智库锦囊 | 陈昌凤:生成式AI赋能新闻业����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������,变革不止于功能...

http://www.sxtvs.com时间:2023-10-01 13:49:47 ����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������

生成式人工智能对新闻业的变革将超����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������越功能层面,深入到新闻的理念和结构层面����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。

图片

生成式人工智能(GAI)正在����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������展示技术的颠覆性力量,被视为至少����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������能与互联网、智能手机相提并论的前沿技术,其����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������代表性应用是2022年底以来发布的ChatG����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������PT、GPT-4等智能程序。����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������它是向数据学习的神经网络系统,半年来已经被广泛运����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������用于日常对话、生活服务、新闻传播、艺术创����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������作(音乐、绘画、时尚、设计和文学等)、商业经����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������营、科学研究、医疗保健、教育教学等各个领域����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,其爆炸性流行被视为公众采����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������用人工智能技术的第一个真正转折点,也成为激发生����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������产力和人类创造力的巨大引擎。

埃森哲(Accenture)3����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������月下旬发布的研究报告显示����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,生成式人工智能驱使科学、商业以及社会����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������本身的一切都将发生转变,����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������对人类创造力和生产力的积极影响将是巨大的。9����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������8%的全球高管认同人工智能基����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������础模型将在未来3~5年内在其组织的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������战略中发挥重要作用;40%的工����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������作时间可能会受到像GPT-����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������4这样的大型语言模型的影响。

就新闻业而言,生成式人工智能相当于给每一位����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������新闻工作者配备了一位高效����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������率的助手,给每个新闻机构增����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������添了额外的资源、创新的可����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������能性,也带来了更复杂的专业问题。

本文将从当前生成式人工智能在新����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������闻传播业的应用实践及其效应着手,探讨生成式人工����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������智能对新闻传播的业务、机制的影����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������响,以及它们对新闻专业、新����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������闻理念和记者角色带来的挑����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������战与重塑。

生成式智能赋能新闻业

生成式人工智能正在以一种魔法般的方式,简化了人����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������们将想法、创意转变为现实的过程。����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ������新闻界以十分迅捷的反应,投身于����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������这个正在引领新闻业巨大变革的新技����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������术。事实上,早在它发布之前,媒体已����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������经迫不及待地融入智能新技术的洪流之中。

(一)智能技术已经深入新闻业务

人工智能直接运用于新闻界,已经有10年的历����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������史。美联社是最早利用人工智能和自动化来支持其核心����� �������Ƴ����������� �������Ƴ������������ �������Ƴ����������� �������Ƴ������新闻报道的新闻媒体之一。����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������2014年,美联社开始使用人工智能程����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������序处理有关企业收益的报道,令����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������新闻业面貌为之一新。在使用人����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������工智能之前,美联社的编辑和记者在其中����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������花费了无数资源制作财务报告,也因此分����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������散了对有更大影响力的新闻的关注����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������。即使大量投入,美联社每季度也只能制����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������作300份财务报告,还有数千份潜在的公司收����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������益报告未能成文。采用人工智����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������能平台Automated Ins����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������ights的Wordsmi����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������th,他们在几秒钟内就可以将那些投资研究的收益����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������数据转换为可发布的新闻报道����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������,效率大大提升,美联社制作的季度����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������收益报告一下子达到4,400个,效率是手动工作����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的近15倍。

体育报道也是同类情况,体育记者负责整理成堆的����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������得分和比赛笔记,为大学篮球和小联����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������盟棒球比赛撰写预测性和回顾性文章。2016年����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������美联社与Automated Insigh����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������ts合作,将其人工智能生成的内容扩展����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������到体育报道。在采用Wordsmit����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������h之前,记者只有时间报道每个联赛中的顶级����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������球队,无暇报道未排名的比赛。Wordsmit����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������h使用自然语言生成(NLG)技术,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������将数据转化为富有洞察力的报道,看起来像人类的叙事����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,早在2018年赛季就为常规赛提供5,00����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������0多场预演,一级男子篮球赛还自动重播。智能技术����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的投入使他们能够思考创新,让记者少关注数字����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������、多发现细微的独特之处,有时����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������间去做更深度的、更独家的报道,建立所谓“����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������思想领导力” 。

美联社只是使用人工智能的一家媒体,实际上,同����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������时期使用人工智能的媒体还包括彭博社、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������路透社、福布斯、纽约时报、华盛顿邮报、����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������英国广播公司等大型媒体。这些大型媒����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������体的人工智能应用主要是将机器学习����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������(从数据中学习)运用于采集、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������制作和分发新闻等各个流程。

