Yapay Zeka Haberleri Köşeye Çıkarmak için Bir Burun Geliştirebilir mi?

Yapay zeka, haber yazılarını yazma konusunda iyidir, ancak onları tanıma konusunda pek ilerleme kaydetmemiştir.

Görüş Yapay zekanın haber hikayelerini bulma yeteneğine son kez baktığımdan bu yana beş yıl geçti ve manzara önemli ölçüde değişti. Artan düzeyde yapay zeka destekli otomasyon ve buna doproveyen büyüme ağrıları ve tartışmalar yaşandı.

yakın zamanda, WSJ raporu, bir Fortune katkıda bulunan hakkında, geleceğin gazetecisini, transliterasyon gibi işlerden kurtulmuş olarak sundu, bu da onlara, genellikle yalnızca büyük yayınlarda bulunan bütçeye sahip olan özellikleri yazma ve araştırma yapma fırsatı verdi.

Ama ne tentang daha az often duyduğumuz şey, yapay zekanın haber hikayesiyi bulma yeteneğidir.

Gürültü Azaltma

2021’deki parçada, araştırma beat’ini kapsayan yazarlara odaklandım, çünkü orada většinu zamanımı geçiriyorum ve yeni yapay zeka devriminin bu alandaki en büyük etkisi, Arxiv AI ile ilgili alanları kapsamlı bir şekilde kapsamak artık tek bir kişinin çabaları ötesinde bir karşı konulamaz fırtına yarattı.

Kesinlikle, bu, yapay zekanın uygulandığı yerdir – insanların çözemediği devasa veri tranches’ini iterleyerek, insanların günler alacak şeyi saniyeler içinde aykırı bulur.

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

Geriye Bakan Yapay Zeka

Bu büyük ölçekli yapay zeka tarafından üretilen içerik proliferasyonu, önce tartıştığım akademik sektörün çok ötesinde gerçekleşiyor. Geçen yıl, web’deki tüm yeni yazıların yarısından fazlasının artık yapay zeka tarafından yazıldığı tahmin ediliyor ve bu trendin daha da hızlanacağı varsayılıyor. Dolayısıyla, gürültü her yerde sağır edici, sadece akademide değil.

Geçtiğimiz birkaç yıl içinde, ‘sıcak’ bir hikayeyi tanımlamak için AI/algoritmik sistemlerde bazı ilerlemeler kaydedildi, ancak bu sistemler genellikle stratifye edilmiş ve öngörülebilir olarak organize edilmiş veri akışlarına odaklanıyor, yani yalnızca bir brittle bağlamda çalışabiliyorlar.

Stanford’dan post-doktora araştırmacısı ve eski New York Times gazetecisi Alexander Spangher, makine öğrenimi süreçlerine ve istatistiksel analize uygulanabilecek yenilik terimlerini tanımlamak için birkaç girişimde bulundu ve mahkeme belgeleri, devlet faturaları ve şehir konseyi toplantıları gibi korpora ve genel kamu belgeleri gibi şemaya dayalı çıktıları otomatik lead-jenerasyonuna dair kanıtlar üretti – Fortune’un üretken AI destekli yazarının günde 6-7 haber parçasına dönüştürebileceği türden bir çıktı.

Kamuya açık belgelerden elde edilen kelime dağılımlarının ‘ısı’sı. Bu örnekte, ‘yetki verme’nin yüksek bir puanı olduğunu görüyoruz, belki de karar, değişiklik ve yenilikleri temsil ettiği için. Kaynak

Ancak, bu tür yaklaşımların problemi, Spangher liderliğindeki 2023 çalışması gibi, veride gözlenen eğilimleri merkezine almalarıdır. Diğer bir deyişle, önce iyi haber olan şeyleri gözlemlerler ve daha fazlasını ararlar.

Gerçek dünyada, beklenmedik kaynaklar neredeyse her zaman ‘bir vuruş harikası’ olur ve ne kadar gizli olduklarına bakılmaksızın, genellikle bir daha hiçbir şey üretmezler. Sonra, bir kez meyve verdikten ve geçici şöhret veya ünlülük kazanma girişimlerine rağmen, genellikle hiçbir şey üretmezler.

