स्टेज-1 डेटा खोखला निकला: फुटबॉल पर कोई भी विश्लेषण लिखने से पहले पाइपलाइन की जाँच ज़रूरी

नई दिल्ली। फुटबॉल डोमेन के लिए तैयार किए गए स्टेज-1 डेटा सेट की हालिया समीक्षा में यह सामने आया है कि पूरा पैकेज व्यावहारिक रूप से खोखला है और उसके आधार पर कोई भी गहन विश्लेषण रिपोर्ट तैयार नहीं की जा सकती। समीक्षा के मुताबिक इस बैच में एकमात्र वैध संकेत 'डोमेन लेबल: फुटबॉल' है; शेष सभी फ़ील्ड या तो प्लेसहोल्डर हैं या पूरी तरह खाली। ऐसे में अगर कोई विश्लेषक इस डेटा से 'गहन विश्लेषण' गढ़ता है, तो उसमें लिखी हर बात मूल स्रोत से नहीं, बल्कि विश्लेषक की कल्पना से आएगी — और यह न लिखने से भी बुरा है। फ़ील्ड-वार स्थिति बेहद स्पष्ट है। आर्टिकल टाइटल, सोर्स और टाइप तीनों 'एन/ए' हैं। इसका सीधा असर यह है कि न तो यह तय हो सकता है कि मूल सामग्री किस विधा की थी — मैच रिपोर्ट, ट्रांसफर खबर, टैक्टिकल रिव्यू या ओपिनियन पीस — और न ही स्रोत की विश्वसनीयता का आकलन संभव है। फुटबॉल पत्रकारिता में इन तीनों की भूमिका बुनियादी है, क्योंकि ट्रांसफर की अफ़वाह और टैक्टिकल रिव्यू के साक्ष्य-मानक बिल्कुल अलग होते हैं। 'कोर व्यू पॉइंट्स' पूरी तरह खाली हैं। जहाँ कोई तर्क ही नहीं, वहाँ उसे खंडित करने या उस पर सवाल उठाने का कोई आधार भी नहीं। 'इन्फॉर्मेशन पॉइंट्स' एक खाली सूची है — यानी तथ्य की एक भी इकाई उपलब्ध नहीं। नतीजा यह है कि इकाइयाँ (क्लब, खिलाड़ी, कोच, एजेंट), टाइमलाइन और आँकड़े, तीनों निकाले ही नहीं जा सकते। 'एंटिटीज़ इनवॉल्व्ड' फ़ील्ड पूरी तरह सूचना-बिंदुओं पर निर्भर है, इसलिए वह भी उत्पन्न नहीं हो सकता। इसी तरह टाइम सेंसिटिविटी और सोर्स क्वालिटी का आकलन नहीं हुआ है, जिससे यह भी तय नहीं होता कि कोई सूचना कितनी देर तक प्रासंगिक रहेगी और उसका साक्ष्य-बल क्या है। समीक्षा यह भी दर्ज करती है कि इस स्थिति में 'मजबूरन' विश्लेषण लिखना सबसे बुरा विकल्प है। बिना तथ्य के लिखी गई रिपोर्ट न केवल पाठक को भ्रमित करती है, बल्कि डेटा पाइपलाइन की असली खराबी को भी छिपा देती है। असली समस्या शायद विश्लेषण की नहीं, बल्कि अपस्ट्रीम एक्सट्रैक्शन की है। स्टेज-1 के पूरी तरह खाली आउटपुट के चार बड़े कारण गिनाए गए हैं, संभावना के क्रम में। पहला और सबसे बड़ा कारण है बॉडी एक्सट्रैक्शन का विफल होना — यानी क्रॉलर तक पेज का खोल भर पहुँचा, जेएस रेंडरिंग चली ही नहीं, एंटी-स्क्रैपिंग ब्लॉक पेज या कुकी पॉपअप लौटा, और मुख्य टेक्स्ट खाली रहा या सिर्फ़ नेविगेशन मिला। दूसरा कारण टेम्पलेट का न भरना है — प्रॉम्प्ट या स्कीमा में इन फ़ील्ड को भरने का निर्देश था, लेकिन मॉडल ने डिफ़ॉल्ट ढाँचा ही लौटा दिया। इस मामले में पार्स किए गए नतीजे के बजाय मूल एलएलएम रिस्पॉन्स को जाँचना चाहिए। तीसरा कारण इनपुट का कटना है — लंबा लेख काटकर सिर्फ़ शीर्षक से