Het is soms lastig te bepalen welk nieuwsitem de meest prominente plek op een nieuwssite verdient. En misschien nóg wel lastiger om te bedenken waar de rest moet komen te staan. Om journalisten hierbij te helpen, zet de Zweedse Nationale Omroep automatisering in.
📰 Het verhaal
Stel, er is een aanslag gepleegd. Dan zal niemand eraan twijfelen dat berichten hierover een plek bovenaan verdienen op nieuwssites en -apps. Maar er zijn veel situaties waarin het minder duidelijk is welk bericht het meest relevant is. Als redacteur moet je snel beslissingen maken en met allerlei informatie rekening houden. Waar gaat een artikel over? Welke andere artikelen staan er op de site? Hoeveel mensen worden geraakt door dit onderwerp? Maar ook: Wat zijn onze waarden als medium en welk soort berichten sluiten daarbij aan? Dat kan een lastige afweging zijn waarbij elke journalist wellicht tot een ander oordeel komt.
De Zweedse publieke radio-omroep Swedish Radio besloot om een tool in te zetten om de beste publicatieplek voor elk verhaal te bepalen en om ervoor te zorgen dat de redactie daarbij op één lijn zit.
Hoe gaat dit in zijn werk? Een journalist geeft elk verhaal een score op basis van een aantal criteria. Daarbij kijkt hij naar de maatschappelijke impact van het verhaal, maar ook hoe goed het aansluit bij de journalistieke waarden van de omroep. Ligt het verhaal bijvoorbeeld dicht bij de burger? Bevat het stemmen van mensen die door de gebeurtenis geraakt zijn? Tot slot beoordeelt de journalist de levensduur van het verhaal. Heeft het nieuwswaarde voor de korte termijn (zoals een verkeersongeval) of is het relevant voor de langere termijn (zoals een goed opgezet onderzoek)?
Een online redacteur voert alle criteria in het CMS in en het systeem geeft een totaalscore die bepaalt waar het verhaal moet staan – op welke plek in de app of op de website, in welke playlists, etc. Overdag wordt de score van een verhaal live geüpdatet en zakt de score naarmate een nieuwsbericht minder relevant wordt.
Swedish Radio (SR) hoopt zo redacteuren te helpen om dichtbij de kernwaarden van de omroep te blijven. Ook wil de omroep voorkomen dat iedere redacteur andere beslissingen maakt of dat zij worden meegesleept in de waan van de dag.
📈 De data
De data waarmee het algoritme wordt gevoed, bestaan uit de scores die de journalisten aan ieder criterium van een nieuwsartikel geven. Zo kan een artikel bijvoorbeeld een 8 krijgen (op een schaal van 1-10) voor de nieuwswaardigheid op korte termijn. Het algoritme neemt deze ‘8’ vervolgens mee als data om te bepalen welke plek het artikel zou moeten krijgen op de website of in de app.
🦾 De AI
Het algoritme werkt volgens een rule-based systeem. Dit betekent dat er er een standaard regel (algoritme) is bedacht door mensen die bepaalt hoe alle scores samen tot een uitkomst leiden.
Bijvoorbeeld: scoort een artikel een 7 op nieuwswaardigheid en staat het langer dan 4 uur online? Dan wordt het artikel van de bovenste plekken van de homepage gehaald.
Zo wordt een journalistieke afweging (moet dit artikel nog wel op de homepage staan?) op de redactie geautomatiseerd. Een journalist bepaalt nog wel de waarde van het artikel, omdat hij of zij zelf een score aan de variabelen geeft. Maar een eindredacteur die ‘s middags aan zijn of haar dienst begint, richt niet langer de homepage in volgens zijn of haar eigen wensen. Swedish Radio hoopt dat het op deze manier voor een relevanter nieuwsaanbod kan zorgen.
