không ai nói ra, nhưng mọi biên tập viên giỏi đều làm điều đó.

Nhưng không có quy tắc nào nói rằng: kiểm tra xem bài này có thuộc về chuyên mục của mình hay không.

Đó là một điểm mù nghề nghiệp, và tôi cho rằng nó có nguồn gốc từ tâm lý nghề nghiệp hơn là từ kỹ thuật. Khi một mục tin đã nằm trong hộp thư bóng đá của bạn, nó đã vượt qua một cánh cửa nào đó. Và con người có xu hướng tin rằng cánh cửa ấy do người có chuyên môn canh gác. Chúng ta kiểm tra nội dung của những gì đi qua cửa. Chúng ta hiếm khi kiểm tra chính cánh cửa.

Trong một đường ống tự động, cánh cửa ấy không có người canh. Nó có một ngưỡng xác suất. Và một ngưỡng xác suất, về bản chất, là một quyết định biên tập đã được ủy quyền cho một cỗ máy mà không ai viết biên bản ủy quyền.

Đây là chỗ tôi muốn nói rõ quan điểm của mình về đào tạo trẻ, vì nó cùng một logic. Cầu thủ trẻ phát triển sớm thường bị sử dụng quá mức, vì một cơ thể chưa trưởng thành đã bị đẩy vào nhịp đấu của người lớn. Không ai ra quyết định ấy một cách ác ý. Người ta ra quyết định ấy vì cầu thủ trẻ ấy đã vượt qua một cánh cửa: cánh cửa đội một. Và một khi đã qua cửa, cậu ấy được đối xử như một người lớn, bởi vì cánh cửa đã nói như vậy.

Trong cả hai trường hợp, cánh cửa đang làm công việc của một biên tập viên mà không có biên tập viên nào ký tên.

Kết: biến số cho vòng tiếp theo

Tôi sẽ không kết bài này bằng một bản tổng kết. Tôi sẽ kết bằng một biến số, đúng như cách tôi vẫn kết thúc mọi bản phân tích chiến thuật.

Biến số thứ nhất: lô dữ liệu tiếp theo có lặp lại lỗi này không. Nếu có ít nhất hai mục khác trong cùng một lô bị dán nhãn thể thao mà nội dung không liên quan tới thể thao, thì vấn đề không nằm ở mục tin. Vấn đề nằm ở bộ phân loại. Và khi vấn đề nằm ở bộ phân loại, mọi kết luận rút ra từ dữ liệu của lô ấy đều phải được treo lại.

Biến số thứ hai: ai sẽ là người kiểm tra cánh cửa. Trong ba mươi sáu năm làm nghề, tôi nhận ra rằng mọi cải tiến thực sự trong chất lượng thông tin đều đến từ việc bổ sung một người vào một vị trí mà trước đó không có người. Không phải từ việc bổ sung một quy trình. Người trước, quy trình sau.

Biến số thứ ba, và là biến số tôi quan tâm nhất: liệu chúng ta có dám dạy cỗ máy biết nói "tôi không biết" hay không. Một bộ phân loại được tối ưu để không bỏ sót sẽ luôn gán nhãn. Một bộ phân loại được tối ưu để biết từ chối sẽ gán nhãn ít hơn và đúng hơn. Sự khác biệt giữa hai lựa chọn ấy không nằm ở kỹ thuật. Nó nằm ở việc chúng ta đánh giá cao điều gì: sự đầy đủ, hay sự trung thực.

Ở Melbourne, tôi nhìn thấy tương lai: trọng tài sẽ không còn thổi còi — họ sẽ đọc biểu đồ. Nhưng một trọng tài đọc biểu đồ vẫn phải trả lời một câu hỏi mà không biểu đồ nào trả lời thay được: đây có phải trận đấu tôi được giao hay không.

Tối hôm ấy, tôi đóng khung số bốn của bảng điều khiển và ghi một dòng vào sổ tay: "Một bữa tối ở New York. Nhãn: bóng đá. Nguồn: không xác định. Hành động: cách ly." Ba dòng. Không có gì để phân tích thêm.

Nhưng tôi để dòng ấy ở lại trong sổ. Vì tôi biết, từ kinh nghiệm của chính mình, rằng những lỗi đáng nhớ nhất trong nghề này không phải là những lỗi mình đã phạm. Chúng là những lỗi mình đã suýt phạm mà không biết, cho tới khi có một cái nhãn sai buộc mình phải dừng lại và nhìn.

Một World Cup không bao giờ kết thúc ở trận chung kết; nó chỉ đổi sang màu áo khác. Một lỗi phân loại cũng vậy. Nó không kết thúc ở mục tin bị cách ly. Nó chỉ đổi sang một danh mục khác, và chờ ở đó.