Título del Capítulo: «Monitorización y detección automática de noticias mediante inteligencia artificial: una propuesta de herramienta para redes sociales y plataformas»
Autoría: Javier Cantón Correa; Pavel Sidorenko Bautista; Rubén Alba Ruiz
Cómo citar este Capítulo: Cantón Correa, J.; Sidorenko Bautista, P.; Alba Ruiz, R. (2024): «Monitorización y detección automática de noticias mediante inteligencia artificial: una propuesta de herramienta para redes sociales y plataformas». En Parrat Fernández, S.; Mayoral Sánchez, J.; Chaparro Domínguez, M.Á. (eds.), Periodismo e inteligencia artificial. Aplicaciones y desafíos profesionales. Salamanca: Comunicación Social Ediciones y Publicaciones.
ISBN: 978-84-10176-02-7
d.o.i.: https://doi.org/10.52495/c1.emcs.25.p108
Javier Cantón Correa
Universidad Internacional de La Rioja
Pavel Sidorenko Bautista
Universidad Internacional de La Rioja
Rubén Alba Ruiz
Unidad de Investigación del Hospital Virgen de las Nieves
1. Introducción
En 2011 el diario The Guardian innovó con un bot en Twitter: hecha una pregunta sobre un tema mediante la antigua red de microblogging (hoy X), el bot respondía con un enlace con las principales informaciones sobre la consulta (González, 2011). Aunque @GuardianTagBot ya no está operativo, su legado queda de referente como sistema automatizado en la labor de medios de comunicación y periodistas.
Tres años más tarde, el periódico LA Times destacó a nivel global por haber sido el primero en cubrir un terremoto producido de madrugada y dar la primicia apenas tres minutos después de lo ocurrido gracias a un algoritmo (BBC News, 2014).
En líneas generales, la inteligencia artificial (IA) ha experimentado una evolución veloz y significativa, especialmente en el ámbito periodístico. A comienzos de la tercera década del siglo XXI no resulta sorpresivo ver cómo se integra en muchas redacciones a través de asistentes automatizados, los propios sistemas de detección y motores de búsqueda (Barrat, 2013; Carlson, 2015), sin olvidar los procesos creativos y operativos relacionados con la publicidad (aún principal vía de ingresos de muchos medios) (Broussard et al., 2019), aunque no siempre con mucho acierto (Burrell, 2016).
No sin cierto retraso, el periodismo ha evolucionado inevitablemente de la mano del contexto tecnológico (Pérez-Seijo et al., 2020). Y lo decimos porque integra los cambios cuando las nuevas tecnologías ya están establecidas y asumidas en la sociedad (García-Orosa et al., 2020): ocurrió con la web, ocurrió con las redes sociales y ha ocurrido posteriormente cuando estas han migrado a la categoría de plataformas de contenido. Las compañías de medios de comunicación o periodísticas, al reconocer que la IA puede ser una herramienta valiosa para abordar sus retos actuales (De-Lima-Santos; Ceron, 2022), manifestaron desde el inicio una inclinación hacia los procedimientos comunicativos relacionados con el procesamiento del lenguaje natural, la identificación de tendencias en la información y la generación automática de contenidos (Canavilhas, 2022).
Si bien es cierto que en el caso de la IA su uso ha antecedido al fenómeno mainstream global de ChatGPT a finales de 2022 (véase la figura 1), aunque con reservas en las redacciones sobre todo en lo referente a la generación de noticias (Túñez et al., 2018), quizás después de esta explosión ha planteado nuevos retos éticos en relación con las opciones generativas, así como a un mayor flujo de contenidos desinformativos a través de muy diversas vías digitales en diferentes niveles, que ya representaba un flagelo de suma complejidad (Guzmán et al., 2023; Montoro-Montarroso et al., 2023; Salaverría et al., 2020; Sidorenko et al., 2021).
