শূন্য তথ্যবিন্দুর পাঠ: ক্রিকেট ডেটা পাইপলাইনে নাল-রেজাল্ট শনাক্তের শৃঙ্খলা

সোমবার সকালে খুলনার ডেস্কে ফাইলটা খুলে প্রথমে ভেবেছিলাম স্ক্রলটা আটকে গেছে। শিরোনামের ঘরে লেখা ‘প্রযোজ্য নয়’, সূত্রের ঘরে ‘প্রযোজ্য নয়’, ধরন অশ্রেণীবদ্ধ। আর তথ্যবিন্দুর তালিকা—সম্পূর্ণ ফাঁকা। পাশে প্রস্তুত ছিল আট-মাত্রার বিশ্লেষণ কাঠামো: ফরম্যাট ও ম্যাচ, খেলোয়াড়ের কৌশল ও ডেটা, দলের অবস্থান ও র‍্যাঙ্কিং, লিগ ও বাণিজ্যিক বাস্তুসংস্থান, নিয়ম ও শাসন, ঝুঁকির ম্যাট্রিক্স, জনবয়ান ও প্রত্যাশার ব্যবধান, এবং শিল্প-প্রবাহ। প্রতিটি মাত্রার প্রতিটি ঘরের সামনে একটাই বৈধ উত্তর বসানো যায়—‘অপর্যাপ্ত তথ্য, মূল্যায়ন অসম্ভব’। খুলনায় ‘এক্সপেক্টেড ট্রুথ’ চালু করার সময় আমি ভেবেছিলাম সবচেয়ে কঠিন কাজ হবে মডেলকে ভুল প্রমাণিত হতে দেখা। ভুল ছিলাম। মডেল ভুল প্রমাণিত হলে অন্তত একটা সংখ্যা থাকে, একটা নমুনা-উইন্ডো থাকে, একটা সংজ্ঞা থাকে—যার বিরুদ্ধে নিজেকে যাচাই করা যায়। সবচেয়ে কঠিন মুহূর্ত হলো যখন কোনো সংখ্যাই আসে না, আর ডেস্কের চাপ থাকে একটা বিশ্বাসযোগ্য গল্প জোগানোর। সেদিন সেই চাপ স্পষ্ট টের পেয়েছি। ফাঁকা ফাইলটা ক্রিকেটের, আর ক্রিকেট-সাংবাদিকতার বাজার এমন এক জায়গা যেখানে শূন্যতা দ্রুত ভরে যায়। একটা নাম, একটা র‍্যাঙ্কিং, একটা দাম, একটা ইনজুরির গুজব—যে কোনো একটা বসালেই ফাইলটা ‘সম্পূর্ণ’ দেখাতে শুরু করে। আমি সেটা করিনি। এই লেখাটা সেই না-করার কারণ, পদ্ধতি, এবং সেখান থেকে বেরিয়ে আসা একটি প্রকৌশল-প্রস্তাবের বিবরণ। কাঠামোটা কীভাবে কাজ করে, সেটা আগে স্পষ্ট করা দরকার। প্রথম ধাপে একটি নিবন্ধ থেকে কয়েকটি জিনিস টেনে বের করা হয়: শিরোনাম, সূত্র, প্রকাশের তারিখ, নিবন্ধের ধরন, এক-বাক্যে সারমর্ম, লেখকের অবস্থান, উদ্দেশ্য, তথ্যবিন্দুর তালিকা, সংশ্লিষ্ট সত্তা, সময়-সংবেদনশীলতা, সূত্রের মান এবং ডোমেইন লেবেল। এর মধ্যে ‘তথ্যবিন্দু’ হলো পরমাণু—প্রতিটি বিন্দু একটি আলাদা যাচাইযোগ্য দাবি। দ্বিতীয় ধাপে আটটি মাত্রায় সেই বিন্দুগুলোকে সাজানো হয়। শর্ত একটাই এবং অলঙ্ঘনীয়: দ্বিতীয় ধাপের প্রতিটি সিদ্ধান্তকে প্রথম ধাপের কোনো না কোনো তথ্যবিন্দু