ایڈیٹرز کے لیے بنیادی ڈیٹا جرنلزم کی ٹپس

Image: Shutterstock

"میں ایڈیٹرز سے جو اہم باتیں سنتی ہوں ان میں سے ایک یہ خوف ہے: ‘اوہ میرے خدا، یہ ڈیٹا جرنلزم ہے، میں نے یہ کبھی نہیں کیا، مجھے نہیں معلوم کہ کیا کرنا ہے، کہانی میں بہت زیادہ وقت لگے گا۔’ ڈیٹا جرنلزم ٹرینر میری جو ویبسٹر کا تبصرہ، ایک عام مخمصے کی عکاسی کرتی ہیں، خاص طور پر چھوٹے نیوز رومز میں، جہاں کچھ نوجوان رپورٹرز ڈیٹا کی مہارت رکھتے ہیں، لیکن وہ اسائنمنٹ ڈیسک پر "روز اور کالمز کے خوف” سے گھبرا جاتے ہیں۔

میری جو ویبسٹر 2015 سے منی ایپلس سٹار ٹربیون میں ڈیٹا ایڈیٹر ہیں۔

ویبسٹر، منی ایپلس سٹار ٹربیون (جو شمالی امریکی ریاست مینیسوٹا میں ہے) کی ڈیٹا ایڈیٹر نے ان ایڈیٹرز کو آگے بڑھنے کا آسان راستہ دکھانے کے لیے ایک گائیڈ تیار کی ہے۔ سب سے پہلے، یہ کہ انہیں ڈیٹا پر مبنی کوریج میں چیمپیئن بننے کے لیے جدید مہارتوں کی ضرورت نہیں ہے۔ دوسرا، یہ کہ سادہ تکنیک منفرد کہانیوں کی ایک نئی دنیا کھول سکتی ہے۔ تیسرا، اور سب سے اہم، کہ خوف کی کوئی ضرورت نہیں ہے – کیونکہ، وہ کہتی ہیں، اگر آپ جانتے ہیں کہ آپ کو انسانی ذرائع سے کس چیز کی ضرورت ہے، تو آپ کو ڈیٹا کے ذرائع سے بھی وہ سب کچھ معلوم ہو جائے گا جس کی آپ کو ضرورت ہے۔

جب کہ ویبسٹر تسلیم کرتی ہیں کہ "ڈیٹا ‘کیوں؟’ پوچھنے کے لیے موئثر نہیں ہے،” وہ کہتی ہیں کہ ڈیٹا کی مہارت کے بغیر ایڈیٹرز بصورت دیگر تقریباً ہر معاملے میں اپنے روایتی ماخذ کے طریقہ کار کو لاگو کر سکتے ہیں – ڈیٹا کو اسی طرح برتا جا سکتا ہے جیسے کہانی کی کاپی میں انسانی اقتباسات۔ (ایڈیٹر جانتے ہیں کہ بہت سارے اقتباسات کو ایک ساتھ نہیں لگانا؛ درستگی کے لیے ان کی جانچ کرنا؛ تبصرے کے پیچیدہ ہونے پر بیان کرنا – وہ کہتی ہیں کہ اعداد و شمار کے ستاھ کام کرنے بلکل ایسا ہی ہے۔)

ڈیٹا جرنلزم کانفرنس نائکار22 (22NICAR)  کے ایک سیشن میں – جس کا اہتمام تحقیقاتی رپورٹرز اور ایڈیٹرز نے کیا تھا — ویبسٹر نے اس کی "اسراریت”  کو ختم کرنے اور ڈیٹا کے بارے میں ایک دوستانہ ذرائع کے طور پر سوچنے ک لیے کچھ اقدامات کیے ہیں۔

نائکار کا مطلب نیشنل انسٹی ٹیوٹ برائے کمپیوٹر سسٹڈی رپورٹنگ ہے، نائکار کا مرکز 1989 میں شروع ہوا اور ڈیٹا جرنلزم کو دنیا میں متعارف کرانے میں کلیدی کردار ادا کیا۔

