क्रिकेट विश्लेषण पाइपलाइन में खाली Stage-1 आउटपुट ने रोका विश्वसनीय रिपोर्टिंग का रास्ता

क्रिकेट की किसी खबर पर गहरी रिपोर्ट लिखने से पहले सबसे जरूरी दस्तावेज मैच का स्कोरकार्ड नहीं, बल्कि वह मूल सामग्री होती है जिसके आधार पर दावे जांचे जा सकें। इस बार वह सामग्री मौजूद ही नहीं थी। Stage-1 आउटपुट में शीर्षक, स्रोत, प्रकाशन तिथि, लेखक की स्थिति, सारांश और सूचना-बिंदु—सभी खाने खाली थे। केवल एक संकेत बचा था: डोमेन लेबल cricket_world।

यहीं से समस्या शुरू होती है। क्रिकेट की खबर में एक रन, एक तारीख, एक चयन सूची या एक बयान का संदर्भ बदलते ही पूरी कहानी का अर्थ बदल सकता है। उपलब्ध शीट में किसी खिलाड़ी, टीम, बोर्ड, मैदान, टूर्नामेंट या मैच का नाम दर्ज नहीं था। इसलिए उससे मैच रिपोर्ट, चयन समाचार या विवाद पर आधारित विश्लेषण तैयार करना तथ्यों की रिपोर्टिंग नहीं, अनुमान को खबर का रूप देना होता।

इस आउटपुट का सबसे महत्वपूर्ण निष्कर्ष यह है कि यह संक्षिप्त विश्लेषण नहीं, बल्कि निष्कर्ष-विहीन extraction pass है। सूचना-बिंदुओं की संख्या शून्य है। इसका अर्थ यह नहीं कि लेख छोटा था या उसमें केवल एक मुख्य तथ्य था। इसका अर्थ है कि सिस्टम ने कोई सत्यापन योग्य atomic claim आगे भेजा ही नहीं।

खाली दस्तावेज की संरचना क्या बताती है

प्राप्त तालिका में शीर्षक के सामने N/A, स्रोत के सामने N/A, प्रकार के सामने Unclassified और एक-वाक्यीय सारांश के सामने खाली स्थान था। सूचना-बिंदुओं का कॉलम 0 items दिखाता है। केवल domain label cricket_world भरा हुआ था। इस क्रम से एक तकनीकी संकेत मिलता है: वर्गीकरण चरण ने काम किया, लेकिन सामग्री निष्कर्षण चरण या तो चला नहीं या उसका परिणाम आगे नहीं पहुंचा।

मैंने वर्षों तक युवा क्रिकेट की स्कोरशीट और जिला संघों के रजिस्टर देखे हैं। हर junior team sheet एक layer होती है; उसे पढ़े बिना आगे की कहानी अधूरी रहती है। यही नियम डिजिटल न्यूजरूम पर भी लागू होता है। किसी पेज का क्रिकेट से संबंधित होना यह प्रमाण नहीं देता कि उस पेज पर कौन-सी घटना हुई, किसने कही और कब हुई। लेबल विषय का अनुमान देता है; वह खबर का तथ्य नहीं देता।

इस मामले में दो अतिरिक्त निर्देश भी अपने संदर्भ से कटे मिले। पहला था—ऊपर दिए गए information points से entities पहचानें। दूसरा—information points के source fields से source quality का मूल्यांकन करें। जब information points ही शून्य हों, तो दोनों निर्देश तार्किक रूप से निष्पादित नहीं किए जा सकते। यह छोटी formatting त्रुटि नहीं है। यह उस pipeline की निर्भरता दिखाती है जिसमें बाद के चरण पहले चरण की अनुपस्थित सामग्री को स्वतः नहीं पहचानते।

संभावित कारणों की जांच

उपलब्ध रिकॉर्ड से किसी एक कारण को अंतिम रूप से तय नहीं किया जा सकता, लेकिन चार संभावनाएं स्पष्ट हैं। पहली, मूल इनपुट खाली या लगभग खाली रहा हो। दूसरी, वेबसाइट से केवल navigation, cookie banner या footer text निकला हो और वास्तविक article body छूट गई हो। तीसरी, extractor का selector उस पेज की HTML संरचना से मेल नहीं खाया हो। चौथी, classification ने cricket_world टैग तो दे दिया हो, लेकिन extraction module शुरू ही न हुआ हो।

डोमेन टैग का बचा रहना और सभी substantive fields का खाली होना इस बात की ओर इशारा करता है कि सिस्टम ने विषय को पहले पहचाना, सामग्री को बाद में पढ़ना था, लेकिन दोनों चरणों के बीच failure flag नहीं लगा। यही वह बिंदु है जहां स्वचालित प्रक्रिया को खाली परिणाम रोक देना चाहिए था।

मैच देखते समय हम भी ऐसा करते हैं। यदि प्रसारण में स्कोर ओवरले गायब हो जाए, तो किसी बल्लेबाज की strike rate याद के आधार पर नहीं लिखी जाती। यदि कैमरा विकेट की घटना नहीं दिखाता, तो निर्णय के लिए अंपायर का संकेत, रिप्ले या आधिकारिक स्कोरकार्ड खोजा जाता है। डिजिटल extraction में भी वही अनुशासन चाहिए।

