Czy AI może rozwinąć węszę do wiadomości?

AI staje się coraz lepszy w pisaniu artykułów prasowych, ale nie staje się znacznie lepszy w identyfikowaniu ich.

Opinia W ciągu pięciu lat od kiedy po raz ostatni przyjrzałem się możliwościom AI w zakresie znajdowania gorących wiadomości, krajobraz zmienił się znacznie, z coraz większymi poziomami automatyzacji opartej na AI, a także nieuniknionymi bólami i kontrowersjami.

Niedawno raport WSJ na temat płodnego, wspomaganego przez AI dziennikarza Fortune przedstawił dziennikarza przyszłości jako uwolnionego od pracy, takiej jak transliterowanie komunikatów prasowych, pozostawiając mu możliwość pisania artykułów i prowadzenia dochodzeń, które tylko większe wydawnictwa zwykle mają budżet.

Ale o czym słyszymy znacznie rzadziej, to o zdolności AI do rozpoznania wiadomości.

Zmniejszanie hałasu

W artykule z 2021 roku skupiłem się na pisarzach, którzy zajmują się badaniami, ponieważ tam spędzam większość czasu; i być może największym efektem, jaki nowa rewolucja AI miała na to, jest to, że stworzyła niekontrolowany huragan skierowanych do AI prac badawczych, podnosząc stosunek sygnału do szumu tak wysoko, że nawet pokrywanie dziedziny AI z Arxiv jest teraz poza możliwościami jednej osoby.

Pewnie to jest miejsce, w którym AI się wyróżnia – w iterowaniu przez ogromne ilości danych, które ludzie nie mogą rozwiązać, aby znaleźć ‘wyjątki’ (do których będziemy dochodzić niebawem) w sekundach, co zajęłoby ludziom dni, gdyby tylko mogli to zrobić.

Dlaczego więc AI wciąż jest tak słaby w identyfikowaniu gorącej wiadomości spośród tysięcy, a nawet dziesiątek tysięcy, codziennych kandydatów?

AI patrzący wstecz

Ten ogromny wzrost zawartości generowanej przez AI dzieje się daleko poza sektorem akademickim, o którym wcześniej mówiłem. Pod koniec zeszłego roku oszacowano, że połowa wszystkich nowych tekstów w sieci jest teraz ‘napisana przez AI’, przy czym przewiduje się jeszcze większą przyspieszenie tego trendu. Dlatego hałas jest ogłuszający wszędzie, a nie tylko w akademii.

Mimo że w ciągu ostatnich kilku lat nastąpił pewien postęp w identyfikowaniu ‘gorącej’ historii przez AI/algorytmy, systemy te koncentrują się na sformalizowanych strukturach danych, co oznacza, że mogą działać tylko w dość kruchym kontekście.

W tym zakresie Alexander Spangher, postdoktorancki badacz z Stanfordu i były dziennikarz New York Times Alexander Spangher podjął kilka prób zdefiniowania ‘nowości’ w kategoriach, które mogą być stosowane w procesach uczenia maszynowego i analizie statystycznej; oraz wykazał dowody automatycznego generowania wiodących korporacji takich jak akta sądowe, projekty ustaw, oraz posiedzenia rady miasta, a także dokumenty publiczne – rodzaj danych, który dziennikarz Fortune może przekształcić w 6-7 artykułów dziennie:

Ciepło rozkładu słów pochodzących z korporacji dokumentów publicznych. W tym przypadku widzimy, że ‘upoważnienie’ ma wysoki wynik, być może dlatego, że reprezentuje decyzję, zmianę i nowość. Źródło

Jednak problem z podejściami takimi jak praca z 2023 roku Śledzenie nowości dokumentów publicznych, polega na tym, że w typowy sposób AI koncentruje się na obserwowanych trendach w danych. Innymi słowy, obserwują rzeczy, które wcześniej stanowiły dobre wiadomości, i szukają więcej takich samych.

W prawdziwym świecie nieoczekiwane źródła prawie zawsze okazują się ‘jednorazowym cudem’; i pomimo okazjonalnych prób wykorzystania ulotnej sławy lub kontrowersji, zwykle nigdy nie dadzą niczego użytecznego więcej.

Znak czasu

Dlatego, ponieważ monitorowanie tego rodzaju źródła ‘jednorazowego’ wiadomości zazwyczaj tylko dodaje hałasu do ogólnego huraganu, czy AI nie mógłby zidentyfikować sygnalizatorów źródła, które kiedyś stanie się owocne? Jeśli można by dowiedzieć się, jaki rodzaj źródła może ostatecznie przynieść wiadomości, można by skupić się na jego charakterystyce zamiast kontekstu lub metodzie.

Poprzez tę logikę można by wywnioskować z ujawnień Edwarda Snowdena z 2010 roku, że każdy, kto ostatnio opuścił CIA (lub podobną organizację) byłby wart śledzenia jako potencjalne źródło przyszłej sensacji.

Jednak nie ma RSS ani API, które mogłyby zautomatyzować tego rodzaju monitorowanie, ponieważ LinkedIn i wiele innych wcześniej otwartych źródeł danych cofnęły się w obliczu bezwzględnych i praworządnych botów AI do web-scrapingu. Nawet gdyby takie źródła istniały, częstotliwość byłaby problemem, ponieważ nie można przeskanować API lub strony co pięć sekund; poza kosztami zasobów, odpowiedzi z platformy spowodowałyby, że ta działalność byłaby nieznośna.

Ponadto jest wyraźna ‘ludzka wymierna’ w tych ujawnieniach, która jest trudna do zautomatyzowania.

Gromadzenie wiadomości z osobistym dotykiem: fragment z wydania dyskowego filmu All The President’s Men z 1976 roku, z informującym, który wychodzi z cienia. Źródło

Również w prawdziwym świecie jest bardzo trudno zidentyfikować charakterystykę przyszłego źródła wiadomości. Prawdopodobnie nie jest to ‘ludzie, którzy niedawno opuścili CIA’, i na pewno nie jest określone przez protokół: platformy takie jak X lub GitHub wytwarzają zbyt wiele sygnału same w sobie, a nawet zawężanie do słów kluczowych lub kategorii postów nie robi większej różnicy – tylko wtedy, gdy jesteś zaangażowany w problem i angażujesz się w społeczność (lub repo, itp.), jesteś naprawdę prawdopodobnie rozpoznać znaczenie rozwoju.

Nawet termin taki jak ‘alert bezpieczeństwa’ nie może ukontekstualizować prawdziwej powagi lub nowości zdarzenia, ponieważ odniesienia tego rodzaju są rzucone codziennie, przez tysiące, w takich społecznościach – a nawet jeśli ograniczy się to do monitorowania tylko w języku angielskim, potencjalne wariacje idiomu, wraz z użyciem ukrytego języka, sprawiłyby, że byłoby bardzo trudno przetłumaczyć ‘dziki’ post na prawdziwą wiadomość.

Wąska ścieżka

Obecna generacja systemów AI do wykrywania nowości opiera się na sformalizowanych strukturach danych (takich jak dane wyjściowe JSON z API), lub na nieformalnych strukturach danych, które algorytmy opracowane przez AI mają szansę sparsować w strukturyzowaną schemę (taką jak komunikaty prasowe z określonej organizacji):

Sparsowany kanał RSS / XML, ujawniający sztywną hierarchię pojemników danych. Źródło

Oczywiście, podejścia tego rodzaju są dobrze przystosowane do programowych danych wyjściowych, takich jak rutynowa praca, od której AI uwolnił wspomnianego dziennikarza Fortune, w tym pogodę, akcje i wyniki sportowe, a także rutynowe komunikaty prasowe z organizacji rządowych.

Chociaż możliwe jest dołączenie ‘wyzwalaczy alarmowych’ do statystycznych danych wyjściowych, takich jak pogoda (nagłe burze), akcje (nagłe spadki) i sport (niespodziewane zwycięstwa / porażki, z pewnym przygotowaniem), ponownie, uwaga ludzka byłaby potrzebna nawet dla bardzo sformalizowanych wydaniach rządowych, aby ocenić nowość.

Chociaż terminy takie jak ‘śmierć’, ‘niespodziewana choroba’, ‘wyciek’ i ‘wypadek’ mogą wszystko pomóc w znalezieniu nowych wydarzeń, tylko adresują ‘rutynowe’ zdarzenia i nie mogą uwzględniać alternatywnego języka (lub języków).

Powrót elitarnych pisarzy?