Zamanın İşareti

Dolayısıyla, bu tür bir ‘bir vuruş’ haber kaynağını izlemek genellikle sadece genel fırtınaya daha fazla gürültü ekleyecektir, yapay zeka bunun yerine, bir gün verimli olabilecek bir kaynağın işaretlerini tanımlayamaz mı? Bir kaynağın hangi özelliklere sahip olabileceğini bulursanız, bağlamı veya yöntemini değil, özelliklerine odaklanabilirsiniz.

Bu mantıkla, 2010’larda Edward Snowden’ın ifşaatlarından, CIA’dan (veya benzer bir organizasyon)最近 ayrılmış bir kişinin, gelecekteki bir skandalın potansiyel kaynağı olarak izlenmesi gerektiğini çıkarabilirsiniz.

Ancak, LinkedIn ve diğer birçok önce açık veri kaynağı, geri çekiliyor ve kanunsuz AI web-scrapers’a karşı direniyor. Ayrıca, bir API veya siteyi her beş saniyede bir sorgulayamazsınız; kaynak maliyeti dışında, platformlardan IP-banning yanıtları bu faaliyeti sürdürülemez kılacaktır.

Dahası, böyle ifşaatlarda insan boyutu vardır ve bu, zor bir şekilde otomatikleştirilebilir.

Kişisel dokunuşla haber toplama: 1976 Alan J. Pakula filmi ‘All The President’s Men’inden bir disk yayınının kaptı, gizli bilgi veren kişi gölgeden çıkıyor. Kaynak

Ayrıca, gerçek dünyada, gelecekteki bir haber kaynağının belirleyici özelliklerini tanımlamak çok zordur. Muhtemelen ‘CIA’dan最近 ayrılmış kişiler’ değildir ve kesinlikle bir protokolle tanımlanmaz: X veya GitHub gibi platformlar, kendileri için çok fazla sinyal üretir ve arama terimlerini veya posta kategorilerini daraltmak bile fazla bir fark yaratmaz – sadece sorunla ilgileniyor ve topluluğa (veya depoya vb.) katılıyorsanız, bir gelişmenin önemini gerçekten tanımlayabilirsiniz.

Bir terim gibi güvenlik uyarısı bile, bir olayın gerçek ciddiyetini veya haber değerini bağlamlandıramaz, çünkü bu tür referanslar, bu tür topluluklarda binlerce kez, günlük olarak atılır – ve hatta yalnızca İngilizce diline odaklanırsanız, deyimlerin varyasyonları ve dolaylı dilin kullanımı, bir ‘vahşi’ postayı gerçek bir haber uyarısına dönüştürmek çok zor olacaktır.

Dar Yol

Mevcut AI destekli yeni haberlik tespit sistemleri, formalize edilmiş veri yapılarına (örneğin, bir API’den JSON çıktı) veya AI geliştirme algoritmalarının şansını parse edebileceği informal veri yapılarına dayanır (örneğin, belirli bir organizasyonun basın açıklamaları).

Bir RSS/XML beslemesinin ayrıştırılması, veri konteynırlarının katı hiyerarşisini ortaya koyuyor. Kaynak

Açıkçası, bu tür yaklaşımlar, programatik çıktı için uygunlardır, chẳng hạn sebagai hava durumu, hisse senedi ve spor skorları raporlama gibi mundane işler ve municipal ve diğer hükümet organizasyonlarından rutin basın açıklamaları.

İstatistiksel akışlara ‘insan uyarı’ tetikleyicileri eklemek mümkündür, chẳng hạn sebagai hava durumu (ani fırtınalar), hisse senedi (ani düşüşler) ve spor (beklenmedik zaferler/kaybedenler, bazı ön hazırlıkla), ancak yine de, insan dikkati, özellikle stratifye edilmiş hükümet açıklamaları için gerekli olacaktır.

Terimler gibi ‘ölüm’, ‘beklenmedik hastalık’, ‘sızıntı’ ve ‘kaza’ gibi terimlerle newsworthy olaylara ulaşılabilir, ancak ‘rutin’ olasılıkları ele alırlar ve alternatif dili (veya dilleri) hesaba katmazlar.

Seçkin Yazarların Dönüşü

Son yıllarda, veri odaklı gazetecilik haber raporlamasında yükselen bir platform haline geldi, editoryal departmanlar artık yalnızca büyük yayıncıların özel raporlarına ve beyaz kağıtlarına erken erişim sağlayan ‘scoop’ anlaşmalarına bağlı değil, artık kendileri verileri işleyebilir.

Ancak, bu bedava bir yemek değil; veri odaklı gazetecilikte AI’nın değeri büyüdükçe, bir yanıt veya talebi karşılamak için AI’yi engelleyen bir yanıt geldi – veya önceden geldi – ve büyük AI oyuncuları gizli taktiklere yöneltti.

Yeni Geri Çekilme’nin eklenen sürtünmesi, argüman olarak, ‘vatandaş gazetecileri’nden miras medya veya iyi finanse edilen haber organizasyonlarına bir miktar güç geri kazandırabilir – veya en azından, veri toplamak, rafine etmek ve değerlendirmek için gereken ek manuel işi emmek için yeterli bant genişliğine sahip olanlar.

Bu nedenle, bir şekilde, belki de zamanın ruhuna uygun olarak, gazetecilikte yapay zekanın pratikmanifestasyonu, büyük oyuncuların ve pazarların AI tabanlı yenilik ve benimsemeye verdiği yanıtlar açısından, aslında bizi geçmişe götürebilir: haber üretim araçlarını demokratikleştirmekten uzaklaşıp, anlamlı veri odaklı yeni haberlik değerlendirme sistemlerine engel oluşturabilir.

Ortak İnsiyatikler

Bu kısıtlamalar, bizi yeni bir hikayenin haber değerini değerlendirmekte ‘gut feeling’ olarak adlandırdığımız şeye geri götürür.

Doğal olarak, bu, bu konuda profesyonel olarak çalışanlar için rahatlatıcıdır, ancak kendini rahatlatmak bir hata olur, çünkü bu içgüdü, belirli bir kişinin veya organizasyonun takıntıları veya hobi atları incelemesine bağlı olmayan çok genel bir şekilde operationalize edilebilir: 2022’de bir çalışmada, Northwestern Üniversitesi’nden araştırmacılar, potansiyel olarak newsworthy hikayelerin crowd-sourced değerlendirmelerini kullandılar ve özellikle yeni yayınlanan Arxiv araştırma makalelerinin newsworthy değerini konusunda bir predictive modeli eğittiler:

Çalışma katılımcılarına, ‘newsworthiness-prediction’ AI modeli için eğitim verisi elde etmek amacıyla verilen anket soruları. Kaynak

Sistem, adayları oldukça iyi sıralar, uzmanlar tarafından newsworthy olarak değerlendirilenlerin %80’ini ilk on sırada tutar. Ancak uzmanlarla anlaşma, framing veya audience fit gibi faktörleri kaçırarak yalnızca orta düzeyde oldu.

Sistem, 2020 tarihli Computational News Discovery: Towards Design Considerations for Editorial Orientation Algorithms in Journalism adlı çalışmada belirtilen ilkelerine dayanır. Bu tür çoğu projede olduğu gibi, bu çalışma bilim gazeteciliğine odaklanır – belki de bilimsel literatür, potansiyel olarak trainable ve interpretable veri noktalarına parse edilebilecek şablonlu çıktılara eğilimlidir.

İyi, 2021’de gözlemlediğim gibi, bu olurdu, ancak araştırmacı bilim adamları sık sık araştırma makalesi gönderme kurallarını, etkileyici olmayan sonuçları gizlemek veya gizlemek için kötüye kullanır veya doğrudan başarısızlığı gizler.

