Nhãn 'bóng đá' trên một hồ sơ tang thương: Lỗi phân loại dữ liệu và cái chết chưa có lời giải của Joselyn Sandoval Calderón

Có một tệp nằm trong hệ thống theo dõi của tôi, được gắn nhãn "bóng đá". Trong tệp đó không có một cầu thủ nào. Không có một trận đấu nào. Không có một câu lạc bộ, một huấn luyện viên, một bản hợp đồng, một giải đấu. Chỉ có một cái tên: Joselyn Sandoval Calderón, 21 tuổi.

Đó là khoảnh khắc tôi nhận ra rằng cái hệ thống mà tôi tin tưởng suốt nhiều năm — hệ thống phân loại tin tức, gắn nhãn chủ đề, đẩy dữ liệu về đúng ngăn — vừa mắc một sai lầm mà tôi không thể bỏ qua. Không phải sai lầm kỹ thuật thuần túy. Mà là một sai lầm về đạo đức vận hành: một câu chuyện con người bị đưa vào đúng nơi mà nó không thuộc về.

Tôi không viết bài này để phân tích bóng đá. Tôi viết bài này vì trong nghề của tôi, ranh giới giữa "đúng chủ đề" và "sai chủ đề" không phải là một chi tiết hành chính. Nó là nền tảng. Và khi nền tảng đó sụp, mọi thứ xây lên trên nó đều phải bị đặt lại câu hỏi.

Bối cảnh: một câu chuyện không thuộc về sân cỏ

Những gì chúng ta biết, tính đến thời điểm này, đến từ một bản tin sơ bộ. Joselyn Sandoval Calderón, 21 tuổi, là sinh viên của Trung tâm Đại học UAEMéx Valle de Teotihuacán. Cô được báo mất tích. Cộng đồng nhà trường đã phát đi lời kêu gọi tìm kiếm công khai. Sau hai ngày tìm kiếm, thi thể của cô được tìm thấy.

Địa điểm được ghi nhận là khu vực Otumba, bang Mexico, gần tuyến đường cao tốc nối Mexico với Tulancingo. Lực lượng ứng cứu tham gia vào quá trình tìm kiếm và phát hiện được nêu tên là Protección Civil y Bomberos de Otumba — đơn vị bảo vệ dân sự và cứu hỏa của Otumba. Gia đình đã thực hiện việc nhận dạng chính thức. Cơ quan công tố bang Mexico, Fiscalía General de Justicia del Estado de México, viết tắt là FGJEM, đã mở cuộc điều tra để xác định nguyên nhân cái chết.

Đó là toàn bộ những gì có thể nói một cách chắc chắn.

Nguyên nhân cái chết chưa được công bố. Chưa có nghi phạm nào bị bắt giữ. Chưa có giả thuyết chính thức nào được đưa ra công khai. Bản tin dừng lại đúng ở ngưỡng mà một bản tin tử tế nên dừng lại: nó ghi nhận sự việc, nó nêu rõ các bên liên quan, và nó không suy diễn.

Trong thế giới mà tôi làm việc, đó là một sự kiên nhẫn hiếm hoi. Ngành phân tích dữ liệu thể thao sống bằng tốc độ. Một bàn thắng vừa vào lưới, mười phút sau đã có ba bảng số liệu, năm luồng tranh luận, hai chủ đề xu hướng. Chúng tôi được trả tiền để đi trước sự kiện, để đoán trước kết luận, để biến một khoảnh khắc thành một mô hình. Nhưng ở đây — khi chủ thể của câu chuyện là một người đã chết, và câu hỏi trung tâm là "điều gì đã xảy ra với cô ấy" — mọi bản năng nghề nghiệp của tôi đều phải tắt tiếng.

Đó là lý do tôi quyết định viết về chính cái quá trình đưa câu chuyện này vào hệ thống của tôi. Bởi vì lỗi nằm ở đó. Và lỗi đó, suy cho cùng, cũng là một loại lỗi mà ngành dữ liệu thể thao mắc phải hàng ngày, chỉ khác về mức độ nghiêm trọng.

Cơ chế của một lỗi phân loại

Hãy để tôi giải thích cách một bản tin về cái chết của một nữ sinh viên lại có thể mang nhãn "bóng đá".