উদ্ধৃত করতে হবে। উদ্ধৃতির ভিত্তি না থাকলে সিদ্ধান্ত নয়, ঘোষণা করা হয়—‘মূল্যায়ন করা যায়নি’। এই কঠোরতা আত্মতৃপ্তির জন্য নয়। ক্রিকেট বিশ্লেষণের একটি পরিচিত ব্যর্থতা-মোড আছে, আর সেটা হলো সাবলীল বানানো। স্কোরকার্ডের ভাষা এতটাই পরিচিত যে ভুল সংখ্যাও বিশ্বাসযোগ্য শোনায়। ২০১৭ সালে আবাহনী লিমিটেড ঢাকার শিরোপা-অভিযানে আমি ২৬ দশমিক ৮ এক্সজি-র বিপরীতে ৩৪ গোল পেয়েছিলাম, অর্থাৎ ৭ দশমিক ২-এর অতিরিক্ত-প্রদর্শন। ২০১৮ রাশিয়া বিশ্বকাপে ক্রোয়েশিয়ার সাত ম্যাচে ৯ দশমিক ৬ এক্সজি থেকে ১৪ গোল, ৪ দশমিক ৪-এর ব্যবধান, আর লুকা মদরিচের ৭২ দশমিক ৩ কিলোমিটার দৌড়। ২০২০ সালে দর্শকশূন্য বুন্দেসলিগার ৮৩ ম্যাচে ঘরের দলের প্রতি ম্যাচে পয়েন্ট ১ দশমিক ৫৪ থেকে ১ দশমিক ২১-এ নামে, গড় গোল ৩ দশমিক ১ থেকে ২ দশমিক ৭-তে, আর বায়ার্ন মিউনিখের পিপিডিএ ৭ দশমিক ২ থেকে ৬ দশমিক ৪-এ সংকুচিত হয়। এই সংখ্যাগুলো উদ্ধৃতযোগ্য, কারণ প্রতিটির সঙ্গে একটা তারিখ, একটা নমুনা-উইন্ডো, একটা সংজ্ঞা এবং একটা সংরক্ষিত নোট আছে। শিকড়: ২০১৭, খুলনা—একজন ডেটা মঙ্কের যাত্রা। সেই যাত্রার প্রথম পাঠ ছিল এই—সংখ্যাগুলো মডেল ভাঙেনি; তারা দেখিয়েছে মডেল কোথায় অন্ধ। ২০২০-এর পাঠ ছিল দ্বিতীয়—শিকড়: ২০২০, বিশ্বব্যাপী বিরতি ও ফাঁকা স্টেডিয়াম; সেখান থেকে শিখেছি প্রেক্ষাপট বদলালে সূচকও বদলাতে হয়। ফাঁকা ফাইলের ঘটনা তৃতীয় পাঠটা দিল: ডেটা না এলে সূচক বানানোর আগে পাইপলাইনের অবস্থা জানতে হয়। আট-মাত্রার কাঠামোর প্রথম শর্ত হলো সূত্রের স্বচ্ছতা। কোনো সিদ্ধান্ত উদ্ধৃতি ছাড়া টেকে না। দ্বিতীয় শর্ত হলো নাল হ্যান্ডলিং—প্রমাণ না থাকলে অনুমান নয়, ঘোষণা। তৃতীয় শর্ত হলো ফরম্যাট শৃঙ্খলা: টেস্ট, ওয়ানডে, টি-টোয়েন্টি বা দ্য হান্ড্রেড—কোনো মেট্রিক উদ্ধৃত করার আগে তার ফরম্যাট-প্রেক্ষাপট স্থির হতে হবে। টি-টোয়েন্টির স্ট্রাইক রেট দিয়ে টেস্টের সামর্থ্য প্রমাণ করা যায় না; এটা এই কাঠামোর সবচেয়ে পুরোনো নিষেধ। চতুর্থ শর্ত, নমুনার আকার এবং বাড়তি-প্রদর্শনের মধ্যে পার্থক্য বজায় রাখা। পঞ্চম, ঝুঁকি আগে—ক্রিকেটীয় ঝুঁকির আগে তথ্য-সরবরাহের ঝুঁকি। এখন ফাইলটার ভেতরে যা ছিল, সেটা