VAR ने रेफरीचा निर्णय कधी फिरवावा?
26 जून 2026 रोजी, विश्वचषकाच्या गट-टप्प्याच्या शेवटच्या फेरीत, सिएटलमध्ये इराणचा सामना इजिप्तशी झाला. लेखक स्टेडियममध्ये होते. 93 व्या मिनिटाला, शोजा खलीलजादेह (Shoja Khalilzadeh) यांनी विजयी वाटणारा गोल केला, आणि मैदानावरील रेफरी-पथकाने गोल ऑनसाइड ठरवला. काही मिनिटांच्या विचारविनिमयानंतर, व्हिडिओ असिस्टंट रेफरीने (VAR) निर्णय फिरवला: त्याच्या 3D पुनर्रचनेनुसार, गोल करणाऱ्या खेळाडूच्या पायाचा एक लहान भाग ऑफसाइड स्थितीत होता. सामना बरोबरीत संपला. The Athletic नुसार, इराणला बाद फेरीत (knockout rounds) पोहोचण्याची अजूनही 92% शक्यता होती; दुसऱ्या दिवशीच्या निकालांनी ती शून्यावर आणली.
लेखकांचा प्रश्न साधा आहे: VAR ने नोंदवलेले अगदी लहान ऑफसाइड अंतर रेफरीचा निर्णय फिरवण्यासाठी पुरेसे असावे का?
एक फ्रेम 17 सेंटिमीटर लांब असते
पडद्यावरची अचूकता म्हणजे मैदानावरची अचूकता नव्हे. सेकंदाला 30 फ्रेम या दराने नोंदवलेल्या व्हिडिओत, सेकंदाला 5 मीटर वेगाने धावणारा खेळाडू दोन सलग फ्रेम्सदरम्यान सुमारे 17 सेंटिमीटर पुढे जातो. चेंडू नेमका कोणत्या क्षणी खेळला गेला याबद्दलची किंचित अनिश्चितताही 3D प्रतिरूपाच्या मिलिमीटरपेक्षा अधिक महत्त्वाची ठरू शकते.
प्रिन्स्टन विद्यापीठातील (Princeton University) अमीर अली अहमदी (Amir Ali Ahmadi), आणि अल्गॉन्क्विन रिजनल हायस्कूलमधील (Algonquin Regional High School) पारसा आणि रादीन अलवी (Parsa and Radeen Alavi) यांनी या वादाचे एका संभाव्यता-प्रतिरूपात (probability model) रूपांतर केले. खरे अंतर, θ, म्हणजे ऑफसाइड रेषेपलीकडे आक्रमक खेळाडूचे अंतर: धन म्हणजे ऑफसाइड. रेफरी ते σ_H इतका प्रसार (spread) असलेल्या यादृच्छिक त्रुटीसह जाणतात, पण फक्त होय किंवा नाही एवढेच सांगतात. VAR एक संख्या मोजतो, σ_AI इतका प्रसार असलेल्या स्वतःच्या यादृच्छिक त्रुटीसह. दोन्ही त्रुटी गाउसियन (Gaussian) आणि परस्परस्वतंत्र असल्याचे गृहीत धरले आहे.
√(2/π) नियम
मग लेखक असे अंतर शोधतात जे निरीक्षित गोष्टी — रेफरीचा निर्णय आणि VAR ची संख्या — सर्वाधिक संभाव्य बनवते; या पद्धतीला कमाल शक्यता (maximum likelihood) म्हणतात. हा सर्वोत्तम अंदाज नेहमी अस्तित्वात असतो आणि तो अद्वितीय असतो, हे ते सिद्ध करतात. त्याहूनही चांगले म्हणजे, अंतिम निर्णयासाठी कोणत्याही आकडेमोडीची गरज नसते, फक्त एका उंबरठ्याशी तुलना करायची असते:
c = √(2/π) × σ_AI² / σ_H
दोघांमध्ये मतभेद असताना, VAR ने मोजलेले अंतर c पेक्षा मोठे असेल तरच VAR रेफरीचा निर्णय फिरवतो. त्यापेक्षा कमी असेल, तर रेफरीचा निर्णय कायम राहतो. √(2/π) ही संख्या, सुमारे 0.80, घंटाकृती वक्रातूनच (bell curve) येते.
