Một thẻ “bóng đá” gắn nhầm vào bản tin tang thương: khi dữ liệu bẩn tự bắn vào chân ngành thể thao

Ba giờ mười hai phút sáng, giờ Hamburg

Bảng giám sát nội dung của tôi — thứ tôi dựng từ thời còn ngồi trong phòng chiếu băng của Hamburger SV — hiện lên ở dòng thứ mười một một thẻ màu xanh đề chữ “bóng đá”. Tôi bấm vào. Bốn phút sau, tôi vẫn chưa tìm thấy một câu lạc bộ nào, một tỉ số nào, một đội hình nào, một cầu thủ nào, một giải đấu nào.

Thứ tôi tìm thấy là một người mẫu kiêm diễn viên tên Kaia Gerber, người vừa hoãn một loạt cam kết nghề nghiệp. Là Presley Gerber, anh trai của cô, được cho là đã qua đời ở tuổi 27 vào ngày 20 tháng 9, sau khi được phát hiện trong tình trạng không phản ứng tại cơ sở Resolutions Living. Là Cindy Crawford và Rande Gerber, cha mẹ của hai anh em. Là Lewis Pullman, bạn trai của Kaia, và Bill Pullman, cha của Lewis. Là một nguồn tin giấu tên nói với Daily Mail rằng Kaia đang rất đau buồn, và rằng cô ấy khó tin anh trai mình đã ra đi mãi mãi.

Không một dòng nào trong đó thuộc về bóng đá. Nhưng hệ thống đã quyết định khác, và nó không hề do dự.

Từ phòng chiếu băng HSV, tôi nhìn thấy Bundesliga như một bàn cờ. Bàn cờ ấy chỉ đẹp khi các quân cờ đứng đúng ô. Khi một quân cờ lạc sang ô khác, người ta không tranh cãi về thế trận nữa; người ta dừng lại và hỏi ai đã đặt nó ở đó.

Chuyện gì đã được công bố, và chuyện gì còn là giả thuyết

Tôi tách phần này ra trước khi đi sâu, vì thói quen nghề nghiệp cũ vẫn còn nguyên: một hồ sơ chỉ đáng tin bằng chính chất lượng nguồn của nó.

Kaia Gerber là người mẫu và diễn viên. Cô được cho là đã hoãn nhiều cam kết nghề nghiệp sau khi anh trai qua đời. Một nguồn tin thân cận với gia đình nói với Daily Mail rằng cô có một lịch trình dày đặc và đã hoãn lại phần lớn công việc. Một nguồn khác nói cô đang vật lộn để hiểu được cái chết của anh trai. Một nguồn thứ ba, được gọi là người trong cuộc, cho biết gia đình đang lo cho cô, và rằng những người đồng hành lớn nhất của cô là cha mẹ, bạn trai Lewis, và cả cha của Lewis là Bill Pullman.

Cảnh sát đang điều tra cái chết của Presley Gerber theo hướng nghi ngờ quá liều. Nguyên nhân chính thức chưa được xác định. Toàn bộ những chi tiết kể trên đến từ các nguồn giấu tên, được Daily Mail công bố và sau đó được The Express Tribune dẫn lại.

Nói cách khác, tôi có một tập hợp sự kiện đủ để mô tả một bi kịch gia đình, và một tập hợp bằng chứng không đủ để kết luận bất cứ điều gì về nó. Đó là trạng thái bình thường của tin tức nóng. Vấn đề nằm ở chỗ khác: hệ thống phân loại của tôi đã gắn cho nó một nhãn không liên quan, và tôi biết chuyện đó không phải lỗi của riêng hệ thống của tôi.

Ở tuổi 63, tôi không còn chạy theo trái bóng, chỉ chạy theo ý đồ của nó. Nhưng ý đồ đôi khi bị ghi sai vào sổ.

Cơ chế: cái thẻ màu xanh được sinh ra như thế nào

Những hệ thống gắn nhãn tự động không đọc bài báo như con người. Chúng băm văn bản thành các đơn vị nhỏ, đếm tần suất, đối chiếu với một từ điển thực thể, rồi tính điểm. Một bài viết về bóng đá thường được nhận diện qua tập hợp dấu hiệu: tên câu lạc bộ, tên giải đấu, từ vựng chuyên ngành, tên cầu thủ, và những cụm từ lặp đi lặp lại như “đội hình”, “chuyển nhượng”, “vòng đấu”.

