Một bản tin án mạng bị gắn nhãn bóng đá: bài học về sự thật của dữ liệu thể thao

Trưa ngày 3 tháng 3, hành lang Trường Trung học số 13 ở Torreón, bang Coahuila, México, vang lên những tiếng la hét xé toạc bầu không khí của một buổi học bình thường. Một vụ tấn công nổ ra ngay trong khuôn viên trường. Phó hiệu trưởng thiệt mạng, bốn người khác bị thương, hai anh em sinh đôi 18 tuổi bị giữ lại. Toàn bộ sự việc được mô tả như một vụ án hình sự, không hơn không kém. Không có quả bóng nào lăn trên sân. Không có cầu thủ nào chạy. Không có trọng tài nào rút thẻ. Nhưng khi bản tin được đưa vào đường ống phân loại của một hệ thống thể thao, nhãn bắn ra từ hệ thống là football. Tôi không ngạc nhiên. Trong mười năm viết về chuyển nhượng, tôi đã nhìn thấy quá nhiều lỗi dán nhãn, từ một cầu thủ trẻ bị gắn sai câu lạc bộ cho đến một thương vụ sắp ký bị hệ thống đánh sập. Dựa trên kinh nghiệm theo dõi các trận đấu của tôi ở Italy, tôi biết rằng một pha bóng gây tranh cãi cần ít nhất ba góc máy để có thể kết luận. Cũng như vậy, một bản tin thể thao cần ít nhất ba lớp xác minh trước khi được phép trở thành nguyên liệu cho các mô hình phân tích. Bối cảnh của sự việc nằm ở một bài báo có 22 thông tin điểm, mọi thông tin đều xoay quanh vụ tấn công trường học. Không có đội bóng, cầu thủ, huấn luyện viên, giải đấu, phí chuyển nhượng hay cuộc đàm phán nào. Đó là một bản tin an ninh công cộng điển hình. Nhưng hệ thống vẫn định dạng nó dưới nhãn bóng đá. Vấn đề không chỉ nằm ở một bài viết lạc chỗ; vấn đề nằm ở cách chúng ta đang đo lường độ tin cậy của toàn bộ ngành truyền thông thể thao. Con số không biết nói dối, nhưng người đưa ra con số thì luôn có động cơ. Một thuật toán gắn nhãn cũng có động cơ: ưu tiên tốc độ, giảm chi phí, và chấp nhận rủi ro ngữ nghĩa. Trong tiếng Anh, attack vừa là pha tấn công bóng đá, vừa là hành vi bạo lực. Một hệ thống đọc từ đơn sẽ tưởng rằng tấn công ở đây có thể là một tình huống pressing. Hệ quả là một vụ án mạng đi vào kho dữ liệu thể thao như một sự kiện bóng đá. Tôi từng dậy từ bài học mang tên Football Leaks. Năm mười bảy tuổi, tôi thức trắng đêm đọc bộ dữ liệu rò rỉ, đối chiếu phí chuyển nhượng Paul Pogba với chỉ số thống kê. Con số 105 triệu euro cho thấy thị trường trả tiền cho thương hiệu nhiều hơn năng lực trên sân. Lớp học đó dạy tôi một nguyên tắc: tam giác hóa mọi thông tin từ ba nguồn độc lập. Hồ sơ rò rỉ, trang dữ liệu, và báo cáo tài chính. Bây giờ nhìn lại, tôi muốn thêm lớp thứ tư vào nguyên tắc đó: kiểm tra cách một văn bản được gắn nhãn. Một bản hợp đồng có ba sự thật: của người bán, của người mua, và của người cầm bút. Một bản tin thể thao cũng có ba tầng sự thật: biến cố ngoài đời, văn bản biên tập, và siêu dữ liệu phân loại. Nếu ba tầng này không khớp, mọi phân tích chuyên sâu phía sau sẽ tự động lệch hướng. Chữ ký sai trên một hợp đồng có thể hủy hoại một thương vụ. Một nhãn chuyên mục sai có thể hủy hoại một tập dữ liệu. Hãy hình dung một nhóm nhà phân tích đang xây dựng mô hình định giá cầu thủ. Họ kéo dữ liệu từ hàng nghìn bài viết, chạy thuật toán học máy, tính toán khấu hao tài sản cầu thủ, xác định xu hướng chuyển nhượng. Trong kho dữ liệu đó xuất hiện một bài viết về vụ tấn công trường học nhưng được gắn nhãn bóng đá. Mô hình sẽ không hiểu đây là rác; nó sẽ nuốt vào, học từ nó, và lặng lẽ thay đổi trọng số nội dung. Nếu chỉ có một bài rác, thiệt hại gần