Khi một tin phim tình cảm lọt vào sân cỏ: lỗ hổng dữ liệu mà báo chí thể thao không muốn nhìn thẳng

Có một đêm tôi ngồi trước màn hình, mở ba tab dữ liệu như một thói quen nghề nghiệp, và bắt gặp một dòng tin kỳ lạ trong luồng chuyên môn: một bài báo về bộ phim tình cảm "Still We Met", với hai cái tên Joe Alwyn và Mary Beth Barone, được dán nhãn "lĩnh vực: bóng đá". Không một câu lạc bộ. Không một cầu thủ. Không một huấn luyện viên, không một trận đấu, không một cái tên nào thuộc thế giới sân cỏ. Nhưng nó vẫn nằm đó, trong đúng cái luồng dữ liệu mà các nhà phân tích thể thao dùng để dựng mô hình, chấm điểm phong độ và viết tin. Tôi đã nhìn dòng nhãn ấy lâu hơn mức cần thiết. Không phải vì tôi tò mò về bộ phim, mà vì một cảm giác lạnh sống lưng rất quen: đây không phải lỗi của một bài báo. Đây là lỗi của một cỗ máy. Và cỗ máy ấy đang nằm trong phòng làm việc của tất cả chúng ta.

Để cho rõ, câu chuyện gốc không có gì bí ẩn. The Express Tribune, một nhật báo tiếng Anh tại Pakistan, đưa tin bộ phim hài lãng mạn "Still We Met" chuẩn bị bấm máy vào mùa thu tại New York. Kịch bản do Mary Beth Barone viết, lấy cảm hứng lỏng từ chính trải nghiệm của cô: một phụ nữ trẻ đứng trước ngã rẽ cuộc đời gặp một người đàn ông Anh quyến rũ, rồi có một đêm khó quên lang thang khắp New York để cùng nhau bộc lộ những điều chưa từng dám nói. Barone đóng chính bên cạnh Joe Alwyn. Đạo diễn là Zackary Drucker, đánh dấu lần đầu cô cầm trịch một phim điện ảnh dài, sau khi từng được đề cử Emmy với "This Is Me". Hai nhà sản xuất là Assemble Media và Irony Point, còn Lena Dunham cùng Michael Cohen đứng ở vị trí giám đốc sản xuất qua banner Good Thing Going. Về phía dàn diễn viên, Barone vừa xuất hiện trong series "Overcompensating" của Amazon/A24 và chương trình hài độc thoại "Galaxy Brain" trên Netflix từng lọt top 10 nền tảng; Alwyn vừa góp mặt trong "Hamnet", "The Brutalist" và "Panic Carefully". Không một chi tiết nào trong số đó chạm đến bóng đá. Vậy mà toàn bộ 28 điểm thông tin của bài báo lại được nạp vào hệ thống với tấm nhãn "Domain Label: football".

Điều đáng nói ở đây không phải là sự nhầm lẫn ngớ ngẩn của một dòng nhãn. Điều đáng nói là cấu trúc của lỗi. Khi tôi ngồi bóc tách từng lớp của sự cố này, tôi nhận ra nó không phải một tai nạn đơn lẻ mà là một lỗ hổng hệ thống — và nó có ba tầng.

Tầng thứ nhất là tầng phân loại. Một cỗ máy gắn nhãn chủ đề đã đọc bài báo và quyết định rằng đây là nội dung bóng đá. Nó không có một mỏ neo ngữ nghĩa nào. Không tên giải đấu, không tên cầu thủ, không tên câu lạc bộ, không thậm chí một từ vựng bóng đá nào như "chiến thuật", "đội hình", "chuyển nhượng" hay "học viện". Nếu tôi nói với một biên tập viên bất kỳ rằng tôi muốn viết về "Still We Met" cho chuyên mục thể thao, anh ta sẽ nhìn tôi như nhìn người vừa mở nhầm cửa. Nhưng cỗ máy thì không nhìn thấy cái cửa ấy. Nó chỉ nhìn thấy một chuỗi ký tự, một vài trường dữ liệu, và một danh sách từ khóa có thể đã bị lệch.

Tầng thứ hai là tầng xác minh. Một bài báo thể thao thật sự phải chứa ít nhất một thực thể bóng đá có thể nhận diện — một câu lạc bộ, một cầu thủ, một huấn luyện viên, một giải đấu, hoặc một cơ quan quản lý. Đây là điều kiện tối thiểu để bất kỳ nội dung nào được gọi là nội dung bóng đá. Bài báo này thỏa mãn số điều kiện đó bằng con số không. Trong một hệ thống được thiết kế cho dữ liệu bóng đá, việc một văn bản không có một thực thể bóng đá nào vẫn lọt qua cổng phân loại cho thấy cổng ấy đang kiểm tra sai thứ. Nó kiểm tra sự xuất hiện của chữ, thay vì kiểm tra sự hiện diện của người.

Tầng thứ ba, và cũng là tầng đáng sợ nhất, là tầng kiểm duyệt của con người. Không ai chặn dòng tin ấy lại. Nó đi thẳng vào kho dữ liệu. Điều này có nghĩa là trong dây chuyền ấy, một bài báo giải trí thuần túy có thể trở thành một mẫu dữ liệu bóng đá mà không cần một con mắt người nào xác nhận. Và nếu nó ở lại, nó sẽ bắt đầu thì thầm. Nó sẽ được đếm vào khối lượng nội dung bóng đá. Nó sẽ góp phần vào các chỉ số theo dõi chủ đề. Nó sẽ bơm một tín hiệu giả vào bất kỳ mô hình nào học từ tập dữ liệu ấy.

Trong im lặng của một bộ dữ liệu nhiễm bẩn, những con số không hét lên. Chúng chỉ âm thầm sai.

