Nassim Taleb chỉ trích nghiên cứu do chính phủ tài trợ về rượu bia: 'Không đứng vững trước kiểm định'

Nassim Nicholas Taleb, nhà thống kê nổi tiếng với lý thuyết về "Thiên Nga Đen", vừa công bố bài phân tích đăng trên Substack cá nhân nhằm bóc trần những lỗ hổng nghiêm trọng trong một nghiên cứu y khoa do chính phủ Mỹ tài trợ. Nghiên cứu này từng được giới truyền thông coi là "bằng chứng thuyết phục" để bác bỏ quan điểm rằng uống rượu ở mức thấp có thể có lợi cho sức khỏe.

Bài viết của Taleb nhanh chóng thu hút sự chú ý của cộng đồng công nghệ và khoa học dữ liệu trên Hacker News, với nhiều ý kiến đồng tình rằng cách trình bày số liệu của nghiên cứu gốc là "phi chuyên nghiệp" và "đáng ngờ về mặt thống kê".

Nghiên cứu gốc gây tranh cãi

Nghiên cứu được đề cập có tên "Alcohol Intake and Health Study: No Protective Effect at Low Levels, With Mortality Increasing to 1 in 25 at 14 Drinks Per Week", đăng trên Tạp chí Journal of Studies on Alcohol and Drugs (2026). Công trình này được chính phủ Mỹ đặt hàng, kết luận rằng ở mức tiêu thụ thấp, rượu bia không mang lại tác dụng bảo vệ sức khỏe, đồng thời đưa ra khuyến nghị không nên uống quá 1 ly mỗi ngày.

"Họ đưa ra khuyến nghị không uống quá 1 ly mỗi ngày, nhưng dữ liệu trong Bảng 1 của chính họ lại kể một câu chuyện khác," Taleb viết.

Ông chỉ ra rằng bảng số liệu chính của bài báo cho thấy có những lợi ích rõ ràng từ việc uống rượu ở mức thấp, dù các sai số chuẩn (standard errors) rất lớn. Dù vậy, phần phụ lục và phương pháp luận lại mơ hồ đến mức đáng ngờ.

Ba sai lầm chí mạng theo Taleb

Thứ nhất: Khoảng tin cậy bất đối xứng không thể giải thích.

Theo Taleb, khoảng tin cậy (CI) trong nghiên cứu không tuân theo bất kỳ phân phối xác suất chuẩn nào. Ví dụ, rủi ro ở mức 7 ly/tuần cho nhóm trên 70 tuổi là −5.47, nhưng không nằm giữa khoảng [−28.59 và 14.57] như một phân phối chuẩn sẽ cho (kỳ vọng là −7.01). Ông nhấn mạnh phân phối lognormal có thể bị loại trừ vì có giá trị âm, và phương pháp Monte Carlo nếu được sử dụng thì cũng không được tài liệu bổ sung giải thích thỏa đáng.

Thứ hai: Tổng rủi ro không tương thích với khoảng tin cậy.

Taleb chỉ ra rằng tổng rủi ro được tính bằng cách cộng gộp tất cả các nhóm tuổi, nhưng khoảng tin cậy tổng lại chặt hơn so với tổng các khoảng con. Cụ thể, phép cộng ngây thơ cho ra 35.81, phép cộng theo giả định độc lập cho ra 22.42, trong khi báo cáo ghi 31.86 — gần với giả định phụ thuộc hơn. Điều này cho thấy phương pháp Monte Carlo chỉ đơn giản lan truyền sự không chắc chắn bằng các lần rút mẫu có tương quan, và cấu trúc tương quan này không được giải thích rõ ràng.

Thứ ba: Một nhóm tuổi "thống trị" toàn bộ kết quả.

Điểm gây lo ngại nhất là kết luận chính của nghiên cứu dựa chủ yếu vào nhóm trên 70 tuổi — nhóm có sai số chuẩn lớn nhất, nơi nguyên nhân tử vong hầu như không bao giờ được xác định một cách duy nhất. Với nam giới uống 21 ly/tuần, nhóm >70 tuổi đóng góp 27.30 trên tổng số 68.92 điểm rủi ro. Đây là phân khúc "mong manh" nhất: tỷ lệ tử vong cao, khả năng hồi tưởng về mức tiêu thụ bị sai lệch do người sống sót, và việc quy nguyên nhân tử vong cho rượu là không chính xác.

"Toàn bộ tuyên bố của họ dựa trên phân khúc ngẫu nhiên nhất. Không hề có phân tích độ nhạy nào loại bỏ nhóm này ra, cũng không có bootstrap hay bất kỳ kiểm định bổ sung nào," Taleb nhấn mạnh.

Hàm ý cho cộng đồng khoa học dữ liệu

Bài viết của Taleb không chỉ gây tranh cãi trong giới y khoa mà còn là lời cảnh báo mạnh mẽ cho cộng đồng làm việc với số liệu, bao gồm cả lĩnh vực AI và khoa học dữ liệu.

Trong bối cảnh các mô hình AI/ML ngày càng được dùng để hỗ trợ ra quyết định y tế và chính sách công, việc kiểm tra nghiêm túc chất lượng thống kê của dữ liệu đầu vào là điều sống còn. Một nghiên cứu được tài trợ bởi chính phủ với phương pháp luận lỏng lẻo — như Taleb chỉ ra — có thể dẫn đến những khuyến nghị sai lầm ảnh hưởng đến hàng triệu người, nếu các nhà phân tích không đặt câu hỏi về tính xác thực của dữ liệu.

Biểu đồ dữ liệu rượu bia từ phân tích của Taleb

Kết luận

"Dành cho một bài báo tuyên bố lật đổ hàng thập kỷ khuyến nghị về tiêu thụ rượu bia, nền tảng thống kê của nó được ghi chép kém và — nói một cách nhẹ nhàng — kỳ lạ về mặt thống kê. Không có gì mang tính kết luận ở đây cả," Taleb kết luận.

Câu chuyện này một lần nữa cho thấy vai trò quan trọng của việc phản biện phương pháp — không chỉ trong y học, mà còn trong mọi lĩnh vực dựa trên dữ liệu từ công nghệ tài chính (fintech) đến trí tuệ nhân tạo, nơi một mô hình tốt chỉ có thể được xây dựng trên dữ liệu thực sự đáng tin cậy.