Chào các bạn, có lần lướt mạng xã hội, tôi tình cờ thấy một “công trình nghiên cứu” cực kỳ ấn tượng được cho là của “Viện Sức Khỏe Trung Quốc” (nghe thôi đã thấy uy tín rồi!). Tấm hình này đã tiết lộ một bí quyết sống lâu đi ngược lại mọi lời khuyên sức khỏe mà chúng ta từng nghe.

Hãy cùng xem qua “bộ dữ liệu” vô cùng đột phá này nhé:

Nhìn vào bảng dữ liệu này, phản ứng tự nhiên của chúng ta là: “Ôi trời! Hóa ra sống ‘hư’ một chút mới là chân ái để trường thọ!”. Nhưng khoan đã, trước khi bạn vội đi mua một tút thuốc và vài chai rượu, hãy cùng tôi đội lên hai chiếc mũ khác nhau để phân tích tấm hình này: chiếc mũ của thám tử thống kê và chiếc mũ của nhà tiên tri học máy.

Phần 1: Đeo kính thám tử - Đi tìm sự thật với thống kê truyền thống

Khi đội chiếc mũ này, mục tiêu của chúng ta là tìm ra sự thật, hay nói một cách khoa học là xác định quan hệ nhân quả (Causation). Liệu việc hút thuốc, uống rượu có thực sự gây ra việc sống lâu hơn không?

Lỗi kinh điển #1: Nhầm lẫn giữa tương quan và nhân quả

Đây là cái bẫy ngọt ngào nhất mà dữ liệu giăng ra.

• Tương quan (Correlation): Hai sự việc có vẻ đi cùng nhau (xảy ra cùng lúc hoặc theo cùng một xu hướng). Trong meme này, số lượng “thói hư tật xấu” có tương quan thuận với tuổi thọ. Càng nhiều tật xấu, tuổi thọ càng cao.

• Nhân quả (Causation): Sự việc A gây ra sự việc B.

Tấm hình đang ngầm khẳng định rằng “tật xấu” (nhân) gây ra “sống lâu” (quả). Nhưng liệu có phải vậy? Hay việc sống đủ lâu cho phép người ta có thời gian để... trải nghiệm hết các “dịch vụ” đó? Một thám tử dữ liệu sẽ ngay lập tức đặt câu hỏi: “Liệu có một ‘kẻ tình nghi thứ ba’ nào đứng sau giật dây không?”

Xét một ví dụ khác: Dữ liệu cho thấy vào mùa hè, doanh số bán kem tăng vọt, đồng thời số vụ đuối nước cũng tăng theo.

• Kết luận ngây thơ (tương quan): Ăn kem và chết đuối có liên quan!

• Kết luận sai lầm (nhân quả): Ăn kem gây ra chết đuối!

• Sự thật của thám tử: “Kẻ giật dây” chính là thời tiết nóng. Nóng khiến người ta đi bơi nhiều hơn (tăng nguy cơ đuối nước) và cũng ăn kem nhiều hơn.

Quay lại meme, “kẻ giật dây” hay biến số ẩn (confounding variable) ở đây là gì? Đó có thể là: quyền lực và sự giàu có tột bậc.

Các nhân vật lịch sử này sống lâu không phải vì họ hưởng thụ, mà việc họ sống lâu và việc họ hưởng thụ đều bắt nguồn từ việc họ có điều kiện tiếp cận chế độ chăm sóc y tế tốt nhất, ăn uống đủ chất nhất (dù có “phá sức” một chút) và có điều kiện sống vượt trội so với người bình thường. Chính những yếu tố này mới thực sự ảnh hưởng đến tuổi thọ, chứ không phải mấy ly rượu hay điếu thuốc.

Lỗi kinh điển #2: Thiên vị chọn mẫu (Selection Bias) và Thiên vị kẻ sống sót (Survivorship Bias)

Đây là một “điểm mù” chết người. “Bộ dữ liệu” này chỉ chọn ra 5 người sống rất thọ với những thói quen xấu và 1 người sống rất ngắn với thói quen tốt. “Nghiên cứu” này đã cố tình bỏ qua hàng triệu người cũng hút thuốc, uống rượu và... qua đời ở tuổi 40, 50. Họ cũng bỏ qua hàng triệu người sống lành mạnh và đang vui vẻ thổi nến sinh nhật lần thứ 90.

Chúng ta chỉ nhìn vào những “kẻ sống sót” sau một quá trình chọn lọc khắc nghiệt và lầm tưởng rằng bí quyết thành công của họ là những gì họ đã làm, mà quên mất vô số người cũng làm y hệt nhưng đã thất bại.

