फुटबॉल समाचार विश्लेषण में गहरी जानकारी का अभाव: जब 'खाली ढांचा' पत्रकारिता की जगह नहीं ले सकता

हाल ही में एक स्वचालित समाचार विश्लेषण प्रणाली के आउटपुट ने स्पोर्ट्स पत्रकारिता और कृत्रिम बुद्धिमत्ता (AI) आधारित सामग्री उत्पादन के क्षेत्र में एक गंभीर सवाल खड़ा कर दिया है। प्रणाली का पहला चरण (Stage-1) एक ऐसा आउटपुट दे रहा है जिसमें सभी संरचनात्मक फ़ील्ड मौजूद हैं — शीर्षक, स्रोत, सारांश, लेखक का रुख, सूचना बिंदु, शामिल संस्थाएं और समय-संवेदनशीलता — लेकिन इन सभी फ़ील्ड के मान खाली हैं। केवल एक ही जानकारी उपलब्ध है: 'domain_label: football'। इसका अर्थ है कि विश्लेषण प्रणाली के पास काम करने के लिए कोई वास्तविक सामग्री ही नहीं है। यह स्थिति अपने आप में एक बड़ी तकनीकी और संपादकीय विफलता है। एक पत्रकार या विश्लेषक के लिए, खाली फ़ील्ड वाला ढांचा किसी भी तरह से उपयोगी नहीं है। अगर इस आधार पर विश्लेषण किया जाए, तो एकमात्र रास्ता कल्पना और अनुमान का होगा, जो पेशेवर पत्रकारिता के मूल सिद्धांतों के खिलाफ है। यही कारण है कि विश्लेषण प्रणाली ने स्पष्ट रूप से कहा है कि वर्तमान में गहरा विश्लेषण संभव नहीं है। यह ईमानदारी भी एक महत्वपूर्ण संकेत है — AI प्रणालियों को 'नहीं जानने' को स्वीकार करना सीखना चाहिए, न कि रिक्त स्थान को भरने के लिए मनगढ़ंत कहानियां गढ़नी चाहिए। समस्या की जड़ को समझने के लिए यह देखना जरूरी है कि आखिर Stage-1 का आउटपुट खाली क्यों है। विशेषज्ञों के अनुसार, इस तरह का आउटपुट — जहां सभी फ़ील्ड मौजूद हैं लेकिन मान खाली हैं — 'लेख की सामग्री कमजोर होने' का संकेत नहीं है, बल्कि यह 'निष्कर्षण (extraction) प्रक्रिया की मूक विफलता' (silent failure) की ओर इशारा करता है। यानी प्रणाली ने कोई त्रुटि संदेश तो नहीं दिया, लेकिन वास्तव में कुछ भी निकाल नहीं पाया। इसके कई संभावित कारण हो सकते हैं। पहला और सबसे संभावित कारण यह है कि अपस्ट्रीम (upstream) प्रक्रिया ने मूल पाठ (body text) को ही आगे नहीं भेजा। हो सकता है कि वेब स्क्रैपिंग सफल रही हो, लेकिन सही पाठ चयनकर्ता (selector) ने काम नहीं किया और केवल नेविगेशन या कॉपीराइट अनुभाग ही प्राप्त हुआ हो। निष्कर्षण इंजन ने खाली सूची लौटा दी, लेकिन त्रुटि नहीं दी। दूसरा कारण भाषा या एन्कोडिंग से जुड़ा हो सकता है — यदि मूल पाठ अंग्रेजी के अलावा किसी अन्य भाषा में है और निष्कर्षण टेम्पलेट केवल अंग्रेजी के लिए डिज़ाइन किए गए हैं, तो पाठ को पार्स नहीं किया जा सकता। तीसरा कारण लंबाई में कटौती (truncation) हो सकता है — यदि इनपुट संदर्भ विंडो से अधिक लंबा है, तो केवल शीर्षक क्षेत्र बचा होगा। चौथा कारण प्रॉम्प्ट इंजीनियरिंग में अत्यधिक कठोरता हो सकती है — 'केवल सख्त JSON आउटपुट' का निर्देश और कुछ उदाहरण (few-shot) न होने के कारण मॉडल ने त्रुटि के बजाय खाली संरचना चुनी। पांचवां, सबसे