Nhãn "bơi lội" rỗng ruột: Khi tín hiệu yếu đội lốt bằng chứng

Sáng hôm ấy, màn hình trong phòng phân tích của tôi sáng lên một bản ghi kỳ lạ. Mọi trường dữ liệu đều trống: không tiêu đề, không nguồn, không quan điểm cốt lõi, không một thực thể nào được nêu tên. Nhưng một dòng vẫn sáng — nhãn lĩnh vực: "bơi lội". Một nhãn duy nhất, đơn độc, và bao quanh nó là khoảng không rộng lớn. Tôi ngồi nhìn nó một lúc lâu. Với người đã hai mươi mốt năm đọc bảng số liệu bơi lội, cảm giác này vừa quen vừa lạ. Quen, vì tôi từng thấy hàng trăm bản ghi lỗi trong hệ thống dữ liệu thể thao. Lạ, vì lần này cái nhãn ấy dường như đang cố thuyết phục tôi tin rằng nó biết điều gì đó — trong khi thực tế nó chẳng biết gì cả. Tôi gọi đó là một tín hiệu yếu đội lốt bằng chứng. Trong nghề của tôi, đây là kiểu sai lầm nguy hiểm nhất, bởi nó không ồn ào như một con số sai, mà lặng lẽ như một căn phòng trống được dán nhãn "có người ở". Người ta bước vào, tin rằng có người, rồi bắt đầu trò chuyện với bức tường. Để hiểu vì sao một bản ghi có thể trống rỗng đến vậy mà vẫn mang nhãn, cần hiểu cách các hệ thống dữ liệu thể thao vận hành. Một quy trình trích xuất điển hình gồm nhiều tầng nối tiếp: thu thập văn bản thô, phân tích nội dung, gán nhãn chủ đề, trích xuất thực thể, rồi chưng cất thành các điểm thông tin. Khi tầng thu thập thất bại — trang bị tường phí, nội dung dựng bằng JavaScript, tệp PDF không đọc được chữ, hay một bức tường đăng nhập — thì các tầng sau không có gì để xử lý. Nhưng hệ thống hiếm khi chịu thừa nhận điều đó. Thay vì báo "thất bại", nó vẫn xuất ra một đối tượng trông có vẻ hợp lệ: các trường trống, vài giá trị mặc định, và một nhãn chủ đề. Nhãn ấy thường được suy ra từ những dấu vết rất mỏng — đường dẫn URL, siêu dữ liệu, văn bản thay thế của ảnh, hay chỉ một từ khóa đơn lẻ. Đó là một tín hiệu yếu, không phải bằng chứng rằng bài viết thực sự nói về bơi lội theo nghĩa nào đó có giá trị. Tôi từng chứng kiến điều tương tự trong chính nghề bơi lội. Một bảng kết quả có thể được gắn nhãn "chung kết 200m tự do" chỉ vì tiêu đề có chữ "final", trong khi nội dung thực chất là vòng loại. Một vận động viên có thể bị gán nhãn "kỷ lục gia" chỉ vì tên anh ta xuất hiện cạnh chữ "record" trong một dòng quảng cáo. Nhãn đến trước, sự thật đến sau — nếu có đến. Trong một kỳ chuyển nhượng, nơi tiếng ồn lấn át tín hiệu, kiểu nhầm lẫn này càng nguy hiểm. Người hâm mộ không thiếu thông tin; họ thiếu bộ lọc. Và một cái nhãn sai chính là bộ lọc hỏng. Cách đây vài năm, tôi từng xây dựng một quy tắc nhỏ cho nhóm của mình, gọi là "nghi thức kiểm tra xuất xứ dữ liệu". Trước khi bất kỳ nhãn nào được đưa vào phân tích, nó phải trả lời được ba câu hỏi: nó đến từ đâu, nó được tạo bằng cách nào, và nó có tương ứng với phần thân văn bản thật hay không. Phần lớn các lỗi hệ thống bị bắt ngay ở câu hỏi thứ ba. Tôi nhớ có lần một cộng sự trẻ mang đến cho tôi một bảng thống kê về một giải bơi lội cấp quốc gia. Bảng ấy đẹp lắm — đủ màu sắc, đủ biểu đồ, đủ những con số được trình bày như thể chúng là chân lý. Nhưng khi tôi hỏi nguồn của từng cột số, cậu ấy im lặng. Hóa ra toàn bộ bảng được dựng từ một tệp PDF mà máy không đọc được, cộng thêm trí tưởng tượng của người làm. Chúng tôi bỏ toàn bộ bảng ấy vào thùng rác, không thương tiếc. Hãy nhìn thẳng vào bản ghi kia. Điều duy nhất có thật trong toàn bộ đối tượng là dòng lĩnh vực bơi lội. Mọi thứ còn lại đều là giá trị mặc định hoặc rỗng. Cách đọc trung thực nhất là: đây gần như là một thất bại trích xuất toàn phần, kèm theo một nhãn duy nhất không đáng tin. Có ba kịch bản dẫn đến kết quả này. Thứ nhất, thất bại trích xuất ở thượng nguồn: bộ thu thập không trả về văn bản dùng được. Thứ hai, nhãn lĩnh vực được gán quá sớm hoặc theo kinh nghiệm, từ một tín hiệu mỏng như URL hay từ khóa, chứ không từ phân tích nội dung. Thứ ba, các trường loại bài và nguồn chưa bao giờ được điền, khiến phán đoán hạ nguồn — về lập trường, mục đích, độ nhạy thời gian, chất lượng nguồn — đều sụp đổ. Điều đáng sợ không nằm ở việc dữ liệu trống. Điều đáng sợ nằm ở việc hệ thống vẫn tạo ra một đối tượng trông đủ hợp lệ để ai đó đem đi phân tích. Nếu một tầng hạ nguồn vội vàng dựng lên phân tích quan điểm, lập trường hay thiên kiến từ cái vỏ rỗng này, nó đang bịa đặt. Và bịa đặt trong phân tích dữ liệu thể thao không khác gì một vận động viên tự ghi tên mình vào bảng vàng mà chưa từng xuống nước. Tôi nhớ lại một nguyên tắc tôi luôn dạy các cộng sự trẻ. Số liệu không biết nói dối, nhưng người đọc số liệu thì biết. Một bản ghi rỗng với một nhãn đẹp là lời nói dối hoàn hảo nhất, bởi nó không cần bịa ra con số — nó chỉ cần để trống và tỏ ra bận rộn. Hành vi đúng đắn khi gặp bản ghi này rất rõ ràng: gắn cờ "không thể phân tích vào lúc này", rồi chọn một trong ba hướng. Trích xuất lại bằng phương pháp khác — trình duyệt mô phỏng, bộ đọc PDF, bản sao dự phòng. Hoặc đẩy lên như một khiếm khuyết nếu nguồn vốn tốt. Hoặc cách ly nhãn lĩnh vực vì chưa được kiểm chứng. Cả ba hướng đều bắt đầu từ cùng một thái độ: không xây dựng kết luận trên nền cát. Để bản ghi trở nên phân tích được, nó cần tối thiểu vài thứ. Tiêu đề kèm nguồn để đánh giá chất lượng và độ mới. Loại bài — tin, bình luận, quan hệ công chúng, học thuật, hay blog — để định khung kỳ vọng về lập trường. Và ít nhất ba đến năm điểm thông tin riêng biệt, tức những tuyên bố thật sự để phân tích. Thiếu những thứ đó, mọi phân tích sâu chỉ là ảo giác về tri thức. Một niềm tin được dựng trên dữ liệu trống thì không khác gì một vận động viên chạm tường trong làn nước mà không ai bấm giờ — thành tích có thể tồn tại trong đầu anh ta, nhưng không tồn tại trên bảng điện tử. Ở đây xuất hiện một cám dỗ mà tôi hiểu rất rõ. Khi bạn mang danh một người phân tích dữ liệu, cám dỗ lớn nhất là biến một điểm dữ liệu đơn độc thành một câu chuyện hoàn chỉnh. Nhãn "bơi lội" đang mời gọi tôi viết về bơi lội. Một tín hiệu yếu đang mời gọi tôi gọi nó là bằng chứng. Nếu tôi để cái tôi của mình nuốt chửng lý lẽ dữ liệu, tôi sẽ dựng lên một bài phân tích hấp dẫn về một bài viết mà tôi chưa từng đọc. Nhưng đó chính là điều tôi thề không làm. Phép màu chỉ là một điểm dữ liệu chưa được hồi quy. Và một nhãn lĩnh vực chưa kiểm chứng cũng chỉ là một điểm dữ liệu chưa được hồi quy. Tương quan không phải nhân quả. Việc một từ khóa "bơi lội" xuất hiện không có nghĩa bài viết nói về bơi lội. Nó có thể là một trang cá cược thể thao nhắc đến bể bơi khách sạn, một bài đánh giá du lịch, một bài y khoa về viêm tai người bơi, hay đơn giản chỉ là một liên kết điều hướng. Tôi không được phép suy diễn chủ đề, lập trường hay mục đích từ một danh sách điểm thông tin trống rỗng. Trong bơi lội, tôi học được rằng chiến thắng chỉ được tính bằng thành tích trên bảng giây, không phải bằng việc bạn nhảy xuống nước vỗ ồn đến mức nào. Trong phân tích dữ liệu cũng vậy. Giá trị nằm ở đường hồi quy, không nằm ở tiếng động của một cái nhãn. Người đọc số liệu giỏi không phải người kể được nhiều câu chuyện nhất từ ít dữ liệu nhất, mà là người dám nói "tôi chưa biết" khi dữ liệu chưa đủ. Sự trung thực với khoảng trống khó hơn nhiều so với việc lấp đầy nó bằng phỏng đoán. Tôi không tin vào may mắn, tôi tin vào biên độ sai số. Điều tôi rút ra không phải một kết luận về bơi lội, mà một nguyên tắc về cách đối xử với dữ liệu. Trước khi tin một nhãn, hãy hỏi nó đến từ đâu. Trước khi phân tích một bài viết, hãy chắc rằng bài viết ấy tồn tại trong tay bạn. Và trước khi biến một tín hiệu yếu thành bằng chứng, hãy nhớ rằng mọi cú sốc đều có chân dung trong dữ liệu cũ — nhưng chân dung ấy chỉ hiện ra khi ta chịu bỏ công hồi quy, chứ không phải khi ta chịu khó tưởng tượng. Dữ liệu chỉ chết khi ta ngừng đặt câu hỏi. Và câu hỏi đầu tiên trong mọi vòng phân tích nên luôn là: nguồn này có thật không, hay chỉ là một cái nhãn đang cố tỏ ra có thật?