A Scoping Review of Methods to Measure the Energy and Carbon Footprint of Web Tracking and Advertising

जब भी आप किसी वेबसाइट पर जाते हैं, तो बैकग्राउंड में डेटा विनिमय की एक छिपी हुई अर्थव्यवस्था चलती है। जब आप कोई लेख पढ़ रहे होते हैं या वीडियो देख रहे होते हैं, तो आपके व्यवहार को ट्रैक करने, आपकी रुचियों का प्रोफाइल बनाने और लक्षित विज्ञापन दिखाने के लिए अदृश्य स्क्रिप्ट चल रही होती हैं। यह प्रणाली, जिसे अक्सर 'एड-टेक इकोसिस्टम' कहा जाता है, कई मुफ्त ऑनलाइन सेवाओं के पैसा कमाने का प्राथमिक तरीका है। हालाँकि, इस विशाल मात्रा में उपयोगकर्ता डेटा को कैप्चर करने, स्टोर करने और प्रोसेस करने के लिए महत्वपूर्ण कंप्यूटिंग शक्ति की आवश्यकता होती है। वह शक्ति बिजली से आती है, और उस बिजली का उत्पादन अक्सर कार्बन उत्सर्जन करता है। जैसे-जैसे इंटरनेट बढ़ रहा है, इसका पर्यावरणीय पदचिह्न (फुटप्रिंट) भी बढ़ रहा है, जो शोधकर्ताओं के लिए एक कठिन प्रश्न खड़ा करता है: उस ऊर्जा का कितना हिस्सा वास्तव में केवल विज्ञापनों और ट्रैकिंग पर खर्च होता है, बजाय उस सामग्री के जिसे आप देखने की कोशिश कर रहे हैं?

टोरंटो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने मौजूदा वैज्ञानिक साहित्य की समीक्षा करके इसका उत्तर देने का प्रयास किया। वे स्वयं कोई नया प्रयोग नहीं कर रहे थे, बल्कि इसके बजाय वे इस बात का मानचित्रण कर रहे थे कि अन्य वैज्ञानिकों ने इस विशिष्ट पर्यावरणीय लागत को मापने के लिए कैसे प्रयास किया है। उन्होंने पाया कि यह क्षेत्र अभी भी नया और खंडित है। उनके द्वारा समीक्षा किए गए अध्ययन विभिन्न विषयों में बिखरे हुए हैं, जो एक ही प्रक्रिया को वर्णित करने के लिए अलग-अलग शब्दों और एक ही चीज़ों को मापने के लिए अलग-अलग उपकरणों का उपयोग करते हैं। इसे समझने के लिए, लेखकों ने 46 उम्मीदवारों के प्रारंभिक समूह में से 15 प्रमुख अध्ययनों को एकत्र किया और उन्हें पांच विशिष्ट तरीकों में व्यवस्थित किया जिनका उपयोग शोधकर्ता वेब ट्रैकिंग और विज्ञापन की ऊर्जा लागत को अलग करने के लिए करते हैं।

सबसे आम दृष्टिकोण, जो अधिकांश अध्ययनों में उपयोग किया जाता है, उसे 'एड ब्लॉकिंग' कहा जाता है। इस पद्धति में, शोधकर्ता लोकप्रिय वेबसाइटों की एक सूची पर दो बार जाते हैं: एक बार मानक ब्राउज़र के साथ और एक बार एड ब्लॉकर चालू होने के साथ। दोनों परिदृश्यों में उपयोग की जाने वाली ऊर्जा की तुलना करके, वे विशेष रूप से विज्ञापनों और ट्रैकर्स के कारण होने वाले अंतर की गणना कर सकते हैं। कुछ शोधकर्ता विज्ञापनों को ब्लॉक करने के लिए ब्राउज़र एक्सटेंशन का उपयोग करते हैं, जबकि अन्य अंतर्निर्मित ब्राउज़र सुविधाओं का उपयोग करते हैं या नेटवर्क स्तर पर अनुरोधों को ब्लॉक करते हैं। इन नंबरों को प्राप्त करने के लिए, वे अक्सर ऐसे सॉफ़्टवेयर का उपयोग करते हैं जो कंप्यूटर के प्रोसेसर उपयोग या बैटरी ड्रेन को पढ़ता है, या कुछ मामलों में, वे हार्डवेयर में बहने वाली बिजली को मापने के लिए डिवाइस से एक भौतिक वोल्टमीटर जोड़ते हैं। यह विधि व्यावहारिक है क्योंकि इसे एक सामान्य कंप्यूटर पर किया जा सकता है, लेकिन यह इस धारणा पर निर्भर करती है कि दोनों दौरों के बीच बदलने वाली एकमात्र चीज़ विज्ञापनों की उपस्थिति है।

