新聞生產自動化倫理挑戰(zhàn)
——算法倫理分析的框架地圖

□文│王曉培 常 江

隨著算法深度卷入新聞行業(yè)，媒介的生產和消費過程正在逐漸自動化?？此啤翱陀^中立”的算法，引發(fā)了諸多關于倫理問題的爭論。原本附加于記者編輯、媒體組織的權力和責任讓渡給算法，使得原有的生產邏輯和關系被打破，同時也產生了現(xiàn)存?zhèn)惱砜蚣茈y以適用的新問題。文章嘗試建構一個新的倫理框架，從算法新聞的技術可能性中提取特征，以生產流程（輸入、處理、生成）和報道的基本原則（真實準確、客觀全面、社會責任）形成矩陣地圖，為明確和解決潛在的倫理挑戰(zhàn)提供進路。

一、自動化：主流新聞生產的一個趨勢

長期以來，技術都是形塑新聞業(yè)生產流程、條件的重要因素。[1]隨著算法深度卷入新聞的編輯、聚合、發(fā)布及內容分發(fā)，媒介的生產和消費過程正在逐漸自動化。目前，自動化新聞多用于結構化數(shù)據(jù)較為充足、報道相對公式化的領域，如體育、財經、犯罪、天氣報道等。多爾（Dorr）自動化新聞定義為自然語言處理（natural language generation，簡稱NLG）的自動或半自動過程，即通過從私人或公共的數(shù)據(jù)庫選取數(shù)據(jù)、分配預選和未選數(shù)據(jù)特征的關系、將相關數(shù)據(jù)集合結構化為一種語義結構（a semantic structure），并將最終文本發(fā)布在線上或線下平臺。[2]

每天，大型媒體機構都會在沒有過多人工干擾的情況下，利用計算機自動生成若干報道。美聯(lián)社（Associated Press）每季度使用自動寫作平臺語言大師（Wordsmith）將原始收入數(shù)據(jù)轉化為3700家企業(yè)的收益新聞，而此前人工僅能編輯400篇。[3]其競爭對手路透社（Reuters）和法新社（Agence France-Presse）每年也會自動生成上千條新聞。[4]自動化新聞生產幫助新聞媒體擴大了報道面，特別是在財經和體育領域。

在中國，自動化新聞也在實踐中嶄露頭角。除了此前騰訊的Dreamwriter（有資料譯為夢幻寫手）、新華社的快筆小新、微軟小冰、今日頭條的xiaomingbot（張小明）等，2018年兩會，新華社利用國內首個媒體人工智能平臺“媒體大腦”首次在兩會報道中使用MGC（Machine Generated Content，機器生產內容）新聞?！懊襟w大腦”可自動分析輿情數(shù)據(jù)、生產可視化圖表，并智能配音、剪輯、輸出。在分析了3511555條內容后，“媒體大腦”僅用15秒就制作出了視頻新聞《2018兩會MGC輿情熱點》。此后，還制作了《“媒體大腦”也在學習政府工作報告 機器發(fā)現(xiàn)了這些看點》《“媒體大腦”想陪你聊聊“兩高”這五年》等六期MGC視頻新聞，海內外總瀏覽量超過1200萬次，覆蓋量超過1億人。

自動化新聞在某種程度上彌補了傳統(tǒng)新聞的不足，得到了消費者的認可。路透研究院發(fā)布的報告《碎片化新聞時代的品牌與信任》（Brand and trust in a fragmented news environment）顯示，盡管大多數(shù)受訪者此前并未關注新聞是如何生產的，他們中的多數(shù)，特別是年輕一代，仍然更傾向于讓算法而不是編輯來決定他們能看到什么新聞。[5]2017年，其發(fā)布的《數(shù)字新聞報告2017》（Digital News Report 2017）再次證明了用戶對算法的喜愛程度。該報告在全球共調查7萬人次，涵蓋五大洲36個國家和地區(qū)。其中，超過54%的受訪者表示更傾向于算法篩選新聞，選擇編輯和記者的受訪者占44%。這一趨勢在主要使用智能手機獲取新聞的用戶（58%）和年輕用戶（64%）中更加顯著。[6]2016年的一次焦點小組調查中，一位來自英國的受訪者解釋道，他們“更傾向于相信從整體（a full range）信息中篩選的算法而不是一位編輯”。[7]可見，“自動判斷”被賦予了客觀性的期望，這對記者專業(yè)判斷的權威性產生了影響。[8]

不僅如此，自動化新聞報道方式的流行，還導致傳統(tǒng)的新聞生產流程和社會功能的變革。表面上看，算法似乎解決了人類天然對主觀性的懷疑：通過“中性”的技術手段替代專業(yè)的決策，形成“客觀”的新聞文本。然而，越來越多的研究表明，算法并不是中立的，其偏見正以一種更為隱秘和復雜的機制運作。這也引發(fā)了諸多關于算法倫理問題的爭論。在微觀層面，記者作為個體一直是新聞倫理的主要約束對象。一般認為，新聞教育會提前將記者訓練成為具備勤奮、可靠、誠實、敏銳等優(yōu)秀品德的專業(yè)人士。但是，作為產品的新聞通常不是單一個體能夠全權負責的，而是涉及多主體、多層次的責任——在宏觀層面，除了媒體組織本身還會受到外部因素，如社會環(huán)境、競爭者的影響。新聞生產的自動化趨勢意味著越來越多的、原本附加于記者編輯、媒體組織的權力和責任讓渡給算法，一方面使得原有的生產邏輯和關系被打破，另一方面也產生了已有框架難以適用的新問題。因此，急需建構一個新的倫理框架，以明確和討論不斷變動的算法新聞倫理爭議。

二、算法的倫理問題研究綜述

算法新聞憑借快速及個性化能力勃興，越來越多地介入到專業(yè)新聞生產之中。學者們[9][10]研究發(fā)現(xiàn)，雖然目前算法新聞尚處初級階段，但記者普遍感覺數(shù)字化和自動化使得新聞生產更加復雜，并讓從業(yè)者更難遵循規(guī)范標準（normative standards）。因而，對算法新聞的研究，除了受眾認知、社會和經濟影響之外，倫理問題也成為了重要的一環(huán)。對倫理的定義有很多種，最廣為傳播的是“關于我們應該做什么的研究”。[11]

艾納尼（Ananny）結合傳統(tǒng)研究倫理的三條路徑——道義論（deontology）、功利主義（utilitarianism）以 及 美 德（virtue ethics） 建 立 了 全 新 的 NIAs（networked information algorithms，網絡信息算法）分析模型，關注作為一個集合（assemblage）的算法如何運作，以及NIAs何時、如何、為誰工作。[12]多爾等為其補充了從來源和動機方面對倫理問題的考量，并提出，算法新聞倫理是作為新聞倫理一部分的數(shù)字媒體倫理（digital media ethics）與計算機科學的賽博倫理（cyber ethics）的交疊。[13]賽博倫理即對涉及賽博技術的道德、法律、社會問題的研究，“對核心（傳統(tǒng)的）道德觀念的特定表述，比如自治、平等、公正、責任和人格尊重”。[14]為全面把握新聞倫理的潛在轉變和挑戰(zhàn)，多爾等結合普爾（Purer）提出的多層責任系統(tǒng)（the multi-layer system of responsibility） 及魏申貝格（Weischenberg）等對組織層次、專業(yè)/個體層次和社會/受眾層次的新聞分類方式（the classification of journalism），建立了一套涵蓋了組織、專業(yè)和社會視域的算法新聞倫理的分析框架，在客觀性、權威性、透明度以及隱含/外顯的價值觀等層面發(fā)掘新聞倫理的嬗變與新挑戰(zhàn)。[15]

隨著2015年國內新聞機構引入機器人寫作技術，我國學者對算法新聞倫理的研究也日漸增多。牛靜和劉丹通過對全球134篇媒體倫理規(guī)范的分析，總結出了提及率前十名的倫理原則，如保護消息來源、保護隱私、更正、明確新聞界限等。[16]靖鳴等總結了人工智能技術在傳播內容、輿論監(jiān)督、公眾信息安全和著作權以及“信息繭房”方面為新聞業(yè)帶來的倫理失范問題。[17]喬艷認為，機器人新聞生產機制對新聞工作者的價值產生沖擊，并為新聞受眾構建了新的邏輯。[18]陳昌鳳等考察了智能算法推薦與分發(fā)的倫理風險，嘗試打開算法“黑箱”，探究技術實踐與公共信息生產的權力遷移。[19]張淑玲則關注算法權力躍升與算法黑箱的不透明性之間的張力，梳理了新聞算法黑箱的三種表現(xiàn)形態(tài)、成因及解決策。[20]

整體來看，目前我國對于算法新聞倫理的研究稍顯零散，研究或從單一角度入手，或從宏觀角度理論概述，尚未形成一個較為系統(tǒng)、全面的分析框架。本研究試圖從算法新聞的技術可能性中提取特征，搭建一個適用于國內算法新聞的倫理地圖，為明確和解決潛在的倫理挑戰(zhàn)提供進路。

三、我國算法新聞倫理的框架地圖

本文借助學者多爾[21]總結提煉的算法新聞的I-T-O框架（如圖1），基于技術流程將自動化新聞生產劃分為三個部分：輸入（input），從數(shù)據(jù)庫提取數(shù)據(jù)；處理（throughput），用預先設定的語言和統(tǒng)計規(guī)則處理數(shù)據(jù)；生成（output），最終用自然語言輸出文本。

圖1 算法新聞的I-T-O模式

從技術手段上說，NLG擁有不同的算法種類，如按照學習方式可分為監(jiān)督式學習、非監(jiān)督式學習、半監(jiān)督式學習、強化學習等，并還將出現(xiàn)新的手段。本文借助可操作的概念并還原其在自動化新聞生產過程中的作用，以生產行為及結果為導向，從新聞報道的基本原則切入，嘗試建構一個能夠系統(tǒng)描述動態(tài)、開放的算法新聞的倫理框架。以生產流程（輸入、處理、生成）和報道的基本原則（真實準確、客觀全面、社會責任）形成了一個3×3的矩陣地圖（如表1），為分析實踐和規(guī)范問題提供路徑。

表1 算法新聞倫理的分析框架

1.輸入：數(shù)據(jù)的可信度

在輸入階段，倫理問題主要來自數(shù)據(jù)本身及其來源?，F(xiàn)階段，結構化數(shù)據(jù)是NLG的前提。自動化新聞之所以在體育、財經、犯罪等領域最為常見，正是由于這些領域數(shù)據(jù)的可得性和結構化程度高?？梢?，數(shù)據(jù)本身的準確性和可靠度對最終報道的真實準確具有決定性影響。數(shù)據(jù)的完整性、中立性也非常重要。若數(shù)據(jù)庫獲取不全或具有偏向性，都可能導致錯誤與偏見。此外，原始數(shù)據(jù)庫需要經過“清洗”，以算法能夠理解的結構化形式輸入。此過程中，一些無法被結構化的數(shù)據(jù)被清理或忽視，也可能導致數(shù)據(jù)的缺失與偏向。

