Zastosowanie generatywnej AI w dziennikarstwie DIKS-SL>ZastAI
Tematyka wykładów porządkuje materiał w dwóch porządkach analitycznych:
A) GenAI jako narzędzie i infrastruktura pracy newsroomu oraz B) GenAI jako ryzyko i wyzwanie normatywne dla dziennikarstwa.
Część A: GenAI w workflow dziennikarskim
1. Wprowadzenie: GenAI w polu dziennikarstwa – pojęcia, modele, typy narzędzi, mapa zastosowań.
2. Jak działają modele generatywne (LLM i generowanie multimodalne): możliwości, ograniczenia, źródła błędów.
3. Research wspierany AI: kwerenda, ekstrakcja informacji, synteza źródeł, budowanie „briefu” – standardy weryfikacji.
4. Transkrypcja, tłumaczenie, streszczanie: automatyzacja opracowań i redakcji przy zachowaniu kontroli jakości.
5. Pisanie i redagowanie z GenAI: szkice, tytuły, leady, formaty SEO – zasady redakcyjnej odpowiedzialności.
6. Generowanie danych i praca na danych: wspomaganie analizy, tworzenie opisów danych, pułapki „syntetycznych dowodów”.
7. GenAI w audio i wideo: lektoring, dubbing, napisy, skróty, klipy; granice dopuszczalnej ingerencji.
8. Grafika i wizualizacje: generowanie ilustracji, rekonstrukcje i infografiki – reguły oznaczania i unikanie wprowadzania w błąd.
9. Produkcja konwersacyjna: chatboty redakcyjne, Q&A, personalizacja i rekomendacje – logika dystrybucji treści.
10. Analityka i optymalizacja: wsparcie planowania publikacji, testowanie wariantów, mierzenie zasięgu/zaangażowania.
Część B: Wiarygodność, etyka, prawo, bezpieczeństwo
11. Halucynacje, bias i „automatyzacja autorytetu”: krytyka epistemiczna narzędzi i procedury walidacyjne.
12. Fact-checking i weryfikacja multimediów: detekcja manipulacji, deepfake, analiza metadanych, triangulacja źródeł.
13. Ochrona źródeł, prywatność i bezpieczeństwo danych: ryzyka narzędzi chmurowych, redakcyjny threat model.
14. Prawo autorskie i licencje: trening modeli, dozwolony użytek, cytat, prawa do wizerunku i głosu; odpowiedzialność wydawcy.
15. Governance redakcyjny: polityka użycia AI, oznaczanie treści, rejestrowanie użycia narzędzi, audyt jakości i odpowiedzialność.
Koordynatorzy przedmiotu
Efekty kształcenia
Efekty uczenia się
Po zaliczeniu przedmiotu student/studentka:
1. Wyjaśnia podstawowe mechanizmy działania GenAI oraz ich konsekwencje dla jakości informacji (w tym problem halucynacji i biasu).
2. Identyfikuje zastosowania GenAI w poszczególnych etapach workflow dziennikarskiego i dobiera narzędzia adekwatnie do celu.
3. Stosuje zasady weryfikacji treści wspieranych przez AI (triangulacja źródeł, walidacja faktów, kontrola cytowań i danych).
4. Analizuje ryzyka dezinformacyjne (w tym deepfake i syntetyczne materiały) oraz proponuje procedury reagowania redakcji.
5. Projektuje mini-procedury redakcyjne dla użycia GenAI (checklisty jakości, role, ścieżka akceptacji, rejestr użycia narzędzi).
6. Ocenia zagadnienia etyczne i prawne użycia GenAI w dziennikarstwie (transparentność, odpowiedzialność, prawa autorskie, prywatność).
7. Formułuje kryteria oznaczania/ujawniania użycia GenAI w materiale, zgodnie z wymogami rzetelności i wiarygodności przekazu.
8. Argumentuje stanowisko dotyczące dopuszczalnego zakresu automatyzacji w praktyce dziennikarskiej z perspektywy norm zawodowych.
________________________________________
Kryteria oceniania
Metody i kryteria oceniania
A. Składowe oceny
1. Test/kolokwium zaliczeniowe (weryfikacja wiedzy i pojęć) – 40%
2. Projekt indywidualny: „Redakcyjna karta użycia GenAI” (procedura + ryzyka + zasady oznaczania + kontrola jakości) – 40%
3. Aktywność merytoryczna (np. 3 krótkie notatki analityczne do case study lub udział w dyskusji) – 20%
B. Warunki zaliczenia przed przystąpieniem do egzaminu
• Uzyskanie min. 60% łącznej punktacji.
• Oddanie projektu indywidualnego w terminie.
• Dopuszczalne nieobecności: 20% godzin; odrobienie poprzez dodatkową analizę case study.
Literatura
Literatura podstawowa
• Diakopoulos, N. (2019). Automating the News: How Algorithms Are Rewriting the Media. Harvard University Press.
• Graefe, A. (2016). Guide to Automated Journalism. Tow Center for Digital Journalism, Columbia University.
• Goodman, E. P., & Flaxman, S. (2017). European Union regulations on algorithmic decision-making and a “right to explanation”. AI Magazine, 38(3), 50–57.
• Kovach, B., & Rosenstiel, T. (2014/2021). The Elements of Journalism (wyd. aktualne).
• Wardle, C., & Derakhshan, H. (2017). Information Disorder. Council of Europe report.
• W3C (2018–2024). Materiały dot. dostępności cyfrowej i standardów publikacji (wybrane rekomendacje do zajęć).
(W literaturze podstawowej celowo łączę ujęcie dziennikarstwa/komunikowania z ujęciem regulacyjno-normatywnym i praktykami weryfikacji.)
________________________________________
Literatura dodatkowa
• EU AI Act – wybrane omówienia i dokumenty wdrożeniowe (aktualne materiały wskazywane na zajęciach).
• Reuters Institute for the Study of Journalism – raporty o AI w newsroomach (wydania bieżące).
• UNESCO – zalecenia dot. AI i governance w kontekście informacji (wybrane dokumenty).
• CPT/OSINT i weryfikacja materiałów: wybrane podręczniki praktyczne i studia przypadków wskazywane na zajęciach.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: