Yapay Zeka Haber Koku Geliştirebilir Mi?

Yapay zeka haber yazıları yazma konusunda iyiyken, onları tanıma konusunda daha iyi değil.

Görüş Ben son olarak beş yıl önce yapay zekanın sıcak bir haber hikayesi bulma yeteneğine baktığımdan beri, manzara önemli ölçüde değişti, artan düzeyde yapay zeka destekli otomasyon eşliğinde büyüyen ağrılar ve kontroverse ile birlikte.

Son zamanlarda, WSJ raporu , bir verimli, yapay zeka destekli Fortune katkıda bulunan, geleceğin gazetecisini, basın açıklamalarını transliterasyondan gibi scutwork’ten kurtulan, ancak daha büyük yayınların genellikle yalnızca bütçeye sahip olduğu özellikler yazma ve kazma alanı bırakarak sundu.

Ama daha az duyduğumuz şey, yapay zekanın bir haber hikayesini spot etme yeteneğidir.

Gürültü Azaltma

2021 parçasındaki parça, araştırma beat’ini kapsayan yazarları kapsadı, çünkü orada 대부분 zamanımı geçiriyorum ve belki de yeni yapay zeka devriminin bu alandaki en büyük etkisi, writer’ın Arxiv AI ile ilgili alanları kapsamlı bir şekilde kapsamasının artık tek bir kişinin çabalarının ötesinde olduğu yönetilemeyen bir fırtına yarattı.

Elbette bu, yapay zekanın mükemmel olduğu yer – insanların çözemediği devasa veri tranches’ini iterate ederek, insanların günlerce veya hiç yapamayacağı saniyeler içinde ‘ayrıntıları’ bulmak için.

Neden, o halde, yapay zeka hala binlerce, hatta on binlerce günlük rakipten sıcak bir haber hikayesini tanımlamakta o kadar kötü?

Geriye Bakan Yapay Zeka

Bu büyük yapay zeka üretilen içeriklerin proliferasyonu, yalnızca önceden konuştuğum akademik sektörün ötesinde gerçekleşiyor. Geçen yıl, web’deki tüm yeni yazının %50’sinin artık yapay zeka tarafından yazıldığı tahmin ediliyordu ve bu eğilimin daha da hızlanacağı varsayılıyordu. Dolayısıyla gürültü her yerde sağır edici, sadece akademide değil.

Son birkaç yılda ‘sıcak’ bir hikayenin yapay zeka/algoritmik tanımlamasında bazı ilerlemeler olsa da, bu sistemler genellikle stratified ve öngörülebilir şekilde organize edilmiş veri akışlarına odaklanmaya eğilimlidir, bu nedenle yalnızca oldukça kırılgan bir bağlamda çalışabilirler.

Bu bağlamda, Stanford post-doktor araştırma görevlisi ve eski New York Times gazetecisi Alexander Spangher, makine öğrenimi süreçlerine ve istatistiksel analize uygulanabilecek şekilde ‘haber değerini’ tanımlamak için birkaç girişimde bulunmuştur ve mahkeme dosyaları, devlet faturaları ve belediye meclisi toplantıları gibi genel kamu belgeleri dahil olmak üzere corpora’da otomatik lead-jenerasyon kanıtları üretti – Fortune’un verimli AI-güçlü kaleminin günde 6-7 haber parçasına dönüştürebileceği şema sürücülü çıktı:

Kamu belgelerinden elde edilen kelime dağılımlarının ‘ısı’sı. Bu durumda, ‘yetki verme’nin yüksek bir puanı olduğunu görebiliriz, belki de karar, değişiklik ve yenilikleri temsil ettiği için. Kaynak

Ancak, Spangher liderliğindeki 2023 teklifinin Kamu Belgelerinin Haber Değerini İzleme gibi yaklaşımların sorunu, tipik olarak yapay zeka modunda, veride gözlemlenen eğilimleri merkezinde olmalarıdır. Diğer bir deyişle, önce iyi haber olan şeyleri gözlemlerler ve daha fazlasını ararlar.