Trong bản tin về gia đình Gerber, gần như toàn bộ nhóm dấu hiệu ấy vắng mặt. Vậy cái thẻ xanh kia từ đâu ra?

Ở đây tôi phải nói rõ: phần tiếp theo là giả thuyết, không phải kết luận. Tôi đưa ra nó vì nó có thể kiểm chứng được, và vì nếu đúng thì nó chỉ ra một lỗ hổng lớn hơn nhiều so với một lần gắn nhãn sai.

Giả thuyết thứ nhất là va chạm họ tên. Các hệ thống trích xuất thực thể hoạt động trên họ và tên riêng. Những họ như Gerber, Crawford, Pullman xuất hiện rải rác trong các cơ sở dữ liệu thể thao đa ngôn ngữ, ở nhiều môn khác nhau, ở nhiều quốc gia khác nhau. Khi bộ lọc không đủ chặt, một họ trùng khớp có thể kéo theo một nhãn môn thể thao.

Giả thuyết thứ hai là lỗi phân loại ở tầng trước. Nếu hệ thống cấp trên dán nhãn chủ đề chung là “thể thao” cho toàn bộ mảng tin giải trí người nổi tiếng, thì tầng dưới chỉ việc chia nhỏ thành các môn. Một bài về người mẫu lọt vào nhánh thể thao sẽ tự động bị đẩy vào môn nào đó có sức chứa lớn nhất — và bóng đá thường là môn có sức chứa lớn nhất.

Giả thuyết thứ ba là lỗi học máy do thiếu mẫu phủ định. Mô hình chưa từng được dạy đủ nhiều ví dụ về các bài viết “không thuộc bóng đá”, nên nó không có khái niệm vững chắc về việc từ chối. Với mô hình như vậy, bất cứ văn bản nào có đủ từ khóa trung tính cũng có thể vượt ngưỡng.

Ba giả thuyết này không loại trừ nhau. Trong thực tế, chúng thường cộng dồn.

Điều đáng chú ý là không giả thuyết nào liên quan tới chất lượng nội dung của bản tin gốc. Bản tin ấy làm đúng việc của nó. Người viết sai là người dựng ống dẫn.

Dữ liệu bẩn trong bóng đá: bài học tôi học từ những tấm băng

Tôi bước vào nghề này năm 2026, sau khi tốt nghiệp Học viện Báo chí, viết cho Báo Bóng đá và làm phóng viên của Báo Thể thao Thế giới tại Madrid. Hồi đó dữ liệu là những cuốn sổ tay và những cuộn băng VHS. Sai một con số thì phải tua lại, xem lại, đếm lại. Cái giá của sai sót được trả bằng thời gian, nên người ta ít sai hơn.

Năm 2026, khi tôi làm chuyên viên phân tích băng hình ở trung tâm đào tạo trẻ Hamburger SV, tôi xem lại toàn bộ 47 cuộn băng của đội U19 mùa 2026-98. Tôi phát hiện một quy luật: đội thua 73% số trận khi đối đầu với sơ đồ 3-5-2 có hai tiền vệ trụ. Tôi đề xuất chuyển sang 4-4-2 kim cương để khóa tuyến giữa. Nửa sau mùa giải, U19 leo từ hạng 11 lên hạng 4. Huấn luyện viên trưởng gọi tôi là “nhà giải mã”, và cái tên ấy theo tôi đến tận bây giờ.

Nhưng có một chi tiết tôi chưa từng kể công khai: trước khi tin vào con số 73%, tôi đã phải kiểm tra xem 47 cuộn băng kia có thật sự là 47 trận khác nhau hay không. Có hai cuộn bị dán nhãn trùng. Nếu tôi không phát hiện, tỉ lệ thật sẽ khác, và bản đề xuất của tôi sẽ dựa trên một mẫu bị nhiễu. Một cuộn băng dán sai nhãn có thể làm lệch cả một mùa giải.

Đó chính xác là những gì đang xảy ra với các kho dữ liệu thể thao hiện đại, chỉ ở quy mô lớn hơn hàng triệu lần.

