تقویت روزنامه‌نگاری محلی با تولیدکننده خبر نیمه‌اتوماتیک بی‌بی‌سی

سازمان خبری بی‌بی‌سی در سال‌های اخیر بهره‌گیری از هوش مصنوعی در تولید محتوای رسانه‌ای را به‌صورت آزمایشی دنبال کرده است. این تجربه‌های بی‌بی‌سی در بخش آزمایشگاه‌های خبری بی‌بی‌سی (BBC News Labs) تعریف شده که در سال 2012 تأسیس شد. این بخش یک مرکز رشد نوآوری است و وظیفه هدایت نوآوری را برای اخبار بی‌بی‌سی بر عهده دارد. بی‌بی‌سی چندین تجربه بهره‌گیری از هوش مصنوعی برای تبدیل شکل‌های مختلف محتوای رسانه‌ای مانند تولید متن از داده‌ها، تصویر از داده‌ها، ویدئو از متن، صدا از متن و غیره را پشت سر گذاشته که اطلاعات دقیق همه آنها به‌صورت عمومی منتشر نشده است. پس از مرور تجربه‌های واشنگتن‌پست و گاردین، در سومین بخش از مطالب «تجربه‌های هوش مصنوعی در روزنامه‌نگاری» نگاهی به یکی از پروژه‌‌های بی‌بی‌سی با عنوان «سالکو» خواهیم داشت. بی‌بی‌سی از عنوان روزنامه‌نگاری نیمه‌اتوماتیک (Semi-Automated Journalism) برای این تجربه‌ خود استفاده کرده است.

***

در پروژه «سالکو» دغدغه اصلی سازمان رسانه‌ای بی‌بی‌سی ارتقای روزنامه‌نگاری محلی با بهره‌مندی از قابلیت‌های هوش مصنوعی بود. شبکه روزنامه‌نگاران بی‌بی‌سی هر روز اخبار مناطق خود را از طریق شبکه‌های تلویزیونی، رادیوهای محلی و رسانه‌های آنلاین به میلیون‌ها نفر می‌رسانند. برای مخاطبان مهم است داستان‌های محلی مربوط به زندگی آنها در رسانه پوشش داده شود. بی‌بی‌سی تلاش کرد با بهره‌گیری از قابلیت‌های تولید متن خودکار بخشی از این دغدغه را پاسخ دهد و بدین منظور سال 2018 پروژه‌ای در آزمایشگاه‌های خبری بی‌بی‌سی راه‌اندازی شد. این پروژه توسط یک گروه بین‌رشته‌ای 10 نفره در بی‌بی‌سی دنبال شد که در آن افرادی با تخصص‌های گوناگون از جمله روزنامه‌نگاری، مهندسی نرم‌افزار، معماری داده، طراحی یو.ایکس و غیره حضور داشتند.

این پروژه سالکو (Salco) نام گرفت که مخفف محتوای محلی نیمه‌اتوماتیک (Semi-Automated Local Content) است. بر این اساس تعامل بین تیم اجرایی این پروژه نوآورانه و همکاران بی‌بی‌سی در برخی مناطق انگلستان شکل گرفت تا بدون افزایش حجم کاری نیروی انسانی، تولید محتوای غنی‌تر و مبتنی بر داده‌ها انجام شود. بی‌بی‌سی با بهره‌گیری از تجارب قبلی سایر سازمان‌های رسانه‌ای هدف‌گذاری پروژه خود را تولید گزارش‌های خبری غنی‌شده با گرافیک برای مخاطبان محلی قرار داد. تغییر ذائقه مخاطبان بی‌بی‌سی که داستان‌های بصری را به متن ترجیح می‌دهند عامل این هدف‌گذاری بود.

گروه پروژه در آغاز با چند سوال اصلی هم از نظر روزنامه‌نگاری و هم از نظر فنی روبه‌رو بود: آیا روزنامه‌نگاری خودکار از نظر تحریریه بی‌بی‌سی قابل قبول خواه بود؟ آیا روزنامه‌نگاران و دبیران در انتشار مقالاتی که خودشان ننوشته‌اند راحت خواهند بود؟ آیا مخاطبان از خواندن مطالبی که توسط یک ماشین تولید شده‌اند خوشحال خواهند شد؟ چگونه می‌توان فرآیند جدید را با سیستم‌های موجود ادغام کرد، در حالی که همچنان نظارت ژورنالیستی مورد انتظار سردبیران باقی بماند؟

