क्रिकेट न्यूज़रूम में ऑटोमेशन: सिस्टम ने 'क्रिकेट' पहचाना, पर खबर कभी पढ़ी ही नहीं

क्रिकेट खबरों के लिए बनाई गई एक स्वचालित कंटेंट-विश्लेषण पाइपलाइन के पहले चरण का नतीजा सामने आया है, और वह अपने आप में चर्चा का विषय बन गया है — लेकिन उस वजह से नहीं जिस वजह से न्यूज़रूम ऐसे नतीजों को याद रखता है। सिस्टम ने जिस लेख को प्रोसेस किया, उसका विषय-क्षेत्र यानी डोमेन लेबल cricket_world ज़रूर लौटाया, लेकिन लेख का एक-पंक्ति सारांश खाली रहा, लेखक का रुख अपरिभाषित रहा, लेख का मक़सद तय नहीं हुआ, सूचना बिंदुओं की सूची शून्य रही और लेख में आने वाली इकाइयों का कोई ज़िक्र तक नहीं आया। दूसरे शब्दों में, जिन भी फ़ील्ड्स के लिए असली सामग्री ज़रूरी थी, वे सब रिक्त लौटे; और जो एकमात्र ठोस जानकारी हाथ लगी, वह सिर्फ़ यह थी कि मामला क्रिकेट जगत का है।

तकनीकी भाषा में इसे लेख का विश्लेषण नहीं, विफलता का विश्लेषण कहा जा रहा है। फ़र्क़ बुनियादी है। एक खाली लेख का विश्लेषण करने का मतलब होता कि विश्लेषक खुद कहानी गढ़ ले। एक खाली आउटपुट का विश्लेषण करने का मतलब होता है यह पता लगाना कि सिस्टम कहाँ रुका। न्यूज़रूम के लिए दूसरा सवाल ज़्यादा काम का है, क्योंकि वह प्रोसेस की सेहत बताता है, उस खबर की नहीं जो शायद कभी सिस्टम तक पहुँची ही नहीं।

फ़ील्ड ऑडिट: क्या-क्या खाली लौटा

सबसे पहले वह फ़ील्ड, जिसे मूल कारण माना जा रहा है — सूचना बिंदु। इनकी संख्या शून्य रही। यही वजह है कि उसके बाद के सारे निष्कर्ष अटक गए। एक-पंक्ति सारांश तब तक नहीं बन सकता जब तक संक्षेप करने के लिए कुछ हो ही न। लेखक का रुख तय करने के लिए तीन चीज़ें चाहिए — एक दावा, उसके समर्थन में सबूत, और शैली का आधार-रेखा। तीनों में से एक भी मौजूद नहीं। लेख का उद्देश्य भी इसी वजह से अनुपलब्ध रहा।

लेख का प्रकार अपरिभाषित लौटा, जबकि डोमेन लेबल स्पष्ट रूप से असाइन हुआ। यह जोड़ी अपने आप में बेमेल है। इकाइयों वाले फ़ील्ड में जो लिखा आया, वह कोई निष्कर्ष नहीं, बल्कि टेम्पलेट का निर्देश था — "ऊपर दिए सूचना बिंदुओं से पहचानें"। समय-संवेदनशीलता के खाने में साफ़ लिखा था कि पहले चरण में इसका आकलन नहीं किया गया। और स्रोत की गुणवत्ता के खाने में यह निर्देश था कि स्रोत फ़ील्ड्स से अंदाज़ा लगाया जाए — जबकि कोई स्रोत फ़ील्ड ही मौजूद नहीं था।

यही सबसे बड़ा सुराग है। नोट्स में नतीजे नहीं, हिदायतें छपी थीं। मतलब टेम्पलेट भरा ही नहीं गया, बस उसका ढाँचा लौटा दिया गया। यह सामग्री-विहीन लेख का सबूत नहीं, प्रोसेसिंग में कहीं टूट पड़ने का सबूत है।

