जब सोर्स खाली हो: क्रिकेट न्यूज़ पाइपलाइन में डेटा-इंटीग्रिटी का संकट

क्रिकेट कवरेज में ऑटोमेशन अब किसी प्रयोग की तरह नहीं, बल्कि रोज़मर्रा की उत्पादन-प्रक्रिया की तरह देखा जाता है। स्कोरफ़ीड, इनिंग्स-बाय-इनिंग्स अपडेट, ऑक्शन ट्रैकर और मैच-प्रीव्यू — इन सबके पीछे एक मल्टी-स्टेज पाइपलाइन काम करती है, जिसमें पहला चरण स्रोत को पढ़कर उसके तथ्यों को तोड़ता है और दूसरा चरण उन तथ्यों पर विश्लेषण खड़ा करता है। जब यह दो-चरणीय ढाँचा ठीक चलता है, तो पाठक को तेज़ और साफ़ जानकारी मिलती है। लेकिन जब पहला चरण खाली लौटता है और दूसरा चरण फिर भी रिपोर्ट जारी कर देता है, तो खेल-पत्रकारिता के सामने एक अलग तरह का संकट खड़ा होता है — वह संकट तथ्य की कमी का नहीं, बल्कि उस भ्रम का है कि तथ्य मौजूद हैं। हाल की एक प्रक्रिया में ठीक यही हुआ। क्रिकेट श्रेणी में वर्गीकृत एक लेख जब विश्लेषण-चरण में पहुँचा, तो उसका पहला चरण पूरी तरह खाली हाथ लौटा। शीर्षक अनुपलब्ध, स्रोत अनुपलब्ध, लेख का प्रकार अवर्गीकृत, मुख्य दृष्टिकोण खाली, सूचना-बिंदुओं की सूची शून्य, और संलग्न संस्थाओं की पहचान तक नहीं हुई। जो एक चीज़ बची, वह सिर्फ़ एक श्रेणी-लेबल थी — क्रिकेट-जगत। यह लेबल बताता है कि कोई क्रिकेट-संबंधी सामग्री प्रणाली में दर्ज हुई थी, पर वह यह नहीं बताता कि वह किस प्रारूप, किस टीम, किस खिलाड़ी या किस प्रतियोगिता की थी। असली सवाल यह है कि विफलता कहाँ हुई। विश्लेषण-रिपोर्ट में दर्ज एक महत्वपूर्ण संकेत यह है कि पहले चरण के लगभग सभी क्षेत्र एक साथ खाली थे, आंशिक रूप से नहीं। सामान्यतः जब तोड़ने वाली परत विफल होती है, तो शीर्षक और कुछ बिंदु बच जाते हैं और केवल उनके बीच के संबंध बिगड़ते हैं। जब सब कुछ साथ गायब हो, तो संभावना अधिक इस बात की होती है कि सामग्री संग्रह की परत पर ही कभी पकड़ी नहीं गई। दूसरे शब्दों में, लेख शायद मौजूद है, पर पाइपलाइन तक कभी पहुँचा ही नहीं। इसके लिए पाँच संभावित कारण गिनाए गए हैं। पहला, स्रोत पेज पेवॉल, जावास्क्रिप्ट-रेंडरिंग या लॉगिन-गेट के पीछे रहा हो, जिससे खाली बॉडी लौटी। दूसरा, स्रोत टेक्स्ट ही न रहा हो — वीडियो, पॉडकास्ट या सिर्फ़ तस्वीरों वाला सोशल पोस्ट — और उसे सीधे टेक्स्ट-विश्लेषण में डाल दिया गया हो। तीसरा, यह महज़ एक ट्रंकेटेड जॉब या पाइपलाइन त्रुटि हो। चौथा, स्रोत वस्तुतः एक हेडलाइन या टीज़र रहा हो, जिसमें बॉडी ही नहीं थी। और पाँचवाँ, लेख कैप्चर और प्रोसेसिंग के बीच हट गया हो या भू-अवरोधित हो गया हो। इनमें से किसी एक को भी अंतिम सत्य मान लेना जल्दबाज़ी होगी, लेकिन संकेत जिस तरफ़ झुकते हैं, वह संग्रह-परत की विफलता है। पत्रकारिता के नज़रिए से सबसे बड़ा खतरा यहाँ तकनीकी नहीं, संरचनात्मक है। एक ऐसा विश्लेषण-ढाँचा जिसके सभी शीर्षक मौजूद हों और जिनके नीचे 'अपर्याप्त जानकारी' लिखा हो, पाठक को यह एहसास नहीं देता कि कुछ गायब है। बाहर से देखने पर वह एक पूरी, व्यवस्थित रिपोर्ट लगती है। यदि ऐसी फ़ाइल आगे किसी संपादक, सिंडिकेशन पार्टनर या निर्णय-प्रणाली तक पहुँच जाए, तो खाली निष्कर्ष को ठोस निष्कर्ष समझ लिया जाएगा। खेल-सूचना के बाज़ार में यह विशेष रूप से महँगा पड़ता है, क्योंकि वहाँ गति ही मुद्रा है और लोग जाँच से पहले प्रकाशन चुन लेते