như bằng không. Nếu có hàng trăm bài như vậy, mô hình sẽ bắt đầu suy diễn rằng một thuật ngữ tấn công có thể xuất hiện gần trường học, vũ khí, và viện kiểm sát. Đây chính là lúc câu nói quen thuộc của giới săn tin vang lên trong đầu tôi: Một cuộc gọi ba phút có thể giết chết bản hợp đồng ba tháng đàm phán. Ở thị trường dữ liệu, một vòng kiểm soát lỏng lẻo có thể phá hỏng ba năm xây dựng hệ thống. Bóng đá hiện đại không còn là câu chuyện của riêng sân cỏ. Nó là câu chuyện của những nguồn tin, những con số, những căn phòng kín sau sân vận động. Khi một sai sót nhỏ xảy ra ở tầng nền, mọi tầng phía trên sẽ rung chuyển. Tôi thường nói với các cộng sự rằng đừng hỏi cầu thủ muốn gì, hãy hỏi người đang nắm giấc mơ của anh ta. Trong công việc dữ liệu, tôi cũng muốn nói rằng đừng hỏi bài báo viết gì, hãy hỏi hệ thống phân loại đang nhìn thấy gì. Hệ thống đó có thể là một thuật toán được huấn luyện trên ngữ liệu bóng đá, nhưng lại không có cơ chế kiểm tra xem văn bản gốc thuộc thể loại nào. Đó là lý do tại sao một bản tin trường học ở Torreón có thể lọt vào một chuyên mục thể thao. Bóng đá bền vững không nằm ở chiến thuật, mà ở ai trả lương, ai nợ nần, ai rời đi khi khán đài vắng lặng. Câu nói đó cũng đúng với nền công nghiệp dữ liệu thể thao. Sự bền vững của nó không nằm ở giao diện đẹp hay biểu đồ nhiều màu, mà nằm ở khâu tiền xử lý: gắn nhãn đúng, lọc rác, xác minh nguồn. Một bài báo sai nhãn dù nhỏ vẫn là một vết rạn trong nền móng. Phía sau cánh gà sân vận động, những cuộc gọi ngắn và tin nhắn kín thường quyết định số phận một thương vụ. Phía sau màn hình dữ liệu, quyết định đó lại bị chi phối bởi những dòng log hệ thống không ai đọc. Các biên tập viên có thể dành hàng giờ để biên tập một bài viết, nhưng họ thường không kiểm tra siêu dữ liệu. Siêu dữ liệu là thứ vô hình, và những thứ vô hình luôn nguy hiểm hơn những thứ có thể nhìn thấy. Vụ việc Torreón nên được xem như một thước đo. Nếu một bài báo về vụ án mạng có thể bị gắn nhãn football, thì trong cùng một đường ống, bao nhiêu bài báo về tài chính, y tế, giáo dục cũng đang bị gắn nhầm sang các chuyên mục thể thao khác? Không ai biết. Nhưng chính sự im lặng đó mới là rủi ro lớn nhất. Trong phòng họp của một câu lạc bộ, nếu một báo cáo tài chính bị sai lệch một số không, ban lãnh đạo sẽ lập tức họp khẩn. Trong phòng dữ liệu của một hãng truyền thông, nếu một bài báo bị gắn nhãn sai một chuyên mục, rất ít người nhấc máy. Sự khác biệt không đến từ sự bất cẩn mà đến từ thói quen nghĩ rằng nhãn chuyên mục chỉ là công cụ điều hướng. Thực ra nhãn chuyên mục là một tuyên bố về hiện thực. Một bài viết về vụ tấn công trường học đưa ra tuyên bố về hiện thực: một người chết, bốn người bị thương, hai nghi phạm bị giam giữ. Nhãn football lại tuyên bố: nội dung này thuộc về thế giới bóng đá. Hai tuyên bố đối nghịch đến mức không thể dung hòa. Vậy mà hệ thống vẫn xuất ra trơn tru. Đây là lỗi kỹ thuật, nhưng nó đồng thời là một lỗi triết học về cách chúng ta định nghĩa chân lý trong thời đại thuật toán. Torreón là thành phố có đội bóng Liga MX, nhưng bài báo gốc không hề nhắc đến bóng đá. Không có sự thật bóng đá nào khác ngoài một chi tiết địa lý nằm ngoài văn bản. Việc cố gắng kéo vụ việc này về phía sân cỏ chỉ để tạo ra một câu chuyện thể thao sẽ là một hành vi bịa đặt. Tôi không làm điều đó. Tôi chỉ muốn ghi lại một tín hiệu cảnh báo: ngành công nghiệp thể