Các hệ thống tổng hợp tin tức nói chung, và các pipeline theo dõi thể thao nói riêng, hoạt động dựa trên một tập hợp tín hiệu. Có tín hiệu ngữ nghĩa: từ khóa xuất hiện trong tiêu đề và trong thân bài. Có tín hiệu thực thể: tên người, tên tổ chức, tên địa danh được nhận diện. Có tín hiệu nguồn: bản tin đến từ chuyên mục nào của tờ báo gốc. Và có tín hiệu lan truyền: ai chia sẻ nó, nó xuất hiện trong những nhóm nào.

Khi bốn tín hiệu này cùng chỉ về một hướng, nhãn được gán và gần như không ai kiểm tra lại. Vấn đề xuất hiện khi một tín hiệu trong số đó bị nhiễu, hoặc khi một liên kết mờ nhạt bị hệ thống hiểu thành một liên kết mạnh.

Trong trường hợp này, tôi có thể hình dung ra ít nhất ba con đường dẫn đến lỗi.

Con đường thứ nhất là liên kết thể chế. Trung tâm Đại học UAEMéx Valle de Teotihuacán là một cơ sở giáo dục. Các trường đại học ở Mexico, cũng như ở nhiều nơi khác, có các đội thể thao sinh viên, có các giải đấu liên trường, có các hoạt động bóng đá phong trào. Một hệ thống thu thập dữ liệu về bóng đá đại học có thể đã quét tên trường này và gán nó vào danh mục thể thao. Khi tên trường đó xuất hiện trong một bản tin khác — lần này là một bản tin về cái chết của một sinh viên — hệ thống kéo theo nhãn cũ.

Con đường thứ hai là liên kết địa lý. Otumba và khu vực Teotihuacán là những địa danh có thể xuất hiện trong các bản tin thể thao địa phương, các trận đấu phong trào, các giải bóng đá cộng đồng. Một bộ lọc theo địa bàn có thể đã vô tình kéo bản tin này vào.

Con đường thứ ba là liên kết lan truyền. Nếu câu chuyện về Joselyn từng được chia sẻ trong các nhóm cộng đồng có yếu tố thể thao, hoặc nếu người chia sẻ đầu tiên là một tài khoản thường đăng về thể thao, thì thuật toán lan truyền có thể đã học sai.

Cả ba con đường đều dẫn đến cùng một kết quả: một bản tin nhân danh bị biến thành một mục dữ liệu thể thao.

Đây không phải là một giả thuyết lý thuyết. Tôi đã chứng kiến điều tương tự trong nhiều năm làm việc với dữ liệu bóng đá. Một bản tin về chấn thương của một cầu thủ có thể bị nhầm thành bản tin về hợp đồng chuyển nhượng. Một bài viết về cuộc sống cá nhân của huấn luyện viên có thể bị kéo vào danh mục chiến thuật. Một thông báo về lịch thi đấu của đội trẻ có thể bị đẩy lên thành tin đội một. Những lỗi này thường vô hại. Chúng chỉ làm nhiễu một vài chỉ số, làm lệch một vài mô hình, làm mờ một vài đánh giá.

Nhưng ở đây, khi chủ thể của lỗi là một người đã chết, ranh giới giữa "nhiễu dữ liệu" và "xúc phạm" biến mất.

Điều hệ thống không thể đọc

Mọi con số đều kể một câu chuyện. Câu chuyện không nằm trong con số.

Tôi đã học được câu đó sau nhiều năm phân tích các chỉ số bóng đá. Một cầu thủ có xG là 1.8 trong năm trận và ghi được hai bàn. Con số đó nói rằng anh ta đang ghi bàn vượt kỳ vọng. Nó không nói rằng anh ta đang chạy vào khoảng trống tốt, hay đang bỏ lỡ những tình huống ngon ăn, hay đang chơi trong một đội hình không tạo đủ cơ hội, hay đang đá đúng vào một giai đoạn mà thể lực và tâm lý cho phép anh ta tỏa sáng. Câu chuyện không nằm trong con số.

