Menuju Penulisan Sains Otomatis

Pagi ini, saya menjelajahi bagian Ilmu Komputer di Arxiv, seperti yang saya lakukan setiap pagi, dan menemukan sebuah makalah baru dari Universitas Federal Ceara di Brasil, yang menawarkan kerangka kerja pemrosesan bahasa alami baru untuk mengotomatisasi ringkasan dan ekstraksi data inti dari makalah ilmiah.

Karena ini lebih atau kurang apa yang saya lakukan setiap hari, makalah tersebut mengingatkan saya pada sebuah komentar di thread penulis Reddit awal tahun ini – sebuah ramalan yang menyatakan bahwa penulisan sains akan menjadi salah satu pekerjaan jurnalistik pertama yang diambil alih oleh pembelajaran mesin.

Biarlah saya jelas – saya absolut percaya bahwa penulis sains otomatis akan segera hadir, dan bahwa semua tantangan yang saya uraikan dalam artikel ini dapat diatasi sekarang atau nantinya. Di mana memungkinkan, saya memberikan contoh untuk ini. Selain itu, saya tidak membahas apakah penulisan sains AI saat ini atau di masa depan dapat menulis dengan baik; berdasarkan tingkat minat saat ini di sektor ini, saya menganggap bahwa tantangan ini akan segera terpecahkan.

Sebaliknya, saya bertanya-tanya apakah penulis sains AI akan dapat memilih cerita sains yang relevan sesuai dengan hasil yang diinginkan oleh penerbit.

Saya tidak berpikir itu akan segera terjadi; berdasarkan menjelajahi judul dan/atau salinan dari sekitar 2000 makalah ilmiah baru tentang pembelajaran mesin setiap minggu, saya memiliki pandangan yang lebih sinis tentang seberapa jauh pengajuan akademis dapat dipecah secara algoritmik, baik untuk tujuan pengindeksan akademis maupun jurnalistik ilmiah. Seperti biasa, itu adalah orang-orang yang menghalangi jalan.

Persyaratan untuk Penulis Sains Otomatis

Mari kita pertimbangkan tantangan mengotomatisasi pelaporan sains tentang penelitian akademis terbaru. Untuk mempertahankan kesetaraan, kita akan membatasi diri pada kategori Ilmu Komputer dari domain Arxiv yang sangat populer dan tidak berbayar, Arxiv dari Universitas Cornell, yang setidaknya memiliki sejumlah fitur sistematis dan templat yang dapat dimasukkan ke dalam pipa ekstraksi data.

Anggaplah juga bahwa tugas yang ada, seperti pada makalah baru dari Brasil, adalah untuk mengulangi judul, ringkasan, metadata, dan (jika dibenarkan) konten tubuh makalah ilmiah baru dalam mencari konstanta, parameter yang dapat diandalkan, token, dan informasi domain yang dapat diurangi.

Ini, setelah semua, adalah prinsip yang mendasari kerangka kerja baru yang mendapatkan momentum di bidang pelaporan gempa bumi, penulisan olahraga, jurnalistik keuangan, dan liputan kesehatan, dan merupakan titik awal yang masuk akal untuk jurnalis ilmiah yang ditenagai AI.

Alur kerja penawaran baru Brasil. Makalah ilmiah PDF diubah menjadi teks polos UTF-8 (meskipun ini akan menghapus penekanan miring yang mungkin memiliki makna semantik), dan bagian artikel dilabeli dan diekstrak sebelum dilewatkan untuk penyaringan teks. Teks yang dipecah menjadi kalimat sebagai bingkai data, dan bingkai data digabungkan sebelum identifikasi token, dan pembuatan dua matriks token dokumen Sumber: https://arxiv.org/ftp/arxiv/papers/2107/2107.14638.pdf

Mengompilikasi Template

Satu lapisan yang menguntungkan dari keseragaman dan pengaturan adalah bahwa Arxiv menerapkan template yang cukup baik untuk pengajuan, dan menyediakan pedoman rinci untuk penulis pengajuan. Oleh karena itu, makalah umumnya sesuai dengan bagian protokol yang berlaku untuk pekerjaan yang dijelaskan.

