একটি মেরুন গাউন, একটি ভুল লেবেল: ক্রিকেট ডেটাসেটের ভেতরের নীরব দূষণ
core_answer: The Stage-1 pipeline mislabelled a Bengali entertainment article about actress Mandira Chakraborty's pre-Puja styling as cricket_asia. The source contains no match, player, team, league, or governance content, making it a classification false positive and a sports-data integrity risk.
key_facts: The domain label cricket_asia was applied to a Bengali celebrity fashion article, not to cricket content.; The source had no match, no cricketer, no team, no league, and no governance data.; Festival keywords such as Puja, Mahalaya, and Shashthi likely triggered the misclassification.; The correct action is to return the item to Stage-1 for reclassification as entertainment/fashion.; The fix is a domain gate requiring at least one cricket entity before any cricket tag applies.
source_attribution: Source: Stage-2 Deep Professional Analysis (CricSultan data-integrity review), based on a Stage-1 Bengali entertainment/fashion input, Durga Puja 2026 cycle (October 2026) | Cross-checked: cricsultan.com
related_qa: q: Why was the article labelled cricket_asia?, a: South-Asian festival and regional keywords such as Puja and Mahalaya likely produced a false-positive classification | Cross-checked: cricsultan.com; q: What is entity pollution in sports data?, a: It is the entry of out-of-domain names, such as an actress, into a curated cricketer entity list | Cross-checked: cricsultan.com Player Depth Index; q: How can such misclassification be prevented?, a: By enforcing a domain gate, a classifier confidence threshold, and separate entity registries for entertainment and sport | Cross-checked: cricsultan.com
মহালয়ার পরের সন্ধ্যায় আমি যখন ফিড স্ক্রল করছিলাম, চোখ আটকে গেল একটি মেরুন রঙের গাউনে। দশটি ছবি, একটার পর একটা — কাট, গয়না, মেকআপ, আর নিচে ক্যাপশন: "আমি স্পটলাইট অনুসরণ করি না, আমি নিজেই স্পটলাইট হয়ে যাই।" স্বাভাবিকভাবেই এটি ছিল এক অভিনেত্রীর শারদীয়ার আগের সাজের গল্প, উৎসবের আলোয় সাজানো একটি সেলিব্রিটি-ফ্যাশন পোস্ট।