Gerçek dünyada, beklenmedik kaynaklar neredeyse her zaman ‘bir vuruş harikası’ çıkar; ve ne kadar gizli olduklarına göre, ani öneminin kimse tarafından öngörülemez. Sonra, bir kez verimli olduktan ve geçici üne/notoriyetine rağmen, genellikle hiçbir zaman tekrar bir şey üretmeyeceklerdir.

Zamanın İşareti

Dolayısıyla, bu tür ‘bir ve bitti’ haber kaynağını izlemek genellikle yalnızca genel fırtınaya daha fazla gürültü ekleyeceği için, yapay zeka bunun yerine bir haber kaynağı olabilecek belirteçlerini tanımlayamaz mı? Bir haber kaynağı türünü tanımlayabilseydi, o zaman odak noktasını onun özelliklerine değil, bağlamına veya yöntemine odaklayabilirdi.

Bu mantıkla, 2010’larda Edward Snowden’ın açıklamalarından, CIA’dan (veya benzer bir organizasyon)最近 ayrılmış herhangi birinin, gelecekteki bir haber kaynağından potansiyel bir haber kaynağı olarak takip edilmeye değer olacağı çıkarılabilir.

Ancak, bu tür bir izlemeyi otomatikleştirebilecek RSS beslemeleri veya API’ler muhtemelen mevcut değildir, çünkü LinkedIn ve diğer birçok önce açık veri kaynağı, geri çekiliyor açgözlü ve scofflaw AI web-scrapers karşısında. Eğer olsaydı, sıklık bir sorun olacaktı, çünkü bir API veya siteyi her beş saniyede bir sorgulayamazsınız; kaynak maliyeti dışında, platformlardan IP-banning yanıtları bu faaliyeti sürdürülemez kılardı.

Dahası, böyle açıklamaların insan boyutu vardır ve otomasyon için zor bir iştir.

Kişisel dokunuşla haber toplama: 1976 Alan J. Pakula filmi ‘All The President’s Men”in disk yayınından bir kare, bilgilendirici kişi gölgeden çıkıyor. Kaynak

Ayrıca, gerçek dünyada, gelecekteki bir haber kaynağının belirleyici özelliklerini tanımlamak çok zordur. Muhtemelen ‘CIA’dan最近 ayrılmış insanlar’ değildir ve kesinlikle bir protokolle tanımlanmaz: X veya GitHub gibi platformlar kendileri çok fazla sinyal verir ve hatta arama terimlerini veya posta kategorilerini daraltmak fazla fark yaratmaz – yalnızca sorunla ilgiliyseniz ve toplulukla (veya depo ile) ilgileniyorsanız, bir gelişmenin önemini gerçekten tanıyorsunuz.

Dar Yol

Mevcut yapay zeka destekli haberlik-dedektör sistemleri, formalize edilmiş veri yapılarına (örneğin, bir API’den JSON çıkışına) veya yapay zeka geliştirilmiş algoritmaların parse edebileceği gayri resmi veri yapılarına dayanır (örneğin, belirli bir organizasyonun basın açıklamaları):

Rigid hiyerarşisini gösteren pars edilen bir RSS / XML beslemesi. Kaynak

Açıkça, bu tür yaklaşımlar programlı çıktıya, yani yukarıda bahsedilen WSJ raporunun gazetecisinin yapay zekanın kendisini kurtardığı monoton işlere, hava durumu, hisse senedi ve spor skorları raporlama gibi rutin basın açıklamalarına ve belediye ve diğer hükümet organizasyonlarından gelen rutin basın açıklamalarına daha uygundur.

Hava durumu (ani fırtınalar), hisse senetleri (ani dalgalanmalar) ve spor (beklenmedik zaferler/kayipler, bazı ön hazırlıkla) gibi istatistiksel akışlara ‘insan uyaran’ tetikleyicileri eklemek mümkündür; yine de, çok stratified hükümet açıklamaları için bile, yeni haber değerini değerlendirmek için insan dikkati gerekecektir.

