হকি বিশ্লেষণ পাইপলাইনে প্রথম ধাপেই শূন্য ফলাফল: ত্রুটির লক্ষণ, কারণ ও সংশোধনের পথ

একটি স্বয়ংক্রিয় কনটেন্ট বিশ্লেষণ ব্যবস্থা যখন কোনো নিবন্ধ প্রক্রিয়া করার দাবি করে, ব্যবহারকারী স্বাভাবিকভাবেই ধরে নেন যে ব্যবস্থাটি নিবন্ধটি পড়েছে এবং বুঝেছে। বাস্তবে যা ফিরে এসেছে তা প্রায় সম্পূর্ণ ফাঁকা একটি রিপোর্ট: কেবল একটি ক্ষেত্র পূরণ হয়েছে, Domain Label: hockey। শিরোনাম নেই, সূত্র নেই, নিবন্ধের ধরন নেই, এক বাক্যের সারমর্ম নেই, লেখকের অবস্থান নেই, নিবন্ধের উদ্দেশ্য নেই, তথ্যবিন্দুর তালিকা শূন্য। এই অবস্থায় দ্বিতীয় ধাপে গভীর বিশ্লেষণ শুরু করা কার্যত অসম্ভব। জোর করে করতে গেলে যা তৈরি হয় তা বিশ্লেষণ নয়, বানানো গল্প। দুই ধাপের কাঠামো এবং প্রথম ধাপের নির্ভরশীলতা এই ব্যবস্থাটি দুটি ধাপে চলে। প্রথম ধাপে কাঁচা নিবন্ধ থেকে কাঠামোবদ্ধ তথ্য বের করা হয় — শিরোনাম, সূত্র, ধরন, সারমর্ম, লেখকের অবস্থান, উদ্দেশ্য, তথ্যবিন্দু, সম্পৃক্ত সত্তা এবং সময়-সংবেদনশীলতা। দ্বিতীয় ধাপে সেই কাঠামোর উপর ভিত্তি করে যুক্তি, পক্ষপাত, দুর্বলতা ও প্রেক্ষাপট বিশ্লেষণ করা হয়। দ্বিতীয় ধাপ সম্পূর্ণভাবে প্রথম ধাপের উপর নির্ভরশীল। প্রথম ধাপে শূন্য থাকলে দ্বিতীয় ধাপে কোনো ইনপুটই থাকে না। এখানে যে ফলাফলটি পাওয়া গেছে, সেটি ব্যাখ্যা করা যায় দুটি ভিন্ন উপায়ে। প্রথম ব্যাখ্যা: নিবন্ধটি সত্যিই কোনো বক্তব্য বা তথ্য ধারণ করে না। দ্বিতীয় ব্যাখ্যা: নিবন্ধটি সিস্টেমে পৌঁছেইনি, অথবা পৌঁছেছে কিন্তু পড়া যায়নি। শিরোনাম ও সূত্র — এই দুটি ক্ষেত্র একসাথে খালি থাকা দ্বিতীয় ব্যাখ্যার দিকেই জোরালো ইঙ্গিত দেয়। বাস্তব জগতে কোনো প্রকাশিত নিবন্ধের শিরোনাম ও সূত্র দুটোই অনুপস্থিত থাকার ঘটনা অত্যন্ত বিরল; অথচ সংগ্রহ বা পার্সিং ব্যর্থ হলে এই দুটি ক্ষেত্রই প্রথমে খালি হয়। কোন কোন ক্ষেত্র খালি, এবং প্রতিটি কেন গুরুত্বপূর্ণ শিরোনাম ও সূত্র। শিরোনাম নিবন্ধের ধরন নির্ধারণে প্রথম সূত্র। একটি শিরোনাম দেখেই বোঝা যায় এটি ম্যাচ প্রতিবেদন, Tactical Analysis, Transfer Rumor, Injury Update, Data Report নাকি Opinion Column। সূত্র নির্ধারণ করে তথ্যের বিশ্বাসযোগ্যতা। লিগের অফিসিয়াল ঘোষণা, ক্লাবের প্রেস রিলিজ, নামকরা সাংবাদিকের প্রতিবেদন, ব্লগ পোস্ট আর কনটেন্ট এগ্রিগেটর — এদের প্রত্যেকের জন্য আলাদা যাচাইমানদণ্ড প্রয়োজন। শিরোনাম ও সূত্র ছাড়া এই মানদণ্ড প্রয়োগ করা অসম্ভব। নিবন্ধের ধরন (Article Type)। ধরন নির্ধারিত না হলে বিশ্লেষণের কাঠামোও নির্ধারিত হয় না। সংবাদ প্রতিবেদনে যাচাই করতে হয় তথ্যের নির্ভুলতা। Tactical Analysis-এ যাচাই করতে হয় যুক্তির ধারাবাহিকতা ও দৃশ্যমান প্রমাণের সঙ্গে মিল। Transfer Rumor-এ যাচাই করতে হয় দাবির উৎস কে, দাবিটি কতবার পুনরাবৃত্ত হয়েছে এবং কে তা অস্বীকার করেছে। Opinion Column-এ যাচাই করতে হয় লেখকের স্বার্থের সংঘাত আছে কি না। একই নিবন্ধকে ভুল কাঠামোয় যাচাই করলে ফলাফল ভুল হয়। এক বাক্যের সারমর্ম (One-sentence Summary)। এটি পুরো বিশ্লেষণের কেন্দ্রবিন্দু। নিবন্ধের মূল দাবি না জানলে যুক্তি মূল্যায়ন করা যায় না, দাবি সত্য না মিথ্যা তা বিচার করা যায় না, এমনকি প্রাসঙ্গিকতা নির্ধারণও করা যায় না। সারমর্ম খালি থাকা মানে বিশ্লেষণের লক্ষ্যই অনুপস্থিত। লেখকের অবস্থান (Author Stance)। সাংবাদিকতার দাবিদার নিবন্ধেও থাকে — কোন তথ্য সামনে আনা হয়েছে, কোনটি বাদ দেওয়া হয়েছে, কোন শব্দ নির্বাচন করা হয়েছে, কার বক্তব্য উদ্ধৃত হয়েছে আর কার নয়। অবস্থান চিহ্নিত না করে পক্ষপাত বা বিশ্বাসযোগ্যতা নিয়ে মন্তব্য করা যায় না। নিবন্ধের উদ্দেশ্য (Article Purpose)। উদ্দেশ্য তথ্য প্রদান, পাঠককে Persuade করা, বিনোদন দেওয়া, অথবা কোনো পক্ষকে সমর্থন করা — হতে পারে। উদ্দেশ্য না জানলে সাফল্যের মাপকাঠিও জানা যায় না। তথ্যবিন্দু (Information Points)। এগুলিই বিশ্লেষণের ক্ষুদ্রতম একক। প্রতিটি তথ্যবিন্দু আলাদাভাবে যাচাইযোগ্য হওয়া উচিত — কে বলেছে, কখন বলেছে, কোন প্রেক্ষাপটে বলেছে। তালিকা শূন্য মানে বিশ্লেষণের কোনো এককই নেই, শুধু একটি ফাঁকা কাঠামো আছে। সম্পৃক্ত সত্তা (Entities Involved)। ক্লাব, খেলোয়াড়, কোচ, লিগ, প্রতিযোগিতা, এমনকি নির্দিষ্ট মাঠ বা ঘটনা — এসব চিহ্নিত না হলে কোনো তথ্যবিন্দুকে প্রেক্ষাপটে বসানো যায় না। এই ক্ষেত্রটি নির্ভরশীল — তথ্যবিন্দু না থাকলে এটি কোনোদিনই পূরণ হবে না। সময়-সংবেদনশীলতা (Time Sensitivity)। এই ক্ষেত্রটি কোনো ফাঁকা তালিকায় রাখা যায় না, কারণ এটি মূল্যায়ন করে একটি সুনির্দিষ্ট প্রশ্নের উত্তর: এই নিবন্ধের তথ্য কতদিন বৈধ থাকবে? হকিতে এই প্রশ্নের গুরুত্ব অস্বাভাবিক রকম বেশি। মৌসুমের মাঝপথে একটি চোটের খবর কয়েক ঘণ্টার মধ্যেই পুরনো হয়ে যায়। Transfer Deadline-এর আগে ছড়ানো একটি গুজব পরের দিনই ভুল প্রমাণিত হতে পারে। Regular Season-এর একটি পরিসংখ্যান Playoff-এ সম্পূর্ণ ভিন্ন অর্থ বহন করে। হকি কেন বিশেষভাবে সংবেদনশীল হকি এমন একটি খেলা যেখানে তথ্যের সময়সীমা অত্যন্ত সংকীর্ণ। প্রথমত, মৌসুম দীর্ঘ এবং তার মাঝে Transfer Deadline, Free Agency, Trade Deadline-এর মতো সুনির্দিষ্ট সময়সীমা থাকে। কোনো নিবন্ধে 'সম্ভাব্য ট্রেড' উল্লেখ থাকলে সেটি Deadline-এর আগে না পরে লেখা হয়েছে — এই পার্থক্য দাবিটির সম্পূর্ণ অর্থ বদলে দেয়। দ্বিতীয়ত, চোট ও Injury Reserve-সংক্রান্ত তথ্য দ্রুত পরিবর্তিত হয়। কোনো খেলোয়াড় 'দিন-দিন ভিত্তিতে' মূল্যায়নাধীন আছেন — এমন বাক্য কয়েক দিন পরেই অপ্রাসঙ্গিক হয়ে পড়ে। সময় নির্ধারণ না করে এমন তথ্য ব্যবহার করলে বিশ্লেষণ ভুল সিদ্ধান্তে পৌঁছায়। তৃতীয়ত, Salary Cap ও Roster Move-সংক্রান্ত তথ্য জটিল এবং একাধিক নির্ভরশীল নিয়মের অধীন। এই ধরনের কোনো দাবি যাচাই করতে হলে League Year-এর কোন পর্যায়ে দাবিটি করা হয়েছে তা জানা আবশ্যক। চতুর্থত, হকির পরিসংখ্যান পদ্ধতিতে অস্পষ্টতা আছে — Primary Assist বনাম Secondary Assist, Shot Attempt বনাম Shot on Goal, Expected Goals মডেলের ভিন্ন ভিন্ন সংজ্ঞা। সময় ও সংজ্ঞা নির্ধারণ না করে সংখ্যা বিশ্লেষণ করলে ফলাফল বিভ্রান্তিকর হয়। ত্রুটির সম্ভাব্য উৎস শিরোনাম ও সূত্র একসাথে খালি, ধরন অশ্রেণীবদ্ধ, সারমর্ম খালি, তথ্যবিন্দুর তালিকা শূন্য — এই সমন্বয় নিবন্ধের 'বিষয়বস্তুহীনতা'র প্রমাণ নয়, বরং Pipeline-এর ব্যর্থতার লক্ষণ। সম্ভাব্য উৎসগুলো ভাগ করা যায় কয়েকটি স্তরে। সংগ্রহ স্তরে (Ingestion)। URL ভুল হয়েছে, Page Blocked হয়েছে, Paywall বা CAPTCHA-র কারণে HTML পাওয়া যায়নি, অথবা Redirect Chain অনুসরণ করা হয়নি। পার্সিং স্তরে (Parsing)। HTML পাওয়া গেছে কিন্তু Article Body Selector আর মেলেনি — সাইটের টেমপ্লেট বদলেছে, JavaScript দিয়ে রেন্ডার হওয়া কনটেন্ট Static Parser ধরতে পারেনি, অথবা Encoding Problem-এ অক্ষর ভেঙে গেছে। নিষ্কাশন স্তরে (Extraction)। কনটেন্ট পাওয়া গেছে কিন্তু Extraction Model কিছুই বের করতে পারেনি — সম্ভবত ইনপুট প্রত্যাশার চেয়ে অনেক ছোট ছিল, অথবা ভাষা শনাক্তকরণ ভুল হয়েছে। স্কিমা স্তরে (Schema Validation)। সবচেয়ে গুরুত্বপূর্ণ পর্যবেক্ষণ: ব্যবস্থাটি ফাঁকা ফলাফলকে 'সফল আউটপুট' হিসেবে ফেরত দিয়েছে। অর্থাৎ Pipeline-এ কোনো Validation Gate ছিল না যা শূন্য ক্ষেত্রের সংখ্যা গুনে সতর্কতা দিত। Domain Label পূরণ হয়েছে — সম্ভবত এটি আলাদা কোনো শ্রেণীবিভাগকারী মডেল থেকে এসেছে, নিবন্ধের বিষয়বস্তু থেকে নয়। এই একটি ক্ষেত্র পূরণ থাকায় সিস্টেমের Status 'Success' হয়েছে, অথচ প্রকৃত কাজ হয়নি। কীভাবে যাচাই করবেন প্রথম ধাপে মূল নিবন্ধটি আবার সংগ্রহ করা প্রয়োজন। ব্রাউজারে URL সরাসরি খুলে দেখা উচিত শিরোনাম ও মূল লেখা আসছে কি না। আসলে সমস্যাটি পার্সিং স্তরে। না আসলে সমস্যাটি Ingestion স্তরে — Paywall, Login Wall বা ভুল লিংক। দ্বিতীয় ধাপে Raw HTML সেভ করে দেখা উচিত Article Body আসলে HTML-এ উপস্থিত আছে কি না। উপস্থিত থাকলে Selector ঠিক করা। অনুপস্থিত থাকলে Headless Browser দিয়ে রেন্ডার করে নেওয়া। তৃতীয় ধাপে Extraction Layer আলাদাভাবে চালিয়ে দেখা উচিত শুধু শিরোনাম বের করতে পারে কি না। একটি ক্ষেত্রও যদি বের না হয়, সমস্যা নিশ্চিতভাবে Extraction-এ। চতুর্থ ধাপে একই নিবন্ধ ভিন্ন একটি সূত্র থেকে (আয়না বা সিন্ডিকেটেড সংস্করণ) চালিয়ে দেখা উচিত আউটপুট ভিন্ন হয় কি না। ভিন্ন হলে সমস্যাটি নির্দিষ্ট সাইটের Markup-নির্ভর। সর্বনিম্ন ইনপুট: তিনটি বিকল্প বিকল্প এক — মূল লেখা বা লিংক। Pipeline আবার প্রথম ধাপ থেকে চালানো যাবে এবং প্রকৃত বিশ্লেষণ শুরু করা যাবে। এটি সর্বোত্তম পথ, কারণ এটি ত্রুটিটি আসলে সংগ্রহে না বিশ্লেষণে তা নির্ধারণ করবে। বিকল্প দুই — তথ্যবিন্দুর তালিকা। প্রতিটি বিন্দুর সঙ্গে সূত্র উল্লেখ থাকলে কমপক্ষে পাঁচ থেকে দশটি বিন্দু থেকেই মূল দাবি, লেখকের অবস্থান ও সম্ভাব্য পক্ষপাত অনুমান করা সম্ভব। তবে শিরোনাম ও ধরন ছাড়া বিশ্লেষণটি সীমিত থাকবে। বিকল্প তিন — শিরোনাম, সূত্র ও সংক্ষিপ্ত সারমর্ম। এতে একটি সীমিত বিশ্লেষণ সম্ভব — ধরন নির্ধারণ, মূল দাবি চিহ্নিতকরণ, এবং স্পষ্ট তথ্যগত বা যৌক্তিক ঝুঁকি চিহ্নিতকরণ। কিন্তু কোনো তথ্যের অনুপ্রস্থ যাচাই (Cross-verification) সম্ভব নয়। প্রক্রিয়া উন্নয়নের প্রস্তাব প্রথম প্রস্তাব — শূন্য ক্ষেত্র গণনার ভিত্তিতে Validation Gate। যদি বাধ্যতামূলক ক্ষেত্রগুলোর (শিরোনাম, সূত্র, সারমর্ম, তথ্যবিন্দু) অর্ধেকের বেশি খালি থাকে, Status 'Success' নয় বরং 'Incomplete' হবে এবং তা স্পষ্টভাবে রিপোর্ট হবে। দ্বিতীয় প্রস্তাব — Domain Label-কে কখনোই সফলতার একমাত্র সূচক হিসেবে গণ্য না করা। শ্রেণীবিভাগকারী মডেল নিবন্ধ না পড়েই 'hockey' বলতে পারে। তাই Domain Label আলাদা করে 'কনটেন্ট থেকে প্রাপ্ত' এবং 'পূর্বানুমান থেকে প্রাপ্ত' হিসেবে চিহ্নিত হওয়া উচিত। তৃতীয় প্রস্তাব — ন্যূনতম দৈর্ঘ্যের প্রাক-যাচাই। সংগৃহীত টেক্সট একটি নির্দিষ্ট সীমার চেয়ে ছোট হলে Extraction চালানোর আগেই তা প্রত্যাখ্যান করা উচিত। চতুর্থ প্রস্তাব — Fallback Chain। মূল সাইটে ব্যর্থ হলে সিন্ডিকেটেড বা আর্কাইভ কপি থেকে সংগ্রহের চেষ্টা। পঞ্চম প্রস্তাব — স্বয়ংক্রিয় সতর্কতা। একই ধরনের 'সব ক্ষেত্র খালি' ফলাফল পরপর কয়েকবার এলে Pipeline-এ Alarm পাঠানো, যাতে কেউ ম্যানুয়ালি না দেখা পর্যন্ত সমস্যাটি অলক্ষিত না থাকে। উপসংহার এই ফলাফলটির সবচেয়ে গুরুত্বপূর্ণ দিকটি তার বিষয়বস্তু নয়, তার আকৃতি। একটি প্রায় সম্পূর্ণ ফাঁকা রিপোর্ট ফেরত এসেছে এবং তা সফল হিসেবে চিহ্নিত হয়েছে। এটি কেবল একটি নিবন্ধ হারানোর ঘটনা নয়, এটি একটি নকশার দুর্বলতার প্রকাশ: ব্যবস্থাটি 'কিছুই না পাওয়া' এবং 'কিছু না থাকা'-র মধ্যে পার্থক্য করতে পারছে না। এই পার্থক্য করতে না পারলে পরবর্তী ধাপে যত উন্নত বিশ্লেষণ মডেলই ব্যবহার করা হোক, তা ফাঁকা ইনপুটের উপরেই চলবে। প্রথম কাজটি বিশ্লেষণ নয়, ত্রুটিটি খুঁজে বের করা।