En la época en la que se puede generar información –y desinformación–, imágenes y procesos automatizados con los modelos de inteligencia artificial (IA), la periodista Emilia Díaz-Struck, directora ejecutiva de la Red Global de Periodismo de Investigación, propone usar esta tecnología al servicio del periodismo de investigación que es de interés ciudadano. Según indica, se necesita tiempo, recursos y gente
(26-11-2023) El periodismo de investigación les muestra a las personas información oculta que les interesa y les afecta, aunque no tuvieran claro que necesitaban saberla. Para conseguir la anhelada revelación, los equipos periodísticos, y a menudo periodistas solitarios, se dedicaban a leer documentos, entrevistar personas, hacer conexiones que no son visibles y preguntar mucho. Reportería clásica. ¿Pero qué pasa cuando una petición de información arroja ocho millones de registros? ¿Cuántos periodistas serían necesarios para revisarlos, encontrar patrones e inconsistencias y arrojar conclusiones?
En la era de la inteligencia artificial (IA), algunas personas estarán tentadas a pensar que ningún ser humano. Pero en el periodismo de investigación la respuesta debe seguir incluyendo periodistas, pero también diseñadores, expertos en programación, editores y verificadores de información. Este es uno de los llamados que hizo Emilia Díaz-Struck, directora ejecutiva de la Red Global de Periodismo de Investigación, en la clase magistral “Periodismo de investigación en la era de la inteligencia artificial”, que se realizó de forma virtual el pasado 8 de noviembre de 2023. La periodista explicó la importancia de la mirada humana cuando se trabaja con la IA y, aún más, cuando se investiga a esta misma herramienta.
La inteligencia artificial es mucho más que robots y ChatGPT. Y para el periodismo de investigación hay al menos dos tipos de IA que pueden resultar útiles: por un lado, los modelos grandes de lenguaje, como ChatGPT, traductores o transcriptores de audio a texto; y por el otro, el machine learning, que a partir de la interacción y la información que se le provea puede clasificar, predecir y agrupar grandes volúmenes de información bajo parámetros establecidos por humanos. Esto último es vital para grandes investigaciones periodísticas que implican analizar millones de datos, detectar patrones y hacer conexiones entre documentos de diversos formatos.
Pero no trabaja por sí sola. Son los periodistas quienes entrenan a la máquina tras pensar qué quieren buscar, dónde está la información que deben analizar y cuáles son las preguntas que se le deben hacer al tema.
Mirada crítica y verificación: las claves para trabajar con la IA
En la investigación Implant Files, el equipo periodístico hizo alrededor de mil solicitudes de información sobre eventos adversos asociados al uso de implantes médicos. El resultado fue un paquete de ocho millones de registros asociados a esta práctica. “¿Cuántos nos tomaría si fuésemos nosotros solos agarrar y ver la data para hacer el análisis de manera manual? El uso de la tecnología para hacer análisis se convierte en parte del proceso”, afirma Díaz-Stuck.
Pero también la mirada crítica y la tecnología tradicional: “Cuando estábamos trabajando en ese proyecto, un colega reportero tradicional estaba contactando fuentes y una le dice: parece que los fabricantes no siempre reportan las muertes a las autoridades como muertes”, explica.
Entonces, entrenaron un modelo para detectar la muerte en descripciones de la base de datos. Por ejemplo, en las categorías existía: fallecido, herida o falla en el equipo. Luego estaba la descripción. “Encontramos que parecía que la pista era cierta”, que en la descripción se decía “el paciente expiró”, en vez de “falleció” y reportaban una herida. Entrenaron el modelo con las frases para identificar cuáles de estas significaban una muerte.
Pero el modelo no es perfecto. La información que entrega la máquina debe ser constatada. Once verificadores de información estuvieron revisando, uno a uno, los 2.100 casos en los que, según la IA, hubo muertes que no fueron reportadas. Conforme verificaban que la “expiración” sí correspondiera al paciente y no, por ejemplo, a un familiar del paciente o al implante médico, mejoraban la forma de aprendizaje de la máquina. “Sin proceso de verificación podemos contar lo que no es porque creemos que es”, dice Díaz-Stuck.
El machine learning combinado con reportería tradicional y verificado por personas también ha sido clave en trabajos como Corredor furtivo, en el que periodistas de Armando.info tomaron las imágenes satelitales de los Estados Bolívar y Amazonas en Venezuela, se las enseñaron a una IA y la entrenaron para identificar puntos de minería, en su mayoría ilegal. Encontraron 3.718 puntos. Luego, enseñaron a la máquina a encontrar pistas clandestinas para el envío de cargamentos de oro y droga, y ahí encontraron otras 40 ubicaciones. Con reportería tradicional, yendo a algunos de los puntos señalados por la máquina, construyeron el trabajo periodístico.
Identificar los sesgos: así se puede investigar la IA
Si la máquina aprende la información que le entregan los humanos, la máquina puede tener sesgos. Y hay que identificarlos e investigarlos. “Si toda la data que se introduce y lo que se le enseña [a la máquina] es que hay que diferenciar gatos y perros, pero la data que se pone muestra gatos negros y perros blancos, ¿qué pasa si se le muestra un gato blanco? La computadora no va a detectarlo”, afirma la experta.
Tener claro que el algoritmo no es objetivo, e identificar dónde se utilizan los algoritmos es una base para la investigación. Por ejemplo, en el trabajo Unlocking Europe’s Welfare Fraud Algorithms, periodistas de cinco países europeos tomaron información sobre los programas de bienestar social, la gente y datos sobre cómo funcionan los algoritmos encargados de puntuar y clasificar a las personas para otorgar beneficios. Al analizarlos, con ayuda de inteligencia artificial, encontraron que los algoritmos utilizados por los países tienen sesgos y discriminan por razones étnicas y de género.
Para lograr investigar la IA, es clave el proceso editorial. Emilia Díaz-Struck da algunos consejos:
El proceso editorial: la clave para una investigación exitosa con IA
Una investigación periodística que necesite inteligencia artificial para desarrollarse, también necesita un equipo humano conformado por, al menos, un especialista en el modelo del algoritmo, reporteros de investigación, verificadores de información y editores capaces de hacer preguntas precisas tanto a la IA como a la información que encuentran los periodistas en la calle.
La mirada del equipo humano debe estar en cuatro puntos principales:
- ¿Qué calidad tiene la data?, ¿qué trabajo se debe hacer de manera manual para que el resultado que entregue la máquina sea lo más preciso posible?
- ¿Qué dice la reportería con relación a los datos obtenidos?
- ¿Cómo se van a presentar los datos de modo que efectivamente muestren los hallazgos?
- ¿Quién y cómo se va a verificar que la información que entrega la máquina sí responda a la realidad y tenga sentido?
“Necesitamos más periodistas, más gente que verifique información, especialistas en investigación, en análisis de datos. El componente humano crece cuando trabajamos con inteligencia artificial”, sentencia Díaz-Struck.
Como este trabajo toma tiempo y puede no ser fácil de comprender, Emilia Díaz-Struck recomienda buscar alianzas con centros especializados, por ejemplo, de universidades, y ser transparentes con el proceso desarrollado. “A veces se puede publicar el código, otras veces no. Pero se debe explicar paso a paso, de manera clara y sencilla, cómo se hizo, cómo se introduce y se presenta la información en las historias. Contar cómo se verificó, como se construyó el modelo o en general cómo se utilizó la IA”.
La investigación periodística siempre ha tomado tiempo. El entrenamiento de máquinas, además, necesita otros recursos. Pero todo vale la pena porque tiene un propósito: hacer periodismo de interés público.
