Khi thuật toán gọi sai tên: Một bài học về phân loại dữ liệu từ vụ việc Kim Kardashian

Có một lỗi trong nghề phân tích dữ liệu mà tôi luôn nhớ: sai lầm đầu tiên không phải để xóa, mà để đối chiếu về sau. Lỗi đó vừa lặp lại, ở một quy mô khác, trong chính cái cách một hệ thống phân tích nội dung tự động gán nhãn "bóng đá" cho một bài báo hoàn toàn không có bóng đá. Sự việc bắt đầu từ một bài viết trên Express Tribune, dẫn lại nguồn từ tạp chí Star, về những căng thẳng trong gia đình Kardashian-Jenner dịp Giáng sinh. Nội dung xoay quanh Kim Kardashian, Kris Jenner, Kanye West, Kourtney Kardashian, Khloé Kardashian và bạn trai của Kim, Lewis Hamilton. Không có đội bóng, không có cầu thủ, không có huấn luyện viên, không có trận đấu, không có chuyển nhượng, không có hợp đồng, không có hệ thống chiến thuật, không có bất kỳ nội dung tài chính hay quản trị nào của bóng đá. Thế nhưng, trong hệ thống phân tích chuyên sâu, bài viết này được gán nhãn lĩnh vực là "bóng đá". Toàn bộ 18 điểm thông tin trong bản phân tích gốc đều liên quan đến động thái quan hệ của người nổi tiếng, sản xuất truyền hình thực tế và xung đột gia đình. Thực thể duy nhất có liên quan đến thể thao là Lewis Hamilton, một tay đua Công thức 1, không phải cầu thủ bóng đá. Đây là một trường hợp sai phân loại lĩnh vực điển hình. Và nó đáng để phân tích, không phải vì nội dung bài báo, mà vì những gì nó tiết lộ về lỗ hổng trong quy trình xử lý dữ liệu. Trong bóng đá, chúng ta quen với việc kiểm tra chéo mọi tình huống. Khi một bàn thắng bị từ chối vì việt vị, trọng tài không chỉ nhìn vào đường chạy của tiền đạo mà còn phải xác định điểm chạm bóng đầu tiên, vị trí của hậu vệ cuối cùng và thời điểm đường chuyền được thực hiện. Cùng một tình huống, hai cách thổi còi — luật không bao giờ mập mờ, chỉ người cầm còi mập mờ. Trong phân tích dữ liệu, nguyên tắc cũng tương tự: một nhãn lĩnh vực chỉ có giá trị khi nó được xác minh bằng nội dung thực tế, không phải bằng một từ khóa tình cờ xuất hiện trong tiêu đề. Vấn đề ở đây nằm ở tầng phân loại. Hệ thống đã gán nhãn "bóng đá" cho một bài viết không có bất kỳ thực thể bóng đá nào. Có hai khả năng: hoặc bộ phân loại hoạt động dựa trên so khớp tên thực thể — trong trường hợp này là "Hamilton" — hoặc nó thiếu một danh mục lĩnh vực cho tin tức người nổi tiếng và tự động gán nhãn mặc định. Cả hai đều là lỗi hệ thống, không phải lỗi đơn lẻ. Tôi đã từng chứng kiến một lỗi tương tự trong công việc biên tập. Năm 2026, khi còn là thực tập sinh, tôi gọi nhầm tên tiền đạo Amine Gouiri thành "Gouini" bốn lần trong hiệp một của trận khai mạc U-20 World Cup. Biên tập viên đã sửa và nhắc nhở. Sau đó, tôi dành hai tuần xem lại toàn bộ băng ghi hình vòng bảng để ghi nhớ chính xác tên và số áo của 120 cầu thủ. Từ đó, tôi xây dựng một bảng dữ liệu riêng, kiểm tra chéo tên, số áo và vị trí thi đấu ít nhất hai lần trước khi xuất bản. Bài học không phải là "đừng mắc lỗi", mà là "đừng để lỗi đi qua mà không có bản ghi đối chiếu". Trong trường hợp bài viết về Kardashian, lỗi phân loại không đến từ một cái tên bị viết sai, mà từ một