সৎভাবে লিখি। ছিল না—এটাই ছিল। আর সেটা নিজেই একটি ডেটা। প্রথম সংকেত: তথ্যবিন্দুর তালিকা শূন্য। এটা ‘দুর্বল প্রমাণ’ নয়, ‘প্রমাণের অনুপস্থিতি’। পার্থক্যটা গুরুত্বপূর্ণ। দুর্বল প্রমাণে সিদ্ধান্ত দেওয়া যায় কম আত্মবিশ্বাসে; প্রমাণের অনুপস্থিতিতে সিদ্ধান্ত দেওয়া যায় না আদৌ। দ্বিতীয় সংকেত: শিরোনাম অনুপস্থিত, সূত্র অনুপস্থিত, ধরন অশ্রেণীবদ্ধ। অর্থাৎ নিবন্ধটি সংবাদ, বিশ্লেষণ, নিলাম-প্রতিবেদন নাকি ম্যাচ-রিপোর্ট—কোনোটা নির্ধারণের উপায় নেই। তৃতীয় সংকেত: ডোমেইন লেবেল হিসেবে ‘ক্রিকেট_এশিয়া’ বসানো, যেখানে কাঠামো ‘ক্রিকেট’ প্রত্যাশা করে। এটা ভৌগোলিক উপ-ট্যাগ, ডোমেইন ক্ষেত্রের বাসিন্দা নয়। চতুর্থ সংকেত: সত্তা-নিষ্কাশন শূন্য। পাঁচ নম্বর সংকেত: ফরম্যাট ট্যাগ অনুপস্থিত, ফলে যেকোনো পরিমাণগত সিদ্ধান্ত স্বয়ংক্রিয়ভাবে অবরুদ্ধ। এই পাঁচটি সংকেত একসঙ্গে পড়লে একটা কাঠামোগত উপসংহারে পৌঁছানো যায়। প্রথম ধাপকে নির্দেশ দেওয়া হয়েছিল সত্তা চিহ্নিত করতে ‘উপরের তথ্যবিন্দু থেকে’। তথ্যবিন্দু শূন্য। ফলে ব্যর্থতাটা একটি ঘরের ব্যর্থতা নয়, জলপ্রপাতের মতো নিচে নামা একটি কাঠামোগত ব্যর্থতা। এর মানে মেরামতের পথও পরিষ্কার: দ্বিতীয় ধাপে প্যাচ দিয়ে কাজ হবে না, প্রথম ধাপ আবার চালাতে হবে। এখানেই আসল ঝুঁকিটা, আর সেটা ক্রিকেটীয় নয়, জ্ঞানতাত্ত্বিক। ফাঁকা প্রমাণের ভিত্তিতে যদি কেউ আট-মাত্রার কাঠামো পূরণ করতে বসে, সে বানিয়ে ফেলবে র‍্যাঙ্কিং, বানিয়ে ফেলবে নিলামের প্রিমিয়াম, বানিয়ে ফেলবে ইনজুরি-সতর্কতা। আর সেই বানানো বিশ্লেষণ দেখতে হবে ঠিক এই লেখার মতোই—পরিচ্ছন্ন, আত্মবিশ্বাসী, উদ্ধৃতিসহ। বিপদটা খারাপ ডেটায় নয়; বিপদটা সাবলীল ডেটায়। একটা উদাহরণ দিই। ‘ওভারভ্যালুয়েড’, ‘ন্যায্য’, ‘আন্ডারভ্যালুয়েড’—এই তিন শ্রেণিতে ফেলতে গেলে দরকার দাম, খেলোয়াড় এবং পার্সের প্রেক্ষাপট। তিনটার কোনোটাই নেই। তা সত্ত্বেও কেউ যদি লিখে ফেলে ‘স্থানীয় তরুণ তারকার প্রিমিয়াম’, সেটা বিশ্লেষণ হবে না—সেটা হবে অনুমানের সাজ। একইভাবে, কোনো দল বা খেলোয়াড়ের নাম না থাকলে ঘরের মাঠের সুবিধা, টসের ভাগ্য, ডাকউর্থ-লুইস-স্টার্নের প্রভাব—এসব সমন্বয়ের