हैं। दूसरा संरचनात्मक खतरा स्रोत-प्रामाणिकता का है। इस प्रक्रिया में शीर्षक और स्रोत-यूआरएल दोनों अनुपलब्ध थे। इसका अर्थ है कि किसी भी निष्कर्ष की जाँच उस मूल पाठ तक वापस नहीं ले जाई जा सकती। स्पोर्ट्स रिपोर्टिंग में यह अस्वीकार्य होना चाहिए — जिस दावे का पता उसके स्रोत तक न लगे, वह दावा तकनीकी रूप से अनाथ है। इसलिए शीर्षक और प्रकाशक-यूआरएल को संग्रह के समय ही अनिवार्य, गैर-शून्य क्षेत्र बनाना चाहिए; यदि ये न मिलें, तो जॉब को अस्वीकार कर देना चाहिए। तीसरा खतरा समय-संवेदनशीलता का है। खेल में समय का मूल्य अलग है। मैच-प्रीव्यू मैच से एक दिन पहले मूल्यवान है और मैच के अगले दिन बेकार। इस प्रक्रिया में न तो प्रकाशन-तिथि बची, न कैप्चर-टाइमस्टैम्प, और समय-संवेदनशीलता का आकलन हुआ ही नहीं। इसका मतलब यह है कि भले ही सामग्री बाद में बरामद हो जाए, उसकी समय-प्रासंगिकता शायद कभी ठीक से तय न हो सके। समाधान सीधा है: संग्रह के क्षण पर ही टाइमस्टैम्प दर्ज करो और उसे विश्लेषण की सफलता से स्वतंत्र रखो। चौथा सबक यह है कि खाली इनपुट पर पाइपलाइन को ज़ोर से विफल होना चाहिए। यदि सूचना-बिंदुओं की सूची खाली है, तो दूसरे चरण की रिपोर्ट जारी ही नहीं होनी चाहिए। भरोसेमंद तरीका यह है कि संग्रह के बाद बॉडी-लंबाई की न्यूनतम सीमा जाँची जाए, जावास्क्रिप्ट-आधारित पेजों के लिए हेडलेस ब्राउज़र का फ़ॉलबैक रखा जाए, और एक ज्ञात-अच्छा नियंत्रण लेख नियमित रूप से उसी पाइपलाइन से गुज़ारा जाए। यदि नियंत्रण लेख भी खाली लौटे, तो समस्या स्रोत की नहीं, प्रणाली की है। पाँचवाँ सबक श्रेणी-लेबल को लेकर है। 'क्रिकेट-जगत' एक वर्गीकरण का आउटपुट है, साक्ष्य नहीं। उससे यह अनुमान नहीं लगाया जा सकता कि बात टेस्ट की थी या टी20 की, भारत की थी या ऑस्ट्रेलिया की। यह अंतर महज़ शब्दों का नहीं है — टेस्ट में बल्लेबाज़ी औसत का पैमाना, वनडे में मध्यक्रम की भूमिका और टी20 में स्ट्राइक रेट का मानक एक-दूसरे पर लागू नहीं होते। प्रारूप तय न हो तो कोई भी आँकड़ा-तुलना अर्थहीन हो जाती है। यही कारण है कि प्रारूप-टैग को विश्लेषण की कठोर पूर्व-शर्त माना जाना चाहिए, वैकल्पिक सजावट नहीं। इस पूरी घटना का सबसे उपयोगी पक्ष यह है कि यह एक साफ़ परीक्षण-मामला है। खाली इनपुट पर एक भी रिग्रेशन टेस्ट जोड़ दिया जाए, तो भविष्य में इस तरह की पूरी श्रेणी की खामोश विफलताएँ रुक सकती हैं। ज़रूरत सिर्फ़ इतनी है कि पाइपलाइन यह स्वीकार करे कि उसके पास कुछ नहीं है — और यह बात उसे ऊँची आवाज़ में कहनी होगी, हाशिये पर नहीं। जहाँ तक मूल लेख का सवाल है, यदि वह स्रोत अब भी उपलब्ध है, तो पहले चरण को दोबारा चलाने पर सामान्य परिणाम मिलने की संभावना है और उसके बाद पूरा क्रिकेट विश्लेषण एक ही बार में संभव हो जाएगा। पर उससे पहले यह तय करना ज़रूरी है कि स्रोत मौजूद था या नहीं — क्योंकि यदि वह शुरू से ही बिना बॉडी वाला टीज़र था, तो दोबारा निकालने से कुछ नहीं मिलेगा और स्रोत-सूची ही बढ़ानी पड़ेगी। निष्कर्ष स्पष्ट है: ढाँचा तैयार है, इनपुट नहीं। क्रिकेट की कोई भी विश्लेषणात्मक बात कहने से पहले स्रोत को बरामद करना और पहला चरण दोबारा चलाना ज़रूरी है। तब तक जो रिपोर्ट सामने है, उसे सुधारा नहीं जाना चाहिए — उसे पूरी तरह बदला जाना चाहिए।