W ostatnich latach dziennikarstwo oparte na danych stało się wznoszącą się częścią raportowania wiadomości, z działami redakcyjnymi, które nie są już ograniczone do układów ‘sensacji’ przyznających im wczesne wydanie specjalnych raportów i białych książek od głównych wydawców; zamiast tego mogą one same analizować dane.

Jednak to nie jest darmowy lunch; w miarę jak widoczna wartość parsowania publicznych danych z AI rosła, odpowiedź oparta na czynszu / blokowaniu AI – lub nawet przewidująca – popyt, pchnęła głównych graczy AI do taktyk stealth.

Dodatkowa frikcja Nowej Retrenchmentu można uzasadnić, że przywraca pewną ilość mocy z ‘dziennikarzy obywateli’ z powrotem do mediów tradycyjnych – lub przynajmniej dobrze finansowanych organizacji medialnych, które mają przepustowość, aby pochłonąć dodatkową pracę ręczną wymaganą do gromadzenia, doskonalenia i oceny danych w erze, w której wydawcy i domeny coraz częściej ograniczają swobodny dostęp.

Więc w pewnym sensie, może praktyczna manifestacja AI w dziennikarstwie, w zakresie, w jakim główni gracze i rynki zareagowali na innowacje i przyjęcie AI, może tak naprawdę prowadzić nas z powrotem w czasie: od-demokratyzując środki produkcji wiadomości, oraz dodając przeszkody na drodze do znaczących systemów oceny nowości opartych na danych.

Wspólne instynkty

Te restrykcje wyraźnie prowadzą nas z powrotem do ‘instynktu’ jako nieuniknionego składnika w ocenie nowości wiadomości.

Naturalnie, to jest pocieszenie dla tych, którzy są zawodowo zaangażowani w tym aspekcie; ale samozadowolenie byłoby błędem, ponieważ ten instynkt może, do pewnego stopnia, być destylowany i operacjonalizowany w bardzo ogólny sposób, który nie zależy od studiowania obsesji lub hobby konkretnego jednostki lub organizacji: w badaniu z 2022 roku badacze z Northwestern University wykorzystali oceny crowd-sourced potencjalnie nowych wiadomości, aby przeszkolić model predykcyjny, specjalnie zajmujący się nowością nowo opublikowanych prac badawczych Arxiv:

Pytania ankiety przedstawione uczestnikom badania w celu uzyskania danych szkoleniowych dla modelu AI ‘przewidywania nowości’. Źródło

System ten klasyfikuje kandydatów dość dobrze, z około 80% jego najlepszych wyborów również uznanych za nowe przez ekspertów. Jednak zgodność z ekspertami okazała się tylko umiarkowana, z wynikami pomijającymi czynniki takie jak ramy lub dopasowanie do publiczności.

System ten opiera się na zasadach przedstawionych w pracy z 2020 roku Odkrywanie komputeryzowanej wiadomości: w kierunku rozważań projektowych dla algorytmów orientacji redakcyjnej w dziennikarstwie. Jak w przypadku większości podobnych projektów, praca ta zajmuje się dziennikarstwem naukowym, a nie abstrakcyjnym gromadzeniem wiadomości – być może dlatego, że literatura naukowa ma tendencję do wytwarzania szablonowych danych wyjściowych, które mogą być potencjalnie sparsowane w dane szkoleniowe i interpretowalne.

Well, jak zauważyłem w 2021 roku, byłoby to przypadkiem, chyba że naukowcy często nadużywają konwencji składania prac badawczych, aby ukryć lub zbagatelizować nieimponujące wyniki, lub nawet jawne niepowodzenie.

Jeszcze większym wyzwaniem jest ogromna trudność, z jaką systemy AI mają w interpretowaniu tabel i rysunków w pracach naukowych, do tego stopnia, że ostatnio stało się aktywnym nurtem w literaturze:

Z pracy ‘SciFigDetect: Benchmark dla wykrywania rysunków naukowych wygenerowanych przez AI’, przedstawiającej prawdziwe rysunki naukowe, ich prompty generowania i syntetyczne odpowiedniki wytworzone przez Nano Banana i GPT w trzech kategoriach: ilustracja, przegląd i rysunki eksperymentalne. Źródło

Często zdarza się, że tabela lub rysunek zawiera wyniki, które główny tekst pracy albo zrelacjonuje z selektywnym uprzedzeniem, albo całkowicie zignoruje jakiekolwiek negatywne konsekwencje wynikające z wyników tabeli / rysunku. Dlatego ten przeszkód w AI-dziennikarstwie naukowym nie jest mniejszy.

