খালি সারির ভেতরে কী থাকে: এশীয় ক্রিকেট ডেটা পাইপলাইনে একটি নাল রেকর্ডের অটোপসি

রাত ৩টা ৪০ মিনিটে ফাইলটা খুলেছিলাম। এগারোটি ফিল্ড, তার মধ্যে নয়টি ফিরে এসেছে "N/A" হিসেবে। Information Points-এর ঘরটি ফাঁকা ছিল না — তালিকাটাই অনুপস্থিত ছিল। স্মৃতিকে বিশ্বাস করার আগে আমি ম্যাচ লগ খুলেছিলাম; এবার লগ আমাকে ফেরত দিল একটি খালি সারি।

২০২০ সালের জুলাইয়ে প্রজেক্ট রিস্টার্টের সময় ৯২টি দর্শকশূন্য প্রিমিয়ার লিগ ম্যাচ নিয়ে কাজ করার সময় একটা বাক্য লিখেছিলাম — স্টেডিয়াম খালি ছিল, কিন্তু ডেটা শ্বাস নিচ্ছিল। সেটা সম্ভব হয়েছিল, কারণ প্রতিটি ম্যাচে শট, প্রেস সিকোয়েন্স, সেট-পিস আর গেম-স্টেটের হিসাব ছিল। এবারের ফাইলটা সেই ধরনের নয়। এখানে শ্বাস নেওয়ার মতো কিছু নেই, কারণ যে ব্যবস্থা ডেটা তৈরি করার কথা, সে-ই নীরব।

এখানেই প্রথম সিদ্ধান্তটা আসে। ডেটা নেই মানে গল্প নেই — সহজ পথ। ডেটা নেই মানে ডেটা-ব্যবস্থা সম্পর্কে কিছু আছে — কঠিন পথ। দ্বিতীয়টা বেছেছি। খালি সারি নিয়ে প্রতিবেদন লেখা যায় না, কিন্তু খালি সারির কারণ নিয়ে লেখা যায়।

আমার কাজের ধারা পুনরাবৃত্তিযোগ্য। একটি প্রতিবেদন প্রকাশের আগে অন্তত তিনটি স্তর পার হতে হয়। প্রথম স্তরে কাঁচা টেক্সট থেকে তথ্য-বিন্দু, সত্তা, বক্তব্য, সময়-সংবেদনশীলতা আর সোর্সের মান টেনে বের করা হয়। দ্বিতীয় স্তরে সেই তথ্যগুলোকে ম্যাচ-কাঠামোর সঙ্গে মেলানো হয় — xG, PPDA, হাই টার্নওভার, দূরত্ব। তৃতীয় স্তরে দেখা হয়, দাবিটা একাধিক পাসে টিকে থাকে কি না।

প্রথম স্তর খালি ফিরলে পরের দুই স্তরে যাওয়ার রাস্তাই নেই। এটাই এখন ঘটেছে। ফিল্ডের অবস্থা দেখলে বোঝা যায়, ব্যর্থতা আংশিক নয় — সম্পূর্ণ। শিরোনাম নেই, সোর্স নেই, ধরন "Unclassified", এক-বাক্যের সারাংশ শূন্য, লেখকের অবস্থান আর লেখার উদ্দেশ্য দুটোই "N/A"। তথ্য-বিন্দুর তালিকাটা তো নেই-ই, সত্তাগুলোও তোলা হয়নি। সময়-সংবেদনশীলতা আর সোর্সের মান — দুটোই অমূল্যায়িত।

একটা কথা স্পষ্ট করা দরকার। এই লেখাটি কোনো ম্যাচ নিয়ে নয়। কোনো দল, কোনো খেলোয়াড়, কোনো ওভার এখানে নেই — কারণ সোর্সে সেগুলো নেই। যা আছে তা হলো একটি রেকর্ড, এবং রেকর্ডটির নিজের অবস্থাই এখানে বিষয়।

