Poynter: чему научил класс по журналистике Duke, где провал был частью задания

AI Journalism Lab в Университете Дьюка придерживается практического подхода к AI в редакциях: сначала определить конкретную редакционную проблему, а затем подобрать подходящую технологию. Курс намеренно избегает обратной логики — выбора технологии и подгонки задачи под неё, — и этот выбор во многом определил итоги, заслуживающие изучения.

Четырнадцать студентов напрямую сотрудничали с местными СМИ, чтобы выявить реальные узкие места в их редакционных процессах. Они создали пять работающих инструментов: трекер цен в продуктовых магазинах, анализатор заседаний городского совета, монитор запросов на публичные документы, инструмент для создания дайджестов новостных рассылок и генератор календаря культурных событий. Ни один из проектов не потребовал глубоких технических знаний: студенты осваивали ровно то, что было нужно для решения конкретной задачи.

Самым показательным оказался вывод об ограничениях генеративного AI в данном контексте. Многие проекты в итоге остановились на традиционной автоматизации — правилах сортировки, категоризации и структурированной обработки текстов, — а не на больших языковых моделях, поскольку риск галлюцинаций делал генеративные подходы непригодными для задач, где фактическая точность была обязательным условием. Студенты, попробовавшие генеративные решения на задачах с большими объёмами данных, столкнулись с этим на практике и перестроились. Преподаватели расценили это как успех и вручили «трофей бомбы» команде, чей первоначальный замысел провалился, а переосмысленный инструмент оказался надёжнее любого из изначально задуманных.

Курс также тихо отстаивает определённую педагогическую позицию. Когда у студентов есть реальная редакция в качестве заказчика и конкретная проблема для решения, разрыв между маркетинговыми обещаниями AI и его операционными возможностями становится очевидным быстро. Именно в этом разрыве происходит настоящее обучение — и оно формирует более зрелых специалистов, чем программа, построенная вокруг демонстраций возможностей AI в идеальных условиях.

Для преподавателей журналистики модель курса воспроизводима: партнёрство с местными СМИ, жёсткое ограничение задач, принятие провала как части процесса и оценка инструментов по тому, решают ли они конкретную проблему, — а не по тому, используют ли наиболее передовые технологии.

Полезно для преподавателей журналистики, разрабатывающих AI-программы, и для редакций, выстраивающих внутренние AI-эксперименты с низкой толерантностью к напрасной работе.