Bagian ini termasuk abstrak, pengantar, kerja terkait/prakerja, metodologi/data, hasil/temuan, studi ablasion, diskusi, kesimpulan.

Namun, dalam prakteknya, beberapa bagian ini mungkin hilang, berganti nama, atau berisi konten yang, secara ketat, termasuk dalam bagian lain. Selain itu, penulis secara alami akan memasukkan judul dan sub-judul yang tidak sesuai dengan template. Oleh karena itu, akan jatuh pada NLP/NLU untuk mengidentifikasi konten bagian terkait dari konteks.

Mengarah ke Masalah

Hierarki judul adalah cara mudah bagi sistem NLP untuk mengkategorikan blok konten secara awal. Banyak pengajuan Arxiv diekspor dari Microsoft Word (sebagaimana dibuktikan oleh PDF Arxiv yang salah yang meninggalkan ‘Microsoft Word’ di header judul – lihat gambar di bawah). Jika Anda menggunakan judul bagian yang tepat di Word, ekspor ke PDF akan merekamnya kembali sebagai judul hierarkis yang berguna untuk proses ekstraksi data mesin.

Bagaimanapun, ini mengasumsikan bahwa penulis benar-benar menggunakan fitur-fitur tersebut di Word, atau kerangka pembuatan dokumen lain, seperti TeX dan turunannya (jarang disediakan sebagai format alternatif asli di pengajuan Arxiv, dengan sebagian besar penawaran terbatas pada PDF dan, terkadang, PostScript yang lebih tidak transparan).

Berdasarkan tahun-tahun membaca makalah Arxiv, saya telah mencatat bahwa sebagian besar dari mereka tidak mengandung metadata struktural yang dapat diinterpretasikan, dengan judul dilaporkan di pembaca (yaitu browser web atau pembaca PDF) sebagai judul penuh (termasuk ekstensi), dari dokumen itu sendiri.

Dalam kasus ini, interpretasi semantik makalah terbatas, dan sistem penulis sains AI akan perlu secara programatis menghubungkannya kembali dengan metadata yang terkait di domain Arxiv. Konvensi Arxiv menentukan bahwa metadata dasar juga dimasukkan secara lateral dalam teks abu-abu besar di halaman 1 pengajuan yang dikirim (lihat gambar di bawah). Sayangnya – tidak hanya karena ini adalah satu-satunya tempat yang dapat diandalkan Anda dapat menemukan tanggal publikasi atau nomor versi – itu sering dikecualikan.

Banyak penulis tidak menggunakan gaya apa pun, atau hanya gaya H1 (judul/titel tertinggi), meninggalkan NLU untuk mengextract judul baik dari konteks (mungkin tidak terlalu sulit), atau dengan memarsing nomor referensi yang terdiri dari judul dalam rute dokumen (yaitu https://arxiv.org/pdf/2110.00168.pdf) dan memanfaatkan metadata berbasis web (bukan lokal) untuk pengajuan.

Walau bagaimanapun, yang terakhir tidak akan menyelesaikan judul yang hilang, tetapi setidaknya akan menetapkan bagian Ilmu Komputer yang pengajuan berlaku, dan menyediakan informasi tanggal dan versi.

Teks yang Menempel pada Pengembalian Paragraf

Dengan PDF dan postscript sebagai format Arxiv yang paling umum yang diserahkan oleh penulis, sistem NLP akan memerlukan rutinitas untuk memisahkan kata-kata akhir baris dari kata-kata awal baris berikutnya yang “terlampir” pada mereka di bawah metode optimasi default format PDF.

Memisahkan (dan menghilangkan tanda hubung) kata dapat dilakukan di Perl dan banyak rutinitas rekursif sederhana lainnya, meskipun pendekatan berbasis Python mungkin kurang memakan waktu dan lebih sesuai dengan kerangka kerja ML. Adobe, pencipta format PDF, juga mengembangkan sistem konversi yang ditenagai AI yang disebut Liquid Mode, yang mampu “mengalirkan kembali” teks yang dipanggang dalam PDF, meskipun peluncurannya di luar ruang seluler terbukti lambat.

Bahasa Inggris yang Buruk

Bahasa Inggris tetap menjadi standar ilmiah global untuk mengajukan makalah ilmiah, meskipun ini kontroversial. Oleh karena itu, makalah yang menarik dan layak diberitakan terkadang mengandung standar bahasa Inggris yang mengerikan, dari peneliti non-Inggris. Jika penggunaan bahasa Inggris yang tepat dimasukkan sebagai metrik nilai ketika sistem mesin mengevaluasi karya, maka tidak hanya cerita yang baik yang sering hilang, tetapi output yang lebih rendah dan tidak berharga akan dinilai lebih tinggi hanya karena itu mengatakan sangat sedikit dengan sangat baik.

Sistem NLP yang kaku dalam hal ini kemungkinan akan mengalami lapisan hambatan tambahan dalam ekstraksi data, kecuali dalam ilmu pengetahuan yang paling kaku dan diparameterkan, seperti kimia dan fisika teoretis, di mana grafik dan bagan lebih seragam di seluruh komunitas ilmiah global. Meskipun makalah pembelajaran mesin sering menampilkan rumus, ini mungkin tidak mewakili nilai makalah dalam ketiadaan konsensus ilmiah yang mapan tentang metodologi yang dinikmati oleh ilmu pengetahuan yang lebih tua.

Pemilihan: Menentukan Kebutuhan Audiens

Kita akan segera kembali ke banyak masalah menguraikan makalah ilmiah yang aneh menjadi titik data diskrit. Sekarang, mari kita pertimbangkan audiens dan tujuan kita, karena ini akan penting untuk membantu penulis sains AI menyaring ribuan makalah per minggu. Memprediksi keberhasilan cerita berita potensial sudah area aktif dalam pembelajaran mesin.

Jika, misalnya, lalu lintas sains volume tinggi adalah satu-satunya tujuan di situs web di mana penulisan sains hanya salah satu bagian dari penawaran jurnalistik yang lebih luas (seperti bagian sains Daily Mail di Inggris), AI mungkin perlu menentukan topik dengan lalu lintas tertinggi dan mengoptimalkan pemilihannya ke arah itu. Proses ini kemungkinan akan memprioritaskan (relatif) buah yang mudah dipetik seperti robot, drone, deepfake, privasi dan kerentanan keamanan.

Dalam garis dengan keadaan saat ini dari sistem rekomendasi, panen tingkat tinggi ini kemungkinan akan menyebabkan ‘gelembung filter’ masalah untuk penulis sains AI kita, karena algoritma memberikan perhatian yang lebih besar pada sejumlah makalah sains yang kurang serius yang menampilkan kata kunci dan frasa yang diinginkan dengan frekuensi tinggi pada topik ini (lagi, karena ada uang yang terlibat, baik dalam hal lalu lintas, untuk outlet berita, dan pendanaan, untuk departemen akademis), sementara mengabaikan beberapa “telur Paskah” yang lebih bisa ditulis yang dapat ditemukan di banyak sudut Arxiv yang kurang sering dikunjungi.

Satu dan Selesai!

Bahan berita sains yang baik dapat datang dari tempat dan topik yang tidak terduga. Untuk lebih membingungkan penulis sains AI kita, yang berharap untuk membuat indeks produktif dari sumber berita “menghasilkan”, sumber dari “hit” yang tidak biasa (seperti server Discord, departemen penelitian akademis, atau startup teknologi) sering tidak pernah lagi menghasilkan materi yang dapat digunakan, sementara terus mengeluarkan aliran informasi yang bising dan tidak berharga.

