Lỗi dán nhãn dữ liệu chấn thương: khi một bản tin drone lọt vào hồ sơ quần vợt

Tối thứ Năm, tôi mở một lô tệp tin trong đợt rà soát dữ liệu chấn thương cho một hệ thống phân tích quần vợt. Tệp thứ mười một mang nhãn rõ ràng: quần vợt. Tôi mở nó ra.

Bên trong là một thông cáo quân sự. Liên quân do Ả Rập Xê Út dẫn đầu tuyên bố đã đánh chặn một máy bay không người lái của Houthi gần Makkah. Người phát ngôn Turki al-Malki khẳng định vụ việc đã bị chặn đứng. Một thành viên ban chính trị Houthi phản bác qua hãng tin riêng của họ. Xa hơn một chút, một đoạn văn nói về đường ống Đông–Tây dài 1.200 km (745 dặm) nối các mỏ dầu vùng Vịnh với Biển Đỏ. Một đoạn khác nhắc tới con số 4% nguồn cung dầu toàn cầu có thể bị đe dọa.

Không có tay vợt nào trong đó. Không có set đấu nào. Không có bảng xếp hạng, không có lịch thi đấu, không có một dòng hồ sơ y tế.

Tôi đóng tệp lại và ngồi im vài giây. Cảm giác nặng không đến từ nội dung bên trong. Nó đến từ việc tôi biết chính xác điều gì sẽ xảy ra nếu tệp này tiếp tục trôi xuống hạ nguồn.

Trong bảy năm làm việc với dữ liệu thể thao, tôi chưa từng thấy một mô hình rủi ro chấn thương nào sụp đổ vì thiếu dữ liệu. Tôi đã thấy chúng sụp đổ vì dữ liệu sai nhãn.

Nghề của tôi là phân tích chấn thương và quá trình tái xuất của vận động viên. Mỗi mô hình tôi xây dựng đều bắt đầu từ một thao tác nghe có vẻ nhàm chán: gán nhãn. Một buổi tập được gắn nhãn cường độ cao. Một trận đấu được gắn nhãn sân cứng, ba set. Một lần đau gân kheo được gắn nhãn tái phát. Nhãn là bộ xương của toàn bộ hệ thống. Không có nhãn đúng, mọi phép tính phía sau chỉ là số học trên cát.

Các công ty dữ liệu thể thao ngày nay xử lý hàng trăm nghìn bản ghi mỗi ngày: biên bản trận đấu, hồ sơ y tế, nhật ký tập luyện, bảng theo dõi tải trọng. Không ai đọc bằng mắt từng bản ghi. Phần lớn công việc được giao cho các bộ gán nhãn tự động. Những bộ gán nhãn ấy rất giỏi phân loại, và rất dở tự vấn. Chúng không bao giờ hỏi: bản ghi này có thực sự thuộc về thế giới của tôi không?

Năm 2026, khi còn là sinh viên năm ba thực tập tại trung tâm đào tạo trẻ Paris FC, tôi được giao rà soát hồ sơ y tế của đội U19. Tôi phát hiện tiền vệ Lucas Moreau, 18 tuổi, đã có ba lần đau gân kheo trong mười bốn trận nhưng ban huấn luyện vẫn xếp cậu đá chính liên tục. Tôi lập biểu đồ tần suất chấn thương so với cường độ tập luyện và chỉ ra rằng cậu có nguy cơ rách cơ 87% nếu tiếp tục thi đấu. Ban huấn luyện miễn cưỡng cho nghỉ một tuần. Lucas tránh được chấn thương nặng và ghi hai bàn trong ba trận sau đó.

Tôi kể lại câu chuyện ấy vì bài học nằm ở một chỗ khác. Điều tôi làm được hôm đó chỉ là đọc đúng nhãn trên một tệp hồ sơ. Nếu hồ sơ của Lucas bị gắn nhầm nhãn “khỏe mạnh”, không mô hình nào trên đời cứu được cậu.

Từ đó tôi rút ra một nguyên tắc: lỗ hổng lớn nhất của mọi hệ thống dữ liệu thể thao nằm ở khâu dán nhãn, chứ không nằm ở khâu tính toán. Tôi tìm thấy lỗ hổng không phải ở cơ thể cầu thủ mà ở cách chúng ta đo lường nó.

Vậy tệp tin kia chứa gì, và vì sao nó đáng lo?

