खाली डेटा, भरा हुआ शोर: क्रिकेट कवरेज की ऑटोमेटेड पाइपलाइन में भरोसे का संकट

एक अजीब स्थिति से शुरुआत करते हैं। एक क्रिकेट कवरेज टास्क सिस्टम में दाखिल होता है। उसका डोमेन लेबल साफ़ है — cricket_world। लेकिन जैसे ही पहला विश्लेषण चरण, यानी Stage-1, अपना आउटपुट देता है, सब कुछ खाली निकलता है। लेख का शीर्षक नहीं, स्रोत नहीं, लेख का प्रकार अवर्गीकृत, एक-वाक्य सारांश खाली, लेखक का पक्ष अनुपलब्ध और लेख का उद्देश्य भी अनुपलब्ध। सबसे बड़ी बात — सूचना बिंदुओं की सूची पूरी तरह खाली है। यह 'कम जानकारी' की समस्या नहीं है। यह संरचनात्मक रूप से खाली आउटपुट की समस्या है, और पत्रकारिता के संदर्भ में यह एक गंभीर चेतावनी है। मामले को ठीक से समझने के लिए फ़ील्ड-वार स्थिति देखनी होगी। शीर्षक N/A है, इसलिए विषय की पुष्टि ही नहीं हो पाती। स्रोत N/A है, इसलिए विश्वसनीयता का आकलन असंभव है। लेख का प्रकार अवर्गीकृत है, इसलिए यह तय नहीं होता कि सामने जो है वह समाचार है, टिप्पणी है, डेटा रिपोर्ट है या अफ़वाह — और इन चारों को संभालने का तरीका बिल्कुल अलग होता है। सारांश खाली है, यानी टूटने के लिए कोई तर्क ही मौजूद नहीं। लेखक का पक्ष और लेख का उद्देश्य दोनों N/A हैं, यानी पूर्वाग्रह और मंशा का विश्लेषण बेकार है। और सूचना बिंदु — जो पूरी प्रक्रिया का ईंधन है — खाली सूची है। इससे आगे एक और पेचीदगी दिखती है। 'शामिल संस्थाएँ' फ़ील्ड में लिखा है — 'ऊपर दिए गए सूचना बिंदुओं से पहचानें।' यानी खिलाड़ी, टीम, आयोजन, संस्थान और स्थान चुनने का निर्देश ऐसे डेटा पर टिका है जो मौजूद ही नहीं। यह एक सर्कुलर डिपेंडेंसी है: आउटपुट के लिए इनपुट चाहिए, और इनपुट ही नहीं आया। इसी तरह समय-संवेदनशीलता का आकलन नहीं हुआ, इसलिए यह तय करना असंभव है कि कोई निष्कर्ष पुराना पड़ चुका है या अभी भी मान्य है। स्रोत की गुणवत्ता भी सूचना बिंदुओं के source फ़ील्ड से जाँचनी थी — सूचना बिंदु नहीं, तो source फ़ील्ड भी नहीं। पूरे आउटपुट में एक ही चीज़ उपयोगी है: Domain Label — cricket_world। लेकिन यह भी कोई ठोस तथ्य नहीं, बल्कि रूटिंग के लिए लगाया गया एक टैग है, जिसकी सत्यता स्वयं जाँची जानी चाहिए। हो सकता है मूल सामग्री क्रिकेट की हो, और हो सकता है किसी और खेल की खबर गलत श्रेणी में डाल दी गई हो। सिर्फ़ एक श्रेणी-टैग के आधार पर गहरा विश्लेषण करने का एक ही रास्ता बचता है — कल्पना करना। और कल्पना पत्रकारिता नहीं है। यहाँ एक स्वाभाविक सवाल उठता है: क्यों न खाली जगह को सामान्य ज्ञान से भर दिया जाए? क्यों न हाल की किसी बड़ी सीरीज़, किसी चर्चित खिलाड़ी के फ़ॉर्म या किसी विवाद को विषय मान लिया जाए? जवाब सीधा है — क्रिकेट के दर्शक संख्याओं के प्रति बेहद संवेदनशील हैं। रन-रेट, स्ट्राइक रेट, औसत, जीत-हार का अनुपात, चोट की स्थिति — इनमें एक भी गलत आँकड़ा पूरी रिपोर्ट की विश्वसनीयता गिरा देता है। और गलत जानकारी को सुधारना, खाली जगह को स्वीकार करने से कहीं महँगा पड़ता है। एक ऐसी प्रणाली जो अनुपस्थित तथ्यों को संभावित तथ्यों से भर देती है, वह धीरे-धीरे संपादकीय भरोसे का पूरा भंडार ख़त्म कर देती है। तकनीकी तौर पर खाली आउटपुट के तीन मुख्य कारण हो सकते हैं, और तीनों का इलाज अलग है। पहला — स्रोत से सामग्री लाना ही विफल रहा। यानी फ़ेचिंग लेयर ने पेज नहीं खींचा, ब्लॉक हो गया, या भुगतान-दीवार और लॉगिन के पीछे अटक गया। दूसरा — सामग्री आई, पर पार्सर उसकी संरचना से मेल नहीं खा सका। लाइव ब्लॉग, रियल-टाइम स्कोरकार्ड, एम्प पेज, ट्वीट-थ्रेड या वीडियो-फ़र्स्ट पेज — इन सबका ढाँचा अलग होता है, और एक ही एक्सट्रैक्टर सब पर काम नहीं करता। तीसरा — मूल सामग्री वाकई बहुत छोटी थी, जैसे केवल शीर्षक वाली तेज़ खबर, जिसमें विश्लेषण लायक कोई पैराग्राफ़ ही नहीं। तीनों में फ़र्क़ करने का एक ही तरीका है — लॉग और ट्रेस देखना। आगे बढ़ने के लिए ज़रूरी न्यूनतम इनपुट साफ़ है, और तीन में से कोई एक विकल्प काफ़ी है। सबसे अच्छा विकल्प है मूल लेख का पूरा पाठ — तब Stage-1 को दोबारा, ठीक से बनाया जा सकता है और उसके ऊपर विश्लेषण खड़ा किया जा सकता है। दूसरा विकल्प है सूचना बिंदुओं की सूची भर देना, जहाँ हर बिंदु में कम से कम तीन चीज़ें हों: क्या कहा गया, किसने या कहाँ से कहा गया, और कब। तीसरा विकल्प है — अगर मूल पाठ उपलब्ध ही नहीं, तो शीर्षक, प्रकाशक, प्रकाशन की तारीख़ और तीन से पाँच ठोस तथ्य-कथन दे दिए जाएँ। इनमें से कुछ भी मिलने पर काम शुरू हो सकता है; इनके बिना कुछ भी शुरू नहीं हो सकता। इनपुट मिलने के बाद विश्लेषण का क्रम निर्भरता के हिसाब से तय होगा। पहले संस्थाओं की पहचान और सामान्यीकरण — खिलाड़ी, टीम, आयोजन, संस्थान, स्थान; साथ में अस्पष्टता दूर करना, क्योंकि एक ही उपनाम वाले खिलाड़ी और एक ही संक्षिप्त नाम वाली सीरीज़ भ्रम पैदा करते हैं। दूसरे, सूचना बिंदुओं को चार श्रेणियों में बाँटना — तथ्य-कथन, उद्धरण, अनुमान और मूल्यांकन — और इन्हें अलग-अलग चिह्नित करना। तीसरे, स्रोत-गुणवत्ता मैट्रिक्स बनाना: प्राथमिक स्रोत (आधिकारिक बयान, मैच डेटा), द्वितीयक स्रोत (मीडिया रिपोर्ट) और अनाम स्रोत, हर बिंदु पर अलग से। चौथे, समय की जाँच — घटना कब हुई, प्रकाशन कब हुआ, अब क्या समय है — और पुराने पड़ चुके निष्कर्षों को चिह्नित करना। पाँचवें, लेखक का पक्ष और मंशा: शब्द-चयन का झुकाव और चुनिंदा प्रस्तुति, यानी क्या छोड़ा गया। छठे, विरोधाभास की पहचान — टकराव वाले बिंदुओं को 'पुष्टि बाकी' कहना, औसत निकालकर समझौता नहीं करना। सातवें, विश्वसनीयता का फ़ैसला: भरोसे योग्य, क्रॉस-चेक ज़रूरी, या अविश्वसनीय — और हर श्रेणी के लिए सत्यापन का रास्ता। संपादकीय और इंजीनियरिंग दोनों के लिए सबक एक ही है: खाली इनपुट पर सिस्टम को रुकना चाहिए, अनुमान लगाकर भरना नहीं चाहिए। एक साफ़ नियम चाहिए — बिना स्रोत कोई मसौदा नहीं। दूसरा, पाइपलाइन में यह दर्ज होना चाहिए कि फ़ेच, पार्स और एक्सट्रैक्शन में से कौन-सा चरण विफल हुआ और क्यों। तीसरा, कवरेज मेट्रिक्स पर नज़र रखनी चाहिए — कितने लेख खाली लौट रहे हैं, किन स्रोतों से, किन घंटों में। अगर किसी एक स्रोत से लगातार खाली नतीजे आ रहे हैं, तो समस्या क्रिकेट कवरेज में नहीं, उस स्रोत के पेज-ढाँचे में है। भरोसेमंद ऑटोमेशन की पहचान यह नहीं कि वह हमेशा कुछ लिख दे, बल्कि यह कि जब उसके पास तथ्य न हों तो वह चुप रह जाए। इसलिए निष्कर्ष स्पष्ट है। जब तक Stage-1 ठीक नहीं होता, हर अगला चरण हवा में घूमता रहेगा — चाहे उसका ढाँचा कितना भी मज़बूत हो, चाहे उसके पास कितने ही उन्नत मॉडल हों। पहले स्रोत जुड़े, पाठ पढ़ा जाए, सूचना बिंदु बनें और उनकी समय-तारीख़ दर्ज हो। उसके बाद ही विश्लेषण, और उसके बाद ही रिपोर्ट। पहले Stage-1, फिर बातचीत।