আমি কেন এত কঠোর, সেটা একটা তারিখ দিয়ে বোঝানো যায়। ২০১৭ সালের ২৭ আগস্ট লিভারপুল ৪-০ আর্সেনাল ম্যাচের অটোপসি প্রকাশ করেছিলাম। স্কোরলাইন একদিকে, ডেটা অন্যদিকে। লিভারপুলের xG ২.৭, আর্সেনালের ০.৪; PPDA ৭.৮ বনাম ১৪.২; ম্যাচে ২৩টি হাই টার্নওভার। ওই লেখাটাই আমার টেমপ্লেট দাঁড় করিয়ে দেয় — স্কোরলাইন নয়, প্রক্রিয়া আগে। তারপর থেকে প্রতিটি দাবির সঙ্গে অন্তত একটি সংখ্যা, একটি সময়কাল আর একটি সীমাবদ্ধতা লিখতে হয়। যেখানে সংখ্যাই নেই, সেখানে টেমপ্লেট কীসের?

ফাইলটির একমাত্র পাঠযোগ্য সংকেত একটি ক্ষেত্র-লেবেল: cricket_asia। এখানেই দ্বিতীয় সমস্যা দাঁড়ায়। লেবেলটি যদি এশিয়ান ক্রিকেট কাউন্সিল বা এশিয়া কাপ-কেন্দ্রিক প্রতিযোগিতা বোঝায়, তাহলে সময়-সংবেদনশীলতা, সত্তা আর সোর্স-মানের প্রশ্ন নির্দিষ্ট দিকে যায়। আর যদি এটি কোনো কনটেন্ট-চ্যানেলের শ্রেণিবিন্যাস হয়, তাহলে একই লেবেল সম্পূর্ণ ভিন্নভাবে পড়তে হয়।

এই অস্পষ্টতা মামুলি প্রশাসনিক বিষয় নয়। একটি টুর্নামেন্টের নাম আর একটি চ্যানেলের শ্রেণি — দুটো আলাদা সত্তা। প্রথমটি সময়-সংবেদনশীল, দ্বিতীয়টি নয়। প্রথমটির সঙ্গে নির্দিষ্ট দল, ভেন্যু, সিরিজ যুক্ত থাকে; দ্বিতীয়টির সঙ্গে যুক্ত থাকে প্রকাশনার ছন্দ। একই শব্দ দুটো ভিন্ন জিনিস নির্দেশ করলে সত্তা-শনাক্তকরণ ভুল পথে যায়, আর ভুল পথে যাওয়া সত্তা-শনাক্তকরণ থেকে তৈরি হয় ভুল সময়সূচি।

এশীয় ক্রিকেট নিয়ে কাজ করার সময় এই পার্থক্যটা আরও প্রকট হয়। ঢাকা আর লন্ডন থেকে একই ইনিংস দুইভাবে মাপা হয় — একটি সিরিজের সেট-পিস ডেটা দুই জায়গায় দুই নামে সংরক্ষিত থাকে, কখনো কাউন্সিলের প্রতিবেদনে, কখনো সম্প্রচারকের ফিডে। ফলে একই ম্যাচের দুইটি রেকর্ড তৈরি হয়, আর দুটির কোনোটাই অন্যটার সঙ্গে মেলে না। লেবেলের অস্পষ্টতা এই ব্যবধানটা আরও বাড়ায়।

এখন কাঠামোটার দিকে তাকানো যাক। একটি নাল রেকর্ড আসলে চারটি সম্ভাব্য কারণের সংকেত দেয়। এক, এক্সট্রাকশন পার্সার মূল অংশ খুঁজে পায়নি — হয়তো বিন্যাস অপরিচিত, নয়তো গঠনটা প্রত্যাশার বাইরে। দুই, মূল উপাদান খুব ছোট বা মূলত পাঠযোগ্য নয় — ছবি বা ভিডিওনির্ভর। তিন, আপস্ট্রিম পাইপলাইনে প্যারামিটার হারিয়ে গেছে, ফলে সংরক্ষিত হয়েছে একটি ফাঁকা রেকর্ড। চার, ওই লেবেলটি ডিফল্ট ব্যাকআপ, অর্থাৎ শ্রেণিবিন্যাসও মেলেনি।

