GRAS 2026 bị gắn nhãn 'bóng đá': lỗi dữ liệu mà ngành thể thao không được phép bỏ qua

Tệp tin đến với nhãn “football”. Ba mươi lăm điểm thông tin. Không một cầu thủ. Không một trận đấu. Không một huấn luyện viên, không một thẻ phạt, không một đồng phí chuyển nhượng.

Thứ nằm bên trong là Global Ranking of Academic Subjects 2026, bảng xếp hạng học thuật thường niên do Shanghai Ranking Consultancy công bố. Đại học Quốc gia Tự trị Mexico (UNAM) cùng tám trường đại học Mexico khác góp mặt trong nhóm dẫn đầu ở các ngành như Thú y, Sinh thái học, Khoa học khí quyển và Khoa học Trái Đất. Nguồn trích dẫn là Web of Science và InCites của Clarivate. Phạm vi đánh giá là cửa sổ sản xuất khoa học năm năm, 2026–2026. Bảng so sánh trải gần 2.000 trường đại học từ 96 quốc gia.

Nhãn gắn trên tệp: bóng đá.

Tôi ngồi trước tệp ấy lâu hơn mức cần thiết, với cảm giác của một trọng tài được đưa màn hình xem lại của một trận không do mình điều khiển. Khung hình nét, đúng quy cách, không nhiễu. Nó chỉ thuộc về một trận khác.

Một dòng dữ liệu sai nhãn, tự nó, chưa đáng viết. Chỗ nó rơi xuống mới đáng.

Đường ống dữ liệu của ngành thể thao hiện đại chạy qua nhiều tầng. Nhà cung cấp sự kiện ghi lại từng pha chạm bóng, từng đường chuyền, từng cú sút, rồi gán cho mỗi pha một nhãn. Các mô hình phía sau nhận nhãn đó, cộng gộp, chia tỉ lệ, và trả ra những chỉ số được dùng để định giá cầu thủ, xếp hạng đội, nuôi hệ thống nhận diện tình huống cho công tác trọng tài, và cả các thị trường cá cược. Một tầng gắn nhãn phía trên sai thì toàn bộ chuỗi phía dưới kế thừa cái sai ấy mà không có cơ chế nào báo động.

Trường hợp trong tay tôi là một lỗi ở tầng phân loại. Tệp dữ liệu học thuật bị gán nhãn bóng đá. Nghe như chuyện vô hại. Nhưng cùng một cơ chế ấy, khi nó xảy ra trong dữ liệu trận đấu, lại tạo ra hậu quả đo đếm được.

Dựa trên kinh nghiệm theo dõi các trận đấu của mình, tôi ghi chép theo cách khô khan: ghi lại từng tình huống thổi phạt trong vòng cấm, mã hóa góc chạm bóng, tư thế tay, khoảng cách giữa bóng và người. Mùa 2026/21, Premier League lập kỷ lục 40 quả penalty, phần lớn đến từ điều luật thủ bóng được IFAB sửa đổi trong giai đoạn dịch. Trong 47 tình huống tôi tự mã hóa, một mẫu hình hiện ra: trọng tài có xu hướng thổi phạt khi cánh tay lệch khỏi “hình chiếu cơ thể tự nhiên”, dù cụm từ đó không tồn tại trong văn bản luật.

Điều đó có nghĩa gì với một đường ống dữ liệu? Nghĩa là hàng nghìn pha bóng được gán nhãn “handball” theo một tiêu chí chưa từng được viết ra. Mô hình học từ nhãn ấy sẽ học luôn cả tiêu chí ngầm, rồi tái sản xuất nó ở quy mô lớn hơn, với vẻ ngoài khách quan của số liệu.

Sai nhãn ở tầng gốc không tạo ra lỗi ở tầng cuối; nó tạo ra một chuẩn mực mới, và chuẩn mực ấy tự nhận mình là dữ liệu.

Có những lỗi nhãn nhỏ hơn mà bất kỳ ai từng so sánh hai nhà cung cấp dữ liệu đều gặp. Một pha phản lưới nhà được bên này ghi là cú sút trúng đích của cầu thủ tấn công, bên kia ghi là bàn phản lưới. Một đường tạt bị tính là đường chuyền dài ở nơi này và là bóng bổng vào vòng cấm ở nơi khác. Chỉ số xG của cùng một trận có thể chênh nhau vài phần mười, đủ để đảo ngược kết luận về một đội.