কিন্তু ছবিগুলোর ওপরে যে লেবেলটা বসানো ছিল, সেটা আমাকে থামিয়ে দিল — cricket_asia।
একটি গাউন, একটি উৎসবের ক্যালেন্ডার, আর একটি ক্রিকেট ডেটাসেট। এই তিনটি জিনিস একসাথে বসে গেলে যা হয়, সেটাই আজকের আসল খবর। আজ আমি কোনো ম্যাচ নিয়ে লিখছি না। আমি লিখছি আমাদের তথ্য-ব্যবস্থার ভেতরে একটা চুপচাপ ফুটো নিয়ে — এমন এক ফুটো, যা কোনো স্কোরকার্ডে ধরা পড়ে না, কিন্তু যার ওপর ভরসা করে আমরা হয়তো ভুল সিদ্ধান্ত নিচ্ছি। ক্রিকেট ম্যাচ দেখার বছরের অভিজ্ঞতা থেকে আমি একটা কথা শিখেছি: যা দেখা যায় না, সেটাই সবচেয়ে বিপজ্জনক। পিচের ফাটল চোখে পড়ে; ডেটার ফাটল চোখে পড়ে না।
প্রসঙ্গ: লেবেল কীভাবে বসে, আর কেন ভুল বসে
মনে রাখতে হবে, Stage-1 পাইপলাইন ঠিক কী করে। আঞ্চলিক ভাষার ফিড থেকে বিষয়বস্তু টেনে আনা হয়, তারপর কীওয়ার্ড-সহ-উপস্থিতি ও ভৌগোলিক সংকেতের ভিত্তিতে একটি ডোমেইন লেবেল বসানো হয়। "পূজা", "দুর্গা", "মহালয়া", "ষষ্ঠী", "বাংলা", "দক্ষিণ এশিয়া" — এই শব্দগুলো যখন একসাথে আসে, তখন মডেলের পক্ষে সঠিক সিদ্ধান্ত নেওয়া কঠিন হয়ে পড়ে। কারণ দক্ষিণ এশিয়ার সাংস্কৃতিক ক্যালেন্ডার আর ক্রিকেট ক্যালেন্ডার প্রায়ই একই শব্দভাণ্ডার ভাগ করে নেয়।
এই ঘটনায় cricket_asia লেবেলটি এসেছে ঠিক সেখান থেকেই। এখানে কোনো ম্যাচ নেই, কোনো ইনিংস নেই, কোনো ফল নেই। কোনো ক্রিকেটার নেই — কোনো ব্যাটিং, বোলিং, ফিল্ডিং ডেটা নেই। কোনো দল নেই, র্যাঙ্কিং নেই, স্কোয়াড নেই। কোনো লিগ নেই — আইপিএল, বিপিএল, পিএসএল, এসএ২০, কোনোটির লেনদেন নেই। কোনো নিয়ম বা শাসনব্যবস্থার বিষয় নেই, ক্রিকেটের বাণিজ্যিক কোনো উপাদানও নেই।
একটাই যোগসূত্র — ভৌগোলিক ও ভাষাগত প্রেক্ষাপট: দক্ষিণ এশিয়া এবং বাংলা সাংস্কৃতিক ক্যালেন্ডার। অর্থাৎ লেবেলটি টপিক্যাল নয়, ভৌগোলিক। এই পার্থক্যটা ছোট মনে হয়, কিন্তু এর ফল বিশাল। একটি ভৌগোলিক ট্যাগ যখন বিষয়বস্তু-ট্যাগের মতো আচরণ করে, তখন ডেটাসেট ধীরে ধীরে তার অর্থ হারাতে শুরু করে। আমি একটা গুজবের ধুলো ঝেড়ে ফেলি, যতক্ষণ না তার ভেতর থেকে একটা পুরো ক্যারিয়ার বেরিয়ে আসে — কিন্তু এবার ধুলো ঝাড়তে গিয়ে হাতে উঠে এল একটা গাউন। সেটাই সংকেত, যে পাইপলাইনে কোথাও একটা গলদ আছে।
সময়ের দিকটাও এখানে গুরুত্বপূর্ণ। এই কাহিনিটির সময় নির্ধারিত হয়েছে বাংলা উৎসব-ক্যালেন্ডার দিয়ে — মহালয়া, ষষ্ঠী, দুর্গাপূজা। এটা ক্রিকেটের ফিক্সচার-ক্যালেন্ডার নয়। অর্থাৎ কাহিনিটির সময়সীমা স্বল্প — উৎসব-সময়ের জন্য বাঁধা। কিন্তু এই স্বল্পায়ু কাহিনিটি যদি লেবেলের কারণে ডেটাসেটে স্থায়ী হয়ে যায়, তাহলে সমস্যাটি ক্ষণস্থায়ী থাকে না; সমস্যাটি স্থায়ী দূষণে পরিণত হয়।
