Technisch Archieven - Journalistiek & AI

Deepfake Factcheck

admin — Mon, 08 Apr 2024 19:44:27 +0000

Met het verschijnen van de tv-serie ‘Welmoed & de sexfakes’ laaide het publieke debat rondom deepfake video’s op. De presentatrice kwam erachter dat ze in een deepfake pornofilm speelt, die schrikbarend echt lijkt. Ze besluit op zoek te gaan naar de daders.

Het vinden van de persoon die een deepfake plaatst, kan een taak voor journalisten zijn. Je kan zelf met tools zoals Tinyeye direct controleren of een beeld is gemanipuleerd en wie het gepubliceerd heeft.

Opdracht

Stap 1: reverse image search

Jullie gaan vandaag werken met onderstaande foto die viral ging. Sla hem als jpeg-bestand op je computer op.

Als je je foto hebt gedownload, ga je naar de website van Tineye. Dit is een tool die de herkomst van foto’s kan achterhalen. Tineye krijgt van jou een foto en zoekt uit waar hij allemaal op het web staat, wie hem er heeft geplaatst en hoe groot de overeenkomst tussen foto’s is.

Upload de foto toe die je net hebt gedownload via de knop links boven. Tineye gaat nu op het web zoeken naar alle plekken waar deze foto heeft gestaan.

Stap 2: analyseer

Tineye laat je alle plekken zien waar de foto gepubliceerd is. Maar de plek waar de foto als eerste werd gepost is het belangrijkste voor de factcheck. Die link is je aanknopingspunt om te achterhalen of de eerste publicatieplek betrouwbaar is en of de gebruiker die hem plaatste een echt persoon is. Je kunt de zoekresultaten sorteren op ‘oldest’.

In dit geval gebruik je dus de link van de oorspronkelijke publicatieplek:

article_35539_south-park-matt-and-trey-made-so-much-smut-and-14-more-facts

Als je die volgt, zie je een gebruikersnaam: Matt Stone en Trey Park. Copy-paste de gebruikersnaam in Google Search. Komt er een bestaand persoon boven? Wordt er gemeld dat dit een echte foto is? Of vind je juist artikelen die beweren dat dit de foto fake is? Lees ook het artikel waar de link naar verwijst. Wat vertelt die je?

Stap 3 gebruikerslocatie:

Je kan nog een stapje verder gaan. Als je de gebruikers ook wil lokaliseren en dus wil weten waar ter wereld de laptop staat waar Matt Stone en Trey Park op werkten, dan kan je naar het IP adres zoeken. Een IP-adres (voluit Internet Protocol Address) is een unieke code die hoort bij een computer of laptop. Er zijn veel tools om een IP adres te achterhalen, maar de meest bekende is Instagram. Ga naar Instagram gebruiker locatiezoeker en tik de naam Matt Stone of Trey Park in.

Bevestig met de knop: ‘Track instagram username’ en er wordt meteen gezocht in een zwart scherm.

Je ziet dat Matt Stone is gevonden en ook dat hij nu online is. Je bron is dus een bestaande persoon.

Materiaal

De deepfake foto
Een laptop met internet

Tijdsindicatie

20 minuten

Het bericht Deepfake Factcheck verscheen eerst op Journalistiek & AI.

Panama papers in het klein

admin — Mon, 08 Apr 2024 19:31:24 +0000

Opdracht

Je gaat vandaag aan het werk met Google Pinpoint om documenten te doorzoeken en een onderzoeksidee uit te werken.

Je kunt deze opdracht individueel uitvoeren als jullie met maximaal tien studenten zijn. Bij een grotere groep is het raadzaam om in duo’s of drietallen samen te werken.

Stap 1

Bekijk deze video met uitleg over Google Pinpoint.

Maak een account aan in Google Pinpoint. Dit doe je door een vragenlijst in Google Forms in te vullen. Je wordt daarna toegelaten tot Google Pinpoint. Daar staan documenten die journalistieke media hebben geopenbaard. Deze zijn vrij doorzoekbaar en toegankelijk voor iedereen met een Pinpoint Account.

