A new innovative method to evaluate public news broadcasting: Preserving democracy, culture, and identity during the first AI revolution
Notice bibliographique
Résumé
As the first AI revolution rapidly eliminates numerous journalism, reporting, and news writing jobs, the debate over taxpayer-funded public broadcasting entities in some countries gains momentum. The potential threats posed by AI-generated content, unregulated or self-regulated social media, and radical social networking sites to public opinion and election results are concerning. This study presents the first cost-benefit analysis of publicly funded broadcasting, with a focus on the CBC/Radio-Canada. The benefits are estimated using mathematical models via the mass (Canadian Newsstream database) and social media (YouTube). CBC/Radio-Canada has contributed 471,706 newsprints via the news wire, while also generating 126,436 videos across 16 YouTube accounts, with 4,031,467,452 views and 8,065,340 subscribers, resulting in a benefit-to-cost ratio of 2.17 × 10 5 :1. Therefore, CBC/Radio-Canada, as a taxpayer-funded entity, is highly cost-effective and efficient. CBC/Radio-Canada further contributes billions of dollars annually to the local and national economies, while also playing a vital role in preserving the cultures and identities of its many nations, promoting official languages, multiculturalism, tolerance, national cohesion, and international influence, and, most importantly, democracy in an ever-changing world. It is recommended that CBC/Radio-Canada begin offering more Canadian news and content in local, rural, French, Indigenous, Inuit, and other languages.
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 | 0,013 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».