Kan AI een neus voor nieuws ontwikkelen?

AI wordt beter in het schrijven van nieuwsverhalen, maar wordt niet veel beter in het identificeren ervan.

Opinie In de vijf jaar sinds ik voor het laatst een blik wierp op de mogelijkheid van AI om een hot nieuwsverhaal te vinden, is het landschap aanzienlijk veranderd, met een toename van AI-gedreven automatisering, vergezeld van de onvermijdelijke groeipijnen en controverse.

Onlangs presenteerde een WSJ-rapport over een productieve, AI-geassisteerde Fortune-medewerker de journalist van de toekomst als bevrijd van saaie taken zoals het translitereren van persberichten, waardoor hij de ruimte had om artikelen te schrijven en onderzoek te doen dat alleen grotere uitgevers meestal de budget voor hebben.

Maar wat we veel minder vaak horen is AI’s vermogen om een nieuwsverhaal te ontdekken.

Ruisreductie

In het artikel van 2021 richtte ik me op schrijvers die het onderzoeksgebied beslaan, aangezien dat waar ik het meeste van mijn tijd doorbreng; en misschien het grootste effect dat de nieuwe AI-revolutie op dat gebied heeft gehad, is dat het een ongovernable sneeuwstorm van AI-gepowered onderzoeksartikelen heeft gecreëerd, waardoor het signaal-ruisverhouding zo hoog is geworden dat zelfs het volgen van de Arxiv AI-gerelateerde domeinen comprehensief nu buiten het bereik van een enkele persoon ligt.

Zeker, dit is waar AI uitblinkt – in het itereren door enorme hoeveelheden gegevens die mensen niet kunnen oplossen, om ‘uitbijters’ (waar we later op terugkomen) in seconden te vinden die mensen dagen zouden kosten, als ze het al konden doen.

Waarom is AI dan nog steeds zo slecht in het identificeren van een hot nieuwsverhaal uit de duizenden, zelfs tienduizenden, dagelijkse kandidaten?

Achteruitkijkende AI

Deze enorme proliferatie van AI-gegenereerde inhoud gebeurt ver voorbij het academische sector dat ik eerder besprak. Laatst jaar werd geschat dat de helft van alle nieuwe schrijven op het web nu ‘geschreven door AI’ is, met nog grotere versnelling van deze trend verwacht. Daarom is de ruis oorverdovend overal, niet alleen in de academische wereld.

Hoewel er enige vooruitgang is geboekt in AI/algoritmische identificatie van een ‘hot’ verhaal in de afgelopen jaren, concentreren deze systemen zich op gestructureerde en voorspelbaar georganiseerde gegevensfeeds, wat betekent dat ze alleen in een vrij broos context kunnen werken.

In dit verband heeft Stanford-postdoctoraal onderzoeker en voormalig New York Times-journalist Alexander Spangher verschillende pogingen gedaan om ‘nieuwsbaarheid’ te definiëren in termen die kunnen worden toegepast op machine learning-processen en statistische analyse; en heeft bewijs geleverd van geautomatiseerde lead-generatie in corpora zoals rechtszaken, wetsvoorstellen en gemeenteraadsvergaderingen, evenals algemene openbare documenten – het soort schema-gedreven output dat Fortune’s productieve AI-gepowered scribe kan omzetten in 6-7 nieuwsartikelen per dag:

De ‘hitte’ van woordverdelingen afgeleid uit corpora van openbare documenten. In dit geval zien we dat ‘autoriseren’ een hoge score heeft, misschien omdat het beslissing, verandering en nieuwheid vertegenwoordigt. Bron

Echter, het probleem met benaderingen zoals de Spangher-leidende 2023 aanbod Tracking the Newsworthiness of Public Documents, is dat ze in typische AI-stijl centrerend op waargenomen trends in de gegevens. Met andere woorden, ze observeren dingen die eerder goed nieuws waren, en gaan op zoek naar meer van hetzelfde.

In de echte wereld zijn onverwachte bronnen bijna altijd een ‘one hit wonder’; en voor hoe obscuur ze waren, kon niemand hebben voorspeld hun plotselinge prominentie. Vervolgens, nadat ze eenmaal succesvol waren, en ondanks occasionele pogingen om te profiteren van voorbijgaande faam/nieuwsgierigheid, zullen ze meestal nooit iets nuttigs meer produceren.