Image: Screenshot

"ہماری نظر میں ہر ایڈیٹر کو سوچنے کی ضرورت ہے: ‘ارے، شاید یہاں ڈیٹا کی ضرورت ہے،” ویبسٹر نے کہا۔ انہوں نے کہا کہ ایڈٹرز کی ڈیٹا سے ناواقفیت فائدہ مند ہو سکتی ہے کیونکہ یہ زیادہ بہتر طریقے سے تصور کر

سکتے ہیں کہ عام لوگوں کے لیے ڈیٹا کس طرح پیش کرنا ہے۔  

وہ کہتی ہیں کہ کوئی بھی ایڈیٹر ڈیٹا کی سٹوری ویلیو کو تین طریقوں سے سوچ سکتا ہے۔

رہنما کے طور پر اپنے رپورٹرز اور فوٹوگرافروں کو کہاں بھیجنا ہے ویبسٹر کا کہنا ہے کہ بنیادی ڈیٹا – جیسے کہ کسی خاص محلے میں کووڈ کے بڑھتے ہوئے کیسوں پر میونسپل ڈیٹا، یا فسادات میں تباہ ہونے والی اقلیتوں کی ملکیت کی دکانوں کا تناسب – اسائنمنٹ ایڈیٹرز کے لیے عملے کی تعیناتی کے لہے بہترین ہے۔ "‘ہمیں کس کا انٹرویو کرنا چاہئے؟ ہمیں شہر کے کس حصے پر توجہ مرکوز کرنی چاہیے؟’ – یہاں تک کہ اگر کہانی کے لیے ڈیٹا اتنا ہی کرتا ہے، تو یہ اچھی بات ہے،” انہوں نے نوٹ کیا۔

روایتی طور پر رپورٹ شدہ تحقیقات کی ریڑھ کی ہڈی کے طور پر۔ "یہ وہ قسم ہے جو دیگر تمام روایتی رپورٹنگ کو برقرار رکھتی ہے،” انہوں نے کہا۔ ایک مثال کے طور پر، انہوں نے سٹار ٹریبیون کی 2018 کی جنسی زیادتی کے انصاف کی تحقیقات کے شواہد کی طرف اشارہ کیا، جس میں ایک خود ساختہ ڈیٹاسیٹ نے ثابت کیا کہ ریاست میں پولیس اور پراسیکیوٹرز نے جنسی زیادتی کے معاملات کو خراب طریقے سے نپٹایا، یا بالکل نہیں دیکھا۔

سیاق و سباق کے لیے – جہاں ڈیٹا مسئلے کی وضاحت کرتا ہے، یا سامعین کو مسئلے کو سمجھنے میں مدد کرتا ہے۔ "یہ شاید سب سے عام استعمال ہے، جہاں کہانی شاید ڈیٹا کے بغیر کی جا سکتی ہے، لیکن آپ کو کچھ اور ملتا ہے: مثالیں، تفصیل،” انہوں نے نوٹ کیا۔ "ڈیٹا کون، کیا، کب، اور کہاں کے لیے اچھا ہے۔” اس کردار میں تصورات خاص طور پر اہم ہیں۔ مثال کے طور پر، شہر کے محلوں کے درمیان ہنگامی صورتحال میں ردعمل کے مختلف اوقات کی فہرست بنانا یا گراف کا استعمال کرنے سے پالیسی کی حقیقی ناکامی کو ظاہر نہیں کیا جا سکتا، جس کی وجہ اقلیتی برادریوں کے خلاف امتیازی سلوک ہو سکتا ہے۔ اس کے بجائے، شہر کا نقشہ، ڈیٹا کی حدود کے لیے رنگین کوڈ، ممکنہ طور پر دکھائے گا کہ واقعی کیا ہو رہا ہے۔