মূল বিশ্লেষণ: যেখানে আটটি মাত্রাই ফাঁকা ফিরে এল
আমি যখন এই পোস্টটিকে একটি ক্রিকেট-বিশ্লেষণ কাঠামোর ভেতর দিয়ে চালালাম, তখন আটটি মাত্রার প্রতিটিই ফাঁকা ফিরে এল।
বিন্যাস ও ম্যাচ বিশ্লেষণ: কোনো টেস্ট, ওয়ানডে বা টি-টোয়েন্টি নেই; পাওয়ারপ্লে, মিডল-ওভার, ডেথ-ওভার বা সেশন ডেটা নেই। ভেন্যু নেই, পিচ নেই, আবহাওয়া বা ডিএলএস-এর প্রসঙ্গ নেই। শুধু "মহালয়া" আর "ষষ্ঠী" — যেগুলো দুর্গাপূজার উৎসব-ক্যালেন্ডার, ক্রিকেটের ফিক্সচার-ক্যালেন্ডার নয়।
খেলোয়াড়ের কৌশল ও ডেটা: নামটি একজন অভিনেত্রীর, ক্রিকেটার নয়। গড় নেই, স্ট্রাইক রেট নেই, ইকোনমি রেট নেই। উপস্থিত "ডেটা" বলতে শুধু ছবির ক্রম (১/১০, ৪/১০, ৭/১০) আর সাজের বৈশিষ্ট্য — গাউনের কাট, গয়না, মেকআপ। এগুলো কোনো ক্রিকেট মেট্রিক নয়। এখানে ব্যাটিং-বোলিং বিশ্লেষণ বসানো মানে সরাসরি বানানো তথ্য তৈরি করা, যা আমি সচেতনভাবে করব না।
দল ও র্যাঙ্কিং: কোনো জাতীয় দল নেই, ফ্র্যাঞ্চাইজি নেই, পরিচালনা পর্ষদ নেই। কোনো আইসিসি র্যাঙ্কিং নেই, ডব্লিউটিসি-র প্রসঙ্গ নেই। "এশিয়া" বা "বঙ্গ" এখানে সাংস্কৃতিক, প্রতিযোগিতামূলক নয়।
লিগ ও বাণিজ্যিক বাস্তুতন্ত্র: সম্প্রচার স্বত্বের মূল্য নেই, ফ্র্যাঞ্চাইজি মূল্যায়ন নেই, খেলোয়াড়ের বেতন নেই। নিলাম, চুক্তি, আরটিএম — কোনোটির তথ্য নেই।
নিয়ম ও শাসনব্যবস্থা: আইসিসি, বিসিসিআই, ইসিবি, সিএ, দুর্নীতি-বিরোধী ইউনিট, এনওসি — কোনোটির উল্লেখ নেই।
ঝুঁকি: খেলাধুলার ঝুঁকি শূন্য, কিন্তু একটা বাস্তব ঝুঁকি আছে — শ্রেণীবিভাগের দূষণ।
জনভাষ্য: উৎসব-সময়ের সেলিব্রিটি ফ্যাশন কাহিনি, ক্রিকেটের বাইরে। ক্যাপশনটি ব্যক্তিগত ব্র্যান্ডের বক্তব্য, প্রতিযোগিতামূলক ঘোষণা নয়।
শিল্প-প্রসারণ: কোনো সম্প্রচার, স্পনসরশিপ, বাজি বা ডেরিভেটিভ চ্যানেল সক্রিয় হয় না। ঊর্ধ্বধারা, মধ্যধারা, নিম্নধারা — ক্রিকেট-শিল্পের তিনটি স্তরের কোনোটিতেই এই বিষয়বস্তুর কোনো প্রভাব নেই।
আটটি মাত্রার আটটিই ফাঁকা — এটাই আসল সংকেত। এটি ক্রিকেট ডেটার একটি মিথ্যা-পজিটিভ, এবং মিথ্যা-পজিটিভ নিজে থেকে ক্ষতি করে না; ক্ষতি করে তখন, যখন তা সিস্টেমে জমা হতে থাকে। একটা ভুল রেকর্ড কেউ খেয়াল করে না; হাজারটা ভুল রেকর্ড একটা প্যাটার্ন তৈরি করে ফেলে, আর সেই প্যাটার্নকে আমরা ভুল করে বাস্তবতা ভাবতে শুরু করি।
