Khi kho dữ liệu bóng đá nhận một bản ghi không có bóng đá

Có một tệp dữ liệu nằm trong kho phân tích bóng đá của chúng tôi với nhãn "football" ở dòng đầu tiên. Tôi mở nó ra gần nửa đêm, sau khi vừa xem lại băng một trận cũ, và đọc mười bảy điểm thông tin từ trên xuống dưới. Không một câu nào về bóng đá. Không câu lạc bộ. Không cầu thủ. Không chiến thuật, không hợp đồng, không một đồng phí chuyển nhượng. Chỉ có một người phụ nữ 38 tuổi tên Allison Holker kể về chiếc dây chuyền vàng và bộ quần áo còn giữ mùi của người chồng quá cố, Stephen "tWitch" Boss, mất tháng 12 năm 2026 khi 40 tuổi. Ba đứa con được nhắc tên và tuổi: Maddox 10, Weslie 18, Zaia 5. Hai cuộc thi xuất hiện trong bài: một chương trình truyền hình khiêu vũ năm 2026 và một lễ trao giải từ thiện của ngành nhảy, ngày 21 tháng 10. Tôi đọc hết. Rồi đọc lại. Thứ đang hỏng trong nghề của tôi, hoá ra, không nằm trên sân cỏ.

Trong mười năm gần đây, mỗi bài viết, mỗi bản tin, mỗi đoạn bình luận sau khi lên sóng đều có thêm một vòng đời thứ hai: nó được đưa vào một kho dữ liệu nội dung, nơi một lớp phân loại sẽ gán nhãn chủ đề. Nhãn ấy quyết định bản ghi đi vào đâu — bảng thống kê cầu thủ, chỉ số nhiệt dư luận, hay kho dữ liệu chuyển nhượng. Bản ghi sai nhãn không tạo ra tiếng nổ. Nó nằm im. Và mỗi lần ai đó chạy một truy vấn, nó góp thêm một hạt bụi vào một chỉ số không ai kiểm tra lại.

Tôi biết điều này vì tôi từng là người viết ra nguồn thô cho những kho dữ liệu đó. Năm 2026, sau trận derby Bắc Kinh giữa Beijing Guoan và Shanghai SIPG trên sân Công nhân, tôi thức trắng viết bài phân tích sơ đồ 3-5-2 mà huấn luyện viên Villas-Boas dùng cho SIPG, chỉ ra cách họ bẻ gãy tuyến giữa của Guoan. Bài được chia sẻ hơn 2.000 lần trong 48 giờ. Điều tôi không biết khi ấy: bốn năm sau, một đoạn trong bài đó sẽ được một mô hình đọc và gán vào một nút thực thể nào đó, và không ai trong toà soạn được hỏi lại.

Một kho dữ liệu thể thao tử tế phải chịu được hai câu hỏi: bản ghi này nói về ai, và nó có thật sự nói về bóng đá không. Câu thứ hai thường bị bỏ qua.

Cơ chế của lỗi này đáng để nhìn kỹ, vì nó là lỗi của cả một tầng hệ thống chứ không của riêng một bài. Mười bảy điểm thông tin, không điểm nào chứa thuật ngữ bóng đá. Không xG, không PPDA, không sơ đồ đội hình, không điều khoản giải phóng hợp đồng. Vậy nhãn "football" từ đâu ra? Khả năng cao nhất là một bộ phân loại dựa trên từ khoá bị kích hoạt bởi họ "Boss" — một họ xuất hiện dày đặc trong bóng đá ở vị trí huấn luyện viên và giám đốc. Hoặc tệ hơn: một lỗi gán nhãn ở cấp lô, khi cả một tập bản ghi bị đẩy vào cùng một danh mục.

Hậu quả không dừng ở một bài rác trong kho. Một bản ghi sai nhãn làm nhiễu từ điển liên kết thực thể, và từ điển ấy là thứ quyết định cách mọi bài viết sau đó được đọc. Nếu hệ thống đã học rằng "Boss" là một cái tên bóng đá, thì lần tới một huấn luyện viên thật tên Boss xuất hiện, mô hình sẽ tự tin hơn mức cần thiết — và tự tin sai.

Điều khiến trường hợp này khó chịu hơn một lỗi đơn lẻ là tính chu kỳ. Câu chuyện tưởng niệm có hai mốc cố định trên lịch: ngày mất và ngày sinh. Nghĩa là nội dung gần trùng lặp sẽ quay lại kho dữ liệu mỗi năm, hai lần, vĩnh viễn. Một lỗi không được sửa sẽ không nằm yên — nó sinh sản.

