Khi dữ liệu nguồn rỗng: Bài học từ một quy trình phân tích bóng bàn bị chặn ở khâu trích xuất

Trong ba trận gần nhất của một giải bóng bàn cấp câu lạc bộ tại Tokyo mà tôi theo dõi qua băng ghi hình, một điều bất thường xuất hiện: bảng thống kê điểm số được công bố đầy đủ, nhưng phần mô tả kỹ thuật và diễn biến chiến thuật gần như trống rỗng. Đó là lúc tôi nhận ra vấn đề không nằm ở cầu thủ, mà ở chính cách chúng ta thu thập và chuyển giao thông tin. Câu chuyện dưới đây là một ghi chép nghề nghiệp về lỗi hệ thống ấy, được kể từ góc nhìn của một người làm báo thể thao cơ sở đã dành 26 năm quan sát ngành. Bối cảnh của câu chuyện bắt đầu từ một quy trình hai giai đoạn mà nhiều tòa soạn thể thao hiện nay áp dụng. Giai đoạn một là trích xuất thông tin từ bài viết nguồn: xác định tiêu đề, nguồn, loại bài, các điểm thông tin, quan điểm cốt lõi, thực thể được nhắc đến, mức độ nhạy cảm thời gian và chất lượng nguồn. Giai đoạn hai là phân tích chuyên sâu dựa trên các điểm thông tin đã trích xuất, bao gồm kỹ thuật và chiến thuật, dữ liệu cầu thủ và đối đầu, hệ thống giải đấu và điểm xếp hạng, cục diện cạnh tranh, quy định và quản trị, đội ngũ huấn luyện và nguồn tài năng, bề mặt rủi ro, câu chuyện công chúng và chuỗi truyền dẫn ngành. Nguyên tắc bất di bất dịch là mọi kết luận ở giai đoạn hai phải truy vết được về một điểm thông tin cụ thể ở giai đoạn một. Khi giai đoạn một trả về dữ liệu rỗng, toàn bộ hệ thống phân tích phía sau sẽ không còn chỗ bám. Trong trường hợp tôi ghi chép lại, giai đoạn một trả về một bảng với tiêu đề bài viết là không có, nguồn là không có, loại bài chưa được phân loại, danh sách điểm thông tin trống rỗng, quan điểm cốt lõi để trống, thực thể liên quan không xác định được, mức độ nhạy cảm thời gian chưa được đánh giá và chất lượng nguồn chưa được đánh giá. Điều đáng chú ý là phần ghi chú bổ sung vẫn chứa các chỉ dẫn như cách suy ra thực thể và cách đánh giá chất lượng nguồn, nghĩa là mẫu trích xuất đã được khởi tạo nhưng chưa từng được điền dữ liệu thật. Đây là dấu hiệu của một lỗi đường ống, không phải một phát hiện phân tích. Nói cách khác, hệ thống không kết luận rằng bài viết nguồn không có nội dung kỹ thuật; hệ thống đơn giản là chưa đọc được bài viết nguồn. Hệ quả trực tiếp là tám chiều phân tích chuyên sâu đều bị treo ở trạng thái không đủ thông tin. Về kỹ thuật và chiến thuật, không có nhãn phong cách thi đấu, không có yếu tố kỹ thuật như giao bóng, đỡ giao bóng, pha bóng qua lại hay ba nhịp đầu, không có thống kê tỷ lệ thắng điểm, không có hồ sơ thể chất cầu thủ. Về dữ liệu cầu thủ và đối đầu, không có tên vận động viên, không có thứ hạng thế giới, không có dữ liệu đối đầu trực tiếp, không có tỷ lệ thắng trận quốc tế. Về hệ thống giải đấu và điểm xếp hạng, không có tên giải, không có cấp độ giải, không có điểm thưởng cho nhà vô địch, không có hạn chót đăng ký hay mốc chốt điểm. Về cục diện cạnh tranh, không có hiệp hội nào được nêu tên nên không thể dựng sơ đồ tầng bậc từ nhóm thống trị đến nhóm thách thức mới nổi. Về quy định và quản trị, không có cấp quản trị nào được xác định, không có loại quy định nào được đề cập. Về đội ngũ huấn luyện và nguồn tài năng, không có huấn luyện viên, đội hay thực thể hành chính nào được nêu tên. Về bề mặt rủi ro, cả sáu nhóm rủi ro thể thao đều không có kích hoạt khả dụng. Về câu chuyện công chúng và chuỗi truyền dẫn ngành, không có nhãn câu chuyện nào có thể gắn vào vì không có chủ thể. Điểm mấu chốt nằm ở chỗ rủi ro duy nhất có thể đánh giá trong toàn bộ trường hợp này là rủi ro liêm chính phân tích: khả năng một báo cáo giai đoạn hai được viết đè lên một giai đoạn một rỗng sẽ đọc lên như thể có thẩm quyền trong khi không chứa bất kỳ khẳng