Điều tương tự đúng với các hệ thống phân loại tin tức. Một nhãn "bóng đá" nói rằng hệ thống đã nhận diện được một tập hợp tín hiệu. Nó không nói rằng tập hợp tín hiệu đó có đúng hay không. Nó không nói rằng bên dưới nhãn dán là một con người. Nó không nói rằng cái tên trong tệp là một nữ sinh viên 21 tuổi, người có gia đình, có bạn học, có một tương lai.

Có một khoảng trống cấu trúc giữa dữ liệu và sự thật. Người làm dữ liệu chuyên nghiệp phải biết đứng đúng vào khoảng trống đó, và thừa nhận nó, thay vì lấp đầy nó bằng phỏng đoán.

Ở trường hợp của Joselyn Sandoval Calderón, những gì nằm trong khoảng trống đó là quá lớn để có thể bỏ qua. Bởi vì câu hỏi chưa có lời giải không phải là câu hỏi chuyên môn. Nó là câu hỏi cơ bản: điều gì đã xảy ra với một người trẻ.

Và có một chi tiết khác cần được nói ra rõ ràng. Cái ngưỡng mà bản tin dừng lại — không nguyên nhân, không nghi phạm, không giả thuyết — không phải là sự hời hợt. Nó là sự tuân thủ. Trong một cuộc điều tra còn đang mở, việc không công bố kết luận là một hành vi trách nhiệm. Nó ngăn ngừa hai điều: sự suy diễn thiếu căn cứ, và sự tổn thương thêm cho những người còn sống.

Tôi từng viết rất nhiều lần rằng dữ liệu không làm nên cách mạng. Nó chỉ lột bỏ lớp sơn phủ của huyền thoại. Nhưng câu đó có một giới hạn, và giới hạn đó đang hiện ra trước mắt tôi.

Dữ liệu không phải lúc nào cũng có thể lột bỏ lớp sơn phủ. Đôi khi nó chỉ lột bỏ chính nó, và để lại trần trụi một câu hỏi không có câu trả lời.

Góc nhìn phản trực giác: cân bằng sai

Ở đây, điều phản trực giác không nằm ở câu chuyện. Nó nằm ở cách ngành tin tức thể thao vận hành quanh câu chuyện.

Khi tôi theo dõi cách một bản tin như thế này lan truyền, tôi thường tự hỏi một câu: hệ thống của chúng ta đang cân bằng giữa hai loại sai lầm nào?

Loại sai lầm thứ nhất là bỏ sót. Một bản tin không được gắn nhãn đúng, không được đưa đến đúng độc giả, không được đưa vào đúng luồng phân tích. Trong thể thao, bỏ sót có nghĩa là bạn mất một tín hiệu, mất một chuyển động thị trường, mất một mảnh ghép trong bức tranh lớn.

Loại sai lầm thứ hai là gán nhãn sai. Một bản tin được đưa vào một chủ đề không thuộc về nó. Trong thể thao, gán nhãn sai có nghĩa là mô hình của bạn bị nhiễu, chỉ số của bạn bị lệch, và người đọc của bạn bị dẫn sai.

Hệ thống tin tức hiện đại, vì bị thúc đẩy bởi tốc độ và bởi nhu cầu bao phủ rộng, thường tối ưu hóa để tránh sai lầm thứ nhất, và chấp nhận sai lầm thứ hai như một cái giá phải trả. Nguyên tắc vận hành là: thà gán nhãn rộng còn hơn bỏ sót. Nếu một bản tin có 20% khả năng liên quan đến thể thao, hãy đưa nó vào. Nếu nó không liên quan, nó sẽ trôi đi.

Nhưng logic đó chỉ đúng khi bên dưới nhãn dán là những sự kiện có thể trôi đi. Một kết quả trận đấu có thể trôi. Một tin chuyển nhượng có thể trôi. Một danh sách đội hình có thể trôi. Một cái chết thì không thể trôi. Nó không được thiết kế để trôi.

Đây là điểm mà ngành của tôi thường né tránh: chúng ta xây dựng hệ thống dựa trên những giả định về đối tượng, và giả định đó không phải lúc nào cũng đúng. Chúng ta giả định rằng mọi thứ đi qua pipeline đều là dữ liệu thể thao, đều có thể bị xử lý, đều có thể bị mổ xẻ, đều có thể bị chuyển hóa thành nhận định. Nhưng có những loại nội dung mà việc xử lý chúng, tự nó, đã là một sai lầm.

