高信息量流中 LLM 辅助的新闻发现：案例研究

记者在监控不断扩张的数字信息流以识别具有新闻价值的内容时面临着日益严峻的挑战。虽然传统的自动化工具能够大规模收集信息，但它们在评估新闻价值所需的编辑判断方面存在困难。本文研究大型语言模型（LLM）是否可以作为新闻监控的有效初筛过滤器。我们开发了一种基于提示的方法，将新闻学新闻价值——时效性、影响力、争议性和可推广性——编码到 LLM 指令中，以提取和评估潜在的报道线索。我们在多个模型上针对专家标注的真实数据验证了我们的方法，然后部署了一个每日处理行业新闻文章的真实世界监控流水线。我们的评估显示，在从源材料中提取相关线索（$F1=0.94$）和粗略的新闻价值评估（$\pm1$ 准确率高达 92%）方面表现优异，但在需要专业领域知识的细微编辑判断上始终存在困难。该系统被证明作为结合自动化监控与人工审查的混合工具最具价值，能够成功浮现新颖、高价值的线索，同时过滤明显的噪声。我们最后提出了将 LLM 驱动的监控集成到新闻编辑室工作流程中的实用建议，以在扩展新闻能力的同时保留编辑判断。