Ảo ảnh về sự khách quan của dữ liệu
Khi chính quyền chuyển giao việc phân bổ hàng tỷ USD ngân sách an sinh và hạ tầng cho các thuật toán đánh giá tự động, giả định cốt lõi luôn là: số liệu không biết thiên vị. Thế nhưng, một nghiên cứu mới từ Đại học New Hampshire (Hoa Kỳ) đã chỉ ra điều hoàn toàn trái ngược. Các công cụ sàng lọc không gian tự động đang có nguy cơ bỏ sót có hệ thống những cộng đồng nông thôn nghèo khó nhất, tước đi nguồn lực ứng phó biến đổi khí hậu và phát triển hạ tầng thiết yếu.
Góc khuất đô thị hóa trong các chỉ số sàng lọc
Tại Mỹ, các bộ chỉ số như Công cụ Sàng lọc Công bằng Khí hậu và Kinh tế (CEJST) hay Chỉ số Dễ bị tổn thương Xã hội (SVI) của CDC được dùng làm căn cứ giải ngân các gói đầu tư khổng lồ, điển hình là sáng kiến Justice40. Tuy nhiên, nhóm nghiên cứu phát hiện sự thiếu nhất quán nghiêm trọng giữa các thuật toán khi phân loại địa bàn «khó khăn» hoặc «dễ bị tổn thương».
Nguyên nhân nằm ở tư duy thiết kế mang nặng dấu ấn đô thị. Các mô hình định lượng thường ưu tiên mật độ ô nhiễm cao hoặc khả năng tiếp cận giao thông công cộng. Ở nông thôn, sự thiếu thốn lại mang hình thái phân tán: đường sá chưa rải nhựa, sóng viễn thông chập chờn hay quãng đường hàng chục cây số để đến cơ sở y tế. Khi đặt vào công thức tính toán thiết kế cho đô thị, những vùng đất này vô tình bị đánh tụt mức độ khẩn thiết.
Theo thông tin hiện có từ nghiên cứu, chỉ cần thay đổi nhẹ công thức chỉ báo hoặc ngưỡng trọng số, diện mạo phân bổ hàng tỷ USD sẽ đảo chiều hoàn toàn, quyết định địa phương nào được cứu trợ và nơi nào bị lãng quên.
Hai mặt của một bài toán công nghệ
Ở góc nhìn lạc quan, các nhà khoa học dữ liệu xem đây là cơ hội quý giá. Việc vạch trần khiếm khuyết giúp các nhà hoạch định chính sách tinh chỉnh các chỉ số tổng hợp đa chiều hơn, phản ánh chính xác bức tranh phân hóa địa phương thay vì cào bằng một tiêu chuẩn.
Ngược lại, giới phản biện chỉ trích sự sùng bái kỹ trị. Việc phụ thuộc mù quáng vào điểm số tự động có thể trở thành tấm bình phong che giấu sự lơ là mang tính cấu trúc, phi chính trị hóa việc phân bổ tài nguyên dưới chiêu bài «thuật toán trung lập». Về mặt kỹ thuật, bài toán hiệu chuẩn thuật toán cho cả thành thị lẫn nông thôn đòi hỏi giải quyết hiện tượng gộp sai không gian (spatial aggregation errors) và sự thiếu hụt dữ liệu mà không làm tăng gánh nặng giám sát.
Bài học cho chính phủ số tại Việt Nam
Nghiên cứu này là lời nhắc nhở kịp thời cho Việt Nam. Trong bối cảnh nước ta đang đẩy mạnh Đề án 06, hoàn thiện Cơ sở dữ liệu quốc gia về dân cư qua VNeID và số hóa Chương trình mục tiêu quốc gia giảm nghèo bền vững và xây dựng nông thôn mới, thuật toán không bao giờ là trọng tài vô tư.
Nếu các mô hình rà soát hộ nghèo đa chiều hay phân bổ vốn hạ tầng số hóa chỉ dựa trên các biến số chuẩn hóa cứng nhắc, vùng sâu, vùng xa và đồng bào thiểu số có thể chịu thiệt thòi vô hình. Minh bạch thuật toán và lồng ghép tiếng nói cộng đồng địa phương chính là rào chắn cần thiết để chuyển đổi số không bỏ ai lại phía sau.
— Bài viết này được tổng hợp và biên soạn bởi AI LUMINA từ các nguồn đã xác thực. Dữ liệu và thông tin dẫn nguồn từ: Phys.org.
