Nhãn “bóng đá” gắn cho một clip chợ trời Mexico: khi lỗi phân loại dữ liệu nguy hiểm hơn cả tin sai

Một đoạn video quay bằng điện thoại, dài vài giây, ghi lại cảnh một người bán hàng tại khu chợ trời ở Mexico đang làm động tác cân hàng bên dưới sạp. Không có quả bóng, không có thảm cỏ, không có cầu thủ, không có tỷ số. Vậy mà bản ghi này đã đi vào hệ thống phân tích dữ liệu với nhãn “bóng đá”.

Tôi đọc bản phân tích ấy hai lần. Lần đầu để kiểm tra xem mình có bỏ sót chi tiết nào. Lần thứ hai để chắc rằng thứ tôi đang cầm không phải một bài báo thể thao bị cắt mất phần đầu. Cả hai lần cho cùng một kết quả: trong toàn bộ mười một điểm thông tin của văn bản gốc, không điểm nào nhắc tới câu lạc bộ, giải đấu, huấn luyện viên, hợp đồng chuyển nhượng hay bất kỳ thực thể bóng đá nào.

Điều đáng nói nằm ở chỗ khác. Chín trong mười một điểm thông tin đó không có nguồn. Hai điểm còn lại dẫn tới “một số ấn phẩm khác nhau”, không tên. Và cái tên gắn với sự việc — “báscula fantasma”, chiếc cân ma — do người dùng mạng xã hội tự đặt, không phải kết luận của bất kỳ cơ quan có thẩm quyền nào.

Một bản ghi sai nhãn không tự gây hại. Nó gây hại khi đi qua cửa kiểm duyệt mà không ai hỏi nó đến từ đâu.

Nhãn đi vào hệ thống bằng con đường nào

Công việc của tôi là biến một trận bóng thành dữ liệu, rồi biến dữ liệu thành một câu trả lời có thể kiểm chứng lại. Mọi mô hình đều bắt đầu bằng nhãn. Nhãn nói cho thuật toán biết dòng dữ liệu này thuộc về đâu, và mọi bước phía sau đều kế thừa giả định đó mà không hỏi lại.

Năm 2026, khi còn là sinh viên năm hai, tôi dựng mô hình dự đoán kết quả vòng bảng World Cup tại Nga dựa trên xG. Trận Đức – Hàn Quốc, mô hình cho Đức xG 1,9. Đức thua 0-2, với bàn của Kim Young-gwon ở phút 90+3 và Son Heung-min ở phút 90+6. Tôi soi lại toàn bộ 64 trận và tìm ra lỗ hổng: tôi bỏ qua chỉ số PPDA của đối thủ và những cú sút bị chặn góc. Theo cách làm của một người ưa quy trình, tôi loại bỏ mô hình cũ ngay trong ngày và viết lại thuật toán trong ba ngày, chuyển trọng số từ “sút nhiều” sang “sút hiệu quả”.

Bài học không nằm ở xG. Bài học nằm ở chỗ tôi tin cái nhãn gắn trên dữ liệu đầu vào hơn là tin vào cách dữ liệu đó được tạo ra.

Hai năm sau, khi Bundesliga trở lại sau đại dịch với 26 vòng đấu không khán giả, tôi phân tích 136 trận. Tỷ lệ thắng trên sân nhà giảm từ 41% xuống 29%, số quả phạt đền dành cho đội chủ nhà giảm 37%. Khán đài trống năm 2026 dạy tôi: lợi thế sân nhà không nằm ở cỏ, mà nằm ở tai.

Nguyên tắc đó áp thẳng xuống câu chuyện hôm nay. Một trường dữ liệu bị gán nhãn “bóng đá” không tự động trở thành dữ liệu bóng đá. Việc cần làm trước khi phân tích không phải là phân tích, mà là xác minh nhãn.

Văn bản gốc thực sự có gì

Dựa trên kinh nghiệm theo dõi các trận đấu và đối chiếu dữ liệu của tôi, tôi luôn tách phần “sự việc” ra khỏi phần “cách kể sự việc” trước khi làm bất cứ phép tính nào. Làm điều đó với văn bản này, danh sách sự việc rất ngắn.

Một người bán hàng không tên, không có cơ sở kinh doanh nào được nêu, đang làm động tác cân hàng bên dưới sạp. Không có chiếc cân nào hiện rõ trong khung hình. Biệt danh “báscula fantasma” do người dùng mạng xã hội đặt ra. Văn bản tự ghi rõ rằng cho tới nay chưa có thông tin chính thức xác nhận người bán gian lận. Không có số liệu nào về việc các túi hàng thực sự nặng bao nhiêu, cũng không có số tiền người mua đã trả. Về địa điểm, một số ấn phẩm đặt sự việc ở Puebla, Mexico, nhưng không ấn phẩm nào xác định được khu chợ cụ thể.

Đó là toàn bộ dữ liệu. Mười một điểm thông tin, và phần lớn trong số đó là thông tin về những gì chưa được biết.