Kies hier een dataset uit van minimaal honderd bestanden. Je wil namelijk dat de dataset zo groot is, dat je hem niet meer snel en eenvoudig handmatig kan doorzoeken. Kijk bijvoorbeeld eens naar de documenten van de New York Times of Associated Press. Verdiep je in duo’s in een van de beschikbare datasets en houd bij welke Nederlandse bedrijven, locaties of personen jullie tegenkomen. Gebruik hiervoor de zoekfunctie in Google Pinpoint en doe dit binnen één specifieke dataset.

Stap 2

Gebruik de geïdentificeerde namen, locaties of personen in de dataset en bedenk verschillende interessante invalshoeken en journalistieke ‘haakjes’ die kunnen leiden tot een verhaal voor een Nederlands nieuwsmedium. Behalve invalshoeken kan je ook al nadenken over mogelijk te interviewen bronnen.

Stap 3

Je pitcht in duo’s de geïdentificeerde Nederlandse links met de datasets en je verhaalideeën aan de rest van de aanwezigen. Leg hierbij ook uit hoe Named Entity Recognition heeft bijgedragen bij het ontstaan van dit verhaalidee en hoe AI het zoekproces heeft beïnvloed. Geef ook aan hoe je deze pitch mogelijk vervolg kan geven.

Stap 4

Bespreek klassikaal

Bespreking

Hoe nuttig vonden jullie het gebruik van Pinpoint?
Zou je dit vaker doen?
Zie je ook bezwaren?

Materiaal

Een account op Google Pinpoint, eenvoudig aan te maken via: https://journaliststudio.google.com/pinpoint/. Inloggen kan met een bestaand Google-account.

Tijdsindicatie

60 minuten, waarvan

Verhaal lezen: 10 minuten
Introductie / Stap 1: 15 minuten
Stap 2: 20 minuten
Stap 3-4: 15 minuten

Het bericht Panama papers in het klein verscheen eerst op Journalistiek & AI.

Train een model om de publieke opinie op Twitter te meten

admin — Sun, 12 Mar 2023 22:41:07 +0000

Opdracht

De Groene Amsterdammer analyseerde haatdragende tweets gericht op vrouwelijke politici.
Voor deze opdracht ga je zelf een machine learning model trainen om te analyseren wat mensen vinden van Arjen Lubach. Je gaat voorbeelden zoeken van negatieve, positieve en neutrale tweets over hem en zijn programma De Avondshow.

(NB. In overleg met de docent, kun je ook een ander onderwerp kiezen. Let er dan wel op dat je een onderwerp kiest waarover tweets bestaan die in verschillende categorieën passen. Bijvoorbeeld: positief & negatief, haatdragend & niet-haatdragend, etc.).

1. Maak tweetallen en ga naar https://machinelearningforkids.co.uk/ in een webbrowser.

2. Klik op “Get started”.

3. Klik op “Inloggen” en voer uw gebruikersnaam en wachtwoord in. Deze krijg je van de docent.
(Zie het antwoordmodel voor de docent voor meer uitleg over het aanmaken van een account).

4. Klik op “Projecten” in de bovenste menubalk, en kies het project “What Twitter Thinks”. De docent maakt dit project van tevoren aan. (Ook hierover is meer uitleg te vinden in het antwoordmodel voor de docent).

5. Je gaat nu beginnen met het trainen van het model, zodat het leert om positieve en negatieve tweets over Arjen Lubach te herkennen. Klik op “Trainen”.

6. Open een nieuw webbrowservenster en ga naar http://search.twitter.com. Zoek naar tweets over Arjen Lubach.

7. Bespreek in tweetallen welk label iedere tweet moet krijgen: positief, negatief of neutraal.

8. Negatieve tweets over Arjen Lubach voeg je toe aan de bucket “Negatief”. Klik op de knop “+ Voorbeeld toevoegen” in de bucket “niet leuk”.
Let op: je kopieert en plakt de teksten uit de tweets en dus niet de URL van de tweets die je in wil voegen.

Plak de tweet in het vak en klik op “Toevoegen”.

Neutrale tweets over Arjen Lubach voeg je op dezelfde manier toe in de bucket “Neutraal”.
Positieve tweets over je onderwerp voeg je toe aan de bucket “Positief”.

Ga net zo lang door tot je in alle drie de velden ongeveer evenveel voorbeelden hebt. Hoe meer voorbeelden, hoe beter het model zijn taak zal uitvoeren.

Bespreking

Als jullie zo’n tien minuten bezig zijn geweest, is het tijd om de labels met elkaar te bespreken.

Wat is jullie opgevallen bij het bepalen van de labels?
Over welke tweets waren jullie het oneens? Kun je een twijfelgeval noemen?
Hoe kwamen jullie tot overeenstemming?
Wat betekent dit voor hoe goed het model straks werkt?

Vervolg opdracht

9. Nu is het tijd om het model te trainen op basis van de voorbeelden en labels die jullie hebben ingevoerd. De docent deelt zijn of haar laptopscherm op groot scherm, en klikt “< Terug naar project”, en dan “Leren en testen”.

10. De docent klinkt vervolgens op de knop “Nieuw machinelearningmodel trainen”. Het duurt een minuut of twee om het model te trainen.

11. Als het model daarmee klaar is, kun je het testen. Voeg in het lege vak een tweet in over Lubach, die je niet hebt gebruikt als voorbeeld om het model mee te trainen. Klik vervolgens op test. Herhaal dit met verschillende tweets. Je kunt ook testen met zelfverzonnen tweets.

Vervolg bespreking

Bespreek klassikaal:

Hoe goed werkt het model?
Waar komt dat door?
Hoe kun je het verbeteren?
Wat is het verschil met de aanpak van De Groene Amsterdammer?
Hoe kijk je nu aan tegen het soort onderzoek dat De Groene Amsterdammer gedaan heeft?
Welke andere onderwerpen zouden interessant zijn om te analyseren op sociale media?
Wat begrijp je van de manier waarop het Machine Learning model met de voorbeelden aan de slag is gegaan? Wat vind je daarvan?

Materiaal

Tijdsindicatie

45 minuten, waarvan:

5 minuten voor het lezen van het verhaal
15 minuten voor het trainen van het model
10 minuten voor het bespreken van de labels
5 minuten voor het testen
10 minuten voor de nabespreking

Het bericht Train een model om de publieke opinie op Twitter te meten verscheen eerst op Journalistiek & AI.

Train zelf een model om koppen te herkennen

admin — Sun, 12 Mar 2023 22:40:48 +0000

Opdracht

Smartocto voorspelt onder andere welke kop het beste werkt.

Koppen analyseren kan op veel manieren – van heel simpel tot behoorlijk ingewikkeld. In deze opdracht gaan we een model trainen om een eenvoudige tekstanalyse te doen. Je gaat het leren om in te schatten welke kop bij welk medium hoort.

Daarvoor moet je het model eerst voeden met zoveel mogelijk koppen van De Telegraaf, de Volkskrant, NU.nl en de Correspondent. Bij iedere kop vermeld je van welk medium hij afkomstig is. Dat zijn je gelabelde data.

Met die informatie zet je het Machine Learning model aan het werk. Het gaat proberen om patronen te ontdekken, bijvoorbeeld door te kijken naar woordgebruik of -volgorde, lengte of het gebruik van interpunctie.

1. Maak tweetallen en ga naar https://machinelearningforkids.co.uk/ in een webbrowser.

2. Klik op “Aan de slag” of “Get started”

3. Klik op “Inloggen” en voer je gebruikersnaam en wachtwoord in. Deze krijg je van de docent. (Zie het antwoordmodel voor de docent voor meer uitleg over het aanmaken van een account).

