從大眾媒體到個性化媒體：人工智能技術對新聞生產的影響

□文│黃雅蘭

人工智能指由機器等人造物展現(xiàn)出的智能，即人造物對環(huán)境、信息等進行感知并在此基礎上采取相應的符合其設計目標的行動。從13世紀歐洲哲學家拉蒙·柳利（Romon Llull）最早提出了“邏輯機”的設想，到1955年美國科學家約翰·麥卡錫（John McCarthy）第一次明確提出“人工智能（Artificial Intelligence）”一詞并開始嚴肅探討如何制造一臺模擬人類各方面智能的機器，人工智能開始飛速發(fā)展。

近年來，人工智能技術開始進入新聞領域。2010年，美國《洛杉磯時報》率先在其關于城市犯罪的博客報道（Homicide Report）中采用計算機程序自動生成稿件；2014年，美聯(lián)社開始使用WordSmith平臺自動寫作公司季度財報，成為第一個采用人工智能寫作的世界級新聞媒體。目前，不少全球重要新聞機構，如《福布斯》《紐約時報》、新華社等——也都紛紛嘗試將人工智能技術應用于新聞生產。

一、人工智能影響新聞生產的兩種方式

狹義地看，由人工智能技術所推動的智能新聞寫作浪潮通常被稱作“自動化新聞”（Automated Journalism）、“機器人新聞”（Robot Journalism）或“算法新聞”（Algorithmic Journalism），指“在沒有人工干預的情況下，使用計算機軟件或算法自動生成新聞稿件的過程”；[1]其核心就是通過算法對海量數(shù)據進行排序、分類、關聯(lián)和過濾，并將整理過的數(shù)據適配和組合進相應的文章模板之中。目前，這種新聞生產方式已經被較廣泛地運用于財經、體育、天氣等領域的新聞寫作，這些領域通常能夠提供可靠的、清晰的、結構化數(shù)據資源，并且該領域的新聞報道有著比較穩(wěn)定的寫作風格與結構。在實踐中，這種自動化新聞表現(xiàn)出了明顯的優(yōu)勢，例如：寫作速度更快，能夠顯著增加新聞報道的數(shù)量；出錯概率更低，特別是同樣的錯誤一定不會再犯第二遍。此外，諸如Wibbitz等基于人工智能技術的平臺還能夠將文本直接轉化為音頻和視頻，促進新聞信息的多樣化生產，將記者從繁雜的初級勞動中解放出來。

廣義地看，人工智能對新聞生產造成的影響已經觸及到了各種類型的新聞生產，并影響著新聞線索的獲取、寫作以及呈現(xiàn)等各個環(huán)節(jié)；新聞生產過去單純依靠專業(yè)新聞從業(yè)者生產內容（Professionally Generated Content，PGC），繼增添了用戶生產內容（User Generate Content，UGC）外，又將補充進新的由算法生產的內容（Algorithmically Generated Content，AGC），這種人機一體或人機協(xié)作將是未來智能新聞生產的主流。因此，美聯(lián)社把人工智能技術影響下的新聞業(yè)稱作“增強新聞”（Augmented Journalism），[2]是一種更加準確的表述。

從新聞生產的流程來看，人工智能帶來的最顯著的變革在于：將新聞用戶和傳播效果納入新聞生產——包括新聞線索的發(fā)現(xiàn)、新聞作品的寫作和呈現(xiàn)——的過程，重塑新聞媒體的“生產流”。

二、新聞線索的多樣化：從用戶中來，到用戶中去

互聯(lián)網的出現(xiàn)已經在很大程度上改變了新聞工作者獲取新聞線索和素材的方式。網民通過智能手機和移動互聯(lián)網在社交媒體上的信息發(fā)布催生了“目擊媒體”（eyewitness media），[3]為專業(yè)媒體的新聞報道提供了豐富的影像和文字資源。但是，如何在海量信息中去偽存真、去粗取精則成為有效利用目擊媒體的關鍵所在。在常規(guī)的事實核查手段之外，人工智能為快速搜集和梳理社交媒體上的可靠信息源和素材提供了有效的途徑。

2016年11月，路透社公布了其利用人工智能技術開發(fā)的新產品“路透新聞追蹤器”（Reuters News Tracer）。[4]此前，新聞工作者對社交媒體的使用過程通常是：新聞事件發(fā)生后，在社交媒體上尋找和追蹤該事件的當事人或在該領域有影響力的意見領袖，并對相關熱門網帖進行梳理和總結。而新聞追蹤器能夠實時對社交媒體上的海量信息進行監(jiān)控，及時發(fā)現(xiàn)那些有可能發(fā)展成為重大新聞的信息，將相關網帖進行分類組合并形成有效信息。例如，包含“爆炸”和“炸彈”的網帖都可能會被歸入有關恐怖襲擊的主題。

