HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

フィラデルフィア・インクワイアラー紙が、地域密着型ニュースを発掘するAIツール「Scrape」を開発

The Philadelphia Inquirer built Scrape, an AI tool to surface hyperlocal news (lenfestinstitute.org)

73 pointsby giuliomagnifico26 コメント

要約

フィラデルフィア・インクワイアラー紙は、地域密着型のニュースを発掘するためのAIツール「Scrape」を開発しました。このツールは、Lenfest Instituteが提供する地域ジャーナリズムリーダー向けの無料ツール・リソースの一部として位置づけられています。目的は、地域社会に貢献するための持続可能な戦略を開発することです。

全文翻訳

フィラデルフィア・インクワイアラーが超ローカルニュースのリードを発掘するAIツール「Scrape」を構築した方法

ケーススタディ

Lenfest AI CollaborativeおよびFellowship Programのプロジェクト

Sonali Verma 著

2026年9月30日

[画像:インクワイアラーは、ローカルニュースレターのリードを見つけるためにScrapeを使用しています。写真:Inquirer.com]

問題

フィラデルフィア・インクワイアラーは、フィラデルフィア地域全体にわたる特定のコミュニティをカバーする超ローカルなニュースレターを発行しています。チームは、地方自治体の会議、学校の予定表、Facebookページなどの断片化された情報源から、各コミュニティのニュース価値のある記事を確実に発掘する方法を必要としていました。

編集者の一人は、ニュースレターの記事を見つけるだけで週に約12時間を費やしており、執筆や出版物のトーンを形成する時間はほとんど残されていませんでした。

Lenfest InstituteのAIフェローであり、インクワイアラーに所属するKevin Hoffman氏は、「非常に多くの小さな情報源から来るため、ふるいにかけるのが大変」だと述べています。

解決策

インクワイアラーのAIツール「Scrape」は、作業時間を節約し、その作業のシグナル対ノイズ比を高めるために作成されました。

Scrapeが機能したのは、純粋な技術的実験としてではなく、編集者からの緊密なフィードバックループを備え、インクワイアラーのワークフローを中心に構築されたためです。

まず、チームは既存の手動プロセスに基づいてツールを構築しました。リード編集者はすでに厳選された情報源リストを作成し、毎日手作業でヒントシートを作成していました。Kevin氏は、これを直接的なAIトレーニングおよび評価ループにしました。

彼らの仮説は、AIがニュース価値のある情報を見つけるために使用できるということでした。それをテストするために、チームは「この編集者が関心を持つ情報源に対して毎日AIを実行し、ヒントシートを作成し、さらにこのヒントシートを編集者が作成したものと比較して、『実際、同じ洞察を抽出できているか?編集者が見逃した新しい洞察を見つけているか、あるいはいくつかの領域で見逃しているか?』を理解する」とKevin氏は述べています。

「そして、まさにそれが3〜4ヶ月にわたって行ったことです。かなり集中的でした。2日に1回、編集者はScrapeの調子について私にフィードバックをくれました。」

チームはScrapeを実行し、編集者が注釈を付け、何が役立ち、何が役立たなかったかを指摘する電子メールダイジェストを生成しました。

Kevin氏によると、箇条書きの追加・削除や、ニュース価値の定義が行われたこの反復的なプロンプトの洗練により、出力は徐々にノイズ(予定変更された会議や定型的な道路閉鎖など)から、真に影響力のあるコミュニティニュースへと移行しました。

2つ目の大きな成功要因は、編集上のコンテキストをシステムに直接組み込んだことです。チームは、超ローカルニュースのガイドラインとして地理情報を使用するだけでなく、ニュースレターの対象読者、関連する地理的地域、学区、トピックなどのニュースレター固有の説明を使用しました。このようにして、Scrapeの出力はニュースレターの読者が実際に気にかけているものと一致しました。

