5. Redaksjonell forsterkning – augmented journalism⚓︎
Britt Sofie Hestvik, redaktør, Kommunal Rapport
«Hvis du hadde en liten tjener som skulle sitte på skulderen din og hjelpe deg med det journalistiske arbeidet, eller arbeidet generelt, hva hadde du ønsket deg da?»
5.1 Støtteapparat⚓︎
Den åpenbare framtidige bruken av kunstig intelligens i norske redaksjoner er som støtteapparat til journalister. Gjerne under utskriving eller produksjonen av nyheter. «Når journalister bruker KI-baserte verktøy til å forsterke journalistiske oppgaver, research, utskriving og redigering, så kalles det forsterket journalistikk (Augmented Journalism) (Marconi, 2020, s69). Slik forsterkning kan være språkstøtte, for eksempel oversettelse til nynorsk. Nynorsk roboten fra Språkrådet og NTB er KI-basert og gir nynorsk utgaver av bokmålstekster på sekunder som så langt er mer enn 90 prosent korrekte. Annen redaksjonell støtte kan være automatisk varsel om aktuelt arkivstoff, sjekk av korrekt stavemåte av navn, automatisk visning av mulige arkivbilder, automatisk produksjon av førstesidehenvisning og førstesideredigering, kildevurdering og automatisk validering av kilder, og faktasjekk.
Artiklene kan gis maskingenererte illustrasjon, og kan automatisk skrives om i flere tilpassede versjoner for mediehusets mange plattformer. Og så kan nett og sosiale medier overvåkes for reaksjoner, ny dokumentasjon og nye vinklinger for oppfølging.
En overordnet term for dette er “augmented journalism”, som kan oversettes til forsterket eller utvidet journalistikk, der journalistene får mer og nye former for maskinstøtte. I neste omgang kan en tenke seg automatisk etikk-vurdering av lyd, bilde og tekst mens den blir produsert.
Gjerne direkte koblet til Vær varsom-plakaten med varsler av typen “hei skribent, bør du gi samtidig tilsvar til omtalte personer her?” eller “hei journalist, er ikke denne kilden en umyndig person der du trenger tillatelse fra foreldrene?” Finske forskere har lett etter måter å hindre underliggende skjevheter og fordommer i automatisk genererte tekster. I neste omgang foreslår de å kjøre samme tester av tekster mens reporterne skriver dem. Altså et slags automatisk anti-skjevhets varsel (bias diagnose) (Leppänen, 2020).
En naturlig fortsettelse av brukerundersøkelser og innsamling av brukerdata er predikeringsverktøy. Dette er verktøy som hjelper redaksjonen med å skape journalistikk rundt temaer som er viktige for leserne. Som vist kan KI/maskinlæring brukes til å analysere diskusjoner og kommentarer for å finne ut av hva folk bryr seg om. Slik kan redaksjonene komme i forkant av trender. Analyser av hva som leses koblet med hva som kommenteres og diskuteres kan brukes til automatisk å prediktere ikke bare om hva, men hvordan man skal skrive best mulig for å skape interesse. Det kan være bruk av ord og formuleringer som skaper nok følelser, får folk inn i spaltene for å fenge og holde på interessen.
Redaksjoner får et rikt tilfang av nyheter fra sosiale medier og andre kilder som trenger validering. Redaksjoner trenger å finne ut hva som er kilden og vurdere hvor god eller dårlig den er. Ofte dreier det seg om å vurdere bilder og finne ut om de faktisk er tatt i den sammenhengen kildene hevder, eller om det er bilder tatt fra helt andre hendelser. De første dagene av krigen i Ukraina ble det for eksempel distribuert video og bilder som var gamle og tatt fra helt andre steder enn de var brukt til å illustrere. I tillegg er mange kilder egentlig del av et propagandaapparat. KI-basert validering av bilder, kilder og innhold er noe som foreløpig hører framtiden til.
Ingeborg Volan, redaktør, Dagens Næringsliv
«Jeg er veldig fasinert av er det arbeidet som visual investigations-gjengen i Tønsberg Blad gjør. De jobber mye med store datamengder, video og bilder for å finne fakta. Altså faktasjekk i visuelle verktøy, om du vil. Det har vært kjempefascinerende med et redskap der du kunne droppe et bilde og finne ut hvor i verden dette er basert på andre bilder. Og hvor er bildet tatt? Gitt dette utsnittet, fjellkjeden i horisonten og dette lyset på himmelen? Det er veldig avanserte faktasjekkprosesser i dag. Da kunne en og tatt med faktasjekk og varsling om tukling med data eller at filene ikke er original og sånne ting også. Det hadde hjulpet oss med teknisk kildekritikk».
Samlet viser kildene konturene av en framtid med et langt tettere samarbeid mellom menneske og maskin der CAR (Computer Assisted Reporting) får et helt nytt og langt mer omfattende innhold.
