论文技术摘要：《他们以为 AI 能做的比实际更多：本地新闻中 AI 辅助报道的实践、挑战与机遇》

论文标题：They Think AI Can Do More Than It Actually Can: Practices, Challenges, & Opportunities of AI-Supported Reporting In Local Journalism
作者：Besjon Cifliku, Hendrik Heuer
机构：德国高级互联网研究中心 (CAIS), 伍珀塔尔大学
发表会议：CHI '26 (CHI Conference on Human Factors in Computing Systems)

---

1. 研究背景与问题 (Problem)

随着德国本地新闻编辑室的收入下降和人员缩减，新闻机构面临维持效率和服务社区的双重压力。人工智能（AI）和自动化被视为提高新闻报道效率、处理海量数字数据的关键工具。然而，现有研究存在以下核心缺口：

• 认知偏差：媒体往往夸大 AI 的能力，而一线非技术背景的本地记者对 AI 的实际能力缺乏清晰认知（“他们以为 AI 能做的比实际更多”）。
• 技能鸿沟：本地记者普遍缺乏数据素养（Data Literacy）和计算思维，难以独立处理原始数字数据，导致过度依赖外部专家或完全回避数据工作。
• 实践缺失：缺乏关于非技术型本地记者如何与数据及 AI 互动的实证研究，特别是他们在使用 AI 辅助报道时面临的具体挑战和潜在机遇。

研究目标：填补上述空白，探究本地记者如何利用 AI 和数据，识别其面临的障碍，并基于“话语设计”（Discursive Design）视角，挖掘记者对 AI 辅助报道的想象与需求。

2. 研究方法 (Methodology)

本研究采用定性内容分析与研究通过设计（Research-through-Design）相结合的方法：

• 参与者：在德国招募了 21 名 本地记者（10 名女性，11 名男性），平均从业经验约 19 年，教育背景多为硕士及以上，但普遍缺乏技术背景。
• 数据收集：
  • 半结构化访谈：进行了 21 次访谈，涵盖人口统计、工作流程、AI 使用现状、挑战及未来愿景。
  • 视觉诱导（Visual Elicitation）：在访谈中向参与者展示了两个研究原型（Research Prototypes）的视频，以激发具体反馈：
    • 原型 A（通过演示自动化）：基于“编程即演示”（Programming-by-Demonstrations）理念，用户通过点击、滚动等操作录制脚本，系统自动生成自动化流程（无需代码）。
    • 原型 B（通过文字自动化）：基于大语言模型（LLM）的智能代理，用户通过自然语言提示（Prompt）指令系统自动抓取网页数据、结构化并生成图表。
  • 任务场景：要求记者设想如何处理“本地犯罪统计数据”这一复杂任务，对比有无 AI 辅助时的操作差异。
• 数据分析：使用 MaxQDA 进行开放式编码和轴心编码，结合 SWOT 分析框架，将数据归类为新闻发现、生产、验证和分发四个主题。

3. 关键发现与结果 (Key Results)

3.1 现状：AI 使用局限与数据回避 (RQ1)

• 文本为主：记者目前主要将 AI 用于文本辅助（头脑风暴、标题优化、摘要生成、翻译、校对），极少用于数据处理。
• 角色认知：大多数记者不认为自己是“数据人”，将数据工作视为枯燥、耗时且超出其核心职责（讲故事）的任务。
• 协作依赖：数据密集型任务通常被委托给技术型同事或依赖外部专家，记者自身缺乏独立处理原始数据的能力。

3.2 挑战：技能、信心与信任 (RQ2)

• 技能与信心缺失：记者普遍缺乏 Excel 等工具的高级技能，面对原始数据感到恐惧（"freaking out"），缺乏自信独立分析。
• 数据复杂性：难以将数字转化为有意义的故事，担心误读统计数据的含义（如混淆不同数据集的指标）。
• 数据获取与质量：官方数据发布滞后、格式不统一或不完整；过度依赖第三方报告，存在数据过时或不准确的风险。
• AI 的可信度危机：
  • 幻觉与错误：担心 AI 产生事实性错误（Hallucinations）和虚假自信。
  • 黑箱与偏见：缺乏透明度，担心 AI 无法理解本地语境，甚至强化刻板印象（如在犯罪报道中针对特定群体）。
  • 效率陷阱：验证 AI 输出所需的时间可能超过直接人工处理，反而增加工作负担。

3.3 机遇：重新定义记者角色 (RQ3)

尽管存在挑战，记者对 AI 辅助报道抱有积极愿景：

• 个人助手（时间节省）：将 AI 视为处理重复性任务（如收集数据、初步整理）的“新同事”，从而释放时间进行深度报道。
• 新闻发现与监控：利用 AI 自动扫描多源信息、识别趋势、聚合数据，快速发现潜在新闻线索。
• 事实核查：虽然不信任 AI 直接定论，但希望利用其作为“百万双眼睛”来交叉验证来源、检测虚假信息。
• 角色升华：
  • 回归人际连接：将节省下来的时间用于人际接触（采访、社区互动），发挥人类独有的情感叙事优势。
  • 深度调查：利用 AI 处理海量数据，支持更深入的调查性报道和事实核查，强化“看门狗”职能。
  • 多视角报道：利用 AI 提供不同叙事角度，但强调必须由人类记者把控本地语境和最终判断。

4. 主要贡献 (Key Contributions)

1. 实证洞察：提供了关于德国非技术型本地记者与 AI/数据互动的详细实证数据，揭示了“高教育背景”与“低数据素养”之间的反差。
2. 理论框架：提出了AI 辅助报道（AI-Supported Reporting）的操作化定义，即自动化数据任务并从原始数据中生成见解以支持记者分析的系统。
3. 设计建议：基于记者的“社会 - 技术”视角，提出了具体的 HCI 设计建议：
   • 共享提示配置：建立团队内部的提示词库和自动化工作流共享机制，降低入门门槛。
   • 交互式数据解释与验证：提供可追溯的数据来源、不确定性评分（Hallucination Score）和可视化解释，增强透明度。
   • 本地语境感知：将外部知识库（如本地档案、知识图谱）整合进 AI 系统，确保报道符合本地语境，避免通用模型的偏差。
4. 伦理反思：强调了在自动化过程中保持人类能动性（Human Agency）的重要性，AI 应作为增强工具而非替代者，以维护新闻的准确性和公信力。

5. 研究意义 (Significance)

• 对新闻业的启示：在“新闻荒漠”（News Deserts）日益扩大的背景下，本研究为本地新闻机构如何利用 AI 维持生存和独立性提供了路线图。它表明，AI 的价值不在于替代记者，而在于通过自动化繁琐的数据工作，让记者回归其核心优势——深度调查、社区连接和伦理判断。
• 对 HCI 领域的贡献：指出了当前 AI 工具在“本地语境理解”和“可解释性”方面的不足，呼吁设计者开发更符合记者工作流、具备本地感知能力的工具。
• 教育与培训：强调了提升本地记者数据素养和计算思维的紧迫性，建议将数据技能纳入新闻教育体系，并开发"AI 作为学习伙伴”的培训框架。

总结：该论文指出，虽然本地记者目前对 AI 处理数据的能力持怀疑态度且缺乏相关技能，但他们渴望利用 AI 来减轻负担、增强调查能力。未来的 AI 辅助报道系统必须建立在人机协作、本地语境感知和严格的事实核查基础之上，才能真正赋能本地新闻，维护民主社会的知情权。