4. Klik als je ingelogd bent op “Projects”, en dan op “Add a new project”. Noem het project “Krantenkoppen”. Vink aan dat het tekst moet herkennen (“Recognising text”).

5. “Krantenkoppen” staat nu tussen je projecten. Klik erop.

6. Klik vervolgens op “Train”.

7. Maak eerst een ruimte om koppen van de Telegraaf op te slaan. Klik daarvoor op “+ Nieuw label toevoegen”.

8. Noem deze bucket “Telegraaf” en klik op “Toevoegen”.

9. Klik nogmaals op de knop “+ Een nieuw label toevoegen” en maak op dezelfde manier een label aan voor de Volkskrant, NU.nl en De Correspondent.

10. Ga naar de websites van deze vier kranten en verzamel zoveel mogelijk koppen.

11. Voeg de verzamelde koppen als voorbeelden toe aan het juiste vak in de projectpagina. Klik op “Add new example”, plak de kop in het tekstvak en klik tot slot op “Add”.

12. Nu is het tijd om het model te trainen op basis van de data (de koppen) en labels (Telegraaf, Volkskrant, NU.nl en Correspondent) die jullie hebben ingevoerd. Klop op “< Terug naar project”, en dan “Leren en testen”.

13. Klik vervolgens op “Nieuw Machine Learning-model trainen”. Het duurt een minuut of twee om het model te trainen.

14. Als het model daarmee klaar is, kun je het testen. Voer in het lege vak een kop in van de Telegraaf, de Volkskrant, NU.nl of de Telegraaf. Kies er een die je niet hebt gebruikt als voorbeeld om het model mee te trainen (bijvoorbeeld een kop van wat langer geleden). Klik vervolgens op test. Herhaal dit met verschillende koppen.

Bespreking

Bespreek klassikaal:

Hoe goed werkt het model?
Waar komt dat door?
Hoe kun je het verbeteren?
Wat begrijp je van de manier waarop het Machine Learning model met de voorbeelden aan de slag is gegaan? Wat vind je daarvan?
Kun je bedenken hoe dit type model, dat tekst kan leren herkennen, een journalistieke redactie zou kunnen helpen? Tip: Kijk eens rond op deze website. Bij welke andere voorbeelden wordt AI gebruikt om tekst te herkennen of analyseren?

Vervolg opdracht

Klik nu in je projectpagina op “Learn & Test”, en vervolgens op “Describe Your Model”. Daar kun je (kort) lezen hoe het model krantenkoppen omzet in numerieke waarden en ze op basis daarvan analyseert.

Je hoeft de wiskundige uitleg niet te begrijpen. Wat je zal zien, is dat de manier waarop een AI-model naar koppen kijkt, anders is dan hoe mensen ze bekijken. Zelf denk je bij een Telegraafkop misschien aan chocoladeletters of sensationele bewoording, terwijl een AI-model bijvoorbeeld telt hoe vaak bepaalde woorden gebruikt zijn of analyseert wat de woordvolgorde is.

Het model dat je hier getraind hebt, is van tevoren geprogrammeerd. Het is daardoor niet geheel transparant over de manier waarop het werkt. Je voert weliswaar zelf de data en labels aan (de koppen en mediatitels), maar hebt geen zicht op de manier waarop het model daaruit vervolgens conclusies trekt. Wat vind je daarvan?

Heb je ideeën om de werkwijze transparanter te maken als je dat nodig vindt?

Materiaal

Tijdsindicatie

35 minuten, waarvan:

5 minuten voor het lezen van het verhaal
5 minuten voor het trainen van het model
10 minuten voor het testen
5 minuten voor de bespreking van de test
5 minuten voor het lezen van de werking van het model
5 minuten voor het bespreken van de transparantie

Het bericht Train zelf een model om koppen te herkennen verscheen eerst op Journalistiek & AI.

Machine Learning kwartet

admin — Thu, 02 Mar 2023 22:51:15 +0000

Opdracht

We gaan kwartetten, en het spel ga je zelf maken.

