Using Source Tracking AI to Analyze News Coverage about First Nations, Indigenous and Métis Communities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p> “This paper explores the interdisciplinary, creative development of an artificial intelligence (AI) tool designed to analyze sourcing practices in journalism, with a focus on news coverage of Indigenous, First Nations, and Métis communities in Canada. Rooted in theories of journalistic routines, framing, and media representation, the tool categorizes sources into seven key types: political, authority, expert, organization, unaffiliated, media, and celebrity. Analysis of a corpus of articles of interest to Indigenous communities reveals statistically significant imbalances in sourcing practices. Political and institutional sources were overrepresented, while unaffiliated sources, representing grassroots or lived experiences, were underrepresented. These findings reflect persistent biases in Canadian media’s portrayal of Indigenous communities, reinforcing institutional narratives over diverse perspectives. While the AI tool offers a systematic method to identify and quantify such patterns, limitations in its current iteration temper its broader applicability. Despite these limitations, the tool demonstrates potential for promoting accountability in journalism by enabling newsrooms to critically assess and refine their sourcing practices. Future iterations should address these shortcomings by incorporating more inclusive training data, refining category definitions, and improving accuracy for underrepresented and misclassified groups. This work underscores the need for ethical and methodological rigour in developing AI tools to address systemic inequities in media coverage </p>
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle