Lập trình
xử lý dữ liệu

Học kì 1, năm học 2026–2027

Viện Trí tuệ nhân tạo, Trường ĐH Công nghệ, ĐHQGHN

Bài 14
Kể chuyện
bằng dữ liệu
và thẩm định
phân tích AI

Bài nội dung cuối: tổng hợp quy trình phân tích và trình bày dữ liệu.

Quy trình đã học

Thu thập
B6
→
Làm sạch
B7–10
→
Làm giàu
B11 (LLM)
→
Trực quan
B12–13
→
Kể chuyện
bài này

Kết quả phân tích chỉ có giá trị khi người đọc hiểu được kết luận và bằng chứng.

Tổng quan

  1. Từ phân tích đến câu chuyện
  2. Các bẫy diễn giải
  3. Thẩm định một bản phân tích do AI viết
  4. Làm việc với AI thì sao?

1.
Từ phân tích
đến câu chuyện

Người đọc cần câu trả lời có căn cứ, không cần toàn bộ biểu đồ đã thử.

Kết luận trước, chi tiết sau

Kể theo trình tự mình làm

"Đầu tiên em tải dữ liệu… rồi em làm sạch… rồi em thử X nhưng không được… cuối cùng em thấy Y."

Kể theo nhu cầu người đọc

"Y — vì ba bằng chứng sau. (Chi tiết phương pháp ở phụ lục.)"

Quan trọng Cấu trúc kim tự tháp: câu trả lời → bằng chứng → phương pháp. Nhật ký quá trình phân tích nên nằm ở phụ lục, không phải phần trình bày chính.

Ba thành phần của một câu chuyện dữ liệu

Bối cảnh
ai hỏi, hỏi gì, vì sao lúc này
→
Phát hiện
phát hiện nào trả lời câu hỏi
→
Hệ quả
hàm ý và giới hạn của kết luận

Mỗi mục lớn trong báo cáo bài tập lớn nên có đủ ba thành phần; tiêu đề mục là một câu khẳng định, tương tự tiêu đề biểu đồ ở bài 12.

Các con số: làm tròn có chủ đích

Khó nhớ

  • "Giá trung vị là 59.000 CLP, tại Las Condes là 97.460 CLP."

Dễ nhớ

  • "Las Condes có giá cao hơn khoảng 65% so với mặt bằng chung (97 so với 59 nghìn CLP/đêm)."

Bảng giữ các con số chính xác; câu văn nên nêu tỷ lệ so sánh, chẳng hạn "gấp đôi", "1 trên 5" hoặc "chưa đến 1%".

Nêu giới hạn làm tăng độ tin cậy

  • Các bài trước đã chỉ ra nhiều giới hạn: số đánh giá chỉ là biến đại diện, kỳ chưa trọn, 846 giá trị giá bị thiếu, nhãn LLM sai khoảng 10% và bẫy diện tích.
  • Giới hạn cần được nêu ngay cạnh kết luận để người đọc đánh giá độ tin cậy.
Cách làm tốt Mỗi kết luận lớn cần ghi rõ nguồn dữ liệu, cỡ mẫu, giả định và loại sai số có thể gặp.

2.
Kể chuyện đúng mực

Bốn cách một câu chuyện dữ liệu "đúng số nhưng sai nghĩa".

Tương quan ≠ nhân quả

Nhớ bài 7?
Chỗ ở có tên nhắc đến "metro" rẻ hơn khoảng 11%. Vậy "gần metro làm giảm giá cho thuê"?

Chưa thể kết luận như vậy. Loại phòng là một biến gây nhiễu cần kiểm tra. Dữ liệu quan sát chỉ cho phép nói hai yếu tố đi kèm, không cho phép nói yếu tố này gây ra yếu tố kia.

Chọn kỳ gốc có lợi

  • "Số lượng đánh giá tại Santiago tăng 50 lần kể từ năm 2020!" — đúng dữ liệu, nhưng kỳ gốc là tháng thấp nhất trong đại dịch COVID-19 (4/2020 chỉ có 321 đánh giá).
  • Với cùng dữ liệu, nếu so với mức trung bình tháng của năm 2019, mức tăng chỉ còn khoảng 8 lần.
Cẩn thận Bài 13 cho kết quả khoảng 16 lần khi so theo năm (2020→2025); ở đây là 50 lần vì so theo tháng, bắt đầu từ đáy COVID-19. Cùng một hiện tượng nhưng hai thước đo cho hai con số rất khác nhau. Cần khai báo và giải thích kỳ gốc đã chọn.