La IA ha encajado en algunos nichos importantes en el periodismo como el análisis de datos (grandes cantidades de datos), así como para cubrir tareas y procedimientos básicos y automáticos, como por ejemplo la redacción de algunos textos (Túñez et al., 2019). Por tanto, quizás uno de los grandes retos sea poder enfrentar el ingente flujo informativo que se produce a través de redes y plataformas digitales sociales porque actualmente son los usuarios quienes muchas veces tienen acceso a una noticia antes que un medio o periodista y vuelcan el contenido de manera inmediata a través de estos canales, o simplemente ejercen de creadores natos (Expósito; Trillo, 2023; Parratt et al., 2021b). Además, el escenario se complejiza dramáticamente con la intervención de las inteligencias artificiales generativas, incrementando exponencialmente este proceso de producción sin filtro ni rigor profesional.
Así ha surgido el periodismo automatizado, lo que significa la generación automática de noticias con escasa o sin intervención humana, utilizando técnicas de procesamiento del lenguaje natural. Nos enfrentamos, por tanto, a un panorama en desarrollo que abarca todos los procesos del periodismo, centrado principalmente en tres etapas: la automatización en la recolección de datos, la creación automatizada del contenido (elaboración de la noticia) y la distribución de la información, además de la interacción con el público (Sánchez-García et al., 2023).
2. IA en redacciones y medios, y la detección de información
Las redacciones han integrado la IA principalmente en los procesos de: 1) producción de noticias, 2) distribución y 3) recopilación de noticias (Beckett; Yaseen, 2023). Por su parte, según el estudio de Tejedor (2023), el impacto más positivo de IA en el periodismo radica en la gestión de grandes cantidades de información, la personalización de contenidos y la creación automática de textos en empate con el combate de la desinformación.
En lo inherente estrictamente a la recopilación de noticias, una de las labores específicas de la IA es la detección de tendencias y el descubrimiento de noticias (Beckett; Yaseen, 2023: 16), lo cual se lleva a cabo en diferentes canales de internet incluyendo las redes y plataformas digitales sociales, y corresponde al tercer ítem en cuanto a las consideraciones de mejora del periodismo, según los datos de Tejedor (2023).
El uso de la IA en el periodismo se ha extendido desde las agencias de noticias hasta los medios internacionales. Por citar un caso, aproximadamente un tercio de las publicaciones de Bloomberg News en EEUU incorpora alguna forma de automatización. Forbes emplea una herramienta denominada Bertie para asistir a los periodistas en la optimización de sus escritos, mientras que la agencia The Associated Press hace uso de la solución Wordsmith, de Automated Insights, para la generación automática de noticias (Sánchez-García et al., 2023).
Quizás hoy las principales herramientas de arqueo y selección de información son CrowdTangle, con énfasis en tendencias y contenidos virales, y Rapidminr, para la minería de datos web en general así como un proceso de escucha social para determinar sobre todo esas tendencias que puedan derivar efectivamente en temas de interés general (Beckett; Yaseen, 2023).
No obstante, no se trata de recursos generativos ni necesariamente con suficiente libre albedrío, sino de herramientas y algoritmos entrenados por humanos con el fin de cumplir con tareas específicas. El scraping de webs con alertas derivadas a Slack mediante filtros preestablecidos son las aplicaciones que han reportado mejor rendimiento en este proceso (Beckett; Yaseen, 2023).
La detección de tendencias y la escucha social son de suma importancia para el periodismo, en parte por las audiencias prosumidoras (Papacharissi, 2012) y porque un mayor flujo informativo es susceptible de mayor desinformación (Damián et al., 2020; Pérez-Escoda et al., 2021), aunque también por la necesidad de segmentar mucho mejor al público y delimitar así los puntos de interés de cada audiencia (Matellanes, 2011). De este modo, se procura una mejor conexión entre el medio y el público y, por tanto, se preserva la sostenibilidad del modelo de subsistencia de los medios y periodistas a través de suscripciones y comunidades a partir de contenidos con valor agregado, mayor participación, experiencias diferenciadas y plataformización (Sidorenko et al., 2020).
Pese a que la IA desde el periodismo se ha abordado desde lo profesional y con enorme interés desde la academia, aún quedan incógnitas en el estudio y reflexión sobre el rol del periodista ante esta tecnología, la personalización de contenidos (estrechamente ligada al estudio y monitoreo de tendencias), así como la alfabetización digital en el ámbito profesional (Parratt et al., 2021a).
