खाली लिस्ट, बिना एरर: cricket_asia की कवरेज पाइपलाइन में वह साइलेंट विफलता जिसे कोई नहीं देख रहा

Stage-1 का आउटपुट आया। एक ही पंक्ति में कुछ था — Domain Label: cricket_asia। बाकी सब खाली। Article Title N/A, Source N/A, Type Unclassified, One-sentence Summary खाली, और Information Points एक खाली लिस्ट। Entities Involved के आगे निर्देश लिखा था "ऊपर के सूचना-बिंदुओं से पहचानें" — जबकि ऊपर कोई सूचना-बिंदु मौजूद ही नहीं था।

चौंकाने वाली चीज़ आउटपुट नहीं थी। चौंकाने वाली चीज़ यह थी कि पाइपलाइन ने कोई एरर नहीं फेंका। शून्य सूचना-बिंदु एक वैध पेलोड की तरह आगे सरक गए, जैसे स्कोरबोर्ड पर शून्य टँगा हो और अंपायर खेल जारी रखने का इशारा कर दे। 2026 में कोलकाता की बंद खिड़कियों के पीछे मैंने IPL का वह सीज़न हेडफ़ोन पर दोबारा देखा था — 212 स्टंप-माइक संवाद, ओवर-दर-ओवर टाइमस्टैम्प के साथ, क्योंकि भीड़ की गूंज हट चुकी थी और कप्तान की आवाज़ चालीस मीटर तक साफ़ आ रही थी। खाली स्टेडियम का मतलब सन्नाटा नहीं होता; नीचे झुककर सुनना पड़ता है। यहाँ उल्टा हुआ — सिस्टम ने सुना ही नहीं, और चुप्पी को "कुछ नहीं मिला" कहकर फ़ाइल कर दिया।

cricket_asia एक ऐसा डोमेन है जिसकी भौगोलिक सीमा साफ़ है और एडिटोरियल सीमा बिल्कुल नहीं। इस एक लेबल के अंदर ACC का टूर्नामेंट-प्रशासन आता है, PCB, SLC, BCB, नेपाल क्रिकेट एसोसिएशन और अफ़ग़ानिस्तान क्रिकेट बोर्ड की बोर्ड-राजनीति आती है, और सितंबर 2026 का वह एशिया कप भी आता है जो हाइब्रिड मॉडल पर खेला गया — चार मैच पाकिस्तान में, बाकी श्रीलंका में। एक टूर्नामेंट, दो मेज़बान, तीन बॉर्डर-प्रोटोकॉल। इस डोमेन की कवरेज का बड़ा हिस्सा अंग्रेज़ी में है ही नहीं: जांग और एक्सप्रेस उर्दू में छपते हैं, दैनिक जागरण और अमर उजाला हिंदी में, प्रथम आलो बांग्ला में, दैनामिना और लंकादीपा सिंहली में। अगर एक्सट्रैक्टर अंग्रेज़ी वाक्य-विभाजन पर बना है, तो cricket_asia की आधी दुनिया उसके लिए अदृश्य है — और अदृश्यता कभी एरर नहीं देती।

पाइपलाइन के ज्ञात रिसाव चार हैं, और मैं उन्हें संभावना के क्रम में रखता हूँ। कंसेंट-पेज रीडायरेक्ट: क्रॉलर पहुँचता है, कुकी-दीवार पर रुक जाता है, HTML में लेख की जगह "हम आपकी प्राइवेसी का सम्मान करते हैं" बचता है। JS-रेंडर वाला पेज: सर्वर से आया दस्तावेज़ खोखला है, बॉडी ब्राउज़र में बनती है, इसलिए एक्सट्रैक्टर को शुद्ध शून्य मिलता है। सेलेक्टर ड्रिफ़्ट: साइट का टेम्पलेट बदला, पुराना article-body क्लास मर गया, और पार्सर ने शून्य नोड्स पर चुपचाप काम पूरा कर लिया। चौथा, सबसे नीचे — इनपुट में ही सिर्फ़ टाइटल या URL गया हो। पहले तीन में सिस्टम को भीतर ही भीतर पता होता है कि कुछ गड़बड़ है। चौथे में नहीं।

असली खोमचा सेलेक्टर में नहीं, स्कीमा में है। एक स्कीमा जो शून्य सूचना-बिंदु को वैध आउटपुट मान लेती है, वह उस डिफ़ेंडर जैसी है जो गेंद छोड़ देता है और अगले दिन टेप पर साबित कर देता है कि छोड़ना ही योजना थी। डेटा-पाइपलाइन में यह योजना नहीं है, यह अनुपस्थित एसर्शन है। जिस दिन information_points == 0 को FAIL नहीं, बल्कि VALID माना जाएगा, उस दिन हर खाली रिपोर्ट भरोसेमंद दिखेगी और हर भरोसेमंद रिपोर्ट संदिग्ध। यह विफलता शोर नहीं करती, इसलिए यह डाउनस्ट्रीम में फैलती है: Source Quality सूचना-बिंदुओं के source फ़ील्ड से तय होती है, Time Sensitivity उनके timestamp से, Author Stance उनके दावों से। जब ये तीनों इनपुट खाली हों, तो आउटपुट "अनिर्धारित" नहीं आता — वह आत्मविश्वास से भरा खाली आता है। एरर लाइन रोक देता है; साइलेंट फेल्युअर लाइन आगे भेज देता है, और नीचे बैठा हर विश्लेषक उसी खाली ढाँचे पर अपनी कहानी टाँगने लगता है।

