खाली डेटा के सहारे क्रिकेट की गहरी समझ नहीं बनती: एक Stage-1 विफलता का सबक

हुक: वह टेबल जिसमें कोई पंक्ति ही नहीं थी

पिछले हफ्ते मेरी डेस्क पर एक ऐसा केस आया जिसने मुझे अपनी ही कार्यप्रणाली पर रोककर सोचने पर मजबूर कर दिया। सामने रखा था Stage-1 विश्लेषण का आउटपुट — और उसमें एक भी ठोस बिंदु नहीं था। शीर्षक अनुपलब्ध, स्रोत अनुपलब्ध, प्रकाशन तिथि अनुपलब्ध, सूचना बिंदुओं की सूची पूरी तरह खाली। जो एकमात्र फ़ील्ड भरी हुई थी, वह थी डोमेन लेबल: cricket_world। पांच साल से क्रिकेट का डेटा मॉडल बनाते हुए मैंने सीखा है कि खाली टेबल सबसे ईमानदार दस्तावेज़ होता है — वह आपको बताता है कि आप कुछ नहीं जानते। असली खतरा तब होता है जब खाली टेबल को भरा हुआ मान लिया जाए और उस पर कोई आत्मविश्वास भरा निष्कर्ष टांग दिया जाए।

मैंने पहले स्प्रेडशीट बनाई, कहानी खाली पंक्तियों में आई — लेकिन इस बार पंक्तियां ही नहीं थीं। यह लेख इसी बात का लेखा-जोखा है कि क्रिकेट पत्रकारिता में डेटा पाइपलाइन की विफलता किस तरह साइलेंट होती है, और क्यों "जानकारी कम है" और "जानकारी निकालने में तकनीकी खराबी है" — ये दो बिल्कुल अलग निदान हैं जिन्हें एक समझ लेना खतरनाक है।

संदर्भ: क्रिकेट विश्लेषण में डेटा पाइपलाइन का असली ढांचा

क्रिकेट पर गहरा विश्लेषण लिखने का काम आज तीन अलग-अलग मंज़िलों से गुज़रता है। पहली मंज़िल है अधिग्रहण — पाठ्य सामग्री का संकलन, यानी स्रोत लेख का पूरा पाठ ठीक से पकड़ा जाना। दूसरी मंज़िल है निष्कर्षण — उस पाठ में से शीर्षक, स्रोत, प्रकाशन समय, मुख्य सूचना बिंदु, इकाइयों के नाम, समय-संवेदनशीलता और स्रोत-गुणवत्ता जैसे तत्वों को अलग करना। तीसरी मंज़िल है व्याख्या — इन सूचना बिंदुओं से एक ऐसा तर्क खड़ा करना जो पाठक को पहले से ज्ञात न हो।

मेरी अपनी लेखन विधि इसी तीसरी मंज़िल से शुरू होती है, किंतु उसकी शर्त है कि दूसरी मंज़िल पर कुछ ठोस बचा हो। जब Stage-1 की तालिका में सूचना बिंदु पूरी तरह खाली हैं, तो तीसरी मंज़िल पर पहुंचने का कोई रास्ता नहीं बचता। आप न तो प्रजाति तय कर सकते हैं — यह समाचार है, टिप्पणी है, या डेटा रिपोर्ट — और न ही लेखक का झुकाव पहचान सकते हैं। दूसरे शब्दों में, पाठ का अस्तित्व ही सिद्ध नहीं है।

क्रिकेट के संदर्भ में इसे ठोस बनाऊं। मान लीजिए सामने कोई मैच रिपोर्ट थी जिसमें एक टीम ने पहले बल्लेबाजी करते हुए 40 ओवर में 3 विकेट पर 280 रन बनाए और अंत में 7 विकेट पर 335 रन तक पहुंची। यह एक सामान्य, प्रमाणित तथ्य है जो किसी भी स्कोरकार्ड से मिल सकता है। लेकिन अगर निष्कर्षण परत इसे पकड़ ही नहीं पाती, तो विश्लेषक के हाथ में कुछ नहीं आता। न ही वह बता सकता है कि अंतिम 10 ओवर में टीम ने 55 रन जोड़े या 85 रन — और यही अंतर तय करता है कि कहानी "धीमी फिनिश" की है या "तेज़ किक" की।

यह अंतर महत्वपूर्ण है। क्रिकेट में कई बार स्कोरकार्ड पर एक ही कुल योग दो बिल्कुल अलग कहानियां बयान कर सकता है। पहले 40 ओवर में 280 और अंतिम 10 ओवर में 55 — यह ठहराव वाली पारी है जिसमें मध्यक्रम ने गति खो दी। वही पहले 40 ओवर में 250 और अंतिम 10 ओवर में 85 — यह लय बदलने वाली पारी है जिसमें निचला क्रम किक मारता है। दोनों स्थितियों में कुल योग समान हो सकता है, किंतु रणनीतिक निष्कर्ष उलटे होंगे। अगर पाइपलाइन केवल कुल योग पकड़ती है और चरणवार ब्यौरा छोड़ देती है, तो उससे बनने वाला हर विश्लेषण सतही रहेगा — चाहे लेख कितना भी सुंदर लिखा गया हो।

इसी तरह गेंदबाजी के आंकड़े देखिए। एक तेज़ गेंदबाज का 10 ओवर में 2 विकेट पर 68 रन का आंकड़ा पहली नज़र में महंगा लगता है। लेकिन अगर उसी आंकड़े के साथ यह जानकारी जुड़े कि उसने पहले स्पेल में 4 ओवर में 12 रन दिए और अंतिम ओवरों में 3 ओवर में 38 रन लुटाए, तो कहानी बदल जाती है — समस्या क्षमता की नहीं, डेथ ओवरों में योजना की है। निष्कर्षण परत अगर स्पेल-वार विभाजन नहीं निकालती, तो विश्लेषक गलत आदमी को दोष देगा।

कोर: खाली तालिका एक तकनीकी बग है, न कि जानकारी की कमी का प्रमाण

यहीं पर मेरा मुख्य तर्क शुरू होता है, और यह उस सहज निष्कर्ष के उलट है जो एक नौसिखिया लेखक निकालता है। जब Stage-1 का आउटपुट खाली आए, तो सबसे आसान व्याख्या यह है कि "इस लेख में जानकारी ही कम थी।" यह व्याख्या आकर्षक है क्योंकि यह विश्लेषक को जिम्मेदारी से मुक्त कर देती है। लेकिन मेरे अनुभव में, खाली निष्कर्षण लगभग हमेशा ऊपरी मंज़िल की विफलता होती है, न कि स्रोत सामग्री की गरीबी।

इसके तीन ठोस कारण हैं।

पहला, अधिग्रहण की विफलता। कई बार वेब पेज का पाठ स्क्रिप्ट से लोड होता है, और साधारण संकलन उपकरण को केवल खाली ढांचा मिलता है। यह विशेष रूप से उन खेल पोर्टलों के साथ होता है जो लाइव स्कोर कार्ड को जावास्क्रिप्ट से भरते हैं। ऐसे में डेटा पाइपलाइन के पास पहुंचता ही नहीं, और Stage-1 को दोष देना व्यर्थ है।

दूसरा, पार्सर का टेम्पलेट मिस। हर प्रकाशन गृह का अपना HTML ढांचा होता है। एक मैच रिपोर्ट में स्कोरकार्ड एक तालिका में होता है, दूसरे में टेक्स्ट की सूची में। अगर पार्सर उस विशेष टेम्पलेट के लिए लिखा ही नहीं गया, तो पाठ मौजूद होते हुए भी निष्कर्षण शून्य लौटाएगा। यह ठीक वैसे ही है जैसे मैदान पर खिलाड़ी खड़े हों और स्कोरबोर्ड बंद हो।

तीसरा, फ़ील्ड-स्तरीय विफलता। कभी-कभी पाठ पकड़ा जाता है, किंतु मुख्य सूचना बिंदुओं का निष्कर्षण मॉडल उस विशेष शैली — जैसे क्रिकेट की तकनीकी शब्दावली, ओवर-चरण का वर्णन, या क्षेत्रीय भाषा — पर प्रशिक्षित नहीं होता। नतीजा वही शून्य।

तीनों स्थितियों में साझा बात यह है कि विफलता साइलेंट होती है। पाइपलाइन त्रुटि संदेश नहीं देती; वह चुपचाप एक खाली सूची लौटा देती है, और अगली मंज़िल इसे "जानकारी नहीं मिली" के रूप में पढ़ लेती है। यही सबसे बड़ा खतरा है। एक स्पष्ट त्रुटि संदेश आपको रोक देता; एक खाली तालिका आपको आगे बढ़ने का झूठा विश्वास देती है।

मैंने अपने काम में इस सिद्धांत को कई बार लागू किया है। जब भी किसी मैच का डेटा अधूरा आता है, मैं पहले यह जांचता हूं कि क्या स्रोत में वह जानकारी मौजूद थी। उदाहरण के लिए, अगर किसी टी20 मैच की रिपोर्ट में "पावरप्ले में 45 रन" का आंकड़ा गायब है, तो मैं यह नहीं मान लेता कि टीम ने पावरप्ले में कुछ नहीं किया। मैं मूल स्कोरकार्ड खोलता हूं और देखता हूं कि 6 ओवर के बाद स्कोर क्या था। अक्सर वहां 52/1 जैसा आंकड़ा मिल जाता है — यानी जानकारी थी, निष्कर्षण चूक गया।

यह विधि मुझे एक गलती से बचाती है जो क्रिकेट लेखन में आम है: अनुपस्थिति को स्वयं एक तथ्य मान लेना। अगर किसी गेंदबाज का नाम किसी सूची में नहीं है, तो यह निष्कर्ष निकालना कि वह चोटिल था, या टीम से बाहर था, या खराब फॉर्म में था — तीनों में से कोई भी सही हो सकता है, किंतु डेटा से कोई भी सिद्ध नहीं होता। अनुपस्थिति केवल अनुपस्थिति है, जब तक कि उसका स्रोत न मिले।

इसी विचार को मैं अपने एथलेटिक्स के अनुभव से जोड़ता हूं। 800 मीटर दौड़ की रिपोर्ट में अगर अंतिम 200 मीटर का समय नहीं मिला, तो मैं यह नहीं लिखता कि धावक ने अंत में गति खोई। मैं आधिकारिक स्प्लिट की प्रतीक्षा करता हूं। ट्रैक पर एक स्प्लिट का गायब होना और वास्तव में धीमा होना — दोनों अलग बातें हैं। बेल लैप अंत नहीं होता; वह वह जगह है जहां पैटर्न दिखने लगता है — लेकिन यह केवल तभी सच है जब आपके पास वह लैप का डेटा हो।

क्रिकेट में यही बात ओवर-चरण पर लागू होती है। टेस्ट मैच के चौथे दिन की सुबह का खेल अक्सर सबसे निर्णायक होता है, किंतु कई रिपोर्टें केवल दिन का कुल स्कोर देती हैं। अगर निष्कर्षण परत सत्र-वार विभाजन नहीं निकालती, तो विश्लेषक बता ही नहीं सकता कि मोड़ कब आया। मेरी स्प्रेडशीट में सत्र-वार कॉलम अनिवार्य है, क्योंकि खाली पंक्तियां अक्सर वहीं छिपी होती हैं जहां सूचना सबसे ज़रूरी थी।

कॉन्ट्रेरियन: "जानकारी कम थी" वाला बहाना पाइपलाइन बग को छुपाता है

अब मैं वह हिस्सा लिखता हूं जो मुझे सबसे ज़रूरी लगता है, और जो सहज ज्ञान के विपरीत है। आम धारणा यह है कि अगर किसी लेख का विश्लेषण खाली आए, तो संभवतः लेख ही खोखला था — कोई ठोस तथ्य नहीं, कोई आंकड़ा नहीं, केवल भावुक टिप्पणी। यह व्याख्या आकर्षक है क्योंकि यह दोषी को ढूंढ लेती है और बहस बंद कर देती है।

मेरा अनुभव उलटा कहता है। खाली निष्कर्षण अक्सर उस लेख के साथ होता है जिसमें तथ्य भरे हुए थे, किंतु वे मानक टेम्पलेट में नहीं ढले थे। क्रिकेट पत्रकारिता में यह विशेष रूप से आम है क्योंकि इसकी संख्या-भाषा बहुत घनी है। एक वाक्य में "18वें ओवर की तीसरी गेंद पर डीप मिडविकेट पर छक्का, टीम का स्कोर 132/3" — इसमें ओवर, गेंद, फील्डिंग स्थिति, रन, विकेट, सभी मौजूद हैं। लेकिन एक सामान्य पाठ-निष्कर्षण मॉडल इस पूरे वाक्य को एक वाक्यांश मानकर छोड़ सकता है, क्योंकि उसकी संरचना किसी मानक टेबल से मेल नहीं खाती।

इसका मतलब यह नहीं कि पाइपलाइन कोई कमज़ोर तकनीक है। इसका मतलब है कि क्रिकेट जैसे आंकड़ा-घन खेल में सामान्य प्रयोजन वाला निष्कर्षण पर्याप्त नहीं होता। खेल-विशिष्ट शब्दावली, चरण-वार विभाजन, और घटना-आधारित वर्णन के लिए अलग नियम चाहिए। जब वे नियम न हों, तो परिणाम खाली तालिका होता है, और वह खाली तालिका "लेख खोखला था" जैसी दिखती है।