Những khác biệt ấy mang hệ quả thật: chúng quyết định một cầu thủ có được định giá cao hơn ở kỳ chuyển nhượng tiếp theo, một đội có được xếp vào nhóm pressing hiệu quả, một huấn luyện viên có bị đánh giá là bảo thủ.

Cấu trúc của GRAS 2026 cho thấy ngành học thuật xử lý vấn đề này nghiêm túc hơn ngành thể thao. Bảng xếp hạng nêu rõ cửa sổ năm năm 2026–2026, nêu rõ cơ sở dữ liệu trích dẫn, nêu rõ số lượng trường và số quốc gia tham gia. Người đọc biết mình đang so cái gì với cái gì. Phương pháp luận được công bố trước kết quả.

Trong khi đó, phần lớn mô hình dữ liệu bóng đá mà tôi từng đọc qua tài liệu kỹ thuật không nêu định nghĩa vận hành cho các nhãn cốt lõi. Cơ hội lớn là gì. Pha tranh chấp thành công là gì. Lỗi dẫn đến bàn thua là gì. Những cụm từ này nằm trong bảng chỉ số như thể chúng có nghĩa cố định, trong khi mỗi nhà cung cấp định nghĩa một kiểu.

Ở đây có một điểm tương đồng đáng chú ý với chính luật thi đấu. IFAB và FIFA vận hành một bộ quy tắc được viết lại mỗi năm, có hội nghị, có biên bản, có giải thích. Nhưng bộ quy tắc ấy chứa những cụm từ mà không ai định nghĩa nổi. “Rõ ràng và hiển nhiên” là ví dụ sống động nhất: một chuẩn mực để quyết định có xem lại hay không, được đặt tên bằng chính thứ nó thiếu.

Đó là lý do tôi giữ nguyên câu này trong mọi bản ghi chú nghề nghiệp của mình: “Rõ ràng và hiển nhiên” — cách luật thể thao đặt tên cho sự bất lực của chính mình.

Và: Cỗ máy VAR không thổi còi; nó chỉ dạy chúng ta cách nhìn điều mình sắp tin.

Lỗi gắn nhãn trong tệp dữ liệu học thuật kia, xét về mặt kỹ thuật, nhỏ. Nó chỉ là một dòng metadata sai. Nhưng nó phơi ra một thói quen đã thành mặc định: ngành thể thao tiêu thụ dữ liệu ở quy mô công nghiệp mà gần như không kiểm tra nguồn gốc nhãn.

Một ví dụ nữa nằm ở công nghệ việt vị bán tự động, thứ đã được triển khai ở các giải hàng đầu châu Âu từ mùa 2026/24. Hệ thống dựng mô hình xương của cầu thủ từ hàng chục điểm khớp, rồi xác định thời điểm bóng rời chân người chuyền. Mọi thứ phụ thuộc vào hai nhãn: điểm chạm bóng cuối cùng và bộ phận hợp lệ. Cả hai đều là quy ước, không phải sự kiện vật lý tự hiển nhiên. Một bàn thắng ghi bằng vai, bằng đầu, bằng phần áo đều phải được luật gọi tên trước khi hệ thống có thể gọi đúng.

Mỗi lần công nghệ can thiệp, người ta tranh cãi về centimet. Rất ít người tranh cãi về định nghĩa đã tạo ra centimet ấy.

Ở mảng thể thao điện tử, tốc độ phân hủy còn nhanh hơn. Quy định về tính toàn vẹn thi đấu ở esports chậm hơn tốc độ mở rộng của thị trường cá cược nhiều bậc. Dữ liệu trận đấu esports được sinh ra bởi chính nhà phát hành, chia sẻ theo API, và chảy vào các nền tảng cá cược gần như không có kiểm định độc lập. Một nhãn sai ở tầng API có thể đổi kết quả thanh toán trong vài giờ trước khi bị phát hiện.

Quay lại tệp dữ liệu học thuật trong tay tôi. UNAM có một câu lạc bộ bóng đá, Pumas UNAM. Nhưng tệp này không chứa một dòng nào về đội bóng ấy. Việc gán nhãn bóng đá cho nó không mở ra một câu chuyện thể thao mới; nó chỉ tạo ra một liên tưởng mà dữ liệu không hề hậu thuẫn. Trong phân tích dữ liệu, gánh nặng chứng minh thuộc về người đưa ra liên tưởng, không thuộc về dữ liệu.