Terimler gibi ‘ölüm’, ‘beklenmedik hastalık’, ‘sızıntı’ ve ‘kaza’ tümü yeni haber olaylarına yardımcı olabilir, ancak yalnızca ‘rutin’ olasılıkları ele alabilir ve alternatif dili (veya dilleri) hesaba katamaz.

Elite Yazarların Dönüşü

Son yıllarda, veri odaklı gazetecilik haber raporlama中的 bir yükselen platform haline geldi, editoryal departmanları artık yalnızca büyük yayıncıların özel raporları ve beyaz kağıtları üzerindeki özel ‘scoop’ anlaşmalarıyla sınırlı değil; bunun yerine kendileri numaraları çizebilirler.

Ancak, bu bedava bir yemek değil; açık veri üzerinde yapay zeka ile bu şekilde parsing’in değeri büyüdükçe, bir kira arayışı / AI-engelleyici cevap takip etti – veya hatta talebi önceden tahmin etti – büyük AI oyuncuları gizli taktiklere sürükledi.

Yeni Geri Çekilmenin ek sürtünmesi, açık erişim kısıtlamaları ile birlikte, ‘vatandaş gazetecileri’nden bazı güçleri geri kazanmış olabilir – veya en azından, verileri toplamak, rafine etmek ve değerlendirmek için gerekli ek manuel işi emmek için bant genişliğine sahip iyi finanse edilen haber organizasyonlarına.

Bu nedenle, yapay zekanın gazetecilikteki pratikmanifestasyonu, büyük oyuncuların ve piyasaların yapay zeka tabanlı yenilik ve benimsemeye verdikleri yanıtların ruhuna uygun olarak, aslında bizi zaman içinde geri götürebilir: haber üretim araçlarını demokrasiden uzaklaştırarak ve anlamlı veri odaklı haberlik-değerlendirmesi sistemlerine engel oluşturarak.

Ortak İnsiyatikler

Bu kısıtlamalar açıkça ‘gut feeling’ olarak adlandırılan şeyi, haber değerini değerlendirmek için kaçınılmaz bir bileşen olarak geri getiriyor.

Doğal olarak, bu, bu konuda profesyonel olarak uğraşanlar için rahatlatıcı; ancak kendilerini güvende hissetmek bir hata olur, çünkü bu içgüdü, belirli bir kişinin veya organizasyonun takıntıları veya hobi atlarını incelemeye dayanmayan genel bir şekilde distile edilebilir ve operasyonelleştirilebilir: 2022’de çalışmada, Northwestern Üniversitesi’nden araştırmacılar, potansiyel olarak yeni haber hikayelerinin crowd-sourced değerlendirmelerini, özellikle yeni yayınlanan Arxiv araştırma makalelerinin haber değerine ilişkin bir predictive modeli eğitmek için kullandılar:

Bir ‘haberlik-öngörme’ AI modeli için eğitim verilerini elde etmek amacıyla katılımcılara verilen anket soruları. Kaynak

Sistem, adayları oldukça iyi sıralar, uzmanlar tarafından da yeni haber olarak değerlendirilenlerin %80’ini ilk on seçimi arasında yerleştirir. Ancak uzmanlarla anlaşma yalnızca orta düzeydedir, sonuçlar çerçeveleme veya izleyici uydurma gibi faktörleri kaçırır.

Sistem, 2020 makalesinde Computational News Discovery: Towards Design Considerations for Editorial Orientation Algorithms in Journalism belirtilen ilkelerine dayanmaktadır. Diğer benzer projeler gibi, bu çalışma bilim gazeteciliğine değil, soyut haber toplayarak değil – belki de bilimsel literatürün şablonlu çıktı eğilimine sahip olmasından dolayı.

İyi, 2021’de gözlemlediğim gibi, bu olurdu, ancak araştırma bilim adamları araştırma makalesi gönderme konvensiyonlarını sık sık düşük etkileyici sonuçları gizlemek veya aşağılamak için ya da doğrudan başarısızlığı gizlemek için suistimal ederler.

Daha da büyük bir zorluk, AI sistemlerinin bilimsel makalelerdeki grafikleri ve tabloları yorumlamadaki büyük zorluğu, bu pursuit’in son zamanlarda become bir active strand literatürde:

Bilimsel figürlerin AI tarafından üretilen tespiti için bir test verisi olan ‘SciFigDetect’ makalesinden, gerçek bilimsel figürler, üretim emirleri ve Nano Banana ve GPT tarafından üretilen sentetik karşılıklar. Kaynak

Sık sık bir grafik veya tablo, makalenin ana gövdesinin raporladığı sonuçları seçici bir şekilde raporlayacağı veya bu tür bir tablo / grafik sonuçlarının implicit negative sonuçlarını tamamen görmezden geleceği sonuçları içerecektir. Bu nedenle, AI destekli bilim gazeteciliğinde bu engel küçümsenemez.

Yine Tek Başına

Yukarıda açıklanan crowd-sourced yöntem, potansiyel haber hikayeleri üzerinde ortak bir uzlaşı ve profesyonel değerlendirme arasında bazı anlaşmazlıkları önermektedir.

Ancak bağlam olmadan, yalnızca en geniş haberlik çizgileri belirlenebilir.

Yapay zekanın gücü, yapılandırmasına bağlı olarak, ayrıntıları izole etme yeteneğinde yatar – ya da onları atmak için bir eğrinin non-anlamlı istisnası olarak – veya (daha ilgili haber toplayarak) anlamlı ve değerli nadir örnekleri ve olayları tanımlamak için:

Bir saçılma grafiğindeki ayrıntılar (kırmızı). Kaynak

İlk darbe vurmuş haber hikayelerinin çoğu, ayrıntılar. Örneğin, aktif vevolatile bir alandan, devam eden bir savaştan kaynaklanan haber hikayeleri, yüksek olasılıkla yeni haber hikayeleri ortaya çıkaran bir alan olarak dikkatle taranabilir – ancak ortak dikkat muhtemelen aynı alana odaklandığından, büyük bir yarışma maliyeti ile.

Çok sayıda yeni haberlik bilim ipuçları, tanım itibariyle dil dağılımının merkezi değil. Nadir metodların, şaşırtıcı olumsuz sonuçların veya anomalous replikasyonların birleşimleridir. Modelin yeteneklerinin bu düşük sıklıkla gruplandırılmış bölgelerde orantısız bir şekilde bozulması durumunda, editorial ‘burun’ nun keskin olması gereken bölge, modelin en az güvenilir olduğu bölge haline gelir.

Güvenlik Sorunları

Yeni hikayeler ararken, gazeteciler, zaman, erişim, güvenilirlik, izleyici ve kurumsal öncelikler dahil olmak üzere çoklu kısıtlamaları dengelerler, bu da açık olmayan seçimlere yol açar. 2022’de literatür incelemesi Danimarka’dan, gazetecileri, kaynakların ajandalara veya yanlış bilgilendirilmiş olabileceğinin farkında olarak,多lu endişeleri dengeleyen olarak karakterize etti ve genellikle doğrudan kontrol yerine dolaylı güven sinyallerini bypass etti.

Bu aynı ‘güvenlik sorunları’, herhangi bir kesin AI destekli haberlik-tanılama sisteminin gelişimsel bir engel oluşturacaktır, çünkü bu platformla etkileşim, algoritmanın writer’ın zamanını hak etmediğine güvenmek için kullanıcıyı gerektirir.

Geniş beta testi ve yeniden eğitim veya ince ayar, insan denetimi ile geri kalanları toplamak, bu yaklaşımın güvenilirliğini sonunda iyileştirebilir; ancak ulusal veya küresel kültürde bir değişiklik – örneğin, siyasi manzaranın şaşırtıcı değişiklikleri veya savaş / savaş çıkması – bu iyi ayarlanmış sistemin tüm temel önceliklerini kaçınılmaz olarak bozabilir, AI-bağımlı yazara neredeyse sıfırdan gerekli ‘iç alan modelini’ yeniden inşa etmek zorunda bırakabilir.

Pazartesi, 20 Nisan 2026’da ilk kez yayınlandı