Redefining Journalism in the AI Era: Constructing A New Model for Harmonizing AI Technology with Traditional Journalist Ethos and Values
Notice bibliographique
Résumé
The development of artificial intelligence (hereafter referred to as AI) has permeated various industrial sectors, significantly transforming organizational dynamics and strategic approaches. The rapid proliferation of information and communication technology (ICT) and the ongoing process of datafication across society have extended their impact to journalism as well (Gelgel, 2020; de-Lima-Santos & Ceron, 2021). The range of AI tools adopted in newsrooms is diverse. AI in journalism is conceptualized as a series of algorithmic processes that produce and disseminate text, images, and videos for public consumption, with minimal human oversight (Carlson, 2015a; Moran & Shaikh, 2022). However, the swift pace of technological advancement has left media companies grappling with confusion. Since the advent of AI, the processes of agenda setting, content gathering and production, and news distribution have radically evolved (Hernandez Serrano et al., 2015; Örnebring, 2010; de-Lima- Santos & Ceron, 2021). These technologies surpass conventional expectations. For instance, Open AI's GPT software series, developed through deep learning, showcases text quality remarkably akin to human writing (Floridi & Christi, 2020; Moran & Shaikh, 2022).
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 | 0,022 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,069 |
| Communication savante | 0,034 | 0,033 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».