⚖️ Ethiek en betrouwbaarheid
Dit type AI is, zoals gezegd, rule-based – gebaseerd op regels. Simpel gezegd: mensen stellen regels op en het model volgt deze op. Dat is anders dan bij Machine Learning. Daarbij geef je het AI-model geen regels, maar alleen informatie. Het model gaat dan zelf patronen en regels ontdekken in die data, tot het zijn taak kan uitvoeren. (Meer daarover lees je hier).
Een voordeel van rule-based AI, ten opzichte van Machine Learning, is dat de werking ervan transparant is – in ieder geval voor de makers. Zij hebben de regels ten slotte zelf bedacht en ingevoerd. Bij Machine Learning is soms niet duidelijk waarom het model doet wat hij doet. Bij rule-based automatisering is dat wel het geval.
Dat wil overigens niet zeggen dat iedere journalist die ermee werkt ook daadwerkelijk op de hoogte is van de regels die de AI-tool volgt. En ook voor het publiek is de werking hoogstwaarschijnlijk niet duidelijk. De mate van transparantie kent dus grenzen.
📚 Lesmateriaal
Opdracht: Elevator Pitch: AI to the rescue?
💡 Leerdoel: Je maakt kennis met een systeem dat helpt om de nieuwswaarde van content te bepalen en je kunt bezwaren en beloften van nieuwe technologie als AI realistisch in de context plaatsen
“Dat zit in ons DNA,” of “typisch NRC.” Veel journalisten die op redacties werken, doen dit soort uitspraken. Als je een journalist vraagt om dat gevoel of die signatuur verder toe te lichten, wordt het lastiger. Wat maakt een verhaal nu typisch voor het AD, de Groene Amsterdammer of Vice? En kan je een machine trainen om dat te herkennen?
Geef, in groepjes van 3 of 4 studenten, een elevator pitch van 2 minuten voor een redactie. In de pitch betoog je dat de redactie de nieuwswaarde van artikelen met behulp van een AI-systeem (zoals het systeem van de Zweedse omroep) moet laten bepalen.
De docent kent elke groep een bestaande redactie toe. Kies bijvoorbeeld uit AD, NosOp3, Nu.nl, Argos, De Groene Amsterdammer, Follow The Money, Elsevier, KRO-NCRV’s Pointer en Vice.
Neem in je pitch de volgende zeven onderdelen op (hoeft niet letterlijk)
- Wij zijn … [jouw team]
- Wij stellen voor om [jouw oplossing] te implementeren in het redactiesysteem
- Waarbij we [vertel wat de kern van jullie oplossing is]
- We helpen daarmee de redactie om… [benadruk toegevoegde waarde van AI]
- Daarmee is X bereikt/Dit heeft geleid tot… [vertel hogere doel van jouw voorgestelde oplossing]
- We begrijpen dat… [neem twijfels weg]
- Het is interessant omdat… [nogmaals de Unique Selling Point – het ‘waarom’ van deze AI-powered oplossing]
Houd rekening met te verwachten vragen, zorgen of twijfels van redacties.
💭 Bespreking
Deel de studenten die niet behoren tot de pitch-groep in drie rollen in:
- Enthousiaste redacteur
- Argwanende redacteur
- Hoofdredacteur
Laat studenten feedback op post-its schrijven per pitch: + voor compliment, – voor constructieve feedback.
Iedere groep toehoorders geeft na een batch feedback vanuit zijn rol.
Draai per batch de rollen door, zodat elke student elke rol eens heeft gehad.
Welke pitch overtuigde het meest? Waarom?
- Is de signatuur / redactie goed geanalyseerd?
- Is de voorgestelde werkwijze realistisch?
Na afloop van de pitches kiezen jullie samen een winnaar.
🧰 Materiaal
- Sites/apps van de verschillende journalistieke titels
- Eventueel kun je een template opzoeken voor een elevator pitch
⏱ Tijdsindicatie
60 minuten totaal, te verdelen in
- 45 minuten voorbereiden:
- 15 minuten om actuele artikelen van toegewezen redactie te analyseren
- 30 minuten om elevator pitch deck te bouwen
- Pitches, 2 minuten per team