Apa yang dapat arsitektur pembelajaran mesin iteratif simpulkan dari ini? Bahwa ribuan sumber berita “outlier” sebelumnya yang diidentifikasi dan dikecualikan sekarang perlu diprioritaskan (meskipun melakukan ini akan menciptakan rasio sinyal-ke-bisingan yang tidak terkendali, mengingat volume makalah yang diterbitkan setiap tahun)? Bahwa topik itu sendiri lebih layak mendapatkan lapisan aktivasi daripada sumber berita yang datang (yang, dalam kasus topik populer, adalah tindakan yang berlebihan)..?

Lebih berguna, sistem mungkin belajar bahwa itu perlu bergerak naik atau turun hierarki dimensionalitas dalam mencari pola – jika memang ada – yang merupakan apa yang my late kakek jurnalis menyebut ‘hidung untuk berita’, dan mendefinisikan fitur layak diberitakan sebagai kualitas yang abstrak dan berkelana yang tidak dapat diprediksi dengan akurat berdasarkan provenance saja, dan yang dapat diharapkan untuk bermutasi setiap hari.

Mengidentifikasi Kegagalan Hipotesis

Karena tekanan kuota, departemen akademis terkadang menerbitkan karya di mana hipotesis pusat telah gagal total (atau hampir total) dalam pengujian, bahkan jika metode dan temuan proyek masih layak mendapat sedikit minat.

Kekecewaan seperti ini sering tidak ditandai dalam ringkasan; dalam kasus terburuk, hipotesis yang dibantah hanya dapat dikenali dengan membaca grafik hasil. Ini tidak hanya memerlukan pengambilan pemahaman rinci tentang metodologi dari informasi terbatas yang disediakan makalah, tetapi juga akan memerlukan algoritma interpretasi grafik yang terampil yang dapat menafsirkan secara bermakna segala sesuatu dari grafik pie hingga grafik Scatter, dalam konteks.

Sistem NLP yang percaya pada ringkasan tetapi tidak dapat menafsirkan grafik dan tabel mungkin akan sangat bersemangat tentang makalah baru, pada awalnya. Sayangnya, contoh sebelumnya dari “kegagalan tersembunyi” dalam makalah akademis sulit untuk dikenali sebagai pola, karena ini sebagian besar merupakan kejahatan penghilangan atau under-emphasis, dan oleh karena itu sulit dikenali.

Dalam kasus ekstrem, penulis AI kita mungkin perlu menemukan dan menguji data repositori (yaitu dari GitHub), atau memarsing materi tambahan yang tersedia, untuk memahami apa yang ditunjukkan hasilnya dalam hal tujuan penulis. Oleh karena itu, sistem pembelajaran mesin akan perlu menavigasi sumber dan format yang tidak dipetakan, membuat otomatisasi proses verifikasi menjadi tantangan arsitektur.

Skenario ‘Kotak Putih’

Beberapa klaim paling berlebihan yang dibuat dalam makalah keamanan yang berfokus pada AI ternyata memerlukan akses luar biasa dan sangat tidak mungkin ke kode sumber atau infrastruktur sumber – ‘serangan kotak putih’. Meskipun ini berguna untuk mengextrapolasi keanehan sebelumnya tidak diketahui dalam arsitektur sistem AI, ini hampir tidak pernah mewakili permukaan serangan yang dapat dieksploitasi secara realistis. Oleh karena itu, penulis sains AI akan memerlukan detektor omong kosong yang cukup baik untuk menguraikan klaim keamanan menjadi probabilitas untuk penerapan yang efektif.

Penulis sains AI akan memerlukan rutinitas NLU yang mampu untuk mengisolasi ‘kotak putih’ ke konteks yang bermakna (yaitu untuk membedakan penyebutan dari implikasi inti makalah), dan kemampuan untuk menyimpulkan metodologi kotak putih dalam kasus di mana frasa tersebut tidak pernah muncul dalam makalah.