پروژه سالکو با در نظر گرفتن این سوالات طراحی و اجرا شد. نتیجه این پروژه در قدم اول ایجاد خط تولیدی بود که می‌توانست در هر ماه بیش از 100 گزارش خبری منحصربه‌فرد ایجاد کند. سالکو پردازش داده‌ها، تولید متن و تأیید تحریریه را در یک فرآیند ساده در کنار هم قرار داد. این ماشین، داده‌های خام را می‌گیرد و به طور خودکار داستان‌های محلی را بر اساس الگوهای طراحی شده توسط روزنامه‌نگاران تولید می‌کند. خط تولید پنج مرحله‌ای سالکو داده‌ها را به شرح زیر به داستان‌های خبری تبدیل می‌کرد:

فرآینده 5 مرحله‌ای پروژه اولیه سالکو برای تولید و انتشار اخبار اتوماتیک

1- پردازش داده‌هایی که از پایگاه داده‌های خام به‌دست می‌آیند و استخراج داده‌های مورد نیاز برای تهیه داستان

2- تهیه یک داستان متنی برای هر واحد داده‌های استخراج شده بر اساس الگوی تهیه شده توسط روزنامه‌نگاران

3- ایجاد تصویر گرافیکی برای هر داستان بر اساس سبک روزنامه‌نگاری بصری بی‌بی‌سی

4- پیش‌نمایش هر داستان برای یک روزنامه‌نگار به‌منظور تایید متن پیش از انتشار

5- انتشار هر داستان در صفحات موضوعی مناسب

در اولین آزمایش این پروژه، داده‌ها مربوط به حوزه سلامت بود و از پایگاه داده سرویس سلامت ملی (NHS) استخراج می‌شدند. تبدیل داده‌ها به نثر به عنوان تولید زبان طبیعی (NLG) شناخته می‌شود. بی‌بی‌سی بدین منظور از امکانات استودیوی تولید زبان طبیعی آریا (Arria NLG Studio) استفاده کرد. سپس در یکی از مراحل سخت پروژه طیفی از داستان‌های ممکن که می‌تواند برای داده‌ها به‌وقوع بپیوندد پیش‌بینی و به سیستم اضافه شد. بدین منظور مقالات قبلی بی‌بی‌سی مطالعه شد تا ساختارهای تکرارپذیر روایت مورد استفاده در گذشته مشخص و از آن برای طراحی سناریوهای روایی آینده بهره گرفته شود. سپس سیستمی طراحی شد تا با بهره گرفتن از اعداد درون داستان بتواند تصاویر گرافیکی خودکار تولید کند.

اکنون این فرآیند جدید، آماده تولید محتوای خودکار بود. گروه فنی نرم‌افزار مورد استفاده تحریریه را ارتقا داد تا متون پیش‌نویسی که به‌صورت خودکار تولید می‌شدند در داشبورد تحریریه نشان داده شوند. این قابلیت به روزنامه‌نگاران امکان می‌داد کیفیت و صحت داستان‌هایی که سیستم به‌صورت خودکار تهیه کرده را بررسی و سپس تایید کنند.

تصویری از داشبوردی که روزنامه‌نگاران بی‌بی‌سی برای مشاهده، بازبینی و تایید اخبار در اختیار دارند

روزنامه‌نگاران محتوای متنی و گرافیکی تولیدشده توسط ماشین را بازبینی و تایید می‌کردند و بدین ترتیب تعداد قابل توجهی محتوای به‌ظاهر یکسان اما دارای تفاوت بر اساس موقعیت جغرافیایی توسط سالکو تولید شده است. در سوی دیگر مخاطبان می‌توانستند با وارد کردن کدپستی، به محتوای مرتبط با موقعیت جغرافیایی خود دسترسی داشته باشند. به‌عبارت دیگر در میان انبوه اطلاعات مرتبط به موضوع، مخاطب سردرگم نمی‌شد و فقط به داستان مربوط به منقطه جغرافیایی خودش دسترسی پیدا می‌کرد.

آزمایش اول برای انتشار داده‌های حوزه سلامت موفق بود و بی‌بی‌سی در قدم بعدی به‌سراغ پوشش اخبار درخت‌کاری رفت. سالکو مجموعه گزارش‌هایی تهیه کرد و هر داستان محلی توضیح می‌داد  از سال 2010 تا کنون چند درخت با بودجه دولتی در یک منطقه کاشته شده است. مخاطبان محلی هر منطقه به اخبار درخت‌کاری موقعیت جغرافیایی خودشان دسترسی داشتند. تولید اخبار نیمه‌خودکار محلی از داده‌های مربوط به خرید مردم بریتانیا هم در آزمایش دیگری انجام شد.