數(shù)據(jù)的來源一直是新聞倫理研究關注的問題。在算法新聞領域，數(shù)據(jù)來源的問題可以從兩個主體層面進行考察。一是從媒體機構層面，為實現(xiàn)數(shù)據(jù)透明，算法新聞的數(shù)據(jù)來源是否應該被公開尚存爭議，因為長期以來“保護信源”都是新聞倫理中重要的一項。應該如何解決“數(shù)據(jù)透明”與“信源保護”之間的矛盾？此外，獲取的數(shù)據(jù)途徑是否正當、取得數(shù)據(jù)后媒體機構是否有權使用其進行商業(yè)活動也是被廣泛討論的問題；二是從用戶個體層面，算法時代，個人隱私的邊界正在逐漸消融，媒體對用戶數(shù)據(jù)的抓取和搜集可能會侵犯個人隱私權。個人隱私的邊界應該如何界定？未被授權的數(shù)據(jù)可以作為新聞寫作的素材嗎？2018年5月25日，歐盟全新的《通用數(shù)據(jù)保護條例》（General Data Protection Regulation，簡稱GDPR）取代了1995年通過的歐盟數(shù)據(jù)保護法律，似乎給出了一種答案。該條例用嚴格的規(guī)定和高額的罰金迫使企業(yè)關注和保護客戶數(shù)據(jù)，讓用戶能夠更主動地掌控數(shù)據(jù)，維護隱私?，F(xiàn)階段，我國的法律在信息數(shù)據(jù)保護方面仍有待完善。

2.處理：算法的透明度

有學者將透明度定義為“新聞行業(yè)內部和外部人士都有機會能夠監(jiān)督、檢查、批評甚至干涉報道過程的途徑”，[22]讓觀眾能夠了解新聞生產過程和報道幕后的記者。而算法新聞的出現(xiàn)卻挑戰(zhàn)了這一傳統(tǒng)標準，自動生產的過程似乎是一個“黑箱”，特別是機器學習算法的出現(xiàn)，讓人類難以對其決策過程進行監(jiān)督和干預，更難對輸出結果的合法性進行認定。透明度有兩個重要的組成部分——可得性和可理解性（accessibility and comprehensibility）：可得性即數(shù)據(jù)所有者的知情權與數(shù)據(jù)使用者的商業(yè)可行度（commercial viability）間的權力博弈，形成信息不對稱和有利于數(shù)據(jù)使用者的“知識和決策權力的不平衡（imbalance）”；[23]可理解性即算法運行的規(guī)則和過程能被用戶理解，但知識門檻與技術壁壘的存在使得此部分的實現(xiàn)并非易事。[24]此外，出于商業(yè)性的專利保護、國家安全和隱私等考慮，算法做到完全公開是極為困難的。

不過在此方面，國外媒體也做出了多種嘗試。新媒體公司（ProPublica）發(fā)布其統(tǒng)計方法論白皮書；美國新聞聚合網站嗡嗡喂（BuzzFeed）、538（FiveThirtyEight）等將他們部分數(shù)據(jù)向文章的數(shù)據(jù)和代碼設為開源；《紐約時報》、BBC等均在不同程度上公布了其算法工具的細節(jié)。而目前我國多數(shù)新聞寫作機器人并未公開詳細的算法，僅有微軟小冰粗略地公開了其實現(xiàn)人機對話的機理。[25]

一些觀點認為，算法判斷與人類主觀決策相比，似乎具有天然的中立性，有學者將其稱作“算法客觀性”（algorithmic objectivity）。[26]因為算法會按照預先設定的統(tǒng)一運算流程，在沒有人為干預的情況下處理所有數(shù)據(jù)，而不是根據(jù)某一時刻的臨時判斷。但很多人發(fā)現(xiàn)，算法處理數(shù)據(jù)的運行邏輯仍舊是人類行動，傳統(tǒng)的監(jiān)督式學習在算法編寫過程中可能受到程序設計者、機構的價值觀以及所處社會環(huán)境、技術限制等影響，機器學習算法則可能會受到用戶使用方式的影響，制造更多有意識或無意識的偏見的產生。有學者指出，臉書（Facebook）新聞的算法邏輯重視那些能夠被分享、被評論和被點贊的內容，因此適合那些能夠引發(fā)情緒波動的內容，如讓人“極度喜悅或義憤填膺”的帖子或圖片。[27]

