The FIFA World Cup 2026 Master Dataset: A Normalized 3NF Relational Benchmark of the Expanded 48-Team International Football Tournament

फुटबॉल लंबे समय से जुनून और सहज ज्ञान का खेल रहा है, लेकिन पिछले कुछ दशकों में, एक शांत क्रांति ने इस खेल को विज्ञान में बदल दिया है। विश्लेषक और कोच अब मैदान पर क्या होता है, यह समझने के लिए विशाल मात्रा में संरचित जानकारी पर भरोसा करते हैं, जो केवल साधारण स्कोर से आगे बढ़कर हर पास, शॉट और प्रतिस्थापन (सबस्टिट्यूशन) को ट्रैक करती है। स्पोर्ट्स एनालिटिक्स के रूप में ज्ञात यह क्षेत्र, मैच की अराजकता में पैटर्न खोजने का प्रयास करता है, जिसका उपयोग यह समझाने के लिए किया जाता है कि कोई टीम क्यों जीती या हारी, एक खिलाड़ी का प्रदर्शन कैसा रहा, और आगे क्या हो सकता है। हालांकि वाणिज्यिक कंपनियां अक्सर पेवॉल के पीछे सबसे विस्तृत रिकॉर्ड रखती हैं, वैज्ञानिक समुदाय को नए विचारों का परीक्षण करने और खेल की हमारी समझ में सुधार करने के लिए लंबे समय से खुले और विश्वसनीय डेटासेट की आवश्यकता रही है। चुनौती हमेशा यह रही है कि उपलब्ध सार्वजनिक डेटा अक्सर अव्यवस्थित, असंबद्ध या गहरे अध्ययन के लिए आवश्यक विशिष्ट विवरणों, जैसे कि स्टेडियम का सटीक स्थान या खिलाड़ी का सटीक बाजार मूल्य, से रहित होता है।

वर्ष 2026 की गर्मियों में, बांग्लादेश के शाहजलाल विज्ञान और प्रौद्योगिकी विश्वविद्यालय के एक शोधकर्ता एमडी मोमिनुल इस्लाम ने फीफा विश्व कप का एक व्यापक डिजिटल रिकॉर्ड बनाकर इस कमी को पूरा किया। यह टूर्नामेंट एक ऐतिहासिक आयोजन था, जो 32 से बढ़कर 48 राष्ट्रीय टीमों तक विस्तृत हुआ और इसमें कनाडा, मैक्सिको और संयुक्त राज्य अमेरिका में 16 वेन्यू (स्थानों) पर 104 मैच खेले गए। फाइनल मैच में स्पेन ने अर्जेंटीना को 1-0 से हराया, लेकिन डेटा साइंस के लिए इस आयोजन का वास्तविक महत्व इसकी गतिविधि की विशाल मात्रा में निहित है। शोधकर्ता ने 39 दिवसीय टूर्नामेंट के बाद जानकारी संकलित की, जिसमें प्रत्येक गेम, 48 क्वालीफाई की गई टीमों और 1,248 पंजीकृत खिलाड़ियों का विवरण एकत्र किया गया। परिणाम तथ्यों का एक विशाल, व्यवस्थित संग्रह है जो प्लेयर बायोमेट्रिक्स, वेन्यू भूगोल और मैच इवेंट्स को एक एकल, सुसंगत प्रणाली में जोड़ता है।

इस कार्य की मुख्य उपलब्धि एक "नॉर्मलाइज्ड" (सामान्यीकृत) डेटाबेस का निर्माण है, जो जानकारी को व्यवस्थित करने का एक विशिष्ट तरीका है ताकि डेटा का प्रत्येक हिस्सा एक अद्वितीय स्थान रखे और अन्य सभी चीजों से तार्किक रूप से जुड़ा हो। बिखरे हुए स्प्रेडशीट्स के बजाय, जहाँ जानकारी दोहराई जा सकती है या विरोधाभासी हो सकती है, शोधकर्ता ने 12 अलग-अलग तालिकाओं (टेबल्स) वाली एक प्रणाली बनाई जो एक पहेली की तरह आपस में जुड़ती हैं। एक तालिका 16 स्टेडियमों का विवरण रखती है, जिसमें उनकी क्षमता और, महत्वपूर्ण रूप से, समुद्र तल से उनकी ऊंचाई शामिल है, जो यह प्रभावित कर सकती है कि खिलाड़ी कैसे सांस लेते हैं और प्रदर्शन करते हैं। एक अन्य तालिका 1,248 खिलाड़ियों को ट्रैक करती है, जिसमें उनकी ऊंचाई, जन्म तिथि, अंतर्राष्ट्रीय अनुभव और उनका अनुमानित बाजार मूल्य यूरो में दर्ज किया गया है। तालिकाओं का एक तीसरा सेट स्वयं 104 मैचों को कैप्चर करता है, जो उन्हें विशिष्ट रेफरी, शामिल टीमों और अंतिम स्कोर से जोड़ता है। यह संरचना एक शोधकर्ता को जटिल प्रश्न पूछने की अनुमति देती है, जैसे कि मेक्सिको सिटी के एक स्टेडियम की ऊंचाई ने तटीय राष्ट्र की टीम के प्रदर्शन को कैसे प्रभावित किया, बिना दर्जनों अलग-अलग फाइलों को मैन्युअल रूप से क्रॉस-रेफरेंस किए।