仍以美联社为例,在采访方面,该社部����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������署了多种新闻采集工具,使记者能够获取新闻并进行����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������更深入的挖掘。在内容采集方面,他们通过自然语言����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������处理扫描和分析社交媒体源,构建自己的内����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������部工具,更快地验证社交媒体和用户生成的内容;在制����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������作方面,人工智能工具简化了工作流程,比如从视����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������频的自动转录,到自动生成视频分镜����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������头列表和故事摘要,都由人工智能工具����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������完成,这样记者能够专注于更高层次、更����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������有深度的工作;在分发方面,他们努力建设标����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������记系统,通过图像识别来优化内容,为行业创建������� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ���������� �������Ƴ�������第一个����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������编辑驱动的计算机视觉分类法(edi����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������torially-driven computer����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������� vision taxonom����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������y),不仅节省了数百小时的制作时间����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,还助益更轻松地呈现内容。人工智能技术����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������也已经应用于评论互动,比如华盛顿邮报通过其M����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������odbot,使用机器学习来调节、过����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������滤和标记评论。

媒体机构对人工智能技术的重视,可以从相����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������关新部门、新岗位的设置而见����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������一斑。美联社设置了人工智����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������能和新闻自动化部,英国《金融时报》创设新职位,����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������任命了人工智能编辑。不过,在“前生����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������成式人工智能”时期,智能工具虽然已能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������够生成财务收入和体育赛事结果等直����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������接的报告,但并未在编辑内����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������容中广泛使用。

(二)生成式智能技术运用于����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������新闻业

2018年以来,大型语言模型和基础����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������模型得到突破性进展,不仅破����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������解了语言复杂性的密码,使机器能够学习上下文、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������推断意图和独立创造,而且还可以针对����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������各种不同的任务快速进行微调,为����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������生成式人工智能的进步提供了动力。生成式����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������人工智能是一种机器学习系����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������统,是基于算法、模型等创����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ������建文本、音频、图像、视频和代码的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������技术系统。ChatGPT、GPT-4便����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������是其中的代表,它们先后于����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������2022年11月、2023年3月问����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������世。

ChatGPT是一种由人����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������工智能技术驱动的自然语言处理工具,可让人们与聊����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������天机器人进行类似人类的对话、可����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������以回答问题并帮助完成许多任务,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������例如制作订制化的健康食谱、健身计划,撰写����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������电子邮件、论文和代码等等。

ChatGPT的功能很丰富,与新闻传播相关的包括����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������:生成模仿人类输入数据的样式和结构的类人文����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������本;生成对给定提示文本的����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������响应,包括回答问题或写故事;生成����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������多种语言的文本;修改生成文本的样式,比如正式����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������或非正式的样式;厘清问题从而更好地理解输����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������入数据的意图;回复与之前上下文一致的文本,比如����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������对前面问题的理解、对后续的说明。其他生����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������成式人工智能模型可以执行图����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������像、音频和视频类的任务,比如GPT-4����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������就可以执行跨模态的任务。

生成式人工智能为新闻业的大变革提����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������供了重要机遇。传统的新闻采访、写作、编辑、制作、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������分发、核查,都可以运用ChatGPT等模型����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������作为得力的辅助工具。

主要工作包括:第一是数据分析。生成式����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������人工智能运用了海量的数据,可以为新闻工作者提供有����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������力的数据分析,从而提供见解或启发,帮助记����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������者寻找更独特的角度、更有洞察����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������力的思考方向。

第二是内容生成。生成式人工智能可以生����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������成文本、图像、音频和视频等形态的内容,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������在文本方面它既可以生成摘要、文章,也可����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������以生成策划大纲、采访提问等创意性的内容,还����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������可以按照难易要求生成不同知识层次的文本,比如把����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������复杂的话题简化到普通受众能够理解的水平����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。ChatGPT可以将学术文章的摘要或部分����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������内容简化为新闻语言。

第三是算法个性化。智能算法可以根据����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������用户的偏好生成个性化内容,这����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������样有助于契合用户需求、做到精准生产与分发。第四是����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������事实核查。尽管生成式人工智能在内容的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������准确性、真实性方面受到质疑,但它可以通过数����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������据训练后自动对信息进行事实核查,帮助����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������新闻工作者核实信息的准确性。

