Paul Bradshaw es una de las voces más influyentes del periodismo de datos en el Reino Unido. Profesor en la Birmingham City University, autor de numerosas guías y artículos sobre innovación periodística y creador del Online Journalism Blog, se ha convertido en referente obligado para comprender cómo los datos, los algoritmos y las audiencias están redefiniendo el oficio.
En esta entrevista con LA NACION, Bradshaw despliega un mapa riguroso y provocador sobre el presente y el futuro del periodismo. Plantea que la falta de datos o su mala calidad no deben ser un obstáculo, sino un punto de partida narrativo; que la inteligencia artificial puede ayudarnos a detectar sesgos más que a perpetuarlos; y que el periodismo no es solo contar historias, sino también construir herramientas, procesos y vínculos con las comunidades a las que se dirige.
Desde estrategias para investigar en regímenes autoritarios hasta las claves para abordar la fatiga informativa o la presión por publicar rápido, Bradshaw insiste en un principio rector: el periodismo debe ser útil, humano y autocrítico. Su mirada no es técnica, sino profundamente ética: la tecnología cambia, pero el compromiso con el servicio público sigue siendo irrenunciable.
– El periodismo de datos suele asociarse con cifras y estadísticas, pero ¿cómo pueden los periodistas asegurarse de que el elemento humano -las emociones, el impacto, las consecuencias reales- se mantenga en el centro de su narrativa?
– Los datos y el elemento humano de las historias van de la mano: los datos a menudo pueden darnos una pista sobre cómo están cambiando las cosas, la magnitud de un problema, qué lugares están quedando rezagados o dónde hay una variación injusta, pero necesitamos a los humanos para que nos digan por qué, y cuál es el impacto de esos eventos. Los datos nos dicen por qué algo importa; los humanos nos dicen por qué deberíamos preocuparnos. Por el contrario, sin datos, una historia humana puede terminar como una anécdota que los poderosos pueden descartar como mala suerte o el resultado de una “manzana podrida”. Pero buscar datos sobre cuántas otras personas están afectadas, o si hay un aumento en los eventos descritos, hace que la historia sea mucho más atractiva sobre problemas sistémicos, mucho más difícil de descartar. Y si no hay datos -o son defectuosos-, también es importante informarlo: sin datos, la gente no tiene voz, y los datos defectuosos significan que no se les escucha claramente. Los datos nos ayudan a identificar dónde deberíamos buscar entrevistas o casos de estudio (por ejemplo, las zonas más afectadas o los proyectos más exitosos), y nos empoderan para hacer las preguntas adecuadas a quienes están en el poder: en lugar de preguntar qué está pasando y simplemente reportar lo que dicen, podemos preguntar qué están haciendo respecto a un problema o tendencia que ya hemos identificado. Dicho de otra manera, nos permite superar el periodismo del “él dijo, ella dijo” para establecer qué versión de los hechos está mejor respaldada por los datos.
Los datos pueden darnos una pista sobre cómo están cambiando las cosas, la magnitud de un problema, qué lugares están quedando rezagados o dónde hay una variación injusta, pero necesitamos a los humanos para que nos digan por qué, y cuál es el impacto de esos eventos. Los datos nos dicen por qué algo importa; los humanos nos dicen por qué deberíamos preocuparnos
– La inteligencia artificial ya se está utilizando para generar informes y analizar datos, pero ¿podría eventualmente convertirse en una fuente de noticias en sí misma? ¿Cómo deberían los periodistas abordar eventos impulsados por la IA, como decisiones algorítmicas en finanzas o propaganda política automatizada?
– Muchos de los primeros experimentos de las organizaciones de noticias con la IA generativa han girado en torno a usarla para producir noticias, con resultados generalmente pésimos. Un error común es malinterpretar la naturaleza inherentemente probabilística de la IA: lo que hace la mayoría de las IA es predecir una secuencia de palabras. Es muy buena en esas predicciones: en el 95% de los casos, esa secuencia de palabras puede resultar ser también una afirmación verdadera. Pero si el 5% de las afirmaciones no lo son, eso es un problema si tu propuesta de valor principal es la precisión del 100%. Esto no significa que la IA no pueda tener un papel, pero sí que implica costos adicionales en ingeniería y edición. Incluso tareas básicas como la traducción y el resumen enfrentan este desafío, por lo que probablemente veremos mucho desplazamiento laboral a medida que las organizaciones trasladen recursos de la recopilación de información y la redacción hacia roles más centrados en el diseño, la adaptación y la verificación. En cuanto a los eventos impulsados por IA, la toma de decisiones algorítmica ha sido objeto de escrutinio periodístico durante más de una década, con organizaciones como ProPublica pioneras en el campo de la responsabilidad algorítmica. Está claro que el diseño y la implementación de sistemas basados en IA es un ejercicio de poder que debería tratarse como cualquier otro. Lo interesante para mí es que en muchos sentidos la IA hace que los problemas sistémicos sean mucho más visibles, porque una organización está esencialmente codificando lo que antes podía haber sido más implícito. La aplicación de la ley puede haber estado siempre sesgada, por ejemplo, pero un algoritmo codifica ese sesgo y lo hace más fácil de evidenciar (también hace más fácil que la gente culpe al algoritmo, en lugar de a los sesgos sistémicos con los que fue entrenado, así que debemos oponernos más a eso). El contenido generado automáticamente es otra frontera de rápido crecimiento, donde quizás la carrera armamentista entre periodistas y propagandistas sea más pronunciada. Es una de las razones por las que creo que los periodistas no pueden ignorar la IA: si estás en una guerra de información y ni siquiera entendés las armas que usan tus oponentes, entonces estás en una desventaja notable. Operar a la misma escala que los agentes de desinformación, y detectar los patrones de su trabajo, va a requerir alguna forma de periodismo aumentado por IA.