Gotcha Lainnya

Tempat lain di mana mustahil dan kegagalan hipotesis dapat dikubur adalah dalam studi ablasion, yang secara sistematis melepaskan elemen kunci dari rumus atau metode baru untuk melihat apakah hasilnya terpengaruh, atau jika ‘penemuan inti’ tahan. Dalam prakteknya, makalah yang mencakup studi ablasion biasanya cukup yakin dengan temuan mereka, meskipun membaca yang cermat dapat sering mengungkap ‘kebohongan’. Dalam penelitian AI, kebohongan ini sering kali berjumlah overfitting, di mana sistem pembelajaran mesin berkinerja dengan baik pada data penelitian asli, tetapi gagal umum ke data baru, atau beroperasi di bawah kendala yang tidak dapat direproduksi.

Bagian lain yang berguna untuk ekstraksi sistematis adalah Batasan. Ini adalah bagian pertama yang harus dilewati oleh setiap penulis sains (AI atau manusia), karena dapat berisi informasi yang meniadakan hipotesis makalah, dan melompat ke sana dapat menyelamatkan jam kerja yang hilang (setidaknya, bagi manusia). Skenario terburuk di sini adalah makalah yang sebenarnya memiliki bagian Batasan, tetapi ‘fakta yang mengompromikan’ termasuk di tempat lain dalam karya, dan tidak di sini (atau dipermalukan di sini).

Selanjutnya adalah Prior Work. Ini terjadi awal dalam template Arxiv, dan sering mengungkapkan bahwa makalah saat ini hanya merupakan kemajuan kecil dari proyek yang jauh lebih inovatif, biasanya dari 12-18 bulan sebelumnya. Pada tahap ini, penulis AI akan memerlukan kemampuan untuk menentukan apakah pekerjaan sebelumnya mendapat traksi; apakah masih ada cerita di sini? Apakah pekerjaan sebelumnya tidak sengaja luput dari perhatian publik pada saat penerbitan? Atau apakah makalah baru hanya merupakan catatan yang membosankan dari proyek sebelumnya yang telah diliput dengan baik?

Mengevaluasi Ulang dan ‘Kesegaran’

Selain memperbaiki kesalahan cetak dalam versi sebelumnya, V.2 dari makalah sering kali mewakili sedikit lebih dari penulis yang meminta perhatian yang tidak mereka dapatkan ketika V.1 diterbitkan. Sering kali, bagaimanapun, makalah benar-benar layak mendapat gigitan kedua, karena perhatian media mungkin telah teralihkan di tempat lain pada saat penerbitan asli, atau karya itu tersembunyi oleh lalu lintas tinggi pengajuan selama periode simposium dan konferensi yang sibuk (seperti musim gugur dan akhir musim dingin).

Satu fitur yang berguna di Arxiv untuk membedakan ulangan adalah tag [DIPERBARUI] yang dilampirkan pada judul pengajuan. Sistem ‘rekomendasi’ internal penulis AI akan perlu mempertimbangkan dengan hati-hati apakah [DIPERBARUI] == ‘Sudah Dimainkan’, terutama karena (secara presumption) dapat mengevaluasi makalah yang diperbarui jauh lebih cepat daripada penulis sains yang sibuk, tetapi memiliki keuntungan yang signifikan atas manusia, berkat konvensi penamaan yang kemungkinan akan bertahan, setidaknya di Arxiv.

Arxiv juga menyediakan informasi di halaman ringkasan tentang apakah makalah telah diidentifikasi memiliki ‘persilangan teks yang signifikan’ dengan makalah lain (sering oleh penulis yang sama), dan ini juga dapat diparsing menjadi status ‘ganda/ulangan’ oleh sistem penulis AI dalam ketiadaan tag [DIPERBARUI].