शोधकर्ताओं का दूसरा समूह एक अधिक नियंत्रित दृष्टिकोण अपनाता है, जिसमें प्रयोगशाला सेटिंग में वेबसाइटों को फिर से बनाया जाता है। खुले इंटरनेट पर लाइव साइटों पर जाने के बजाय, वे पृष्ठों को डाउनलोड करते हैं और विज्ञापनों तथा ट्रैकिंग स्क्रिप्ट को खुद हटा देते हैं, जिससे साइट का एक स्वच्छ संस्करण तैयार होता है। वे फिर इन संस्करणों को अपने नियंत्रण वाले सर्वर पर स्थानीय रूप से सर्व (serve) करते हैं, यह सुनिश्चित करते हुए कि कोई भी बाहरी चर (variable) परीक्षण में हस्तक्षेप न करे। इस पद्धति के एक रूपांतर में, शोधकर्ताओं ने शुरुआत से एक वेबसाइट बनाई और उसमें विभिन्न संख्या में ट्रैकिंग टूल्स जोड़े, और यह देखते रहे कि प्रत्येक जुड़ाव के साथ ऊर्जा की खपत कैसे बढ़ती है। यह प्रयोग पर उच्च स्तर का नियंत्रण प्रदान करता है, जिससे वैज्ञानिक यह देख पाते हैं कि एक एकल ट्रैकर कितनी ऊर्जा खपत करता है, हालांकि यह लाइव वेब की अराजक वास्तविकता को पूरी तरह से प्रतिबिंबित नहीं कर सकता है।

तीसरा, अधिक असामान्य तरीका व्यक्तिगत विज्ञापनों को फिर से चलाना (replay करना) है। एक अध्ययन ने वेब से हजारों विज्ञापन एकत्र किए और एक खाली ब्राउज़र पेज पर उन्हें एक-एक करके प्रदर्शित करने के लिए एक प्रणाली बनाई। एक खाली पेज के आधार (baseline) के मुकाबले एक एकल विज्ञापन को लोड करने के लिए आवश्यक ऊर्जा को मापकर, शोधकर्ता यह निर्धारित कर सके कि उस विशिष्ट विज्ञापन को रेंडर करने की लागत क्या है। फिर उन्होंने इस डेटा का उपयोग एक कंप्यूटर मॉडल को प्रशिक्षित करने के लिए किया जो विज्ञापनों की विशेषताओं के आधार पर अन्य विज्ञापनों की ऊर्जा लागत की भविष्यवाणी कर सके। यह तकनीक व्यक्तिगत विज्ञापन इकाइयों की लागत पर सूक्ष्म नज़र डालने की अनुमति देती है, लेकिन इसके लिए शुरुआती विज्ञापन लाइब्रेरी बनाने हेतु भारी मात्रा में मैनुअल डेटा संग्रह की आवश्यकता होती है।

चौथा दृष्टिकोण डेटा के प्रवाह को देखता है, न कि उसे प्रदर्शित करने वाले डिवाइस को। डिवाइस को मापने के बजाय, ये शोधकर्ता इंटरनेट और उपयोगकर्ता के बीच होने वाले नेटवर्क ट्रैफिक का विश्लेषण करते हैं। वे डेटा पैकेट्स के प्रवाह की जांच करते हैं, यह पहचानने की कोशिश करते हैं कि डेटा स्ट्रीम का कौन सा हिस्सा विज्ञापनों और ट्रैकिंग कुकीज़ से संबंधित है। इस विशिष्ट ट्रैफिक के कुल वॉल्यूम को जोड़कर, वे इंटरनेट पर उस डेटा को ले जाने के लिए आवश्यक ऊर्जा का अनुमान लगा सकते हैं। हालाँकि, इस समीक्षा के लेखक इस पद्धति में एक महत्वपूर्ण दोष नोट करते हैं: केवल यह जानना कि कितना डेटा स्थानांतरित किया गया है, आपको स्वचालित रूप से यह नहीं बताता कि उसे प्रोसेस करने के लिए कितनी ऊर्जा का उपयोग किया गया था, क्योंकि डेटा आकार और ऊर्जा खपत के बीच का संबंध जटिल है और अभी तक पूरी तरह से समझा नहीं गया है।

