लेबल पर क्रिकेट, सामग्री में मछली बाज़ार: एक डेटासेट ऑडिट की रिपोर्ट
**मुख्य उत्तर:** एक फ़ोटो-स्टोरी जिसमें बांग्लादेश के बोगुड़ा सदर उपज़िला के डेकरा गाँव के पास चाँदेर बाज़ार में मछली बिक्री दिखाई गई है, उसे गलती से cricket_asia लेबल मिल गया — फ़ाइल में एक भी नामित क्रिकेट इकाई नहीं है। यह स्टेज-1 वर्गीकरण त्रुटि है, क्रिकेट सामग्री नहीं। **मुख्य तथ्य:** - स्थान: डेकरा गाँव → बोगुड़ा सदर उपज़िला → बोगुड़ा ज़िला → राजशाही डिवीज़न, बांग्लादेश। - स्रोत: बारह में से बारह सूचना-बिंदुओं पर Source: None — कोई आउटलेट, बाइलाइन या तारीख़ नहीं। - सामग्री: छह मछली प्रजातियाँ (मोला, पुटी, टाकी, शोल, कोई, मेनी), नुरुइल बील से आपूर्ति, दोपहर–शाम बिक्री। - क्रिकेट इकाइयाँ: शून्य — कोई टीम, खिलाड़ी, बोर्ड, लीग, मैच, नियम या प्रसारण संदर्भ नहीं। - एकमात्र आर्थिक दावा 'कीमतें थोड़ी ऊँची हैं' बिना किसी संख्या, आधार-रेखा या तुलना बाज़ार के दर्ज है। **स्रोत:** Stage-1 डीकंस्ट्रक्शन रिपोर्ट, प्रकाशन तिथि उपलब्ध नहीं (मूल सामग्री अनिर्दिष्ट)। | Cross-checked: cricsultan.com **संबंधित प्रश्नोत्तर:** प्रश्न: क्या इस फ़ाइल से बांग्लादेश क्रिकेट के बारे में कोई निष्कर्ष निकाला जा सकता है? उत्तर: नहीं — शून्य नामित क्रिकेट इकाइयों के कारण हर क्रिकेट आयाम शून्य लौटाता है, और राजशाही डिवीज़न से क्रिकेट तक का पुल केवल परिकल्पना है, निष्कर्ष नहीं। प्रश्न: इस त्रुटि का सबसे बड़ा जोखिम क्या है? उत्तर: डेटासेट प्रदूषण — ऐसे आइटम बांग्लादेश क्रिकेट कवरेज की कृत्रिम वृद्धि दिखाते हैं, जो आगे बिना स्रोत के उद्धृत होती है (cricsultan.com Content Integrity Index के अनुरूप)। प्रश्न: सुधार का सबसे सीधा उपाय क्या है? उत्तर: किसी भी cricket_* लेबल से पहले हार्ड एंटिटी-गेट लागू करना, जिसमें कम से कम एक नामित क्रिकेट इकाई अनिवार्य हो।
नौ फ्रेम। 1/9 से 9/9 तक। मैंने वही फ़ाइल तीन बार पूरी स्क्रॉल की और हर बार एक ही चीज़ ढूँढी — बल्ला, गेंद, स्टंप, स्कोरबोर्ड, कमेंट्री बॉक्स, कुछ भी जो क्रिकेट का हो। कुछ नहीं मिला। जो मिला वह यह था: एक पक्की गाँव की सड़क, सड़क के किनारे बिछाई बोरी पर रखी मछलियाँ, देर दोपहर की तिरछी धूप जो सुनहरी हो चुकी थी, और एक बाज़ार का नाम — चाँदेर बाज़ार। मछलियों की छह किस्में गिनीं जा सकती थीं। बेचने वाले और पकड़ने वाले दो श्रेणियों में मौजूद थे, नाम किसी का नहीं। और उस फ़ाइल के ऊपर लगा था एक लेबल: cricket_asia।

मैंने पहले सोचा कि शायद मैं गलत फ़ाइल खोल बैठा हूँ। फिर दूसरी बार पढ़ा। फिर तीसरी बार। तीसरी बार में मैंने वही किया जो मैं हमेशा करता हूँ — दावे को नहीं, स्रोत कॉलम को देखा। बारह में से बारह सूचना-बिंदुओं पर लिखा था: Source: None। कोई अख़बार नहीं, कोई बाइलाइन नहीं, कोई तारीख़ नहीं। एक फ़ोटो गैलरी, बिना किसी ठिकाने के, जिसे किसी स्टेज-1 पाइपलाइन ने क्रिकेट बताकर आगे भेज दिया था।