5.2 Kvalitetssjekk⚓︎
I løpet av året 2020 dukket det opp KI baserte tjenester for å finne kvalitetsjournalistikk og for avsløre fake news. Når du søker etter informasjon på Google og andre søkemotorer så har de en algoritme for hvor de mener du finner det beste svaret. En grunnleggende tanke her er at det mange leser også er den beste kvalitet. Deepnews.AI og Overtone.AI tilbyr artikler hentet fra hele verden og mener de kan sortere ut de beste artiklene basert på kvalitetskriterier. Kriteriene er at artiklene er basert på intervjuer og dokumenter, at analysen går i dybden på problemet den belyser og tar opp mange mulige vinklinger for å forstå fenomenet. Den KI baserte analysen innebærer å telle kilder, vurdere kildenes relevans, dokumentasjon og journalistisk metode. Så langt har det ikke vært mulig å kunne søke fritt etter artikler via disse tjenestene. I stedet har abonnenter fått lister over de beste artiklene om aktuelle tema. Noen kommersiell suksess ser det ikke ut til å ha blitt. Det er likevel interessant at noen forsøker å formalisere og utvikle metoder for å gjøre algoritmebaserte kvalitetsvurderinger og så selge det de mener er kvalitetsjournalistikk. Meningen er at dette skal bygge på objektive kriterier for kvalitetsvurdering av redaksjonelt arbeid. Mange journalister vil nok si at slike objektive kriterier neppe finnes og at underholdningsverdi, fortellerglede, vinkling og spissing av en artikkel eller innslag på radio og tv, er kvaliteter som vanskelig kan omgjøres til objektive verdier i et slikt system. Redaksjonell evne og mulighet til å kaste seg rundt for å produsere nyhetssaker i en presset situasjon vil heller ikke telle med som et kvalitetskriterium. Norske redaksjoner satser mye på å være tidlig ute med hendelsesnyheter og mener det er en viktig kvalitet ved nyhetsarbeid. Det betyr at de som evner å komme seg først på banen og rapporterer live eller på nett basert på det de har under kriser og katastrofer, i en kvalitetsanalyse bli vurdert langt nede på lista bak dem som har hatt bedre tid og fått områ seg i en langt mindre presset situasjon. Det er likevel lett å tenke seg at et sett med kvalitetskriterier kan bli en del av framtidens verktøykasse for journalister i en maskin-forsterket redaksjon (augmented journalism) der kvalitative sider av arbeid kan vurderes fortløpende og under produksjonen.
Prototypen for systemet prøves ut i samarbeid med NTB. Factiverse ønsker etter hvert å gi abonnenter tilgang via skybaserte løsninger eller apper over internett.
Et knippe internasjonale journalister mener automatisk genererte sammendrag av artikler kan hjelpe kvalitetsjournalistikk med å nå nye lesere. Som nevnt kan en bruke KI-baserte systemer til å lage kjappe sammendrag, trekke ut stikkord og lage lister, vise fram gode sitater og lage spørsmål og svar sekvenser (Q&A). Det kan gjøre det lettere for lesere å finne fram til den beste eller mest relevante artikkelen i overfloden av informasjon og det gir raskt oversikt over innholdet. Også her er det slik at KI-systemet gir best resultat på engelsk. (Peretti, 2021) Det forhindrer ikke at for eksempel Schibsted eide Omni er en suksess med en halv million lesere i Sverige basert på automatisk skraping av data og autogenererte sammendrag.
5.3 Kreativitet⚓︎
Når vi blir deprimerte over tanken på at roboter og kunstig intelligens truer med å overta jobbene våre, så trøster vi oss ofte med at «jobben min er kreativ». Redaksjonelt arbeid er ofte svært kreativt med tanke på å finne saker, fortellerteknikk, mulige kilder, mulige måter å illustrere saker, kombinasjoner av uavhengig kunnskap, konsekvenser og mulige løsninger. Men jobben inneholder og mye gjentakelse og rutiner (det er jul, 17.mai, og nye broer/veier/kjøpesentra kommer hvert år), og redaksjonelle medarbeidere finner fort rutiner og rutinemessig bruk av fortellerteknikk og bygger sine egne kildebaser. Etter noen år er det vanskeligere å finne på noe nytt, fortelle på andre måter og utvide kildetilfanget. Det er gjort forsøk på maskinstøttet kreativitet. City, University of London, startet EU-prosjektet INJECT for å hjelpe journalister å finne kreative vinklinger på gjentagende hendelser og i intervjuer.
Det skjedde realtime, mens journalistene i forsøksavisene produserte stoff. Mens artikkelen ble til på skjermen grep INJECT fatt i meningsfulle ord i teksten, lagde stikkord og sjekket det mot arkivet i avisen og fant fakta og statistikk fra andre åpne kilder. På den måten hjalp systemet journalistene med å finne kontekst, relevante fakta og informasjon. Systemet ga reporterne valget mellom seks forskjellige nivåer i søkemotoren fra individnivå – der navngitte personer var sentrale i artiklene – til nivåer for statistikk og kontekst. INJECT forsynte og journalistene med «creativity sparks» for å sette saken i perspektiv og kontekst. Forslagene kunne komme som lenker til relevante data og som forslag på siden av skjermen. Noen umiddelbar suksess i forsøksredaksjonene ble ikke INJECT. Men med langt mer effektive systemer, dagens tilgang på norsk-baserte språksystemer, og langt enklere måter å drive «opplæring» av systemet på slik at det treffer med forslag, samt en utvidet kultur for maskinstøttet journalistikk, kunne systemet i dag hatt større mulighet for suksess. Det viktige her er imidlertid å merke seg at det arbeides med støtte til kreativitet og fortellerteknikk basert på KI.