Xét một ví dụ kinh điển: Trong Thế Chiến II, quân Đồng Minh muốn gia cố máy bay ném bom. Họ kiểm tra những chiếc máy bay trở về từ trận chiến và thấy chúng bị bắn nhiều nhất ở cánh, thân và đuôi. Họ định gia cố những vị trí này. Nhà toán học Abraham Wald đã can thiệp: “Không! Hãy gia cố những chỗ không có vết đạn.” Tại sao? Vì những chiếc máy bay bị bắn vào đó đã không bao giờ có thể quay trở về. Những chỗ không có vết đạn trên máy bay trở về mới chính là điểm yếu chí mạng

Tương tự, chúng ta nhìn vào ông Trương Học Lương 103 tuổi và nghĩ rằng rượu chè, cờ bạc là bí quyết sống lâu cũng giống như nhìn vào vết đạn trên cánh máy bay và nghĩ rằng đó là nơi cần gia cố. “Nghiên cứu” này đã cố tình lờ đi hàng triệu người cũng “full combo” nhưng đã không thể qua nổi sinh nhật lần thứ 50. Họ là những chiếc máy bay không bao giờ trở về.

Lỗi kinh điển #3: Mẫu quá nhỏ và dữ liệu “lạc loài”

• Kích thước mẫu (Sample Size): Một nghiên cứu khoa học nghiêm túc có thể cần hàng ngàn, thậm chí hàng chục ngàn người để có thể đưa ra kết luận đáng tin cậy. “Bộ dữ liệu” của chúng ta có kích thước mẫu là... 6 người. Đưa ra kết luận từ 6 người cũng giống như xem 1 phút đầu của phim “Avengers: Endgame” rồi tuyên bố đã hiểu toàn bộ vũ trụ điện ảnh Marvel. Với N=6, chúng ta không thể kết luận được gì ngoài việc... tạo ra một meme hài hước.

• Dữ liệu lạc loài (Outlier): Cái chết của Lôi Phong là do tai nạn khi làm nhiệm vụ (bị cột điện đè trúng), hoàn toàn không liên quan đến lối sống “người tốt việc tốt” của ông. Việc đưa ông vào so sánh chẳng khác nào nói rằng: “Đừng đi bộ dưới cột điện nếu bạn muốn sống lâu”.

Kết luận của thám tử thống kê: Vụ án đã rõ. Tấm meme này là một “bằng chứng giả”, được dựng lên từ việc nhầm lẫn tương quan và nhân quả, thiên vị chọn mẫu và cỡ mẫu quá nhỏ. Bí quyết sống lâu thực sự nằm ở các yếu tố khác (như chế độ ăn uống, vận động), chứ không phải ở số lượng “combo” bạn có.

Phần 2: Nhìn vào quả cầu pha lê - dự đoán tương lai với học máy

Bây giờ, hãy cất kính thám tử đi và đội chiếc mũ của kỹ sư học máy (ML). Người này có một mục tiêu hoàn toàn khác: Tôi không cần biết “tại sao”, tôi chỉ cần mô hình của tôi dự đoán “cái gì” một cách chính xác nhất có thể.

Với đủ dữ liệu, đây sẽ là một bài toán Hồi quy (Regression).

• Biến mục tiêu (Target): tuoi_tho

• Đặc trưng (Features): hut_thuoc, uong_ruou, danh_bai, co_vo_be...

“Số hóa” thế giới quan

Một kỹ sư học máy sẽ không phán xét. Họ biến mọi thứ thành số:

Mô hình học máy, như một đứa trẻ thông minh nhưng ngây thơ, sẽ “học” từ dữ liệu có sẵn. Nó không cần hiểu bản chất sinh học. Nó chỉ tìm kiếm các mẫu hình (patterns).

Sức mạnh của tương quan và đặc trưng đại diện (Proxy Feature)

Sau khi “nghiền” bộ dữ liệu 6 người kia, mô hình sẽ nhận ra một quy luật sắt đá:

• Nếu co_vo_be = 1, tuoi_tho luôn là cao nhất (103).

• Nếu hut_thuoc = 0 và uong_ruou = 0, tuoi_tho luôn là thấp nhất (23).

Mô hình có thể học được một công thức đơn giản:

tuoi_tho = w_0 + (w_1 * hut_thuoc) + (w_2 * uong_ruou) + (w_3 * danh_bai) + (w_4 * co_vo_be)

Trong đó, trọng số w_4 của co_vo_be sẽ cực kỳ lớn, vì đặc trưng này có sức mạnh dự báo phi thường trong bộ dữ liệu này.

Ở đây, co_vo_be trở thành một đặc trưng đại diện (proxy feature). Nó không phải nguyên nhân, nhưng nó là một “đại diện” hoàn hảo cho các yếu tố ẩn mà chúng ta đã nói ở Phần 1: sự giàu có và quyền lực.