চারটির মধ্যে পার্থক্য করা জরুরি, কারণ প্রতিটির প্রতিকার আলাদা। প্রথমটির প্রতিকার পার্সার ঠিক করা, দ্বিতীয়টির প্রতিকার সোর্স বদলানো, তৃতীয়টির প্রতিকার পাইপলাইনের লগ পরীক্ষা, চতুর্থটির প্রতিকার শ্রেণিবিন্যাসের নিয়ম পুনর্লিখন। একটি ফাঁকা সারি দেখে চারটিকে এক ধরে ফেললে ভুল জায়গায় কাজ হয়।

আরেকটি জিনিস লক্ষণীয়: তালিকাটা ফাঁকা নয়, তালিকাটাই নেই। এই পার্থক্যটা প্রযুক্তিগত মনে হলেও প্রকাশনা-স্তরে বড়। ফাঁকা তালিকা মানে "কিছু পাওয়া যায়নি"; অনুপস্থিত তালিকা মানে "খোঁজার ধাপটাই সম্পন্ন হয়নি"। দ্বিতীয়টি আরও গুরুতর, কারণ এটি বোঝায় ব্যর্থতা তালিকা তৈরি হওয়ার আগেই ঘটেছে।

এখানেই একটি পুরোনো অভ্যাস ফিরে আসে। গল্পের ফাঁক পূরণ করার প্রবণতা সাংবাদিকতার সবচেয়ে পুরোনো রোগ। স্কোরলাইন নাটকীয় হলে মানুষ সেটাকে কৌশলগত প্রমাণ ভাবে; সারি ফাঁকা হলে সেটাকে অনুমতিপত্র ভাবে। দুটোই একই ধরনের ভুল — প্রথমটা বেশি তথ্য থেকে বেশি অর্থ টেনে নেয়, দ্বিতীয়টা কম তথ্য থেকে বেশি অর্থ টেনে নেয়।

২০২০ সালের ওই গবেষণাটা এখানে তুলনার কাজে লাগে। ১১ জুলাই ২০২০, লিভারপুল ১-১ বার্নলি। অ্যানফিল্ডে হোম-অ্যাডভান্টেজ কমেছিল গড়ে ০.৩১ গোল প্রতি ম্যাচে; হোম ম্যাচে লিভারপুলের PPDA ৮.১ থেকে উঠে গিয়েছিল ১০.৪-এ। মোট ১,০৫২টি সেট-পিস ও ওপেন-প্লে সিকোয়েন্স ক্রস-চেক করেছিলাম। ওই গবেষণায় শূন্যতা ছিল দর্শকের, তথ্যের নয়। দর্শকশূন্যতা মাপা যেত। ফাঁকা সারি মাপা যায় না — কারণ মাপার যন্ত্রটাই অনুপস্থিত।

২০১৮ সালে কাজানেও একই শিক্ষা পেয়েছিলাম, উল্টো দিক থেকে। ফ্রান্স ৪-৩ আর্জেন্টিনা ম্যাচটা সবাই ধ্রুপদী বলেছিল। ডেটায় ফ্রান্সের xG ২.১, আর্জেন্টিনার ১.৬; এমবাপ্পের ছয়টি ড্রিবল আর ৩৭.১ কিমি/ঘণ্টা গতির স্প্রিন্ট আর্জেন্টিনার রক্ষণভাগ ভেঙে দিয়েছিল। কিন্তু ম্যাচের শেষভাগে ফ্রান্স গভীরে নেমে যাওয়ার পর তাদের PPDA ১৪.৮-এ উঠেছিল। প্রথম পাসে বিশৃঙ্খলা, দ্বিতীয় পাসে কাঠামো — এই পার্থক্যটা ধরতে হয়েছিল।

ওই অভ্যাসটাই এখন কাজে লাগছে। কেউ জিতল কি না, সেই প্রশ্ন থামানোর পরেই প্যাটার্নটা দেখা যায়। এখানে প্রশ্নটা "কে জিতল" নয়, প্রশ্নটা "কেন রেকর্ডটা খালি"। খালি রেকর্ড কোনো ঘটনার অনুপস্থিতি প্রমাণ করে না; এটি শুধু প্রমাণ করে যে ঘটনাটি রেকর্ড হয়নি। এই দুটোর মধ্যে পার্থক্য না করলে পরের ধাপে ভুল সিদ্ধান্ত অনিবার্য।

