Impacto de la Inteligencia Artificial en la producción de contenido y la verificación de noticias en los medios de comunicación: el caso de Radio Televisión Española

Facultad de Comunicación. Universidad de Sevilla Trabajo Fin de Grado Doble Grado en Periodismo y Comunicación Audiovisual. Curso 2023/2024 Impacto de la Inteligencia Artificial en la producción de contenido y la verificación de noticias en los medios de comunicación: el caso de Radio Televisión Española Impact of Artificial Intelligence on content production and news verification in the media: the case of Radio Televisión Española Presentado por: Marina Reyes García. Tutor: Rubén Domínguez Delgado. 2 A mis padres, por no soltarme nunca de la mano. A mi familia, por ser como son y dejarme ser con ellos. A María y Ale, por todo, siempre. A mis amigas, por estos 5 años de subidas y bajadas, pero juntas. A mí, por luchar siempre a pesar de no tener fuerzas. 3 Resumen En una era caracterizada por cambios tecnológicos constantes, la inteligencia artificial (IA) ha revolucionado el proceso de generación de información en los medios de comunicación. La automatización del contenido periodístico está incursionando en un ámbito históricamente ocupado por el trabajo humano, suscitando diversos debates al respecto. Este estudio se adentra en los distintos aspectos de la profesión que se ven afectados por la implementación de estas nuevas tecnologías y examina las posibles repercusiones que tendrán en el futuro de la profesión periodística, utilizando dos técnicas metodológicas cualitativas como son la revisión bibliográfica y las entrevistas. Se enfoca especialmente en la aplicación práctica de la inteligencia artificial en el principal grupo público nacional de comunicación: Radio Televisión Española (RTVE), con el fin de analizar la influencia de la inteligencia artificial en los procesos de trabajo periodístico dentro de esta entidad. Además, pretende evaluar su contribución a la precisión y eficiencia de la verificación de noticias en el ámbito de la investigación periodística; explorar las múltiples aplicaciones de la IA en los medios de comunicación y su impacto en la industria periodística; y realizar un recorrido histórico desde los orígenes de la inteligencia artificial hasta sus implementaciones más recientes. Palabras clave Inteligencia artificial; Periodismo; Medios de Comunicación; Automatización de contenido; Verificación de noticias. Abstract In an era characterized by constant technological changes, artificial intelligence (AI) has revolutionized the process of generating information in the media. The automation of journalistic content is entering an area historically occupied by human work, raising various debates in this regard. This study delves into the different aspects of the profession that are affected by the implementation of these new technologies and examines the possible repercussions that they will have on the future of the journalistic profession, using two major qualitative methodological techniques such as bibliographic review and interviews. It focuses especially on the practical application of artificial 4 intelligence in the main national public communication group: Radio Televisión Española (RTVE), in order to analyze the influence of artificial intelligence on journalistic work processes within this entity. Furthermore, it aims to evaluate its contribution to the accuracy and efficiency of news verification in the field of journalistic investigation; explore the multiple applications of AI in the media and its impact on the journalism industry; and take a historical tour from the origins of artificial intelligence to its most recent implementations. Key words Artificial Intelligence; Journalism; Media; Content automation; News verification. 5 Índice 1. Introducción 6 2. Objetivos 7 3. Metodología 8 4. Orígenes y evolución de la IA 14 4.1. Historia de la IA 14 4.2. Formas de generar la IA 18 4.3. Los algoritmos y sus sesgos 19 5. Producción y verificación de contenido con IA en los medios de comunicación 26 5.1. Personalización de contenido 26 5.2. Creación de texto 27 5.3. Automatización de noticias 28 5.4. ‘Chatbots’ y reconocimiento de voz 30 5.5. Avatares 32 5.6. Verificación con IA 32 6. Impacto de la IA en RTVE 33 6.1. Producción de contenido 33 6.2. Verificación de noticias: proyecto IVERES 37 6.3. Otros ámbitos de impacto de la IA en RTVE 40 6.4. Convergencia entre IA y periodismo 40 7. Conclusiones y perspectivas de futuro 44 8. Referencias 47 6 1. Introducción En la actualidad, se está presenciando una nueva forma de hacer periodismo, donde la colaboración directa entre humanos y máquinas es fundamental (Salazar, 2018). Este cambio se atribuye al crecimiento vertiginoso de la tecnología, que ha llevado a la inteligencia artificial (IA) 1 y la robótica a ser consideradas elementos clave en lo que se ha denominado la 'Cuarta Revolución Industrial' (Granell, 2016). Este nuevo paradigma se caracteriza por la automatización y la optimización de procesos, lo que permite ofrecer noticias personalizadas y contextualizadas, ricas en contenido (Jaemin, 2017), redefiniendo así los desafíos principales que enfrenta la comunicación en el futuro. La interacción ser humano-mquina en entornos cooperativos de producción industrial es ya una realidad que est transformando los sectores estratégicos de la actividad económica a escala mundial (Pedrocchi et al., 2013). En este contexto, la inteligencia artificial se esfuerza por replicar, automatizar y sustituir ciertas funciones humanas mediante máquinas controladas por computadoras, a través de “algoritmos que extraen conclusiones no programadas y resuelven problemas con estrategias novedosas” (Markoff, 2009). Graefe (2016) compara la relación entre el periodismo y la IA con un matrimonio entre periodistas y máquinas, donde estas últimas asumen tareas de documentación y análisis a partir de datos previamente establecidos, redefiniendo así el perfil profesional del periodista, quien debe aprender a colaborar eficazmente con las máquinas (Salazar, 2018). La rápida evolución de la IA exige una adaptación ágil y una nueva mentalidad por parte de los actores sociales involucrados, ya que la falta de adaptación podría desencadenar una crisis en el periodismo, según advierte Martínez Sánchez (2012). En este proyecto se profundiza en los diversos ámbitos de la profesión periodística que se ven impactados por la adopción de tecnologías emergentes –personalización del 1 capacidad de las máquinas o sistemas informáticos para realizar tareas que normalmente requerirían inteligencia humana. Esto incluye la capacidad de aprender, razonar, reconocer patrones, resolver problemas, comprender el lenguaje natural y adaptarse a nuevas situaciones. 7 contenido, creación de texto, reconocimiento de voz, entre otros– y explora las potenciales implicaciones que estas tendrán en la evolución futura del periodismo, los cambios que afectarán a la profesión y cómo los profesionales del sector deberán adaptarse a esta nueva y creciente tecnología. Este enfoque se dirige con especial interés hacia la aplicación práctica de la inteligencia artificial en el ámbito público nacional de las comunicaciones, destacando el caso emblemático de RTVE. El propósito fundamental radica en profundizar en la comprensión de cómo esta tecnología se materializa y se integra en la cotidianidad de una institución tan relevante como RTVE. Al explorar este escenario particular, se busca no solo evidenciar los avances y logros en la implementación de la inteligencia artificial, sino también comprender los desafíos y oportunidades que surgen en el proceso de adopción de estas innovaciones en un contexto mediático de gran importancia nacional. 