quy trình thiếu bước kiểm tra ngữ nghĩa. Nếu hệ thống có một cổng kiểm tra nội dung trước khi gán nhãn — yêu cầu ít nhất một thực thể bóng đá hợp lệ như câu lạc bộ, cầu thủ, giải đấu hoặc cơ quan quản lý — bài viết này đã bị loại từ đầu. Thay vào đó, nó đi qua toàn bộ pipeline phân tích, tạo ra một bản đánh giá chuyên sâu với hàng chục mục "N/A — không đủ thông tin", và cuối cùng là một cảnh báo về rủi ro nhiễm bẩn phân tích. Điều đáng chú ý là bản thân bản phân tích gốc đã tự nhận ra vấn đề. Nó ghi rõ: "Bài viết không có nội dung bóng đá. Chủ đề là tranh chấp gia đình người nổi tiếng; không có đội bóng, trận đấu, huấn luyện viên hay cầu thủ nào đang được phân tích." Và nó đề xuất một giải pháp: thêm cổng kiểm tra ngữ nghĩa ở tầng đầu vào, loại bỏ các bài viết không có thực thể liên quan đến lĩnh vực. Đây là một đề xuất đúng, nhưng nó đến muộn. Trong bóng đá, chúng ta không chờ đến khi trọng tài xem lại VAR mới xác định việt vị. Chúng ta có trợ lý trọng tài, có công nghệ đường biên, có hệ thống kiểm tra tự động trước khi tình huống đi vào sổ. Một pipeline phân tích dữ liệu cũng cần như vậy: kiểm tra trước, không phải sửa sau. Có một khía cạnh khác đáng bàn: nguồn tin. Trong 18 điểm thông tin của bản phân tích gốc, 9 điểm đến từ một nguồn ẩn danh duy nhất được Star trích dẫn, và Express Tribune chỉ đăng lại mà không xác minh độc lập. Đây là mô hình nguồn tin cấp thấp, không phù hợp cho bất kỳ mục đích phân tích nghiêm túc nào. Trong báo chí bóng đá, chúng ta cũng gặp vấn đề tương tự: một tin chuyển nhượng từ một nguồn ẩn danh duy nhất, được các trang tin đăng lại hàng loạt, tạo ra ảo giác về một câu chuyện có thật. Nhưng số lượng bài viết không làm tăng độ tin cậy của nguồn tin gốc. Hàng thủ dâng cao là một ván cược; tôi chỉ ghi lại lúc con bạc lật bài. Trong trường hợp này, con bạc là hệ thống phân loại, và lá bài là một nhãn lĩnh vực sai. Khi lá bài được lật, chúng ta thấy một lỗ hổng quy trình, không phải một sai sót đơn lẻ. Vậy giải pháp là gì? Thứ nhất, thêm cổng kiểm tra ngữ nghĩa ở tầng đầu vào, yêu cầu ít nhất một thực thể lĩnh vực hợp lệ trước khi gán nhãn. Thứ hai, gắn thẻ cấp độ nguồn tin rõ ràng trong đầu ra, và giảm trọng số các bài viết chỉ dựa trên một nguồn ẩn danh duy nhất. Thứ ba, kiểm tra định kỳ tỷ lệ chính xác của nhãn lĩnh vực bằng cách lấy mẫu thủ công, đặc biệt với các bài viết có tên thực thể dễ gây nhầm lẫn. Kỷ luật không phải để trừng phạt, mà để trận đấu có thể tiếp tục. Một hệ thống phân tích dữ liệu cũng vậy. Mục tiêu không phải là loại bỏ mọi bài viết không hoàn hảo, mà là đảm bảo rằng mỗi nhãn lĩnh vực được gán dựa trên nội dung thực tế, không phải dựa trên một từ khóa tình cờ. Khi thuật toán gọi sai tên, chúng ta không xóa lỗi đó đi. Chúng ta ghi lại, đối chiếu, và điều chỉnh quy trình. Câu hỏi đặt ra không phải là bài viết về Kardashian có phải là bóng đá hay không — rõ ràng là không. Câu hỏi là: có bao nhiêu bài viết khác đã đi qua pipeline với một nhãn lĩnh vực sai, mà không ai kiểm tra? Và liệu chúng ta có đang xây dựng một hệ thống phân tích dựa trên những nhãn sai đó?