3. Análisis y comparativa de herramientas actuales de monitorización de noticias mediante IA
Tras apuntar algunas de las diversas experiencias de uso de tecnologías de IA en el ámbito del periodismo y en redacciones y medios de comunicación para la detección y gestión de información, consideramos pertinente desgranar algunas de las herramientas existentes —actualmente disponibles en el mercado— para la monitorización y detección automática de noticias mediante IA.
Este análisis comparativo proporcionará un panorama de las capacidades, características y aplicaciones específicas de cada una de las tres herramientas seleccionadas para el análisis: Dataminr, NewsWhip y Factmata. Estas herramientas comerciales están disponibles para las redacciones de todo el mundo, ofreciendo soluciones avanzadas y especializadas para la identificación y manejo de noticias y tendencias emergentes. El objetivo de este ejercicio comparativo es identificar las fortalezas y limitaciones inherentes a cada una de estas plataformas, proporcionando así un marco de referencia para el desarrollo y diseño de una propuesta integradora de solución futura que supere algunas de sus limitaciones, sin perder, asimismo, sus principales fortalezas.
3.1. Dataminr
Como destacan en su web, Dataminr es una plataforma que desde 2009 se enfoca en la detección temprana de eventos y riesgos significativos en tiempo real, ofreciendo a las organizaciones señales anticipadas de situaciones críticas mediante el análisis de datos públicos (Dataminr, 2023). La plataforma, reconocida en la lista Forbes Cloud 100 (Horn, 2022) durante seis años consecutivos hasta 2022, emplea tecnologías avanzadas de IA, específicamente métodos de fusión multimodal basados en aprendizaje profundo, para proporcionar detecciones precisas y confiables de eventos emergentes. Este enfoque tecnológico permite a Dataminr servir eficazmente a diversos sectores, incluidos el empresarial, el público y las salas de redacción, ofreciendo a estos últimos un medio para descubrir noticias importantes de manera rápida y eficiente.
Aunque la estructura de precios de Dataminr no se detalla públicamente, la plataforma ha recibido elogios de clientes de varios sectores por su capacidad para emitir alertas en tiempo real esenciales y efectivas, como destaca Sobel (2015) con el caso del medio NowThis y la productora Alyssa Kurtzman. Estas alertas, que ayudan a identificar, priorizar y categorizar información crucial, son herramientas valiosas para profesionales en campos como la seguridad, la salud y el periodismo, facilitando respuestas ágiles e informadas en entornos que exigen rapidez y adaptabilidad.
3.2. NewsWhip
Como ocurre con el caso anterior, NewsWhip resalta por su monitorización de medios en tiempo real, con capacidad para la predicción de historias y temas que podrían ser relevantes en las siguientes horas, como bien ponen en valor en su propia web (NewsWhip, 2023). Además de permitir a sus usuarios anticipar tendencias de historias y conversaciones significativas, facilita la gestión de crisis y problemas al cuantificar y predecir el impacto de cualquier crisis potencial, proporcionando contexto y permitiendo la creación de planes de respuesta con confianza. Los usuarios también pueden comprender el nivel de interés público y mediático que hay detrás de cualquier tema, evento o campaña de manera instantánea, utilizando tableros en tiempo real. Por eso, algunos de sus clientes provienen del área de comunicación y relaciones públicas de muchas empresas.
Este recurso fue uno de los que permitieron determinar que en Facebook se promovían los temas que favorecían más la polarización social, aumentaban el ruido político, así como dejar en evidencia que el emoji de enojo es el sentimiento predominante de los públicos allí concentrados (Hazard, 2019).
Una de las características recientes de NewsWhip es la integración con Microsoft Teams. Esto permite a los usuarios recibir alertas en tiempo real directamente en los canales públicos y privados de Microsoft Teams, lo que facilita la comunicación y una respuesta rápida a las tendencias y noticias emergentes. NewsWhip, con oficinas en Dublín y Nueva York, no proporciona detalles específicos sobre el precio en su sitio web, por lo que, al igual que Dataminr, lo más probable es que ofrezcan planes personalizados basados en las necesidades y requisitos del cliente.
