روزنامه‌نگاری تقویت شده با هوش مصنوعی

با نفوذ این فناوری های هوشمند به صنایع مختلف یک سوال رایج این است که چگونه کار و نیروی کار تحت تاثیر قرار خواهند گرفت. در این صورت، چه کسی – یا چه چیزی – کار روزنامه‌نگاری را در این دنیای خودکار و مجهز به هوش مصنوعی انجام خواهد داد و چگونه؟

شواهدی که دکتر نیکولاس دیاکوپولوس[i]، استاد دانشگاه نورث وسترن[ii]، در کتاب سال ۲۰۱۹ خود با عنوان «خودکارسازی اخبار: الگوریتم‌ها چگونه رسانه‌ها را بازنویسی می‌کنند» جمع‌آوری کرد، نشان می‌دهد که آینده روزنامه‌نگاری مبتنی بر هوش مصنوعی همچنان افراد زیادی را در اطراف خود خواهد داشت. با این حال، مشاغل، نقش‌ها و وظایف آن افراد تکامل می‌یابد و کمی متفاوت به نظر می رسد. کار انسانی ترکیبی، ادغام با الگوریتم‌ها، می‌شود تا با قابلیت‌های هوش مصنوعی و محدودیت‌های آن مطابقت داشته باشد.

بهبود، نه جایگزینی

برخی تخمین‌ها نشان می دهد که سطح فعلی فناوری هوش مصنوعی (در کشورهای پیشرفته) می‌تواند تنها حدود ۱۵ درصد از شغل یک خبرنگار و ۹ درصد از شغل یک سردبیر را خودکار کند. انسان‌ها هنوز در چندین زمینه کلیدی که برای روزنامه‌نگاری ضروری است، نسبت به هوش مصنوعی غیرهالیوودی برتری دارند؛ از جمله ارتباطات پیچیده، تفکر تخصصی، سازگاری و خلاقیت.

گزارش، گوش دادن، پاسخ دادن و عقب راندن، مذاکره با منابع و سپس داشتن خلاقیت در کنار هم قرار دادن همه‌ی این‌ها، هوش مصنوعی هیچ یک از این وظایف ضروری روزنامه نگاری را انجام نمی‌دهد. با این حال، اغلب می‌تواند بهره‌وری انسان را افزایش دهد تا به افراد کمک کند سریع‌تر یا با کیفیت بهتر کار کنند. همچنین می‌تواند فرصت‌های جدیدی برای تعمیق پوشش خبری ایجاد کند و آن را برای یک خواننده یا بیننده شخصی‌تر کند.

کار اتاق خبر همیشه با امواج فناوری جدید، از جمله عکاسی، تلفن، کامپیوتر، یا حتی فقط دستگاه کپی سازگار بوده است. خبرنگاران نیز در این دنیای جدید برای کار با هوش مصنوعی سازگار خواهند شد. هوش مصنوعی به عنوان یک فناوری، در حال حاضر و و در آینده به طور مستمر اخبار را تغییر می‌دهد اما  اغلب مکمل است و به ندرت جایگزین یک روزنامه‌نگار آموزش دیده می‌شود.

کار جدید

بیشتر اوقات، به نظر می‌رسد فناوری‌های هوش مصنوعی در واقع انواع جدیدی از کار در روزنامه‌نگاری را ایجاد می‌کنند. به عنوان مثال، آسوشیتدپرس را در نظر بگیرید، که در سال ۲۰۱۷ با استفاده از تکنیک‌های هوش مصنوعی بینایی رایانه‌ای را برای برچسب‌گذاری هزاران عکس خبری که هر روز در اختیار دارد، معرفی کرد. این سیستم می‌تواند عکس‌ها را با اطلاعاتی درباره اینکه چه چیزی یا چه کسی در یک تصویر است، سبک عکاسی آن و اینکه آیا یک تصویر خشونت گرافیکی را به تصویر می‌کشد یا نه برچسب‌گذاری کند.

این سیستم به سردبیران عکس زمان بیشتری می‌دهد تا در مورد آنچه باید منتشر کنند فکر کنند و آن‌ها را از صرف زمان برای برچسب زدن به آنچه که دارند آزاد می‌کند. اما توسعه آن کار بسیار زیادی، هم از نظر تحریریه و هم فنی، برد و به طول انجامید؛ سردبیران باید بفهمند که چه چیزی را برچسب‌گذاری کنند و آیا الگوریتم‌ها مطابق با وظیفه خود هستند یا خیر. سپس مجموعه داده‌های آزمایشی جدیدی را برای ارزیابی عملکرد توسعه دهند. وقتی همه این کارها انجام شد، آن‌ها همچنان باید بر سیستم نظارت می‌کردند و به صورت دستی برچسب‌های پیشنهادی را برای هر تصویر را تأیید می‌کردند تا از دقت بالا اطمینان حاصل شود.

استوارت مایلز، مدیر AP که بر این پروژه نظارت می‌کند، بیان کرده است که این کار حدود ۳۶ نفر-ماه کار برده است، که در طول چند سال صورت گرفته و بیش از ۱۲ کارمند تحریریه، فنی و اداری را درگیر کرده است. او به من گفت که حدود یک سوم کار شامل تخصص و قضاوت ژورنالیستی است که خودکار کردن آن بسیار سخت است. در حالی که ممکن است برخی از نظارت های انسانی در آینده کاهش یابد، او فکر می‌کند که با تکامل و گسترش سیستم، مردم همچنان باید کار ویرایشی را مداوم انجام دهند.

تولید محتوای نیمه خودکار

در بریتانیا، پروژه رادار به صورت نیمه خودکار حدود ۸۰۰۰ مقاله خبری محلی را در ماه منتشر می‌کند. این سیستم متکی به یک پایگاه متشکل از شش روزنامه‌نگار است که مجموعه‌های داده‌های دولتی را بر اساس منطقه جغرافیایی جدول‌بندی شده پیدا می‌کنند، زوایای جالب و ارزشمند را شناسایی می‌کنند و سپس آن ایده‌ها را در قالب‌های داده‌محور توسعه می‌دهند. الگوها نحوه تنظیم خودکار بیت‌های متن را برای مکان‌های جغرافیایی مشخص شده در داده‌ها رمزگذاری می‌کنند. به عنوان مثال، یک روایت می‌تواند در مورد جمعیت پیر در سراسر بریتانیا صحبت کند و به خوانندگان در لوتون نشان دهد که چگونه جامعه آن‌ها در حال تغییر است، با آمارهای محلی متفاوت برای بریستول. سپس روایت‌ها از طریق شبکه ارتباطی در اختیار رسانه‌های محلی قرار می‌گیرند و آن‌ها انتخاب می‌کنند کدام یک را منتشر کنند.

این رویکرد روزنامه‌نگاران و اتوماسیون را به یک فرآیند مؤثر و سازنده پیوند می‌دهد. روزنامه‌نگاران از تخصص و مهارت‌های ارتباطی خود برای طرح گزینه‌هایی برای خطوط داستانی که داده‌ها ممکن است دنبال کنند، استفاده می‌کنند. آن‌ها همچنین با منابع صحبت می‌کنند تا زمینه عمومی را شناسایی کنند و الگو را بنویسند. سپس اتوماسیون به عنوان دستیارِ تولید عمل می‌کند و متن را برای مکان‌های مختلف تطبیق می‌دهد.

روزنامه‌نگاران RADAR از ابزاری به نام Arria Studio استفاده می‌کنند که نگاهی اجمالی به نحوه نوشتن محتوای خودکار در عمل ارائه می‌دهد. این در واقع فقط یک رابط پیچیده‌تر برای پردازش کلمه است. نویسنده قطعاتی از متن را می نویسد که توسط قوانین if-ther-else مبتنی بر داده کنترل می‌شود. به عنوان مثال، در گزارش زلزله ممکن است بخواهید صفت متفاوتی برای صحبت در مورد زمین لرزه‌ای ۸ ریشتری نسبت به زلزله ۳ ریشتری داشته باشید. بنابراین شما باید قانونی مانند، اگر بزرگی > 7 ریشتر، متن = «زلزله قوی» داشته باشید. در غیر این صورت، اگر بزرگی کمتر از ۴ باشد، متن = «زلزله جزئی» خواهد بود. ابزارهایی مانند Arria همچنین دارای عملکرد زبانی برای به هم پیوستن خودکار افعال یا حذف اسامی هستند که کار با بیت‌هایی از متن را که باید بر اساس داده‌ها تغییر کنند آسان‌تر می‌کند.