「例えば、チェスター郡は私たちのニュースレターの一つです。このプロジェクトの編集者は、このニュースレターの説明を作成し、彼らが探しているものを含めました。読者は、地方自治体や地域政府から、特に彼らの生活に影響を与えるレストランや小売ビジネスのような、彼らに関連するローカルな州のニュースまで、あらゆるものに関心があります」とKevin氏は述べています。プロンプトには、株式市場や人事異動のようなトピックに関する単なるビジネスニュースなど、含めないものも明示的に記載されています。また、読者が誰であるかについての情報も含まれています。

「読者が何を気にかけ、彼らの視点がどこにあり、関連するコミュニティ、そして実際にこのニュースレターに含めたくないコミュニティ、さらには関連する学区をモデルが理解するのを助けようとしています」と彼は言います。「私たちは今、これらすべての情報をScrapeに渡しています。」

Kevin氏によると、編集者たちはこの変化に満足しています。現在、より実用的なヒントを生成するために説明を洗練させています。

結果:Scrapeは、6つ(まもなく8つ)のニュースレターにとって、小さな実験から「荷重支持および重要なインフラストラクチャ」へと進化し、ニュースルーム全体で約20人のジャーナリストがその出力をフォローしています。編集者のスキルと読者の需要が、ローカルニュースレターを成功させています。Scrapeは、Localチームがデスクを過度に負担することなく需要を満たすのを助けています。

異なる点

最も困難な問題の一つは、1人の編集者と地理的範囲から多くの編集者と地理的範囲へと一般化することでした。当初の設計思想は地域ベースでした。例えば、ローワー・メリオンに関するすべてをスクレイピングし、単一の「ニュース価値」プロンプトでフィルタリングするというものでした。これは1人の編集者といくつかのニュースレターでは「管理可能」に機能しましたが、スケーリングしませんでした、とKevin氏は述べています。

「ニュース価値」を一般的で抽象的な概念として扱う代わりに、現在では編集者が自身で作成する特定のニュースレターのブリーフ(読者は誰か、何に興味があるか、カバレッジの範囲はどこまでか)にそれを結びつけています。

もう一つの教訓は、コストと検索戦略に関するものです。初期段階では、チームは品質と、多くの小さく散在するソースを検索する高コストとのバランスを取ろうとしました。プロンプトが検索の深さと動作を暗黙的に制御できることを発見しましたが、それは試行錯誤の後でした。

振り返ってみると、Kevin氏は、許容できるコストと品質のトレードオフについて、より早期に、より明確に述べ、設計プロンプトとアーキテクチャを最初からそれらの制約を中心に設計することを推奨しています。

適用方法

Scrapeの道のりは、ニュースが乱雑なローカルデータに埋もれている状況でAIを活用しようとしているニュースルームや組織にとって、実用的な青写真を提供します。

  • 抽象的なアイデアではなく、実際のワークフローから始めましょう。すでに手作業で作業を行っている特定の人物またはチームを特定し、その労力を測定します(例:「ニュースを見つけるだけで週に12時間」)。
  • 既存の出力をトレーニングデータにしましょう。現在の製品(ヒントシート、ニュースレターなど)をターゲットとベンチマークの両方として使用します。
  • 人間参加型の緊密なフィードバックループを作成しましょう。編集者に毎日出力を注釈付けさせます:良いもの、ノイズ、決して表示されるべきでないもの(このケースの例には、定型的な道路閉鎖や定期的なフィットネスクラスのプロモーションが含まれます)。
  • 編集上の判断を明示的にエンコードしましょう。曖昧な「ニュース価値」の概念を、具体的なプロンプトとニュースレターの説明(対象読者、範囲内および範囲外の地理、定期的なビート、過去のカバレッジの例)に置き換えましょう。
  • コストと品質を一緒に設計しましょう。検索の深さをいくらまで許容できるかを事前に決定し、プロンプトとアーキテクチャを使用してその範囲内に留まりましょう。

Lenfest AI Collaborative and Fellowship Program は、OpenAIとMicrosoftの支援を受けています。