Dữ liệu bẩn trong bóng đá: khi một thông báo tuyển diễn viên lọt vào bảng theo dõi chuyển nhượng

Tôi đọc bảng theo dõi chuyển nhượng của mình vào một buổi tối giữa mùa hè, và ở dòng thứ bảy có một dự án phim. Một tiêu đề, hai diễn viên chính, một đạo diễn, hai nhà sản xuất, một hãng điều hành. Không một câu lạc bộ. Không một cầu thủ. Không một giải đấu. Không một hợp đồng. Thế nhưng dòng dữ liệu ấy vẫn nằm đó, khoác nhãn "bóng đá", chờ được đếm vào một chỉ số nhiệt mà chính tôi chưa từng định nghĩa.

Sáu năm theo dõi bóng đá trẻ dạy tôi quen với dữ liệu đến muộn, dữ liệu thiếu, dữ liệu bị bóp méo vì người ghi chép không hiểu vị trí cầu thủ. Kiểu lỗi này khác hẳn. Nó không lấy đi thông tin của tôi. Nó đưa cho tôi một thứ chưa từng tồn tại.

Bối cảnh: một thông báo tuyển diễn viên

Bài gốc là tin ngành phim, đăng trên một nhật báo tiếng Anh tại Pakistan, tóm tắt thông báo tuyển diễn viên cho Still We Met, phim hài lãng mạn nguyên bản. Mary Beth Barone viết kịch bản, lấy cảm hứng lỏng từ trải nghiệm của chính cô, và nhận vai chính. Joe Alwyn đóng cặp. Zackary Drucker đạo diễn, lần đầu làm phim điện ảnh dài sau đề cử Emmy cho This Is Me. Assemble Media và Irony Point cùng sản xuất. Lena Dunham và Michael Cohen điều hành qua hãng Good Thing Going. Phim khởi quay vào mùa thu tại New York. Cốt truyện xoay quanh một phụ nữ trẻ đứng trước ngã rẽ, gặp một người lạ người Anh cuốn hút, và một đêm khó quên giữa New York.

Đọc hai mươi tám điểm thông tin ấy, tôi đếm số thực thể bóng đá: không. Số câu lạc bộ: không. Số cầu thủ: không. Số huấn luyện viên: không. Số giải đấu: không. Số cơ quan quản lý: không. Nhãn miền dán trên bài vẫn là "football".

Cách đường ống tôi làm việc vận hành rất đơn giản. Bước một bóc bài báo thành các điểm thông tin rời rạc. Bước hai dựng phân tích từ những điểm ấy. Ở bài này, bước một bóc khá sạch, trừ hai trường bắt buộc bị bỏ trống: độ nhạy thời gian và danh sách thực thể. Hai ô trống ấy chính là chốt an toàn duy nhất bị tháo ra, và nhãn "football" đi thẳng xuống hạ nguồn.

Cơ chế để một bộ phim đi lọt

Mọi hệ thống dữ liệu bóng đá đều có cửa vào rộng hơn cửa ra. Cửa vào nhận tên riêng, từ khóa, chuỗi ký tự, tần suất xuất hiện. Cửa ra mới đòi hỏi ý nghĩa: cầu thủ nào, ở đâu, hợp đồng còn bao lâu, phí bao nhiêu, ai trả. Khoảng cách giữa hai cánh cửa ấy là nơi dữ liệu bẩn sinh sống.

Tôi từng dựng một bảng tính hơn một nghìn bốn trăm điểm dữ liệu cho hai mươi ba trận U19 quốc gia, chỉ để trả lời một câu: đội bóng này tạo cơ hội từ đâu. Kết quả là mười bốn phần trăm cú sút đến từ khu trung lộ, đủ để nói rằng lối chơi phụ thuộc vào tạt biên. Dưới lớp dữ liệu thô, tôi tìm thấy viên gạch đầu tiên của một thế hệ — nhưng điều kiện tiên quyết là mọi dòng trong bảng đều phải thuộc về một trận bóng có thật. Một dòng lạc chỗ chỉ là tạp chất mang hình dạng dữ liệu.

Ta hãy xếp ba hệ quả, theo mức độ nghiêm trọng tăng dần.

Đầu tiên, chỉ số khối lượng bị đầu độc. Nhiều bảng theo dõi chuyển nhượng chấm độ "nóng" bằng số bài viết nhắc tới một cái tên. Một dự án phim lọt vào tập dữ liệu sẽ cộng thêm một đơn vị nhiệt cho một thực thể không tồn tại trong bóng đá. Một bài thì không đáng kể. Một mùa chuyển nhượng thì đủ để tạo ra một mô hình lệch chuẩn.

Thứ hai, trường định danh trùng chuỗi. Tên phim, tên nhân vật, tên hãng sản xuất đều có thể trùng với tên câu lạc bộ hoặc biệt danh cầu thủ ở một số ngôn ngữ. Bộ phân loại tự động so chuỗi chứ không đọc nghĩa. Khi chuỗi trùng, nhãn sai được xác nhận, và cơ chế kiểm tra chéo bị vô hiệu hóa đúng ở điểm nó cần thiết nhất.