định nào được chứng minh bằng bằng chứng. Trong nghề của tôi, đây là kiểu thất bại nguy hiểm nhất, bởi nó không tạo ra lỗi rõ ràng để người đọc phát hiện. Một bài báo có số liệu sai sẽ bị phản hồi; một bài báo không có số liệu nhưng được trình bày như có phân tích sẽ âm thầm làm xói mòn niềm tin. Khi tôi từng theo dõi toàn bộ sự nghiệp của một tài năng trẻ ở La Liga và chứng kiến em sa sút chỉ sau 340 phút thi đấu cùng chuỗi 12 trận dự bị, tôi đã học được rằng sự phát triển của cầu thủ không bao giờ là đường thẳng. Bài học đó áp dụng nguyên vẹn cho quy trình dữ liệu: một đường ống không bao giờ là đường thẳng, và khâu yếu nhất luôn là khâu đầu tiên. Có một cám dỗ rất lớn ở đây là lấp đầy khoảng trống bằng ký ức mô hình. Nếu một hệ thống phân tích gặp dữ liệu rỗng mà vẫn điền vào các trường định lượng bằng thứ gì đó, thì mọi con số về thứ hạng, đối đầu hay điểm xếp hạng đều có nguy cơ lỗi thời theo cơ chế trừ điểm cuốn chiếu 52 tuần của hệ thống WTT. Điều này đặc biệt nguy hiểm với bóng bàn, nơi thứ hạng biến động nhanh và áp lực bảo vệ điểm số có thể thay đổi cục diện chỉ trong vài tháng. Một bài phân tích dựa trên ký ức mô hình thay vì dữ liệu nguồn sẽ trông rất chuyên nghiệp, có bảng biểu, có thuật ngữ, nhưng thực chất là một tòa nhà không móng. Từ góc nhìn phản trực giác, tôi cho rằng giá trị lớn nhất của trường hợp này không nằm ở chỗ nó thất bại, mà ở chỗ nó thất bại một cách trung thực. Một hệ thống dám trả về trạng thái không đủ thông tin cho tám chiều phân tích là một hệ thống có phanh. Trong ngành thể thao, chúng ta thường ca ngợi những cỗ máy sản xuất nội dung nhanh, nhưng lại ít khi kiểm tra xem cỗ máy đó có biết dừng hay không. Khả năng nói rằng chưa có đủ dữ liệu để kết luận là một năng lực chuyên môn, không phải một khiếm khuyết. Ngược lại, một hệ thống luôn luôn có kết luận, bất kể đầu vào là gì, mới là hệ thống đáng ngại nhất. Cũng cần phân biệt rõ hai tình huống. Thứ nhất, bài viết nguồn thực sự không có nội dung thi đấu đáng kể, ví dụ một thư viện ảnh hoặc một danh sách lịch thi đấu. Khi đó, đầu ra đúng của giai đoạn hai là một ghi chú ngắn rằng không có nội dung cạnh tranh nào có thể đánh giá, chứ không phải một báo cáo chín chiều. Thứ hai, bài viết nguồn có nội dung nhưng khâu truy xuất thất bại vì trang bị chặn, nằm sau tường phí hoặc được hiển thị bằng JavaScript. Khi đó, hành động đúng là chạy lại trích xuất, không phải suy diễn. Sự khác biệt giữa hai tình huống này chỉ có thể xác định sau khi chạy lại, và bất kỳ kết luận nào được đưa ra trước thời điểm đó đều là phỏng đoán. Từ kinh nghiệm theo dõi các trận đấu và các quy trình dữ liệu thể thao của tôi, một cổng kiểm soát tối thiểu nên được đặt trước khi giai đoạn hai được phép chạy: ít nhất một thực thể được nêu tên, ít nhất ba điểm thông tin được điền, và trường nguồn phải có giá trị thực thay vì chỉ dẫn. Thiếu cổng này, đường ống sẽ liên tục phát ra những báo cáo rỗng nhưng trông có thẩm quyền. Đây là bài học vận hành, nhưng cũng là bài học nghề: người ta tìm kiếm ngôi sao, còn tôi tìm dấu chân đầu tiên của hành trình, và dấu chân đầu tiên ấy phải nằm trên nền đất thật. Về phía độc giả, câu hỏi nên đặt ra không phải là báo cáo này có bao nhiêu bảng biểu, mà là mỗi khẳng định trong đó có truy vết được về một nguồn cụ thể hay không. Về phía tòa soạn, câu hỏi nên đặt ra là liệu quy trình có dám dừng lại khi dữ liệu chưa sẵn sàng hay không. Một nền tảng nội dung thể thao đáng tin không được đo bằng tốc độ xuất bản, mà bằng tỷ lệ những lần nó chọn im lặng thay vì suy diễn. Ba năm nhìn một người lớn lên chậm rãi, chiến thắng chỉ là một phần của bức tranh, và trong trường hợp này, việc không viết gì cả cũng là một phần của bức tranh ấy.