2. Objetivos Objetivo general Como objetivo general, esta investigación pretende analizar cómo la inteligencia artificial ha transformado los procesos de trabajo periodístico en el principal grupo nacional español: RTVE De forma paralela a este objetivo general, se plantean los siguientes objetivos específicos: - Evaluar cómo la inteligencia artificial mejora la precisión y eficiencia de la verificación de noticias en el proceso de investigación periodística, fortaleciendo la calidad y credibilidad del periodismo. - Investigar las diversas aplicaciones de la IA –personalización de contenido, creación de texto, automatización de noticias, ‘chatbots’ y reconocimiento de voz, avatares y verificación con IA– en los medios de comunicación y su repercusión en la industria periodística. 8 - Realizar un recorrido histórico desde los orígenes de la inteligencia artificial hasta sus aplicaciones prácticas contemporáneas, con el fin de comprender su evolución, impacto y desafíos en diferentes campos de aplicación e investigación. 3. Metodología Este estudio aborda la evolución histórica de la integración de la inteligencia artificial en el periodismo, así como un tratamiento detallado de su situación actual, proporcionando un panorama exhaustivo de las diversas aplicaciones de la inteligencia artificial en los medios de comunicación. Además, se realiza una revisión bibliográfica de la de literatura científica de este ámbito de varios estudios académicos para explicar el proceso de generación de noticias automatizadas mediante bots 2 y algoritmos. Posteriormente, el grueso del proyecto se centra en analizar el uso de la inteligencia artificial en la producción de contenido y verificación de noticias en el principal medio público español: RTVE. Se investigan los diferentes objetivos para los cuales se aplica la inteligencia artificial en este medio, realizando un estudio de caso sobre el mismo, basado en fuentes documentales y el contacto con fuentes directas, todas ellas vinculadas a dicha corporación. La elección de RTVE como caso de estudio se fundamenta en su relevancia como un pilar fundamental de la televisión pública, tanto a nivel nacional como en el contexto global de los medios de comunicación. RTVE desempeña un papel crucial en la sociedad y la democracia al proporcionar un servicio público de información, entretenimiento y cultura que llega a una amplia audiencia. En primer lugar, es un componente esencial del panorama mediático español, con una larga historia de servicio público que se remonta a décadas atrás – el 29 de octubre 1956 se realizó la primera emisión de TVE, división televisiva de RTVE–. Como institución 2 abreviatura de robots, son programas informáticos diseñados para realizar tareas automáticas en internet. Pueden realizar una variedad de funciones, desde responder preguntas simples hasta realizar acciones más complejas, como recopilar información o interactuar con usuarios en redes sociales. 9 pública, tiene el mandato de ofrecer una programación diversa y equilibrada que refleje la pluralidad de la sociedad y promueva el debate democrático. Este compromiso con la objetividad, la imparcialidad y la calidad informativa la convierte en un objeto de estudio relevante. Además, la televisión pública desempeña un papel crucial en la promoción de la cultura y la identidad nacional. Su alcance masivo y su capacidad para llegar a diversos segmentos de la población la convierten en una herramienta poderosa para la cohesión social y la construcción de una ciudadanía informada y participativa. Por lo tanto, analizar la implementación de tecnologías como la inteligencia artificial en RTVE no solo proporciona una comprensión más profunda de cómo están evolucionando los medios de comunicación en la era digital, sino que también permite reflexionar sobre el papel crucial que juega la televisión pública en la promoción de una sociedad democrática y plural. En este sentido, el estudio de caso de RTVE es fundamental para explorar las intersecciones entre los medios de comunicación, la tecnología y la democracia en la sociedad contemporánea. Para ello, se ha optado por aplicar dos técnicas metodológicas cualitativas muy utilizadas en el ámbito de la investigación científica en ciencias sociales, como son la revisión bibliográfica y las entrevistas. Revisión bibliográfica La revisión bibliográfica o de literatura se ha definido como: La operación documental de recuperar un conjunto de documentos o referencias bibliográficas que se publican en el mundo sobre un tema, un autor, una publicación o un trabajo específico. Es una actividad de carácter retrospectivo que nos aporta información acotada a un periodo determinado de tiempo (Gálvez, 2001). Hart (1998), por otra parte, la define como: 16 Los sistemas de inteligencia artificial pueden ser programados para ejecutar una amplia gama de funciones, desde la toma de decisiones y el reconocimiento de patrones en grandes conjuntos de datos hasta la identificación de voz y la conducción autónoma de vehículos. Con el avance de la tecnología de IA, se anticipa un impacto significativo en diversos aspectos de la vida, como la medicina, la seguridad, la educación y los medios de comunicación. La IA se basa en la premisa de que las máquinas pueden aprender de la experiencia, adaptarse a nuevas situaciones y llevar a cabo tareas complejas de manera autónoma. Para ello, se utilizan técnicas de aprendizaje automático y análisis de datos para instruir a los sistemas informáticos en la identificación de patrones y relaciones dentro de los datos. La idea de que una máquina puede pensar se remonta a la antigua Grecia. No obstante, desde la llegada de la informática electrónica, y en relación a algunos temas ya expuestos, la evolución de la inteligencia artificial se basa en ciertos acontecimientos claves. Sus orígenes se establecieron en la década de 1950, cuando pioneros investigadores comenzaron a explorar la posibilidad de crear máquinas con capacidad para razonar y aprender. En 1950, Alan Turing publicó Maquinaria informática e inteligencia, donde planteó la crucial interrogante: "¿Pueden las máquinas pensar?", y presentó la célebre Prueba de Turing, destinada a determinar si una computadora puede demostrar un nivel de inteligencia similar al humano. Aunque la validez de esta prueba ha sido objeto de debate, sentó los cimientos para la investigación en inteligencia artificial. En 1956, durante la primera conferencia sobre IA en el Dartmouth College, John McCarthy acuñó el término "inteligencia artificial". McCarthy, quien más tarde crearía el lenguaje de programación Lisp, colaboró con Allen Newell, J.C. Shaw y Herbert Simon para desarrollar el primer programa de software de IA operativo, conocido como Logic Theorist. Dos siglos antes, en 1770, se produjo otro avance significativo en el campo de la IA con la creación del programa de ajedrez "The Turk". Aunque aparentaba ser una máquina autónoma, en realidad era operada por un ser humano oculto en su