Daha da büyük bir zorluk, AI sistemlerinin bilimsel makalelerdeki grafik ve tabloları yorumlamakta yaşadıkları büyük zorluk, son zamanlarda etkin bir araştırma alanı haline geldi:

Nano Banana ve GPT tarafından üretilen sentetik karşılaştırma için bilimsel figürlerin, üretim istemlerinin ve üç kategoriye (görselleştirme, genel bakış ve deneysel figürler) ait gerçek bilimsel figürlerin gösterildiği ‘SciFigDetect: A Benchmark for AI-Generated Scientific Figure Detection’ çalışmasından. Kaynak

Çoğu zaman, bir grafik veya tablo, ana metinde raporlanan sonuçları seçici olarak sunar veya doğrudan göz ardı eder, bu nedenle bu AI destekli bilim gazeteciliği için küçük bir engel değildir.

Dahası, bir makalenin türetilmiş, veya yalnızca küçük bir ilerleme (eğer varsa) olması, genellikle neredeyse anlaşılmaz bir alıntıya (yani, terimi aramak, okunabilir bir PDF kopyasını bulmak ve önceki sanatın kapsamını anlamak zorunda kalırsınız) gömülür.

Yine Tek Başına

Yukarıda belirtilen crowd-sourced yöntem, ortak bir uzlaşı ve profesyonel değerlendirmeler arasında bazı olası birliktelikler önerir. Ancak bağlam olmadan, yalnızca en geniş-strokes newsworthy olabilir.

Yapay zekanın gücü, aykırı değerleri izole etme yeteneğinde yatar, bu, bir veri setindeki eğilimlere uymayan istisnai değerleri dışlamak veya anlamlı ve değerli nadir örnekleri ve olayları tanımlamak için kullanılır:

Bir saçılma grafikte (kırmızı) aykırı değerler. Kaynak

İlke olarak, yıldırım nadiren iki kez çakar, neredeyse tüm hit haber hikayeleri aykırıdır. Bir aykırı değerler alanı, örneğin devam eden bir savaş gibi, dikkatle taranabilir, ancak bu, büyük bir rekabet maliyeti ile gelir, çünkü ortak dikkat muhtemelen aynı alana odaklanır.

Çok sayıda newsworthy bilimsel ipucu, tanım olarak dil dağılımının merkezi değildir. Bunlar, yöntemlerin nadir kombinasyonları, şaşırtıcı olumsuz sonuçlar veya anomali tekrarlarıdır. Modelin yeteneği, bu düşük sıklıkta gruplamalarda bozulursa, editorial ‘burun’un keskin olması gereken bölge, modelin en az güvenilir olduğu bölge haline gelir.

Güvenlik Sorunları

Gazeteciler, yeni hikayeler ararken, zaman, erişim, güvenilirlik, kitle ve organizasyonel öncelikler gibi çoklu kısıtlamaları dengeler, bu da açık olmayan seçimlere yol açar. 2022 literatür incelemesi, Danimarka’dan, gazetecilerin birden fazla endişeyi dengelediğini, kaynakların gündemleri veya yanlış bilgilendirilmiş olabileceğini ve genellikle doğrudan kontrolü tercih etmeyerek, baskılar altında çalışırken dolaylı güven sinyallerine başvurduğunu karakterize etti:

Bu aynı ‘güvenlik sorunları’, herhangi bir AI destekli newsworthiness-identification sisteminin geliştirilmesinde bir engel oluşturacaktır, çünkü bu platformla etkileşim, algoritmanın atladığı makalelerin gerçekten yazarın zamanını hak etmediğine güven gerektirir.

Geniş beta testleri ve yeniden eğitim veya ince ayar, insan denetimi ile birlikte, bu yaklaşımın güvenilirliğini zamanla geliştirebilir, ancak ulusal veya küresel kültürdeki bir değişiklik – örneğin, siyasi manzaranın beklenmedik değişiklikleri veya savaş çıkması – bu tür bir iyi ayarlanmış sistemi, AI’ye bağımlı yazarın gerekli ‘iç alan modelini’ neredeyse sıfırdan yeniden inşa etmek zorunda bırakabilir.

İlk olarak 20 Nisan 2026’da yayınlandı.
23 Nisan 2026, 14:13:25’te ‘Dar Yol’ bölümünün 2. paragrafında ‘WSJ’ yerine ‘Fortune’ değiştirildi (mathison.ai’den Mark Riley’ye teşekkürler).