Xét một ví dụ khác: Trong ngành bán lẻ, số lượng xe đẩy trẻ em được bán ở một cửa hàng có thể là một proxy cực tốt để dự đoán doanh số bán tã lót, dù việc mua xe đẩy không gây ra nhu cầu mua tã.

Mô hình học máy không cần biết đến “quyền lực”. Nó chỉ cần thấy co_vo_be = 1 và nó sẽ tự tin hét lên: “Người này sẽ sống rất lâu!”. Và trong phạm vi bộ dữ liệu này, nó đúng 100%!

Cú tát từ thực tế: Khi “nhà tiên tri” thất bại

Một kỹ sư học máy giỏi sẽ biết rằng mô hình này, dù “chính xác” trên lý thuyết, lại vô dụng và nguy hiểm trong thực tế.

• Overfitting (Học vẹt): Mô hình đã học thuộc lòng 6 ví dụ thay vì học một quy luật tổng quát. Nó giống như một học sinh thuộc lòng đáp án của 6 bài toán mẫu nhưng không biết cách giải bất kỳ bài toán mới nào.

• Không thể tổng quát hóa (Generalization Failure): Hãy thử áp dụng mô hình này vào một nhân viên văn phòng 30 tuổi ở Tp.HCM. Nếu anh ta không hút thuốc, không uống rượu, mô hình có thể dự đoán anh ta chỉ sống tới... 23 tuổi. Mô hình được huấn luyện trên các nhà lãnh đạo Trung Quốc thế kỷ 20 không thể áp dụng cho bất kỳ ai khác.

Kết luận của nhà tiên tri học máy: Dựa trên dữ liệu được cung cấp, tôi có thể xây dựng một mô hình dự đoán tuổi thọ với độ chính xác gần như tuyệt đối... cho đúng 6 người này. Đặc trưng co_vo_be là tín hiệu dự báo mạnh nhất. Tuy nhiên, tôi cảnh báo không nên sử dụng mô hình này ngoài đời thực, trừ khi bạn muốn nhận những lời tiên tri vừa sai vừa hài hước.

Bài học cuối cùng từ một tấm meme

Tấm hình “Bí quyết sống lâu” là một ví dụ hoàn hảo để thấy sự khác biệt giữa hai thế giới của dữ liệu:

• Thống kê truyền thống giống như một thám tử: tỉ mỉ, cẩn trọng, luôn truy tìm sự thật và cảnh giác với những bằng chứng giả.

• Học máy giống như một nhà tiên tri thực dụng: nó không quan tâm đến sự thật, chỉ quan tâm đến việc dự đoán tương lai dựa trên các mẫu hình từ quá khứ, bất kể các mẫu hình đó có hợp lý hay không.

Ngoài ra, tấm hình cũng là một ví dụ tuyệt vời về cách dữ liệu có thể bị bóp méo để tạo ra một câu chuyện hấp dẫn nhưng hoàn toàn sai lệch. Nó cho thấy sức mạnh của sự hài hước, nhưng cũng là một lời nhắc nhở rằng không phải “thống kê” nào trên mạng cũng đáng tin. Vậy nên, lần tới khi bạn thấy một “bí quyết” nào đó dựa trên vài ví dụ chọn lọc, hãy nhớ đến câu chuyện này. Có lẽ, thay vì học theo ông Trương Học Lương, chúng ta nên bắt đầu bằng việc ăn thêm một ít rau và gọi điện cho những người thân yêu của mình.

Cuối cùng, bài học lớn nhất không nằm ở việc nên hút thuốc hay sống lành mạnh. Bài học lớn nhất là: Công cụ chỉ là công cụ, bối cảnh và tư duy phản biện mới là vua. Dù bạn là thám tử hay nhà tiên tri, việc hiểu rõ dữ liệu của mình đến từ đâu, nó có những thiên vị nào, và mục đích cuối cùng của bạn là gì, mới là chìa khóa để không biến mình thành trò cười cho một tấm meme.

Đến đây, có lẽ bạn thắc mắc bí quyết sống lâu thực sự là gì?

Dựa trên nghiên cứu của Dan Buettner, một nhà báo của National Geographic, các phân tích từ Vùng Xanh (những nơi có tỷ lệ người sống trăm tuổi cao nhất thế giới) đã đúc kết được 9 nguyên tắc sống lâu, được gọi là Power 9:

• Chế độ ăn chủ yếu là thực phẩm nguyên bản, nguồn gốc thực vật: Ít nhất 90% chế độ ăn của người dân ở Vùng Xanh là thực phẩm nguyên bản và có nguồn gốc từ thực vật. Khoảng 65% lượng calo hàng ngày của họ đến từ ngũ cốc nguyên hạt, rau xanh, các loại củ, hạt và đậu. Họ ăn thịt rất ít, trung bình chỉ khoảng 5 lần mỗi tháng.