दूसरा उलटा पहलू यह है कि खाली तालिका को "कम जानकारी" मान लेने से पूरी विश्लेषण श्रृंखला साइलेंट रूप से दूषित हो जाती है। मान लीजिए आगे के पांच लेख इसी पाइपलाइन पर आधारित हैं। अगर पहली विफलता को दर्ज नहीं किया गया, तो अगले लेखों में विश्लेषक जानबूझकर या अनजाने में उन खाली जगहों को अपनी धारणाओं से भर देगा। क्रिकेट में यह बहुत आसान है — "वह टीम दबाव में थी" या "वह गेंदबाज फॉर्म में नहीं था" जैसे वाक्य बिना किसी आंकड़े के लिखे जा सकते हैं। लेकिन वे विश्लेषण नहीं, अनुमान हैं।

मैं इसे "स्प्रेडशीट सर्वोच्चता" के जाल से जोड़ता हूं, जिससे मैं खुद कई बार गिरा हूं। जब मॉडल साफ-सुथरा दिखता है, तो लुभावना होता है कि उसे ही प्रकाशित कर दिया जाए और ड्रेसिंग रूम का दृश्य छोड़ दिया जाए। इस बार समस्या उलटी थी — मॉडल ही खाली था, फिर भी मन कह रहा था कि कुछ निष्कर्ष निकाल लें। यहीं अनुशासन काम आता है: अगर आंकड़े नहीं हैं, तो निष्कर्ष नहीं है। और यह मानना कि आंकड़े इसलिए नहीं हैं क्योंकि लेख में कुछ नहीं था, बिना जांचे एक गलत निदान है।

यहां एक और बारीकी है जिसे मैं जोड़ना चाहूंगा। क्रिकेट विश्लेषण में अक्सर गुणवत्ता और मात्रा का भ्रम होता है। एक लेख में दस आंकड़े हो सकते हैं, किंतु सभी सतही — जैसे केवल कुल स्कोर, कुल विकेट, और सर्वोच्च स्कोरर। दूसरे लेख में केवल तीन आंकड़े हों, किंतु वे चरण-वार और संदर्भ-सहित हों। निष्कर्षण परत अगर पहले लेख से दस आंकड़े निकाल लेती है और दूसरे से तीन, तो संख्या के आधार पर पहला लेख अधिक "समृद्ध" लगेगा। जबकि असली विश्लेषण दूसरे से बनेगा।

इसलिए मेरा सुझाव है कि पाइपलाइन में केवल संख्या न गिनी जाए, बल्कि प्रत्येक सूचना बिंदु के साथ उसकी संदर्भ-गहराई भी दर्ज हो — क्या वह समय-चिह्नित है, क्या वह चरण-वार है, क्या उसका स्रोत स्पष्ट है। यह वही तर्क है जो मैं मैदान पर लगाता हूं: एक तेज़ गेंदबाज का औसत देखने से अधिक महत्वपूर्ण है यह देखना कि वह औसत किन परिस्थितियों में बना — घरेलू मैदान पर या विदेशी पिच पर, नई गेंद से या पुरानी गेंद से।

टेकअवे: अगली बार जब तालिका खाली दिखे

इस पूरे प्रसंग का सबक सरल है, किंतु असुविधाजनक। जब किसी विश्लेषण का आधार खाली आए, तो पहला प्रश्न यह नहीं होना चाहिए कि "सामग्री में क्या कमी थी" — पहला प्रश्न यह होना चाहिए कि "सामग्री पकड़ी गई थी या नहीं।" क्रिकेट में हम गेंदबाजी की गति मापने के लिए स्पीड गन लगाते हैं, किंतु यह जांचना भूल जाते हैं कि गन चालू है या नहीं। स्टेडियम खाली था, किंतु डेटा चुप्पी को भरता रहा — यह वाक्य तभी सच होता है जब डेटा वास्तव में आ रहा हो।

आगे देखते हुए, मेरा अनुमान है कि खेल-पत्रकारिता में डेटा पाइपलाइन की विश्वसनीयता अगले दो वर्षों में उतनी ही महत्वपूर्ण हो जाएगी जितनी पहले सटीक स्कोरकार्ड था। जो डेस्क अपनी अधिग्रहण और निष्कर्षण परतों का ऑडिट नहीं करेंगे, वे चुपचाप ऐसे विश्लेषण प्रकाशित करते रहेंगे जो देखने में आत्मविश्वासी होंगे किंतु खोखले होंगे। और पाठक — जो अब स्वयं स्कोरकार्ड देख सकते हैं — उन्हें पकड़ लेंगे। सवाल यह नहीं है कि हमारे पास कितना डेटा है; सवाल यह है कि हमें क्या पता है कि हमारे पास क्या नहीं है।