कम संभावित कारण यह है कि लेख वास्तव में बहुत छोटा था, जैसे केवल एक पंक्ति की त्वरित सूचना या चित्र कैप्शन। इस विफलता का सबसे बड़ा खतरा यह है कि यह 'गलत विश्लेषण' की ओर ले जाती है। फुटबॉल सामग्री की समय-संवेदनशीलता अत्यंत उच्च होती है — मैच से पहले, मैच के बाद और ट्रांसफर विंडो के दौरान, एक ही तथ्य का अर्थ पूरी तरह बदल जाता है। यदि समय-संवेदनशीलता का आकलन ही नहीं किया गया है, तो विश्लेषण की दिशा ही गलत हो सकती है। इसके अलावा, 'football' शब्द में ही अस्पष्टता है — क्या यह सॉकर (soccer) है या अमेरिकन फुटबॉल? केवल इस टैग के आधार पर शब्दावली और प्रतियोगिता संदर्भ तय करना असंभव है। इसलिए, वर्तमान स्थिति में सबसे उपयुक्त कदम यह है कि पहले यह पता लगाया जाए कि Stage-1 खाली क्यों है। विशेषज्ञों का सुझाव है कि पहले Stage-1 के मूल इनपुट की लंबाई और वर्ण वितरण की जांच की जाए, फिर यह देखा जाए कि क्या निष्कर्षण इंजन ने 'खाली परिणाम' के लिए कोई फ़ॉलबैक (fallback) रखा है। सही दृष्टिकोण यह होना चाहिए कि खाली परिणाम पर स्पष्ट रूप से विफलता घोषित की जाए, न कि खाली खोल लौटाया जाए। विश्लेषण जारी रखने के लिए तीन विकल्प हैं। पहला, मूल लेख का पूरा पाठ उपलब्ध कराया जाए — यह सबसे अच्छा विकल्प है, क्योंकि तब Stage-1 को छोड़कर सीधे विश्लेषण किया जा सकता है। दूसरा, Stage-1 को दोबारा चलाया जाए, इस बार सूचना बिंदुओं की संख्या और मूल पाठ के शब्दों की संख्या को स्व-जांच संकेतक के रूप में आउटपुट करने के लिए कहा जाए। तीसरा, कुछ सूचना बिंदु मैन्युअल रूप से दिए जाएं — कौन, कब, क्या हुआ, क्या संख्याएं हैं — और इनके आधार पर विश्लेषण किया जाए, साथ ही अनुमान की सीमाओं को स्पष्ट रूप से चिह्नित किया जाए। यह घटना व्यापक रूप से AI-संचालित समाचार उत्पादन की सीमाओं की ओर भी इशारा करती है। स्वचालित प्रणालियां गति और पैमाने में तो अच्छी हैं, लेकिन जब इनपुट में कमी होती है, तो वे अक्सर 'खाली ढांचे' का सहारा लेती हैं, जो पाठकों को भ्रमित कर सकता है और पत्रकारिता की विश्वसनीयता को नुकसान पहुंचा सकता है। एक जिम्मेदार प्रणाली को यह सीखना चाहिए कि जब उसके पास पर्याप्त जानकारी न हो, तो वह स्पष्ट रूप से 'मैं नहीं जानता' कहे, न कि रिक्त स्थान को भरने के लिए काल्पनिक विश्लेषण प्रस्तुत करे। स्पोर्ट्स पत्रकारिता में, जहां तथ्य और समय-संदर्भ सर्वोपरि हैं, यह सिद्धांत और भी महत्वपूर्ण हो जाता है। अंत में, यह मामला तकनीकी टीमों के लिए एक चेतावनी है: निष्कर्षण प्रणालियों में 'मूक विफलता' को समाप्त करना और स्पष्ट त्रुटि प्रबंधन लागू करना आवश्यक है। साथ ही, संपादकीय टीमों को यह सुनिश्चित करना चाहिए कि कोई भी स्वचालित आउटपुट मानवीय समीक्षा के बिना प्रकाशित न हो, विशेषकर जब संरचना खाली हो। केवल इस तरह से AI उपकरण पत्रकारिता का सहायक बन सकते हैं, उसका विकल्प नहीं।