Điều phản trực giác thứ hai là về kỳ vọng của công chúng. Khi câu chuyện này xuất hiện, phản ứng tự nhiên của số đông là tìm kiếm thông tin thêm. Có ai bị bắt chưa. Nguyên nhân là gì. Có phải đây là một vụ tấn công giới tính hay không. Trong bối cảnh rộng hơn của bang Mexico và của Mexico nói chung, nơi mà các vụ bạo lực nhắm vào phụ nữ và trẻ em gái là một vấn đề xã hội được thảo luận nghiêm túc, kỳ vọng sẽ càng lớn.

Nhưng kỳ vọng lớn không tạo ra sự thật. Nó chỉ tạo ra áp lực. Và áp lực, nếu không được kiểm soát, sẽ đẩy các bên liên quan — cơ quan điều tra, truyền thông, công chúng — vào những lựa chọn tồi tệ hơn.

Cơ quan công tố FGJEM phải làm việc theo tiến độ của pháp y, không theo tiến độ của truyền thông. Truyền thông phải chọn giữa việc thỏa mãn nhu cầu thông tin và việc tôn trọng giới hạn của một cuộc điều tra đang mở. Gia đình phải chịu đựng đồng thời nỗi mất mát và sự chú ý.

Ba bên này không có cùng một lợi ích. Và trong cấu trúc đó, việc một bản tin bị dán nhãn "bóng đá" rồi trôi vào một luồng dữ liệu hoàn toàn khác lợi ích là một hình ảnh thu nhỏ của một vấn đề lớn hơn: chúng ta xử lý các câu chuyện con người bằng công cụ thiết kế cho sự kiện.

Vì sao điều này quan trọng với ngành dữ liệu thể thao

Có ý kiến cho rằng đây chỉ là một lỗi nhỏ của một hệ thống nhỏ, không đáng để bàn. Tôi không nghĩ vậy.

Lý do thứ nhất là về tính lan truyền của dữ liệu. Trong kiến trúc dữ liệu hiện đại, một nhãn sai không chết yểu tại chỗ. Nó được sao chép. Nó được lưu vào cơ sở dữ liệu. Nó được đưa vào các mô hình huấn luyện. Nó được tham chiếu bởi các hệ thống khác. Một lỗi ở nguồn có thể nhân lên thành hàng nghìn lỗi ở hạ nguồn. Nếu một pipeline tự động học rằng "UAEMéx Valle de Teotihuacán" là một thực thể thể thao, thì trong nhiều tháng tiếp theo, mọi bản tin có chứa thực thể đó đều có thể bị kéo vào nhầm.

Lý do thứ hai là về đạo đức nghề nghiệp. Ngành dữ liệu thể thao được xây dựng trên một niềm tin ngầm: rằng dữ liệu là trung lập, rằng con số là khách quan, rằng mô hình không phán xét. Niềm tin đó có giá trị, nhưng nó cũng có thể trở thành một cái cớ. Khi một hệ thống xử lý một cái chết như xử lý một kết quả trận đấu, cái cớ "chúng tôi chỉ làm dữ liệu" không còn đứng vững.

Lý do thứ ba, và có lẽ là quan trọng nhất, là về giới hạn của sự chuyên nghiệp hóa. Chúng ta đã xây dựng được một ngành phân tích dữ liệu thể thao với các tiêu chuẩn, các quy trình, các thước đo chất lượng. Nhưng chúng ta chưa xây dựng được một bộ quy tắc đủ mạnh cho việc nhận diện nội dung nằm ngoài phạm vi. Một người phân tích giỏi biết khi nào một mẫu dữ liệu quá nhỏ để kết luận. Một người phân tích giỏi cũng nên biết khi nào một nội dung quá nhạy cảm để xử lý.

Dữ liệu không xóa bỏ cảm xúc. Nó giải thích tại sao cảm xúc tồn tại. Trong trường hợp này, cảm xúc xuất hiện vì có một con người. Và việc giải thích nó, lúc này, đơn giản là việc thừa nhận rằng hệ thống đã sai, và cái sai đó cần được ghi lại một cách minh bạch.