নমুনার আকার নিয়ে আমার অবস্থান স্পষ্ট। টি-টোয়েন্টির ডেথ ওভার বা একটি স্পেল দেখে প্যাটার্ন ঘোষণা করা সহজ, আর প্রায় সবসময় ভুল। তাই যেখানে নমুনা ছোট, সেখানে "প্রমাণ করে" নয়, "ইঙ্গিত দেয়" লিখি। এখানে নমুনা শূন্য। শূন্য নমুনা থেকে কোনো ইঙ্গিতও পাওয়া যায় না — শুধু একটি প্রক্রিয়াগত সত্য পাওয়া যায়।

টেমপ্লেট আমার কাজের কাঠামো, শৃঙ্খল নয়। প্রতিটি প্রতিবেদনের শুরুতে একটি "প্রসঙ্গ-বিচ্যুতি" টীকা রাখি — ম্যাচটা যদি আদর্শ কাঠামোর বাইরে হয়, সেটা আগেই লিখে দিই। ফাঁকা রেকর্ডের ক্ষেত্রে সেই টীকাটা হলো: সোর্স অসম্পূর্ণ, নমুনা শূন্য, সময়-সংবেদনশীলতা অনির্ধারিত। এই তিনটি শর্ত লিখে রাখলে পরে কেউ ভুলভাবে দাবিটাকে প্রমাণ হিসেবে ব্যবহার করতে পারে না।

আরেকটা দিক আছে, যেটা প্রথম নজরে পড়ে না। একটি ফাঁকা রেকর্ড কখনো কখনো সুবিধাজনক হয়। যে ব্যবস্থা অসম্পূর্ণ তথ্য দেয়, সে ব্যবস্থা অসম্পূর্ণতার দায় থেকেও মুক্তি পায়। ক্লাব যদি শুধু সুবিধাজনক ইনজুরি তথ্য প্রকাশ করে, আর পাইপলাইন যদি শুধু সুবিধাজনক রেকর্ড সংরক্ষণ করে — দুটো আলাদা ঘটনা, কিন্তু কাঠামো একই। দর্শক আর পাঠক দুক্ষেত্রেই শেষ প্রান্তে বসে থাকে।

তাই আমার কাছে সবচেয়ে জরুরি কাজটা হলো মৌলিক প্রশ্ন করতে শেখা। ফাঁকা রেকর্ডের ক্ষেত্রে তিনটি পথ খোলা আছে। এক, মূল টেক্সট সরাসরি দেওয়া — সবচেয়ে নির্ভরযোগ্য, কারণ তখন প্রথম স্তর নতুন করে চালানো যায়, আর প্রতিটি ধাপ নিয়ন্ত্রণে থাকে। দুই, প্রথম স্তরের তথ্য-বিন্দু পূরণ করা — অন্তত পাঁচ থেকে দশটি সত্য-বিবৃতি, প্রতিটির সঙ্গে বিষয়বস্তু, সোর্স আর তারিখ। তিন, পাইপলাইনের কাঁচা ইনপুট আর এক্সট্রাকশন স্ক্রিপ্ট দেওয়া, যাতে ব্যর্থতার জায়গাটা চিহ্নিত করা যায়।

মেরামতের মাপকাঠিও স্পষ্ট হওয়া উচিত। প্রথম স্তর সফল বলব তখনই, যখন অন্তত একটি শিরোনাম, একটি সোর্স, একটি ধরন, পাঁচটি তথ্য-বিন্দু, তিনটি সত্তা আর একটি নির্দিষ্ট তারিখ ফেরত আসবে। এই ছয়টি শর্তের একটি বাদ পড়লে রেকর্ডটি আংশিক, এবং আংশিক রেকর্ড নিয়ে প্রকাশ করা যায় না।

