Friends or Foes? Exploring the Framing of Artificial Intelligence Innovations in Africa-Focused Journalism
Notice bibliographique
Résumé
The rise and widespread use of generative AI technologies, including ChatGPT, Claude, Synthesia, DALL-E, Gemini, Meta AI, and others, have raised fresh concerns in journalism practice. While the development represents a source of hope and optimism for some practitioners, including journalists and editors, others express a cautious outlook given the possibilities of its misuse. By leveraging the Google News aggregator service, this research conducts a content and thematic analysis of Africa-focused journalistic articles that touch on the impacts of artificial intelligence technology in journalism practice. Findings indicate that, while the coverage is predominantly positive, the tone of the articles reflects a news industry cautiously navigating the integration of AI. Ethical concerns regarding AI use in journalism were frequently highlighted, which indicates significant apprehension on the part of the news outlets. A close assessment of views presented in a smaller portion of the reviewed articles revealed a sense of unease around the conversation of power in the hands of tech giants. The impact of AI on the financial stability of media outlets was framed as minimal at present, suggesting a neutral, wait-and-see position of news outlets. Our analysis of predominantly quoted sources in the articles revealed that industry professionals and technology experts emerge as the most vocal voices shaping the narrative around AI’s practical applications and technical capabilities in the continent.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,011 | 0,007 |
| Études des sciences et des technologies | 0,012 | 0,026 |
| Communication savante | 0,028 | 0,018 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».