interior. "La idea de darle vida a algo inanimado es un anhelo antiguo y aparentemente muy humano" (Gunkel, 17 2018). Además, en la década de los 50, investigadores como John McCarthy y Marvin Minsky fundaron el Laboratorio de Inteligencia Artificial (AI Lab) en el Instituto de Tecnología de Massachusetts (MIT), donde se enfocaron en desarrollar algoritmos y programas de software capaces de emular la inteligencia humana. Durante las décadas de los 60 y 70, la inteligencia artificial experimentó un crecimiento significativo en interés tanto en el ámbito académico como en la industria. Durante este período, los investigadores se enfocaron en desarrollar sistemas más especializados y avanzados. Uno de los logros más destacados fue la creación del sistema experto, un software diseñado para emular la toma de decisiones humanas en áreas específicas. En 1967, Frank Rosenblatt construyó el Perceptron Mark 1, el primer ordenador basado en una red neuronal que aprendía a través de ensayo y error. Un año después, Marvin Minsky y Seymour Papert publicaron Perceptrons, una obra que no solo se convirtió en un texto fundamental sobre redes neuronales, sino que también, por un tiempo, planteó objeciones a futuras investigaciones en este campo. En los años 80, las redes neuronales que empleaban la retropropagación o backpropagation 6 –que incluye una descripción del método utilizado e investiga cómo se comporta una red neuronal al iterar con datos que presentan elementos de complejidad (Flores, Prieto y Llavero, 2011)–, como método de entrenamiento se convirtieron en un elemento esencial en numerosas aplicaciones de inteligencia artificial. Durante esta década, la IA experimentó un notable avance en su adopción en el ámbito comercial y de consumo, siendo utilizada en áreas como el reconocimiento de voz, el procesamiento del lenguaje natural y los sistemas de recomendación. Sin embargo, este progreso estuvo acompañado de una ola de exageraciones y expectativas excesivas en torno a la IA, lo que resultó en un período de desilusión durante los años 90. En las últimas décadas, los avances en inteligencia artificial han sido notables gracias al aumento en la capacidad de procesamiento de datos y a la abundancia de información 6 un algoritmo utilizado en el entrenamiento de redes neuronales artificiales. Consiste en calcular el gradiente de error de la red neuronal con respecto a los pesos de las conexiones entre neuronas, y luego ajustar estos pesos para minimizar el error de la red durante el entrenamiento. 18 disponible para entrenar modelos de aprendizaje automático. Estos desarrollos han impulsado mejoras significativas en campos como la visión por computadora, el procesamiento de lenguaje natural, la robótica y la conducción autónoma. En 2015, el superordenador Minwa de Baidu utilizó una forma especial de red neuronal profunda llamada red neuronal convolucional, logrando una precisión en la identificación y categorización de imágenes superior a la de un ser humano promedio. Al año siguiente, en 2016, el programa AlphaGo de DeepMind, basado en una red neuronal profunda, venció al campeón mundial de Go, Lee Sodol, en un enfrentamiento de cinco partidas. Esta victoria fue significativa dada la enorme cantidad de posibles movimientos en el juego, que superan los 14,5 billones tras solo cuatro movimientos. Posteriormente, Google adquirió DeepMind por 400 millones de dólares. Finalmente, en 2023, el surgimiento de grandes modelos lingüísticos, como ChatGPT, marcó un cambio revolucionario en el rendimiento de la inteligencia artificial y su capacidad para impulsar el valor empresarial. 4.2. Formas de generar la IA La inteligencia artificial se materializa mediante la programación de sistemas y algoritmos de aprendizaje automático, los cuales se fundamentan en el procesamiento y análisis de vastas cantidades de datos. Según López de Mántaras (2019), “el sentido común es crucial para hacer realidad la colaboración persona-mquina y en particular la robótica inteligente del futuro”. En líneas generales, el procedimiento para crear un sistema de inteligencia artificial implica los siguientes pasos: a) Recopilación de datos. Se recaba una gran cantidad de datos pertinentes al problema que se desea resolver mediante la IA. Este paso es crítico en el desarrollo de sistemas de inteligencia artificial, ya que los modelos de aprendizaje automático se entrenan a partir de estos datos para realizar predicciones y tomar decisiones. Aspectos cruciales a considerar en la recopilación de datos para inteligencia artificial incluyen 19 garantizar su calidad, asegurar la privacidad y seguridad de los mismos, y tener en cuenta el sesgo que puedan presentar. b) Definición del objetivo. Es esencial tener una comprensión clara del objetivo del proyecto de inteligencia artificial y determinar qué tipo de datos son necesarios para alcanzarlo. ¿Se requiere información sobre el comportamiento de los usuarios? ¿Datos acerca del rendimiento de un producto? ¿Información sobre el entorno físico? c) Identificación de las fuentes de datos. Los datos pueden provenir de diversas fuentes, como bases de datos internas, conjuntos de datos abiertos, técnicas de web scraping 7 –ampliamente reconocido como una técnica eficaz y potente para la recopilación de big data (Mooney et al., 2015; Bar-Ilan, 2001)–, datos de sensores, entre otros. d) Preprocesamiento de datos. Se lleva a cabo una limpieza y preparación de los datos para eliminar errores y anomalías, y dejarlos listos para su procesamiento por la IA. En resumen, el proceso de generación de inteligencia artificial implica una serie de pasos cruciales. En primer lugar, se recopilan grandes volúmenes de datos relevantes para el problema a abordar, asegurando su calidad y protegiendo la privacidad de los mismos, además de considerar posibles sesgos. A continuación, se define claramente el objetivo del proyecto y se identifican las fuentes de datos apropiadas. Finalmente, se lleva a cabo el preprocesamiento de los datos para su posterior uso por parte de la IA. 4.3. Los algoritmos y sus sesgos Los algoritmos de inteligencia artificial representan una secuencia de instrucciones lógicas y matemáticas diseñadas para ejecutar tareas específicas de forma autónoma o semiautónoma. Estos algoritmos, que abarcan desde simples reglas de decisión hasta complejos modelos computacionales basados en técnicas de aprendizaje profundo y redes neuronales, son concebidos para abordar problemas concretos y son aplicables en 7 técnica utilizada para extraer automáticamente información de páginas web. Los programas o scripts de web scraping analizan el contenido de las páginas web y extraen datos específicos según los criterios establecidos por el usuario. 