کہانی کی تفویض کا عمل

ویبسٹر نے اپنی گائیڈ میں کئی اختیاری اقدامات کا خاکہ پیش کیا ہے – اپنے سروے کرنے سے لے کر رپورٹرز کو بلک سینڈ فریڈم آف انفارمیشن (FOI) کی درخواستیں بھیجنے تک – لیکن، نائکار سیشن میں، انہوں نے اس سے بھی زیادہ اہم قدم پر زور دیا۔

ڈیٹا کے استعمال کے مواقع پر سوچ بچار جلدی کریں – کہانی تصور کرتے وقت ۔ "یہ خاص طور پر اہم ہوتا ہے جب بیٹ رپورٹرز سے ملاقات ہوتی ہے، اور کہانی بریں سٹرام کی جا رہی ہو تاکہ اور ڈیٹا سیٹس کے بارے میں بھی پوچھا جا سکے،” انہوں نے کہا۔ "کچھ کہانیاں قدرتی طور پر فٹ لگتی ہیں۔ دوسرے اوقات میں، آپ کو احساس ہوتا ہے کہ آپ کو جس معلومات کی ضرورت ہے وہ کہیں اور آسانی سے دستیاب نہیں ہے۔” انہوں نے برین سٹارمنگ کے ان سیشنز سے کہانی کی کئی اقسام کی نشاندہی کی جو ہمیشہ رپورٹرز کے لیے ڈیٹا کی تلاش اور تجزیہ کی درخواست کی ضمانت دیتے ہیں:

ایسی کہانیاں جو کسی چیز کی پیمائش کرتی ہیں

 رپورٹرز سے ڈیٹا سیٹ تلاش کرنے کے لیے کہیں اگر سامعین یہ جاننا چاہیں گے کہ کوئی معاملہ کتنا بڑا ہے، یا اگر نیوز میٹنگ میں سوالات اٹھتے ہیں، جیسے کہ "اس عمل کا موازنہ دوسری جگہوں سے کیسے ہوتا ہے؟ وقت کے ساتھ یہ کیسے بدلا ہے؟ یہ اکثر کہاں ہوتا ہے؟” مثال کے طور پر، سٹار ٹریبیون کی ایک ڈیٹا سٹوری سے پتا چلا ہے کہ مضافاتی علاقوں میں پیدل چلنے والوں کے کار حادثات سے ہونے والی چوٹیں زیادہ شدید تھیں، اور صرف 25 ڈرائیوروں پر 3,000 سے زیادہ پیدل چلنے والوں کے حادثات میں جرائم کا الزام لگایا گیا تھا۔ رپورٹر نے پولیس رپورٹ کوڈز سے ڈرائیور کے ناموں کا سراغ لگایا، پھر عدالتی ریکارڈ میں ان ناموں کی تلاش کی، اور پیدل چلنے والوں کے حادثات کا اندرونی ڈیٹا بیس بنایا۔

ایک واحد یا "gee-whiz” نمبر کے پیچھے بڑی کہانی جس کا نامہ نگار ذکر کرتے ہیں۔ مثال کے طور پر، اگر کسی رپورٹر کو کسی ذریعہ سے پتہ چلتا ہے کہ عمارت میں لگنے والی آگ پچھلے سال کے مقابلے میں "25% زیادہ” ہے، تو ایڈیٹرز ان سے ڈیٹا سیٹس تلاش کرنے کے لیے کہہ سکتے ہیں جو سوالات کا جواب دیتے ہیں جیسے: "کیا یہ بنیادی طور پر گھر میں لگی آگ تھیں؟ کیا کوئی وجہ تھی، جیسے تمباکو نوشی یا سپیس ہیٹرجو اس اضافے کی وجہ بنے؟”

وہ کہانیاں جو جانچتی ہیں کہ آیا عوامی وعدوں کو پورا کیا گیا، یا کیا پروگرام نے کام کیا۔ "پیسہ کسی چیز پر خرچ ہوا۔ یہ ظاہر کرنے کے لیے ڈیٹا ہونا چاہیے کہ آیا یہ وہیں گیا جہاں اسے ہونا چاہیے تھا، یا سمجھداری سے خرچ کیا گیا،‘‘ ویبسٹر نے وضاحت کی۔