विरोधाभास: डोमेन पहचाना गया, प्रकार नहीं

इस आउटपुट में एक अजीब असमानता है। सिस्टम लेख का प्रकार बता नहीं पाया, लेकिन डोमेन लेबल बड़े भरोसे से बता गया। सामान्य तौर पर डोमेन की पहचान, प्रकार की पहचान से बड़ा काम होती है — यानी जो प्रकार पहचान ले, उसे डोमेन तो पता होना ही चाहिए। उल्टा नहीं होना चाहिए।

इसकी दो संभावित वजहें हैं। पहली, डोमेन लेबल बॉडी टेक्स्ट से नहीं, बल्कि मेटाडेटा, URL स्लग या किसी एक कीवर्ड — जैसे 'क्रिकेट' — से लगा दिया गया हो। यानी लेबल कमज़ोर आधार पर टिका है। दूसरी, दो अलग सबसिस्टम अलग-अलग थ्रेशोल्ड पर चले हों, और डोमेन क्लासिफायर का पैमाना ज़्यादा ढीला रहा हो। दोनों ही सूरतों में सीख एक ही है: इस लेबल को निष्कर्ष मानना गलती होगी, इसे सिर्फ़ एक पूर्व-संकेत यानी प्रायर मानना चाहिए।

`cricket_world` अकेले क्या बताता है

अगर सिर्फ़ यह पता है कि विषय क्रिकेट है, तो लेख किस तरह का हो सकता है, इसकी छह-सात परिकल्पनाएँ बनती हैं। मैच रिपोर्ट, जिसकी उम्र घंटों में नापी जाती है और जिसका रुख आम तौर पर तटस्थ-वर्णनात्मक होता है। प्रीव्यू या टीम न्यूज़, जिसकी ताज़गी टॉस के साथ ख़त्म हो जाती है। विश्लेषण या ओपिनियन कॉलम, जहाँ असली सामग्री रुख ही होता है और संरचना घटना की नहीं, तर्क की होती है। प्रशासनिक या गवर्नेंस खबर, जिसमें सूचना का क्षय धीमा होता है और स्रोत की गुणवत्ता प्राथमिक दस्तावेज़ों पर टिकती है। खिलाड़ी प्रोफ़ाइल या फ़ीचर, जो लगभग सदाबहार होते हैं। और रैंकिंग-रिकॉर्ड वाली सूचियाँ, जिनका क्षय दिनों में हो जाता है।

इन्हें मान लेना नहीं है, इनके बीच भेद करना है — यही दूसरे चरण का असली काम है।

सबसे बड़ी चूक: समय-संवेदनशीलता

क्रिकेट में "समय-संवेदनशीलता" कोई मामूली खाना नहीं है। यह तय करता है कि खबर की उम्र घंटों की है, दिनों की है या सालों की। यह अपने आप में सबसे उपयोगी ट्रायाज निर्णय है — तय करता है कि न्यूज़रूम पहले किस चीज़ पर काम करे। इसे अपरिभाषित छोड़ देना यानी सबसे काम का फ़िल्टर बंद कर देना।

इसके बिना रुख का पता लगाना भी सुरक्षित नहीं रहता। मैच रिपोर्ट का सपाट लहज़ा और ओपिनियन कॉलम का सपाट लहज़ा, दोनों देखने में एक जैसे लग सकते हैं, पर मतलब उल्टे होते हैं। पहले में सपाटपन तटस्थता है, दूसरे में सपाटपन ही तर्क की शैली है। शैली तय किए बिना रुख तय करना अनुमान बन जाता है।

स्रोत की गुणवत्ता: प्रोवेनेंस के बिना कोई फ़ैसला नहीं

स्रोत की गुणवत्ता आँकी ही नहीं जा सकी, क्योंकि प्रकाशक, बाइलाइन, डेटलाइन या हवाला — इनमें से कुछ भी कैप्चर नहीं हुआ। क्रिकेट एक ऐसा विषय है जहाँ एग्रीगेशन और सर्च-केंद्रित सामग्री भारी मात्रा में मौजूद है। ऐसे माहौल में असली और नक़ली खबर में फ़र्क़ सबसे पहले स्रोत से ही पकड़ा जाता है। प्रोवेनेंस का गायब होना यानी गुणवत्ता का सवाल हवा में लटक जाना।