20 diversos campos, desde la visión por computadora hasta el procesamiento del lenguaje natural. Aplicados al periodismo, las formulaciones algorítmicas pueden priorizar, clasificar y filtrar información e incluso aplicarse como métricas de análisis de la audiencia, para determinar temas que cubrir y para, en función de la información obtenida o suministrada en bases de datos, escribir historias (Anderson, 2011). Su utilización conlleva la manipulación de grandes conjuntos de datos para facilitar el aprendizaje automático y la toma de decisiones autónomas. La selección del algoritmo apropiado depende del problema en cuestión, la disponibilidad y calidad de los datos, así como los objetivos específicos de la aplicación. Es esencial destacar que el rendimiento de un algoritmo de inteligencia artificial está estrechamente vinculado a la calidad y cantidad de datos empleados para su entrenamiento y validación. Existen diversos ejemplos de algoritmos de inteligencia artificial, que van desde modelos simples como la regresión lineal hasta complejas redes neuronales y técnicas de aprendizaje profundo. Algunos de estos ejemplos incluyen: - Árboles de decisión. Utilizados en el aprendizaje supervisado para clasificar y predecir resultados mediante una serie de preguntas sobre los datos de entrada. - Redes neuronales artificiales. Inspiradas en la estructura y funcionamiento del cerebro humano, son empleadas para reconocer patrones y clasificar datos. - Algoritmos de clústering. Agrupan datos similares en clústeres basados en la similitud entre ellos. El clústering o la clasificación no supervisada de patrones en grupos, es una de las tareas más importantes en el análisis exploratorio de datos (Emre, 2015). - Algoritmos de procesamiento del lenguaje natural. Analizan y comprenden el lenguaje humano, utilizados en traducción automática y asistentes de voz, entre otros. - Algoritmos genéticos. Inspirados en la evolución biológica, se utilizan para encontrar soluciones óptimas a problemas complejos. 21 - Máquinas de vectores de soporte (SVM). Empleadas para la clasificación y regresión, encuentran un límite óptimo entre diferentes clases de datos (Vapnik, 1998). - Redes Bayesianas. Modelos probabilísticos que representan y calculan la incertidumbre en sistemas complejos. A continuación se resumen los tipos de algoritmos y sus funciones, así como sus utilidades prácticas (Tabla 1). 22 Tabla 1 Tipos de algoritmos Fuente: RTVE Instituto 23 Estos ejemplos ilustran la diversidad y versatilidad de los algoritmos de inteligencia artificial, aplicables en numerosos contextos, desde la detección de noticias falsas –siendo estas también posiblemente generadas con IA (Krebs, McCain y Brundage, 2022)– hasta la clasificación de contenido temático. Al igual que cualquier tecnología en evolución, la inteligencia artificial no está exenta de desafíos y limitaciones. En este contexto, surge una preocupación particular conocida como sesgos algorítmicos. El fenómeno conocido como sesgo algorítmico se refiere a la tendencia de los algoritmos de inteligencia artificial a tomar decisiones que reflejan prejuicios o discriminaciones presentes en la sociedad en la que fueron entrenados. En otras palabras, estos algoritmos pueden replicar y amplificar los sesgos y desigualdades presentes en los datos utilizados para su entrenamiento. Dado que los resultados aún pueden ser imperfectos, es imprudente omitir la fase de revisión por parte de un profesional (Gibert, 2023). Algunos de los sesgos más comunes incluyen: - Sesgo de confirmación. Se manifiesta cuando los algoritmos muestran preferencia por información que confirma las creencias preexistentes de los usuarios, limitando su exposición a diferentes perspectivas. - Sesgo de disponibilidad. Ocurre cuando los algoritmos priorizan información fácilmente accesible, distorsionando la percepción de la realidad al centrarse en temas populares. - Sesgo de anclaje. Se presenta cuando los algoritmos influyen en las decisiones de los usuarios al proporcionar un punto de referencia inicial, lo que puede llevar a compras innecesarias. - Sesgo de atribución. Surge cuando los algoritmos asocian incorrectamente atributos demográficos con la idoneidad laboral, perpetuando la discriminación en el empleo. - Sesgo de grupo. Implica la preferencia por ciertos grupos demográficos en detrimento de otros, afectando la igualdad de oportunidades en el empleo. 24 - Sesgo de estereotipo. Se manifiesta cuando los algoritmos asumen incorrectamente los intereses o preferencias de ciertos grupos demográficos, limitando la diversidad de recomendaciones. - Sesgo de recencia. Se produce al dar más peso a la información reciente, lo que puede llevar a la formación de burbujas de información y limitar la exploración de nuevas perspectivas. - Sesgo de conservadurismo. Se refleja en la tendencia a mantener creencias preexistentes, evitando la exposición a opiniones divergentes. - Sesgo de autoridad. Implica la preferencia por fuentes de información de renombre, limitando la diversidad de opiniones y dificultando la competencia justa en el espacio de conocimiento. - Sesgo de autoservicio. Se manifiesta cuando los algoritmos priorizan productos o servicios que generan mayores beneficios económicos, limitando las opciones de los usuarios. Estos sesgos pueden tener un impacto significativo en diversos aspectos de la vida cotidiana, desde la selección de contenido en plataformas de medios sociales hasta decisiones de contratación en el ámbito laboral. Es crucial abordarlos para garantizar la equidad, la diversidad y la transparencia en el desarrollo y aplicación de la inteligencia artificial. A continuación, se exponen los tipos de sesgos junto a una resumida descripción y los riesgos que acarrean cada uno de ellos (Tabla 2). 25 Tabla 2 Tipos de sesgos Fuente: RTVE Instituto Es crucial abordar el sesgo algorítmico para asegurar que la inteligencia artificial opere de manera equitativa y imparcial. Esto implica no solo analizar cuidadosamente los datos utilizados para entrenar los algoritmos, sino también considerar su diseño y aplicación en situaciones reales. Diversas estrategias pueden ser empleadas, como la inclusión de una amplia variedad de datos, la verificación del sesgo y la participación de grupos diversos en el proceso de diseño y validación. Estas medidas son fundamentales para mitigar el sesgo algorítmico y fomentar la equidad y la justicia en el uso de la inteligencia artificial. 32 mientras que el reconocimiento de voz con IA se enfoca en la interpretación del habla humana y su uso para realizar tareas específicas. 5.5. Avatares Los avatares creados por IA se están volviendo cada vez más frecuentes en el ámbito digital. Estos avatares son representaciones digitales o imágenes de personas o personajes, generadas mediante algoritmos de aprendizaje automático, que podemos encontrar en videojuegos o incluso en la red social WhatsApp. Estos algoritmos aprenden de la propia imagen del ser humano, recopilando miles y millones de estas para analizarlas físicamente y poder recrearlas, consiguiendo que realicen las acciones buscadas de la manera más realista posible. La IA puede emplearse para desarrollar avatares realistas utilizando técnicas avanzadas de generación de imágenes, como las Redes Adversarias Generativas (GAN, por sus siglas en inglés) 11 (Goodfellow et al., 2014). Estos avatares se utilizan en una variedad de aplicaciones, incluyendo la realidad virtual y aumentada, videojuegos, animación, y otros medios digitales. Desde la representación de individuos en entornos de trabajo o educativos en línea hasta la creación de personajes para juegos y animaciones, los avatares generados por IA tienen una amplia gama de usos en el mundo digital. 