牛津和斯坦福做了个AI新闻助理,重点不是写稿而是证据可追溯

一篇数据新闻里那些支撑核心论点的统计数字，到底是从哪来的？当AI已经能批量生产新闻，这个问题变得比以往任何时候都紧迫。论文提出了一个名为Data Journalist Agent（Data2Story）的多agent框架，试图让AI从原始数据集出发，端到端生成可交互的多媒体文章，并让文章里的绝大部分数字、图表都能追溯到生成它的具体代码行或原始URL。但在53人参与的盲测中，人类记者的作品在编辑角度、视觉创意和信息呈现上仍然明显领先。

[图1：数据记者agent：将数据转化为可验证的多模态故事] Data2Story将原始数据集（例如CSV）转化为可验证的多模态文章（即网站）。这一转化涉及信息检索、通过编程进行数据分析、叙事性故事讲述以及多模态设计。

七个角色一台戏：虚拟新闻编辑室的内部运转

一篇高质量的数据新闻通常需要一个新闻编辑室团队花费数周时间：搜集背景、跑统计、选角度、设计视觉。Data2Story的解决方案是将这整套工作流拆解为七个专业化agent角色，组成一个虚拟新闻编辑室。

流程从Detective开始。原始数据往往缺乏足够的上下文，Detective通过网页搜索为数据集补充外部信息，附带来源URL和参考媒体。接着Analyst枚举数据集能支持的所有分析路径，运行实际代码而非让模型估算，每项统计结果都携带指向生成脚本的指针。Editor随后从分析结果中确定叙事角度——哪些发现应该打头阵，哪些作为支撑，哪些被舍弃。Designer再根据每个叙事段落推理读者最想看什么视觉形式，从文本到图像、音频到交互式地图等外部生成工具中选择最合适的媒介。Programmer将所有上游产物组装成完整的HTML网页，而Auditor审阅渲染出的页面，标记布局缺陷、损坏的图表或失效的交互，将修改建议返回给Programmer。

[图2：Data2Story的虚拟新闻编辑室] 原始数据集D依次流经各专业角色：Detective从网络搜集外部上下文，Analyst编写Python代码并产出附带代码行来源的结果，Editor从不同角度起草发现，Designer通过工具调用生成多媒体资产，Programmer渲染最终HTML页面。页面由Auditor审计并提供修改建议，最后由Inspector将每个公开发表的声明绑定回其支持性证据。

Inspector才是核心：一篇能被“查账”的文章

现有AI写作系统的一个关键缺陷是缺乏验证和可追溯性——读者和编辑没有可靠途径确认一个数字的来源，或一张图表是否准确反映底层数据。这正是Data2Story最关键的创新所在。

论文在编辑室中专门设置了一个Inspector角色。在所有上游agent产出各自的中间产物之后——Detective的上下文项（附来源URL）、Analyst的统计结果与代码（一对一绑定）、Editor的叙事段落（附上游指针）、Designer的视觉资产规格（记录工具调用与参数）——Inspector将最终页面拆解为自包含的HTML片段（一句话、一张图表或一个交互元素），然后逐一将这些片段绑定回证据池中的对应条目。

[图3：Inspector机制示意] Inspector将每项输出发现绑定回其支持性证据。证据分为两类：代码证据（生成所报告数字的源文件和具体行号）和参考证据（支撑上下文声明的外部文章或URL）。这种绑定使文章可验证且可审计。

这意味着读者可以沿着证据链追溯到：这个百分比是Analyst的哪一行代码算出来的，那句历史背景引用的是哪一个外部URL。这一机制让整篇文章变得可验证且可审计。

四维评估：53人盲测揭示了什么差距

论文收集了18个数据样本，每个都配对了人类专家撰写的原始文章，从四个维度展开评估。

[图5：Data2Story的三种互补评估协议] (A) 人与agent角度覆盖：agent和人类作者从同一数据集独立产出文章，测量双方所呈现实体和洞见的重叠程度。(B) 以读者为裁判的评分标准评估：人类（或computer-use agent）读者沿五个评分标准维度对agent文章和人类参考文章进行评分。(C) 可验证性：验证agent尝试从相同输入复现agent的产出，得出产物是否可被忠实验证的二元判断。

53名参与者被要求在五个维度上对agent生成和人类撰写的文章进行盲评：视觉设计、叙事节奏、数据透明度、声明与数据的一致性、洞察价值。五个维度各有详细的评分标准。

核心发现与论文的中心结论一致：Data2Story在透明度和可审计性维度上表现尤为突出，而人类撰写的文章在编辑角度、创意设计和信息呈现上保持明显优势。 评审者在多个质量维度上对Data2Story的文章给出了有利评价，但其整体优势主要体现在可追溯性上，人类文章在叙事和设计层面的竞争力仍然清晰。

[图8：人工评估（n=53名评审者）] 评分按评分标准维度(a)和来源类别(b)分组。评估者通过配对比较选择更优文章(c)。Data2Story在“透明度”维度上领先最多，而人类文章在“视觉”维度上保持优势。

论文还探索了使用computer-use agent作为自动化评估代理。这类agent能够像人类读者一样通过点击和滚动感知渲染出的网页界面，而非仅看静态截图。不过，实验中的质量结论仍以人类评审为主要依据。

可验证性：AI文章的证据绑定远高于人类文章

论文最引人注目的发现来自可验证性实验。使用跨家族的编码验证agent重新执行每项声明对应的代码，或重新抓取引用的来源URL来检查声明是否可被验证。结果显示：Data2Story生成的文章在可审计性上表现突出，文章中的声明更易于建立可验证的证据绑定——即渲染文本与其上游证据之间的可追溯链接。

[图10：Data2Story生成文章与人类撰写文章的可审计性对比] 人类(a)和Data2Story(b)的按来源均值（含SEM误差条）；全部18篇文章的经验CDF(c)。Data2Story文章集中在可审计性轴的高位窄带内，而人类文章的分布更分散。

相比之下，人类参考文章通常不附带可执行代码，因此验证agent只能根据已发表文本和原始数据自行猜测复现路径。在这种纯文本审计条件下，人类文章中能够建立可验证证据绑定的比例明显更低。论文强调，这一差距反映的是机器可查证性层面的差异，而非人类新闻质量的高低——人类记者为普通读者写作时，通常不会逐句附上代码行或可溯源链接。

不是替代，而是外挂：专挖新闻室没空做的数据故事

论文明确将Data2Story定位为人类记者的协作工具，而非替代品。其实际价值体现在两个方向：一是在新闻编辑室工作流中贡献创意多媒体资产和一个很少被形式化的可审计维度；二是挖掘人类记者因人手不足而无力深究的专业或小众数据集，将原本被忽视的数据转化为可访问、可验证的故事。

在定性评估中，人类文章的优势集中体现在编辑角度、创意设计和信息呈现上。这些差距意味着人类仍需设定报道视角和编辑判断，而agent更适合处理计算密集的统计分析和图形设计任务。