एक खाली डेटा शीट और एक भरा हुआ मैदान: कारगिल के बाद कारगिल से पहले तक की कबड्डी

हुक

पिछले हफ्ते देर रात दिल्ली के एक कमरे में मैंने अपनी पुरानी ग्राफ पेपर वाली शीट निकाली — 2026 की वो शीट जिस पर मैंने पारदीप नरवाल की 214 रेड्स एक-एक वर्ग में उतारी थीं। उसके ठीक बगल में मेरे लैपटॉप पर एक स्टेज-1 पाइपलाइन का आउटपुट खुला था। बारह फ़ील्ड्स, बारह खाली बॉक्सेज़, और नीचे एक लेबल: domain: kabaddi। उस शीट ने मुझे बताया कि नरवाल बॉनस लाइन के कितने करीब जाते थे। इस आउटपुट ने मुझे सिर्फ़ इतना बताया कि सिस्टम को पता है कि कबड्डी एक खेल है। मुझे यही विरोधाभास पसंद आया — मैदान खचाखच भरा हुआ, डेटा शीट पूरी तरह खाली। और यह पहली बार नहीं हुआ है।

बैकग्राउंड

कबड्डी पर लिखने वाले किसी भी व्यक्ति के लिए यह समस्या परिचित है। PKL के बाद भारतीय खेलों में क्रिकेट के बाद शायद सबसे साक्षर डेटा-संस्कृति कबड्डी की ही बनी है — मैच की हर रेड, हर टैकल, हर डू-ऑर-डाई सीज़न के अंत तक कहीं न कहीं दर्ज होती है। लेकिन इस डेटा-संस्कृति की एक नींव वाली दरार है: जो चीज़ मैदान पर होती है और जो चीज़ स्क्रीन पर दर्ज होती है, उनके बीच का पुल अक्सर टूट जाता है। 2026 में जब मैंने लॉकडाउन के एक कमरे में 118 आर्काइव मैचों की 4,127 रेड्स कोड कीं, तो सबसे पहली बात जो समझ आई वो यह थी — आर्काइव में कई मैचों की स्कोरशीट भी अधूरी थी। आप 13 मीटर x 10 मीटर के मैदान की ज्यामिति जितनी बारीकी से उतार लें, अगर सोर्स फ़ाइल खाली है तो डायग्राम सिर्फ़ एक सुंदर झूठ बन जाता है।

यही वजह है कि पिछले कुछ सालों में मैंने अपने हर डेटा-आधारित लेख के साथ एक छोटा-सा मेथडोलॉजी नोट रखना शुरू किया — सैंपल साइज़, कोडिंग नियम, और ज्ञात खाली जगहें। उसी अनुशासन से मैं यह कह सकता हूं कि जो स्टेज-1 आउटपुट मेरे सामने था, वो एक तकनीकी विफलता थी, न कि विश्लेषण की सामग्री। इन्फॉर्मेशन पॉइंट्स पूरी तरह खाली थे। एंटिटीज़ को "ऊपर के इन्फॉर्मेशन पॉइंट्स से पहचानें" कहा गया था — पर ऊपर कुछ भी नहीं था। आर्टिकल टाइप Unclassified था, जबकि डोमेन लेबल मौजूद था। यह वही क्लासिक स्थिति है जब स्क्रैपर ने JS-रेंडर पेज या पे-वॉल पकड़ा हो, सेलेक्टर साइट-रीडिज़ाइन से टूट गया हो, या LLM कॉल टाइमआउट होकर खाली टेम्पलेट लौटा दे।

कोर

मैंने करीब चार साल पहले एक नियम बनाया था: किसी भी डेटा-आधारित दावे के साथ उसका कॉन्फिडेंस इंटरवल भी छापो, और जहां सैंपल दावे को नहीं उठा सकता, वहां साफ़-साफ़ लिखो। इसी नियम ने मुझे 2026 के जकार्ता पोस्ट-मॉर्टम में बचाया था। उस साल भारत ग्रुप गेम में दक्षिण कोरिया से 23-24 हारा और सेमीफ़ाइनल में ईरान से 18-27 — 2026 से पहली बार गोल्ड चूका। मैंने लाचारी में रोना लिखने के बजाय छहों मैचों की 187 टैकल अटेम्प्ट्स को टाइप के हिसाब से कोड किया: एंकल होल्ड, थाई होल्ड, डैश, चेन। ईरान की कुश्ती-जनित डिफ़ेंस, फ़ज़ेल अत्राचाली के इर्द-गिर्द बनी, अपने 41 प्रतिशत टैकल अटेम्प्ट्स कन्वर्ट कर रही थी; भारत के 26। यह संख्या मेरे लिए एक स्थायी सुधार बन गई — मैंने ईरान को "स्पॉइलर" कहना बंद कर दिया और हर प्रीव्यू में उन्हें सह-पसंदीदा लिखना शुरू किया, संख्या के साथ।