Het Archief van de Toekomst maakt gebruik van verschillende vormen van Machine Learning. Maak een kwartet op basis van de belangrijkste onderdelen uit de casus en zoek er meer voorbeelden bij.

Maak groepen van drie of vier studenten.

In het artikel worden verschillende werkingsmechanismen en vormen van AI genoemd. Bepaal minstens drie relevante categorieën van AI die je uit het artikel haalt. Je mag ook elders op de website zoeken.
Geef per categorie vier voorbeelden (die vormen samen één kwartet). Stel, één van je categorieën is ‘entiteitsherkenning’. Dan zoek je vier voorbeelden waarin deze AI-vorm gebruikt wordt, zoals bijvoorbeeld het verhaal over geheimgehouden moorden in Mexico. Tip: op deze website staan veel voorbeelden, maar je kunt natuurlijk ook op andere plekken online research doen. Je voorbeelden hoeven niet per se journalistiek te zijn. Ze mogen ook uit andere werkvelden komen.
Schets de kaarten. Je maakt er dus minimaal twaalf: vier voor elk van je drie categorieën.
Zet op elke kaart:
1. De naam van de categorie bovenaan (bijv. entiteitsherkenning)
2. In het midden een tekening van het voorbeeld (bijv. het verhaal over moorden in Mexico)
3. Daaronder de naam van het voorbeeld (bijv. Moorden in Mexico)
4. En daarnaast icoontjes voor de overige drie voorbeelden (die samen met de huidige kaart het kwartet vormen).

Wissel het kwartet als het af is uit met een andere groep en speel een rondje met elkaar. Daarna ga je dit klassikaal bespreken.

Bespreking

Na één speelronde kun je eventueel nog een wissel van kwartetten doen. Als studenten zelf een kwartet hebben gemaakt én twee andere kwartetten hebben gebruikt, beginnen bepaalde zaken op te vallen.

Wat viel je op tijdens het spelen van het kwartet van de ander?
Kloppen de gekozen voorbeelden?
Waarom wel of niet?
Vraag eerst de student die reageert, daarna de bedenker en vervolgens een derde student die het eens of oneens is met de andere studenten.

Materiaal

Papier
Potlood / pen / stiften
Scharen

Tijdsindicatie

90 minuten totaal, waarvan:

20 minuten om met je groep de categorieën te bepalen op basis van het artikel over slim archiveren.
15 minuten om passende voorbeelden te vinden (naast dit voorbeeld staan er genoeg op de site).
20 minuten om de 16 kaartjes te schetsen met daarop het voorbeeld, de naam van het voorbeeld en de categorie, en om ze uit te knippen tot een speelbaar kwartet.
15 minuten om kwartetten uit te wisselen met een ander groepje en een ronde te spelen. Wissel vervolgens met een ander groepje en speel nog een rondje.
20 minuten om klassikaal te bespreken.

Het bericht Machine Learning kwartet verscheen eerst op Journalistiek & AI.

Elevator Pitch: AI to the rescue?

admin — Thu, 02 Mar 2023 22:51:03 +0000

Opdracht

“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

Het bericht Elevator Pitch: AI to the rescue? verscheen eerst op Journalistiek & AI.

Algoritmisch denken: sorteer je boekenkast

admin — Thu, 02 Mar 2023 22:49:43 +0000

Opdracht

Boeken kun je op allerlei manieren sorteren. Ken je creatieve personen die hun boekenkast op kleur hebben gesorteerd?

Wij gaan vandaag op verschillende manieren boeken sorteren in een kast. En daarvoor ga je zelf een algoritme schrijven.
We verdelen de klas in vier groepen. Elke groep denkt een stappenplan uit voor haar eigen sorteeralgoritme.

Daarna gaan we elkaars algoritme testen. En dat doe je natuurlijk met echte boeken.
The proof of the pudding is in the eating.

Maak allereerst vier groepen.

