फाइल खाली आई: cricket_asia का लेबल और उसके पीछे का सन्नाटा

शुक्रवार की दोपहर डेस्क पर जो फाइल खुली, उसका ढांचा पूरा था। चौदह कॉलम, हर कॉलम के सामने या तो N/A या खाली जगह। शीर्षक: N/A। स्रोत: N/A। प्रकार: Unclassified। एक-वाक्य सारांश: खाली। सूचना-बिंदु: शून्य। जो एकमात्र खाना भरा हुआ था, वह था domain_label — cricket_asia।

2026 में मैंने एक A-League ग्रैंड फाइनल 120 मिनट तक हाथ से चार्ट किया था — Sydney FC 1-1 Melbourne Victory, Allianz Stadium, shootout में 4-2। उस शीट में 14 कॉलम और 63 defensive-line entries थीं; हर entry के पीछे एक मिनट, एक खिलाड़ी और एक दिशा थी। आज जो शीट सामने है, उसमें कॉलम वही हैं, मिनट एक भी नहीं।

रिकॉर्ड और डेटा में यही फर्क है। रिकॉर्ड बताता है कि कुछ दर्ज हुआ था। डेटा बताता है क्या दर्ज हुआ, कब, और किसने कहा। इस फाइल में पहला मौजूद है, दूसरा गायब। और जब किसी फाइल में सब कुछ 'दर्ज' दिखे लेकिन कुछ भी 'कहा' न गया हो, तब पत्रकारिता का सबसे पुराना लालच सक्रिय हो जाता है: खाली जगह को कल्पना से भर देना, क्योंकि ढांचा तो पहले से खड़ा है। यह रिपोर्ट उसी लालच का मुकाबला है।

संदर्भ: पाइपलाइन के चार दरवाज़े, और तीसरे पर अटकी कहानी

किसी भी समाचार-निष्कर्षण प्रणाली में चार दरवाज़े होते हैं — fetch, extract, classify, analyse। पहला दरवाज़ा पेज लाता है, दूसरा उसमें से टेक्स्ट निकालता है, तीसरा उसे किसी खाने में डालता है, चौथा उस खाने से अर्थ निकालता है। जब शीर्षक, स्रोत और प्रकार तीनों फेल हों और सिर्फ़ domain_label पास हो, तो नतीजा एक ही निकलता है: क्लासिफायर चला, एक्सट्रैक्टर नहीं चला। यानी ऊपर की URL या टॉपिक मशीन ने फैसला कर लिया कि यह 'एशिया-क्षेत्र का क्रिकेट' है, लेकिन पेज के अंदर से एक भी वाक्य बाहर नहीं आया।

इसके चार सामान्य कारण हैं: पेवॉल, जावास्क्रिप्ट से बना पेज जिसका बॉडी सर्वर पर खाली मिलता है, ब्लॉक किया गया अनुरोध, या सचमुच खाली बॉडी। चारों में से किसी में भी लेख मौजूद नहीं है — यह 'अवर्गीकरणीय लेख' नहीं है, यह 'गुम लेख' है। और यही अंतर सबसे ज़्यादा नुकसान करता है, क्योंकि Unclassified लेबल दोनों को एक ही खाने में डाल देता है: वह लेख जिसे समझा नहीं जा सका, और वह लेख जो कभी आया ही नहीं।

क्रिकेट-एशिया का खाना अपने आप में बहुत चौड़ा है। इसमें BCCI, PCB और ACC की बोर्ड-राजनीति आती है, द्विपक्षीय शेड्यूलिंग आती है, IPL का अर्थशास्त्र आता है, ICC गवर्नेंस आता है, और महिला क्रिकेट की कवरेज-राजनीति भी आती है। इन पांचों का संभावित रुख अलग-अलग है। सिर्फ़ लेबल देखकर रुख का अनुमान लगाना अनुमान नहीं, पूर्वाग्रह है।

कोर: खाली शीट का फॉरेंसिक ऑडिट

शीर्षक N/A है — यानी लेख का कोई नाम नहीं, इसलिए कोई भी दावा जिसे हम शीर्षक से जोड़ सकें, मौजूद नहीं। स्रोत N/A है — यानी प्रकाशक, प्लेटफ़ॉर्म, विश्वसनीयता की कोई परत नहीं। प्रकार Unclassified है — यानी रिपोर्ट, विश्लेषण, एडवोकेसी और एग्रीगेशन के बीच का फर्क तय नहीं हुआ। सारांश खाली है — यानी एक वाक्य भी ऐसा नहीं जिसे हम जांच सकें। और सूचना-बिंदु शून्य हैं — यानी वह इकाई भी नहीं जिस पर कोई भी विश्लेषण खड़ा होता।

