क्रिकेट न्यूज़ एनालिसिस पाइपलाइन में बड़ी खामी: स्टेज-1 रिकॉर्ड खाली निकला, स्टेज-2 ने आठ-आयामी ढांचा भर दिया लेकिन एक भी ठोस तथ्य नहीं

क्रिकेट से जुड़ी खबरों के स्वचालित विश्लेषण की बहु-स्तरीय प्रणाली में एक गंभीर प्रक्रियागत खामी सामने आई है। स्टेज-2 के नाम से तैयार गहन विश्लेषण रिपोर्ट बाहर से देखने पर पूरी और संतुलित लगती है — आठ विश्लेषणात्मक आयाम, जोखिम मैट्रिक्स, सूचना मूल्य रेटिंग, ट्रांसमिशन मैप और निगरानी संकेतों की सूची। लेकिन रिपोर्ट का लगभग हर निष्कर्ष एक ही वाक्य पर आकर रुकता है: 'अपर्याप्त जानकारी।' वजह सीधी है — जिस स्टेज-1 डीकंस्ट्रक्शन रिकॉर्ड के आधार पर यह पूरी रिपोर्ट बनी, वह रिकॉर्ड ही खाली था। रिपोर्ट की शुरुआत में ही एक डेटा-इंटीग्रिटी चेतावनी लगाई गई है। उसके मुताबिक स्टेज-1 का आउटपुट संरचनात्मक रूप से खाली था — लेख का शीर्षक 'एन/ए', लेख का प्रकार 'अवर्गीकृत', मुख्य दृष्टिकोण खाली, सूचना बिंदुओं की सूची खाली, संबंधित इकाइयाँ अनुपस्थित, समय-संवेदनशीलता का आकलन ही नहीं हुआ और स्रोत की गुणवत्ता अनसुलझी रही। पूरे इनपुट में एकमात्र उपयोगी संकेत डोमेन लेबल 'क्रिकेट एशिया' था। ऐसे में स्टेज-2 ने जो किया, वह पेशेवर ईमानदारी का उदाहरण है। इसने खाली जगह को अनुमान से नहीं भरा। बल्कि हर फील्ड के सामने स्पष्ट रूप से लिख दिया कि यहाँ जानकारी अपर्याप्त है। रिपोर्ट का केंद्रीय निष्कर्ष यही है कि मौजूदा स्थिति में यह रिकॉर्ड विश्लेषण-योग्य नहीं है, और इससे कोई भी क्रिकेट-विशिष्ट निर्णय निकालना शुद्ध गढ़ंत होगा। रिपोर्ट में यह भी कहा गया है कि इस तरह के रिकॉर्ड का इस्तेमाल संपादकीय, व्यावसायिक या प्रदर्शन-संबंधी किसी भी फैसले के लिए तब तक रोका जाना चाहिए जब तक दोबारा एक्सट्रैक्शन न हो जाए। यह चेतावनी क्रिकेट के संदर्भ में क्यों अहम है, यह समझना जरूरी है। क्रिकेट ऐसा खेल है जिसमें किसी भी आंकड़े का अर्थ उसके प्रारूप पर टिका होता है। टी20 में 145 का स्ट्राइक रेट मजबूत प्रदर्शन माना जाता है, जबकि वही आंकड़ा वनडे में असाधारण श्रेणी का है। इसी तरह 28 का गेंदबाजी औसत टेस्ट में मजबूत माना जाता है, लेकिन टी20 में वह कमजोर माना जाएगा। जब तक यह तय न हो कि खबर टेस्ट, वनडे, टी20, किसी फ्रेंचाइजी लीग या फिर प्रशासनिक विषय से जुड़ी है, तब तक किसी भी खिलाड़ी या टीम के आंकड़े को किसी मानक से नहीं मिलाया जा सकता। दूसरे शब्दों में, बिना प्रारूप तय किए आगे का कोई भी आंकलन केवल संख्या-खेल बनकर रह जाएगा। रिपोर्ट में इस बात पर भी ध्यान दिलाया गया है कि 'क्रिकेट एशिया' लेबल से यह अनुमान लगाना कि खबर भारत, पाकिस्तान, बांग्लादेश या श्रीलंका से जुड़ी है, एक लेबलिंग संकेत भर है — यह लेख की सामग्री नहीं है। इसे विश्लेषण का आधार बनाना खुद एक त्रुटि होगी। सबसे उपयोगी निष्कर्ष प्रक्रिया-स्तर का है। शीर्षक का खाली होना और साथ में भरा हुआ डोमेन लेबल — यह जोड़ी बताती है कि वर्गीकरण का चरण सफल रहा, लेकिन टेक्स्ट-एक्सट्रैक्शन का चरण विफल हो गया। यानी खबर मौजूद न होना समस्या नहीं है; उसे पढ़ा न जा सकना समस्या है। संभावित कारण हैं — पेवॉल, जावास्क्रिप्ट से रेंडर होने वाला पेज, पीडीएफ या इमेज स्रोत, या गैर-लैटिन लिपि की पार्सिंग विफलता। रिपोर्ट में माना गया है कि यह बात मध्यम स्तर के भरोसे के साथ कही जा सकती है। जोखिम पक्ष पर रिपोर्ट ने पांच चेतावनियाँ दर्ज की हैं। पहली और सबसे गंभीर है फैब्रिकेशन का जोखिम — खाली ढांचे को क्रिकेट-टिप्पणी से भर देना, जिससे आत्मविश्वास से भरा