Measuring Latent Documentary Quality in Scholarly Communication: An Indicator Framework Based on PDF Validation and Technical Debt

एक ऐसी लाइब्रेरी की कल्पना करें जहाँ हर किताब जनता के लिए खुली है, एक विशाल कैटलॉग में सूचीबद्ध है, और दुनिया भर के विद्वानों द्वारा उद्धृत (cite) की जाती है। कागज़ पर, यह आदर्श लगता है। लेकिन क्या होगा यदि उन किताबों के पन्ने ऐसे पदार्थ से बने हों जो कुछ वर्षों के बाद बिखर जाते हैं, या यदि पाठ किसी ऐसे कोड में लिखा गया हो जिसे कोई मशीन पढ़ न सके? अकादमिक अनुसंधान की दुनिया में, हमने दशकों तक यह मापने के लिए प्रणालियाँ बनाने में बिताए हैं कि कोई अध्ययन कितना खुला, दृश्यमान और प्रभावशाली है। हम गिनते हैं कि एक पेपर को कितनी बार उद्धृत किया गया है या यह देखते हैं कि क्या यह मुफ्त में उपलब्ध है। ये उपयोगी माप हैं, लेकिन वे केवल हमें यह बताते हैं कि एक पेपर को पाया जा सकता है। वे हमें यह नहीं बताते कि क्या वह पेपर वास्तव में लंबे समय तक टिकने के लिए बनाया गया है, या क्या यह इस तरह से संरचित है कि कंप्यूटर, दृष्टिबाधितों के लिए स्क्रीन रीडर और भविष्य के संग्रह (archives) वास्तव में इसके भीतर की जानकारी को समझ और उपयोग कर सकें।

यह अंतराल शोधकर्ता केमल याला के एक नए अध्ययन का केंद्र है। यह अध्ययन विद्वानों के लेखों की "दस्तावेजी गुणवत्ता" (documentary quality) को देखता है। यह एक जटिल तरीके से पूछने का तरीका है: क्या शोध को ले जाने वाली डिजिटल फ़ाइल इतनी स्थिर है कि वह दशकों तक जीवित रह सके, और क्या यह मशीनों द्वारा संसाधित करने के लिए पर्याप्त अच्छी तरह से व्यवस्थित है? शोधकर्ता डिजिटल फ़ाइल को केवल शब्दों के पात्र के रूप में नहीं, बल्कि एक नाजुक वस्तु के रूप में देखते हैं जिसे उपयोगी बने रहने के लिए विशिष्ट तकनीकी विशेषताओं की आवश्यकता होती है। ये विशेषताएँ मौजूद हैं या नहीं, यह जानने के लिए, अध्ययन ने संयुक्त राज्य अमेरिका और कनाडा में लाइब्रेरी-संचालित पत्रिकाओं द्वारा प्रकाशित शोध पत्रों के 1,340 अंतिम संस्करणों की जांच की। इन शोध पत्रों की जांच सख्त तकनीकी मानकों के विरुद्ध की गई थी जिन्हें यह सुनिश्चित करने के लिए डिज़ाइन किया गया है कि उन्हें हमेशा के लिए संरक्षित किया जा सके और सहायक तकनीकों (assistive technologies) द्वारा पढ़ा जा सके। परिणाम एक चौंकाने वाली वास्तविकता प्रकट करते हैं: जबकि ये पेपर आसानी से मिल जाते हैं, फ़ाइलें स्वयं अक्सर इस तरह से टूटी हुई होती हैं जो उनके दीर्घकालिक अस्तित्व और सुलभता के लिए खतरा पैदा करती हैं।

अध्ययन की शुरुआत दस्तावेजों के एक विशिष्ट सेट को एकत्र करके हुई। शोधकर्ता ने उन पत्रिकाओं का चयन किया जो लाइब्रेरी पब्लिशिंग कोलिशन का हिस्सा हैं, जो अमेरिका और कनाडा की लाइब्रेरी समूहों का एक समूह है जो अपनी अकादमिक पत्रिकाएं चलाते हैं। ये पत्रिकाएं अपनी पारदर्शिता और खुलेपन के लिए जानी जाती हैं। शोधकर्ता ने फिर 2024 और 2025 के बीच प्रकाशित लेखों के लिए अंतिम प्रकाशित PDF फ़ाइलों को निकाला। कुल मिलाकर, 1,340 फ़ाइलें एकत्र की गईं। इन फ़ाइलों को स्वचालित परीक्षण उपकरणों के माध्यम से चलाया गया जो तीन अलग-अलग तकनीकी मानकों के अनुपालन की जाँच करते हैं। पहला मानक, जिसे PDF/A-1b कहा जाता है, एक बुनियादी नियम पुस्तिका है जो यह सुनिश्चित करने के लिए है कि दस्तावेज़ को भविष्य में किसी भी कंप्यूटर द्वारा खोला और पढ़ा जा सके। दूसरा, PDF/A-2u, एक सख्त संस्करण है जो यह आवश्यक बनाता है कि फ़ाइल अपने स्वयं के डिजिटल पहचान पत्र (ID card) को ले जाए ताकि संग्रह (archives) इसे स्वचालित रूप से पहचान सकें। तीसरा मानक, PDF/UA-1, सुलभता (accessibility) के लिए एक नियम पुस्तिका है, जो यह सुनिश्चित करती है कि दस्तावेज़ में एक तार्किक संरचना हो जिसे स्क्रीन रीडर नेविगेट कर सकें और जिसे मशीनें खोज और कॉपी कर सकें।