3.3. Factmata
Factmata es una herramienta diseñada para monitorizar contenido en internet e identificar las narrativas e influyentes que están detrás de los riesgos y oportunidades para las marcas, desarrollado con financiamiento de la Comisión Europea (CORDIS, 2019). La plataforma utiliza IA para analizar miles de tuits, publicaciones, artículos y blogs en apenas unos segundos, agrupando opiniones similares en torno a temas concretos. La tecnología de Factmata es particularmente útil para marcas, agencias y otras organizaciones. Ofrece monitorización de amenazas para empresas y automatiza la medición y demostración del retorno de inversión (ROI). Los usuarios pueden obtener gráficos sobre la participación en temas específicos, la popularidad y viralidad de determinados contenidos, así como las menciones de marca, lo que facilita el análisis y la toma de decisiones estratégicas.
Además, Factmata proporciona una visión general rápida de esos temas clave que pueden amenazar a una marca y los prescriptores que pueden estar dando forma a la conversación sobre productos e industrias específicas. Esto permite a las organizaciones rastrear su progreso en el tiempo en la mejora de la reputación de la marca y en la reducción de mensajes dañinos que contienen racismo, sexismo y desinformación. En cuanto a los precios, Factmata ofrece un período de prueba gratuito de siete días, aunque no se proporcionan detalles específicos sobre los costes después del período de prueba en su sitio web.
3.4. Comparativa entre Dataminr, NewsWhip y Factmata
Como puede verse, estas herramientas, así como otras similares que pueden encontrarse online, están fuertemente centradas en la analítica social para marcas y empresas, no tanto para la detección de mensajes, temáticas y noticias de última hora para periodistas. En cualquier caso, estas tres herramientas se destacan como líderes, cada una con características y fortalezas únicas, preeminentes en el ámbito de la monitorización de noticias mediante IA.
Todas estas plataformas tienen en común que están diseñadas para proporcionar soluciones de monitorización de noticias en tiempo real, tratando de ofrecer a sus usuarios datos valiosos sobre eventos y tendencias emergentes. Para ello, estas herramientas utilizan tecnologías avanzadas de IA y aprendizaje automático para analizar grandes volúmenes de datos de manera eficiente y precisa. También están orientadas a satisfacer las necesidades de diversos sectores, incluidos medios de comunicación, marcas y agencias, proporcionando funcionalidades que buscan ayudar en la toma de decisiones estratégicas y en la gestión de crisis.
Sin embargo, cada herramienta posee una serie de características únicas que definen su propuesta de valor: mientras Dataminr se centra en la detección temprana de eventos y riesgos, NewsWhip se especializa en el monitoreo de medios con capacidades predictivas, y Factmata busca identificar mensajes y prescriptores relacionados que presenten riesgos u oportunidades para las marcas.
En conclusión, mientras que Dataminr, NewsWhip y Factmata ofrecen soluciones robustas y valiosas para la monitorización de noticias mediante tecnologías de IA, es crucial notar que ninguna de estas herramientas está diseñada con un enfoque exclusivo en el ámbito periodístico. Aunque facilitan la identificación de tendencias, eventos y temas significativos, sus aplicaciones y funcionalidades están también orientadas a satisfacer las necesidades de marcas, agencias y otros sectores. Esta falta de especialización en el periodismo evidencia un vacío en el mercado para una herramienta que se centre puramente en facilitar y optimizar el trabajo periodístico mediante la IA.
Este hueco justifica la necesidad de explorar y desarrollar una propuesta nueva y especializada que atienda de manera más efectiva y precisa las demandas y retos únicos que enfrentan los profesionales de los medios de comunicación en su labor diaria de monitoreo y análisis de noticias. Además, si esta propuesta de herramienta se desarrolla bajo una filosofía open source, es decir, de código abierto y gratuita, financiada por ejemplo mediante proyectos de investigación, no solo se estaría ofreciendo una solución sin coste para los medios, sino que también se añadiría el valor inestimable de una herramienta creada colaborativamente. Este enfoque colaborativo fomenta la innovación y la mejora continua, al tiempo que garantiza que la herramienta esté alineada con las necesidades reales y cambiantes del sector periodístico, proporcionando así un recurso accesible y adaptado que puede ser utilizado y mejorado por la comunidad global de profesionales de los medios.
