1. Jornalismo “automático”

No início de Março, com o acentuar da crise de Covid-19, o jornal sueco “Aftonbladet” aliou-se à “startup” United Robots para desenvolver um sistema automático que ajuda os jornalistas a analisar os dados de 21 autoridades de saúde regionais.

Da mesma forma, a agência RADAR, que mantém parcerias com os “media” britânicos,  publica, diariamente,  actualizações sobre a propagação do vírus em 150 áreas. 

Em 12 de Março, a RADAR conseguiu gerar 149 histórias automáticas sobre o Covid-19, apenas uma hora após os números terem sido divulgados.


  1. “Fact-checking” automático

Confrontados com um surto de desinformação, na sequência do Covid-19, as organizações noticiosas e os verificadores de factos individuais uniram-se para combater a partilha de “fake news”.

Assim, a BBC, a Agence France-Presse, a Reuters, o “The Financial” Times, o “Wall Street Journal”, o “Hindu”, e a CBC/Radio-Canada estão a colaborar com grandes empresas tecnológicas para criar um sistema de alerta sobre "desinformação nociva do coronavírus".

Isto porque a informática avançada pode ser útil para distinguir o certo do errado. Na Universidade de Waterloo, no Canadá, por exemplo, uma equipa de investigadores está a obter resultados elevados ao utilizar algoritmos de aprendizagem profunda para comparar alegações publicadas em “posts” ou histórias com outras informações encontradas em materiais semelhantes.

Este tipo de parceria tem como objectivo alertar os utilizadores das redes sociais para o contacto com notícias falsas, facilitando o trabalho dos jornalistas que se dedicam a desmenti-las.



  1. Análise aprofundada de dados

Na segunda semana de Março, o  “Washington Post” publicou uma visualização de dados, tão popular e impactante, que o jornal decidiu traduzi-la para 13 outras línguas. 

Segundo Paul Farhi, jornalista do “WP”, este artigo, desenvolvido por Harry Stevens, pode até ser a peça “online” mais lida no jornal.

O gráfico de Steven apresenta quatro simulações, que correspondem a quatro potenciais respostas a uma doença viral: um cenário de quarentena, uma tentativa de quarentena, um distanciamento moderado e um cenário de distanciamento extenso. 

Para ilustrar a eficiência de cada cenário, Stevens programou 200 pontos para “saltar” dentro de um quadro. Um dos pontos é infectado e começa a espalhar a doença, que é transmitida quando duas unidades entram em contacto.

Eventualmente, todos os pontos recuperam, mas esta visualização de dados demonstra a eficácia do distanciamento em qualquer tentativa de "achatar a curva".

Este tipo de gráficos ajuda a uma análise aprofundada das estatísticas da pandemia e pode servir de ponto de partida para artigos de análise, ensaios e peças de opinião. 

Leia o artigo original em “Poynter”