"کیا یہ واقعی سچ ہے؟” اور اِس نے/اس نے یہ کہا والی کہانیاں- ڈیٹا مقبول افسانوں یا نظریات کی جانچ کر سکتا ہے۔ "مثال کے طور پر، ہم نے پوچھا، ‘کیا یہ دعویٰ درست ہے کہ 90 کی دہائی میں انضمام کی وسیع کوششوں کے بعد، منیاپولس اور سینٹ پال کے سکولوں کو دوبارہ الگ کر دیا گیا تھا؟'” انہوں نے کہا۔ "جواب تھا: ہاں، انہوں نے کیا۔”

سنجیدہ جاری کہانیاں۔ "جب کوئی ایسا مسئلہ ہو جو ہر وقت دہرایا جاتا ہے – کسی وقت، آپ کو پیچھے ہٹنا پڑتا ہے اور بڑی تصویر پر غور کرنا چاہیے” ویبسٹر نے نوٹ کیا۔ "ان کے بارے میں مشکل حصہ یہ ہے کہ آپ کو ریئل ٹائم ڈیٹا حاصل کرنے میں مشکل کا سامنا کرنا پڑے گا، لیکن ڈیٹا [روزمرہ] کی کہانیوں سے آگے بڑھنے میں مدد کرتا ہے۔”

ویبسٹر ایڈیٹرز کو ایک قسم کے ٹوکن اعدادوشمار کے طور پر "صرف کہانی یا گرافک کے لئے” ایک واحد ڈیٹا پوائنٹ تلاش کرنے کے بارے میں صحافیوں سے کہنے کے خلاف بھی متنبہ کرتی ہیں۔ "بہتر استعمال یہ پوچھنا ہے کہ: ‘ہم ڈیٹا سے وہ کون سے سوالات حاصل کر سکتے ہیں جو شاید ہم کہیں اور حاصل نہیں کر سکتے؟’، یا لوگ جو ہمیں بتا رہے ہیں اس کی حمایت کیسے ہو سکتی ہے،” انہوں نے کہا۔

چیک لسٹ: کیا ڈیٹا پر مبنی کہانی آپ کے وقت کے قابل ہے؟

"بہت سے ایڈیٹرز یہ کہنا پسند کرتے ہیں: ‘اوہ، لیکن اس میں بہت زیادہ وقت لگے گا!'” ویبسٹر نے کہا۔ ڈیٹا کی کہانیوں کے لیے اکثر درکار اضافی رپورٹنگ کا حوالہ دیتے ہوئے انہوں نے کہا کہ "لیکن شاید یہ اس پر وقت لاگنا فائدہ مند ہے یہ سوالا کے جواب کھوجنے کے لیے۔”

کیا یہ ایک واچ ڈاگ کہانی ہے جو کسی قسم کی یا تبدیلی لا سکتی ہے؟

 کیا ہم ابھی ایک فوری خبر لکھ سکتے ہیں، اور بعد میں ڈیٹا پر مبنی کہانی کو چلا سکتے ہیں؟

 اہم معلومات اور دستاویزات تک رسائی کے لیے ممکنہ وقت کے افق کیا ہیں؟

 کیا یہ آپ کے رپورٹر کی بیٹ میں ایک اہم مسئلہ ہے؟

کیا اس میں درمیانے سائز یا بڑے انٹرپرائز کی کہانی ہونے کا امکان ہے؟

کیا تجزیہ پہلے ہی کسی اور کے ذریعے کیا جا رہا ہے – تاکہ آپ وقت بچا سکیں؟

ڈیٹا آگیا ہے۔ اب کیا؟

ایڈیٹرز کو جانچ پڑتال اور بلٹ پروفنگ کا عمل شروع کر دینا چاہیے جیسے ہی ڈیٹا آنا شروع ہوتا ہے – اس وقت نہیں جب کہانی فائل کی جاتی ہے۔

