به گزارش تازه‌نیوز، تیم نیویورک‌تایمز در کنفرانس Computation + Journalism 2026 در دانشگاه نورث‌وسترن، تجربه ساخت و استفاده از یک عامل هوش مصنوعی برای بررسی میلیون‌ها صفحه از اسناد پرونده جفری اپستین را ارائه کرد؛ ابزاری که بیش از ۱۰۰ خبرنگار از آن استفاده کرده و سرنخ‌های آن در دست‌کم ۲۰ گزارش منتشرشده این روزنامه نقش پیدا کرد.
حجم اسناد منتشرشده درباره پرونده جفری اپستین به اندازه‌ای بود که بررسی دستی آنها برای یک تیم خبرنگاری عملاً بسیار دشوار بود. وزارت دادگستری آمریکا در ژانویه ۲۰۲۶ مجموعه‌ای شامل حدود ۳ میلیون صفحه پی دی اف، یک میلیون و ۱۰۰ هزار ایمیل، ۲۰۰ هزار تصویر و بیش از هزار فایل صوتی و ویدئویی منتشر کرد.
نیویورک‌تایمز برای جست‌وجو در این حجم عظیم اطلاعات، Epstein Files Engine را توسعه داد؛ یک عامل هوش مصنوعی که به جای تولید خودکار گزارش، به خبرنگاران کمک می‌کرد در میان اسناد، آرشیو روزنامه و اطلاعات منتشرشده توسط سایر رسانه‌ها به سرنخ برسند.
 
خبرنگار سؤال می‌پرسد، عامل هوش مصنوعی جست‌وجو را طراحی می‌کند
این سیستم پرسش خبرنگار را دریافت می‌کرد و آن را به جست‌وجوهای ساختاریافته در پایگاه داده تبدیل می‌کرد. عامل هوش مصنوعی می‌توانست به‌صورت هم‌زمان سه مجموعه اطلاعاتی راشامل اسناد منتشرشده مربوط به اپستین، آرشیو نیویورک‌تایمز و تیترهای گزارش‌های مرتبط منتشرشده توسط رسانه‌های دیگر بررسی کند.
نتایج نیز به شکل پاسخ‌هایی همراه با ارجاع به اسناد اصلی در اختیار خبرنگار قرار می‌گرفت تا خبرنگار بتواند اطلاعات را مستقیماً بررسی و راستی‌آزمایی کند.
تیم نیویورک‌تایمز می‌گوید این ابزار بین ماه فوریه و اواسط ژوئن توسط بیش از ۱۰۰ خبرنگار مورد استفاده قرار گرفت و آنها حدود ۴۵۰۰ سؤال از سیستم پرسیدند. خروجی‌های این ابزار در نهایت به دست‌کم ۲۰ گزارش منتشرشده کمک کرد.
 
خبرنگاران فقط دنبال اسم‌ها نبودند
یکی از نکات جالب تجربه نیویورک‌تایمز این بود که خبرنگاران از عامل هوش مصنوعی برای پرسش‌هایی فراتر از جست‌وجوی ساده نام افراد استفاده کردند.
آنها از سیستم برای پیدا کردن تراکنش‌های مالی گزارش‌نشده، ترسیم ارتباط میان افراد، ساخت جدول زمانی تماس‌ها و بررسی زبان رمزگذاری‌شده در مکاتبات استفاده کردند. در یک مورد نیز سیستم برای شناسایی احتمالی نویسنده یک سند ناشناس، سبک نگارش آن را بررسی کرد.
این قابلیت به‌ویژه برای خبرنگاری تحقیقی اهمیت دارد؛ جایی که ارزش اصلی در پیدا کردن ارتباطی است که در نگاه اول میان صدها هزار یا میلیون‌ها سند قابل مشاهده نیست.
 
ابزار چه چیزی را جایگزین خبرنگار نکرد؟
تجربه نیویورک‌تایمز یک نکته مهم درباره استفاده از هوش مصنوعی در تحریریه را هم نشان می‌دهد و اینکه عامل هوش مصنوعی قرار نبود جایگزین خبرنگار شود.
خبرنگاران موظف بودند خروجی سیستم را به‌عنوان یک سرنخ، نه حقیقت نهایی در نظر بگیرند. یافته‌ها باید با مراجعه به اسناد اصلی و گزارش‌گری مستقل بررسی می‌شدند.
از حدود ۶۰ گزارش مکتوب که از پرسش‌های خبرنگاران به وجود آمد، دست‌کم ۲۰ مورد به گزارش‌های منتشرشده کمک کردند. بسیاری از سرنخ‌های دیگر به دلیل نبود شواهد کافی یا وجود ادعاهای اثبات‌نشده کنار گذاشته شدند.
همین مسئله به یکی از نتایج مهم پروژه تبدیل شد: ارزش عامل هوش مصنوعی در تولید تعداد بیشتری خبر نیست؛ بلکه در افزایش توان خبرنگار برای پیدا کردن سرنخ‌های قابل بررسی است.
 
یک مشکل دیگر؛ میلیون‌ها صفحه تکراری
حجم اسناد اپستین تنها مشکل نبود. بسیاری از اسناد در نسخه‌های مختلف و گاهی با اسکن‌های متفاوت دوباره منتشر شده بودند.
تیم نیویورک‌تایمز برای حل این مسئله ابزاری به نام Diff ساخت که می‌توانست متن و ظاهر صفحات را با یکدیگر مقایسه و نسخه‌های تکراری را شناسایی کند.
همچنین مقایسه دو نسخه می‌توانست به خبرنگار کمک کند اطلاعات تازه‌ای پیدا کند.
 
نتیجه‌ای که نیویورک‌تایمز از پروژه گرفت
تیم سازنده نتیجه گرفت که بهترین نقش عامل‌های هوش مصنوعی در تحریریه الزاماً «نویسندگی خودکار» نیست.
به اعتقاد آنها، عامل {Agent } می‌تواند به‌عنوان یک رابط میان خبرنگار و حجم عظیمی از اسناد، داده‌ها و حافظه سازمانی رسانه عمل کند؛ یعنی خبرنگار بتواند سؤال‌هایی بپرسد که با جست‌وجوی سنتی دشوار یا زمان‌بر هستند و در مدت کوتاهی به سرنخ‌های قابل بررسی برسد.
این تجربه همچنین نشان می‌دهد که آینده استفاده از هوش مصنوعی در روزنامه‌نگاری تحقیقی ممکن است کمتر به «تولید متن» و بیشتر به کشف اطلاعات، پیدا کردن ارتباط‌ها و پرسیدن سؤال‌های بهتر مربوط باشد.