可追溯性在保證新聞的真實準確和事后追責上扮演非常重要的角色。然而，機器學習算法的普及卻使得人類逐漸喪失了對機器行為的完全掌控，對算法行為的控制權逐漸從設計者、程序員轉移到了算法本身及其運行環(huán)境，出現(xiàn)了“責任溝”（an accountability gap）。一篇自動化報道出現(xiàn)問題之后，責任主體應指向誰？程序設計者、機構還是計算機？此外，有學者認為，人類的道德標準無法適用于計算機，算法也無法模擬人類“對情感、道德的彈性把控”。[28]什么樣的算法設計是合理的、能夠滿足人類閱讀期待的？人機的倫理一致性（ethical consistency）以及對社會和道德責任的重置問題都尚未形成一致看法。

3.生成：報道的正當性

算法對于報道的真實、準確性有雙重作用。一方面，算法可以幫助媒體鑒別信息真?zhèn)危蔀楹芏嗝襟w核實信源、應對假新聞的有效方式。比如路透社開發(fā)的針對社交媒體推特（Twitter）的算法預警程序“新聞追蹤者”（News Tracer），運用算法評估發(fā)布者的用戶資料、認證情況、關注者和被關注者、消息的傳播方式等700余項指標，幫助記者判斷一則推文的可信度，并利用機器學習發(fā)現(xiàn)被廣泛討論的事件，判斷其是否具有新聞價值。[29]另一方面，算法在輸入、處理過程中的偏見與不足，可能會直接導致報道的偏差與失實?！都~約時報》曾在一則橄欖球比賽報道中表示，盡管有大數(shù)據(jù)作為支撐，但機器人生成的報告要比NFL專業(yè)教練的預測更為樂觀。[30]

現(xiàn)階段，因技術和成本的限制，除為全球提供商業(yè)、金融信息的路透社、彭博社，多數(shù)媒體機構選擇與外部渠道合作或購買的方式獲取“二手數(shù)據(jù)”而不是自主發(fā)掘數(shù)據(jù)。而出于合作、預算或對第三方數(shù)據(jù)的依賴，可能限制報道的復雜、深入程度以及立場，這也引發(fā)了對媒體自主權、報道獨立性、客觀性的討論。

社會責任是媒體活動的基礎。早期，西方媒體被譽為獨立于“三權分立”中的立法、行政、司法之外的“第四權力”，以報道的方式監(jiān)督政府、制衡權力、守望社會。然而算法新聞似乎正在削弱媒體的社會功能。算法新聞目前還需要提前預置模板，對內容的豐富度和深入度產生消極影響，導致最終的產品中出現(xiàn)背景信息、創(chuàng)造性和反思的缺位。多名一線記者在一次工作坊中表示，自動生成的文章可看性低、內容無聊，對讀者“沒有吸引力”。[31]皮尤研究中心發(fā)布的報告《變革中的新聞編輯部》中曾提出，“美國報紙獲得了數(shù)字時代網絡觀念和技能的更新，及淺顯內容的多元化展示，而失去的是精致內容的生產能力?！?算法新聞也擠占了媒體有限的資源，調查報道作為一項重要的公共服務因記者規(guī)模和資金的削減日漸減少，導致普遍的深度內容供應不足。[32]原本應充當“看門人”（watchdog）的媒體反而被商業(yè)利益、政治集團利用。比如，2018年劍橋分析公司（Cambrige Analytica）被爆利用Facebook數(shù)據(jù)通過在各大社交平臺精準投放具有偏向性的新聞操縱選民情緒，為各國政治宣傳、大選等利益集團服務，甚至染指英國脫歐、美國總統(tǒng)大選等重大事件。