thao đang dùng dữ liệu để tự phản ánh mình, nhưng nếu dữ liệu đó bẩn, tấm gương sẽ nói dối. Có một ngành công nghiệp chạy bằng dòng tiền sau sân vận động. Có một ngành khác chạy bằng thông tin. Cả hai ngành đều có thể sụp đổ vì một nhãn sai. Trong chuyển nhượng, giá trị của một cầu thủ chỉ tồn tại cho đến khi ai đó dám trả. Trong dữ liệu thể thao, độ tin cậy của một bài viết chỉ tồn tại cho đến khi một thuật toán dám gắn nhãn sai cho nó. Chúng ta cần một bộ lọc mới: không chỉ lọc tin rác, mà còn lọc nhãn rác. Mỗi bài báo khi bước vào hệ thống nên được kiểm tra bằng một cổng xác minh chủ đề. Cổng đó phải đọc tiêu đề, đọc phần mở, kiểm tra thực thể được nhắc tới, rồi mới được phép kết luận chuyên mục. Nếu không tìm thấy đội bóng, cầu thủ, giải đấu hay thị trường chuyển nhượng, bài viết phải bị loại khỏi hệ thống bóng đá. Tôi nhớ lại giai đoạn COVID, khi các sân vận động trống rỗng và Juventus công bố khoản lỗ khổng lồ. Hàng loạt bài viết cho rằng bóng đá Ý sắp sụp đổ. Tôi chọn cách ngồi xuống, đọc báo cáo tài chính, xây dựng mô hình rủi ro FFP, và dự đoán những câu lạc bộ sẽ bán người. Kết quả đến từ việc đặt cược vào dữ liệu thay vì cảm xúc. Bài học từ Torreón cũng vậy. Nếu chúng ta chỉ đọc tiêu đề và chạy theo từ khóa attack, chúng ta sẽ bị bóng đá lừa. Nếu chúng ta chịu khó bóc tách ngữ nghĩa, chúng ta sẽ thấy một vụ án mạng đang được dán nhãn sai. Ở đó không có chiến thuật nào để mổ xẻ, không có bản hợp đồng nào để định giá, không có cầu thủ nào để theo dõi. Tất cả những gì tồn tại là một sai sót trong khâu tiền xử lý, và sai sót đó đủ sức làm nhiễu toàn bộ những kết luận phía sau. Giá trị thực sự của tình huống này là ở chỗ nó buộc chúng ta phải nói thẳng: hệ thống phân loại tự động không hiểu bóng đá, nó chỉ biết ghép ký tự với nhãn. Càng phụ thuộc vào hệ thống, chúng ta càng cần những con người biết nghi ngờ. Một phóng viên chuyển nhượng giỏi không phải là người đọc hợp đồng nhanh, mà là người biết rằng văn bản có thể được viết ra để đánh lừa. Một nhà phân tích dữ liệu giỏi cũng vậy: anh ta biết rằng mỗi con số đều có một chủ thể đứng sau, và chủ thể đó luôn có động cơ. Cảnh sát ở Torreón đã bắt giữ hai anh em sinh đôi 18 tuổi. Một vụ việc có người chết, người bị thương, và nghi phạm trẻ tuổi. Truyền thông địa phương đưa tin khá khách quan, nhưng khi văn bản đi vào một hệ thống thể thao, nó bị nhấn chìm trong một phân loại sai lầm. Điều này nhắc tôi rằng việc tôn trọng sự thật bắt đầu từ việc tôn trọng ranh giới thể loại. Một biên tập viên thể thao không có quyền biến một vụ án mạng thành thông tin chuyển nhượng. Khi sân vận động trống rỗng, chúng ta mới biết ai thực sự trả tiền cho bóng đá. Khi các nhãn phân loại sai lệch, chúng ta mới biết ai thực sự trả tiền cho phân tích thể thao. Nếu người trả tiền chỉ mua những con số đẹp, họ sẽ có thứ họ muốn: một kho dữ liệu trông rất khoa học nhưng lại chứa đầy thông tin vô nghĩa. Còn nếu họ mua sự thật, họ sẽ buộc phải chấp nhận một thực tế: việc gắn nhãn cho một văn bản cũng quan trọng như việc ký một hợp đồng. Câu chuyện của một bản hợp đồng luôn có ba sự thật. Câu chuyện của một vụ án mạng ở Torreón cũng có ba lớp: vụ việc, bản tin, và siêu dữ liệu. Hai lớp cuối không khớp nhau, và chúng là tất cả những gì một nhà phân tích thể thao có thể nhìn thấy. Trước khi chúng ta bước tới bất kỳ kết luận nào, chúng ta cần sửa lớp siêu dữ liệu trước tiên.