Menentukan Difusi

Seperti kebanyakan jurnalis, penulis sains AI yang diproyeksikan mencari berita yang belum dilaporkan atau kurang dilaporkan, untuk menambah nilai pada aliran konten yang didukungnya. Dalam sebagian besar kasus, melaporkan kembali temuan sains yang pertama kali ditampilkan di outlet besar seperti TechCrunch, The Verge, dan EurekaAlert et al adalah tidak berguna, karena platform besar ini mendukung kontennya dengan mesin publisitas yang menyeluruh, hampir menjamin kejenuhan media untuk makalah.

Oleh karena itu, penulis AI kita harus menentukan apakah cerita itu cukup segar untuk dilanjutkan.

Cara termudah, secara teori, adalah untuk mengidentifikasi tautan masuk baru-baru ini ke halaman penelitian inti (ringkasan, PDF, bagian berita departemen akademis, dll.). Secara umum, kerangka kerja yang dapat menyediakan informasi tautan masuk yang mutakhir tidak gratis atau berbiaya rendah, tetapi penerbit besar mungkin dapat membenarkan biaya SaaS sebagai bagian dari kerangka evaluasi kelayakan berita.

Anggaplah akses seperti itu, penulis sains AI kita kemudian dihadapkan pada masalah bahwa sejumlah besar outlet pelaporan sains tidak mengutip makalah yang mereka tulis, bahkan dalam kasus di mana informasi tersebut tersedia secara gratis. Setelah semua, outlet ingin pelaporan sekunder untuk menautkan ke mereka, bukan ke sumber. Karena, dalam banyak kasus, mereka sebenarnya telah mendapatkan akses istimewa atau semi-istimewa ke makalah penelitian (lihat Penulis Sains AI ‘Sosial’ di bawah), mereka memiliki dalih yang tidak jujur untuk ini.

Oleh karena itu, penulis AI kita akan perlu mengekstrak kata kunci yang dapat digunakan dari makalah dan melakukan pencarian waktu-terbatas untuk menetapkan di mana, jika ada, cerita itu sudah pernah dilaporkan – dan kemudian mengevaluasi apakah difusi sebelumnya dapat diabaikan, atau apakah cerita itu sudah selesai.

Terkadang makalah menyediakan materi video tambahan di YouTube, di mana ‘jumlah tampilan’ dapat berfungsi sebagai indeks difusi. Selain itu, AI kita dapat mengekstrak gambar dari makalah dan melakukan pencarian gambar sistematis, untuk menetapkan apakah, kapan, dan di mana gambar-gambar tersebut telah diterbitkan kembali.

Telur Paskah

Terkadang makalah “kering” mengungkapkan temuan yang memiliki implikasi yang layak diberitakan dan mendalam, tetapi yang dipermalukan (atau bahkan diabaikan atau tidak diakui) oleh penulis, dan hanya akan terungkap dengan membaca makalah seluruhnya dan melakukan matematika.

Dalam kasus yang jarang terjadi, saya percaya, ini karena penulis lebih peduli dengan penerimaan di akademis daripada masyarakat umum, mungkin karena mereka merasa (tidak selalu salah) bahwa konsep inti yang terlibat tidak dapat disederhanakan cukup untuk konsumsi umum, meskipun upaya hiperbolis dari departemen PR institusi mereka.

Tapi sebanyak itu, penulis mungkin mengabaikan atau tidak melihat atau mengakui implikasi dari pekerjaan mereka, secara resmi beroperasi di bawah ‘jarak ilmiah’. Terkadang “telur Paskah” ini bukanlah indikator positif untuk karya, seperti yang disebutkan sebelumnya, dan mungkin dengan sengaja disembunyikan dalam tabel kompleks temuan.

Di Luar Arxiv

Perlu dipertimbangkan bahwa memparameterkan makalah tentang ilmu komputer ke dalam token dan entitas diskrit akan jauh lebih mudah di domain seperti Arxiv, yang menyediakan sejumlah “kait” konsisten dan templat untuk dianalisis, dan tidak memerlukan login untuk sebagian besar fungsionalitas.