ऊपर का हिस्सा बचा। चौथा कारण यह हो सकता है कि स्रोत डेटा में टाइटल और सोर्स फ़ील्ड पहले से ही खाली थे और पार्सर ने खाली मान को ज्यों का त्यों आगे भेज दिया। समीक्षा की सलाह स्पष्ट है: सबसे पहले स्टेज-1 के मूल इनपुट टेक्स्ट और मूल मॉडल आउटपुट को देखा जाए। अगर मूल इनपुट ही खाली है तो दोष क्रॉलिंग लेयर में है, और आगे किसी भी प्रॉम्प्ट को बदलने से कोई फ़ायदा नहीं होगा। आगे बढ़ने के लिए न्यूनतम जानकारी की तीन वरीयताएँ तय की गई हैं। पहली प्राथमिकता मूल लेख का पूरा पाठ है, जिससे सूचना-बिंदु निकालना और विश्लेषण करना स्वयं संभव हो जाएगा, स्टेज-1 पर निर्भरता के बिना। दूसरी प्राथमिकता भरे हुए इन्फॉर्मेशन पॉइंट्स हैं — कम से कम पाँच से दस वाक्य, जिनमें तथ्य, आँकड़े और उद्धरण हों। तीसरी प्राथमिकता आर्टिकल टाइटल, सोर्स और लेख के पहले पाँच सौ शब्द हैं, जो विधा और स्रोत का शुरुआती अनुमान लगाने के लिए पर्याप्त हैं। इनपुट मिलने पर फुटबॉल डोमेन में काम का एक ढाँचा पहले से तय है — यह केवल ढाँचा है, वर्तमान खाली डेटा पर आधारित निष्कर्ष नहीं। पहला कदम विधा और जॉनर का निर्धारण होगा: मैच रिपोर्ट, ट्रांसफर अफ़वाह, टैक्टिकल रिव्यू या ओपिनियन पीस। दूसरा कदम सूचना-बिंदुओं का वर्गीकरण होगा — तथ्य (स्कोर, तारीख़, अनुबंध की अवधि, चोट), उद्धरण (कोच, खिलाड़ी, एजेंट के शब्द), अनुमान (पत्रकार का आकलन) और अफ़वाह ('जानकारी के मुताबिक')। अनुमान और अफ़वाह को तथ्य से अलग करना अनिवार्य होगा। तीसरा कदम इकाइयों और उनके संबंधों का नक्शा है — क्लब, खिलाड़ी, कोच, एजेंट, लीग या कप और समय-बिंदु, तथा उनके बीच अनुबंध और हित के संबंध। चौथा कदम समय-संवेदनशीलता का आकलन है, क्योंकि ट्रांसफर विंडो, अनुबंध की समाप्ति और फ़िक्स्चर के पड़ाव तय करते हैं कि सूचना कब अप्रचलित हो जाएगी। पाँचवाँ कदम स्रोत की विश्वसनीयता है — प्रथम-स्तर (क्लब का आधिकारिक बयान, खिलाड़ी स्वयं), द्वितीय-स्तर (बीट रिपोर्टर, मुख्यधारा मीडिया) और तृतीय-स्तर (एग्रीगेटर अकाउंट, बिना बायलाइन वाला रीपोस्ट)। छठा कदम तर्क की मज़बूती का आकलन है — लेखक का मुख्य दावा कितना 'तथ्य-स्तर' सूचना पर टिका है और कितना 'अफ़वाह-स्तर' पर, तथा कोई प्रतिकूल उदाहरण कहीं छोड़ा गया है या नहीं। सातवाँ कदम संदेह के बिंदु गिनाना है — नमूना पूर्वाग्रह (सिर्फ़ अनुकूल आँकड़े उठाना), कारण और सहसंबंध को उलट देना, और समय-खिड़की की चुनिंदगी। समीक्षा यह भी रेखांकित करती है कि तीसरे से छठे कदम तक का काम सीधे ठोस सूचना-बिंदुओं पर निर्भर है, इसलिए खाली डेटा में ये टिक ही नहीं सकते। अगला कदम साफ़ है: स्टेज-1 का मूल इनपुट या मूल मॉडल रिस्पॉन्स उपलब्ध कराया जाए। यदि गड़बड़ी क्रॉलिंग लेयर में है तो पहले उसे ठीक करके ही स्टेज-1 दोबारा चलाया जाए, वरना कितनी भी बार दोहराने पर नतीजा वही रहेगा।