除了發(fā)現(xiàn)新聞線索，新聞追蹤器還能判斷一條網帖究竟是事實陳述還是觀點表達，并在此基礎上識別出該網帖所指示的新聞事件是否真實、是否是垃圾信息、是否有趣以及是否有新聞價值。該軟件的算法設計了40項指標用以對網帖進行評分，這些指標包括：發(fā)帖人是否為被驗證的用戶、發(fā)帖人的粉絲數(shù)量、網帖是否包含鏈接、圖片以及這條網帖本身的語言風格和結構特征等等。當綜合評分達到一定數(shù)值，路透社的新聞工作者就會考慮對其進行人工調查或報道；與此同時，這一評分還會隨著事態(tài)的發(fā)展和新的網帖信息的引入而發(fā)生變動。而在上述新聞線索的發(fā)現(xiàn)過程中，人工調查和評分的自我修正本身也會成為該軟件進一步進行“機器學習”和提高準確性的數(shù)據資源，算法會越來越學著像記者那樣思考。[5]

除了像路透社這樣的大型新聞通訊社，美國的網絡新聞媒體公司嗡嗡喂（BuzzFeed）也在去年美國的共和黨全國代表大會期間推出了類似的工具BuzzBot，用以從社交媒體上搜集有價值的網絡信息并且向網民進行個性化推送。[6]此外，諸如谷歌、臉書、推特等互聯(lián)網巨頭正在使用人工智能技術來識別網絡虛假消息并及時遏制其大范圍傳播。

在傳統(tǒng)的新聞生產中，新聞線索往往依賴于特定的“線人”或組織，來自具有較鮮明機構化和科層化特征的權威機構，[7]這就在一定程度上將新聞的選題限定在領域，反映特定階層的價值取向和利益訴求。這樣一來，新聞生產就與其源于、服務于以及忠于公民的屬性相背離。[8]互聯(lián)網及社交媒體的出現(xiàn)為“公民新聞”的發(fā)展提供了新的契機，技術賦權使得普通網民能夠在技術平臺上記錄生活、各抒己見；而人工智能技術的成熟則能夠克服用戶生產內容（UGC）體量巨大、良莠不齊和真?zhèn)文娴娜秉c，在幫助新聞媒體提升報道質量的同時，讓普通公眾的聲音和訴求真正被納入新聞生產的過程中，使其興趣結構、利益訴求和價值立場得以彰顯。

三、新聞產品的多樣化：個性化寫作和呈現(xiàn)

傳統(tǒng)媒體時代，個體被納入統(tǒng)一的“受眾”的范疇，而受眾接收的則是由專業(yè)記者和編輯生產出的單一的、標準化的新聞產品。在互聯(lián)網時代，從早期的RSS訂閱到后來的微博、微信公眾號等社交媒體平臺，盡管網絡用戶可以根據自己的興趣和需求選擇新聞來源，定制個性化的新聞閱讀方案，但其所面對的新聞文本仍舊是以“大眾”為對象的標準化稿件。人工智能技術的引入則能夠真正實現(xiàn)新聞生產向個性化的轉變。

首先，在人工智能技術的協(xié)助下，個體用戶的特征得以凸顯，從而新聞機構能為其打造個性化的閱讀產品。人工智能技術能夠通過對不同語料庫的語言風格進行學習，生產出適應不同群體表達習慣的稿件，如針對不同地域、年齡階段、文化程度等。目前，不少媒體機構紛紛試水差異化寫作。例如，2015年10月，騰訊的財經寫作機器人夢幻寫手（Dreamwriter）在報道當年9月的宏觀經濟走勢時，就推出了四篇不同風格的稿件：《常規(guī)版：9月份CPI漲幅回落至1.6%》《精要版：9月CPI漲幅回落 降準降息可能性大》《民生版：9月CPI漲幅回落 住房租金保持上漲》和《研判版：9月CPI漲幅回落 貨幣政策或維持寬松》；[9]從標題到篇幅，從文中引用的具體數(shù)據和信源再到遣詞造句，四篇稿件都表現(xiàn)出了較大的差異。

騰訊這種有著明確版本指向的差異化寫作僅僅是人工智能個性化新聞生產的第一步。在此基礎上，人工智能連同大數(shù)據技術會收集、統(tǒng)計并分析用戶的人口統(tǒng)計學特征、社交關系及其不同終端的網絡使用行為等，根據用戶的年齡、性別、地域、職業(yè)、興趣偏向、消費能力、社交網絡等變量，對新聞的內容結構、語言風格以及謀篇布局等進行自動匹配，從而真正實現(xiàn)“對象化”的新聞生產。