जब परीक्षण शुरू हुआ, तो परिणाम कठोर थे। 1,340 दस्तावेजों में से, केवल 18 ने दीर्घकालिक संरक्षण के बुनियादी परीक्षण को पास किया। उनमें से कोई भी डिजिटल पहचान के सख्त परीक्षण में सफल नहीं हुआ। केवल 10 ही सुलभता (accessibility) के परीक्षण में सफल हुए। इसका अर्थ है कि लगभग हर एक पेपर के लिए, फ़ाइल दीर्घकालिक रिकॉर्ड होने की न्यूनतम आवश्यकताओं को पूरा करने में विफल रही। हालाँकि, अध्ययन का तर्क है कि केवल यह कहना कि "ये फ़ाइलें विफल रहीं" कहानी के सबसे महत्वपूर्ण हिस्से को छोड़ देता है। शोधकर्ता ने इन विफलताओं को देखने का एक नया तरीका विकसित किया, जिसमें उन्हें नौ अलग-अलग श्रेणियों में वर्गीकृत किया गया, जो इस आधार पर थी कि वास्तव में क्या टूटा हुआ था और क्या उसे ठीक किया जा सकता था।

विश्लेषण से पता चला कि विफलताएं सभी एक जैसी नहीं थीं। कुछ समस्याएं एक डिब्बे पर गायब लेबल की तरह थीं। उदाहरण के लिए, लगभग हर एक फ़ाइल इसलिए विफल हुई क्योंकि इसमें एक विशिष्ट डिजिटल घोषणा (declaration) की कमी थी जो संग्रह को बताती है कि वह किस प्रकार की फ़ाइल है। यह एक छोटी, सुधार योग्य त्रुटि है। इसका मतलब यह नहीं है कि पेपर की सामग्री गलत है; इसका मतलब केवल यह है कि अंतिम निर्यात (export) के दौरान एक मेटाडेटा छोड़ दिया गया था। इस प्रकार की त्रुटि को "पोस्ट-हॉक पैचेबल" (post-hoc patchable) के रूप में वर्गीकृत किया गया है, जिसका अर्थ है कि इसे मूल कार्य को बदले बिना बाद में ठीक किया जा सकता है। इसके विपरीत, अन्य विफलताएं बहुत अधिक गंभीर थीं। अध्ययन में पाया गया कि 98.4% फ़ाइलें सुलभता परीक्षण में विफल रहीं क्योंकि उनमें तार्किक संरचना की कमी थी। इसका अर्थ है कि टेक्स्ट को इस तरह टैग नहीं किया गया था जो कंप्यूटर को बता सके कि शीर्षक कहाँ समाप्त होता है और मुख्य भाग कहाँ शुरू होता है, या तालिका कहाँ शुरू और समाप्त होती है। ये "अपस्ट्रीम-ओनली" (upstream-only) समस्याएं हैं। ये तब होती हैं जब दस्तावेज़ को पहली बार बनाया जाता है। एक बार जब फ़ाइल को PDF के रूप में सहेज लिया जाता है, तो इस संरचनात्मक जानकारी को विश्वसनीय रूप से जोड़ा या ठीक नहीं किया जा सकता है। क्षति फ़ाइल के सार्वजनिक होने से पहले ही हो जाती है।