Những gì chưa thể nói

Tôi muốn dành phần này để nói rõ ràng về những gì bài viết này không làm.

Bài viết này không đưa ra giả thuyết về nguyên nhân cái chết của Joselyn Sandoval Calderón. Không có cơ sở nào để làm điều đó. Bản tin gốc đã giữ đúng nguyên tắc, và tôi giữ đúng theo nguyên tắc đó.

Bài viết này không suy đoán về nghi phạm. Không có nghi phạm nào được nêu tên trong bất kỳ nguồn nào được xem xét.

Bài viết này không khẳng định một liên kết với bạo lực giới tính. Đó là một khả năng mà bối cảnh rộng hơn đặt ra, nhưng nó chưa được xác nhận bởi bất kỳ thông tin nào trong vụ việc này. Điều quan trọng là phải nói rõ: bối cảnh không phải là bằng chứng.

Bài viết này cũng không biến câu chuyện thành một chất liệu cho các phân tích chiến thuật, các dự đoán, hay bất kỳ nội dung nào khác thuộc lĩnh vực chuyên môn của tôi. Cám dỗ đó rất lớn. Khi bạn làm việc với dữ liệu bóng đá hàng ngày, mọi thứ đều có thể trở thành một biến số. Nhưng một cái chết không phải là một biến số.

Những gì bài viết này làm là ghi lại một sự kiện, ghi lại trạng thái của cuộc điều tra tính đến thời điểm này, và nêu ra một vấn đề nghề nghiệp mà sự kiện đó phơi bày.

Và có một điều nữa cần nói rõ. Một trong những nguyên tắc tôi tuân thủ khi viết về thể thao là không thần thánh hóa bất kỳ ai và không biến bất kỳ ai thành một con số. Nhưng cũng chính nguyên tắc đó đòi hỏi tôi phải nhớ rằng mỗi con số bắt đầu từ một người. Joselyn Sandoval Calderón là một sinh viên 21 tuổi. Cô có một cái tên, có một trường học, có một gia đình đã phải thực hiện việc nhận dạng. Đó là những sự thật. Và chúng xứng đáng được ghi lại như những sự thật, không phải như những dữ kiện hành chính.

Suy nghĩ tiến về phía trước

Có một câu hỏi tôi sẽ mang theo trong những tuần tới, khi tôi quay lại công việc phân tích các trận đấu và các con số.

Câu hỏi đó là: nếu ngành của chúng ta xây dựng được những hệ thống đủ tinh vi để đo lường chuyển động của một cầu thủ trong một mét vuông và nửa giây, thì tại sao chúng ta lại chưa xây dựng được những hệ thống đủ tử tế để nhận ra khi nào một nội dung không thuộc về chỗ của nó?

Khoảng cách giữa hai điều đó chính là thứ mà cái nhãn "bóng đá" trong tệp của tôi đang vạch ra. Chúng ta giỏi hơn bao giờ hết trong việc đọc thế giới, và vẫn còn vụng về trong việc quyết định khi nào nên ngừng đọc.

Khi 53.000 khán giả im lặng, số liệu bắt đầu nói. Nhưng có một loại im lặng khác, không nằm trong một khán đài nào, mà nằm trong các hệ thống của chúng ta. Đó là khoảng lặng khi một thuật toán quyết định rằng một cái chết là một mục dữ liệu. Khoảng lặng đó không tạo ra lợi nhuận, không tạo ra lượt xem, không tạo ra tranh cãi. Nó chỉ tạo ra một câu hỏi.

Và câu hỏi đó, suy cho cùng, không chỉ dành cho giới phân tích dữ liệu thể thao. Nó dành cho mọi ngành đang dùng dữ liệu để kể lại thế giới. Điều gì xảy ra với những nội dung mà chúng ta không thể, không nên, và không được phép xử lý? Câu trả lời, nếu có, có lẽ là: hãy để chúng yên, gọi chúng đúng tên, và chuyển chúng cho nhật ký của một cuộc điều tra con người, nơi mà cơ quan công tố FGJEM, gia đình, và cộng đồng trường học phải làm việc với nhau.

Phần còn lại, hiện tại, không thuộc về tôi. Và tôi sẽ không giả vờ rằng nó thuộc về mình.