তিনটি পথের মধ্যে কোনটা বেছে নেওয়া হবে, সেটা নির্ভর করে প্রশ্নটা কোথায় জিজ্ঞাসা করা হচ্ছে তার উপর। সম্পাদকের কাছে প্রশ্নটা সময়সীমার; বিশ্লেষকের কাছে প্রশ্নটা পদ্ধতির। আমি দ্বিতীয় দলে। আমার কাছে সময়সীমা একটি সীমাবদ্ধতা, পদ্ধতি একটি শর্ত।

সহজ পাঠটা হলো — পাইপলাইন ভেঙে গেছে। এই পাঠটা আরামদায়ক, কারণ এটি দায়টা যন্ত্রের উপর ছাড়ে। কিন্তু সমর্থিত পাঠটা অন্যরকম। একটি খালি সারি নিজেই একটি ফলাফল: এটি দেখায় যে ব্যবস্থাটি "ঘটনা নেই" আর "রেকর্ড নেই"-এর মধ্যে পার্থক্য করতে পারে না। এই মিশ্রণটি যেকোনো একটি ব্যর্থ পার্সের চেয়ে বেশি ক্ষতিকর, কারণ ভাঙা পার্স একবার ঠিক হয়, কিন্তু মিশে যাওয়া অর্থ বছরের পর বছর অলক্ষ্যে থাকে।

দ্বিতীয় অস্বস্তিকর দিকটা হলো গতি। ফাঁকা সারি হাতে পেলে দ্রুত একটা গল্প দাঁড় করানো যায় — সাধারণ বাক্য, সাধারণ বিশেষণ, সাধারণ উপসংহার। ক্রিকেটে এই প্রবণতা চেনা। একটি স্পেল দেখে সিদ্ধান্ত, একটি ডেথ-ওভার দেখে প্রবণতা ঘোষণা। নমুনার আকার না লিখে "প্রমাণিত" লেখা হয়। ফাঁকা সারির ক্ষেত্রেও একই ঘটবে যদি না থামা যায়।

২০২০ সালের পাঠ এখানে ভুলভাবে প্রয়োগ করা সহজ। অনেকে বলবেন, শূন্যতার মধ্যেও অর্থ থাকে। সত্য, কিন্তু শর্তসাপেক্ষ। দর্শকশূন্য স্টেডিয়ামে শূন্যতা ছিল একটি চলক — যা মাপা যেত, তুলনা করা যেত, সময়ের সঙ্গে বদলানো যেত। ফাঁকা সারিতে শূন্যতা চলক নয়, অবস্থা। চলক নিয়ে গবেষণা হয়, অবস্থা নিয়ে প্রতিবেদন হয় না।

পরিসংখ্যানের সবচেয়ে পুরোনো সতর্কবার্তাটা এখানে সরাসরি প্রযোজ্য — সম্পর্ক মানে কারণ নয়। রেকর্ডের অনুপস্থিতি ঘটনার অনুপস্থিতি নয়; পাইপলাইনের নীরবতা খেলার নীরবতা নয়। যতক্ষণ মূল পাঠ পাওয়া না যায়, ততক্ষণ সব ব্যাখ্যা অনুমান। আর অনুমান ছাপা যায়, কিন্তু সংরক্ষণ করা যায় না।

পরের রাউন্ডে আমার নজরে থাকবে তিনটি সংখ্যা: প্রতি সোর্সে নাল-রেকর্ডের হার, তারিখ-স্ট্যাম্পের কভারেজ, আর ক্ষেত্র-লেবেলের অস্পষ্টতার অনুপাত। প্রথমটি দেখায় ব্যবস্থা কতবার ফাঁকা ফেরে, দ্বিতীয়টি দেখায় ফাঁকা ফেরার ঘটনাটা কবে ঘটেছে বোঝা যায় কি না, তৃতীয়টি দেখায় শ্রেণিবিন্যাস কতটা নির্ভরযোগ্য।

আজকের ফাইলটা থেকে একটি কথাই নিশ্চিতভাবে বলা যায় — এই রেকর্ডে কোনো ক্রিকেট নেই, আছে একটি ক্রিকেট-ব্যবস্থার ত্রুটি। প্রশ্নটা এখন এটাই: পরের ফাইলটা খালি এলে আমরা সেটা লুকাবো, নাকি সেটার কারণ লিখব?