अब वापस उस खाली पाइपलाइन आउटपुट पर। इसे एक तकनीकी लेंस से देखें तो तस्वीर साफ़ हो जाती है। यहाँ कोई "कंटेंट" नहीं है, इसलिए कोई भी डाउनस्ट्रीम टास्क — एंटिटी एक्सट्रैक्शन, टाइम-सेंसिटिविटी, सोर्स-क्वालिटी स्कोरिंग — गणितीय रूप से असंभव है। एंटिटीज़ को इन्फॉर्मेशन पॉइंट्स से निकालने को कहा गया, पर इनपुट खाली। जब इनपुट खाली हो तो आउटपुट को भी खाली या त्रुटि होना चाहिए, "domain: kabaddi" वाला सुंदर खोल नहीं। मेरे मॉडलिंग अनुभव में यही सबसे महंगी गलती है — एक ऐसा आउटपुट जो दिखने में स्ट्रक्चर्ड है पर अंदर से खोखला है। यह डाउनस्ट्रीम मॉडल को यह संकेत देता है कि यहाँ कुछ है, और फिर वह भरने लगता है। मैंने यह अपनी आंखों से देखा है: जब भारत 2026 में ईरान से हारा था, तो कई प्रीव्यू में "भारत निश्चित रूप से गोल्ड जीतेगा" का दावा था, जबकि उस टीम की टैकल कन्वर्ज़न रेट 26 प्रतिशत थी। वह दावा भी एक खाली शीट पर बना था — बस उसमें डोमेन लेबल "कबड्डी" के बजाय "देशभक्ति" था।

इस पाइपलाइन में जो गायब है, वो सिर्फ़ टेक्स्ट नहीं है — वो वह अनुशासन है जो कहता है कि डेटा न हो तो विश्लेषण नहीं होता। मैंने 4,127 रेड्स कोड करते हुए यह सीखा: जब सीज़न 7 तक डबकी का हिस्सा सफल रेड्स में 8.4 प्रतिशत से गिरकर 2.1 प्रतिशत रह गया, तब भी मैंने निष्कर्ष नहीं निकाला जब तक कि बोनस-लाइन अटेम्प्ट्स का लगभग एक-तिहाई इज़ाफ़ा साथ में दर्ज नहीं हुआ। दो अलग-अलग ट्रेंड्स को एक कहानी में जोड़ने से पहले मैंने दोनों को अलग-अलग शीट पर रखा। यही वह अनुशासन है जो स्टेज-1 से गायब है।

कंट्रैरियन

लेकिन यहाँ एक असुविधाजनक पक्ष है, और मैं इसे छिपाऊंगा नहीं। एक खाली पाइपलाइन आउटपुट को देखकर मेरा पहला रिफ़्लेक्स यह कहना है कि सिस्टम विफल हो गया। पर मेरे अनुभव में, कभी-कभी खालीपन ही सही उत्तर होता है। अगर मैं किसी स्टेज-1 से कहूं कि वो उस लेख से इन्फॉर्मेशन पॉइंट्स निकाले जो वास्तव में पेडवॉल के पीछे है, तो सबसे ईमानदार आउटपुट खाली ही होना चाहिए। समस्या यह नहीं कि यह खाली है — समस्या यह है कि उसने खाली होने के बावजूद डोमेन लेबल थामे रखा और नीचे के किसी भी स्टेज को नहीं रोका। खाली शीट एक तकनीकी तथ्य है; खाली शीट पर बना स्ट्रक्चर एक झूठ है। यही उस वाक्य का इस्तेमाल है जो मैं हर मॉडल-पोस्टमॉर्टम में लिखता हूं: मेथड को उसकी गलतियों से देखो, उसकी सफलताओं से नहीं।

इसका सीधा निहितार्थ यह है कि कबड्डी के डेटा-पारिस्थितिकी में भी यही समस्या जड़ें जमा चुकी है। जब कोई मैच की हाइलाइट-पैकेज देखकर "इस सीज़न डिफ़ेंस मज़बूत हुई है" कहता है, तो वह भी असल में एक खाली शीट पर डोमेन लेबल चिपका रहा है। असली सवाल यह है कि हाइलाइट में क्या नहीं दिखा। मेरे कोडेड डिफ़ेंसिव सीक्वेंसेज़ — 640 सीक्वेंसेज़ जो मैंने सीज़न 8 के दौरान बेंगलुरु में बिना दर्शकों के कोड किए — में जो यूनिट बॉक लाइन पार करने के 1.2 सेकंड के भीतर ट्रिगर करती थीं, उन्होंने प्रति रेड 0.31 कम रेड पॉइंट्स दिए। पर मैं यह कभी नहीं कहूंगा कि यह एकमात्र कारण था। हो सकता है वो यूनिट्स इसलिए भी बेहतर थीं क्योंकि उनके कॉर्नर ज़्यादा एथलेटिक थे, या कोचिंग-स्टाफ़ का रोटेशन बेहतर था। दोनों को अलग करने के लिए मुझे डिफ़ेंडर्स के फुटवर्क डिस्टेंस का अलग डेटा चाहिए, जो अभी मेरे पास नहीं है। जब तक वो नहीं है, यह दावा एक घेरे में खड़ा है।

टेकअवे

तो अगली बार जब कोई पाइपलाइन आपको "domain: kabaddi" वाला साफ़-सुथरा खाली बॉक्स दे, तो उसे भरने की कोशिश मत करो। उसे रोको, और पूछो कि सोर्स फ़ाइल कहां है। मेरे पास अभी भी वो 2026 वाली ग्राफ-पेपर शीट है, और उस पर हर वर्ग में एक नाम लिखा है — बिना नाम वाला वर्ग सिर्फ़ खाली जगह है, दावा नहीं। अगले सीज़न की शुरुआत में मैं यही गिनूंगा: कितने प्रीव्यू खाली शीट से लिखे जाते हैं, और कितने कोडेड डेटा से। मेरा अनुमान है कि पहली संख्या दूसरी से बड़ी होगी। अगर मैं गलत हूं, तो सबसे अच्छी खबर यही होगी — और मैं उस शीट को दो बार चलाऊंगा।