Về nội dung, đó là một bản tin địa chính trị – năng lượng. Liên quân Ả Rập Xê Út nói họ đánh chặn một drone gần Makkah, nơi gắn với hành hương Hajj. Phía Houthi đưa ra tuyên bố ngược lại. Có một chi tiết hạ tầng: đường ống Đông–Tây nối mỏ dầu vùng Vịnh ra Biển Đỏ. Có một chi tiết thị trường: một phần nguồn cung dầu toàn cầu bị đặt vào vòng nguy hiểm. Có cả tên của những nhân vật chính trị cấp cao.

Về phương diện dữ liệu, tệp tin ấy chứa bốn tín hiệu cảnh báo mà bất kỳ nhà phân tích thể thao nào cũng nên nhận ra, bởi chúng giống hệt những tín hiệu tôi vẫn gặp trong hồ sơ chấn thương.

Tín hiệu thứ nhất: nguồn là bên có quyền lợi. Tuyên bố đánh chặn đến từ người phát ngôn của chính liên quân thực hiện vụ đánh chặn. Phía đối lập đưa ra tuyên bố qua hãng tin do họ kiểm soát. Trong hồ sơ chấn thương, đây là trường hợp đội bóng nói cầu thủ “ổn” trong khi cầu thủ nói “đau”. Cả hai bên đều có lý do để nói điều mình nói. Một tuyên bố một chiều không có nguồn độc lập thì chưa phải dữ liệu; nó mới chỉ là lời khai.

Tín hiệu thứ hai: mâu thuẫn nội bộ. Một đoạn nói về “cuộc chiến Mỹ–Iran kéo dài sáu tháng”. Một đoạn khác nói “gần bảy tháng giao tranh”. Hai con số không khớp. Trong phân tích chấn thương, kiểu mâu thuẫn thời lượng này là dấu hiệu kinh điển của một hồ sơ bị trộn từ nhiều nguồn, hoặc của một bản tổng hợp chưa đối chiếu. Tôi từng thấy báo cáo y tế ghi “nghỉ ba tuần” ở trang đầu và “nghỉ sáu tuần” ở trang sau. Đó thường không phải lỗi đánh máy. Đó là hai hồ sơ khác nhau bị gộp làm một.

Tín hiệu thứ ba: không có ngày công bố. Bản tin dùng thời hiện tại nhưng lại nhắc tới tháng Bảy 2026. Không có mốc thời gian tuyệt đối thì không thể đặt sự kiện lên trục thời gian, và không có trục thời gian thì không có phân tích chuỗi. Với tôi, một chấn thương không có ngày là một chấn thương không tồn tại.

Tín hiệu thứ tư, và đây là điểm chí mạng: nhãn sai. Toàn bộ tệp tin mang nhãn quần vợt trong khi nội dung là xung đột vũ trang và thị trường năng lượng.

Bốn tín hiệu ấy, nếu chỉ có một, tôi sẽ ghi chú rồi đi tiếp. Có cả bốn, tôi dừng quy trình.

Điều gì xảy ra nếu tôi không dừng? Hãy hình dung hệ thống tự động của một công ty dữ liệu thể thao nhận tệp này. Bộ gán nhãn đọc thấy nhãn quần vợt, đẩy nó vào tập huấn luyện của một mô hình rủi ro chấn thương. Mô hình học rằng đâu đó, trong một khoảng thời gian nào đó, tồn tại một “sự kiện” với các thuộc tính: đường ống 1.200 km, 4% nguồn cung, gần bảy tháng. Không thuộc tính nào khớp với gân kheo, dây chằng hay khối lượng tập luyện. Nhưng mô hình không biết điều đó. Nó chỉ biết trọng số.

Đây là chỗ tôi muốn người đọc dừng lại lâu hơn một chút. Tác hại không nằm ở việc mô hình dự đoán sai một ca chấn thương. Tác hại nằm ở việc mô hình trở nên tự tin hơn một cách vô cớ. Nhiễu được nạp vào sẽ làm loãng tín hiệu thật và làm tăng độ tin cậy biểu kiến của mô hình trên tập kiểm tra. Tôi đã chứng kiến điều này trong dự án năm 2026, khi chúng tôi xây dựng mô hình rủi ro tái phát chấn thương sau gián đoạn dịch bệnh. Chúng tôi thu thập 1.200 hồ sơ bệnh án từ năm câu lạc bộ, dựa trên dữ liệu các mùa giải từng bị ngắt quãng, như cuộc đình công năm 2026 ở Ligue 1. Kết quả cho thấy tỷ lệ rách cơ tăng 23% trong bốn tuần đầu sau khi bóng đá trở lại. Nhưng để có con số 23% ấy, chúng tôi đã phải loại bỏ hàng trăm bản ghi bị gán nhãn sai. Nếu giữ lại, con số sẽ đẹp hơn. Và sai hơn.