यह लेख उसी गलती की ऑडिट रिपोर्ट है। और यह क्रिकेट के बारे में उतना नहीं है जितना उस सिस्टम के बारे में है जो तय करता है कि क्या क्रिकेट है और क्या नहीं।
संदर्भ: लेबल वह चीज़ है जिस पर बाकी सब टिका होता है
क्रिकेट एनालिटिक्स की दुनिया में जो चीज़ सबसे कम ऑडिट होती है, वह है सबसे पहला कदम — वर्गीकरण। किसी भी कंटेंट पाइपलाइन में पहला स्टेज यह तय करता है कि आइटम किस डोमेन का है। उसके बाद ही डीकंस्ट्रक्शन होता है, सूचना-बिंदु बनते हैं, और आगे के सारे विश्लेषण उन बिंदुओं पर टिकते हैं। लेबल गलत है तो नीचे की हर मंज़िल गलत है — भले ही हर ईंट ठीक से रखी गई हो।
मेरे पास इस आदत की एक शुरुआत है। 2026 में, सत्रह साल की उम्र में, राजकोट में गुजरात लायंस और राइज़िंग पुणे सुपरजायंट के बीच एक मैच देखने के बाद मैं घर लौटा और एक स्प्रेडशीट बनाई। उसमें आईपीएल 2026 के साठ डीआरएस रिव्यू थे। मैं उन्हें इसलिए नहीं जोड़ रहा था कि मुझे नतीजा पता था; मैं इसलिए जोड़ रहा था कि मुझे नतीजा समझ नहीं आया था। पंद्रह 'अंपायर कॉल' निकले, बारह पलटे। जब मैंने वह ब्लॉग लिखा तो सबसे ज़्यादा समय मैंने एक ही कॉलम पर लगाया था — स्रोत कॉलम। हर रिव्यू के आगे मैंने लिखा था कि मैंने उसे कहाँ देखा: ब्रॉडकास्ट फ़ीड, बॉल-बाय-बॉल लॉग, या दोनों। जो रिव्यू सिर्फ़ एक स्रोत से आया था, उसे मैंने अलग रंग में रखा। बाद में जब लोग मुझसे पूछते थे कि 'असली आँकड़ा क्या है', तो मेरा जवाब होता था: असली आँकड़ा वह है जिसके साथ उसका ठिकाना लिखा हो।
2026 में लॉकडाउन के दौरान मैंने यूएई में खेले गए आईपीएल के साठ मैचों की स्लो ओवर-रेट पेनल्टी जोड़ी। वहाँ भी वही सबक मिला। तीन या अधिक तेज़ गेंदबाज़ों वाली टीमों पर तीस प्रतिशत ज़्यादा पेनल्टी लगी थी, राजस्थान रॉयल्स सबसे ऊपर थी। लेकिन जब मैंने अपनी विधि नहीं लिखी, तो एक पाठक ने पूछा कि मैंने ओवर कैसे गिने। सवाल जायज़ था। तब से मैं हर आँकड़े के साथ उसकी विधि भी छापता हूँ।
इसीलिए जब मेरे सामने cricket_asia लेबल वाली एक ऐसी फ़ाइल आई जिसमें एक भी नामित क्रिकेट इकाई नहीं थी, तो मेरी पहली प्रतिक्रिया यह नहीं थी कि 'मॉडल बेवकूफ़ है'। मेरी पहली प्रतिक्रिया यह थी कि मुझे वह गेट दिखाओ जहाँ यह फ़ाइल रुकनी चाहिए थी। वह गेट मौजूद नहीं है। और जब गेट नहीं होता, तो गलती एक बार नहीं होती — वह एक श्रेणी बन जाती है।
मुख्य विश्लेषण: फ़ाइल के अंदर क्या है, और क्या जानबूझकर नहीं है