• Xây dựng và tập trung vào mục đích sống: Những người có ý thức về mục đích sống có thể sống lâu hơn khoảng 8 năm so với những người không có định hướng. Người Okinawa gọi điều này là “Ikigai” và người Nicoya gọi là “plan de vida”. Cả hai đều có nghĩa là “lý do tôi thức dậy vào buổi sáng”.

• Thực hiện các nghi thức giảm căng thẳng hàng ngày: Những người ở Vùng Xanh cũng bị căng thẳng. Điều khác biệt là họ có những thói quen hàng ngày để loại bỏ nó. Người Okinawa dành vài phút mỗi ngày để tưởng nhớ tổ tiên, người Cơ đốc Phục lâm cầu nguyện nhiều lần trong ngày, người Icaria ngủ trưa và người Sardinia có “happy hour” (giờ giải lao).

• Uống một chút rượu mỗi ngày: Hơn 85% người dân, đặc biệt là nam giới, sống đến 90 hoặc 100 tuổi có thói quen uống rượu mỗi ngày (phần lớn đó là rượu vang tự làm tại nhà). Bí quyết là uống 1-2 ly mỗi ngày, tốt nhất là loại rượu vang đỏ Cannonau của Sardinia, cùng với bạn bè và/hoặc trong bữa ăn.

• Sử dụng các chiến lược (vô thức) để tránh ăn quá nhiều: Họ thay thế bộ đồ ăn của mình bằng đĩa 10″ và ly cao, thon gọn, không đặt bất kỳ chiếc TV nào trong bếp, thường ăn cùng gia đình và có xu hướng nạp nhiều calo hơn vào đầu ngày rồi giảm dần vào cuối buổi chiều hoặc đầu buổi tối. “Hara hachi bu” - câu thần chú 2500 năm tuổi của người Okinawa - được họ nói trước bữa ăn để nhắc nhở bản thân ngừng ăn khi dạ dày đã đầy 80%.

• Ưu tiên gia đình: Những người sống trăm tuổi ở Vùng Xanh luôn đặt gia đình lên hàng đầu. Cư dân ở Vùng Xanh thường giữ các thành viên gia đình ở gần bên, ngay cả khi họ đã lớn tuổi. Việc giữ cha mẹ già ở gần thay vì đưa vào viện dưỡng lão có thể giúp tăng thêm từ 2 đến 6 năm tuổi thọ.

• Đầu tư vào các mối quan hệ: Những người đã kết hôn thường sống lâu hơn những người không kết hôn. Họ cũng đầu tư vào con cái của mình, giúp thế hệ sau có tỷ lệ sống sót cao hơn và tỷ lệ tử vong thấp hơn.

• Thuộc về một cộng đồng tín ngưỡng: Những người thường xuyên đến nhà thờ, đền chùa hoặc nhà thờ Hồi giáo (4 lần mỗi tháng) có thể sống lâu hơn từ 4 đến 14 năm so với những người không theo tôn giáo nào.

• Quan tâm đến vòng tròn xã hội thân cận: Tình bạn cực kỳ quan trọng đối với người dân ở Vùng Xanh và nhiều người trong số họ đã có sẵn những vòng tròn xã hội gắn kết. Người Okinawa tạo ra các “moai” - nhóm năm người bạn cam kết gắn bó với nhau suốt đời. Nghiên cứu cho thấy các thói quen (lành mạnh hoặc không lành mạnh) có tính lây lan trong xã hội.

Tuy nhiên, đừng nhầm lẫn nghiên cứu của Dan Buettner là nhân quả tuyệt đối. Đây thực chất là một ví dụ về sự tương quan. Bởi lẽ, nghiên cứu này hoàn toàn dựa trên quan sát hồi cứu thay vì phân bổ ngẫu nhiên (RCT), do đó không thể loại trừ hàng loạt “biến số nhiễu” khổng lồ như đặc điểm gen di truyền biệt lập, môi trường sinh thái đặc thù, hay thậm chí là sai số trong hệ thống lưu trữ giấy khai sinh tại địa phương. Dù không thể khẳng định chắc nịch rằng “cứ làm 9 điều này thì nguyên nhân sống thọ sẽ xảy ra”, nghiên cứu Vùng Xanh vẫn mang giá trị vô giá trong việc tạo ra giả thuyết (hypothesis generation). Nó đóng vai trò như một ngọn hải đăng, cung cấp những manh mối tuyệt vời để giới y khoa tiếp tục tiến hành các thí nghiệm RCT thực thụ – điển hình như việc chứng minh thành công mối quan hệ nhân quả giữa chế độ ăn Địa Trung Hải và việc giảm thiểu bệnh tim mạch sau này.

XEM THÊM

Còn bây giờ, xin phép các bạn, tôi phải đi “phân tích” xem việc mỗi ngày uống một ly cà phê có giúp tôi tăng tuổi thọ thêm vài năm không. 😉