প্রশ্নই ওঠে না। আরও সূক্ষ্ম একটি জায়গা আছে, যেটা ক্রিকেটে সবচেয়ে বেশি ভুল পড়া হয়। সততা-স্ক্রিনিং। দুর্নীতি-ঝুঁকির সংকেত আছে কি না, তা দেখার একটি প্রথা আছে—ম্যাচ-ফিক্সিং সংক্রান্ত সতর্কতা, অস্বাভাবিক বাজি-প্রবাহ, যোগাযোগের অস্বাভাবিকতা। ক্রিকেটের প্রকৃতিতে নীরব একটি নথিও অর্থবহ হতে পারে। কিন্তু যে নথি পড়াই যায়নি, তার নীরবতার কোনো ওজন নেই। অনুপস্থিত লেখায় অভিযোগের অনুপস্থিতি কোনো নির্দোষতার প্রমাণ নয়। তাই এই রেকর্ডে লিখতে হবে ‘স্ক্রিন করা হয়নি’—কখনোই ‘পরিষ্কার’ নয়। আমি আউটলায়ারের পেছনে ছুটি না; তাকে স্বীকারোক্তি দেওয়া পর্যন্ত অনুসরণ করি। এখানে আউটলায়ারটা কোনো খেলোয়াড় নয়, ফাইলটা নিজেই। স্বাভাবিক অবস্থায় প্রকাশযোগ্য দৈর্ঘ্যের একটি ক্রিকেট নিবন্ধ থেকে অন্তত একটি সত্তা এবং একটি দাবি বেরোয়—এটাই ভিত্তিহার। ভিত্তিহার থেকে যে বিচ্যুতি দেখা গেল, তা নিবন্ধের দোষ নয়, সংগ্রহের দোষ। লোভনীয় ব্যাখ্যাটা হলো ‘নিবন্ধটা সম্ভবত আবর্জনা ছিল’। কিন্তু একটি নমুনা দিয়ে সিস্টেম ব্যাখ্যা করা ঠিক সেই ভুল, যেটা আমি একুশ বছর ধরে এড়িয়ে চলেছি। সমাধানটা সস্তা এবং দ্রুত। প্রথমত, প্রথম ধাপে একটি পূর্ণতা-গেট বসানো। শূন্য তথ্যবিন্দু অথবা অনুপস্থিত শিরোনাম—স্বয়ংক্রিয়ভাবে প্রত্যাখ্যান এবং পুনরায় সংগ্রহ। দ্বিতীয়ত, ডোমেইন লেবেলের সঙ্গতি পরীক্ষা: নিয়ন্ত্রিত শব্দভাণ্ডারের বাইরে কোনো লেবেল এলে সেটি স্কিমা-ড্রিফটের সংকেত, এবং সংগ্রহ-স্তরে অডিট দরকার। তৃতীয়ত, সত্তা-নিষ্কাশনের ফলন গণনা—দুইয়ের কম সত্তা মানে ট্রাঙ্কেশন বা পেওয়াল অনুমান। চতুর্থত, ফরম্যাট ট্যাগের উপস্থিতি বাধ্যতামূলক; না থাকলে কোনো পরিমাণগত সিদ্ধান্ত প্রকাশ করা যাবে না। পঞ্চমত, একই সংগ্রহের সময়estamp ভাগ করা রেকর্ডগুলোর ব্যর্থতা-হার দেখা—একই ব্যাচে একাধিক ব্যর্থতা মানে একক ঘটনা নয়, সিস্টেমিক ত্রুটি। পুনরুদ্ধারের জন্য ন্যূনতম ইনপুটও সংজ্ঞায়িত করা দরকার: শিরোনাম, সূত্র ও প্রকাশের তারিখ; অন্তত তিন থেকে পাঁচটি আলাদা তথ্যবিন্দু; ফরম্যাট ট্যাগ এবং ম্যাচের ধরন; নামযুক্ত সত্তা—দল, খেলোয়াড়, কোচ, ফ্র্যাঞ্চাইজি, প্রতিযোগিতা; মূল নিবন্ধে থাকা