4. NewsDetectorAI: una propuesta de herramienta para la monitorización y detección automatizada de noticias mediante IA
Por lo indicado, proponemos la creación de una nueva herramienta, de nombre «NewsDetectorAI», que funcione como una solución de código abierto ante la necesidad de una herramienta especializada en monitoreo de noticias para profesionales de medios de comunicación. Esta plataforma sería útil en la asistencia al profesional para la detección y análisis de noticias y tendencias mediante IA, y podría convertirse en un recurso colaborativo y en constante evolución, proporcionando monitoreo en tiempo real, análisis predictivo y detección eficiente de eventos significativos. Construida con una interfaz intuitiva y amigable, NewsDetectorAI estaría al alcance de periodistas sin conocimientos técnicos avanzados, además de permitir a los ingenieros de medios personalizarla e integrarla fluidamente en sus sistemas y flujos de trabajo existentes. Su configuración sería la que se propone a continuación:
4.1. Diseño y arquitectura de la herramienta
4.2. Flujo de trabajo
El flujo de trabajo de NewsDetectorAI comienza con una recopilación continua de datos de diversas fuentes de noticias y redes sociales, asegurando acceso a información reciente y relevante (véase la figura 2). Tras la recopilación, los datos son limpiados, preprocesados y analizados mediante algoritmos de procesamiento de lenguaje natural (NLP) para extraer entidades, conceptos y temas relevantes, con una clasificación y un etiquetado automáticos ajustables geográficamente.
Posteriormente, la herramienta emplea algoritmos de clustering para identificar tendencias y eventos emergentes, basándose en la frecuencia y relevancia de los temas analizados. Este proceso proporcionaría insights valiosos sobre los acontecimientos más importantes en un momento dado. NewsDetectorAI también analiza el sentimiento de las noticias y publicaciones, identificando eventuales prescriptores y fuentes confiables, y generando alertas sobre eventos críticos o tendencias significativas.
Los resultados se presentan de forma clara en un panel de control del usuario, con herramientas de visualización como gráficos y mapas interactivos que facilitan el análisis y la interpretación de los datos. Los usuarios pueden generar informes personalizados y proporcionar feedback sobre la relevancia y la precisión de los datos y las alertas generadas. Este feedback es crucial para la mejora continua de NewsDetectorAI porque permite optimizar los algoritmos de IA y aprendizaje automático implementados, mejorando la precisión y efectividad de la herramienta con el tiempo.
NewsDetectorAI permite a los usuarios personalizar el alcance geográfico de las noticias a monitorizar, ajustando automáticamente algoritmos y fuentes de datos para priorizar información relevante a su territorio y audiencia. Este ajuste sería esencial para medios que se enfocan en noticias locales o regionales. Además, la herramienta ofrece la opción de seleccionar temáticas o categorías específicas, facilitando el filtrado automático de noticias e información alineados con la línea editorial y áreas de interés de cada medio. Esta personalización, tanto geográfica como temática, hace de NewsDetectorAI una herramienta adaptable y versátil, capaz de satisfacer las necesidades de medios con diferentes enfoques y audiencias.
5. Conclusiones
Las herramientas de monitoreo y análisis de información en internet mediante IA como Dataminr, NewsWhip y Factmata, ofrecen servicios, aunque ninguna de ellas está diseñada exclusivamente para satisfacer las necesidades únicas y específicas del sector periodístico, y todas ellas implican costes significativos para los usuarios.
En el caso específico de NewsDetectorAI, se presenta como una propuesta innovadora y de código abierto que busca empoderar a los medios de comunicación, especialmente a los periodistas, con una herramienta diseñada específicamente para su labor. Con funcionalidades como la adaptación de alcance geográfico y la configuración de temáticas, NewsDetectorAI no solo es altamente personalizable, sino que también se centra en proporcionar datos relevantes y precisos para cada tipo de medio, desde locales hasta globales, y para cada área de interés periodístico.