अध्ययन ने यह भी देखा कि क्या ये समस्याएं विषय या देश के अनुसार भिन्न होती हैं। परिणामों ने दिखाया कि संरचनात्मक टैगिंग का अभाव एक सार्वभौमिक समस्या थी। यह लगभग हर दस्तावेज़ में दिखाई दिया, चाहे वह पेपर जीव विज्ञान, इतिहास या इंजीनियरिंग के बारे में ही क्यों न हो। यह सुझाव देता है कि मुद्दा लेखक या अध्ययन के विशिष्ट क्षेत्रों के साथ नहीं है, बल्कि उन सॉफ़्टवेयर और प्रणालियों के साथ है जिनका उपयोग फ़ाइलों को बनाने के लिए किया जाता है। हालाँकि, कुछ अन्य प्रकार की त्रुटियां भिन्न थीं। उदाहरण के लिए, टेक्स्ट जो कॉपी या खोजा जा सकता था, उसकी समस्या विज्ञान और गणित के पेपर में कला या कानून के पेपर की तुलना में बहुत अधिक आम थी। यह समझ में आता है, क्योंकि विज्ञान के पेपर अक्सर जटिल प्रतीकों और विशेष वर्णों का उपयोग करते हैं जिन्हें कंप्यूटर द्वारा सही ढंग से संभालना कठिन होता है। अध्ययन ने संयुक्त राज्य अमेरिका और कनाडा की पत्रिकाओं की तुलना भी की। हालांकि दोनों समूहों में समग्र रूप से उत्तीर्ण दर बहुत कम थी, लेकिन त्रुटियों के विशिष्ट प्रकार थोड़े भिन्न थे, जिसमें कनाडाई पत्रिकाएं बुनियादी संरक्षण जाँचों पर थोड़ा बेहतर प्रदर्शन करती दिखीं लेकिन सुलभता जाँचों पर खराब प्रदर्शन करती दिखीं।

इस कार्य का सबसे महत्वपूर्ण निष्कर्ष यह है कि हम एक शोध पत्र की गुणवत्ता का निर्णय केवल उसके शीर्षक, उसके सार (abstract), या इसे कितनी बार उद्धृत किया गया है, इसे देखकर नहीं कर सकते। एक पेपर व्यापक रूप से पढ़ा और अत्यधिक सराहा जा सकता है, फिर भी इसकी डिजिटल फ़ाइल एक दृष्टिबाधित व्यक्ति के लिए अपठनीय, एक कंप्यूटर के लिए खोजने योग्य नहीं, या पचास वर्षों में खोलने के लिए असंभव हो सकती है। शोधकर्ता का नया ढांचा सिद्ध करता है कि हम इन छिपी हुई खामियों को माप सकते हैं। इन तकनीकी त्रुटियों को विशिष्ट श्रेणियों में विभाजित करके, हम देख सकते हैं कि वास्तव में क्या टूटा हुआ है और सुधार कहाँ होना चाहिए। कुछ सुधार आसान हैं और पेपर प्रकाशित होने के बाद किए जा सकते हैं। अन्य के लिए शोध के निर्माण के तरीके में मौलिक परिवर्तन की आवश्यकता होती है।

यह अध्ययन यह दावा नहीं करता कि लाइब्रेरी पब्लिशिंग विफल हो रही है। वास्तव में, यह लाइब्रेरी पब्लिशिंग का उपयोग एक परीक्षण मामले के रूप में करता है क्योंकि इन संस्थानों को ज्ञान को संरक्षित करने और साझा करने के लिए सबसे अधिक सावधान होना चाहिए। यदि एक ऐसे सिस्टम में फ़ाइलें इतनी टूटी हुई हैं जिसे पूर्ण होने के लिए डिज़ाइन किया गया है, तो समस्या अन्य प्रकाशन वातावरणों में और भी बदतर होने की संभावना है। शोध कोई जादुई समाधान पेश नहीं करता है, लेकिन यह समस्या का एक स्पष्ट मानचित्र प्रदान करता है। यह दिखाता है कि विज्ञान का मूल्यांकन करने वाले उपकरण दस्तावेज़ों के भौतिक और तकनीकी स्वास्थ्य के प्रति अंधे हैं। जब तक हम यह मापने में शुरुआत नहीं करते कि फ़ाइलें स्थिर और सुलभ हैं या नहीं, हम केवल विद्वानों के रिकॉर्ड का आधा हिस्सा ही माप रहे हैं। अध्ययन निष्कर्ष निकालता है कि हमें डिजिटल फ़ाइल को साक्ष्य के एक महत्वपूर्ण टुकड़े के रूप में मानने की आवश्यकता है जिसके लिए अपनी स्वयं की गुणवत्ता जाँच की आवश्यकता होती है, जिससे यह सुनिश्चित हो सके कि आज हम जो ज्ञान उत्पन्न कर रहे हैं वह वास्तव में कल की दुनिया के लिए उपयोगी हो सके।