Teken van de Tijden

Daarom, aangezien het monitoren van dit soort one-and-done-nieuwsbronnen meestal alleen maar meer ruis toevoegt aan de algemene sneeuwstorm, kan AI in plaats daarvan niet de signalen van een bron identificeren die op een dag vruchtbaar kan worden? Als men kan ontdekken welk type bron uiteindelijk nieuws kan opleveren, kan men zich richten op de kenmerken van die bron in plaats van de context of methode.

Door die logica kan men concluderen dat iemand die onlangs het CIA-personeel heeft verlaten (of een soortgelijke organisatie) de moeite waard is om te volgen als een potentiële bron van een toekomstige primeur.

Echter, er zijn geen RSS-feeds of API’s die waarschijnlijk in staat zullen zijn om dit soort continue monitoring te automatiseren, aangezien LinkedIn en veel andere vroeger open bronnen van gegevens zich terugtrekken in het gezicht van roofzuchtige en wetteloze AI-web-scrapers. Zelfs als er waren, zou frequentie een probleem zijn, omdat men een API of een site niet elke vijf seconden kan polleren; naast de resource-kosten zouden IP-banning-reacties van de platforms dit een onhoudbare activiteit maken.

Verder is er duidelijk een ‘menselijke dimensie’ aan dergelijke onthullingen die moeilijk te automatiseren is.

Nieuwsgaring met de persoonlijke touch: capture van een disc-release van de 1976 Alan J. Pakula-film ‘All The President’s Men’, met de informant die uit de schaduw komt. Bron

Ook in de echte wereld is het ontzettend moeilijk om de definierende kenmerken van een toekomstige nieuwsbron te identificeren. Het is waarschijnlijk niet ‘mensen die onlangs de CIA hebben verlaten’, en het is zeker niet gedefinieerd door een protocol: platforms zoals X of GitHub produceren veel te veel signaal in zichzelf, en zelfs het beperken tot zoektermen of postcategorieën maakt weinig verschil – alleen als men betrokken is bij het probleem en geëngageerd is met de gemeenschap (of repo, etc.) is men echt waarschijnlijk om de betekenis van een ontwikkeling te herkennen.

Zelfs een term zoals ‘beveiligingswaarschuwing’ kan de ware ernst of nieuwswaardigheid van een incident niet contextualiseren, aangezien verwijzingen van die soort dagelijks door de duizenden in dergelijke gemeenschappen worden gegooid – en hebben geen bredere nieuws waarde; en zelfs als men het monitoren beperkt tot de Engelse taal alleen, zouden de mogelijke variaties in idioom, samen met het gebruik van indirecte taal, het moeilijk maken om een ‘in het wild’ post te parseren in een echte nieuwsalert.

De Smalle Weg

De huidige crop van AI-gepowered nieuwswaardigheidsdetectiesystemen zijn afhankelijk van geformaliseerde gegevensstructuren (zoals JSON-uitvoer van een API), of informele gegevensstructuren die AI-ontwikkelde algoritmen een kans hebben om te parseren in een gestructureerd schema (zoals persberichten van een bepaalde organisatie):

Een geparseerde RSS/XML-feed, die de rigide hiërarchie van gegevenscontainers onthult. Bron

Duidelijk zijn benaderingen van deze soort goed geschikt voor programmatische output, zoals het saaie werk dat de eerdergenoemde Fortune-verslaggever verklaart dat AI hem heeft bevrijd van, inclusief weersverslagen, aandelenkoersen en sportuitslagen, evenals routineuze persberichten van gemeentelijke en andere overheidsorganisaties.

Terwijl het mogelijk is om ‘human-alerting’-triggers aan statistische feeds zoals weersomstandigheden (plotselinge stormen), aandelen (plotselinge dalingen) en sport (onverwachte overwinningen/verliezen, met enige voorbereiding) te koppelen, zou menselijke aandacht nog steeds nodig zijn, zelfs voor zeer gestructureerde overheidsuitgaven, om nieuwswaardigheid te beoordelen.

Hoewel termen zoals ‘dood’, ‘onverwachte ziekte’, ‘lekkage’ en ‘ongeluk’ allemaal kunnen helpen om nieuwswaardige gebeurtenissen te identificeren, adresseren ze alleen ‘routine’ gebeurtenissen, en kunnen ze ook geen rekening houden met alternatieve taal (of talen).