Bằng chứng từ một thí nghiệm tôi từng chạy

Tháng 5 năm 2026, khi Bundesliga trở lại với các sân vận động trống, tôi nhận ra đây là cơ hội nghiên cứu chưa từng có. Tôi phân tích 89 trận không khán giả của mùa 2026-20. Kết quả: lợi thế sân nhà giảm rõ rệt, cường độ pressing giảm 8,3%, nhưng tỉ lệ chuyền chính xác tăng 3,2% vì cầu thủ nghe rõ nhau hơn. Từ đó tôi xây dựng khái niệm “mô hình chiến thuật bóng đá im lặng”.

Sân vắng khán giả, chiến thuật hiện nguyên hình như dưới kính hiển vi.

Nhưng có một điều tôi rút ra mà ít người nhắc tới: để có được 89 trận sạch, tôi đã phải loại bỏ 14 trận khỏi tập dữ liệu ban đầu. Bốn trận trùng lặp do lỗi xuất dữ liệu. Năm trận thiếu cột thời lượng bóng lăn. Ba trận bị gán nhãn sai vòng đấu. Hai trận có số liệu pressing vô lý về mặt vật lý — cường độ cao hơn ngưỡng sinh lý của con người trong 90 phút.

Nghĩa là tỉ lệ nhiễu trong tập dữ liệu thô của tôi là khoảng 13,6%. Một con số không nhỏ. Và tôi đã phải mất gần hai tuần chỉ để dọn dẹp trước khi bắt đầu phân tích thật.

Khi tôi nhìn thấy thẻ “bóng đá” gắn trên bản tin về gia đình Gerber, tôi nhận ra ngay đó là cùng một loại lỗi, chỉ khác tầng. Bản tin ấy là một cuộn băng dán sai nhãn, và nó sẽ nằm trong kho dữ liệu cho tới khi có ai đó chịu bỏ thời gian gỡ nó ra.

Vì sao dữ liệu sai nhãn lại nguy hiểm hơn dữ liệu thiếu

Thiếu dữ liệu thì người ta biết mình thiếu, và họ đi tìm. Sai nhãn thì người ta tưởng mình đã có, và họ ngừng tìm. Đó là toàn bộ vấn đề.

Trong tuyển trạch, một hồ sơ bị gán sai vị trí có thể khiến một câu lạc bộ mua nhầm mẫu cầu thủ. Trong phân tích đối thủ, một trận bị dán nhãn sai có thể làm lệch toàn bộ mô hình dự báo về một đối thủ cụ thể. Trong truyền thông, một bản tin không liên quan được đẩy vào luồng bóng đá sẽ chiếm chỗ của một bản tin thật, và tệ hơn, nó làm loãng tín hiệu mà người đọc dùng để đánh giá chất lượng của cả luồng.

Tôi vẫn giữ quan điểm cũ của mình về xG: nó đã bị lạm dụng. Không phải vì nó vô dụng, mà vì người ta dùng nó để trả lời những câu hỏi mà nó không được thiết kế để trả lời — quyết định của huấn luyện viên, phong độ thật của cầu thủ, tiêu chuẩn của trọng tài. Một chỉ số bị dùng sai chỗ sẽ tạo ra cảm giác hiểu biết mà không có hiểu biết thật.

Thẻ nhãn sai cũng vậy. Nó không làm hỏng dữ liệu bằng cách nói dối. Nó làm hỏng dữ liệu bằng cách nói một điều đúng về một thứ khác.

Ba tầng lan truyền của một lỗi nhỏ

Lỗi bắt đầu ở tầng thu thập, nơi một mô hình đọc văn bản và quyết định chủ đề. Từ đó nó lan xuống tầng phân phối, nơi các bảng tin tự động đẩy nội dung theo nhãn. Rồi nó lan tới tầng tiêu dùng, nơi người đọc — và cả những mô hình ngôn ngữ được huấn luyện trên dữ liệu công khai — học lại chính cái nhãn sai ấy như một sự thật.

Tầng thứ ba là tầng nguy hiểm nhất, vì nó khép kín vòng lặp. Một khi nhãn sai được lan đủ rộng, nó trở thành một phần của nền tảng tri thức chung, và việc sửa nó đòi hỏi nỗ lực lớn hơn nhiều so với việc ngăn nó ngay từ đầu.

Trong bóng đá, chúng ta từng thấy vòng lặp này ở quy mô nhỏ hơn. Một tin chuyển nhượng vô căn cứ được đăng, được dẫn lại, được dịch, rồi được dẫn lại từ bản dịch. Sau vài vòng, người ta trích dẫn chính bài báo đầu tiên như thể nó là nguồn xác nhận của chính nó.

Mỗi bản hợp đồng là một canh bạc, nhưng tôi thích đếm xác suất hơn.

Góc phản trực giác: đây không phải lỗi kỹ thuật

Phần dễ chịu nhất khi phân tích một lỗi hệ thống là quy nó cho thuật toán. Làm vậy thì không ai phải chịu trách nhiệm, và giải pháp trở thành một bản cập nhật phần mềm.

Tôi không tin cách giải thích đó, ít nhất là trong trường hợp này.

Hãy nhìn vào động cơ. Một bản tin về cái chết của một người 27 tuổi, về một gia đình nổi tiếng, về một người mẫu trẻ đang đau buồn, tạo ra lượng tương tác cao hơn nhiều lần so với một bài phân tích chiến thuật về một trận đấu hạng trung ở vòng 12. Điều đó đúng ở mọi thị trường, kể cả thị trường Đức nơi tôi đang làm việc.

Một hệ thống được tối ưu cho tương tác sẽ không bao giờ học được cách từ chối những nội dung như vậy. Nó học được điều ngược lại: đẩy chúng đi xa hơn, cho nhiều người xem hơn, gắn cho chúng nhiều nhãn hơn để chúng chảy vào mọi luồng có thể chảy.

Đó là lý do tôi cho rằng lỗi gắn nhãn trong trường hợp này không phải một khiếm khuyết kỹ thuật mà là một đặc tính kinh tế của hệ thống. Cái thẻ xanh ấy được sinh ra để làm đúng việc của nó: giữ chân người xem.

Với tư cách người quan sát độc lập, tôi không đứng về phía nền tảng, cũng không đứng về phía người đọc bị dẫn sai. Tôi chỉ ghi lại rằng động cơ và cơ chế ở đây khớp nhau quá hoàn hảo để có thể coi là ngẫu nhiên.

Biến số ngoài sân cỏ: nguồn giấu tên

Những bài học dài nhất của tôi về chiến thuật lại đến từ những thứ không nằm trên sân. Thời tiết. Lịch thi đấu dày. Sân vắng khán giả. Tâm lý phòng thay đồ. Những biến số mà máy quay không thấy trực tiếp nhưng quyết định phần lớn những gì máy quay ghi lại.

Trong bản tin về gia đình Gerber, biến số ngoài sân cỏ quan trọng nhất là nguồn tin. Gần như mọi chi tiết đều đến từ những người không được nêu tên: “một nguồn tin thân cận với gia đình”, “một nguồn tin khác”, “một người trong cuộc”. Cấu trúc này giống hệt cấu trúc của một tin chuyển nhượng không có xác nhận chính thức.

Tôi từng viết rằng một tin chuyển nhượng chỉ đáng tin bằng số lần nó được xác nhận bởi một bên có tên. Áp dụng nguyên tắc đó vào đây: gia đình chưa lên tiếng công khai, cơ quan điều tra chưa công bố kết luận, nên các chi tiết về tình trạng cảm xúc của những người liên quan là thông tin có độ tin cậy từ thấp đến trung bình, bất kể chúng được đăng ở đâu.

Điều này không làm giảm giá trị nhân văn của câu chuyện. Nó chỉ đặt câu chuyện vào đúng ngăn của nó trong kho dữ liệu.

Điểm mù lớn nhất: yêu cầu một người đang đau buồn phải chứng minh bản thân

Có một câu trong bản tin mà tôi đọc đi đọc lại nhiều lần: một nguồn tin nói không biết khi nào Kaia Gerber sẽ trở lại làm việc.

Câu đó nghe vô hại. Nó được đặt trong bài như một chi tiết về lịch trình. Nhưng nó là cùng một loại câu mà tôi đã nghe hàng trăm lần trong sự nghiệp của mình, chỉ khác đối tượng: “không biết khi nào cậu ấy trở lại thi đấu”.