যেকোনো পরিমাণগত উপাত্ত, প্রতিটির ফরম্যাট-প্রেক্ষাপটসহ; এবং লেখকের অবস্থান, যাতে প্রতিবেদন ও মন্তব্যের পার্থক্য রাখা যায়। এখন প্রশ্নটা ঘুরিয়ে দেখা দরকার। যে পাইপলাইন ফাঁকা ফাইল দেয়, সেটা কি ব্যর্থ, নাকি সেটাই একমাত্র সৎ অংশটা? শিল্পের অর্থনীতি সৎ নীরবতাকে শাস্তি দেয়। প্যানেলে যে বিশ্লেষক ‘জানি না’ বলেন, তিনি দ্রুত ‘দুর্বল’ তকমা পান; যিনি আত্মবিশ্বাসে একটি নাম বলে দেন, তিনি দ্রুত ক্লিপ হন। এই প্রণোদনা-কাঠামোতেই সাবলীল বানানোর সংস্কৃতি জন্মায়। তাই ফাঁকা ফাইলটা আসলে একটি আয়না—সেটা পাইপলাইনের ব্যর্থতা দেখায়, আর আমাদের পেশার একটি পুরোনো অভ্যাসও দেখায়। বিপরীত দিকটাও স্বীকার করতে হয়। অতিরিক্ত কঠোর পূর্ণতা-গেটও ক্ষতি করতে পারে। ১২০ শব্দের একটি স্কোর-স্নিপেটে দুটি সত্তা থাকা স্বাভাবিক, পাঁচটি নয়। গেট যদি ‘তিনের কম তথ্যবিন্দু মানেই প্রত্যাখ্যান’ নিয়ম করে বসে, তাহলে বৈধ সংক্ষিপ্ত খবরও হারাবে। তাই থ্রেশহোল্ড নির্দিষ্ট করতে হবে আগেই: শূন্য বিন্দু বা অনুপস্থিত শিরোনাম—প্রত্যাখ্যান; এক থেকে দুই বিন্দু—পতাকা তুলে রাখো, প্রত্যাখ্যান নয়; দুইয়ের কম সত্তা—পুনঃসংগ্রহের অনুরোধ। আর একটি না-পুনরুদ্ধার দৃশ্যও লিখে রাখতে হবে: সূত্র যদি সরিয়ে নেওয়া হয় বা ডি-ইনডেক্স হয়ে যায়, তাহলে ফাইলটা স্থায়ীভাবে অলভ্য থাকবে—সেক্ষেত্রে রেকর্ডে ‘অপুনরুদ্ধারযোগ্য নয়’ লিখে বন্ধ করতে হবে, কল্পনা দিয়ে ভরাট নয়। প্রত্যাশিত সত্য কোনো রায় নয়; এটি একটি অপেক্ষমাণ প্রশ্ন। এই ফাইলটা সেই প্রশ্নটা খোলা রেখে দিল, এবং সেটাই তার একমাত্র ব্যবহারযোগ্য অবদান। সামনের রাউন্ডে পাঁচটি সংকেত আমি নজরে রাখব: প্রথম ধাপের পূর্ণতা, ডোমেইন লেবেলের সঙ্গতি, সত্তা-নিষ্কাশনের ফলন, ফরম্যাট ট্যাগের উপস্থিতি, এবং ব্যাচভিত্তিক ব্যর্থতার ক্লাস্টারিং। এগুলোর কোনোটাই দর্শককে উত্তেজিত করবে না। কিন্তু একটি সংবাদমাধ্যম কতটা সৎ, সেটা তার হেডলাইন দিয়ে বোঝা যায় না—বোঝা যায়, তার ফাঁকা ঘরগুলোতে সে কী লেখে, তা দিয়ে। আর যদি পরের বারও ফাইলটা ফাঁকা আসে? প্রশ্নটা থেকে যায়—আমরা কি সংখ্যাগুলোকে বিশ্বাস করি, নাকি সংখ্যার অনুপস্থিতিকেও সম্মান করতে শিখেছি?