De Terugkeer van de Elite Schrijvers?

In recente jaren is data-gedreven journalistiek een een opkomende plank in nieuwsverslaggeving geworden, met redactionele afdelingen die niet langer beperkt zijn tot ‘scoop’-deals die hen vroegtijdige toegang geven tot speciale rapporten en white papers van grote uitgevers; in plaats daarvan kunnen ze de cijfers zelf crunchen.

Echter, dit is geen gratis lunch; aangezien de waarde van het parseren van openbare gegevens met AI op deze manier is toegenomen, is een rente-zoekende/AI-blokkerende reactie gevolgd – of zelfs voorafgegaan – aan de vraag, waardoor de data-hongerige grote AI-spelers in stealth-tactieken zijn gedreven.

De extra wrijving van de Nieuwe Terugtrekking restaureert mogelijk een zekere hoeveelheid macht van ‘burgerjournalisten’ terug naar legacy media – of tenminste, goed gefinancierde nieuwsorganisaties die de bandbreedte hebben om de extra handmatige arbeid te absorberen die nodig is voor het verzamelen, verfijnen en evalueren van gegevens, in een tijdperk waarin uitgevers en domeinen steeds meer beperkingen opleggen aan toegang.

Dus, op een manier, misschien in de geest van de tijd, kan de praktische manifestatie van AI in journalistiek, in termen van de manier waarop grote spelers en markten hebben gereageerd op AI-gebaseerde innovatie en adoptie, ons eigenlijk terug in de tijd brengen: het democratiseringsproces van nieuwsproductie ont-democratiseren en obstakels toevoegen aan betekenisvolle data-gedreven nieuwswaardigheidsevaluatiesystemen.

Algemene Instincten

Deze beperkingen leiden ons duidelijk terug naar ‘intuïtie’ als een onvermijdelijke component in de evaluatie van de nieuwswaardigheid van een verhaal.

Natuurlijk is dit een troost voor hen die professioneel betrokken zijn bij dit aspect; maar zelfgenoegzaamheid zou een fout zijn, aangezien deze intuïtie tot op zekere hoogte kan worden gedistilleerd en geoperationaliseerd op een zeer algemene manier die niet afhankelijk is van het bestuderen van de obsessies of hobby’s van een individu of organisatie: in een studie uit 2022 gebruikten onderzoekers van de Northwestern University crowd-sourced evaluaties van potentieel nieuwswaardige verhalen om een predictief model te trainen, specifiek gericht op de nieuwswaardigheid van recent gepubliceerde Arxiv-onderzoeksartikelen:

Enquêtevragen die aan deelnemers zijn gesteld om trainingsgegevens te verkrijgen voor een ‘nieuwswaardigheidspredictiemodel’ AI. Bron

Het systeem rangschikt kandidaten redelijk goed, met ongeveer 80% van de top 10 keuzes die ook als nieuwswaardig worden beoordeeld door experts. Echter, de overeenstemming met experts bleek alleen matig, met resultaten die factoren zoals framing of publieksfit misten.

Het systeem is gebaseerd op de principes zoals uiteengezet in de 2020-paper Computational News Discovery: Towards Design Considerations for Editorial Orientation Algorithms in Journalism. Zoals bij de meeste soortgelijke projecten, richt dit werk zich op sciencejournalistiek in plaats van abstracte nieuwsvergaring – misschien omdat de wetenschappelijke literatuur de neiging heeft naar getemplateerde output die potentieel kan worden geparsed in trainable en interpreteerbare datapunten.

Nou, zoals ik in 2021 opmerkte, zou dit het geval zijn, behalve dat onderzoeks wetenschappers frequent de conventies van onderzoeksartikelindiening misbruiken om onindrukwekkende resultaten te verhullen of zelfs rechtstreeks falen.

Nog meer een uitdaging is de grote moeilijkheid die AI-systemen hebben bij het interpreteren van figuren en tabellen in wetenschappelijke artikelen, tot het punt waarop dit een actieve tak in de literatuur is geworden:

Uit het artikel ‘SciFigDetect: A Benchmark for AI-Generated Scientific Figure Detection’, met echte wetenschappelijke figuren, hun generatieprompts en synthetische tegenhangers gegenereerd door Nano Banana en GPT in drie categorieën: illustratie, overzicht en experimentele figuren. Bron

Het is vaak het geval dat een grafiek of tabel resultaten bevat die het hoofdgedeelte van het artikel zal rapporteren met selectieve voorkeur, of anderszins zal negeren; daarom is deze barrière in AI-gedreven sciencejournalistiek geen kleine.

