Nur eine einfache Aufforderung und schon ist Ihr Essay in wenigen Sekunden fertig. Es ist natürlich, über die Auswirkungen nachzudenken, die LLMs auf den Journalismus haben können und werden, aber finden Journalisten LLMs tatsächlich hilfreich für ihre Arbeit? Diakopoulos et al. befragten 292 Journalisten im Jahr 2024, wie sie LLMs in ihrer Arbeit nutzen und welchen Herausforderungen sie sich stellen (Diakopoulos et al., 2024). Die Befragten waren im Durchschnitt 18 Jahre in der Nachrichtenbranche tätig, so dass Sie ihnen als professionelle Journalisten vertrauen können. Bleiben Sie dran, denn ob Sie nun ein LLM-Fan sind oder nicht, die Ergebnisse sind vielleicht nicht genau das, was Sie erwartet haben.

81,4 % der Befragten gaben an, dass sie über generative KI Bescheid wissen, und fast drei Viertel von ihnen gaben an, dass ihre Organisationen generative KI Systeme in gewissem Maße eingesetzt haben. Die häufigste Verwendung von LLMs ist nicht überraschend die Textproduktion (69,6 % der 181 Befragten, die LLMs verwendet haben), wobei die Verwendung sicherlich nicht auf Text beschränkt ist, sondern sich auch auf Multimedia, Übersetzung, Transkription, Benutzererfahrung und Metadaten erstreckt, und zwar in absteigender Reihenfolge der Beliebtheit. Viele Journalisten wiesen jedoch darauf hin, dass sie aufgrund von Qualitätsproblemen manchmal mehr Zeit mit der Bearbeitung des Outputs von LLMs verbringen, als sie dadurch einsparen. LLMs schienen sicherlich nützlich für Brainstorming und verwandte Funktionen zu sein, die die Kreativität der Journalisten unterstützen, einschließlich des Sammelns von Hintergrundinformationen und der Erweiterung des Publikums. Um einen der Befragten zu zitieren: „Die Möglichkeit, schnell zahlreiche visuelle Iterationen eines Konzepts zu sehen, macht es einfach, Optionen und Ideen zu erkunden, die ich sonst aufgrund von Zeit- oder Ressourcenbeschränkungen nicht verfolgen würde“. Im Folgenden wird zusammengefasst, wie LLMs und generative KI Systeme die Journalisten bei den von den Befragten am häufigsten genannten Aufgaben unterstützen.

Texte: Generierung von Inhalten wie Schlagzeilen, Social-Media-Posts, Newslettern, Quiz, Text aus Daten, Taglines und Story-Entwürfen. LLMs wurden selten für den Hauptinhalt eines Artikels verwendet.
Multimedia: Illustrationen für Beiträge in sozialen Medien, Video- und Audiobearbeitung (z. B. Text in Sprache)
Übersetzung und Transkription: als Teil des Produktionsprozesses von Inhalten, mit Tools wie Otto oder Whisper.
Benutzererfahrung: zur Erstellung von Chatbots für Verbraucher (Leser)
Metadaten: Erstellung von Alt-Texten für Bilder, die angezeigt werden, wenn die Website die Bilder nicht lädt oder von barrierefreien Tools gelesen werden, oder auch für Audiodateien.

Eine weitere bemerkenswerte Veränderung, die der LLM im Journalismus bewirkt hat, ist die Tatsache, dass sich die journalistischen Berufe in der Branche zusammen mit den organisatorischen Veränderungen rasch weiterentwickeln. Fast die Hälfte der Befragten gab an, dass sich ihre Arbeitsabläufe oder Aufgaben durch generative KI Systeme verändert haben, was sich zum Teil bereits schnell in ihrem CMS (Content Management System), ihren Slack-Kanälen (einem beliebten Messenger für die Arbeit) und anderen häufig genutzten Bürosoftwares niederschlägt. Es entstehen auch neue Positionen für verschiedene Kompetenzniveaus und Rollen, darunter Führungsrollen wie „Innovation Officer“ oder „KI-Experte“, redaktionelle Rollen wie „Prompt Editor“ oder „Fact Checker“, in der Tat auch juristische Rollen und nicht zuletzt viele technische Rollen wie „Software Engineer“ oder „Quality Assurance.“ 