सबसे तीखी बात यह है कि एनालिसिस की मांगी गई सूची में एक निर्देश ऐसा है जो अपने आप में असंपादनीय है। 'Source Quality: judge from the source fields of the information points' — जब सूचना-बिंदु ही शून्य हैं, तो उनके स्रोत-फ़ील्ड कहां से आएंगे? यह एक हार्ड डिपेंडेंसी है जो खुद पर ही लटकी हुई है। ऐसे निर्देश किसी प्रणाली की सबसे बड़ी कमज़ोरी दिखाते हैं: वे मान लेते हैं कि पिछला चरण सफल रहा, और इस मान्यता को कहीं दर्ज नहीं करते।

दो कमज़ोर संकेत इस फाइल में बचे हैं, और दोनों निदान के लिए उपयोगी हैं, सामग्री के लिए नहीं।

पहला — domain_label: cricket_asia अकेला भरा हुआ है। यह रूटिंग लेबल है, सामग्री का सबूत नहीं। यह बताता है कि आइटम को किस डिब्बे में डाला गया, यह नहीं कि डिब्बे में क्या था।

दूसरा — फ़ील्ड-पूर्णता का पैटर्न। शीर्षक, स्रोत और प्रकार तीनों फेल, जबकि domain_label पास। यह संयोजन लगभग हमेशा एक ही कहानी कहता है: ऊपरी स्तर का क्लासिफायर चला, भीतरी स्तर का एक्सट्रैक्टर नहीं चला। अगर लेख सचमुच अवर्गीकरणीय होता, तो शीर्षक और स्रोत तो भरे मिलते — अवर्गीकरणीयता सामग्री होने पर ही संभव है, सामग्री के अभाव में नहीं।

इससे आगे का ढांचा जो तैयार है, वह कागज़ पर पूरा दिखता है, लेकिन हर हिस्सा किसी न किसी अनुपलब्ध चीज़ पर टिका है। मूल दावा और रुख — सूचना-बिंदुओं पर निर्भर, और वे शून्य हैं। उद्देश्य-वर्गीकरण — प्रकार और रुख पर निर्भर, दोनों अनुपलब्ध। एंटिटी ग्राफ़ — बोर्ड, टीम, खिलाड़ी, स्पॉन्सर, ब्रॉडकास्टर; बिंदु मिलते ही निकल आएगा, अभी कुछ नहीं। समय-संवेदनशीलता — प्रकाशन तिथि चाहिए, और क्रिकेट रिपोर्टिंग में तिथि सबसे ज़्यादा बंधी हुई चीज़ है: सीरीज़ विंडो, सेलेक्शन डेडलाइन, ICC बैठकों का चक्र। बिना तिथि वाला क्रिकेट आइटम अपने आप कम-विश्वास वाला होता है।

मेरी अपनी शीट पर एक 'क्या जांचा' वाला पैराग्राफ़ हमेशा होता है, और यहां वह छोटा है: मैंने शीर्षक, स्रोत, प्रकार, सारांश और सूचना-बिंदु — पांचों की जांच की; पांचों खाली मिले; domain_label की जांच की, वह भरा मिला; और यह तय किया कि लेबल से सामग्री का अनुमान नहीं लगाया जाएगा। 16 जून 2026 को कज़ान में फ्रांस 2-1 ऑस्ट्रेलिया के मैच में ग्रिज़मैन का 58वें मिनट का पेनल्टी वह पहला विश्व कप पेनल्टी था जो VAR से दिया गया — उस दिन मेरी चेकलिस्ट में एक पंक्ति थी: 'समीक्षा कौन शुरू करता है, और किस कैमरा एंगल से'। उस पंक्ति ने 40 मिनट में फाइल पूरी करा दी। आज की फाइल में वह पंक्ति भी है, लेकिन जिस चीज़ की समीक्षा होनी थी, वह मौजूद ही नहीं।