क्रिकेट कवरेज में इसका जोखिम

cricket_world जैसा व्यापक वर्गीकरण कई प्रकार की खबरों को समेट सकता है—मैच रिपोर्ट, टीम चयन, बोर्ड का निर्णय, रैंकिंग, चोट, venue update या किसी खिलाड़ी का बयान। मगर इन सभी की समय-संवेदनशीलता अलग होती है। चयन सूची में तारीख और आधिकारिक स्रोत जरूरी होंगे। मैच रिपोर्ट में पारी, विकेट, ओवर और परिणाम चाहिए होंगे। चोट की खबर में टीम मेडिकल अपडेट या अधिकृत बयान आवश्यक होगा। बिना इन fields के समाचार का genre भी तय नहीं किया जा सकता।

खाली extraction को सामान्यीकृत करने का सबसे बड़ा खतरा यह है कि बाद के सिस्टम अनुमानित entities और घटनाओं को वास्तविक facts समझ सकते हैं। तब entity resolution किसी ऐसे खिलाड़ी को जोड़ सकता है जिसका नाम मूल लेख में था ही नहीं। stance detection लेखक की स्थिति गढ़ सकता है। source-quality scoring एक अज्ञात स्रोत को विश्वसनीय मान सकता है। इस तरह शुरुआती शून्य बाद के हर चरण में दिखाई नहीं देता, बल्कि गलत निश्चितता में बदल जाता है।

स्रोत के बिना क्रिकेट रिपोर्ट की विश्वसनीयता जांचना भी संभव नहीं। प्रकाशन का नाम, लेखक, तारीख, उद्धृत पक्ष और dataset—ये सभी अलग-अलग संकेत देते हैं। केवल cricket_world टैग यह नहीं बताता कि सामग्री ICC, BCCI, किसी टीम, प्रसारक, स्थानीय रिपोर्टर या उपयोगकर्ता-निर्मित पोस्ट से आई थी। इन स्रोतों का evidentiary weight समान नहीं हो सकता।

सही सुधार क्या हो सकता है

इस pipeline को article body fallback की जरूरत है। प्राथमिक extraction विफल होने पर readability parser और JSON-LD के articleBody field की जांच होनी चाहिए। इसके साथ extraction_yield नाम का स्पष्ट संकेत जोड़ा जाना चाहिए, जिसमें यह दर्ज हो कि कितने वाक्य, दावे और entities प्राप्त हुए। यदि yield शून्य है, तो Stage-2 को स्वतः रोककर पुनः extraction का अनुरोध करना चाहिए।

एक उपयोगी न्यूनतम information point में चार चीजें होनी चाहिए: atomic claim, entities, source field और absolute time reference। उदाहरण के लिए, किसी क्रिकेट खबर के लिए यह दर्ज होना चाहिए कि दावा क्या है, संबंधित खिलाड़ी या टीम कौन है, बयान किसने दिया और घटना किस तारीख या मैच से जुड़ी है। इससे किसी editor को मूल सामग्री पर लौटने का रास्ता मिलता है।

मैंने अपने Hyderabad age-group notebook में हर scorecard के साथ दो scorers से पुष्टि दर्ज की थी। वह प्रक्रिया धीमी थी, लेकिन उसने एक सरल नियम बचाए रखा: नाम तभी आगे बढ़े जब कागज पीछे मौजूद हो। डिजिटल प्रणाली में दो scorers की जगह दो independent checks हो सकते हैं—article body और structured metadata। दोनों न मिलें तो खबर को publish-ready नहीं माना जाना चाहिए।

खाली रिकॉर्ड से कोई खिलाड़ी नहीं निकाला जा सकता

इस analysis में किसी खिलाड़ी, टीम, बोर्ड, venue या टूर्नामेंट का नाम नहीं है। इसलिए किसी क्रिकेटर की performance, चयन, transfer, ranking या injury पर निष्कर्ष निकालना अनुचित होगा। इसी तरह headline लिखकर किसी कथित घटना को भर देना भी मूल failure को छिपाएगा। Under the empty stands, a scorecard kept the loudest name quiet—यहां scorecard भी उपलब्ध नहीं है, इसलिए नाम को शांत रखना ही जिम्मेदार विकल्प है।

यहां एक जरूरी counterexample भी है। कभी-कभी बहुत छोटा input किसी स्पष्ट आधिकारिक घोषणा का सार हो सकता है और कम information points पर्याप्त लग सकते हैं। लेकिन उस स्थिति में कम-से-कम तारीख, source और claim मौजूद रहते हैं। वर्तमान रिकॉर्ड में वे भी नहीं हैं। इसलिए इसे thin evidence नहीं, zero evidence की श्रेणी में रखना होगा।

आगे की कार्रवाई

विश्वसनीय Stage-2 analysis के लिए raw article text, या article URL के साथ title और publication date, या कम-से-कम तीन information points चाहिए। हर point में claim, entities, source field और time reference होना आवश्यक है। तब ही सारांश, लेखक की stance, article purpose, entity list, time sensitivity और source quality का परीक्षण किया जा सकता है।

मैंने headline का पीछा नहीं किया; मैंने ledger तक पहुंचने की कोशिश की। इस बार ledger खाली मिला। जब तक मूल लेख या सत्यापन योग्य स्रोत वापस नहीं आता, cricket_world केवल एक वर्गीकरण संकेत रहेगा, खबर नहीं। अगला publishable draft उस दिन शुरू होगा जब सिस्टम शून्य output को सफलता नहीं, जांच का संकेत मानेगा।