Wir möchten die Sitzung mit einer Liste der journalistischen Tätigkeiten beenden, bei denen die Befragten eine Unterstützung durch KI Systeme in Betracht ziehen würden und bei denen sie dies nicht tun würden. Mehr Journalisten würden den Einsatz von KI Systemen für die Analyse oder das Sammeln von Informationen in Erwägung ziehen, aber sie würden sich weniger auf KI Systeme verlassen, wenn es um die Interpretation der Informationen oder deren Verwendung für die Entscheidungsfindung geht. Dieses Ergebnis bestätigt die Bedenken der Journalisten in Bezug auf die Genauigkeit und die ethischen Aspekte der KI Systemen. Diese Bedenken reichten aus, um viele Journalisten davon abzuhalten, generative KI Systeme überhaupt zu nutzen. Auf die Frage nach einer Strategie zur Bewältigung solcher ethischen Bedenken gaben 20 % der Befragten an, dass der Output einer generativen KI Systemen oder eines LLM sorgfältig von Menschen überprüft und kuratiert werden müsse, wenn auch nicht von allen.

Der Bericht befasst sich mit vielen weiteren Themen im Zusammenhang mit KI Systemen im Journalismus, die auf dieser Seite nicht vorgestellt wurden, einschließlich der Verantwortung, der Einstufung von journalistischen Aufgaben in Bezug auf ihre Langweiligkeit und den Vorschlägen der Autoren für die Journalismusbranche im Zeitalter der KI. Die Schlüsselfrage ist, wie wir die Vorteile von LLMs und anderen KI-Modellen maximieren und gleichzeitig ihre Nachteile minimieren können, insbesondere die ethischen Nachteile, die von Journalisten und ihren Verbrauchern ernsthaft und sicher angegangen werden sollten.

 

Die schnell wachsenden Medien haben viele neue Kanäle für die Marktanalyse entstehen lassen. Dazu gehören Posts auf Social-Media-Plattformen, Börsenberichte oder Bewertungen, die auf Google Maps und Online-Shopping-Seiten geschrieben werden, sowie E-Mails, die an den Kundendienst geschickt werden. Sofern die Plattform kein numerisches Bewertungssystem unterstützt, müssen die Analysten die Bewertungen im Textformat lesen, um zu sehen, wie zufrieden die Kunden mit einem Produkt waren, was in der Tat ein mühsamer Prozess ist. Die Stimmungsanalyse ist ein etablierter Forschungsbereich, der unter die Verarbeitung natürlicher Sprache fällt und dessen Ziel es ist, den emotionalen Ton eines bestimmten Textes zu bestimmen (Liu, 2015). Die Anwendung der Sentiment-Analyse ist zwar nicht auf die Analyse von Marktreaktionen beschränkt, aber sie wird intensiv für den Finanzbereich erforscht. Die schnelle Erfassung von Informationen und die Erstellung zuverlässiger Vorhersagen werden umso wichtiger, je größer der Markt wird, denn bereits 2013 entsprachen sechs Millisekunden einer transatlantischen Verbindung von 300 Millionen Dollar (Uhr et al. 2014). Mit den jüngsten Fortschritten bei LLMs werden aktive Anstrengungen unternommen, um sie auf die Stimmungsanalyse an den Aktienmärkten anzuwenden. Im Folgenden werden wir den aktuellen Stand der Sentimentanalyse im Finanzbereich und die Wirksamkeit von LLMs in diesem Bereich diskutieren.

Die traditionelle, aber dennoch gängige Methode zur Durchführung von Stimmungsanalysen besteht darin, eine manuell vordefinierte Menge von positiv und negativ kategorisierten Wörtern in einer wörterbuchähnlichen Weise zu verwenden, was jedoch sofort auf Schwierigkeiten stößt, wenn Negation verwendet wird oder das Wort in vielen verschiedenen Bedeutungen verwendet werden kann.