در آزمایش دیگری انتشار اخبار محلی مربوط به انتخابات بریتانیا در سال 2019 مورد توجه قرار گرفت. همواره داده‌های انتخابات به‌صورت سنتی در سطح ملی در بی‌بی‌سی پوشش داده شده است. بی‌بی‌سی از سالکو کمک گرفت تا تهیه و انتشار اخبار انتخابات در حوزه‌های انتخاباتی مختلف به‌صورت محلی در سطح گسترده‌ای انجام شود. هدف این بود وقتی خوانندگان وارد فید خبری خود می‌شوند بتوانند اخبار نتایج انتخابات منطقه خود را دریافت کنند.

همان خط تولید پنج مرحله‌ای در اینجا نیز مورد استفاده قرار گرفت با این تفاوت که مرحله گردآوری و پردازش داده‌ها دشوارتر از قبل بود. داده‌های حوزه سلامت در دوره‌های زمانی طولانی به‌روز می‌شدند، اما در اینجا سرعت تغییر داده‌ها و اعلام نتایج حوزه‌های انتخاباتی بالا بود. کارشناسان فنی پروژه بر این چالش غلبه کردند و همکاران روزنامه‌نگار پروژه هم قالب‌های روایی مرتبط با انتخابات را مشخص کردند. این آزمایش هم با موفقیت اجرا و تعداد 690 گزارش خبری برای چهار منطقه بریتانیا تولید شد که 650 مورد به زبان انگلیسی و 40 مورد به زبان ولزی بود. آزمایش مربوط به انتخابات در جوایز سال 2020 بهترین‌های بی‌بی‌سی به‌عنوان «نوآورانه‌ترین استفاده از فناوری» شناخته شد.

تجربه‌های جدیدی در هر آزمایش بی‌بی‌سی بدست آمد که منجر به تقویت و تکمیل پروژه سالکو شدند. اکنون بی‌بی‌سی می‌تواند از این پروژه در موضوعات دیگر بهره گیرد. با کمک پروژه سالکو کیفیت تولیدات محلی بی‌بی‌سی برای مخاطبان در مناطق مختلف افزایش پیدا کرده است، بدون اینکه بار کاری روزنامه‌نگاران محلی بیشتر شده باشد.

گروه فنی این پروژه اعتقاد دارند فرآیند پیاده‌سازی‌شده تولید خودکار اخبار نمی‌تواند جایگزین مهارت ساختاردهی و بیان داستان‌های خوب شود و تنها به آن کمک خواهد کرد. از نگاه آنها روزنامه‌نگاری خودکار، جایگزین‌کردن روزنامه‌نگاران یا منسوخ کردن حرفه آنها نیست، بلکه افزودن قدرت و توانایی آنها در داستان‌گویی است. از این رو تجربه بی‌بی‌سی را می‌توان مشابه تجربه واشنگتن‌پست و گاردین در نظر گرفت که در آن استفاده از هوش مصنوعی در قالب روزنامه‌نگاری روباتی یا خودکار تنها با دانش و مهارت‌های انسانی روزنامه‌نگاران حرفه‌ای معنا پیدا کرده و به نقطه مناسبی رسیده است.

منابع:

BBC News Labs (2020). Salco - Semi-Automated Local Content. BBC. URL: https://bbcnewslabs.co.uk/projects/salco/

Danzon-Chambaud, Samuel (2022). The Tow Center newsletter: experimenting with automated news at the BBC. Columbia Journalism Review. URL: https://www.cjr.org/tow_center/the-tow-center-newsletter-experimenting-with-automated-news-at-the-bbc.php

Dysart, Joe (2022). BBC’s AI-Generated News: Ever More Sophisticated. Robot Writers AI. URL: https://robotwritersai.com/2022/02/21/bbcs-ai-generated-news-ever-more-sophisticated__trashed/

Green, Tamsin (2019). Salco part 2: Automating our local elections coverage. BBC. URL: https://bbcnewslabs.co.uk/news/2019/salco-local-elections/

Hutton, Roo (2019). Stories by numbers: Experimenting with semi-automated journalism. BBC. URL: https://bbcnewslabs.co.uk/news/2019/stories-by-numbers/

Molumby, Conor (2019). Trees, machines and local journalism. BBC. URL: https://bbcnewslabs.co.uk/news/2019/salco-trees/

Peretti, Mattia (2021). BBC News Labs is building the tools to semi-automate journalism. LSE. URL: https://blogs.lse.ac.uk/polis/2021/03/01/bbc-news-labs-is-building-the-tools-to-semi-automate-journalism/