নীরব দূষণ কীভাবে ছড়ায়
প্রথমে ক্ষতিটা নিরীহ। একটি ফ্যাশন পোস্ট একটি ক্রিকেট ফিডে ঢুকে পড়ে। কিন্তু তারপর সেটি খেলোয়াড়-তালিকায় একটা নাম যোগ করে — যেখানে ওর থাকার কথা ছিল না। এরপর সেই নাম সেন্টিমেন্ট-বিশ্লেষণে ঢোকে, ফ্রিকোয়েন্সি-গণনায় ঢোকে। ধীরে ধীরে "এশিয়া" শব্দটির সঙ্গে ক্রিকেটের সম্পর্ক আরও ঘোলা হয়ে যায়। একে বলা হয় এনটিটি পলিউশন — অর্থাৎ একটি যত্ন করে সাজানো খেলোয়াড়-তালিকায় বাইরের ডোমেইনের নাম ঢুকে যাওয়া।
এর চেয়েও গভীর সমস্যা হলো ডেটাসেটের আস্থা। আমরা ক্রিকেট-বিশ্লেষণে যেসব সিদ্ধান্ত নিই — কে ফর্মে, কে নয়, কোন দলের গভীরতা বেশি — সেগুলো দাঁড়িয়ে থাকে তথ্যের ওপর। তথ্যের একটি অংশ যদি বাইরের হয়, তাহলে সিদ্ধান্তের ভিত্তিও দুর্বল হয়। এখানে একটা বিষয় পরিষ্কার: সমস্যাটি কৃত্রিম বুদ্ধিমত্তা কোনো ভুয়া পরিসংখ্যান বানিয়ে ফেলছে বলে নয়; সমস্যাটি হলো, সিস্টেম চুপচাপ এমন তথ্য গ্রহণ করছে যা তার নয়। যন্ত্র কিছু বানায়নি — যন্ত্র শুধু ভুল দরজা দিয়ে ঢুকতে দিয়েছে।
আর একটা দিক খেয়াল করার মতো। ক্রিকেট-বিশ্লেষণ আজ আর একা দাঁড়িয়ে নেই। বাজি, ফ্যান্টাসি খেলা, দলের স্কাউটিং সিদ্ধান্ত — সবই খাওয়ানো হয় একই ডেটা-নদী থেকে। সেই নদীতে যদি বাইরের ডোমেইনের জল মিশে যায়, তাহলে দূষণটি এক জায়গায় থেমে থাকে না; সেটি গোটা ব্যবস্থায় ছড়িয়ে পড়ে। একটি মিথ্যা-পজিটিভ যখন বাজি-মডেলে পৌঁছায়, তখন সেটি আর কেবল একটি ভুল রেকর্ড নয়, সেটি একটি ভুল সিদ্ধান্ত।
এখানেই একটি বাস্তব সমাধানের কথা আসে, যা খেলাধুলার ডেটা-ব্যবস্থায় এখনো বিরল: প্রমাণ-স্তর, অর্থাৎ ডেটার উৎস ও যাত্রাপথের যাচাইযোগ্য রেকর্ড। ব্লকচেইনের মূল ধারণা এখানেই কাজে লাগে — কোনো রেকর্ড একবার লেখা হলে তা পরিবর্তন করা যায় না, আর প্রতিটি রেকর্ডের সঙ্গে থাকে তার উৎসের সিলমোহর। যদি প্রতিটি ক্রিকেট রেকর্ডের সঙ্গে একটি অপরিবর্তনীয় প্রমাণ-লগ থাকত, তাহলে দেখা যেত — কে, কখন, কোন ফিড থেকে এটি টেনেছে। একটি ফ্যাশন পোস্ট যখন ঢুকত, তখনই তার গায়ে লেগে থাকত "সাংস্কৃতিক, ক্রিকেট নয়" সিলমোহর। অর্থাৎ সমাধানটি বিশ্লেষণের স্তরে নয়, গ্রহণের দরজায়।