Nghịch lý Simpson: tổng thể nói ngược từng phần

Giá trung vị T9/2025 T6/2026 Đổi
Nguyên căn 60k 66k +10%
Phòng riêng 30k 33k +10%
Toàn thị trường 55k 52k −5%

Trung vị của cả hai phân khúc đều tăng, nhưng tỷ trọng phòng riêng tăng làm trung vị chung giảm. Cơ cấu mẫu đã thay đổi giữa hai mốc chụp: cần kiểm tra tỷ trọng các nhóm trước khi diễn giải một con số gộp. (số minh hoạ)

Diễn đạt đúng mức

Số liệu Diễn đạt quá mức Diễn đạt đúng mức
+3% YoY "bùng nổ" "nhích nhẹ"
r = 0.2 "liên hệ chặt chẽ" "liên hệ yếu"
n = 30 "xu hướng rõ rệt" "tín hiệu ban đầu, mẫu nhỏ"

Từ ngữ là một phần của phép đo. Các cách diễn đạt như "thường", "có thể" hay "trong dữ liệu này" giúp thể hiện đúng mức độ chắc chắn của kết luận.

3.
Thẩm định một bản phân tích do AI viết

Notebook bài này có một báo cáo do AI tạo, gồm năm kết luận về Santiago. Phần này thẩm định ba kết luận tiêu biểu.

Báo cáo AI cần thẩm định — năm kết luận

Prompt: "viết báo cáo thị trường ngắn, ấn tượng"
  • KL1 — 18.534 chỗ ở, 81% nguyên căn.
  • KL2 — giá trung bình 118.200 CLP/đêm.
  • KL3 — đánh giá tháng 6 giảm 28% ("hạ nhiệt").
  • KL4 — phòng khoe "metro" rẻ ~11% ("làm giảm giá").
  • KL5 — Lo Barnechea đắt nhất (426.230 CLP/đêm).

Mọi con số đều đúng — ta mổ kỹ KL2, KL3, KL4; KL1, KL5 đạt cả bốn bước (xem bảng phán quyết).

Quy trình thẩm định bốn bước

1. Truy số
tự tính lại từ dữ liệu gốc
→
2. Kiểm phương pháp
trung bình hay trung vị? đã kiểm tra chất lượng? kỳ cuối đã trọn?
→
3. Kiểm diễn giải
lời có đúng mức với số? có suy diễn nhân quả?
→
4. Phán quyết
đúng / sai / chưa thể kiểm chứng

Mỗi kết luận cần một phán quyết riêng. Không thể suy từ một kết luận đúng rằng toàn bộ báo cáo đều đúng.

Kết luận KL2 — "trung bình 118.200"

Trích báo cáo AI
"Giá thuê trung bình ở Santiago là 118.200 CLP/đêm (~3,3 triệu đồng) — du khách nên chuẩn bị ngân sách tương ứng."

Truy số: giá trung bình đúng là 118.200 ✓. Kiểm phương pháp: bài 10 đã chỉ ra 177 giá ngoại lai làm trung bình cao hơn 44%, trong khi một nửa số chỗ ở có giá dưới 59.000. Phán quyết: số đúng nhưng thước đo không phù hợp với mục đích dự trù ngân sách; nên dùng trung vị.

Kết luận KL3 — "giảm 28%, hạ nhiệt"

Trích báo cáo AI
"Số đánh giá tháng 6/2026 giảm 28% so với tháng 5 — thị trường Santiago đang hạ nhiệt đáng lo ngại."

Truy số: mức giảm 28% là đúng ✓; so với cùng kỳ (tháng 6/2025) thì vẫn tăng 6%. Kiểm phương pháp: tháng 6/2026 chưa trọn ở mốc chụp 29/06, nên cả hai tỷ lệ đều so tháng chưa trọn này với một tháng trọn; đánh giá viết muộn còn được bổ sung (tháng 9/2025 tăng thêm 21% sau chín tháng). Phán quyết: chưa thể kiểm chứng xu hướng từ một mốc chụp; cần chờ mốc chụp sau.