在自動化新聞生產中，價值觀也是非常重要的一環(huán)。由于算法不具備人類的道德判斷，若不加以適當限制和引導，易產生不良的社會影響。比如，微軟小冰就曾因為機器學習樣本問題被網友“帶壞”而出口成“臟”，甚至還在與網友的對話中發(fā)表反動言論，一度被封殺。作為一家科技公司，今日頭條的創(chuàng)始人張一鳴曾公開稱“算法沒有價值觀”，但從2017年開始，今日頭條旗下產品屢屢因為價值導向問題被相關部門責令整改、關停。正如凱文·凱利在《科技想要什么》中說的：“我們的任務是引導每一項新發(fā)明培育這種內在的‘善’，使之沿著所有生命的共同方向前進?！盵33]沒有正確的價值導向，算法主導的新聞業(yè)極易產生負面的社會影響。

四、總結

算法作為一種伴隨新技術而生的權力，社會影響力愈發(fā)廣泛、深遠。技術的進步能否帶來更好的新聞業(yè)？在反思算法倫理的地圖之后發(fā)現(xiàn)，其在新聞業(yè)的應用既帶來了新可能與便捷，如鑒別信息真?zhèn)?、預測未來發(fā)展、個性化寫作、拓展報道話題等，也帶來了諸多關于客觀性、真實性、社會責任等方面的爭議。艾納尼總結前人研究，準確道出了算法的復雜性：它不僅是加速商業(yè)、新聞業(yè)、金融等其他領域的工具，而且是作為“話語”的存在，是技術的和社會的知識文化，組織信息如何產生、呈現(xiàn)、生成意義、被視為合法以及賦予公共意義。算法新聞倫理也是糅合了制度化代碼、專業(yè)文化、技術性能、社會實踐以及個體決定的復雜結果。算法作為自動化時代的根基所帶來的倫理挑戰(zhàn)并不是“透明度”與“黑箱”可以完全概括的，框架地圖的構建與完善能夠幫助厘清潛在問題并提出應對方案，未來研究可圍繞某一概念進行更為詳盡的研究，以及如何將“工具理性”和“價值理性”更好地結合。

注釋：

[1]Roger Parry.The Ascent of Media: from Gilgamesh to Google via Gutenberg [M].London: Nicholas Brealey, 2011.Boston: Nicholas Brealey Pub.

[2]Konstantin Dorr.Mapping the Field of Algorithmic Journalism [J].Digital Journalism, 2016 (6).

[3]Francesco Marconi, Alex Siegman and Machine Journalist.The Future of Augmented Journalism: A guide for newsrooms in the age of smart machines [R].Associated Press.[2017-02-22].https://insights.ap.org/uploads/images/the-future-of-augmented-journalism_apreport.pdf

[4]Alexander Fanta.Putting Europe’s Robots on the Map: Automated journalism in news agencies [EB/OL].Reuters Institute [2017-09-01].https://reutersinstitute.politics.ox.ac.uk/our-research/putting-europes-robotsmap-automated-journalism-news-agencies

[5]Kantar Media.Brand and Trust in A Fragmented News Environment [R].[2016-10-10].http://reutersinstitute.politics.ox.ac.uk/our-research/brand-and-trustfragmented-news-environment

[6]Nic Newman with Richard Fletcher, Antonis Kalogeropoulos, David A.L.Levy and Rasmus Kleis Nielsen.Digital News Report 2017 [R].Reuters Institute for the Study of Journalism.[2017-06-22].http://www.digitalnewsreport.org

[7]Nic Newman with Richard Fletcher, David A.L.Levy and Rasmus Kleis Nielsen.Digital News Report 2016 [R].Reuters Institute for the Study of Journalism.[2016-06-14].http://www.digitalnewsreport.org/survey/2016/

[8]Matt Carlson.Automating judgment? Algorithmic judgment, news knowledge, and journalistic professionalism [J].New Media & Society, 2017 (4).

[9]Brian Creech and Andrew L.Mendelson.Imagining the Journalist of the Future: Technological Visions of Journalism Education and Newswork [J].Communication Review, 2015 (18).