Esta propuesta avanza significativamente con respecto a las herramientas existentes al ofrecer una solución de código abierto y colaborativa. Ello no solo facilitaría el acceso a tecnologías de monitorización de noticias avanzadas para todos los medios, independientemente de su tamaño o recursos, sino que también fomentaría la innovación y la mejora continua de la herramienta a través de la contribución de una comunidad activa y comprometida de usuarios y desarrolladores.
Asimismo, se trata de un recurso que ejemplifica el poder y potencial de la tecnología contemporánea. Con un equipo reducido pero comprometido y una inversión inicial moderada, sería factible lanzar un proyecto tecnológicamente avanzado y ambicioso como este.
En este particular, no solo incorporaría las técnicas más recientes y eficaces de IA disponibles, sino que también tendría la vocación de crecer y evolucionar progresivamente. Un crecimiento impulsado por una comunidad de usuarios y desarrolladores activos en aras de su mejora. De esta manera, NewsDetectorAI sería un proyecto con un impacto inmediato, pero también se constituiría como una iniciativa sostenible y dinámica con el potencial de transformar el panorama de la monitorización y el análisis de noticias en el sector periodístico a largo plazo.
A pesar de que la integración y aparición de la IA en medios periodísticos todavía está en sus primeras etapas, está empezando a generar gran interés comercial como un innovador modelo de negocio, tanto como para generar propuestas de herramientas para redes sociales y plataformas.
Se trata de una propuesta de herramienta de monitorización y detección automática de noticias mediante IA para redes sociales y plataformas que presenta un enfoque prometedor para abordar los desafíos del periodismo en la era digital. Sin embargo, es fundamental implementarla con cuidado, considerando tanto su potencial como sus posibles limitaciones. La implementación de una herramienta de este tipo no está exenta de desafíos. La precisión en la detección, el manejo ético de la información y la privacidad de los usuarios son aspectos cruciales que considerar. Además, el abuso en la automatización podría llevar a la omisión de noticias importantes o a la difusión de información errónea.
6. Referencias
Broussard, Meredith; Diakopoulos, Nicolás; Guzmán, Andrea; Abebe, Rediet; Dupagne, Michel; Chuan, Ching-Hua. (2019): «Artificial Intelligence and Journalism». Journalism & Mass Communication Quarterly, vol. 96 núm. 3,pp. 673-695. https://doi.org/10.1177/1077699019859901
Burrell, Jenna (2016): «How the machine ‘thinks’: Understanding opacity in machine learning algorithms». Big Data & Society, vol. 3, núm. 1. https://doi.org/10.1177/ 2053951715622512
Damián, Sergio; Gelbukh, Alexander; Calvo, Hiram (2020): «Detección de noticias falsas en sitios web y redes sociales: una investigación del estado del arte». Research in Computing Science, vol. 149, núm. 8, pp. 907-914
De-Lima-Santos, Mathias-Felipe; Ceron, Wilson (2022): «Artificial intelligence in news media: Current perceptions and future outlook». Journalism and media, vol. 3, núm. 1, pp. 13-26
García-Orosa, Berta; López-García, Xosé; Vázquez-Herrero, Jorge (2020): «Journalism in Digital Native Media: Beyond Technological Determinism». Media and Communication, vol. 8, núm. 2, pp. 5-15. https://doi.org/10.17645/mac.v8i2.2702
González, María (2011): «The Guardian crea un bot que automatiza las búsquedas sobre actualidad vía Twitter», Genbeta, 29 de octubre https://www.genbeta.com/redes-sociales-y-comunidades/the-guardian-crea-un-bot-que-automatiza-las-busquedas-sobre-la-actualidad-via-twitter
Guzmán, Alfredo; Barragán, Sandra; Rodríguez-Canovas, Belén; Carrillo, Ruby; Africano, David (2023): «Social networks, disinformation and diplomacy: a dynamic model for a current problem». Humanities & Social Sciences Communications, vol. 10, pp. 1-14. https://doi.org/10.1057/s41599-023-01998-z
Hazard, Laura (2019): «One year in, Facebook’s big algorithm change has spurred an angry, Fox News-dominated —and very engaged!— Nes Feed», Nieman Lab, 15 de marzo. https://www.niemanlab.org/2019/03/one-year-in-facebooks-big-algorithm-change-has-spurred-an-angry-fox-news-dominated-and-very-engaged-news-feed/
Horn, Nikki (2022): «Dataminr Named to the 2022 Forbes Cloud 100». https://www.prnewswire.com/news-releases/dataminr-named-to-the-2022-forbes-cloud-100-301602371.html
Matellanes, Mónica (2011): «Segmentación de públicos para la eficacia de mensajes en redes sociales». Sphera Pública, vol. 11, pp. 205-216.