Tôi không nói quá. Nếu bạn từng làm việc với dữ liệu, bạn biết rằng loại lỗi nguy hiểm nhất không phải là lỗi làm hệ thống sập. Đó là loại lỗi làm hệ thống chạy trơn tru, trả về kết quả trông có vẻ hợp lý, và chỉ lộ ra khi ai đó đủ tò mò để hỏi một câu rất cơ bản: "Cái này từ đâu ra?". Rất ít người chịu hỏi câu ấy. Chúng ta thường tin vào dữ liệu nhanh hơn tin vào trực giác, mà quên rằng dữ liệu cũng là một kết quả — kết quả của một quy trình, và quy trình nào cũng có thể sai.

Vậy quy trình ấy sai ở đâu? Nếu tôi nhìn vào cấu trúc của sự cố, tôi thấy ba dấu hiệu cho thấy đây không phải lỗi bất cẩn đơn thuần. Thứ nhất, hai trường bắt buộc của giai đoạn xử lý đầu vào — mức độ nhạy cảm thời gian và danh sách thực thể liên quan — bị bỏ trống hoặc để ngỏ. Một cỗ máy làm việc nghiêm túc không để hai trường bắt buộc trống. Điều đó có nghĩa là không có bước kiểm tra nào bật cờ cảnh báo khi dữ liệu thiếu. Thứ hai, trường "loại bài báo" và "lập trường tác giả" lại được điền chính xác. Nghĩa là cỗ máy không hỏng hoàn toàn; nó chỉ hỏng đúng ở chỗ phân loại chủ đề. Một lỗi khu trú như thế thường là dấu hiệu của một quy tắc bị sai, chứ không phải thiếu quy tắc. Thứ ba, bài báo không có ngày xuất bản, khiến cụm "mùa thu này" trong nội dung không thể quy về một năm cụ thể. Một hệ thống dùng để theo dõi độ tươi của tin mà không có mốc thời gian thì không thể chấm đúng độ tươi của bất cứ thứ gì.

Ba dấu hiệu ấy ghép lại thành một bức tranh rõ ràng: đây là lỗi ở tầng gắn nhãn, và nó xảy ra vì không có người gác cổng. Tôi từng viết rằng số liệu có thể là một nhân vật biết kể chuyện. Nhưng đêm nay, số liệu kể cho tôi một câu chuyện khác. Nó kể về việc chúng ta đã trao cho máy móc nhiều quyền phán xử hơn mức chúng ta sẵn sàng thừa nhận.

Giờ đến phần tôi có thể sai. Người ta sẽ nói: một dòng nhãn sai thì có gì to tát? Ai mà chẳng có lỗi kỹ thuật. Nếu bạn đọc đến đây và nghĩ tôi đang làm quá mọi chuyện, thì có lẽ bạn đúng một nửa. Cá nhân bài báo về "Still We Met" không làm hại ai. Không có nhà cái nào sập, không có cổ động viên nào bị lừa, không có đội bóng nào mất điểm vì một bài phim tình cảm. Tôi không muốn vẽ ra một thảm họa không tồn tại.

Nhưng cái tôi lo không phải bài báo này. Cái tôi lo là nó là triệu chứng của một căn bệnh lớn hơn, và căn bệnh ấy không chỉ có ở một tòa soạn phương xa. Hãy nhìn vào bóng đá Việt Nam. Chúng ta đã có bao nhiêu bản tin chuyển nhượng được dựng từ một nguồn duy nhất, đăng lại không kiểm chứng, rồi trở thành "sự thật" chỉ nhờ số lần chia sẻ? Chúng ta đã bao nhiêu lần chấm điểm một cầu thủ bằng quãng đường di chuyển mà quên hỏi số bước chân ấy có tạo ra điều gì không? Đó là cùng một lỗi: tin vào dữ liệu mà không hỏi dữ liệu từ đâu ra.

Vấn đề thật sự không phải máy móc gắn sai nhãn. Vấn đề thật sự là chúng ta xây những cỗ máy không có người gác cổng, rồi tin vào chúng vì chúng chạy nhanh.

Một điểm nữa mà phe phản biện sẽ nói: trong một hệ thống lớn, một bài lạc loài là chuyện nhỏ, dọn dẹp rồi đi tiếp. Tôi đồng ý rằng cần dọn dẹp. Nhưng nếu bạn chỉ dọn một bài và không sửa cổng phân loại, thì bài tiếp theo đã nằm sẵn trong hàng đợi. Và điều đáng sợ nhất về lỗi phân loại là nó không phải lỗi của cá nhân; nó là lỗi của cả một dây chuyền, lặp lại mỗi ngày, mỗi giờ, mà không ai nhìn thấy vì nó không gây ra tiếng động nào.

Người ta gọi tôi là kẻ ngược dòng. Tôi gọi mình là kẻ tìm thấy. Và điều tôi tìm thấy đêm nay không nằm trong một bộ phim. Nó nằm trong cách chúng ta đối xử với dữ liệu thể thao: một kho báu mà chúng ta vừa cất giữ vừa để ngỏ cửa.

Dữ liệu cho tôi con số, nhưng một dòng nhãn sai cho tôi câu hỏi. Nếu một bài báo không có nổi một cầu thủ vẫn được gọi là bóng đá, thì bao nhiêu "sự thật" khác trong ngành này cũng đang mang tấm nhãn sai mà không ai kiểm tra? Câu trả lời không nằm ở một cỗ máy thông minh hơn, mà ở việc trả lại cho con người cái quyền gác cổng mà chúng ta đã lỡ trao nhầm. Chiến thuật rồi sẽ lỗi thời, nhưng câu chuyện về niềm tin vào con số thì không.