Kết luận KL4 — "metro làm giảm giá"

Trích báo cáo AI
"Phòng gần metro rẻ hơn 11% — vị trí gần metro làm giảm giá cho thuê."

Truy số: chênh lệch quan sát được là 10,8% ✓; sau khi kiểm soát loại phòng, mức chênh lệch ở hai loại phổ biến là khoảng 17–18% (xem notebook). Kiểm diễn giải: tên có nhắc đến metro chỉ là tín hiệu do chủ nhà tự chọn, không phải thước đo khoảng cách. Phán quyết: chỉ có thể nói hai yếu tố "đi kèm"; muốn kết luận về vị trí, cần đo khoảng cách thực tế.

Bảng phán quyết — kết quả thẩm định

Kết luận AI Số liệu Phương pháp Diễn giải Phán quyết
KL2: trung bình 118k ✓ ✗ (ngoại lai) ✗ dùng trung vị
KL3: giảm 28% ✓ ✗ (tháng chưa trọn) ✗ chưa thể kiểm chứng từ một mốc chụp
KL4: metro giảm giá ✓ △ (đo gián tiếp) ✗ (nhân quả) đổi thành "đi kèm"
KL1, KL5 (xem notebook) ✓ ✓ ✓ giữ nguyên

Số đúng chưa đủ

Quan trọng Trong ba ví dụ này, các con số đều đúng; lỗi nằm ở phương pháp và diễn giải. Vì vậy, thẩm định không chỉ kiểm phép tính mà còn phải kiểm cách chọn thước đo và lập luận. Xác nhận KL1 và KL5 đúng cũng là một kết quả thẩm định.

Liên hệ với vấn đáp bài tập lớn

  • Vấn đáp BTL = giảng viên thẩm định sản phẩm của nhóm: truy số, kiểm phương pháp, kiểm diễn giải — theo đúng bốn bước này.
  • Cách ôn tốt nhất: nhóm tự thẩm định chéo báo cáo của nhau trước khi nộp và kiểm tra cả những nội dung do AI hỗ trợ viết. Kết quả này có thể dùng cho mục "AI sai ở đâu" trong AI_USAGE.md.

Tổng kết

  • Trình bày theo thứ tự kết luận → bằng chứng → phương pháp; dùng kết luận làm tiêu đề.
  • Đặt số liệu trong quan hệ so sánh dễ hiểu và chủ động nêu giới hạn của phân tích.
  • Tránh suy diễn nhân quả, chọn kỳ gốc có lợi, bỏ qua thay đổi cơ cấu mẫu và dùng lời quá mức.
  • Thẩm định từng kết luận qua bốn bước: truy số → kiểm phương pháp → kiểm diễn giải → phán quyết.

Làm việc với AI thì sao?

🤖 Làm việc với AI
AI làm tốt Đề xuất cấu trúc báo cáo, hỗ trợ biên tập và dịch thuật; gợi ý cách trình bày từ bảng chỉ số.
AI hay sai Có thể dùng đúng số nhưng diễn giải sai; phóng đại mức độ của kết quả; tạo trích dẫn hoặc bối cảnh không có trong dữ liệu.

Kiểm chứng thế nào?

🤖 Làm việc với AI
  • Áp dụng quy trình thẩm định bốn bước cho mọi đoạn văn do AI viết về dữ liệu của bạn.
  • Người đứng tên báo cáo chịu trách nhiệm về từng con số và từng mối quan hệ được khẳng định.

Đọc thêm và chuẩn bị vấn đáp

  • Cole Nussbaumer Knaflic, Storytelling with Data — chương 1–2, 7.
  • Carl Bergstrom và Jevin West, Calling Bullshit — các chương về thiên lệch lựa chọn và trực quan hoá dữ liệu.
  • Vấn đáp BTL: slide hướng dẫn và danh sách kiểm tra trước khi nộp đã có trên website. Nộp bản cuối trước 23:59 Chủ nhật tuần 10 (ngày cụ thể: xem Canvas Portal). Chúc các nhóm hoàn thành tốt bài tập lớn.
LTXLDL (2627-1) · Bài 14: Kể chuyện bằng dữ liệu và thẩm định phân tích AI