5.6. Verificación con IA La aplicación de técnicas de aprendizaje automático verifica la autenticidad o integridad de datos e información, como la identidad de clientes mediante comparaciones de imágenes faciales con documentos de identidad; también se emplea para validar la veracidad de noticias y artículos en línea, analizando la estructura y el contenido del texto. Un estudio publicado en Social Science expone que las personas tienen una 11 tipo de arquitectura de redes neuronales artificiales que se utilizan para generar datos nuevos que son similares a un conjunto de datos de entrenamiento dado. Consiste en dos redes neuronales, el generador y el discriminador, que compiten entre sí en un proceso de aprendizaje para mejorar la calidad de la generación de datos. 33 mayor probabilidad de compartir contenido falso en lugar de verdadero (Vosoughi, Roy y Aral, 2018). Esta verificación se facilita con herramientas como el InVID Verification Plugin, una extensión de navegador que permite verificar la autenticidad de imágenes y videos en línea mediante el análisis de metadatos y la búsqueda inversa de imágenes; Google Fact Check Tools, como Fact Check Explorer y ClaimReview, que permiten verificar la veracidad de afirmaciones y noticias, posibilitando a los verificadores etiquetar y rastrear información verificada; y Bing News Publisher Verification, que muestra una insignia de verificación junto a los resultados de búsqueda para identificar fuentes de noticias confiables y verificadas. La automatización de estas tareas, que anteriormente demandaban tiempo y esfuerzo humano, gracias a la inteligencia artificial, mejora la eficiencia y precisión de los medios y organizaciones, aunque requiere supervisión humana para garantizar su exactitud y ética. 6. Impacto de la IA en RTVE Este estudio de caso examina el impacto y la implementación de la inteligencia artificial en Radio Televisión Española (RTVE). La investigación se basa en fuentes de información personales, entrevistas con profesionales de RTVE que están directamente involucrados en el desarrollo, y la aplicación de la IA en la organización. A través de estas conversaciones, se revela cómo RTVE ha adoptado la IA para mejorar sus operaciones, optimizar la producción de contenido y ofrecer experiencias más personalizadas a su audiencia. Además, explora el rol que la IA desempeña en la verificación de noticias y otros usos relevantes en la radiodifusión pública, proporcionando una visión detallada de cómo RTVE ha abrazado la IA como una herramienta integral en su misión de proporcionar contenido de calidad y adaptarse a las demandas cambiantes del mercado mediático. 6.1. Producción de contenido 34 Uno de los proyectos más significativos del trabajo de RTVE con IA fue el diseño de una newsletter destinada a cubrir las elecciones municipales de 2023 en municipios de menos de 1000 habitantes. Esta newsletter, concebida para ser accesible a través de teléfonos móviles o correos electrónicos, se caracterizaba por la generación automatizada de información, presentada de manera atractiva al espectador. La IA empleada en este proceso se nutría de fuentes oficiales, incluyendo los resultados de escrutinios específicos. La máquina estaba programada para generar contenido relevante basado en estos datos. Durante la noche electoral, se logró generar más de 20.000 noticias de forma automática, alcanzando un total de 70.000 en un lapso de 2 o 3 días, tras conseguir toda la información de la votación al completo. Carmen Pérez, durante su entrevista, afirmó que “esta cantidad masiva de noticias sería imposible de cubrir utilizando únicamente recursos humanos”. El proyecto se gestó a partir de la observación de que la tecnología necesitada estaba lo suficientemente desarrollada para llevarlo a cabo, recalca Carmen. Este proceso de trabajo conjunto se extendió a lo largo de un año con anterioridad a las elecciones. Con este propósito, se conformó un equipo interdisciplinario compuesto por profesionales tecnológicos y expertos en información. La colaboración estrecha entre ambos grupos fue fundamental: mientras que los tecnólogos se encargaban de aplicar la parte tecnológica, los periodistas determinaban qué contenido era relevante y cómo se presentaba, incluyendo la estructura, los datos que debían incluirse, las imágenes, entre otros aspectos. Si bien la IA es capaz de producir rápidamente, es necesario destacar que requiere de un trabajo previo considerable por parte de los profesionales involucrados. En este caso, se llevó a cabo un exhaustivo proceso de pruebas utilizando datos de elecciones anteriores, así como de elecciones en curso, como las de Madrid. Este trabajo incluyó pruebas de carga y de contenido para garantizar el correcto funcionamiento de la IA en la generación de noticias. Otro de los grandes proyecto de generación de contenido con IA en la corporación mediática fue la generación de avatares, con especial énfasis en la creación del avatar denominado Hiperia. Esta iniciativa se desarrolló en colaboración con Radio3, con el 35 objetivo de avanzar en la representación digital de personajes para su uso en diversos contextos mediáticos. Carmen Pérez explica que, inicialmente, el avatar Hiperia se presentaba en una apariencia 2D, limitada en sus capacidades de movimiento y expresión. Sin embargo, en el transcurso del último año 2023, se logró una notable evolución al llevarlo a una representación tridimensional (3D). Esta nueva versión del avatar no solo puede moverse, sino que también cuenta con gestos de manos y otras expresiones, aumentando significativamente su realismo y versatilidad en pantalla. A pesar de estos avances, el proceso no estuvo exento de desafíos. Se encontraron contratiempos debido a cambios en las herramientas disponibles, incluyendo la inteligencia artificial incorporada en el proceso de generación de avatares. En un momento dado, se contaba con una herramienta completa para mejorar el avatar, pero surgió una decisión inesperada: ya no era viable trabajar con avatares generados desde cero, sino que se optaría únicamente por utilizar imágenes de personas reales. Este cambio implicó un ajuste en la metodología de trabajo. Aunque este enfoque implicó resultados algo más limitados en comparación con la generación desde cero, el equipo perseveró y logró avanzar gradualmente utilizando herramientas alternativas, aunque menos avanzadas, para la creación de Hiperia. También han trabajado en implementar un sistema automatizado destinado a la generación de subtítulos en dos idiomas para el contenido del medio. Inicialmente, se desarrolló y puso en marcha un sistema eficaz para la generación de subtítulos en castellano, que se encuentra en plena fase de explotación. En los informativos regionales, el subtitulado se lleva a cabo utilizando esta tecnología basada en inteligencia artificial. Hace unos años, se comenzó a experimentar con la generación bilingüe de subtítulos, particularmente en aquellas comunidades autónomas donde los informativos se emiten en dos lenguas distintas. Esta tarea se vuelve considerablemente más compleja debido a las diferentes estructuras lingüísticas y a los diversos niveles de uso de cada lengua. Algunas comunidades tienen una preferencia marcada por una lengua A sobre una lengua B, mientras que otras presentan un uso más equilibrado o una alternancia constante entre 36 ambas lenguas. Además, algunas comunidades mantienen una clara separación entre los segmentos emitidos en cada idioma. Este proyecto sigue siendo parte de la iniciativa de innovación de RTVE, ya que la adaptación de la IA para generar subtítulos bilingües