Nhãn 'bóng đá' dán lên một đám cưới: lỗ hổng dữ liệu trong tòa soạn thể thao Việt Nam

Một hồ sơ đi vào đường ống dữ liệu bóng đá. Nhãn dán trên đầu nó: football. Bên trong: mười bảy điểm thông tin. Không một cái tên nào thuộc về sân cỏ. Chỗ ấy có một buổi phỏng vấn trên tạp chí People về lễ đính hôn, một đơn xin giấy kết hôn tại Arkansas, hai cuộc hôn nhân cũ, và hai người dẫn chương trình truyền hình buổi sáng của Mỹ. Công đoạn kiểm chứng chéo được chạy đủ mười bảy điểm. Kết quả trả về trắng trơn: không đội bóng, không cầu thủ, không huấn luyện viên, không giải đấu, không hợp đồng, không một chỉ số chuyên môn nào.

Bản phân tích gọi hiện tượng này bằng tên nghề nghiệp của nó: lỗi phân loại lĩnh vực. Một tin giải trí mặc áo bóng đá.

Người ngồi trong tòa soạn thể thao hai mươi bảy năm như tôi không lo vì đám cưới của hai người dẫn chương trình ấy. Chỗ đáng lo nằm ở khác: hồ sơ đó đã đi qua một đường ống, và đường ống như thế có thể đang chạy ở Sài Gòn, ở Hà Nội, trong chính cái kho dữ liệu mà các phóng viên trẻ đang dùng để tra cứu mỗi ngày.

Khi một bài báo được nạp vào kho nội dung, hệ thống phải trả lời một câu hỏi trước khi lưu: bài này thuộc lĩnh vực nào. Nó dựa vào tín hiệu bề mặt — từ khóa, tên riêng, cụm từ lặp lại — để gán nhãn. Bài về bóng đá nữ nhận nhãn football. Bài về chuyển nhượng cũng nhận nhãn football. Cái nhãn ấy quyết định hồ sơ nằm trong ngăn nào, chảy vào bảng thống kê nào, và tới lượt mình, nuôi mô hình nào.

Mười năm trước, công đoạn này do con người làm. Một biên tập viên đọc bài rồi quyết định ngăn. Ngày nay phần lớn tòa soạn số, nền tảng tổng hợp tin và cả những đơn vị làm chỉ số thể thao đều tự động hóa khâu gán nhãn, vì tốc độ. Tự động hóa thì đúng. Nhưng tự động hóa mà thiếu cổng kiểm tra thì nhãn sai đi thẳng vào kho, nằm đó, và không ai biết nó ở đó.

Điều khiến tôi dừng lại ở hồ sơ này là cấu trúc của lỗi. Nó không sai ở chỗ khó hiểu. Nó sai ở chỗ quá dễ hiểu: toàn tên riêng người Mỹ, tên chương trình truyền hình, tên tạp chí — không một thực thể bóng đá nào. Một cổng kiểm tra tối thiểu, chỉ cần đối chiếu danh sách thực thể với nhãn được gán, đã chặn được nó ngay ở cửa.

Nếu câu chuyện dừng ở cái nhãn thì hết sau ba dòng. Nhưng bản phân tích ấy còn lôi ra hai vấn đề nữa, và hai vấn đề này mới là thứ lặp lại hằng ngày trong nghề của tôi.

Mười bốn trên mười bảy điểm thông tin không có nguồn danh định. Chỉ hai điểm đứng trên nguồn có tên: một buổi phỏng vấn trên People xác nhận lễ đính hôn, và một tin trên TMZ về đơn xin giấy kết hôn. Mười bốn điểm còn lại trôi nổi, không ai chịu trách nhiệm. Trong nghề, đó là cấu trúc kinh điển của một bài tổng hợp: nhặt phần lớn từ báo khác, cắm một cuộc phỏng vấn làm điểm tựa, thêm một chi tiết giật gân làm gia vị. Nó đọc rất mượt. Và nó không có xương sống.

Hãy hình dung hồ sơ đó nằm lẫn trong một kho dữ liệu bóng đá. Mô hình huấn luyện trên kho ấy sẽ học rằng từ "đính hôn" có liên quan tới bóng đá. Nghe vô lý, nhưng nhiễu không cần vô lý — nhiễu chỉ cần hiện diện đủ nhiều.

Độ tin cậy của nguồn có hai đỉnh, và hai đỉnh ấy không cùng độ cao. People là nguồn phỏng vấn trực tiếp, xác nhận được, đứng được trước tòa soạn. TMZ là nguồn nhanh, độ chính xác dao động, phải chờ đối chứng. Bản phân tích gọi đây là hồ sơ độ tin cậy hai đỉnh: mạnh ở tuyên bố lõi, yếu ở phần chi tiết vây quanh. Kỹ năng phân loại nguồn kiểu này là thứ bất kỳ phóng viên thể thao nào cũng phải có trong tay, và là thứ chưa công cụ tự động nào làm thay được.

Hai mốc thời gian không khớp nhau. Một điểm ghi lễ cầu hôn vào mùa xuân 2026, một điểm khác ghi đơn xin giấy kết hôn vào tháng 10 năm 2026. Trong cùng một hồ sơ, trật tự sự kiện đã lệch. Không thể kết luận đó là lỗi nhập liệu hay quy ước ngày giả định của nguồn feed, nhưng nghề báo thể thao có một nguyên tắc không thương lượng: ngày không xác minh được thì không đăng.

Ba lỗi ấy cộng lại thành một câu hỏi lớn hơn nhiều so với một hồ sơ lạc nhãn: kho dữ liệu thể thao Việt Nam đang lớn nhanh hơn năng lực kiểm tra nó.

Năm 2026, tôi phân tích 1.432 pha bóng của giải V-League nữ bằng mô hình thống kê tự dựng và tìm ra tỷ lệ chuyển hóa cơ hội 23% của Trần Thị Thùy Trang trong 18 trận. Tỷ lệ ấy chỉ có giá trị vì từng pha bóng được ghi tay, đối chiếu video, loại pha nhiễu, ghi rõ nguồn từng con số. "Con số không nói dối – hãy kiên nhẫn nghe chúng kể về cô gái chạy 90 phút vì khát khao." Nhưng con số chỉ trung thực khi người ta giữ sạch cái giếng mà nó được múc lên.

Một chỉ số đánh giá tiền đạo nữ dựa trên số phút thi đấu và tỷ lệ chuyển hóa. Nếu kho huấn luyện chứa một phần trăm hồ sơ sai nhãn, mô hình không sụp. Nó chỉ lặng lẽ nghiêng đi một chút. Trong thể thao, nghiêng một chút là đủ để một cầu thủ bị bỏ qua trong danh sách triệu tập, đủ để một suất học bổng trôi sang người khác, đủ để một hợp đồng tài trợ không bao giờ được ký.

"Mỗi pha bóng là một mảnh ghép – mỗi mảnh ghép là một số phận đang chờ được công nhận." Một hồ sơ rác không làm hỏng cả kho. Nó chỉ làm hỏng đúng mảnh ghép của một người, và người ấy không biết mình đã bị làm hỏng.

Phản ứng đầu tiên của số đông là đổ lỗi cho thuật toán. Tôi cho rằng đổ lỗi như thế là né việc.

Cái nhãn sai chỉ là triệu chứng. Bệnh nằm ở chỗ tòa soạn đã ngừng hỏi một câu đơn giản: ai xác minh cái này. Khi khâu gán nhãn được giao cho máy, người ta cũng âm thầm giao luôn cho máy quyền phán xử về nguồn gốc, về ngày tháng, về việc một chi tiết có đáng tin hay không. Máy không được huấn luyện để làm việc đó. Nó chỉ được huấn luyện để phân loại.

Góc nhìn ngược lại đáng cân nhắc: báo chí thể thao Việt Nam có một lợi thế mà thị trường Mỹ đã đánh mất, là quy mô nhỏ. Quy mô nhỏ nghĩa là người thật vẫn kiểm chứng được từng hồ sơ, nghĩa là một biên tập viên vẫn nhớ mặt cầu thủ mình viết, nghĩa là một tin sai vẫn có thể bị gọi điện hỏi lại trực tiếp trong buổi chiều. Nhập nguyên mô hình tổng hợp quy mô lớn từ nước ngoài vào, ta nhập luôn cả lỗi của nó, mà không có bộ máy đủ dày để dọn.

Cùng một căn bệnh ấy hiện ra ở chỗ khác, quen hơn: bản đồ nhiệt. Nhiều người tin vào mảng màu trên màn hình hơn tin vào việc xem lại băng trận. Bản đồ nhiệt rất đẹp, rất thuyết phục, và rất dễ che giấu vai trò thật của một cầu thủ trong hệ thống chiến thuật. Tin vào hình thức của dữ liệu hơn tin vào quy trình sinh ra nó — đó là một thói quen, không phải một công cụ.

Đề nghị của tôi gọn đến mức khó từ chối. Trước khi nạp bất kỳ hồ sơ nào vào kho thể thao, hỏi ba câu: có thực thể bóng đá nào trong này không, nguồn danh định nằm ở đâu, các mốc thời gian có khớp nhau không. Ba câu, ba mươi giây, chặn được phần lớn rác.

"Làm báo thể thao để ghi lại những con người dám mơ giữa thế giới không dành chỗ cho họ." Người ấy xứng đáng có một kho dữ liệu sạch hơn thế này.