Co więcej, fakt, że praca jest pochodna, lub tylko nieznaczny postęp (jeśli w ogóle) w stosunku do stanu sztuki, często jest pogrzebany w niemal nieprzeniknionym cytacie (tj. musisz wyszukać termin, znaleźć czytelny plik PDF i zrozumieć zakres poprzedniej sztuki, zanim zrozumiesz brak oryginalności lub nowości w nowej pracy).

Samotnie, naturalnie

Metoda crowd-sourced, opisana powyżej, sugeruje pewną zgodność między powszechnym konsensusem na potencjalne wiadomości a profesjonalną oceną tych samych. Ale bez kontekstu tylko najszersze cechy nowości mogą być określone.

Sama siła AI leży w jej zdolności, w zależności od konfiguracji, do izolowania wyjątków – albo w celu odrzucenia ich jako krzywe i nieznaczące wyjątki od trendów w zbiorze danych, lub (bardziej istotne dla gromadzenia wiadomości) w celu identyfikacji znaczących i cennych niezwykłych przypadków i zdarzeń:

Wyjątki (w kolorze czerwonym) na wykresie rozproszenia. Źródło

Na zasadzie, że piorun rzadko uderza dwa razy, prawie wszystkie udane wiadomości są wyjątkami. W przypadkach, w których pochodzą one z aktywnej i dynamicznej dziedziny, takiej jak trwająca wojna, tę dziedzinę można skanować z wysokim prawdopodobieństwem pojawienia się nowych wiadomości – ale za cenę ogromnej konkurencji, ponieważ powszechna uwaga jest również prawdopodobnie skupiona na tej dziedzinie.

Wiele nowych wiadomości naukowych jest, przez definicję, nie w centrum rozkładu języka. Są to rzadkie kombinacje metod, zaskakujące wyniki negatywne lub anomalne replikacje. Jeśli kompetencje modelu degradują się nieproporcjonalnie w takich niskoczęstotliwych grupach, to właśnie w tym regionie, w którym ‘nos’ redakcyjny musi być ostry, staje się regionem, w którym model jest najmniej niezawodny.

Problemy zaufania

Podczas poszukiwania nowych wiadomości dziennikarze balansują między wieloma ograniczeniami, w tym czasem, dostępem, wiarygodnością, publicznością i priorytetami organizacyjnymi), co prowadzi do nieoczywistych wyborów. Przegląd literatury z 2022 roku z Danii scharakteryzował dziennikarzy jako balansujących między wieloma problemami, będącymi świadomymi, że źródła mogą mieć cele lub być źle poinformowane; i często omijając bezpośrednią weryfikację na rzecz pośrednich wskazań zaufania, gdy działają pod presją.

Te same ‘problemy zaufania’ byłyby przeszkodą w rozwoju ostatecznego systemu AI do identyfikacji nowości, ponieważ zaangażowanie w taką platformę wymagałoby, aby użytkownik zaufał, że jakiekolwiek algorytmicznie odrzucone artykuły nie są godne uwagi pisarza.

Obszerny test beta i ponowne szkolenie lub dostosowanie, z nadzorem ludzkim, które podnosi stragglers, mogłoby ostatecznie poprawić niezawodność takiego podejścia; ale zmiana w kulturze narodowej lub globalnej – taka jak zaskakujące zmiany w krajobrazie politycznym lub wybuch wojny – mogłaby nieuchronnie zburzyć wszystkie podstawowe priorytety tak starannie skalibrowanego systemu, pozostawiając AI-zależnego pisarza do odbudowy niezbędnego ‘wewnętrznego modelu dziedziny’ prawie od podstaw.

Pierwotnie opublikowane w poniedziałek, 20 kwietnia 2026 r.
Zmienione w czwartek, 23 kwietnia 2026 r. 14:13:25, aby zastąpić ‘Fortune’ zamiast ‘WSJ’ w ‘Wąskiej ścieżce’, para 2 (dzięki Markowi Rileyowi z mathison.ai za wskazanie).