presenta desafíos significativos. Por el momento, los resultados obtenidos en este ámbito no alcanzan el nivel de excelencia observado en la generación de subtítulos en castellano, pero siguen trabajando para mejorar y optimizar esta funcionalidad. En noviembre de 2023, la Orquesta y Coro de RTVE marcó un hito en la música clásica española al interpretar, por primera vez ante público, una obra compuesta íntegramente por inteligencia artificial en el Teatro Monumental de Madrid. Este evento marcó el culmen del proyecto experimental Lab Orquesta, una colaboración entre el Laboratorio de Innovación Audiovisual de RTVE y la ya mencionada orquesta. Desde la concepción de la obra hasta su ejecución en vivo, este proyecto es documentado a través de una narrativa transmedia que incluye un innovador documental en formato TikTok y una web interactiva. El mismo no solo explora los límites de la creatividad en la era digital, sino que también aborda preguntas fundamentales sobre el impacto de la inteligencia artificial en el campo de la música. Voces como la de Rocío León –subdelegada artística y violinista– y Borja Arias –compositor y director de orquesta– destacan la importancia de estas herramientas como complemento, más que como reemplazo, de la creatividad humana en la música. Lab Orquesta destaca también por su estrategia de comunicación, que integra las narrativas propias de las redes sociales para llegar a un público amplio y diverso. En resumen, este proyecto representa un hito en la exploración de nuevas formas de creación y comunicación en el ámbito audiovisual, y se suma a los logros del Laboratorio de Innovación de RTVE en su búsqueda constante de la vanguardia tecnológica y artística. Además de lo ya expuesto, la corporación ha llevado a cabo otros proyectos innovadores para la generación de contenido con el uso de la IA, que incluyen desde la retransmisión de partidos de fútbol de tercera regional con voces sintéticas hasta la publicación diaria de informaciones relacionadas con el sector audiovisual y los programas de televisión. Asimismo, el Departamento de la Defensora del Espectador ofrece un resumen periódico 37 de la correspondencia recibida, permitiendo una conexión directa con la audiencia al reflejar sus inquietudes y opiniones. A pesar de algunos fallos identificados en el proceso, en general, estos proyectos han demostrado funcionar de manera eficiente, brindando a la audiencia acceso constante a contenidos actualizados y acordes a la adaptación de las nuevas tecnologías aplicadas al periodismo. 6.2. Verificación de noticias: proyecto IVERES El Departamento de Dirección de Estrategia de RTVE, donde Montserrat Rigall hace su labor, tiene puesto el foco en un proyecto llamado IVERES. Financiado a través de los fondos Next Generation por el Gobierno de España, este proyecto colaborativo involucra a cuatro destacadas universidades: la Universidad Autónoma de Barcelona (UAB), la Universidad Politécnica de Cataluña (UPC), la Universidad Carlos III de Madrid y la Universidad de Granada. Su objetivo es desarrollar mediante herramientas de Inteligencia Artificial un sistema automático o semiautomático de verificación que se adapte a las necesidades de los periodistas y les facilite la tarea de verificación de la información. Todo esto en formatos de audio, vídeo, texto e incluso en ‘chatbots’ de redes sociales, en una era donde el rápido crecimiento de las mismas y su fácil alcance para cualquier persona con un dispositivo electrónico conectado a Internet, hacen que cada vez sea más sencillo la creación y difusión de información no veraz 12 . El pasado abril el proyecto recibió el premio al mejor Proyecto Público 2024 de la mano del Consejo General de Colegios Profesionales de la Ingeniería Informática de España (CCII). Este se centra en la creación de una plataforma integral de inteligencia artificial diseñada para asistir a los periodistas en todas las etapas de verificación de información. Esta plataforma actúa como un conjunto de herramientas dinámicas que pueden adaptarse a las necesidades cambiantes del campo, permitiendo la integración de soluciones avanzadas a medida que la tecnología evoluciona y nuevas herramientas se vuelven obsoletas. Dentro de la misma, se incluyen funciones de monitoreo de redes sociales, 12 Recuperado de https://iveres.es/que-es-iveres/ 38 verificación de imágenes y vídeos, detección de manipulación de voz y archivado de contenido para garantizar un proceso de verificación exhaustivo y eficaz. Para garantizar que la herramienta se adapte a las verdaderas necesidades de los profesionales de verificación de contenidos, la etapa inicial del proyecto se centró en comprender sus procesos, requerimientos y las herramientas que actualmente utilizan en su labor. El equipo de IVERES llevó a cabo numerosas entrevistas con expertos destacados en este ámbito y analizó detenidamente la información recopilada. La investigación científica fue liderada por el equipo de la Universidad Autónoma de Barcelona, mientras que el desarrollo tecnológico estuvo a cargo del equipo de RTVE en colaboración con la Universidad Carlos III, la Universidad Politécnica de Catalunya y la Universidad de Granada. El trabajo realizado ha servido como base para establecer un catálogo de herramientas que han demostrado su eficacia práctica y para diseñar un modelo experimental para el sistema en desarrollo. En el flujo de trabajo del proceso de verificación, el primer paso consiste en identificar la información que necesita ser verificada, así como detectar posibles bulos en circulación y evaluar su viralidad. En segundo lugar, se procede a almacenar la información que requiere verificación, ya que los creadores o propagadores de información maliciosa a menudo intentan eliminar sus rastros. Finalmente, se aborda la tarea de verificar la veracidad de la información en sí misma. El proyecto IVERES integra un conjunto de herramientas que permitirán a los periodistas avanzar con mayor rapidez en cada etapa del proceso de verificación, aumentando sus posibilidades de detectar y desmentir información falsa. Esto comienza con una consulta inicial, facilitada por una capa inicial de inteligencia artificial, que permite al usuario dirigir el material a verificar a las diversas herramientas complementarias. En colaboración con la Universidad Carlos III de Madrid, se está desarrollando un sistema de monitorización en redes sociales (Figura 1) que permite seguir cuentas sospechosas y mejorar la comprensión de su actividad. Esto se logra mediante el uso de ontologías diseñadas específicamente para detectar contenido en sus primeras etapas de viralización, generando alertas que facilitan su seguimiento y verificación. 39 Figura 1 Proceso de monitorización en redes sociales Fuente: Proyecto IVERES Una vez identificada una información falsa o el origen de un posible bulo, el proyecto ofrecerá una solución para el rápido y seguro archivado de contenido multimedia que podría ser eliminado por su fuente. Esto facilitará su compartición dentro de la redacción o con terceros, permitiendo su posterior análisis y, si es necesario, su republicación. Para analizar este contenido, se ha desarrollado una solución flexible que permite la fácil sustitución de herramientas obsoletas por otras más adecuadas en el futuro. La UPC ha evaluado varias soluciones proporcionadas por equipos de investigación europeos y americanos, incorporando aquellas que demuestran su eficacia en una interfaz de usuario intuitiva. Esta interfaz permitirá a los verificadores detectar imágenes y videos manipulados de manera ágil y sencilla. Próximamente, todos estos avances, junto con un detector de audio falso desarrollado por la UGR, estarán disponibles para los profesionales de la información en una única herramienta que integrará todas las soluciones mencionadas anteriormente. 