पहले वह जो है। भूगोल साफ़ है और सत्यापन-योग्य है: डेकरा गाँव, बोगुड़ा सदर उपज़िला, बोगुड़ा ज़िला, राजशाही डिवीज़न, उत्तरी बांग्लादेश। प्रशासनिक क्रम मानक है, इसलिए इस पर मेरा भरोसा ऊँचा है; गाँव की सटीक जियोलोकेशन पर मध्यम, क्योंकि मैं उसे केवल पाठ से स्वतंत्र रूप से सत्यापित नहीं कर सकता। पानी का स्रोत नुरुइल बील है — बांग्लादेश का वह मौसमी आर्द्रभूमि-प्रकार जो मानसून में फैलता है और सूखे में सिकुड़ता है। मछलियों की छह किस्में गिनाई गई हैं: मोला, पुटी, टाकी, शोल, कोई, मेनी। कारोबार का समय दोपहर से शाम तक है। मांग का कारण ताज़गी और स्वाद बताया गया है। कीमत के बारे में एक ही वाक्य है — 'कीमतें थोड़ी ऊँची हैं'।
यह एक सुसंगत, विनम्र, आंतरिक रूप से अंतर्विरोध-रहित सूक्ष्म-आर्थिक विग्नेट है। छह किस्मों का यह समूह — मोला, पुटी, टाकी, शोल, कोई — बांग्लादेशी बीलों का क्लासिक 'स्मॉल इंडिजिनस स्पीशीज़' संयोजन है, जिसे खाद्य-सुरक्षा साहित्य में सूक्ष्मपोषक घनत्व के लिए जाना जाता है। 'मेनी' पर मेरा भरोसा कम है, क्योंकि ट्रांसलिटरेटेड स्थानीय नाम से टैक्सॉन पक्का नहीं होता। लेकिन बाकी पाँच पर यह पहचान ठोस है। यानी सामग्री असली है। यह किसी काल्पनिक बाज़ार की तस्वीर नहीं है।
अब वह जो नहीं है। एक भी टीम नहीं। एक भी खिलाड़ी नहीं। बोर्ड नहीं, लीग नहीं, मैच नहीं, नियम नहीं, ब्रॉडकास्टर नहीं, रैंकिंग नहीं, अनुबंध नहीं, नीलामी नहीं। क्रिकेट की दृष्टि से यह फ़ाइल खाली है — और यह 'कम जानकारी' नहीं है, यह 'शून्य जानकारी' है। फ़र्क़ बड़ा है। कम जानकारी का मतलब होता है कि कुछ है पर अधूरा; शून्य जानकारी का मतलब होता है कि जो है वह दूसरी दुनिया का है।
यहाँ मुझे अपने सबसे बड़े लालच से लड़ना पड़ा। क्योंकि एक बहुत आकर्षक वाक्य बनाया जा सकता था: राजशाही डिवीज़न बांग्लादेश के घरेलू क्रिकेट ढाँचे में योगदान देता है; बोगुड़ा में बील-आधारित ग्रामीण आय का स्तर तय करता है कि परिवार अपने बच्चे को क्रिकेट के रास्ते पर भेज सकता है या नहीं; इसलिए यह फ़ोटो-स्टोरी टैलेंट-सप्लाई का संकेत है।
यह वाक्य सुंदर है। और यह झूठ है। इस फ़ाइल में ऐसा कुछ भी नहीं है जो उस दावे को सहारा दे। मैंने अपने नियम के मुताबिक पहले खंडन-शर्त लिखी: अगर इस आइटम में कम से कम एक नामित क्रिकेट इकाई होती — एक ज़िला टीम, एक एकेडमी, एक बीसीबी अधिकारी, एक टूर्नामेंट — तो मैं यह पुल बनाने पर विचार कर सकता था। एक भी नहीं है। इसलिए पुल नहीं बनता। मैंने उसे परिकल्पना के खाने में डाल दिया, निष्कर्ष के खाने में नहीं।
यही बात कीमत के उस एक वाक्य पर लागू होती है। 'कीमतें थोड़ी ऊँची हैं' — तीन तरीक़े से पढ़ा जा सकता है, और तीनों ग़लत होंगे। पहला: क्षेत्रीय महँगाई का संकेत। नहीं, क्योंकि कोई आधार-रेखा नहीं, कोई पिछली कीमत नहीं, कोई तुलना बाज़ार नहीं। दूसरा: आपूर्ति की कमी का संकेत। नहीं, क्योंकि मात्रा का कोई आँकड़ा नहीं। तीसरा: बाज़ार के स्वास्थ्य का संकेत। नहीं, क्योंकि खरीदारों की संख्या नहीं, बिक्री की गति नहीं, दोहराई गई खरीद का कोई रिकॉर्ड नहीं। एक वाक्य जो आर्थिक रूप से बहुत कुछ कहता दिखता है, वह वास्तव में कुछ नहीं कहता।