कंट्रेरियन: असली ब्लाइंड स्पॉट एक्सट्रैक्टर नहीं, एनालिस्ट का लालच है

सबसे आसान आरोप पाइपलाइन पर लगाना है। लेकिन खाली फाइल सिर्फ़ तकनीकी खराबी नहीं दिखाती; वह उस आदमी के बारे में भी कुछ कहती है जो उसे भरने बैठता है। एक पूरा ढांचा, जिसके हर खाने का नाम है, अपने आप एक निमंत्रण बन जाता है — क्योंकि जब खाने तैयार हों तो उन्हें भरना बुद्धिमानी लगता है, और खाली छोड़ना आलस।

मैंने 2026 की फाइल दोबारा खोली, और मॉडल सही सवाल का गलत जवाब दे रहा था। यहां भी वही हुआ: मॉडल ने रूटिंग का सवाल सही पकड़ा — 'यह किस खाने का है' — और असली सवाल छोड़ दिया, 'क्या यहां कोई लेख है ही'। जब तक यह दूसरा सवाल नहीं पूछा जाता, हर अगला चरण एक साफ़-सुथरी इमारत खड़ी करता है जिसकी नींव में कुछ नहीं है।

रूस ने मुझे सिखाया था कि चेकलिस्ट एक रेलिंग है, पिंजरा नहीं। आज वही सबक उलटी तरफ़ से लौटा है: ऐसी चेकलिस्ट जो एक खाली फाइल को पास कर दे, वह रेलिंग नहीं, पिंजरा है। 14-बिंदु वाली मेरी चेकलिस्ट में यह बिंदु नहीं था कि 'क्या भरने लायक कुछ है भी'। यही उस चेकलिस्ट का अपवाद है, और अपवाद दर्ज करने के लिए ही चेकलिस्ट होती है।

2026 में जब दर्शक चले गए थे, तब माइक्स ने वह पकड़ा जो शोर ढक लेता था — बैंकवेस्ट स्टेडियम में सिडनी FC बनाम मेलबर्न सिटी के ग्रैंड फाइनल में मैंने दूसरे हाफ में 38 सुनाई देने वाली सामरिक हिदायतें दर्ज की थीं, जिनमें 'second ball' ग्यारह बार दोहराया गया। खालीपन कभी-कभी सिग्नल दिखा देता है। लेकिन यहां सावधानी ज़रूरी है — खाली फाइल क्रिकेट के बारे में कोई सबूत नहीं है; वह सिर्फ़ हमारी प्रक्रिया के बारे में सबूत है। टेप धैर्य रखता है। वह तब तक इंतज़ार करता है जब तक आप चतुर होना बंद न कर दें।

पाइपलाइन के लिए दो सुधार, जो आगे की हर रिपोर्ट बचाएंगे

पहला — extraction_status फ्लैग। fetched / blocked / empty / parsed — चार अवस्थाएं, हर आइटम पर। आज Unclassified इन चारों को एक ही नाम देता है, और इसीलिए खाली आइटम Stage-2 में 'विश्लेषित' होने का दिखावा करते हुए घुस जाते हैं।

दूसरा — वैलिडेशन गेट। अगर सूचना-बिंदु = 0, तो रोकें और दोबारा कतार में डालें; deconstruction रिकॉर्ड जारी न करें। एक रिकॉर्ड जिसमें सारे खाने भरे दिखते हैं, सबसे खतरनाक रिकॉर्ड होता है, क्योंकि उसे बाद में कोई दोबारा नहीं जांचता।

टेकअवे: आगे क्या चाहिए, और अगला सवाल क्या है

आगे बढ़ने के लिए तीन में से कोई एक चीज़ काफ़ी है: स्रोत पाठ या उसके पहले लगभग 500 शब्द; एक काम करने वाला URL, या प्रकाशन का नाम और शीर्षक, या प्रकाशन तिथि; या कच्चा एक्सट्रैक्शन पेलोड — ताकि 'सामग्री नहीं थी' और 'सामग्री गिर गई' के बीच फर्क किया जा सके। अगर शीर्षक, स्रोत और एक भी सूचना-बिंदु मिल जाए, तो पूरा विश्लेषण चल सकता है।

असली सवाल यह है, और यह अगली बार डेस्क पर पूछा जाना चाहिए: हमारे पुरालेख में कितने 'Unclassified' आइटम असल में खाली फाइलें हैं, जिन्होंने बस एक लेबल पहन रखा है? जिस दिन हम यह गिन लेंगे, उस दिन पता चलेगा कि हमारी विश्लेषण-क्षमता का कितना हिस्सा कभी किसी लेख तक पहुंचा ही नहीं।