目前，一些新聞媒體已經在對象化的內容生產上邁出了第一步。2015年5月，《紐約時報》推出了題為《成長的最優(yōu)與最差之地》（The Best and Worst Places to Grow Up）的專題報道，該報道以1996年至2012年間美國的500萬兒童成年后的繳稅記錄為數(shù)據源，探討了一個人的出生地與其隨后的經濟狀況之間的關系，報道以交互式地圖和文章相結合的方式呈現(xiàn)出美國2478個鄉(xiāng)村的“階層流動機會”。[10]這種報道形式看上去與當前同樣快速發(fā)展的數(shù)據新聞并無二致，但該報道的特殊之處在于，當網民打開該網站時，網站會根據其當前的IP地址來判斷該網民所處地區(qū)，交互地圖就會呈現(xiàn)出其所在地的相關數(shù)據以及該地區(qū)與全國平均水平的對比狀況。因此，當不同地區(qū)的用戶打開同一個網頁時，看到的將是不同的內容，他們大多不會意識到這是算法編輯的結果，這種“無縫對接”的個性化體驗正是智能新聞生產中最關鍵的問題。除了自動顯示網民所處區(qū)域的情況外，該報道也支持網民自主選擇其他地區(qū)查看相關情況。

此外，人工智能技術支持新聞報道根據受眾的反饋隨時做出調整。這一案例同樣來自《紐約時報》，在2015年5月的一篇題為《你來繪圖：家庭收入如何影響兒童的大學機遇》（You draw it: how family income predicts children’s college chances）的報道中，網民可以先在一張空白圖表中畫出自己所猜想的家庭收入和大學入學率的關系圖，隨后，網頁上會生成網民所畫曲線和真實曲線的對比圖以及其他網民所畫曲線的主要趨勢，同時自動出具針對每個網民所畫曲線的簡要的評估報告，并且深入分析家庭收入與大學入學率之間的關系。[11]這篇報道提到，之所以要先“麻煩”網民畫出曲線，是希望每個讀者都能夠認真地思考這兩個變量間的關系，這樣看到真實情況時才會更加印象深刻。

圖1 《紐約時報》“成長的最優(yōu)與最差之地”報道界面，當網民選擇查看其他地區(qū)的情況時，重新匹配的文章中那些發(fā)生變化的部分就會短暫地顯示出黃色陰影。

圖2 《紐約時報》“家庭收入如何影響兒童的大學機遇”報道，較細的線為網民自己所畫，點狀較粗線為真實曲線；圖標下方的測驗報告則會對網民所畫曲線做出評估。

這種互動設計使得新聞產品具備了“游戲化”（gamification）的特征，通過設置問題以及由之而來的競爭和獎懲制度使網民更深度地參與到新聞生產的過程中；[12]而在此基礎上對每個網民的表現(xiàn)做出個性化的評估則是讓網民產生參與感和卷入感的更關鍵步驟，人工智能技術所要解決的正是這個“對象化”的問題，從而將互動性和個性化更好地結合在一起。

除了關注用戶本身的身份和行為特征，未來的人工智能技術還會使新聞生產更加社交化。根據北京大學新媒體研究院2016年的“手機人——移動互聯(lián)網全景調查”，將近60%的手機用戶認為社交網站/移動客戶端第三方應用程序已經成為其主要的新聞資訊來源；使用微博的首要原因就是獲取新聞資訊（54.6%），其次才是社交需要（43.6%）；而61.4%的用戶每次打開微信都會查看朋友圈，這說明，社交網絡已經成為網民最重要的新聞信息源和討論場所。因此，未來的新聞生產應當將用戶的社交狀況作為重要的自變量加以考慮。

目前，以臉書和推特為代表的社交媒體正在嘗試基于用戶的社交網絡進行新聞推送。2015年5月，臉書推出新聞快讀（Instant Articles）功能，新聞媒體可以事先將文章上傳到系統(tǒng)中，接著其會快速將這些內容推送給相應用戶；而在幾次算法更新中，某用戶與其他用戶的“親密程度”（Affinity Score）從來都是其考慮的核心變量，即強調的是用戶之間的關系親疏及互動程度，與該新聞的主題內容及優(yōu)質程度關系不大。[13]目前，盡管人工智能在新聞的社交化方面的嘗試仍僅僅局限于推送方面，隨著數(shù)據庫的壯大和算法的革新，新聞生產的社交化也將逐步走入實踐領域。