जो एक पठन टिक सकता है, वह है 'ताज़गी प्रीमियम'। ताज़गी और स्वाद को मांग का कारण बताया गया है, और कीमत थोड़ी ऊँची है। इसका मतलब यह हो सकता है कि विक्रेता कीमत पर नहीं, समय पर मुक़ाबला कर रहा है — मछली पकड़ने से बिकने तक का फ़ासला जितना छोटा, उतनी ऊँची कीमत। यह भेदभाव-आधारित रणनीति है, कमोडिटी रणनीति नहीं। मैं इसे मध्यम भरोसे के साथ दर्ज करता हूँ, क्योंकि यह अनुमान है, माप नहीं।
और एक और चीज़ जो इस फ़ाइल में नहीं है पर होनी चाहिए थी अगर यह किसी आर्थिक दावे का आधार बननी थी: मौसम। बील सूखे में सिकुड़ता है, मानसून में फैलता है। एक दोपहर की नौ तस्वीरें सालाना आपूर्ति-प्रोफ़ाइल का प्रतिनिधित्व नहीं कर सकतीं। यह एक ऐसी कमी है जिसे पाठक नहीं देखता, क्योंकि तस्वीरें खूबसूरत हैं और बाज़ार ज़िंदा लगता है।
मैंने इस फ़ाइल को आठ विश्लेषणात्मक आयामों से गुज़ारा — प्रारूप, खिलाड़ी तकनीक, टीम परिदृश्य, लीग अर्थव्यवस्था, शासन, जोखिम, सार्वजनिक कथा, उद्योग संचरण। सात पर नतीजा शून्य आया। यह विफलता नहीं है; यह सही नतीजा है। एक ऐसा विश्लेषक जो शून्य की जगह अनुमान भर देता है, वह विश्लेषक नहीं, कथाकार है। मैंने आठवें आयाम में एक ही गैर-क्रिकेट श्रृंखला निकाली, और उसे स्पष्ट रूप से गैर-क्रिकेट लिखा: बील से पकड़ → सड़क किनारे सीधी बिक्री → ग्रामीण घरेलू नक़द आय। छोटी मात्रा, स्थानीय दायरा, दैनिक और मौसमी क्षितिज।
यहाँ एक बात दर्ज करनी ज़रूरी है, क्योंकि यह इस पूरे मामले की सबसे तीखी विडंबना है। जिस फ़ाइल को क्रिकेट कहकर दर्ज किया गया, वह अपने असली डोमेन में भी सत्यापन-योग्य नहीं है। बारह में से बारह सूचना-बिंदुओं पर स्रोत 'कोई नहीं' है। न अख़बार, न रिपोर्टर, न तारीख़। यानी अगर कल कोई खाद्य-सुरक्षा शोधकर्ता इसी फ़ाइल को 'बोगुड़ा में एसआईएस मछली की खुदरा उपलब्धता' के सबूत के तौर पर उद्धृत करता है, तो वह भी उतना ही ग़लत होगा जितना वह क्रिकेट एनालिस्ट जो इसे 'बांग्लादेश क्रिकेट गतिविधि' गिन रहा है।
विपरीत कोण: गलती मॉडल की नहीं, गेट की अनुपस्थिति की है
जो पहली प्रतिक्रिया आएगी, वह मुझे पहले से पता है: मॉडल को फिर से ट्रेन करो, डेटासेट साफ़ करो, अगली बार बेहतर होगा। यह सही है और यह अपर्याप्त है।
मॉडल को दोष देना आसान है क्योंकि मॉडल बोल नहीं सकता। असली सवाल यह है कि एक ऐसी पाइपलाइन में, जिसमें स्टेज-1 और स्टेज-2 दोनों मौजूद हैं, कोई ऐसा हार्ड गेट क्यों नहीं था जो कहे: 'cricket_* लेबल पाने के लिए कम से कम एक नामित क्रिकेट इकाई ज़रूरी है'? यह तकनीकी रूप से मुश्किल काम नहीं है। यह एक पंक्ति का नियम है। लेकिन वह नियम नहीं लिखा गया, क्योंकि जिस सिस्टम में वह लिखा जाना था, वह मात्रा से चलता है, परिशुद्धता से नहीं।