असे रेफरी घ्या ज्यांची नमुनेदार त्रुटी 10 सेंमी आहे, आणि असा VAR ज्याची नमुनेदार त्रुटी 2 सेंमी आहे. उंबरठा 0.32 सेंमी येतो. VAR चे 0.20 सेंमीचे विरोधी अंतर रेफरीचा निर्णय कायम ठेवते; 0.50 सेंमीचे अंतर तो फिरवते. आक्रमक खेळाडू रेषेपलीकडे असल्याचे दाखवणे पुरेसे नाही: VAR ने तो खेळाडू स्पष्टपणे रेषेपलीकडे असल्याचे दाखवायला हवे.
समान वजन नसलेल्या दोन त्रुटी
सूत्रात एक असममितता दडलेली आहे. उंबरठा VAR च्या त्रुटीच्या वर्गानुसार वाढतो, पण रेफरीच्या त्रुटीशी केवळ व्यस्त प्रमाणात असतो: VAR ची त्रुटी दुप्पट केली तर उंबरठा चौपट होतो, रेफरीची दुप्पट केली तर तो केवळ निम्मा होतो. अधिक गोंगाटयुक्त (noisier) VAR ला अधिक भक्कम पुराव्याची गरज असते; अधिक गोंगाटयुक्त रेफरीचा निर्णय फिरवणे सोपे असते. लेखक या वेगवेगळ्या घातांचा उगम दोन प्रकारच्या माहितीत शोधतात: VAR साठी एक संख्या, रेफरीसाठी केवळ एक चिन्ह.
दोन्ही एकत्र करणेही फायद्याचे ठरते. 2 सेंमीच्या समान त्रुटी आणि 2 सेंमीचे खरे अंतर असताना, केवळ रेफरी किंवा केवळ VAR 15.87% वेळा चुकतो; एकत्रित नियम, 9.70% वेळा.
हे प्रतिरूप पक्षपातही (bias) हाताळते. ऑफसाइडचा झेंडा दाखवण्याकडे सरासरी 5 सेंमीने झुकलेल्या रेफरीसाठी दोन वेगवेगळे उंबरठे मिळतात: ऑफसाइड निर्णय फिरवण्यासाठी 0.20 सेंमी, ऑनसाइड निर्णय फिरवण्यासाठी 0.46 सेंमी. आणि जर VAR मध्येच 1 सेंमीचा ज्ञात पक्षपात असेल, तर त्याकडे दुर्लक्ष केल्यास निकाल उलटू शकतो.
नियम वापरण्यासाठी, त्रुटीचे चार प्राचल (parameters) माहीत असायला हवेत. खरे अंतर ज्ञात असलेल्या अंशांकन-चालींमधून (calibration plays) त्यांचा अंदाज कसा काढायचा हे शोधनिबंध दाखवतो: VAR साठी साधी सरासरी आणि प्रसार, आणि रेफरीच्या होय-किंवा-नाही निर्णयांसाठी “प्रोबिट” (probit) जुळवणी (fit).
मैदानापलीकडे
जिथे जिथे एखादी व्यक्ती निर्णय देते आणि एखादे यंत्र त्याच राशीचे मोजमाप देते, तिथे हीच रचना दिसते: AI च्या दुर्धरता-गुणाशेजारी (malignancy score) एखादी गाठ (lesion) सौम्य की दुर्धर हे ठरवणारे डॉक्टर, दोष-तीव्रता गुणाशेजारी विमानाचा एखादा भाग मंजूर करणारे अभियंते, एखाद्या मॉडेलच्या अपेक्षित परताव्याशेजारी फंड व्यवस्थापक. जिथे अंशांकन सोपे आहे, जसे की वित्त, वैद्यकीय प्रतिमांकन आणि भाकित बाजार (prediction markets), तिथे नियमाच्या प्रत्यक्ष परिणामाची चाचणी घ्यावी, असे लेखक सुचवतात.
हा शोधनिबंध एका अध्यापन-लेखाच्या स्वरूपात लिहिलेला आहे, मूलभूत संभाव्यता आणि कलनशास्त्र (calculus) जाणणाऱ्या पदवीपूर्व विद्यार्थ्यांसाठी आणि प्रगत हायस्कूल विद्यार्थ्यांसाठी. त्याचे प्राचल केवळ उदाहरणादाखल आहेत: कोणत्याही प्रत्यक्ष रेफरीचे किंवा VAR प्रणालीचे अंशांकन केलेले नाही. त्याची शेवटची ओळ ऋणनिर्देशाची (acknowledgements) आहे, जिथे लेखक सांगतात की त्यांनी आकृत्या, मुद्रितशोधन आणि तर्कशुद्धतेच्या तपासण्यांसाठी ChatGPT वापरले, “आणि त्याच वेळी AI ने त्यांच्या मानवी निर्णयाला उलटवू नये यासाठी आपल्या √(2/π) नियमाचे पालन केले”.
