Tin điện ảnh gắn nhãn bóng đá: lỗi hệ thống và bài học cho dữ liệu thể thao Việt Nam

Ở Nagoya, buổi sáng tôi thường mở bảng dữ liệu trước khi pha ấm trà. Hôm ấy, dòng đầu tiên trong tệp gán nhãn là một bản tin ngắn: mười chín điểm thông tin, và ở cột lĩnh vực, hai chữ "bóng đá" được ghi rất rõ. Tôi đọc hết mười chín điểm ấy. Không có câu lạc bộ nào. Không có cầu thủ nào. Không có một trận đấu, một bản hợp đồng, một chỉ số kiểm soát bóng, một dòng nào về chiến thuật hay cấu trúc tài chính. Thứ xuất hiện chỉ là tên bốn người làm phim — Tom Holland, Sabrina Carpenter, Paul King và Kathleen Riley — cùng một dự án tiểu sử về Fred Astaire.

Trong hai mươi bảy năm theo nghề, tôi đã quen tự tay kiểm lại từng nhãn dữ liệu trước khi nó đi vào bất cứ bảng thống kê nào. Một nhãn sai không làm hỏng một bài viết. Nó làm hỏng cả một tập dữ liệu, và tập dữ liệu ấy sẽ âm thầm quyết định tiêu đề của ba mươi bài viết sau đó.

Bản tin bị gán nhãn sai có nội dung rất cụ thể, và nội dung ấy thuộc về điện ảnh. Sabrina Carpenter được đưa tin sẽ đóng cùng Tom Holland trong phim tiểu sử về Fred Astaire. Paul King ngồi ghế đạo diễn và đồng viết kịch bản cùng Steven Levenson. Kịch bản dựa trên cuốn sách The Astaires: Fred & Adele của Kathleen Riley, với chính Riley tham gia ở vai trò cố vấn kịch bản và cốt truyện. Dự án được công bố lần đầu gần năm năm trước. Phần bối cảnh nhắc lại thời kỳ Fred và Adele Astaire là những ngôi sao lớn trên sân khấu Broadway và West End, cùng mối lương duyên khiêu vũ nổi tiếng giữa Fred Astaire và Ginger Rogers.

Điều đáng chú ý nằm ở tầng nguồn. Trong mười chín điểm thông tin, chỉ sáu điểm là phát ngôn trực tiếp của Paul King; phần còn lại không kèm nguồn xác thực. Không có thông cáo từ hãng phim, không có xác nhận từ đại diện, không có bài báo chuyên ngành Hollywood nào được dẫn lại. Nơi đăng là một nhật báo tiếng Anh tại Pakistan, đầu mối phân phối lại nội dung wire quốc tế. Sự kiện đã đi qua ít nhất hai lần trung chuyển trước khi tới tay hệ thống gán nhãn.

Vậy mà cột lĩnh vực vẫn ghi "bóng đá". Lỗi không nằm ở khâu tóm tắt: bản ghi chú vẫn xác định đúng đây là bản tin và giọng điệu khách quan. Lỗi nằm ở đúng một tầng — từ điển từ khóa. Một tên người, một cụm từ trùng với danh mục thể thao, và cánh cửa mở ra.

Đây là lúc cần nói rõ vì sao tôi bận tâm tới một lỗi tưởng như vô hại. Dữ liệu bẩn không gây hại bằng cách tạo ra thông tin sai; nó gây hại bằng cách pha loãng trọng số của thông tin đúng. Khi một bản tin điện ảnh được ghi vào kho dữ liệu thể thao, nó không nằm im ở đó. Nó được đếm vào các chỉ số nhiệt truyền thông, được nối vào đồ thị thực thể, được dùng làm mẫu cho mô hình phân loại cảm xúc ở những lần chạy sau. Ba năm nữa, khi ai đó hỏi vì sao chỉ số chú ý của một giải đấu tăng bất thường trong một tuần không có trận nào, câu trả lời có thể nằm ở một bộ phim chưa bấm máy.