Sự việc này xếp vào loại lỗi mà tôi gọi là lỗi im lặng. Không ai bị phạt. Không có biên bản. Không có cuộc họp báo. Hệ quả duy nhất, nếu tệp này được đưa vào một kho dữ liệu bóng đá, là một chút nhiễu được thêm vào một mô hình vốn đã nhiễu.

Nhưng lỗi im lặng có tính cộng dồn. Một trăm lỗi im lặng tạo ra một tập dữ liệu huấn luyện lệch. Một tập huấn luyện lệch tạo ra một mô hình lệch. Một mô hình lệch, khi được dùng để hỗ trợ con người ra quyết định, tạo ra một chuẩn mực mới — và chuẩn mực mới đó nhanh chóng được coi là khách quan, vì nó có số liệu kèm theo.

Đây là chỗ tôi thấy sự phản trực giác. Phản ứng thông thường trước một lỗi dữ liệu là truy người chịu trách nhiệm: khâu phân loại, khâu kiểm duyệt, khâu vận hành. Cách đó xử lý được triệu chứng và để nguyên căn bệnh.

Căn bệnh nằm ở giả định rằng dữ liệu đi kèm với nhãn đáng tin. Chúng ta xây một ngành công nghiệp mà ở đó, khối lượng dữ liệu tiêu thụ tăng nhanh hơn tốc độ kiểm định nguồn gốc. Một cơ sở dữ liệu trích dẫn như Web of Science hay InCites có thể đóng vai trò nguồn chính thống cho hàng nghìn đánh giá học thuật, nhưng cùng dữ liệu ấy, khi rời khỏi ngữ cảnh, lại trở thành nguyên liệu thô cho bất kỳ mô hình nào có quyền truy cập.

Trớ trêu thay, ngành thể thao lại là lĩnh vực có truyền thống kiểm tra chéo mạnh nhất ở tầng con người. Trọng tài thứ tư, trợ lý trọng tài, giám sát trận đấu. Ba người ghi biên bản độc lập. Nhưng khi quyết định chuyển sang tầng dữ liệu, cơ chế kiểm tra chéo ấy biến mất.

Mười hai năm theo dõi ngành cho tôi một quan sát đơn giản: các hệ thống thể thao sụp không phải vì thiếu quy tắc, mà vì quy tắc không có người thi hành. Điều luật thủ bóng mùa dịch là minh chứng sống. IFAB sửa đi sửa lại trong một năm, mỗi lần sửa lại cho thấy mô hình vật lý của cánh tay con người chưa từng được dựng đúng.

Luật thủ bóng mùa dịch là một tai nạn logic, mà kẻ thiết kế ra nó không nhận ra.

Điều tôi muốn thấy ở tầng dữ liệu là một cơ chế tương đương với biên bản trận đấu. Mỗi nhãn cần có nguồn gốc khai báo được, ngày gán nhãn, và định nghĩa vận hành áp dụng tại thời điểm đó. Khi một cơ sở dữ liệu thay đổi định nghĩa giữa hai mùa, thay đổi ấy phải là một sự kiện có ghi chép, tương tự cách IFAB ghi lại các lần sửa luật. Dữ liệu không có biên bản thì không nên được dùng để ra quyết định về con người.

Ý tưởng này không mới trong các ngành đã bị thiệt hại vì dữ liệu kém. Nó chỉ mới với bóng đá, một ngành đã quen với việc tin vào con mắt của trọng tài đến mức không nghĩ tới việc kiểm tra con mắt của thuật toán. Tôi không xem trận đấu bằng mắt khán giả, mà bằng mắt của kẻ đang bị khán giả phán xét.

Một tệp dữ liệu học thuật mang nhãn bóng đá sẽ không làm ai mất điểm, mất tiền, mất việc. Giá trị của nó nằm ở chỗ khác: nó chỉ ra rằng cơ chế gắn nhãn của ngành đang vận hành mà không có ai đối chiếu. Trong bóng đá, chúng ta gọi đối chiếu là VAR. Và như tôi vẫn nhắc lại trong các bản ghi chú của mình: Cỗ máy VAR không thổi còi; nó chỉ dạy chúng ta cách nhìn điều mình sắp tin.

Nếu tầng dữ liệu không có VAR của riêng nó, thì mọi tranh cãi về centimet việt vị trong vài mùa tới sẽ chỉ là tranh cãi về một thứ đã được quyết định từ trước, ở một tầng không ai xem lại.