Meer nog, het feit dat een artikel afgeleid is, of slechts een kleine vooruitgang (indien aanwezig) ten opzichte van de stand van de techniek, wordt vaak begraven in een bijna ondoordringbare citatie (d.w.z. men zou moeten zoeken naar de term, een leesbare PDF-kopie vinden en de omvang van de voorafgaande kunst begrijpen, voordat men de afwezigheid van originaliteit of nieuwheid in het nieuwe werk begrijpt).

Alleen Weer, Natuurlijk

De crowd-sourced methode zoals hierboven beschreven, suggereert enige overeenstemming tussen algemene consensus over potentieel nieuwswaardige verhalen en professionele evaluatie van dezelfde. Maar zonder context kan alleen de breedste streken van nieuwswaardigheid worden bepaald.

De grote kracht van AI ligt in zijn vermogen, afhankelijk van de configuratie, om uitbijters te isoleren – hetzij om ze te verwijderen als een curve-blowing en niet-betekenisvolle uitzondering op trends in een dataset, of (meer relevant voor nieuwsvergaring) om betekenisvolle en waardevolle ongebruikelijke instanties en gebeurtenissen te identificeren:

Uitbijters (in rood) in een scatterplot. Bron

Op het principe dat de bliksem zelden tweemaal slaat, zijn bijna alle hit-nieuwsverhalen uitbijters. In gevallen waarin ze voortkomen uit een actief en volatiele domein, zoals een gaande oorlog, kan dat domein met een hoge waarschijnlijkheid van nieuwswaardige verhalen worden gescand – maar tegen de kosten van massale concurrentie, aangezien gemeenschappelijke aandacht waarschijnlijk ook op dat domein is gericht.

Veel nieuwswaardige wetenschappelijke leidraden zijn, per definitie, niet het centrum van de taalverdeling. Ze zijn zeldzame combinaties van methoden, verrassende negatieve resultaten of anomalische replicaties. Als het model zijn competentie vermindert op dergelijke lage-frequentie-groeperingen, dan wordt de regio waar een redactionele ‘neus’ scherp moet zijn, de regio waar het model het minst betrouwbaar is.

Vertrouwensproblemen

Bij het zoeken naar nieuwe verhalen, wegen journalisten meerdere beperkingen af, waaronder tijd, toegang, geloofwaardigheid, publiek en organisatorische prioriteiten), wat leidt tot niet-evidente keuzes. Een literatuuroverzicht uit 2022 uit Denemarken karakteriseerde journalisten als het afwegen van meerdere zorgen, zich zeer bewust dat bronnen agenda’s kunnen hebben of misleid kunnen zijn; en vaak indirecte vertrouwenssignalen gebruiken in plaats van directe controle wanneer ze onder druk opereren.

Deze ‘vertrouwensproblemen’ zouden een ontwikkelingshobbel zijn in elk definitief AI-gedreven nieuwswaardigheid-identificatiesysteem, aangezien de interactie met een dergelijk platform vereist dat de gebruiker vertrouwt dat alle algoritme-geëlimineerde artikelen inderdaad niet de moeite waard zijn voor de schrijver.

Uitgebreide bètatesting en opnieuw trainen of fijnafstemmen, met menselijke toezicht dat losse eindjes oppikt, kan uiteindelijk de betrouwbaarheid van een dergelijke aanpak verbeteren; maar een verschuiving in nationale of mondiale cultuur – zoals verrassende veranderingen in het politieke landschap, of het uitbreken van oorlog – kan onvermijdelijk alle basisprioriteiten van een dergelijk fijn afgestemd systeem omverwerpen, waardoor de AI-afhankelijke schrijver zijn noodzakelijke ‘interne domeinmodel’ bijna van scratch moet herbouwen.

Publicatie op maandag 20 april 2026.
Aangepast op donderdag 23 april 2026 14:13:25, om ‘Fortune’ te vervangen door ‘WSJ’ in ‘De Smalle Weg’, alinea 2 (dankzij Mark Riley van mathison.ai voor het aanwijzen).