纽约时报网于3月刊出过一篇����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������文章,罗列了人们使用ChatGPT的35种方式,����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������其中许多日常生活中使用的方式也可以被记者采用����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,如写电子邮件、编辑、组织研究、浏览����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������多份文件、输入Excel公式����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������等等。

(三)新闻业布局生成式智能

ChatGPT横空出世,对新闻业的震撼非同����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������小可。美国非常活跃的《内幕》(Ins����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������ider)全球总编辑卡尔森����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������(Nicholas Carlson)����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������称之为“海啸”:海啸即将来临,我们要么驾����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������驭它,要么被它消灭。他认为人工智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������会让新闻业变得更快更好。《内幕����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������》新闻编辑部于4月中旬成立了一个工作组,以测试将����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������人工智能负责任地纳入其工作流程的方法,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������然后再向新闻编辑部推出一套更广泛的人����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������工智能规则和最佳实践。

卡尔森4月14日向员工发送了一份����� �������Ƴ����������� �������Ƴ������������ �������Ƴ����������� �������Ƴ�������备忘录,表示“不得不”学习如何使用和小心使用智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������技术,记者才能变得更好。卡����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������尔森一直在广泛使用聊天机器人,视其为“双人文字����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������处理器”(“a two-player word ����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������processor”),可以帮����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������助克服写作中的常规障碍。他鼓励记者开始谨慎����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������试用ChatGPT等编写的文本����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������、报道大纲,用ChatGPT等纠正拼写错误、为����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������搜索引擎优化标题、准备采访问题,但不����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������鼓励将敏感信息(尤其是细节)放入Chat����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������GPT。

据4月的一篇评论文章披露,《纽约时报����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������》新闻编辑部的一个工作组正在制定使用聊天机����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������器人的工作指南,探索该报记者使用聊天机器����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������人的机会。其实,《纽约时报》在前几����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������年已经陆续发表过由机器人程序写����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������作的评论文章、书评。ChatG����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������PT也已经被记者使用。

该报科技专栏作家、被Bing测试聊天机器����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������人“爱上”的罗斯(Kevin Roos����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������e)3月撰文说,他已让ChatGPT帮自己提出采����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������访的问题:他将被采访嘉宾的简历粘贴到����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������ChatGPT中、要求它向这����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������位嘉宾提出10个深思熟虑、敏锐的采访����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������问题。Ch����� �������Ƴ������� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������������atGPT生成的问题大多数都很好,被����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������罗斯在节目中采用了。

生成式人工智能已经擅长于各种各样的任务,罗斯列����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������出了6个方面:用不同级别难度解释概念,比����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������如要求ChatGPT用高中水平解释“����� �������Ƴ����������� �������Ƴ������������ �������Ƴ����������� �������Ƴ�������部分准备金银行业务”;帮助编辑和提����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������出建设性批评,比如让智能Bing帮助����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������改进写作技巧;创造性地摆脱困境,比如克服写作障����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������碍;排练现实场景中的任务,比如进行模拟����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������对话、演练;快速总结大量文本,让智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������程序为自己“阅读”长篇文章、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������总结学术论文,将转录的音频和视����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������频记录提炼出要点;编码,����� �������Ƴ����������� �������Ƴ����������� �������Ƴ����������� �������Ƴ�������比如构建一个Chrome����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������(谷歌浏览器)扩展程序。

新闻工作者已经从ChatGPT获得助力。����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������《纽约时报》观点专栏作家曼珠(Farh����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������ad Manjoo)在4月的文章中就相����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������关话题采访了一些媒体的老总,并总结说C����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������hatGPT这样的应用将成为许多记者����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������工具包的常规应用。他在文中将ChatGPT比����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������喻为新闻工作者获得的新型喷气飞行器(jetpac����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������k),虽然有时它会崩掉,但有时����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������它则会翱翔、升腾(soar),能够在几秒钟、几分����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������钟内完成过去数小时才能完成的任务。

在写这个喷气飞行器的比喻时,曼珠很难选择一����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������个合适的动词来表达,他写了“����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������screams”(尖叫、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������呼啸)又觉得不妥。他说要在过去他可����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������能会使用同义词库或者绞尽脑汁地找一个合����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������适的词,而现在,他将自己写的整个段落插入Chat����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������GPT、要求它提供替代动词,Ch����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������atGPT为他推荐的替代动����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������词中,“soar”是排在第一的。

曼珠还总结出ChatGPT����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������的其他一些用途:协助编辑工����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������作,比如写过渡语;提炼和总结,比如在����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������重大而复杂的新闻事件爆发时,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������需要迅速从长篇文件(法院裁决、收����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������益报告、政客的财务表)里提����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������炼出概要。特朗普被起诉时,《内幕》总编����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������辑卡尔森将购得的长篇文件放到Chat����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������GPT中,让它给了一个300����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������字的摘要,从而辅助《内幕》决策如����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������何迅速报道这件事。ChatGPT很擅长从长����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������篇大论中提取摘要和主题。

媒体和记者组织都非常重视ChatGP����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������T的影响。路透社和牛津大学在2023����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������年初的报告中指出,受访的新闻业高管有28%说他����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������们的组织经常使用人工智能,而����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������39%承认他们正在试用。英国的新闻网站jo����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������urnalism.co.uk在今年1月专门发表����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������了一篇文章,总结了ChatGPT可以����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������为记者完成八项任务:生成大文本和文档的摘要;生����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������成问题和答案;提供报价;制造标题;将文����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������章翻译成不同的语言;生成邮件主题和写邮件;生成社����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������交帖子;为文章提供上下文。

该网站还于5月下旬组织了关于人工智能对新闻业影����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������响的论坛。国际新闻工作者中心(ICFJ)则刊����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������登了一篇文章,探究了ChatGPT对����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������记者的利弊。世界新闻研究所(Wo����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������rld Press Institute)发表文章����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������讨论ChatGPT和新闻业的关系,呼吁新闻业要����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������适应不断发展的技术,认为ChatGPT有望改����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������变新闻报道、分发和消费的方式。

奈特基金会(Knight Founda����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������tion)对全体员工进行了����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������使用聊天机器人和其他新技术����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������工具的培训,其新闻部负责����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������人认为:这些人工智能工具可以����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������帮助记者关注更重要的新闻,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������让很多新闻机构腾出时间去报道更重要的事����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������情。奈特基金会还资助多家新闻机构建立人工智能工����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ������作室,比如Quartz。Quart����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������z在2019年建立了一个机器学习模型。

据《华尔街日报》2月报道,《体育画报》(S����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������prots Illustr����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������ated)利用人工智能生成文章和故事创意����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,如Arena Group使用生成式人工智能制����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������作男性杂志文章,展示体育运动技巧。����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������Arena Group已经将生成式人工智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������运用于内容工作流程、视频创作、时事通讯、赞助内����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������容和营销活动等各个方面。BuzzFe����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������ed将使用ChatGPT作为����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������其核心业务的一部分,他们看到人工智能的突����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������破开辟了一个创造力的新时代,有无穷无尽的机����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������会和应用。

专业性困境与负责地使用生成式智能

ChatGPT等生成式人工智能为新闻业的效率与革����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������新带来了种种机会,但同时也带来了诸多挑����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������战,尤其是人工智能生成内容在����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������机制上就存在与新闻专业性相悖的方����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������面。生成式人工智能在赋能新闻业����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的同时,却不一定能够优化新闻业。

(一)模型本身的局限性

生成式人工智能的大语言模型逻辑,是机器可以从数据����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������和模式中学习,从而创建模仿人类行为和创造����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������力的新内容。由于数据和模式的种种缺陷,生����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������成式人工智能存在系统性偏见、价值观对抗、“观点霸����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������权”、刻板印象、虚假信息等问题。而����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������模型本身也有其局限性。

这些类型的大型语言模型缺乏常识性的推理能力,由此����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������带来了其能力的局限性,比����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������如它难以理解复杂问题、细微差别以����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������及与情绪、价值观和抽象概念相����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������关的问题。

这类局限的最大困境是:生成式人����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������工智能不理解其生成的文本����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的含义。当它面对细微差别、歧义或讽刺����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������之类的内容时,它难以理解其中����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的真实意义;它可以生成似是����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������而非但不正确甚至荒谬的文本;它无法验证其输����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������出的真实性;它的输出可能是公式化的��������� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������� �������Ƴ�������,可能会单调乏����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������味、缺乏想象力;它可以生成带����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������有偏见、歧视性或有毒的文本。

它的输出和生成的质量,取决于它输入的数据����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������及其模型训练的水平。比如ChatGPT使用自然����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������语言处理(NLP)——一种处理����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������理解、分析和生成类人语言的人����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������工智能技术,主要组合性地使用两类输入����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������进行训练:一类是2021年����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������底前从网页和程序代码中提取的大量文本,一类是����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������通过人类反馈强化学习(RLH����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������F)技术帮助微调模型。ChatG����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������PT使用的是Common Crawl的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������大型文本数据集,其网络爬虫数����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������据集是书籍、文章、网站等在线内����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������容的大量集合,包括文本、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������图像和其他形式的数据。在线数据带有先天性的缺陷����� �������Ƴ����������� �������Ƴ����������� �������Ƴ������������ �������Ƴ�������,比如其年龄、性别、来源等存在����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������不平衡的问题。研究显示,互联网数据中年轻用户和����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������发达国家用户的比例过高。

当然,对于这类大模型带来����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的更深的担忧,还不只在这些应用层面,更多����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的在于未来可能失控的深层����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������困境方面。包括深度参与人工智能开����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������发的教父级的人物辛顿(Geoffrey Hint����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������on)、在过去的四十年里开发����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������了驱动GPT-4等系统技术的本吉奥(Yos����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������hua Bengio),都担心大模型可以学习不����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������想要的和意想不到的行为,它们不仅可能生����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������成不真实的、有偏见的和其他有����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������毒的信息,而且对坏人不设防——很难找到����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������办法防止坏人利用它们来做坏事。

(二)审慎使用生成式人工智能

今年1月,美国著名科技新闻网站C����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������NET被Futurism爆料其在一个����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������多月里悄然刊出77篇未加标注的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������使用人工智能生成的文章,引发广����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������泛关注和批评。CNET随后对相关文章进行了����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������核查、发现其中出现了一些事实性错误,特别一篇关����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������于“什么是复利”的文章还存在����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������计算性错误。CNET很快对其中41篇文章����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������进行了更正。几周后,CNET及其母����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������公司暂停所有网站上的人工智能生����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������成内容,但是不妨碍用户继续使用����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������其人工智能工具。

CNET的错误不在于其使用了新技术,而在于其����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������使用得不谨慎、不恰当。目前生成式人工智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������在新闻业中的应用,存在专业性(如准确性)、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������伦理(如公正性)和责任难题,并且可能缺乏批判性思����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������维和创造力。但是,在权衡利弊得失之后,人们还����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������是将这项新技术作为新闻业的一次机会,并����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������以坚持专业性、合乎伦理的方式使用ChatGPT,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������人作为主导者,通过人工编辑����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������和审核确保准确性,保持人类����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������记者的独特立场。

新闻业如何合理地、负责任地使用生成式人工智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������?有一些准则值得重视:一定要检����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������查和编辑生成文本的准确性和质量;将����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������生成式人工智能视为半成品而非成品����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������;将生成式人工智能用于一些重复性或耗时����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的任务,这些任务不那么具有创造力或独����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������创性;不要使用任何敏感或私人信息作为输入数据;将����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������生成式人工智能与其他工具和技术结合使用����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,并融入自己的创造力、情商和战略思维。

与此同时,还要“透明地”“可溯地”使用人工智能。����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������要重视使用中的规范和标准。首先是署名����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。不少新闻工作者已经在使用Ch����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������atGPT、GPT-4等辅����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������助自己的工作,甚至让其参与了写作之中,正如����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������CNET在风波之后将每篇由人工智能生成(或参与����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������)的文章的署名位置,都加����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������上了“人工智能技术参与了写作”这类说明,一些新����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������闻作品、学术成果、文学创作也都纷纷����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������合署,甚至独署了ChatGP����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������T、GPT-4作为作者,或者以����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������文内引用或脚注来注明。第二是要尽量����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������重视列出参考文献,比如Bing通过智能搜索归����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������纳出的内容,都是有出处的,而不����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������久后Google的人工智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������搜索也将面世,它们有助于明确����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������参考资料。第三是今后将有一种新的����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������注释类型,类似于模型名称、内容生成日����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������期、生成过程中的输入或者相关参数����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。

讨论:变革不只在功能层面

上文抓取了生成式人工智能在新闻业中的最前沿性应����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������用的数据和案例,展示了目前在生成式人工智能����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������背景下新闻业适应新技术的现状、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������语境和遇到的难题。牛津大学牛����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������津互联网研究所研究员西蒙(Felix����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������� Simon)认为,如果使用得����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������当,生成式人工智能技术是新闻的一����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������次机会。人们追求的仍将是与以����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������前相同的目标和相同的需求,人工智能改变的只����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������是追求方式。

但是我们不能局限于应用这种功能层面。从长远来����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������说,这种有别于传统技术的人工智能技术,带来的影����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������响会超越功能性层面,而渐进为一种新闻的理����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������念和结构性的作用。这里从两����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������个方面做些探讨。       ����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������                 ����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������                ����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������                     ����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������             

(一)数据驱动的故事新范式将会挑战����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������新闻观念

生成式人工智能技术提供了����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������创新报道范式的可能性。记者����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������可以利用人工智能生成的见解、可视����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������化数据和多媒体工具,从原始数据中自动����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������创建摘要和引人入胜的新式叙事,从快速生成交互����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������式叙事、数据驱动的报道到推出沉浸式故事,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������等等。而这些影响将会从生产流程变����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������革深入到机制层面,更进一步渗透到新闻观念层����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������面。

生成式人工智能正在重构新闻����� �������Ƴ����������� �������Ƴ������������ �������Ƴ����������� �������Ƴ�������生产流程,变革新闻工作机制。第一,记者采����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������集和核实信息的工作机制改变����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������了����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ��������。智能算法可以快速高效地处理海量数����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������据,帮助记者提取有价值的见解、识别记者可能无����� �������Ƴ����������� �������Ƴ������������ �������Ƴ����������� �������Ƴ�������法立即发现的模式、趋势和相关性,并发现����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������数据集的隐藏模式,帮助记者����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������发现角度、根据数据生成意义丰富的叙事。第二����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������,新闻生产机制改变了。生成式人工����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������智能技术可以自动生成新闻报道、摘要和其����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������他内容。第三,分发机制改变了。智能技术可以根����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������据用户偏好、兴趣和浏览行为来个性化新闻分����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������发使用智能策略为每个用户量身����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������定制内容。第四,互动机制加强了,生成����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������式智能可以与用户实时对话����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������、回答查询并提供个性化的新闻更新,并可以����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������收集反馈信息和对用户的了解����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。第五,事实核查和错误信息检测机制改变了。����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������自动化系统可以分析识别虚假信息和误导性����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������内容。

生成式人工智能将进一步驱动新闻的多����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������模态转换,推动新闻视觉化的浪潮。它可被用以多模����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������态转换,在文本、声音、视觉符号之间自����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������动转变。2016年出现的软件Wibbit����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������z可以将文本自动转换为视频,很快����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������就被众多媒体使用,比如B����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������BC使用Wibbitz为其����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������在线新闻和时事节目制作视频。如����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������今,GPT-4、文心一言等生成式人工智能软件,更����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������是集多模态转换为一体。

人工智能工具可以通过分析图像、视频等协����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������助视觉叙事,它们可以自动标记����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������和给视觉元素分类、生成说明文字,可����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������以根据基础数据创建可视化效果或信息����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������图表,让用户有机会探索数据驱动的视觉叙����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������事和复杂信息,以冲击性的视觉模����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������式唤起情绪反应。人工智能����� �������Ƴ����������� �������Ƴ����������� �������Ƴ������������ �������Ƴ�������技术还降低了沉浸式新闻的生产门槛����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������,让记者轻松构建交互式页面、虚拟现实或增强现����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������实叠加层。生成式人工智能也可以根据����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������文本描述或数据自动生成3D模型、动画等视觉效果����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,帮助记者创建增强现实的内容。记者还可以创建专为����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������支持语音的设备设计的音频����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������新闻故事。

生成式人工智能对新闻流程����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������和机制的改变,挑战了传统的新闻观念。比如����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,智能算法推动的个性化的新闻,是一种����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������以受众为中心的思维驱动的,����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������它挑战了传统的传者中心、传者引领的传播观念,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������强化的是与一般商业等同的消费����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������者至上的观念,进一步祛魅媒体作����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������为公共利益代言人的角色。生成式����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������人工智能也挑战了新闻业传����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������统的生产者主体身份观,人类生产的内容����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������和智能生成的内容之间的界限变得模����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������糊,这种情形还会进一步引发对新闻业����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的透明度和问责制的疑虑。

多模态自动转换也带来对新闻理念的挑战。����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������首先,生成式人工智能将提升����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������交互式叙事的运用,将新闻引����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������入非线性叙事,新闻故事可以根据用户交互����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������分为多个路径或结果。这种情形改变了传统新闻的线性叙事结构����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,使得新闻也朝着多样化和动态的叙事结构演化����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������。

其次,生成式人工智能可以非����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������常便捷地将文本报道转化为视频摘要,这涉及新闻文化的变革。简明的视觉摘要替换了完整深度的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������文章,文字报道被转换为声音和视����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������觉摘要,其间都会发生信息损耗,还会影响人们对复����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������杂新闻的理解、对信息的分析判断、对完整����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������世界的感知。

再次,多模态化的一个趋向,是智能技����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������术带来的视听新闻的潮流化,文本信息将更多地被自动转换为����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������图像、图形、图表或其他视觉元素。����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������转换通常是被简化的总结,由于视觉效果的空间和注����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������意力范围有限,自动化过程����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������可能会压缩文本,减少文本����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的复杂性或微妙内涵;自动转化还难免忽略某些上����� �������Ƴ����������� �������Ƴ����������� �������Ƴ������������ �������Ƴ�������下文元素;将文本转换为视觉效果的过程还涉及解释����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������和主观性,自然会影响原文本的叙述和解释;未来的视����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������听化会带来新闻的短浅化;文本����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������叙事驱动读者构建的心理形象和����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������想象力,逐渐让位给视听新闻叙事的感性消费、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������即时反应;视觉叙事通常依靠象征性、����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������图像和视觉隐喻来传达意义,而由于象����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������征性、文化语境和视觉素养的差异,视觉效果的解释可����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������能会很不同。

第四,多模态转换还会带来意义损害和歪曲的问题。比如,来自斯坦福大学和哥����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������伦比亚大学学者的研究指出,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������将文本转换成图像,大规模地放大了人口刻板����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������印象。他们研究了将文本转换为图片智能模型如����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������Dall-E和Stable Diffusion����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������,发现这些系统放大了“大规模的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������人口刻板印象”。比如,当提示创建“清洁人员”图����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������像时,生成的所有图像都是女性。有人在国����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������内一款语言模型应用中也遇到同类情形,当提����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������示画一幅“老板在开会”的图时,图中显����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������示的老板全是男性。

(二)生成式人工智能工具挑战新闻专业的实践观����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������念

生成式人工智能重构了新闻生产流����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������程,也在重塑记者的角色和职责。记者可����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������以利用人工智能技术分析相关的数据和背景、提炼����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������观点和见解,发现新的报道线索、思路和角度,得到启����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������发和洞察力,助益他们的报道、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������提升工作效率和质量。

但是,这样的新型辅助工具,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������在悄然改变新闻工作者的角色和定位。新闻本源于����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������社会实践,如今它由数据驱动,这是否挑����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������战了新闻专业的基础?智能技术替代采写实践,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������是否挑战了新闻工作者的职责和实践����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������观?

研究显示,早在2015年����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������或之前,新闻媒体就让他们的记者编辑使用����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������人工智能去做“社交媒体事件监����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������控”,进而获取新闻线索。那时,data����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������minr、Newswhi����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������p和路透社的News Tracer等工具都努����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������力从Twitter和Instag����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������ram等����� �������Ƴ������� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�����������社交帖子流中提取重要事件,比如N����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������ews Tracer利用����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������“训练有素”的智能算法在浏览Twitter����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������帖子时“模仿人类判断”,更早一些还有Corn����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������ellTech的CityBeat努力从Insta����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������gram中识别具有新闻价����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������值的事件。传统上,新闻工作者是要投身于社会实����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������践及其相关社会联系中,去获得一����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������手的新闻线索、素材,从中探����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������索角度、寻找思路,是自己从实践����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������中发掘新闻。

新闻和新闻业根植于社会劳动,它们是对客观世界的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������反映和社会性的构建,其本源是社����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������会生活。新闻是一个由社会因素、社会互����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������动和社会规范塑造的社会现实的动态反映。新闻不仅����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������仅是数据的产物,还受到社会、文化和政治因素的影响����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������。新闻来源于社会实践,传统新闻是通����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������过记者的“新闻鼻”和“新闻眼”去具����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������身寻找、发现,并经过新闻����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������价值判断得来的。

中央电视台的记者1979年在王府����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������井百货大楼停车场看到了一些����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������单位的公车,于是才有了《新闻联播》的第����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������一条批评报道《王府井百货大楼前的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������停车场见闻》,美国记者在一����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������个偏僻的休假地见到了一辆首都车号,才揭开����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������了一位政治要员的丑闻。作����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������为社会实践的新闻和新闻业,与由“数据驱动����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������”的新闻之间,存在着矛盾。新闻作为����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������一种社会实践,强调记者深入����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������一线、深入生活实践去观察,在与一线的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������互动中了解、理解社会问题����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,发现一手的、鲜活的新闻线����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������索,并根据价值观和人类经验进行报道。而����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������依赖数据,虽然同样可以做出独家的报����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������道,但是缺乏一手的、鲜活的现场体验和现实����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������反映。

记者方面,数据驱动的报道正在重新定位记者的角色����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。记者从积极的新闻信息采集者、解释者,转变成了数据的管理者和分析者。这种转变,对以传统的采写为己业,以探����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������寻背景、揭示真相、通过采访����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������呈现观点的传统新闻价值,是很大����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������的挑战。实地采访能够让记者捕捉����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������到新闻发生的情境、洞察其中的复杂性和细微差别,����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������其中会融入记者的主体性,比如个人经历、����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������情感和社会体验。

过于依赖数据可能难以获得复杂的情境和背����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������景信息,可能会带来对复杂问题的浅薄理解����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。数据还存在许多先天的局限和问题,也会影响到记����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������者的判断。传统的采访实践可以让记者直接与消息来源����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������互动,建立信任和理解关系,从而更深����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������入地挖掘有价值的内容,而依赖数据可能会限制或缺失����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������这种直接互动的机会,让记者与其报道����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������的对象和社会之间脱节。

此外,生成式人工智能赋予的能量,让新闻工����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������作者不仅能够从社交媒体上高效、准确����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������地寻求信息源和报道线索、寻找更有表达力的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������词语、写作过渡桥段句子等繁琐的报道细����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������节,还能够获取采访问题的设����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������计、亮眼标题的编辑,乃至一����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������篇篇文章的撰写等极富成就感的工作成果,他们在����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������人工智能生成的一个个有灵性的词汇、一条条����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������富表达力的标题、一些有创意的采访问题的工作����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������情境中,会不会逐渐改变初始报道的目标?

当然,新闻工作者限于其知识、经验、实践范围����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ������和判断能力等的影响,也存在种种不足。如今����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������通过数据驱动,获得更广阔的信����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������息,通过智能工具获得洞察力,来弥补自身的����� �������Ƴ����������� �������Ƴ������������ �������Ƴ����������� �������Ƴ�������不足。但是当智能工具被广泛使用后����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������,可能会使他们过于依赖数据驱动的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������方法,从而让他们忽视了新闻����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������的更广阔的社会背景和社会问题的复杂性。

新闻业本质上是一种以人为本的事业,����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������依赖人类的直觉、调查挖掘能力和判断����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������力,才会彰显人性化、明辨性思����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������维和价值观。记者必须在数据驱动的洞察力和他们的����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������专业性、新闻理想和目标之间建立一种平衡����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������关系,从而更准确、更有深度地报道有价值的新闻,紧����� �������Ƴ������������ �������Ƴ����������� �������Ƴ����������� �������Ƴ�������守“实践出真知”的专业底线。����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������

如芒福德(Lewis Mumford����� �������Ƴ����������� �������Ƴ������������ �������Ƴ����������� �������Ƴ�������)所言,人类拥有比其他一切组合都更为重要的生物学����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������装备——大脑及其支配的身躯。新型智能技术带来����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������的挑战,将会从新闻实践延伸到新闻机����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ������制、规范乃至伦理观念,我们需要见微知著,深入研究����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������。

(作者:陈昌凤,清华大学新闻与传播学院����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������教授、安徽大学大师讲席教授����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������;)



来源: 德外5号  编辑: 呼乐乐����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������
集团动态

陕西广电融媒体集团(陕西广����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������播电视台)举行党纪学习教育����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������专题党课辅导报告会

· 丝路传声·2024丝路万里行主持人全媒体业����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������务交流会召开 · 陕西广电融媒体集团(台)召开警����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������示教育会议 · 陕西广电融媒体集团(台)举办党委����� �������Ƴ����������� �������Ƴ������������ �������Ƴ������������ �������Ƴ�������理论学习中心组暨党纪学习教育专题培训
融媒资讯

专题丨“2024丝绸之路万里行·繁荣之路”����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������大型跨国全媒体活动

· 今日出发!陕西广电融媒体集����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ�������团(台)巴黎奥运会赛事转����� �������Ƴ������������ �������Ƴ������������ �������Ƴ����������� �������Ƴ�������播团队踏上奥运征程 · 中塔广电牵手 讲好丝路故事—����� �������Ƴ������������ �������Ƴ����������� �������Ƴ������������ �������Ƴ�������—陕西广播电视台与塔吉克斯坦国家广播电视����� �������Ƴ������������ �������Ƴ������������ �������Ƴ������������ �������Ƴ������委员会签署合作备忘录 · 都市生活盛典成功举办