Điểm tôi muốn dừng lại lâu hơn là khoảng cách giữa hai mức độ chắc chắn. Mức chắc chắn của công chúng đang ở mức tối đa: video lan truyền trong vài ngày, biệt danh xuất hiện, và biệt danh đó đóng luôn vai trò phán quyết. Mức chắc chắn của bằng chứng gần như bằng không: chưa xác nhận gian lận, chưa có số cân, chưa có số tiền, chưa xác định địa điểm.

Trong nghề của tôi, khi hai đường cong đó tách nhau ra như vậy, đó là dấu hiệu của một câu chuyện bị đẩy nóng nhanh hơn tốc độ kiểm chứng. Tôi đã thấy điều tương tự với tin chuyển nhượng: một tài khoản ẩn danh đăng thông tin, ba trang tổng hợp lại, rồi trong vòng sáu giờ bốn triệu người coi đó là sự thật. Thang độ tin cậy mà tôi dùng cho tin chuyển nhượng xếp thông báo chính thức ở trên cùng, rồi tới nhà báo có tên tại cơ quan lớn, rồi tới trang tổng hợp, và cuối cùng là nguồn ẩn danh. Trường hợp này nằm dưới cả bậc cuối: không cơ quan, không tác giả, không ngày công bố.

Con số không bao giờ nói dối, nhưng chúng rất giỏi kể nửa sự thật. Ở đây còn khó hơn: những con số cần thiết đơn giản là không tồn tại, và một con số thiếu thường bị người đọc mặc định thành số không.

Có một chi tiết nữa mà tôi không thể bỏ qua, vì nó thuộc về đạo đức nghề. Chủ thể trong video có thể được nhận diện qua bối cảnh, và cái tên “kẻ gian lận” đã được gắn lên người đó trước khi có bất kỳ kết luận chính thức nào. Người bán hàng không có tiếng nói trong văn bản, không có cơ hội phản hồi. Văn bản gốc xử lý điểm này khá cẩn thận khi nhắc lại ba lần rằng chưa có gì được xác nhận, nhưng bản thân dòng video thì không cẩn thận như vậy.

Trong bóng đá, tôi từng chứng kiến cùng một cơ chế vận hành. Euro 2026, sau sự cố Christian Eriksen gục xuống ở trận gặp Phần Lan, dữ liệu theo thời gian thực cho thấy Đan Mạch tăng nhịp chuyền từ 4,2 lên 5,7 mét mỗi giây, xG trung bình mỗi trận tăng 12%, và hệ thống pressing 4-3-3 của họ đạt PPDA 8,9 — tốt nhất giải. Câu chuyện mà số đông muốn kể là một câu chuyện cảm xúc đơn tuyến. Dữ liệu kể một câu chuyện khác: một tập thể siết chặt cấu trúc để lấy lại quyền kiểm soát trận đấu. Đan Mạch không phòng ngự vì sợ hãi – họ phòng ngự để giành lại nhịp thở. Điều tương tự đúng với người viết: giữ lại kết luận không phải là yếu, mà là cách giành lại nhịp.

World Cup 2026 dạy tôi một điều: dữ liệu giỏi nhất cũng chỉ là bản đồ, không bao giờ là địa hình. Với câu chuyện này, chúng ta thậm chí chưa có bản đồ. Chúng ta có một bức ảnh chụp một góc của tấm bản đồ đó, do người khác chụp, không rõ thời điểm.

Biến số không ai đặt câu hỏi

Phần phản trực giác của câu chuyện nằm ở chỗ này: thứ mà đoạn video cho thấy tương thích với hành vi gian lận, nhưng cũng tương thích y hệt với bốn lời giải thích trần tục hơn. Chiếc cân có thể đặt ở vị trí thấp. Nó có thể bị chính mặt sạp che khuất. Nó có thể bị quay lệch khỏi góc máy. Hoặc nó đơn giản nằm ngoài khung hình.

Cách đóng khung hình là một biến số, và trong văn bản gốc, biến số đó chưa từng được hỏi tới. Góc máy, việc cắt gọt, bố cục vật lý của một sạp hàng — mỗi yếu tố trong đó đều có thể tự nó giải thích vì sao chiếc cân không xuất hiện. Đây là chỗ tôi phải nói thẳng với chính mình: mô hình sai không có nghĩa dữ liệu sai – chỉ là tôi chưa đọc đúng câu hỏi.

Nhưng lỗi phân loại mới là thứ đáng lo hơn cả đoạn video. Nhiễu lọt vào một kho dữ liệu không giống như một kết luận sai rút ra từ dữ liệu đúng. Kết luận sai thì sửa được bằng cách chạy lại phép tính. Nhiễu thì âm thầm định hình mọi câu hỏi về sau, bởi nó nằm trong chính tập dữ liệu dùng để huấn luyện. Nếu bản ghi này đi tiếp vào một kho dữ liệu bóng đá mà không bị chặn, nó sẽ dạy cho hệ thống một điều không có thật: rằng những đoạn video như thế thuộc về lĩnh vực này.

Tương quan không phải nhân quả, và ở đây tương quan rất rõ. Mức độ lan truyền của đoạn video tương quan với yếu tố hài hước thị giác — động tác cân hàng dưới sạp trông buồn cười khi bị tua chậm — chứ không tương quan với mức độ nghiêm trọng của hành vi bị nghi ngờ. Người ta chia sẻ nó vì nó gây tò mò, rồi sau đó mới gán cho nó ý nghĩa tiêu dùng. Hai động cơ đó bị trộn vào nhau, và cái sau được dùng để biện minh cho cái trước.

Có một câu chuyện khác trong bóng đá mà tôi luôn dùng để nhắc mình về sức mạnh của cái nhãn sai. World Cup 2026, Maroc vào tới bán kết với thời lượng kiểm soát bóng trung bình chỉ khoảng 35%. Mọi mô hình đọc con số đó và dán nhãn “đội phòng ngự thụ động”. Nhưng chỉ số cản phá trong vòng năm giây sau khi mất bóng của họ cao nhất giải, 11,3 lần mỗi trận, và họ tạo ra bốn cú sút từ tình huống cướp bóng trực tiếp, so với mức trung bình 1,2 của các đội còn lại. Cái nhãn nói một đằng, cơ chế vận hành nói một nẻo. Sofyan Amrabat và tuyến giữa của Maroc không phòng ngự để chịu đựng; họ phòng ngự để tấn công ở nhịp tiếp theo. Khi nhãn và cơ chế xung đột, thứ bị sai thường là nhãn.

Điều duy nhất trong toàn bộ câu chuyện chợ trời này đứng vững mà không cần tới đoạn video là một nguyên tắc thủ tục: người mua hàng theo cân phải nhìn thấy được con số cân, và phải tự kiểm tra được con số đó. Nguyên tắc ấy đúng bất kể người bán trong video có làm sai hay không. Nó là phần duy nhất của câu chuyện sống được qua một cuộc kiểm chứng thất bại.

Ở các khu chợ trời, giao dịch diễn ra bằng tiền mặt, không hoá đơn, không hợp đồng, và chiếc cân là trọng tài duy nhất phân xử giá. Một nghi ngờ về chính cây đũa phép đó không truyền vào một người bán, nó truyền vào toàn bộ định dạng chợ. Đó là lý do câu chuyện này lan nhanh: nó chạm vào niềm tin nền tảng, không chỉ vào một quầy hàng.

Tín hiệu cần theo dõi ở vòng tiếp theo

Với một bản ghi như thế này, tôi ghi lại bốn tín hiệu để theo dõi, thay vì đưa ra phán quyết.

Tín hiệu thứ nhất là phát biểu chính thức: bất kỳ thông báo nào từ cơ quan bảo vệ người tiêu dùng xác nhận hoặc minh oan cho người bán. Tín hiệu này sẽ chuyển một câu chuyện nghi ngờ thành một sự việc đã được phân xử, và sẽ tạo ra làn sóng truyền thông thứ hai theo cả hai hướng.

Tín hiệu thứ hai là nguồn gốc đoạn video: ai quay, quay lúc nào, có bị cắt gọt hay không. Nếu chứng minh được đoạn video đã bị cắt hoặc đặt sai ngữ cảnh, toàn bộ cách đóng khung “chiếc cân ma” sẽ sụp.

Tín hiệu thứ ba là việc xác định khu chợ cụ thể, vì chỉ khi có địa điểm thì mới có thể có kiểm tra thực tế.

Tín hiệu thứ tư, và với tôi là quan trọng nhất, là dấu vết kiểm toán của chính cái nhãn: đường đi quyết định của bộ phân loại đã gán “bóng đá” cho bản ghi này. Nếu đó là một lỗi đơn lẻ do trùng từ khóa tiếng Tây Ban Nha, vấn đề chỉ là một bản ghi. Nếu đó là một đường rò rỉ mang tính hệ thống, vấn đề lớn hơn nhiều.

Tôi tin quy trình hơn cảm hứng, vì quy trình lặp lại được còn cảm hứng thì không. Quy trình của tôi ở đây đã sai ở bước đầu tiên: tôi nhận một bản ghi với nhãn đã được gán sẵn và bắt đầu bằng việc phân tích nó theo nhãn đó. Sai lầm ấy không nằm ở phép tính, mà nằm ở câu hỏi.

Nên vòng sau, khi một bản ghi đến tay tôi với một cái nhãn dứt khoát, câu hỏi đầu tiên sẽ không còn là “bản ghi này khớp với nhãn ở chỗ nào”, mà là “ai gán nhãn này, dựa trên căn cứ nào, và căn cứ đó có đứng được trước một lần kiểm tra độc lập hay không”. Mô hình sai không có nghĩa dữ liệu sai – chỉ là tôi chưa đọc đúng câu hỏi.