Tidak semua akses publikasi ilmiah adalah sumber terbuka, dan masih belum jelas apakah (dari sudut pandang praktis atau hukum) penulis sains AI kita dapat atau akan menggunakan Sci-Hub untuk menghindari pembayaran; untuk menggunakan situs arsip untuk menghindari pembayaran; dan apakah membangun arsitektur penambangan domain yang serupa untuk berbagai platform penerbitan ilmiah lainnya adalah praktis, banyak di antaranya resisten secara struktural terhadap penyelidikan sistematis.

Perlu dipertimbangkan bahwa bahkan Arxiv memiliki batasan tingkat yang kemungkinan akan memperlambat rutinitas evaluasi berita penulis AI menjadi kecepatan yang lebih “manusia”.

Penulis Sains AI ‘Sosial’

Di luar domain terbuka dan dapat diakses dari platform penerbitan ilmiah seperti Arxiv, bahkan mendapatkan akses ke makalah ilmiah baru yang menarik dapat menjadi tantangan, yang melibatkan menemukan saluran kontak untuk penulis dan mendekatinya untuk meminta membaca karya, dan bahkan untuk mendapatkan kutipan (di mana tekanan waktu tidak menjadi faktor yang mendominasi – kasus yang jarang untuk penulis sains manusia saat ini).

Ini mungkin memerlukan penelusuran otomatis domain ilmiah dan pembuatan akun (Anda perlu masuk untuk mengungkapkan alamat email penulis makalah, bahkan di Arxiv). Sebagian besar waktu, LinkedIn adalah cara tercepat untuk mendapatkan tanggapan, tetapi sistem AI saat ini dilarang menghubungi anggota.

Bagaimana peneliti akan menerima solisitasi surel dari penulis sains AI – baik, seperti di dunia penulisan sains “daging” – itu mungkin tergantung pada pengaruh outlet. Jika penulis AI potensial dari Wired menghubungi penulis yang ingin menyebarkan karyanya, itu masuk akal untuk menganggap bahwa itu mungkin tidak akan bertemu dengan respons yang tidak menyenangkan.

Dalam sebagian besar kasus, Anda dapat membayangkan bahwa penulis akan berharap bahwa pertukaran semi-otomatis ini akhirnya akan memanggil manusia ke dalam loop, tetapi tidak mustahil bahwa wawancara VOIP lanjutan dapat difasilitasi oleh AI, setidaknya di mana viabilitas artikel diprediksi berada di bawah ambang tertentu, dan di mana penerbitan memiliki cukup daya tarik untuk menarik partisipasi manusia dalam percakapan dengan ‘peneliti AI’.

Mengidentifikasi Berita dengan AI

Banyak prinsip dan tantangan yang diuraikan di sini berlaku untuk potensi otomatisasi di sektor jurnalistik lainnya, dan, seperti yang selalu terjadi, mengidentifikasi cerita potensial adalah tantangan inti. Sebagian besar jurnalis manusia akan mengakui bahwa menulis cerita sebenarnya hanya 10% dari upaya, dan bahwa pada saat keyboard berderak, pekerjaan sudah sebagian besar selesai.

Tantangan utama, maka, adalah mengembangkan sistem AI yang dapat menemukan, menyelidiki, dan mengotentikasi cerita, berdasarkan banyak kekhasan aneh dari permainan berita, dan menavigasi berbagai platform yang sudah diperkuat terhadap penyelidikan, manusia atau lainnya.

Dalam kasus pelaporan sains, penulis makalah baru memiliki agenda yang sangat bersifat melayani diri sendiri seperti sumber primer berita lainnya, dan menguraikan output mereka akan memerlukan pengetahuan sebelumnya tentang motivasi sosiologis, psikologis, dan ekonomi. Oleh karena itu, penulis sains otomatis yang potensial akan memerlukan lebih dari rutinitas NLP yang mereduksi untuk menetapkan di mana berita itu hari ini, kecuali domain berita khususnya sangat terstratifikasi, seperti saham, angka pandemik, hasil olahraga, aktivitas seismik, dan sumber berita statistik lainnya.