Và đây là chỗ câu chuyện chạm vào bóng đá thật. Ngành của tôi gọi những bài như vậy là bài duy trì: biên độ cảm xúc thấp, độ bền cao, không tuyên bố gì về tương lai, nên không thể bị phản bác. Bóng đá đầy loại bài này. Bài chúc mừng sinh nhật cầu thủ. Thông cáo kỷ niệm ngày thành lập câu lạc bộ. Bài "cách đây đúng mười năm". Chúng không mang tin, nhưng chúng mang số. Và trong nhiều bảng chỉ số nội bộ, số bài về một câu lạc bộ đang bị dùng như đại diện cho mức độ quan tâm của công chúng.

Tôi đã thấy hệ quả của kiểu đo lường đó. Tháng 6 năm 2026, ở Kazan, khi Kim Young-gwon ghi bàn ở phút 90+3 và Son Heung-min ấn định 2-0 ở phút 90+6, tôi ngồi trong buồng bình luận và im lặng mười lăm giây. Biên tập viên sau đó nói rằng khoảng lặng ấy tạo cảm xúc hơn mọi câu bình luận. Nhưng khoảng lặng không sinh ra một dòng dữ liệu nào. Nếu chỉ đo bằng số bài, buổi tối đó sẽ có điểm thấp hơn một thông cáo kỷ niệm thành lập câu lạc bộ đăng cùng tuần.

Trong bài viết nguồn, chuỗi dẫn nguồn cũng đáng để học. Cuộc phỏng vấn độc quyền thuộc về PEOPLE, có nhân vật đứng tên, trích dẫn trực tiếp ngôi thứ nhất. The Express Tribune đăng lại và không thêm phóng sự độc lập nào. Chuỗi nguồn sâu một lớp. Trong báo thể thao, chuỗi nguồn sâu một lớp là chuyện hằng ngày: một tờ đăng tin chuyển nhượng, mười tờ khác dẫn lại tờ đầu tiên, và đến cuối ngày độc giả tin rằng có mười nguồn độc lập xác nhận.

Cách tôi tự vệ trước điều đó rất thủ công: tôi ghi lại nguồn gốc của từng dữ kiện mình dùng, kèm ngày. Tôi làm thế vì từng bị gọi là "bình luận viên chỉ biết nhìn mặt cầu thủ", và tôi biết cảm giác bị đánh giá bằng một nhãn dán sai.

Người ta nói tôi chỉ biết nhìn mặt. Ừ, vì tôi tin mặt là nơi trận đấu ký gửi nỗi đau. Gương mặt cầu thủ kể trận đấu mà bảng tỷ số không bao giờ hiển thị. Nhưng đọc gương mặt cũng là một cách gán nhãn: tôi nhìn một cái nhíu mày và gọi nó là mất tự tin; mô hình dữ liệu nhìn một chữ "Boss" và gọi nó là bóng đá. Chúng tôi mắc cùng một lỗi — đọc quá nhiều từ quá ít, và không ghi lại mức độ chắc chắn của mình.

Khác biệt nằm ở chỗ một người viết có thể bị độc giả chất vấn ngay dưới bài, còn một bản ghi sai nhãn thì không ai chất vấn cả. Nó chỉ lặng lẽ nhân bản.

Bản năng đầu tiên của cả toà soạn là đổ lỗi cho thuật toán. Tôi cho rằng đó là cách nghĩ lười. Một bộ phân loại gán nhãn sai chỉ phản chiếu thói quen của những người đã dạy nó: đo sự hiện diện thay vì đo giá trị.

Thử một phép so sánh khó chịu. Mùa giải vừa qua, bao nhiêu bài về một câu lạc bộ tầm trung do chính câu lạc bộ đó tạo ra, và bao nhiêu bài do những người thật sự có điều gì để nói? Tôi không có câu trả lời chắc chắn. Nhưng tôi biết phía nào thắng trong mọi bảng chỉ số.

Năm 2026, khi bóng đá trở lại sau đợt đình trệ, tôi đến Signal Iduna Park và ghi âm trọn chín mươi phút trong một khán đài không người. Các cầu thủ nói với nhau những câu mà khán giả chưa từng được nghe. Không khán giả, tôi vẫn nói. Nhưng tôi nói cho khoảng trống biết rằng nó cũng là nhân chứng. Chín mươi phút đó không tạo ra một chỉ số nào. Nó chỉ tạo ra một bài viết khiến tôi kiệt sức, và có lẽ vì thế mà nó đúng.

Trong vài tuần tới, sẽ có thêm những bản ghi được nạp vào kho dữ liệu ấy, và một vài trong số đó sẽ mang nhãn sai. Việc cần làm là đặt lại câu hỏi mà mọi lớp phân loại đều né tránh: thứ này có thật sự nói về bóng đá không? Tôi sẽ tiếp tục ghi ngày tháng cho từng dữ kiện mình dùng. Tôi làm thế vì muốn, khi ai đó mở lại bài của mình mười năm nữa, cái nhãn nằm trên đầu nó vẫn còn đúng.