जो इस डेटासेट को विशेष रूप से मूल्यवान बनाता है, वह है उन मेट्रिक्स का समावेश जो अक्सर मुफ्त सार्वजनिक डेटा में गायब होते हैं। इस संग्रह में "एक्सपेक्टेड गोल्स" (अपेक्षित गोल) शामिल हैं, जो एक सांख्यिकीय माप है जो इस बात का अनुमान लगाता है कि शॉट कहाँ से लिया गया और शॉट का कोण क्या था, इसके आधार पर गोल होने की संभावना कितनी है। यह मिनट-दर-मिनट रिकॉर्ड भी प्रदान करता है कि कौन खेल रहा था, कब प्रतिस्थापन किया गया था, और वे मैदान पर कितनी देर रहे। प्रत्येक मैच के लिए, डेटासेट टीम की रणनीति का सारांश प्रदान करता है, जैसे कि एक टीम ने कितने समय तक गेंद पर नियंत्रण रखा और उन्होंने कितने शॉट लिए। इसके अलावा, शोधकर्ता ने प्री-कैलकुलेटेड फीचर्स (पूर्व-गणना की गई विशेषताएं) शामिल की हैं जो कंप्यूटर को डेटा से सीखने में मदद करने के लिए डिज़ाइन की गई हैं, जिससे दूसरों के लिए मैच के परिणामों की भविष्यवाणी करने वाले मॉडल बनाना आसान हो जाता है। डेटा पूरे टूर्नामेंट को कवर करता है, शुरुआती ग्रुप स्टेज मैचों से लेकर फाइनल तक, जो प्रतियोगिता के पूर्ण चक्र को कैप्चर करता है।

सूचना को विश्वसनीय बनाने के लिए, शोधकर्ता ने केवल इंटरनेट से नंबरों को कॉपी और पेस्ट नहीं किया। उन्होंने आधिकारिक रिपोर्टों और अन्य आधिकारिक स्रोतों से डेटा की जांच करने के लिए एक स्वचालित प्रणाली बनाई। इस प्रक्रिया में डेटा को सत्यापित करने के लिए नौ अलग-अलग परीक्षणों की एक श्रृंखला चलाना और 30 मैचों की मैन्युअल स्पॉट-चेक प्रक्रिया शामिल थी। उदाहरण के लिए, सिस्टम ने जांचा कि टीमों और खिलाड़ियों की कुल संख्या आधिकारिक गणना से मेल खाती है या नहीं, क्या किसी मैच का स्कोर बिना किसी संबंधित स्थिति के था, और क्या खिलाड़ी के विस्तृत इवेंट लॉग में स्कोर किए गए गोलों का योग उनके कुल गोलों से मेल खाता है। इस कठोर सत्यापन प्रक्रिया ने पुष्टि की कि डेटा अत्यधिक उच्च स्तर तक सटीक था, जिसकी एम्पिरिकल (अनुभवजन्य) सटीकता दर 99.87 प्रतिशत थी।

इस कार्य में प्रस्तुत निष्कर्ष केवल स्कोर की सूची नहीं बल्कि भविष्य की खोज के लिए एक सत्यापित आधार हैं। डेटा एक टीम द्वारा उत्पन्न अपेक्षित गोलों और उनके द्वारा किए गए वास्तविक गोलों के बीच एक मजबूत संबंध प्रकट करता है, जो दिखाता है कि प्रदर्शन की भविष्यवाणी करने के लिए उपयोग किए जाने वाले सांख्यिकीय मॉडल वास्तविकता के साथ निकटता से संरेखित हैं। यह राष्ट्रों के बीच आर्थिक असमानताओं को भी उजागर करता है, जो शीर्ष 15 क्वालीफाई की गई टीमों के स्क्वाड के कुल बाजार मूल्य को दर्शाता है। हालांकि इस डेटासेट में लाइसेंसिंग प्रतिबंधों के कारण प्रत्येक खिलाड़ी की गति के हाई-स्पीड, सेकंड-दर-सेकंड ट्रैकिंग शामिल नहीं है, फिर भी यह खुले-पहुंच संसाधनों के लिए दुर्लभ स्तर का विवरण प्रदान करता है। यह टूर्नामेंट की भौतिक स्थितियों, कोचों के सामरिक निर्णयों और प्रत्येक खिलाड़ी के व्यक्तिगत योगदान को एक ऐसे प्रारूप में कैप्चर करता है जो विश्लेषण के लिए तैयार है।

यह डेटासेट अब उन सभी के लिए उपलब्ध है जो स्पोर्ट्स साइंस में रुचि रखते हैं, इसे ऐसे प्रारूपों में प्रदान किया गया है जिनका उपयोग मानक डेटाबेस सॉफ्टवेयर और मशीन लर्निंग टूल्स द्वारा किया जा सकता है। यह उन शोधकर्ताओं के लिए एक बेंचमार्क के रूप में कार्य करता है जो यह अध्ययन करना चाहते हैं कि एक टूर्नामेंट का विस्तार खेल को कैसे प्रभावित करता है, विभिन्न वातावरण खिलाड़ी के प्रदर्शन को कैसे प्रभावित करते हैं, या फुटबॉल के भविष्य की भविष्यवाणी करने के लिए बेहतर मॉडल कैसे बनाए जाते हैं। इस जानकारी को खुला और विश्वसनीय बनाकर, यह कार्य वैज्ञानिकों और विश्लेषकों के लिए एक महत्वपूर्ण बाधा को हटा देता है, जिससे वे डेटा क्लीनिंग के बजाय खोज पर ध्यान केंद्रित कर सकते हैं। परिणाम दुनिया के सबसे लोकप्रिय खेल आयोजनों में से एक का एक स्पष्ट, ठोस रिकॉर्ड है, जिसे इस तरह संरक्षित किया गया है कि 2026 विश्व कप की कहानी न केवल हाइलाइट्स और सुर्खियों के माध्यम से, बल्कि खेल के सटीक, परस्पर जुड़े तथ्यों के माध्यम से भी बताई जा सके।