[10]Lia Paschalia Spyridou, Maria Matsiola, Andreas Veglis, George Kalliris, and Charalambos Dimoulas.Journalism in a State of Flux: Journalists as Agents of Technology Innovation and Emerging News Practices [J].International Communication Gazette, 2013 (75).

[11]John C.Merrill.Theoretical Foundations for Media Ethics.In Controversies in Media Ethics, 3rd ed.[C],edited by A.D.Gordon, J.M.Kittross, J.C.Merrill,W.Babcock, and M.Dorsher.New York: Routledge, 2011.

[12]Mike Ananny.Toward an Ethics of Algorithms:Convening, Observation, Probability, and Timeliness [J].Science, Technology, & Human Values, 2016 (41).

[13]Konstantin Nicholas Dorr & Katharina Hollnbuchner.Ethical Challenges of Algorithmic Journalism [J].Digital Journalism, 2017 (5).

[14]Herman H Tavani.Ethics and Technology.Controversies,Questions, and Strategies for Ethical Computing [M].New Jersey: Wiley, 2011: 13.

[15]Konstantin Nicholas Dorr & Katharina Hollnbuchner.Ethical Challenges of Algorithmic Journalism [J].Digital Journalism, 2017 (5).

[16]牛靜，劉丹.全球媒體倫理規(guī)范的共通準則和區(qū)域性準則——基于134篇媒體倫理規(guī)范文本的分析 [J].新聞記者,2017 (10).

[17][28]靖鳴, 婁翠.人工智能技術在新聞傳播中倫理失范的思考 [J].出版廣角, 2018 (1).

[18]喬艷.智媒時代機器人新聞對新聞倫理的沖擊與重建 [J].新聞世界, 2017 (11).

[19]陳昌鳳，霍婕.權力遷移與人本精神：算法式新聞分發(fā)的技術倫理 [J].新聞與寫作，2018 (1).

[20]張淑玲.破解黑箱：智媒時代的算法權力規(guī)制與透明實現(xiàn)機制 [J].中國出版，2018 (7).

[21]Konstantin Dorr.Mapping the Field of Algorithmic Journalism [J].Digital Journalism, 2016 (6).

[22]Mark Deuze.What is Journalism? Professional Identity and Ideology of Journalists Reconsidered [J].Journalism,2005 (6).

[23]Omer Tene and Jules Polonetsky.Big data for all:Privacy and user control in the age of analytics [J].Northwestern Journal of Technology and Intellectual Property, 2013 (11).

[24]Brent Daniel Mittelstadt, Patrick Allo, Mariarosaria Taddeo, Sandra Wachter, Luciano Floridi.The Ethics of Algorithms: Mapping the Debate [J].Big Data & Society, 2016 (3).[25]講堂|周明：自然語言對話引擎 [EB/OL].微信公眾號：微軟研究院AI頭條 [2017-04-12].

[26]Tarleton Gillespie.The Relevance of Algorithms.In Media Technologies: Paths Forward in Social Research[C], edited by Tarleton Gillespie, Pablo Boczkowski, and Kirsten Foot.London: MIT Press, 2014.

[27]Zeynep Tufekci.The Real Bias Built in at Facebook[EB/OL].The New York Times[2016-05-19].https://www.nytimes.com/2016/05/19/opinion/the-real-bias-built-inat-facebook.html

[29]Reuters News Tracer: Filtering through the noise of social media [EB/OL].https://agency.reuters.com/en/insights/articles/articles-archive/reuters-news-tracerfiltering-through-the-noise-of-social-media.html.

[30]鄧建國.機器人新聞：原理、風險和影響 [J].新聞記者，2016(9).

[31]Neil Thurman, Konstantin Dorr & Jessica Kunert.When Reporters Get Hands-on with Robo-Writing [J].Digital Journalism, 2017 (5).

[32]James T.Hamilton.Democracy’s Detectives: The Economics of Investigative Journalism [M].Massachusetts:Harvard University Press, 2016.

[33]凱文·凱利, 熊祥譯.科技想要什么 [M].北京: 中信出版社，2011.