此外，未來的人工智能技術還可以為用戶提供動態(tài)化的場景化適配。“場景”在移動互聯(lián)網時代有著至關重要的意義，“對環(huán)境的感知和對信息的適配”是移動傳播中的核心要素。[14]用戶在不同時段、地區(qū)和終端使用新聞服務時，會伴隨著對新聞報道的不同期待，算法可以根據龐大的數(shù)據資源對用戶在特定場景中的需求做出預測，生產出相應的稿件并進行推送。

四、結語：從大眾媒體到個體化媒體的轉型

上文提到了人工智能技術對新聞生產帶來的種種變革：無論是選題的多樣化還是基于用戶自身特點、社交關系及所處場景而實現(xiàn)的智能寫作，事實上都是更多地將普通網民的需求和反饋納入到新聞生產的過程中來。這打破了大眾傳播時代專業(yè)新聞生產機構對新聞的壟斷，能夠使龐雜無序的個人生產信息被智能化地聚類、排序和匹配，從而激發(fā)個人傳播能力，能夠有效推動公民新聞運動的開展。

此外，在當今大型新聞機構愈發(fā)強勢的壟斷時代，人工智能也為地區(qū)性的小型新聞機構創(chuàng)造了新的發(fā)展契機。人工智能雖然常常和大數(shù)據相提并論，但其更加關注的是用戶個性化的需求，地區(qū)性媒體以特定區(qū)域的受眾為其目標，在搜集和獲取更精細的地方數(shù)據方面有著顯著的優(yōu)勢。例如，美國的俄勒岡公共廣播公司（Oregon Public Broadcasting）推出了一款叫做余震（Aftershock）的新聞客戶端，能夠根據來自于俄勒岡地質局以及相關礦產企業(yè)提供的實時監(jiān)測數(shù)據、基于用戶提供的其所在區(qū)域的郵編和街道號向用戶推送個體化的地震預測報告。因此，我們或許可以大膽預測，在互聯(lián)網和人工智能技術的推動下，新聞媒體或將更加回歸社區(qū)和公民。

注釋：

[1]Andreas Graefe.Guide to Automated Journalism.Tow Center for Digital Journalism[EB/OL].http://towcenter.org/research/guide-to-automated-journalism/,2016.

[2]Francesco Marconi, Alex Siegman & Machine Journalist.The Future of augmented journalism: A Guide for Newsrooms in the age of smart machines.Associated Press[EB/OL].https://insights.ap.org/uploads/images/thefuture-of-augmented-journalism_ap-report.pdf.2017

[3]黃雅蘭，陳昌鳳.“目擊媒體”革新新聞生產與把關人角色[J].新聞記者，2016（1）

[4][5]Richardo Bilton.Reuters built its own algorithmic prediction tool to help it spot (and verify) breaking news on Twitter[EB/OL].http://www.niemanlab.org/2016/11/reuters-built-its-own-algorithmic-prediction-tool-tohelp-it-spot-and-verify-breaking-news-on-twitter/.2016

[6]Mat Honan.Meet BuzzBot[EB/OL].https://www.buzzfeed.com/mathonan/meet-buzzbot?utm_term=.paNPGYLBoR#.laxGe2bWx1.2016

[7]Herbert Gans.Sources and Journalists.Deciding What’s News[M].New York: Bintage Books.1979

[8][美]比爾·科瓦奇，湯姆·羅森斯蒂爾.新聞的十大基本原則[M].劉海龍，連曉東，譯.北京：北京大學出版社，2011

[9]Dreamwriter.9月份CPI漲幅回落至1.6%[EB/OL].http://finance.qq.com/a/20151014/020228.htm.

[10]The New York Times.The best and worst places to grow up: how your area compares[EB/OL].Retrieved from:https://www.nytimes.com/interactive/2015/05/03/upshot/the-best-and-worst-places-to-grow-up-how-your-areacompares.html

[11]Gregor Aisch, Amanda Cox, & Kevin Quealy.You draw it: how family income predicts children’s college chances[EB/OL].The New York Times.https://www.nytimes.com/interactive/2015/05/28/upshot/you-draw-it-how-familyincome-affects-childrens-college-chances.html?_r=0

[12]Foxman M.Play the News: Fun and Games in Digital Journalism[EB/OL].http://towcenter.org/wp-content/uploads/2015/02/PlayTheNews_Foxman_TowCenter.pdf.2015

[13]方師師.算法機制背后的新聞價值觀——圍繞“Facebook偏見門”事件的研究[J].新聞記者，2016（9）

[14]羅伯特·斯考伯，謝爾·伊斯雷爾.即將到來的場景時代[M].北京：北京聯(lián)合出版社，2014