তিনটি বাস্তব পদক্ষেপ এই ফুটো বন্ধ করতে পারে। একটি ডোমেইন গেট — বিষয়বস্তুকে ক্রিকেট ডেটাসেটে ঢোকার আগে ন্যূনতম শর্ত মানতে হবে; কমপক্ষে একটি স্বীকৃত ক্রিকেট এনটিটি (খেলোয়াড়, দল, ম্যাচ বা লিগ) থাকলেই কেবল "ক্রিকেট" লেবেল বসবে। দ্বিতীয়ত, শ্রেণীবিভাগকারীর আস্থার একটি সীমা — নির্দিষ্ট মাত্রার নিচে আস্থা থাকলে লেবেল বসবে না, বরং পর্যালোচনার জন্য আলাদা হবে। তৃতীয়ত, আলাদা এনটিটি রেজিস্ট্রি — বিনোদনজগতের মানুষের জন্য আলাদা তালিকা, ক্রিকেটারদের জন্য আলাদা। এই তিনটি একসাথে কাজ করলে একটি উৎসবের গাউন আর কখনো পিচের স্কোরকার্ডে ঢুকবে না।
বিপরীত দৃষ্টি: আমরা ভুল জায়গায় ভয় পাচ্ছি
এখানে একটা অস্বস্তিকর সত্য লুকিয়ে আছে। আমরা সাধারণত ক্রিকেট ডেটার ক্ষেত্রে যে ভয়টা পাই, সেটা হলো — বিশ্লেষণ হয়তো অতিরিক্ত আত্মবিশ্বাসী, মডেল হয়তো সত্যের চেয়ে বেশি বড় মাপের দাবি করছে। কিন্তু এই ঘটনাটি দেখায়, বিপদটি উল্টো দিক থেকে আসে। বিপদটি আসে অতিরিক্ত দাবি থেকে নয়, বরং অতিরিক্ত গ্রহণ থেকে। সিস্টেম যা তার নয়, তাকেও গ্রহণ করে নিচ্ছে — কোনো প্রশ্ন ছাড়াই।
দ্বিতীয় যে ধারণাটি ভাঙে, সেটা হলো "বেশি ডেটা মানেই ভালো ডেটা"। খেলাধুলার জগতে আজ একটা ছড়ানো ধারণা — যত বেশি তথ্য, তত বেশি সত্য। কিন্তু এই ঘটনা দেখায়, বেশি তথ্যের সঙ্গে যদি প্রমাণ-স্তর না থাকে, তাহলে প্রতিটি অতিরিক্ত রেকর্ড একটা সম্ভাব্য দূষণও। একটি পরিষ্কার ডেটাসেট, যা ছোট কিন্তু বিশুদ্ধ, তার মূল্য অনেক বেশি একটি বিশাল কিন্তু ঘোলা ডেটাসেটের চেয়ে। এখানে আমার নিজের একটা অভ্যাসের কথা বলি: প্রতিটি স্কাউটিং প্রতিবেদনের শুরুতে আমি এখন "নীরবতা" পড়ি — কার নাম নেই, কার নাম থাকা উচিত ছিল কিন্তু নেই। এবার সেই নীরবতা উল্টোভাবে ধরা দিল: যার নাম থাকা উচিত ছিল না, সে-ই তালিকায় ঢুকে পড়েছে।
তৃতীয় বিপরীত দিকটি হলো দায়। সহজ হলো মডেলকে দোষ দেওয়া। কিন্তু মডেল কেবল আয়না — সে আমাদের নিজেদের দুর্বল দরজাগুলো দেখায়। যদি পাইপলাইনে প্রবেশের সময় কোনো গেট না থাকে, তবে দোষ মডেলের নয়, দোষ আমাদের সিদ্ধান্তের — যে আমরা গেটটি বসাইনি।
শেষ কথা
সুতোটা একটা ফিড থেকে খুলে গিয়েছিল, আর ঢুকে পড়েছিল এমন এক ডেটাসেটে, যেখানে আমার ঢোকা উচিত ছিল না — কিন্তু যেখানে আমি ঢুকে পড়েছি বলেই আজ একটা কথা বলা গেল। সামনের দিনে ক্রিকেট-বিশ্লেষণ যত গভীর হবে, তত বেশি তার ভিত্তি হবে তথ্যের বিশুদ্ধতা। একটি নির্ভরযোগ্য ডেটাসেট কোনো বিলাসিতা নয়, সেটাই ভিত্তি।
প্রশ্নটা তাই সোজা: আমরা কি পরিসংখ্যান বানানো নিয়ে ভাবব, নাকি পরিসংখ্যানের ভেতরে কী ঢুকছে তা নিয়ে? একটি মেরুন গাউন আমাদের যা শিখিয়ে গেল, তা হলো — সবচেয়ে বড় মিথ্যা কখনো চিৎকার করে না; সে চুপচাপ ঢুকে পড়ে, আর আমরা তাকেই সত্য ভাবতে শুরু করি।