Kể từ năm 2026, tôi viết mọi báo cáo theo dạng kịch bản có trọng số, không bao giờ nói “chắc chắn”. Tôi luôn thêm phần miễn trừ trách nhiệm: dữ liệu có thể thay đổi khi điều kiện bất thường xảy ra. Nghe có vẻ dè dặt, nhưng đó là cách duy nhất để một bản phân tích không tự biến mình thành lời tiên tri.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi qua nhiều mùa giải, tôi nhận ra rằng dữ liệu truyền hình cũng mắc đúng căn bệnh này. Có lần tôi thấy một bảng thống kê ghi nhầm mặt sân đất nện thành sân cứng, và chỉ một ô nhãn sai ấy đủ khiến toàn bộ so sánh tốc độ xoáy bóng giữa hai tay vợt trở nên vô nghĩa. Người xem không thấy gì bất thường. Bảng số vẫn đẹp. Nhưng kết luận rút ra từ nó đã trật từ gốc.

Trong đợt rà soát ấy, tôi phân biệt hai loại lỗi. Lỗi thứ nhất là thiếu dữ liệu: hồ sơ trống, ngày tháng khuyết, cầu thủ không được theo dõi. Lỗi này ồn ào, ai cũng thấy. Lỗi thứ hai là dữ liệu sai nhãn: hồ sơ đầy đủ, định dạng chuẩn, trông hoàn hảo, nhưng nội dung thuộc về một thế giới khác. Lỗi này im lặng. Nó không báo động. Nó đi thẳng vào mô hình.

Tệp tin về Makkah là lỗi loại hai ở dạng nguyên chất.

Ngành dữ liệu thể thao đang mang một định kiến nguy hiểm: tin rằng nhiều dữ liệu hơn sẽ sửa được mọi thứ.

Tôi hiểu vì sao định kiến ấy tồn tại. Các mô hình học máy thường cải thiện khi có thêm mẫu. Các nhà tài trợ thích những con số lớn. Và trong một mùa giải đấu lớn, áp lực công bố nhanh khiến khâu kiểm tra nhãn bị xếp vào loại công việc giấy tờ, không phải công việc phân tích.

Nhưng quãng đường di chuyển và số lần bứt tốc từng được đóng gói như chỉ số nỗ lực, trong khi chạy vô hiệu cũng tạo ra những con số đẹp y hệt. Chúng ta đã quen nghi ngờ các chỉ số. Chúng ta hiếm khi nghi ngờ cái nhãn dán lên chúng.

Sai lầm phổ biến là đổ lỗi cho mô hình. Khi một hệ thống dự đoán chấn thương sai, phản ứng mặc định là thu thập thêm dữ liệu, thêm biến, thêm mùa giải. Nhưng nếu nguồn nước đã bị nhiễm, đổ thêm nước sạch vào không làm bể nước sạch hơn. Nó chỉ làm bể lớn hơn.

Việc sửa chữa không đắt. Một quy trình lấy mẫu ngẫu nhiên, một người đọc thủ công vài trăm bản ghi mỗi tuần, một bảng đối chiếu giữa nhãn và nội dung. Nhưng nó không tạo ra những con số hào nhoáng để trình bày trong cuộc họp. Nó chỉ ngăn những con số sai ra đời.

Paris FC đã dạy tôi rằng dữ liệu xấu còn nguy hiểm hơn là không có dữ liệu. Không có dữ liệu thì bạn biết mình đang mù. Có dữ liệu xấu thì bạn tưởng mình đang thấy.

Tôi không tin vào may mắn; tôi tin vào những con số đã qua kiểm chứng. Và với tôi, kiểm chứng bắt đầu từ câu hỏi nhỏ nhất: cái nhãn này có đúng không?

Một mô hình rủi ro không cứu được ai; nó chỉ cho bạn biết nên nhìn vào đâu. Nếu nó chỉ cho bạn nhìn vào một tệp tin về drone gần Makkah, thì nó đang lãng phí thời gian của bạn, và tệ hơn, đang bào mòn niềm tin của bạn vào chính hệ thống.

Câu hỏi tôi mang theo sau lần rà soát đó không phải là làm sao xây một mô hình tốt hơn. Mà là: ai đang kiểm tra người dán nhãn? Và trong mùa giải đấu lớn này, khi mọi dòng dữ liệu chảy nhanh hơn bao giờ hết, câu hỏi ấy vẫn chưa có câu trả lời.