Maschinelles Lernen, Journalismus und Sie
Wie das maschinelle Lernen in Ihr persönliches und berufliches Leben eintritt.
Maschinelles Lernen ist überall
Das maschinelle Lernen (ML) ist bereits die Grundlage vieler Produkte, die wir täglich verwenden. Aber es ist für uns nicht immer offensichtlich, dass sich dahinter ML verbirgt. Einige Beispiele:
- GPS-Navigationsprogramme, wie Google Maps und Waze
- Streaming-Dienste, wie Netflix und Spotify
- Suchmaschinen wie die Google-Suche, Baidu und Yahoo
- Soziale Medien, wie TikTok, Facebook und Instagram
Das maschinelle Lernen kann in einem breiten Spektrum von Bereichen angewendet werden, von der Gesundheit bis zum Einzelhandel und bei der Entwicklung von selbstfahrenden Fahrzeugen.
Sie verwenden bereits maschinelles Lernen
Vielleicht ist es Ihnen nicht bewusst, aber wir alle sind in unserem täglichen Leben bereits mit dem maschinellen Lernen in Berührung gekommen.
Als Journalist haben Sie wahrscheinlich bereits die Technologie des maschinellen Lernens in Ihrer Redaktion eingesetzt. Vielleicht haben Sie Google Translate oder ein anderes Übersetzungstool verwendet. Vielleicht haben Sie Grammarly oder Hemingway eingesetzt, um Ihre Texte zu überprüfen. Oder vielleicht hat Trint Ihnen eine Menge Zeit gespart, indem es Ihre Interviews automatisch transkribiert hat.
Ob auch immer Ihre Rolle in der Redaktion oder als unabhängiger Journalist ist, es ist sehr wahrscheinlich, dass das maschinelle Lernen Ihre Arbeit bereits irgendwann einmal unterstützt hat.
Was sind also die wichtigsten Methoden, wie der Journalismus maschinelles Lernen in den verschiedenen Phasen des Berichterstattungsprozesses einsetzt?
Journalismus und maschinelles Lernen
Über die bereits erwähnten spezifischen Tools hinaus findet das maschinelle Lernen langsam aber sicher seinen Weg in den journalistischen Prozess. Wie der JournalismAI-Bericht erklärte, geschieht dies meist durch die Erweiterung bestehender Prozesse: Journalisten werden von sich wiederholenden Aufgaben befreit und können an Geschichten arbeiten, die ohne die Hilfe von Technologie zu komplex oder zu zeitaufwendig wären, um darüber zu berichten.
Was genau kann maschinelles Lernen also für eine Nachrichtenredaktion leisten? Und wie können Journalisten es nutzen, um ihre redaktionelle Arbeit zu verbessern?
In den nächsten Abschnitten werden wir uns einige praktische Beispiele ansehen, die zeigen, wie maschinelles Lernen zur Unterstützung der Nachrichtenerfassung sowie der Produktion und Verbreitung von Nachrichten und Informationen eingesetzt werden kann.
Maschinelles Lernen für die Nachrichtenbeschaffung
Im Jahr 2018 entwickelte Reuters News Tracer und Lynx Insight. Beide Tools verwenden Technologien des maschinellen Lernens und der künstlichen Intelligenz (mehr zu den beiden Begriffen in der nächsten Lektion), um die Journalisten von Reuters bei der Nachrichtenbeschaffung zu unterstützen.
News Tracer soll Journalisten bei der Suche nach Ereignissen helfen, die auf Twitter die Runde machen. Das Tool analysiert Millionen von Tweets in Echtzeit, um potenzielle Eilmeldungen zu kennzeichnen und es der Nachrichtenredaktion zu ermöglichen, die Eilmeldungen schneller zu erkennen, als dies mit den üblichen Praktiken der Nachrichtenbeschaffung möglich wäre.
In ähnlicher Weise ist Lynx Insight darauf ausgelegt, Trends und Schlüsselfakten in großen Datensätzen zu identifizieren, den Reportern neue Geschichten vorzuschlagen und gleichzeitig zusätzliche Kontext- und Hintergrundinformationen zu liefern.
Maschinelles Lernen für die Nachrichtenproduktion
Tools, die maschinelles Lernen nutzen, um den zeitaufwändigen Prozess der Transkription von Interviews und der Übersetzung von Informationen zu automatisieren, sind gute Beispiele dafür, wie die Produktion von Nachrichten durch Technologie ergänzt werden kann. Aber der Einsatz des maschinellen Lernens im Prozess der Nachrichtenproduktion geht weit darüber hinaus.
Eine Vielzahl von Medienorganisationen - darunter Bloomberg, die Washington Post und die Associated Press - haben damit begonnen, verschiedene KI- und maschinelle Lerntechniken einzusetzen, um automatisch Nachrichtenbeiträge in großem Umfang zu produzieren.
Das Hauptziel besteht darin, Journalisten die Möglichkeit zu geben, sich auf die kreativsten Aspekte ihrer Arbeit zu konzentrieren und sich wiederholende Aufgaben der Maschine zu überlassen. Aktuelle Fallstudien zeigen jedoch, dass die Vorteile größer sein könnten, als wir denken.
Maschinelles Lernen für die Nachrichtenverteilung
Das Yle News Lab des Finnischen Öffentlichen Rundfunks verwendete maschinelles Lernen, um einen intelligenten Nachrichtenassistenten Voitto für seine personalisierte Nachrichtenapplikation Yle NewsWatch zu erstellen.
Der Voitto-Assistent lebt auf dem Sperrbildschirm eines mobilen Geräts und empfiehlt dem Benutzer interessante Nachrichteninhalte durch Meldungen oder Benachrichtigungen. Voitto nutzt maschinelles Lernen, um seine Empfehlungen zu verbessern, indem es aus den Interaktionen des Benutzers auf seinem Sperrbildschirm und aus der Lesehistorie des Benutzers lernt. Zusätzlich kann der Benutzer dem Assistenten durch direktes Feedback über Benachrichtigungen und in der Nachrichten-App selbst etwas beibringen.
Das maschinelle Lernen kann Nachrichtenorganisationen auch dabei helfen, ihr Geschäftsmodell zu verbessern, zum Beispiel durch die Feinabstimmung einer flexiblen Paywall für ihre Abonnenten.
Das Potenzial des maschinellen Lernens erforschen
Wie wir gesehen haben, wird maschinelles Lernen bereits eingesetzt, um die Fähigkeiten von Journalisten im gesamten journalistischen Prozess zu verbessern. Das bedeutet jedoch nicht, dass das maschinelle Lernen der Schlüssel zu allen Problemen des Journalismus ist.
Ein großer Teil des Potenzials, das das maschinelle Lernen bietet, muss vom Journalismus erst noch entdeckt werden, und die neuen Möglichkeiten gehen Hand in Hand mit neuen Risiken und Herausforderungen, vor denen sich Journalisten in Acht nehmen sollten.
In den nächsten Lektionen dieses Kurses werden wir eingehend lernen, was maschinelles Lernen ist und wie es funktioniert. Wir werden untersuchen, wie es von Journalisten auf innovative Weise genutzt werden kann und welche Risiken für einen verantwortungsvollen Umgang mit dieser leistungsfähigen Technologie zu berücksichtigen sind.