दूसरी गड़बड़ लेबल की प्रकृति है। cricket_asia एक विषय-लेबल है या भूगोल-लेबल? अगर यह विषय है — एशियाई बोर्ड, ACC कैलेंडर, ब्रॉडकास्ट राइट्स, एशिया कप का मेज़बानी संकट — तो विश्लेषण खेल-प्रशासन के ढाँचे में चलेगा। अगर यह सिर्फ़ इसलिए लगा है कि प्रकाशक एशिया में बैठता है, तो फ़्रेम भू-राजनीति और मीडिया-इकोनॉमिक्स का होगा। एक ही लेबल से दो बिल्कुल अलग लेख निकलते हैं, और लेबल अकेला यह फ़ैसला नहीं कर सकता। जो ऑडिट इस अंतर को दर्ज नहीं करता, वह बाद के हर चरण में अनुमान भरता रहता है।

तीसरी गड़बड़ भाषा है, और यही सबसे कम आँकी जाती है। उर्दू दाएँ-से-बाएँ चलती है; वाक्य-विभाजन के नियम जो अंग्रेज़ी के लिए लिखे गए, वहाँ वही अक्षर टूटते हैं जिनके बीच में टूटना मना है। बांग्ला और सिंहली में यूनिकोड नॉर्मलाइज़ेशन का एक ही ग़लत कदम नामों को दो अलग एंटिटी बना देता है — एक ही क्रिकेटर तीन लिपियों में तीन अलग लोग। ऐसे में Entities Involved भरना तो दूर, यह तय करना भी मुश्किल है कि दो खबरें एक ही घटना की हैं या दो अलग। मैंने जेद्दा में नवंबर 2026 के मेगा ऑक्शन में यही सबक भरा था: मेरा मॉडल ऋषभ पंत को 19 करोड़ पर बैठा रहा, लखनऊ ने 27 करोड़ दिए, और मैंने अंतर छिपाया नहीं — क्योंकि अंतर ही कहानी था। यहाँ अंतर यह है कि 19 करोड़ का अनुमान कम-से-कम किसी गणना से आया था; यह खाली लिस्ट किसी गणना से नहीं आई, वह अनुपस्थिति है जिसे गणना कहकर भेजा गया।

और इसीलिए यह ऑडिट स्क्रेपर के बारे में नहीं है। स्क्रेपर अपना काम कर रहा है। जो टूटा है वह कवरेज की परिभाषा है — यह मान लेना कि cricket_asia को अंग्रेज़ी वेबसाइटों के ज़रिए पढ़ा जा सकता है। यह वही आत्म-धोखा है जो मैंने ग्यारह दिन तक पाला था: मॉडल खड़ा रहा, लुसैल ने नब्बे मिनट में तोड़ दिया। मॉडल गलत नहीं था, मॉडल का नमूना गलत था।

उलटा दावा उबाऊ लगता है — "स्क्रेपर में बग है" — और मेरे पास इसका उलटा रखने के लिए गिनती है: चार ज्ञात विफलताओं में तीन लॉग में एरर छोड़ती हैं, एक नहीं। वह एक ही बार-बार आती है। इसलिए साइलेंट विफलता कोई दुर्घटना नहीं, डिज़ाइन का नतीजा है। एक पल के लिए मान भी लें कि खाली नतीजा सही था — उस स्रोत में उस दिन कुछ था ही नहीं। तब भी सिस्टम को यह लिखना चाहिए था "इनपुट खाली मिला", न कि "विश्लेषण अधूरा है"। इन दो वाक्यों के बीच का फ़र्क़ ही डेटा-जर्नलिज़्म की पूरी अकाउंटेबिलिटी है, और यही फ़र्क़ तय करता है कि अगली बार पाइपलाइन पर भरोसा किया जाए या नहीं।

मैं अपनी शर्त पहले दर्ज कर रहा हूँ, ताकि बाद में बहाना न बचे। cricket_asia का अगला आउटपुट तभी पास माना जाएगा जब हर सूचना-बिंदु के साथ चार फ़ील्ड मौजूद हों — claim, evidence_type, source, timestamp। और उस दिन पाइपलाइन ठीक मानी जाएगी जिस दिन जांग का एक उर्दू पैराग्राफ़ उतनी ही सफ़ाई से निकलेगा जितनी सफ़ाई से किसी अंग्रेज़ी वेबसाइट का लीड। तब तक हर "गहरा विश्लेषण" एक शब्द पर खड़ा है। नौ हज़ार शब्द लिखने के बाद भी स्टंप-माइक बिल्डिंग का सबसे अच्छा विश्लेषक था। यहाँ माइक बंद है, और उसे बंद होने की आवाज़ भी नहीं आ रही।