Ronde 1: Een algoritme uitwerken

Groepen A en B sorteren op kleur
Instrueer een robot om een nieuw boek in een boekenkast op kleur te sorteren. Schrijf alle stappen die hij moet zetten – maximaal zeven – zorgvuldig uit. Oefen alvast een keer.
Groepen C en D sorteren op alfabet
Instrueer een robot om een nieuw boek in een boekenkast op alfabet te sorteren. Schrijf alle stappen die hij moet zetten – maximaal zeven – zorgvuldig uit. Oefen alvast een keer.

Ronde 2: Een algoritme testen

Elk team wisselt de bedachte instructies uit met een ander team
Alle teams voeren nu, om beurten, klassikaal, de instructies uit van in ieder geval één ander team, totdat alle instructies van alle teams zijn uitgevoerd. Jullie mogen elkaar geen aanwijzingen geven. Als de regels (je algoritme) duidelijk zijn, zou het zonder hulp moeten lukken. Is dat zo, of zijn er wijzigingen nodig?

Bespreking

Welke set instructies werkte nu het best?
Waar ging het mis? Hoe komt dat?
Als je zou herschrijven – je mag regels weghalen, aanpassen en toevoegen – waar kom je dan op uit?
Terug naar het verkiezingsmodel van de NOS. Je ziet hieronder een voorbeeld van een template, waarin de onderdelen die automatisch worden ingevuld gemarkeerd zijn. Hoe gevoelig of ongevoelig is dit denk je voor fouten?
Wie is er verantwoordelijk als er een foutje insluipt?
En wat zijn de voordelen? Zou jij dit zelf inzetten als je het voor het zeggen had?

Het bericht Algoritmisch denken: sorteer je boekenkast verscheen eerst op Journalistiek & AI.

Journalist of robot?

admin — Thu, 02 Mar 2023 22:49:21 +0000

Opdracht

Welke keuzes maakt AI? Zijn die heel anders dan de keuzes die een journalist zou maken? Bedenk een onderwerp met een wie, wat, waar, waarom, wanneer en hoe. Laat de studenten hierover een kort nieuwsbericht schrijven. Laat ze vervolgens, over dezelfde wie, wat, waar, waarom, wanneer en hoe een nieuwsbericht maken met ChatGPT.

Bespreking

Bespreek enkele verschillende versies. Wat valt op? Welke andere keuzes maakt de tool? Welk effect hebben deze keuzes?

Materiaal

Tijdsindicatie

Vanaf 25 minuten, waarvan:

10 minuten om een fictief nieuwsbericht te schrijven
5 minuten om een nieuwsbericht te laten genereren door ChatGPT
10 minuten om na te spreken

Het bericht Journalist of robot? verscheen eerst op Journalistiek & AI.

Tekstrobot in de klas

admin — Thu, 02 Mar 2023 22:49:12 +0000

Opdracht

Iedere student zoekt een nieuwsartikel zoeken van hetzelfde type. Bijvoorbeeld: iedereen zoekt een verslag van een voetbalwedstrijd, een column of een reisreportage.

Laat een student de eerste zin van diens artikel noteren. Vraag de student vervolgens om alleen de laatste twee of drie woorden van deze zin hardop voor te lezen.

Laat een volgende student een zin uitkiezen uit diens eigen artikel, die aan lijkt te sluiten op het einde van de vorige zin. Ook deze student noteert de zin en leest de laatste woorden hardop voor.

Ga zo door tot iedereen aan de beurt is geweest. Niemand leest zijn hele zin hardop voor, alleen de laatste woorden. Ga vervolgens nog een keer in dezelfde volgorde de groep rond, maar laat dit keer elke student de hele zin voorlezen.

Bespreek de resulterende tekst. Sluiten de zinnen goed op elkaar aan? In hoeverre is de tekst grammaticaal correct? En in hoeverre klopt de informatie ook feitelijk?

Materiaal

Tijdsindicatie

Vanaf 15 minuten

Het bericht Tekstrobot in de klas verscheen eerst op Journalistiek & AI.