मैं ब्रॉडकास्ट-डेटा फ़ॉरेंसिक्स में यह पैटर्न बार-बार देखता हूँ। ओवर-रेट की आधिकारिक शीट एक सारांश है। सारांश बहस छिपाते हैं। जब आप ब्रॉडकास्ट घड़ी से ओवर-रेट दोबारा बनाते हैं, तो अक्सर कहानी बदल जाती है — इसलिए नहीं कि कोई झूठ बोल रहा है, बल्कि इसलिए कि सारांश बनाने वाले को यह तय करना पड़ता है कि क्या गिनना है और क्या छोड़ना है, और वह निर्णय कभी सार्वजनिक नहीं होता। यही बात कॉर्पस लेबलिंग पर लागू होती है। 'cricket_asia' एक सारांश है। वह बताता है कि आइटम क्रिकेट है, पर यह नहीं बताता कि उसे क्रिकेट किसने, कब, किस आधार पर कहा। और जो सारांश अपना काम नहीं दिखाता, वह सारांश नहीं, दावा है।
दूसरी बात, जिसे मैं इस मामले में सबसे ज़्यादा महत्वपूर्ण मानता हूँ: नुक़सान एक आइटम का नहीं है। नुक़सान उस गिनती का है जो इस आइटम से बनती है। मान लीजिए इस बैच में ऐसे दस और आइटम हैं जिनमें शून्य क्रिकेट इकाइयाँ हैं। अब 'बांग्लादेश क्रिकेट कवरेज' के आँकड़े में दस की वृद्धि दिखेगी। छह महीने बाद कोई विश्लेषक लिखेगा: 'बांग्लादेश में क्रिकेट कवरेज इस साल तेज़ी से बढ़ी है।' वह वाक्य पूरी तरह से एक वर्गीकरण त्रुटि का उत्पाद होगा, और वह किसी स्रोत के बिना उद्धृत होता रहेगा, क्योंकि वह एक संख्या है और संख्याएँ अपने साथ प्रामाणिकता का भ्रम लेकर आती हैं।
यही मेरी असली चिंता है: आत्मविश्वास से भरा हुआ ग़लत निष्कर्ष। ग़लत निष्कर्ष सहनीय है अगर उसके साथ उसकी अनिश्चितता छपी हो। लेकिन जब ग़लती लेबल से शुरू होती है, तो अनिश्चितता का कोई निशान नीचे तक नहीं पहुँचता।
और एक तीसरा पहलू है जिसे मैं अपनी आदत के कारण नज़रअंदाज़ नहीं कर सकता — प्रक्रिया की मानवीय क़ीमत। इस फ़ाइल में जो लोग हैं — बील में मछली पकड़ने वाले, सड़क किनारे बैठकर बेचने वाले — उनका काम असली है, उनकी आय असली है, और उनकी कहानी का अपना मूल्य है। जिस पल उसे 'cricket_asia' कहकर दर्ज कर दिया गया, उस पल वह कहानी दो बार मर गई: एक बार क्रिकेट पाठकों के लिए, जिन्हें वहाँ कुछ नहीं मिला; और एक बार उन पाठकों के लिए जिन्हें वह सचमुच पढ़नी चाहिए थी। ग़लत शेल्फ़ पर रखी किताब पढ़ी नहीं जाती, और ग़लत शेल्फ़ का दोष लेखक पर नहीं जाता।
अंत में: गेट लिखिए, फिर बैच ऑडिट कीजिए
मेरा सुझाव तकनीकी है और छोटा है। किसी भी क्रिकेट लेबल से पहले एक हार्ड एंटिटी-गेट लगाइए: कम से कम एक नामित क्रिकेट इकाई — टीम, खिलाड़ी, बोर्ड, लीग, मैच, नियम, या प्रसारण — के बिना cricket_* लेबल जारी न हो। दूसरा, इस बैच के बाकी आइटम जाँचिए, क्योंकि जो गलती एक बार हुई है वह अकेली नहीं होती। तीसरा, हर सूचना-बिंदु पर स्रोत अनिवार्य कीजिए; 'कोई नहीं' एक वैध मान नहीं है, वह एक अस्वीकृति है।
मैं जानता हूँ कि इससे कॉर्पस छोटा हो जाएगा। मुझे परवाह नहीं है। मैं नौ सौ ऐसे आइटम रखना पसंद करूँगा जिनका स्रोत लिखा हो, तीन हज़ार ऐसे आइटम से जिनका सिर्फ़ लेबल लिखा हो।
जो अगली गलत लेबल वाली फ़ाइल इस कॉर्पस में पहले से मौजूद है — वह किसी की टाइमलाइन पर संख्या बनकर उभरेगी, और किसी को याद नहीं रहेगा कि वह कहाँ से आई थी।