डाउनस्ट्रीम खतरा

अगर इसी इनपुट पर दूसरा चरण चलाया गया, तो उसका जोखिम बहुत ऊँचा है। वह टीमें गढ़ लेगा, खिलाड़ी गढ़ लेगा और एक पूरी कहानी बना देगा — क्योंकि उसके पास भरने के लिए खाली खाने होंगे और गढ़ने के लिए बेलगाम स्वतंत्रता। इसलिए यहाँ एक सख़्त दरवाज़ा लगाना ज़रूरी है: कम से कम एक सूचना बिंदु मौजूद हो और लेख का प्रकार खाली न हो, तभी आगे का चरण चले।

समाधान: पाँच ठोस कदम

पहला, कच्चा इनपुट दोबारा देना। पूरा बॉडी टेक्स्ट या मूल लिंक। सबसे संभावित वजहें हैं पेवॉल, जावास्क्रिप्ट से बना पेज, अधूरा फ़ेच, या सिर्फ़ हेडलाइन का इनपुट।

दूसरा, क्लासिफायर को कम थ्रेशोल्ड पर दोबारा चलाना, छह से दस परस्पर-अनन्य क्रिकेट शैलियों के साथ, और साथ में कॉन्फ़िडेंस स्कोर माँगना।

तीसरा, हेडलाइन और लीड से ही न्यूनतम निष्कर्षण अनिवार्य करना। एक शीर्षक में भी इकाइयाँ और तारीख़ छिपी होती है। भरे हुए इनपुट से शून्य निष्कर्षण एक बग है, नतीजा नहीं।

चौथा, प्रोवेनेंस फ़ील्ड्स को पहले दर्जे का फ़ील्ड बनाना — प्रकाशक, बाइलाइन, प्रकाशन तिथि, लिंक। स्रोत की गुणवत्ता इन्हीं पर टिकी है।

पाँचवाँ, नोट्स टेम्पलेट सुधारना। हिदायतों वाली लाइनों की जगह असली मान या स्पष्ट खालीपन भरा जाए, ताकि खाली आउटपुट और बिन-भरा टेम्पलेट अलग-अलग पहचाने जा सकें।

न्यूज़रूम के लिए सबक

इस पूरे प्रकरण का एक ही बड़ा सबक है। किसी खबर का विषय पहचान लेना यह साबित नहीं करता कि खबर पढ़ी गई। एक कमज़ोर लेबल भी आत्मविश्वास से भरा लग सकता है, और वही आत्मविश्वास सबसे ज़्यादा नुकसान करता है — क्योंकि वह ऑपरेटर को यह भरोसा दे देता है कि सिस्टम ने कुछ देखा है, जबकि सिस्टम ने सिर्फ़ अंदाज़ा लगाया है।

क्रिकेट बीट की अपनी नाज़ुकियाँ हैं। मैच रिपोर्ट की उम्र घंटों में है। प्रीव्यू की ताज़गी टॉस तक ही है। चयन और चोट की खबरें पल भर में बासी हो जाती हैं। प्रशासनिक खबरें हफ़्तों चलती हैं। प्रोफ़ाइल और इतिहास सालों टिकते हैं। जो पाइपलाइन इन श्रेणियों में फ़र्क़ नहीं कर सकती, वह न्यूज़रूम के लिए सिर्फ़ शोर पैदा करती है — जानकारी नहीं।

और इस रिपोर्ट का सबसे असुविधाजनक सच यही है: यहाँ असली खबर एक क्रिकेट खबर नहीं, एक प्रक्रिया की खबर है। जिस खबर का विश्लेषण करने को कहा गया, उस पर कोई निष्कर्ष नहीं निकलता, क्योंकि वह सिस्टम तक पहुँची ही नहीं। इसलिए यहाँ कोई टीम नहीं है, कोई खिलाड़ी नहीं है, कोई स्कोर नहीं है। जो है, वह एक खाली टेम्पलेट है और उसके पीछे छिपी एक विफलता। उसे छिपाना पत्रकारिता नहीं होता; उसे बताना होता है।