NewsWhip (2023): «About NewsWhip».https://www.newswhip.com/about-us/
Parratt-Fernández, Sonia; Mayoral-Sánchez, Javier; Mera-Fernández., Montse (2021a): «Aplicación de la inteligencia artificial al periodismo: análisis de la producción académica». El Profesional de la Información, vol. 30, núm. 3. https://doi.org/10.3145/epi.2021.may.17
Pérez-Escoda, Ana; Barón-Dulce, Gema; Rubio-Romero, Juana (2021): «Mapeo del consumo de medios en los jóvenes: redes sociales, ‘fake news’ y confianza en tiempos de pandemia». Index.comunicación, vol. 11, núm. 2, pp. 187-208, https://doi.org/10.33732/ixc/11/02Mapeod
Pérez-Seijo, Sara; Gutiérrez-Caneda, Beatriz; López-García, Xosé. (2020): «Periodismo digital y alta tecnología: de la consolidación a los renovados desafíos». Index Comunicación, vol. 10, pp. 129-152. https://doi.org/10.33732/IXC%2F10%2F03PERIOD
Sánchez-García, Pilar; Diez-Gracia, Alba; Calvo-Barbero, Carla, Merayo Álvarez, Noemí (2023): «Periodismo automatizado: La IA ya escribe noticias, las verifica y ofrece información personalizada», The Conversation, 11 de abril https://theconversation.com/periodismo-automatizado-la-ia-ya-escribe-noticias-las-verifica-y-ofrece-informacion-personalizada-202803
Sidorenko, Pavel; Alonso, Nadia; Giacomelli, Fabio (2021): «Espacios de verificación. comunicación y formas narrativas para combatir la desinformación». Revista Latina de Comunicación Social, vol. 79, pp. 87-113. https://doi.org/10.4185/RLCS-2021-1522
Sidorenko, Pavel; Herranz, José María; Cantero, Juan Ignacio (2020): «Use of New Narratives for COVID-19 Reporting: From 360º videos to Ephemeral TikTok Videos in Online Media». Trípodos, vol. 1, núm. 47, pp. 105-122
Sobel, Alexis (2015): «The new importance of ‘social listening’ tools», Columbia Journalism Review, 6 de julio https://www.cjr.org/analysis/the_new_importance_of_social_listening_tools.php
Túñez, José Miguel; Parada, Patricia; Toural, Carlos (2019): «Redacción automatizada y su impacto en la elaboración de noticias. Estudio comparativo de textos informativos elaborados por robots y por humanos». XXV Congreso Internacional de la Sociedad Española de Periodística, Universidad del País Vasco, Bilbao.
Túñez, José Miguel; Toural, Carlos; Cacheiro, Santiago (2018): «Uso de bots y algoritmos para automatizar la redacción de noticias: percepción y actitudes de los periodistas en España». El Profesional de la Información, vol. 27, núm. 4, pp. 750-758. https://doi.org/10.3145/epi.2018.jul.04
Figura 1. Búsquedas a través de Google entre el 15 de noviembre de 2022 y el 01 de junio de 2023.
Fuente: ChatGPT Impact Project (www.chatgptimpact.com)
Fuente: elaboración propia.
Figura 2. Diagrama esquemático del flujo de trabajo y características de NewsDetectorAI