Bản thân bản tin cũng chứa dấu hiệu đáng giá cho công việc kiểm định. Sáu điểm thông tin trùng lặp nhau: các điểm từ mười bốn tới mười chín là ba câu nói của cùng một người, được diễn giải lại thành sáu dòng. Trong một bảng dữ liệu, sáu dòng ấy sẽ được mô hình đếm như sáu tín hiệu độc lập, và một phát ngôn duy nhất bỗng có sức nặng gấp sáu. Ở Nhật, tôi từng thấy chuyện tương tự với tin chuyển nhượng: một cầu thủ được ba tờ báo dẫn lại từ đúng một nguồn, và tới sáng hôm sau, cả ba tờ trở thành nhiều nguồn xác nhận. Người đại diện chỉ cần gọi một cuộc điện thoại.

Nghề của tôi dạy tôi giữ nghiêm thứ tự xác thực: thông cáo chính thức, xác nhận từ câu lạc bộ, hình ảnh tại sân tập, rồi mới tới lời người đại diện. Ở bản tin điện ảnh kia, phát ngôn của đạo diễn Paul King là nguồn duy nhất được định danh, còn toàn bộ thông tin về dàn diễn viên nằm ở mức được đưa tin, chưa xác nhận. Đó là cách phân loại tôi vẫn dùng cho tin chuyển nhượng, và nó dùng được cho mọi lĩnh vực.

Có một phép so sánh nữa đáng giữ trong đầu. Vòng đời thông tin của một thông báo tuyển diễn viên rất ngắn, tính bằng ngày tới vài tuần, và tin chuyển nhượng cũng vậy. Nhưng thứ tồn tại lâu trong cả hai trường hợp lại nằm ở rìa: một chi tiết nhỏ, không ai tranh nhau đưa. Với bộ phim kia, đó là câu nói của đạo diễn rằng không còn thước phim nào ghi lại màn khiêu vũ của Adele Astaire. Với bóng đá, đó là số lần chạm bóng của một tiền vệ ở phút thứ tám mươi, khi tỉ số đã an bài. Người ta nhớ tên người ghi bàn, tôi nhớ người đã đặt trái bóng vào đúng vị trí.

Điều dễ làm nhất lúc này là đổ hết cho cỗ máy gán nhãn. Tôi không nghĩ đó là chẩn đoán đúng. Một thuật toán chỉ lặp lại đúng những gì người huấn luyện nó đã lười biếng bỏ qua. Nếu quy trình chưa từng yêu cầu ai đó mở bản tin ra đọc trước khi dán nhãn, thì lỗi gán nhãn chỉ là triệu chứng. Bệnh nằm ở thói quen tin vào khối lượng: càng nhiều dòng dữ liệu, ta càng thấy yên tâm, dù chưa kiểm một dòng nào.

Tôi từng ngồi trong phòng họp báo ở Nga, nơi hàng trăm phóng viên chỉ chờ một cái tên. Một cầu thủ chạy 11,8 km và thu hồi bóng nhiều nhất đội gần như không được ai hỏi tới. Sự chú ý không phân bổ theo giá trị thông tin; nó phân bổ theo độ ồn. Bản tin điện ảnh kia cũng vậy: phần gây sốt là tên hai diễn viên trẻ, phần đáng nhớ là một khoảng trống trong kho lưu trữ.

Và đây là chỗ tôi muốn nói thẳng về phía mình: người đại diện là chi phí ẩn lớn nhất của thị trường chuyển nhượng, không vì họ xấu, mà vì tiếng ồn của họ làm méo mó thước đo. Một thông báo tuyển diễn viên được canh giờ phát đi cũng theo đúng logic ấy. Đọc thời điểm công bố như một dữ kiện quảng bá, không phải như một bằng chứng. Sự ổn định không bao giờ lóa mắt, nhưng nó giữ cho mọi thứ không vỡ vụn.

Ở Nhật, các câu lạc bộ công bố chấn thương theo mẫu cố định, cập nhật theo tuần, không tô vẽ. Sự nhàm chán ấy là một dạng hạ tầng. Với dữ liệu thể thao Việt Nam, việc cần làm là chuyển câu hỏi từ gán nhãn nhanh hơn sang ai chịu trách nhiệm khi một nhãn sai lọt qua. Có những trận đấu chẳng ai xem, nhưng người trong cuộc vẫn phải chơi trọn vẹn. Khi bóng ngừng lăn, tôi bắt đầu quan sát kỹ hơn.