लेकिन बिना किसी सबूत वाला विश्लेषण तैयार हो जाएगा, और बात यह है कि ढांचा पूरा भरा दिखने के कारण पाठक उसकी खोखलेपन को पकड़ भी नहीं पाएगा। दूसरी चेतावनी फॉल्स-नेगेटिव की है — किसी भी आयाम में जोखिम का झंडा न उठना कभी भी 'कोई जोखिम नहीं है' का सबूत नहीं माना जाना चाहिए; सही पाठ यह है कि 'कोई जोखिम पहचाना नहीं जा सका'। तीसरी चेतावनी समयबद्धता की है — समय-संवेदनशीलता का आकलन ही नहीं हुआ, इसलिए यह भी पता नहीं चल सकता कि मूल खबर कुछ घंटे पुरानी है या कुछ साल। चौथी चेतावनी स्रोत-गुणवत्ता की है — अभी कोई सरकारी बोर्ड की विज्ञप्ति और कोई अफवाह-आधारित अकाउंट पोस्ट करने वाले सोशल मीडिया हैंडल में कोई फर्क नहीं दिख रहा है। पांचवीं चेतावनी डोमेन-लेबल पर अत्यधिक भरोसे की है — 'क्रिकेट एशिया' को आईपीएल, एशिया कप या किसी द्विपक्षीय सीरीज का संकेत मान लेना, पूरे विश्लेषण को एक लेबलिंग संकेत पर खड़ा कर देना होगा। रिपोर्ट में सूचना मूल्य की रेटिंग भी स्पष्ट है। चारों आयामों — खेल मूल्य, उद्योग मूल्य, समयबद्धता मूल्य और संदर्भ मूल्य — को पांच में से एक स्टार दिया गया है। एकमात्र वास्तविक संदर्भ मूल्य यही है कि रिकॉर्ड एक निर्दिष्ट उपरी-स्तरीय पाइपलाइन दोष की पहचान करता है। अब आगे क्या होना चाहिए, रिपोर्ट इस पर भी साफ है। पहला कदम है स्रोत के यूआरएल, प्रकाशन तिथि और एचटीएमएल स्नैपशॉट के साथ स्टेज-1 को दोबारा चलाना, और इस बार ओसीआर तथा लिपि-संवेदनशील पार्सिंग सक्षम करना। सफलता की शर्त है — कम से कम एक गैर-रिक्त शीर्षक और कम से कम तीन क्रमांकित सूचना बिंदु। दूसरा कदम है प्रारूप-एंकर तय करना, यानी पहले ही पैराग्राफ में यह पक्का करना कि खबर टेस्ट, वनडे, टी20, लीग या प्रशासन से जुड़ी है। तीसरा कदम है इकाई-निष्कर्षण — यह सत्यापित करना कि कम से कम एक टीम, खिलाड़ी या बोर्ड का नाम निकला है। चौथा कदम है स्रोत-स्तर की पहचान — मीडिया संस्थान, बाइलाइन और टाइमस्टैम्प दर्ज करना। पांचवां, यह देखना कि बैच के अन्य रिकॉर्ड में भी खाली शीर्षक और भरा लेबल वाला वही पैटर्न दिख रहा है या नहीं, क्योंकि दोहराव मिलने पर यह प्रति-लेख सुधार का नहीं, पूरी पाइपलाइन के सुधार का मामला बन जाएगा। विश्लेषण-डेस्क के लिए एक और बात दर्ज करने योग्य है। इस रिपोर्ट में जो तकनीकी शब्दावली दी गई है — पावरप्ले, डेथ ओवर, इकॉनमी रेट, गेंदबाजी औसत, डकवर्थ-लुईस-स्टर्न, डीआरएस और अंपायर कॉल, विश्व टेस्ट चैंपियनशिप, एनओसी और आरटीएम — वह सब सामान्य क्रिकेट-ज्ञान है, इस लेख की सामग्री नहीं। इन्हें किसी भी हालत में मूल खबर के तथ्य नहीं समझा जाना चाहिए। यही बात उन पूर्व-उदाहरणों पर भी लागू होती है जो शासन-व्यवस्था वाले हिस्से में दिए गए हैं, जैसे आईसीसी राजस्व मॉडल, स्लो ओवर-रेट दंड, या भारत-पाकिस्तान द्विपक्षीय सीरीज का ठहराव। ये सब सामान्य संदर्भ हैं, इस खबर के निष्कर्ष नहीं। कुल मिलाकर यह रिपोर्ट प्रकाशन-योग्य सामग्री के तौर पर नहीं, बल्कि एक समस्या-सूचना के तौर पर पढ़ी जानी चाहिए। इसका सार यह है कि एक खाली रिकॉर्ड से भरा हुआ विश्लेषण बनाना टेम्पलेट भरने जैसा है — औपचारिक रूप से पूरा, पदार्थतः शून्य। और क्रिकेट पत्रकारिता में, जहां चोट और चयन की स्थिति कुछ ही दिनों में बदल जाती है, शून्य पर खड़ा आत्मविश्वास सबसे महंगा सौदा साबित हो सकता है। यह सामग्री केवल खेल-सूचना संदर्भ के लिए है और किसी भी तरह की सट्टेबाजी सलाह नहीं है। खेल के नतीजे अत्यधिक अनिश्चित होते हैं; किसी भी विश्लेषणात्मक निष्कर्ष को तर्कसंगत रूप से ही लें।