Train je eigen beeldherkenning

admin — Thu, 02 Mar 2023 22:49:03 +0000

Opdracht

Het verhaal over Proctorio laat zien waarom het belangrijk is dat journalisten het gebruik van AI in de samenleving bevragen, en waarom je als journalist en inzicht moet hebben in de manier waarop AI-modellen getraind worden.

Proctorio lijkt dit op een klassiek geval van ‘garbage in = garbage out. Met andere woorden: als je een AI-model traint met onvolledige data (bijvoorbeeld door het model niet te laten oefenen met zwarte gezichten), gaat het nooit goed werken.

De software herkende zwarte studenten niet goed omdat het model onvoldoende is getraind op zwarte gezichten. Dit probleem kwam pas aan het licht toen er praktische problemen ontstonden en sommige zwarte studenten hun tentamen niet konden maken. Zo zie je maar weer hoe belangrijk het is om ML-modellen goed te trainen.

Om als journalist kritisch naar tools te kunnen kijken, is het handig om zelf eens een model te trainen. Daarvoor kan je de tool Teachable Machine van Google gebruiken, om zelf in korte tijd een model trainen.

Volg onderstaande stappen:

Ga naar: Teachable Machine
Klik op het tabblad links in beeld en open een nieuw project (tabblad links in beeld)
Kies vervolgens met welke data je wil werken. Dit kan een afbeelding zijn, audio of een fysieke houding (hierbij kan je het model trainen om te herkennen of iemand bijvoorbeeld staat, zit of danst). Het meest laagdrempelig, en meest handig om mee te beginnen, is een afbeelding.
Vervolgens vul je bij ‘class 1’ en ‘class 2’ de labels in die je de machine wil leren. Enkele voorbeelden waar studenten uit kunnen kiezen:

- Is deze banaan rijp (class 1) of is deze banaan niet rijp? (class 2)
- Heb ik een bril op (class 1) of heb ik geen bril op? (class 2)
- Heb ik een rode trui aan (class 1) of heb ik geen rode trui aan? (class 2)
- Heb ik een pen vast (class 1) of heb ik geen pen vast? (class 2)

Het staat je vrij om creatief te zijn met de beelden die je gebruikt. Zolang je voorbeelden vindt waaraan je tegengestelde labels kunt koppelen (zoals hierboven), moet het werken.

Neem vervolgens met je camera voorbeelden op van, bijvoorbeeld, een pen vasthouden of niet . Hoe meer afbeeldingen je uploadt, en hoe diverser deze afbeeldingen zijn, hoe beter je het model kan trainen en des te beter het model zal werken.
Neem bij ‘class 2’ alle beelden op die de computer moet gaan herkennen als zijnde ‘geen pen’. Technisch gezien is dit dus álles, behalve de pen. Gezichten, tafels, muren, potloden, takjes. Hoe meer beelden worden ingevoerd, hoe beter het model zal herkennen wat wel en géén pen is.
Klik vervolgens op ‘model trainen’. De tool zal nu alle geüploade data (de afbeeldingen die je hebt ingevoerd) gaan verwerken.
Nu kun je gaan testen hoe goed je model werkt. Hou een pen in beeld (of een banaan, rode trui, of ander voorwerp dat je gekozen hebt). Kan de machine je vertellen of er een pen te zien is of niet? Probeer verschillende hoeken en houdingen uit.
Probeer vervolgens ook elkaars model uit. Hoe goed werken ze? Waarschijnlijk heeft elk model mankementen. Waar komt dat door? Welke informatie mist er in mijn trainingsdata (de geüploade beelden)? Hoe zou je dat kunnen oplossen?

Materiaal

Tijdsindicatie

Vanaf 35 minuten, waarvan:

10 minuten om het verhaal te lezen
10 minuten om je model te trainen
5 minuten om je model te testen
5 minuten om elkaars model te testen
5 minuten om te bespreken

Het bericht Train je eigen beeldherkenning verscheen eerst op Journalistiek & AI.