Thứ ba, phần tôi quan tâm nhất: lỗi nằm ở chỗ thiếu một cổng xác thực. Một bài chỉ bị xếp nhầm khi không ai đặt câu hỏi tối thiểu. Câu hỏi ấy rất ngắn — trong bài có ít nhất một thực thể bóng đá xác minh được không: câu lạc bộ, cầu thủ, huấn luyện viên, giải đấu, hoặc cơ quan quản lý. Không có, bài bị loại khỏi chuỗi phân tích.

Ở giữa kỳ chuyển nhượng, tín hiệu thật nằm ở cấu trúc: điều khoản giải phóng, quỹ lương, số năm hợp đồng còn lại, động thái của người đại diện. Đó là những thứ đếm được, kiểm tra được, và trả giá được. Một thông báo tuyển diễn viên không có điều khoản giải phóng, không có quỹ lương, không có người đại diện bóng đá. Nó không vượt qua nổi một cổng xác thực tử tế, nhưng vượt qua một bộ so khớp chuỗi trong vài mili giây.

Tôi từng mất bốn mươi lăm ngày ở Qatar để dựng hệ thống chấm điểm mười hai tiêu chí cho mười bốn tiền vệ trẻ. Enzo Fernández nổi lên với chín mươi mốt phẩy ba phần trăm chuyền chính xác sau năm trận, vào lúc chưa tờ báo nào nhắc tới cậu. Bảy mươi hai giờ sau, truyền thông xác nhận, và một thương vụ một trăm hai mươi mốt triệu euro khép lại. Một tín hiệu thật cần bốn mươi lăm ngày và mười hai tiêu chí mới nổi lên được. Một tín hiệu giả chỉ cần một ô dữ liệu bị bỏ trống.

Người Uruguay từng dạy tôi một điều tương tự trên một mặt sân khác. Năm 2026, sau vòng bảng World Cup, tôi viết rằng Mbappé sẽ đăng quang. Đến tứ kết, tôi ngồi lại với băng hình và đếm được gần tám cầu thủ luôn ở phía sau bóng. Tốc độ không bị phá; nó bị hút vào một khoảng trống do người khác định nghĩa. Người Uruguay không xây tường. Họ xây tuyên ngôn về không gian. Một cổng xác thực làm với dữ liệu rác điều tương tự: không phủ nhận sự tồn tại của nó, chỉ từ chối cho nó đi qua.

Bài học về pháo đài thì tôi học trong hai năm không khán giả. Tỉ lệ thắng sân nhà ở Bundesliga rơi từ bốn mươi bốn phẩy tám phần trăm xuống ba mươi ba phẩy hai phần trăm. Ở V-League, đội khách tăng hai mươi sáu phần trăm bàn thắng kỳ vọng mỗi trận. Sân nhà từng là pháo đài. Dịch bệnh dạy ta rằng pháo đài chỉ là một biến số. Một nhãn miền "football" cũng vậy: nó là một biến số, và biến số thì phải kiểm tra lại ở mỗi lần nhập.

Góc phản trực giác

Phần phản trực giác nằm ở chỗ này: lỗi như trên thuộc về người đọc nhiều hơn thuộc về máy.

Máy chỉ làm đúng việc được giao — so khớp và gán nhãn. Người đọc gán nhãn sai trong đầu mình thường xuyên hơn nhiều. Giữa kỳ chuyển nhượng, mỗi người hâm mộ vận hành một bộ lọc cảm xúc: cái tên mình muốn thấy được tự động nâng độ tin cậy, cái tên mình không muốn bị hạ xuống. Tin sai lan nhanh hơn tin đúng nhờ một lợi thế duy nhất — nó thỏa mãn một mong muốn có sẵn.

Có một kiểu sai nguy hiểm hơn sai hoàn toàn: sai một phần. Một bài đúng chín mươi phần trăm sự kiện, sai mười phần trăm, sẽ không bao giờ bị loại bỏ. Nó được trích dẫn, được tổng hợp, được truyền tiếp, và phần sai nằm lại rất lâu sau khi phần đúng hết giá trị thời sự. Lỗi của bài báo kia thuộc dạng dễ xử lý nhất: sai toàn bộ hệ quy chiếu. Nó là ca kiểm thử âm tính lý tưởng cho bất kỳ cổng xác thực nào.

Tôi có một thói quen khó chịu: tự chỉ định trong đầu một người biện hộ cho quỷ dữ, chuyên đi tìm cách phản bác kết luận của chính tôi. Với bài này, người biện hộ có một lập luận thật. Nếu đường ống xử lý hàng nghìn bài mỗi ngày, đòi hỏi kiểm tra thủ công là bất khả thi về chi phí. Đúng. Nhưng cổng xác thực không cần đọc nội dung. Nó chỉ cần đếm thực thể. Một điều kiện đếm được, chạy tự động, rẻ hơn rất nhiều so với việc sửa một tập dữ liệu đã nhiễm.

Điều còn lại

Nếu một bản tin điện ảnh có thể nằm trong bảng theo dõi chuyển nhượng của tôi, thì còn bao nhiêu dòng khác trong bảng ấy đang nằm sai chỗ mà tôi chưa từng mở ra kiểm? Và khi một hệ thống chưa từng bị bắt lỗi, ta có quyền tin rằng nó đã đếm đúng — hay chỉ nên tin rằng nó đã đếm đủ nhanh?