अंतिम विधि नए मापन के बजाय पूरी तरह से मौजूदा आंकड़ों पर निर्भर करती है। इस दृष्टिकोण का उपयोग करने वाले शोधकर्ता अन्य प्रकाशित अध्ययनों से आंकड़े और गुणांक (coefficients) लेते हैं—जैसे कि एक गीगाबाइट डेटा ले जाने की औसत ऊर्जा लागत या पावर ग्रिड की कार्बन तीव्रता—और उन्हें विज्ञापनों द्वारा उत्पन्न डेटा के अनुमानों पर लागू करते हैं। यह बिना कोई नया प्रयोग या डेटा एकत्र किए, बड़े पैमाने पर व्यापक गणनाओं की अनुमति देता है। हालाँकि यह अनुमान लगाने का सबसे सुलभ तरीका है, इसकी सटीकता पूरी तरह से उन मूल नंबरों की गुणवत्ता और प्रासंगिकता पर निर्भर करती है जिन्हें यह उधार लेता है।

यह समीक्षा दर्शाती है कि यह क्षेत्र अभी अपनी जड़ें जमाना शुरू कर रहा है। उनके द्वारा विश्लेषण किए गए 80 प्रतिशत अध्ययन पिछले पांच वर्षों में प्रकाशित हुए थे, जो इंगित करता है कि जैसे-जैसे पर्यावरणीय संकट गहरा रहा है, इसमें रुचि तेजी से बढ़ी है। इस वृद्धि के बावजूद, शोधकर्ताओं ने पाया कि अध्ययन आपस में बहुत कम संवाद करते हैं। विभिन्न टीमें एक ही अवधारणा के लिए अलग-अलग शब्दों का उपयोग करती हैं, और वे अक्सर एक-दूसरे के निष्कर्षों पर निर्माण करने में विफल रहती हैं। उदाहरण के लिए, एक अध्ययन ने पाया कि विज्ञापन के लिए स्थानांतरित किए गए डेटा का आकार आवश्यक रूप से उस ऊर्जा की भविष्यवाणी नहीं करता है जो उसे प्रदर्शित करने के लिए चाहिए, यह एक ऐसा निष्कर्ष है जो अन्य अध्ययनों की मान्यताओं को चुनौती देता है जो ऊर्जा उपयोग का अनुमान लगाने के लिए डेटा वॉल्यूम पर भरोसा करते हैं।

वर्तमान में, कोई एकल मानक पद्धति नहीं है जिस पर सभी सहमत हों। अधिकांश शोध इस बात पर केंद्रित है कि उपयोगकर्ता के डिवाइस पर क्या होता है, जिससे इस जानकारी को स्टोर और प्रोसेस करने वाले विशाल डेटा केंद्रों द्वारा खपत की जाने वाली ऊर्जा की समझ में एक बड़ा अंतर रह जाता है। चूंकि ये कॉर्पोरेट इन्फ्रास्ट्रक्चर अपारदर्शी और पहुंच में कठिन हैं, इसलिए शोधकर्ताओं को अप्रत्यक्ष तरीकों या नियंत्रित सिमुलेशन पर निर्भर रहना पड़ा है। लेखक सुझाव देते हैं कि भविष्य के कार्यों को इन डेटा केंद्रों में उपयोग की जाने वाली ऊर्जा को मापने के बेहतर तरीके विकसित करने और एक साझा भाषा बनाने की आवश्यकता है ताकि विभिन्न क्षेत्रों के वैज्ञानिक अपने परिणामों की सटीक तुलना कर सकें। तब तक, हमारे पास विधियों का एक ऐसा मिश्रण (patchwork) है जो डिजिटल अर्थव्यवस्था की पर्यावरणीय लागत की झलक तो देता है, लेकिन एक पूर्ण चित्र नहीं।