حقیقت میں بہت زیادہ درست نظر آنے والے ڈیٹا پوائنٹس پر دیہان دیں، اور ٹرپل چیک کریں۔

• ہر ڈیٹاسیٹ سے وسل بلوئر کی طرح برتاؤ کریں: "ہم اس کے بارے میں کیا جانتے ہیں؟ ہم کیسے جانتے ہیں کہ یہ قابل اعتماد ہے؟ یہ ہمارے پاس کیسے آیا؟”

• پوچھیں کہ آیا ڈیٹا کے نتائج روایتی رپورٹنگ کے شواہد سے مختلف ہیں۔ ڈیٹا غلط ہو سکتا ہے۔

• "ستارہ” شناخت کریں: سب سے سب تازہ ترین انکشاف۔

• ڈیٹا کا تجزیہ کرنے والے رپورٹر سے کہیں کہ وہ ایک عام آدمی کے طور پر آپ کے لئے نتائج کو آسان بنائے اور اس کی وضاحت کرے۔

نمبروں کے ساتھ ترمیم کے لیے تجاویز

اچھی گائیڈز کے ساتھ قابل فہم نمبروں اور تناسب کے بارے میں اپنے علم کو تازہ کریں، جیسے سارہ کوہن کی "نمبرز ان دی نیوز روم گائیڈ”۔

نمبروں کے ساتھ کاپی میں اقتباسات کی طرح برتاؤ کریں – کبھی بھی گچھوں میں نہیں، صرف جہاں ضرورت ہو، اور جہاں ضروری ہو وہاں پیرافریزنگ۔

وہی کریں جو آپ اپنے رپورٹروں سے کرنے کو کہتے ہیں: آپ کو جو نمبر پیش کیے گئے ہیں ان کے بارے میں بینادی سوالات کرنے سے نہ گھبرائیں۔

اعشاریوں سے پرہیز کریں – خاص طور پر ان چیزوں کے لیے جنہیں حقیقت میں تقسیم نہیں کیا جا سکتا، جیسے ایک شخص۔

اپنے قارئین کو محنت کرنے پر مجبور نہ کریں۔

جہاں ممکن ہو واقف تشبیہات استعمال کریں۔

ایسے نمبر فارمیٹس کا استعمال کریں جن کو سامعین سمجھ سکتے ہیں – جیسے "0.07%” کے بجائے "10,000 میں سے 7″، یا پورے ملک کے مجموعی نمبروں کے بجائے فی شخص خرچ کرنے کا استعمال کریں۔

جب فہرست میں بہت زیادہ نمبر ہوں تو بار گراف جیسے تصورات کا استعمال کریں۔

ایک "سٹار” نمبر چنیں، اور کہانی میں اسے نمایا کریں۔

"ڈیٹا جرنلزم کو روایتی صحافت کے ساتھ مساوی کرنا نیوز روم کے کونے میں ہونے والی اس ایک جادوئی چیز کم اور اسے زیادہ قابل رسائی بناتا ہے کیونکہ وہ اس سے پہلے سے واقف ہیں” ویبسٹر نے وضاحت کی، "اور ایڈیٹرز پہلے سے ہی بخوبی جانتے ہیں کہ ان کے نامہ نگاروں کو ملنے والے انسانی ذرائع کا فیصلہ کیسے کرنا ہے۔ ڈیٹا کے ساتھ بالکل ایسا ہی ہے۔”

مزید پڑھیں

GIJN’s Top 10 Data Journalism Projects of 2021

Data Journalism Training, Books, Websites, and Conferences

12 Tips for Getting Started With Data Journalism

_________________________________________________________

روون فلپ جی آئی جے این کے رپورٹر ہیں۔ روون پہلے جنوبی افریقہ کے سنڈے ٹائمز کے چیف رپورٹر تھے۔ ایک غیر ملکی نامہ نگار کے طور پر، وہ دنیا کے دو درجن سے زائد ممالک کی خبروں، سیاست، بدعنوانی اور تنازعات پر رپورٹ کر چکے ہیں۔