Bóng đá có một thói quen tàn nhẫn với những người vừa trải qua biến cố. Khi một cầu thủ trở lại sau chấn thương dài, công luận lập tức đòi hỏi cậu ấy phải chứng minh bản thân trong trận đầu tiên. Yêu cầu đó bỏ qua một thực tế sinh lý đơn giản: mô mềm cần thời gian, hệ thần kinh trung ương cần thời gian, và áp lực tâm lý làm tăng xác suất tái chấn thương.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi trong hơn hai thập kỷ qua, phần lớn các ca tái chấn thương mà tôi ghi nhận không xảy ra ở phút thứ 85 của trận tái xuất. Chúng xảy ra ở phút thứ 20, khi cầu thủ đã tự đặt mình vào một pha tranh chấp mà thể trạng chưa cho phép, chỉ để trả lời một câu hỏi mà lẽ ra không ai nên hỏi.

Cùng logic đó áp vào một người mẫu vừa mất anh trai ở tuổi 27. Câu hỏi “khi nào cô ấy trở lại làm việc” không phải một câu hỏi trung tính. Nó là một dạng áp lực, dù được đặt ra với giọng cảm thông nhất.

Ở tuổi 63, tôi đã học được rằng có những khoảng lặng trong một sự nghiệp không phải để lấp đầy. Chúng là phần dữ liệu duy nhất không thể thu thập bằng cách nào khác.

Phép màu và phép tính

Phép màu trên sân chỉ là phép tính mà khán giả chưa kịp đọc.

Cùng một nguyên tắc ấy áp vào thẻ nhãn. Một bản tin được gắn nhãn “bóng đá” không phải một phép màu, cũng không phải một tai nạn khó hiểu. Nó là kết quả của một chuỗi quyết định có thể lần ngược hoàn toàn: chọn từ điển thực thể nào, đặt ngưỡng ở đâu, xếp hạng ưu tiên giữa tương tác và độ chính xác như thế nào, và ai chịu trách nhiệm kiểm tra định kỳ.

Trong 47 cuộn băng năm 2026, tôi tìm được một quy luật vì tôi tin rằng quy luật phải để lại dấu vết. Trong 89 trận không khán giả năm 2026, tôi tìm được một mô hình vì tôi kiên nhẫn loại bỏ những trận bị nhiễu trước khi tính toán.

Người ta thường hỏi tôi vì sao ở tuổi này tôi vẫn tự dựng bảng giám sát cho riêng mình thay vì dùng dịch vụ có sẵn. Câu trả lời nằm ở chính bài viết này: dịch vụ có sẵn đã gửi cho tôi một bản tin về một gia đình đang tang thương và dán lên đó nhãn “bóng đá”.

Điều cần kiểm chứng trong tuần tới

Tôi đưa ra một dự đoán có thể kiểm chứng, như tôi vẫn làm trước mỗi vòng đấu.

Nếu bất kỳ ai chịu bỏ công kiểm tra 500 bản tin liên tiếp được gắn nhãn bóng đá trên các bảng tổng hợp nội dung thể thao, tôi cho rằng tỉ lệ gắn nhầm sẽ không dưới 6%, và phần lớn trong số đó sẽ thuộc nhóm tin về người nổi tiếng, đời sống cá nhân, hoặc các sự kiện không có thực thể bóng đá nào. Điều kiện đảo ngược kịch bản: nếu tỉ lệ đó dưới 2%, thì giả thuyết của tôi về động cơ tương tác là sai, và vấn đề thật sự nằm ở tầng kỹ thuật thuần túy.

Một chỉ số thứ hai để theo dõi: tỉ lệ các bản tin không có tên câu lạc bộ nào trong 200 từ đầu tiên nhưng vẫn được gắn nhãn giải đấu cụ thể. Nếu chỉ số này cao, thì lỗi không nằm ở mô hình ngôn ngữ, mà nằm ở người thiết kế quy trình.

Và trong lúc chờ những con số ấy, có một câu hỏi tôi để lại cho người đọc, không phải để trả lời ngay mà để mang theo: nếu một hệ thống không phân biệt được tin tang thương của một gia đình với tin chiến thuật của một trận đấu, thì nó đang phục vụ người đọc, hay đang phục vụ chính nó?