40 6.3. Otros ámbitos de impacto de la IA en RTVE En RTVE, la integración de la inteligencia artificial ha revolucionado diversas áreas de su operación como medio de comunicación, más allá de la producción de contenido y la verificación de noticias. Montserrat Rigall y Carmen Pérez declaran que cada día se lleva a cabo la recopilación de artículos de prensa sobre temáticas específicas para diferentes destinatarios. Por ejemplo, se recopilan noticias de periódicos para compañeros periodistas de guerra, quienes reciben un resumen de lo más relevante del día para evitar tener que buscarlo ellos mismos. Para aquellos que trabajan en el extranjero, como en Moscú o Israel, se utiliza un proceso de scraping 13 para recopilar los periódicos locales, lo que les ayuda a estar al tanto de las noticias incluso si están en un idioma que desconocen. Cada día, estos compañeros eligen los periódicos que necesitan, seleccionan las noticias relevantes y luego reciben traducciones de las mismas a través de correo electrónico. La IA también tiene su papel en el compromiso de RTVE de difundir los objetivos de desarrollo sostenible establecidos en la Agenda 2030. Para garantizar el cumplimiento de esta misión, se lleva a cabo un análisis exhaustivo de los contenidos de los informativos, con el fin de determinar cuánto tiempo se dedica diariamente a cada uno de estos. Este análisis, aunque complejo de realizar manualmente, permite evaluar de manera precisa el nivel de difusión de los distintos aspectos de la Agenda 2030 en los grandes programas informativos de RTVE, expone Carmen Pérez. 6.4. Convergencia entre IA y periodismo Este apartado se centra en el punto de vista de las expertas entrevistadas sobre la convergencia de la tecnología y el periodismo para la presente investigación, erigiéndose como un punto de inflexión para comprender las complejas interacciones entre el periodismo y la IA. 13 técnica en la cual un programa informático extrae datos del resultado generado por otro programa. 41 Las entrevistas, como se desarrolla en la metodología anteriormente planteada, fueron a Montserrat Rigall, periodista cuya labor se ha entrelazado con la implementación de la IA en el campo periodístico; a Carmen Pérez, experta en tecnología que colabora estrechamente con periodistas para aprovechar al máximo las herramientas tecnológicas disponibles; y a Sofía Sánchez, figura destacada en el ámbito de la inteligencia artificial, quien lidera las operaciones en Narrativa, una aplicación especializada en la generación automática de contenido mediante IA. A través de estas conversaciones, se pretende ofrecer una visión integral y perspicaz sobre el impacto y las implicaciones de la IA en el periodismo contemporáneo. Las experiencias, opiniones y conocimientos de estas expertas constituirán una valiosa contribución para analizar los desafíos y oportunidades que emergen en la intersección entre el periodismo y la tecnología, así como para proyectar posibles escenarios futuros en este ámbito en constante evolución. Montserrat Rigall, periodista comprometida con la evolución del campo periodístico en la era de la inteligencia artificial, reflexiona con claridad y perspicacia sobre los desafíos y oportunidades que esta convergencia tecnológica presenta. Desde su experiencia, destaca la necesidad de que la tecnología complemente y potencie el trabajo del periodista, en lugar de reemplazarlo. “La gente tiende a criticar a la IA porque asusta”, afirma, poniendo el foco en la necesidad de que los profesionales del sector estén dispuestos recibir a nuevos conocimientos y usar nuevas herramientas que esta tecnología lleva consigo. Su participación en un encuentro internacional de fact-checkers 14 en Oslo fue reveladora, al evidenciar que el uso de herramientas de IA por parte de estos profesionales representaba un nuevo paradigma laboral. Este descubrimiento la llevó a abogar por la adopción proactiva de la tecnología por parte de los periodistas convencionales, reconociendo que la agilidad y la diversidad de perspectivas que ofrece la IA son valiosas para enriquecer la labor periodística. 14 grupo de entidades y personas apolíticas que tienen por objetivo el desmentido de las declaraciones hechas en público ya sea por partidos políticos o personas que no se ajusta a la realidad objetiva 48 Brew, A. y Boud, D. (1995). Docencia e investigacin: Establecer el vnculo vital con el aprendizaje. Educación superior, 29, (pp. 261-273). Canales Cerón M (2006). Metodologas de la investigación social. (pp. 163-165). LOM Ediciones. Cortez Vásquez, A.; Vega Huerta, H.; y Patriona Quispe, J. (2009). Procesamiento de Lenguaje Natural. Revista de ingeniería de sistemas e informática vol. 6, No 2. Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25, (pp. 7-29). El algoritmo de la inteligencia artificial. (2024). En M. Varela. Inteligencia artificial en los medios de comunicación (6ª edición). RTVE, Proyecto Haz. Emre Celebi, M. (2015). Preface. Partitional clustering algorithms. Springer. Fernández Alvargonzález, C. (2014). Programa sobre la Muerte y la elaboración de los procesos de Duelo positivos en el Segundo Ciclo de Educación Infantil. [Trabajo Fin de Grado, Universidad Internacional de La Rioja]. Universidad Internacional de La Rioja. Recuperado de https://reunir.unir.net/bitstream/handle/123456789/2467/fernandez.alvargonzalez.pdf?se quence=1&isAllowed=y Fieiras Ceide, C., Vaz Álvarez, M. y Túñez López, M. (2022). Verificación automatizada de contenidos en las radiotelevisiones públicas europeas: primeras aproximaciones al uso de la inteligencia artificial. Redmarka. Revista De Marketing Aplicado, 26(1), (pp. 36-51). Flores Burgess, A., Prieto Riascos, L. y Llavero Bernal, F. (2011). Redes neuronales como sistemas complejos adaptativos. Vol.4, No 135. (pp. 53-54). Glvez Toro, A. (2001). Enfermera Basada en la Evidencia. Cmo incorporar la investigacin a la prctica de los cuidados. Fundación Index. 49 Gibert, K. (2022). La importancia de la inteligencia artificial en el futuro del trabajosistemas autónomos y complementarios. Telos: Cuadernos de comunicación e innovación. (pp. 76-81). Gibert, K. (2023). Inteligencia artificial y sustitución del factor trabajo. Transformación digital de la economa: efectos sobre el trabajo. Economistas sin fronteras, Dossieres EsF, No 51. (pp. 46-50). Glahn, H. (1970). Computer worded forecasts. Bulletin of the American Meteorological Society 51(12), (pp. 1126-1132). Recuperado de https://journals.ametsoc.org/view/journals/bams/51/12/1520- 0477_1970_051_1126_cpwf_2_0_co_2.xml?tab_body=pdf Gómez-Luna, E., Fernando-Navas, D., Aponte-Mayor, G. y Betancourt-Buitrago, L.A. (2014, abril). Metodologa para la revisión bibliogrfica y la gestión de información de temas cientficos, a travs de su estructuración y sistematización. Dyna, vol. 81, No 184. (pp. 158-163). Universidad Nacional de Colombia. González Recuenco, J., Sánchez del Toro, J. y Salutregui Pacios, J. (2004). Personalización: más allá del CRM y el marketing relacional. (p. 12). Pearson Educación. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. y Bengio, Y. (2014). Generative adversarial nets. Proceedings of the Advances in Neural Information Processing Systems. (pp. 2672-2680). Graefe, A. (2016). Guide to automated journalism. Tow Center for Digital Journalism. Recuperado de https://bit.ly/2MeyAE9 Granell, F. (2016). Los retos de la cuarta revolución industrial. Perspectivas económicas frente al cambio social, financiero y empresarial. Real Academia de Ciencias Econmicas y Financieras, (pp. 57-74). Guerrero-Sol, F. y Ballester, C. (2023). El impacto de la Inteligencia Artificial Generativa en la disciplina de la comunicación. Hipertext.net, (26), (pp. 1-3). 50 Gunkel, D. (2018). Robot Rights. The MIT Press. Hart, C. (1998). Doing a literature review. Sage Publications. Higinio Ruiz Espinoza, F. y Estrada Cervantes, R. (2021). Revisión Bibliogrfica: La Metodologa del Aprendizaje basado en la Investigación. Ciencia Latina Revista Cientfica Multidisciplinar. Volumen 5, No 1, (p. 1081). IA en medios de comunicación. (2024). En M. Varela. Inteligencia artificial en los medios de comunicación (6ª edición). RTVE, Proyecto Haz. Jaemin, J., Haeyeop, S. y Hyunsuk, I. (2017). Intrusion of software robots into journalism: The public’s and journalists’ perceptions of news written by algorithms and human journalists. Computers in Human Behavior, 71, (pp. 291-298). Koerber, A. y McMichael, L. (2008). Qualitative sampling methods: a primer for technical communicators. Journal of business and technical communication, v. 22, No. 4, (pp. 454-473). Krebs, S. E., McCain, M. y Brundage M. (2022). All the news that’s fit to fabricate: AI- generated text as a tool of media misinformation. Journal of experimental political science, v. 9, No 1, (pp. 104-117). Kvale, S. (2011). Las entrevistas en Investigación Cualitativa. Ediciones Morata S.L. La mirada experta. Verificación con IA (2024). En M. Varela. Inteligencia artificial en los medios de comunicación (6ª edición). RTVE, Proyecto Haz. Lindén, C.G. (2017). Algorithms for journalism: The future of news work. The journal of media innovations, v. 4, No 1. (pp. 60-76). López de Mántaras, R. (28 noviembre 2019). La Inteligencia Artificial hoy: realidades, fantasías y desafíos. Instituto de Investigación en Inteligencia Artificial (IIIA) – CSIC. 51 Machuca, G. (14 de abril 2023). El potencial de la IA a favor de la personalización de contenidos. LinkedIn. Recuperado de https://www.linkedin.com/pulse/el-potencial-de- la-ia-favor-personalización-gerardo-machuca/?originalSubdomain=es Markoff, J. (2009). The coming superbrain. New York Times. Recuperado de https://www.nytimes.com/2009/05/24/weekinreview/24markoff.html Martnez Snchez, O. (2012). Periodismo en la era digital: los medios informativos, entre reacomodos, crisis y oportunidades. Revista Mexicana de Comunicacin, 25(131), (pp. 44-47). McCarthy, J. (2007). What is artificial intelligence? Computer Science Department, Stanford University. Meehan, J. (1977). Tale-Spin, an interactive program that writes stories. International Joint Conferences on Artificial Intelligence. 77, (pp. 91-98). Mooney, S. J., Westreich, D. J. y El-Sayed, A. M. (2015). Epidemiology in the era of big data. Epidemiology, 26(3), (p. 390). Morales Pérez, S. (2017). 1957-1958. El primer año de TVE. RTVE. Recuperado de https://www.rtve.es/rtve/20170629/programacion-primeros-anos-tve/1573400.shtml Masip, P., Díaz-Noci, J., Domingo, D., Micó-Sanz, J. y Salaverría, R. (noviembrediciembre 2010). Investigación internacional sobre ciberperiodismo: hipertexto, interactividad, multimedia y convergencia. El profesional de la información, v. 19, No 6, (pp. 568-576). Proyecto IVERES (2023). Proyecto IVERES. Qué estamos haciendo. Proyecto IVERES. Recuperado de https://iveres.es/que-es-iveres/ IBM. ¿Qué es la inteligencia artificial? Recuperado de https://www.ibm.com/eses/topics/artificial-intelligence Raquel Torres. (2019, abril 29). SVM - Support Vector Machine - Máquina de Soporte de Vectores [Vídeo]. YouTube. Recuperado de https://www.youtube.com/watch?v=97H-ACNrVFY 52 Ross García, F. (2023). Los profesionales de la información y la IA: una herramienta prctica para conversar con ChatGTP. [Ponencia de Congreso]. Actas de las XVIII Jornadas Españolas de Información y Documentación. (pp. 570-577). Fesabid. Recuperado de https://www.fesabid.org/wpcontent/uploads/FESABID_actas_Jornadas_Espanolas_Informacion_Documentacion_2 023.pdf RTVE Lab (2024). RTVE estrena 'Lab Orquesta', primera obra musical compuesta con IA e interpretada por una orquesta en España. RTVE. Recuperado de https://www.rtve.es/noticias/20240206/rtve-estrena-lab-orquesta-primera-obra-musical- compuesta-con-ia-interpretada-por-orquesta-espana/15953207.shtml Russel, S. y Norvig, P. (2021). Aritificial Intelligence: A modern approach. (4ª ed.). Pearson Education. Salazar, I. (2018). Los robots y la Inteligencia Artificial. Nuevos retos del periodismo. Doxa Comunicacin, 27, (pp. 295-315). Sánchez Martín, M. (2023). El uso de las fuentes periodsticas en la prensa espaola del videojuego. [Trabajo Fin de Grado, Universidad de Sevilla]. Universidad de Sevilla. Recuperado de https://idus.us.es/bitstream/handle/11441/156265/PER_SANCHEZMARTIN_TFG.pdf? sequence=1&isAllowed=y Sánchez Reíllo, R. (2000). Capítulo II. Reconocimiento de locutores. Mecanismos de autenticacin biomtrica mediante tarjeta inteligente [Tesis Doctoral, Universidad Politécnica de Madrid]. (p. 36). Tez-López, M., Toural-Bran, C. y Valdiviezo-Abad, C. (2019). Automatización, bots y algoritmos en la redacción de noticias. Impacto y calidad del periodismo artificial. Revista Latina de Comunicacin Social, 74, (pp. 1411-1433). Tez-López, J. M., Toural-Bran, C. y Cacheiro-Requeijo, S. (2018). Uso de bots y algoritmos para automatizar la redacción de noticias: percepción y actitudes de los periodistas en Espaa. El profesional de la informacin, v. 27, No 4. (pp. 750-758). 53 Turing, A. (1950). Computing machinery and intelligence. Mind (Print), LIX (236), (pp. 433-460). TURK CHESS PLAYERS. (2015, junio 6). 'The Chess Turk explained'. [Vídeo]. YouTube. Recuperado de https://www.youtube.com/watch?v=1tvla70hy9o Tusa, F. y Tejedor, S. (2019). La Inteligencia Artificial en el periodismo: el caso de avatares y presentadores robóticos. Un estudio desde la percepción de los periodistas. Revista Ibérica de Sístemas e Tecnologias de Informação. (pp. 267-279). Vapnik, V. N. (1998). Statistical Learning Theory. Adaptive and Learning Systems for Signal Processing, Communications and Control, S.Haykin, Ed. John Wiley and Sons. Vela Salas, A. (2020). Irrupcin de la IA en las redacciones. Uso y repercusin de la automatizacin en el periodismo. [Trabajo Fin de Grado, Universidad de Sevilla]. Universidad de Sevilla. Recuperado de https://idus.us.es/bitstream/handle/11441/102075/PER_VelaSalas_TFG.pdf?sequence= 1&isAllowed=y Vosoughi, S., Roy, D. y Aral, S. (2018). The spread of true and false news online. Social Science, (pp. 1146-1151). Ruiz Espinoz, F. H. y Estrada Cervantes, R. (enero-febrero 2021). Revisión Bibliogrfica: La Metodologa del Aprendizaje basado en la Investigación. Ciencia Latina Revista Cientfica Multidisciplinar. Volumen 5, No 1.