رابط‌های نویسندگی مانند Arria به افراد اجازه می‌دهند کاری را انجام دهند که در آن مهارت دارند؛ ساختار منطقی داستان‌های جذاب و ایجاد متن خلاقانه و غیر تکراری. اما آن‌ها همچنین به روش‌های جدیدی برای تفکر در مورد نوشتن نیاز دارند؛ برای مثال، نویسندگانِ قالب باید با درک آنچه که داده‌های موجود می‌توانند بیان کنند، به یک داستان نزدیک شوند، تصور کنند چگونه داده‌ها می‌توانند زوایای مختلف و داستان‌ها را ایجاد کنند، و منطقی را برای ایجاد این تغییرات ترسیم کنند.

نظارت، مدیریت یا آنچه روزنامه‌نگاران ممکن است «ویرایش» سیستم‌های محتوای خودکار بخوانند نیز به طور فزاینده‌ای افراد اتاق خبر را به خود مشغول می‌کند. حفظ کیفیت و دقت از مهم‌ترین دغدغه‌های روزنامه‌نگاری است.

رادار یک فرآیند تضمین کیفیت سه مرحله ای را توسعه داده است. ابتدا یک روزنامه‌نگار نمونه‌ای از تمام مقالات تولید شده را می‌خواند. سپس یک روزنامه‌نگار دیگر ادعاهای موجود در داستان را به منبع داده اصلی آن‌ها ردیابی می‌کند. به عنوان سومین بررسی، یک سردبیر یا ویراستار منطق الگو را بررسی می‌کند تا هر گونه خطا یا حذفی را تشخیص دهد. این تقریباً شبیه کاری است که یک تیم از مهندسان نرم‌افزار ممکن است در اشکال‌زدایی یک اسکریپت انجام دهند و این همه کاری است که انسان‌ها باید انجام دهند تا اطمینان حاصل شود که اتوماسیون کار خود را با دقت انجام می‌دهد.

توسعه منابع انسانی

ابتکاراتی مانند آنچه در آسوشیتدپرس و رادار وجود دارد نشان می‌دهد که هوش مصنوعی و اتوماسیون از نابود کردن مشاغل در روزنامه‌نگاری فاصله زیادی دارد. آن‌ها در حال ایجاد کار جدید و همچنین تغییر مشاغل موجود هستند. روزنامه‌نگاران فردا برای طراحی، به‌روزرسانی، اصلاح، اعتبارسنجی، تصحیح، نظارت و به طور کلی نگهداری این سیستم‌ها باید آموزش ببینند. بسیاری ممکن است برای کار بر روی داده‌ها به مهارت‌های کار با داده و تفکر منطقی رسمی نیاز داشته باشند؛ تسلط به اصول اولیه برنامه‌نویسی کامپیوتر نیز ضرری ندارد.

همانطور که این مشاغل جدید تکامل می‌یابند، مهم است که اطمینان حاصل شود که آن‌ها مشاغل خوبی هستند؛ اینکه افراد فقط در یک فرآیند ماشینی بسیار بزرگتر به چرخ دنده تبدیل نشوند. مدیران و طراحان این کار ترکیبی جدید باید دغدغه‌های انسانی مربوط به استقلال، اثربخشی و قابلیت استفاده را در نظر بگیرند. می‌توان خوشبین بود که تمرکز بر تجربه انسانی در این سیستم‌ها به روزنامه‌نگاران امکان می‌دهد شکوفا شوند و جامعه از مزایای سرعت، گستردگی پوشش و کیفیت افزایش‌یافته‌ای که هوش مصنوعی و اتوماسیون می‌توانند ارائه دهند، بهره‌مند شوند.

[i] Nicholas Diakopoulos

[ii] Northwestern University

لینک کوتاه: https://khabarnegaranvaresane.ir/?p=13755