– Cada vez más periodistas se vuelven freelancers o forman equipos de investigación independientes. ¿Cómo impacta este cambio en el futuro del periodismo de datos y qué oportunidades o riesgos presenta?
– Requiere mucha flexibilidad y hay una experimentación técnica constante, por lo que la independencia puede abrir oportunidades para innovar y desarrollarse. Pero obviamente, la libertad de operar fuera de una gran organización de medios tradicional significa tener menos protección, menos acceso a fuentes, y puede ser más difícil lograr impacto con tu trabajo. El futuro de esta especialidad está ligado con el futuro del periodismo en general: desde hace décadas estamos viendo cómo cambian los modelos de negocio como era de esperarse ante la baja de los costos y el aumento de la competencia, y el periodismo de datos no es la excepción. Su crecimiento se debe en parte a esas mismas fuerzas: los costos para aprender habilidades de análisis de datos y las herramientas necesarias para hacerlo se redujeron, mientras que la competencia aumentó la demanda de informes más profundos y exclusivos que generaran mejor compromiso por parte de los lectores. La creciente “dataficación” de la sociedad es otro factor en el crecimiento del periodismo de datos: los datos no sólo son cada vez más una fuente clave para los periodistas, sino que también actúan como un mediador en la forma en que las audiencias interactúan con el periodismo (los datos sobre una persona a menudo determinan la historia que ve o el enfoque que tiene). Recién estamos en los comienzos de esa creciente personalización de las noticias, y de los desafíos que plantea para las ideas del espacio público y lo que podríamos llamar la “conversación nacional”. Y así como el periodismo ha salido cada vez más de las redacciones -el auge del periodismo ciudadano y de los podcasters, de ONGs y organizaciones benéficas montando equipos de investigación-, el periodismo de datos también opera cada vez más fuera de los medios tradicionales.
El contenido automático es otra frontera de rápido crecimiento, donde quizás la carrera armamentista entre periodistas y propagandistas sea más pronunciada. Es una de las razones por las que creo que los periodistas no pueden ignorar la IA: si estás en una guerra de información y ni siquiera entendés las armas que usan tus oponentes, entonces estás en una desventaja notable
– En países autoritarios donde el acceso a los datos públicos está restringido o manipulado, ¿qué estrategias pueden usar los periodistas de datos para descubrir la verdad sin ponerse en riesgo?
– Vivimos en un mundo interconectado y digitalizado, así que si los datos públicos están restringidos o no son confiables, hay muchos otros lugares donde buscar. La primera técnica a considerar es mirar fuera del propio país: muchos recopilan datos sobre lo que sucede en el tuyo. Puedes usar las leyes de libertad de información de otros países para solicitar datos y documentos sobre sus interacciones con tu propio territorio. Una segunda técnica es el scraping: el proceso de automatizar la recopilación de información publicada en la web y convertirla en un formato de datos estructurado. Por ejemplo, podrías hacer scraping de los anuncios de trabajo en un sector en particular para tener una idea de los salarios o prácticas discriminatorias, o hacer scraping de anuncios para tener una idea de qué está ocurriendo y con qué frecuencia. El Servicio Mundial de la BBC, por ejemplo, hizo scraping de publicaciones oficiales en X para obtener una escala de ejecuciones públicas en un país autoritario. Una tercera técnica es recopilar datos manualmente: podría ser revisar informes anuales e ingresar la misma pieza de información de cada uno en una hoja de cálculo, o usar reportes de medios. El proyecto Dying Homeless del Bureau of Investigative Journalism usó este enfoque, por ejemplo, porque no existía un registro oficial de cuántas personas morían mientras estaban sin hogar. También puede haber “datos públicos” que no parecen datos. Documentos de texto como discursos, políticas y comunicados de prensa, por ejemplo, pueden tratarse como datos. Podrías analizar la frecuencia con la que se usan ciertos términos, cuánto ha cambiado eso con el tiempo, y así sucesivamente. Técnicas de IA tradicionales como el aprendizaje automático pueden usarse para clasificar cada documento, identificar cambios de sentimiento o qué agrupaciones temáticas revela el texto (modelado de temas). La falta de datos, o los datos deficientes, pueden ser la historia en sí misma. Así que otro enfoque es buscar a las personas afectadas por eso, y a quienes hacen campaña por el cambio, o a quienes trabajan alrededor del problema. Las filtraciones son obviamente otra fuente potencial. Esto conlleva un riesgo evidente no solo para el periodista sino también para la fuente, por lo que es importante evaluar cuidadosamente los riesgos antes de considerar esta vía. El modelado de amenazas puede ser una habilidad muy útil para evaluar y abordar riesgos de forma general. Por ejemplo, si estás haciendo scraping, puede que quieras asegurarte de que la dirección IP de tu scraper no esté conectada a ti o a tu organización.
Vivimos en un mundo interconectado y digitalizado, así que si los datos públicos están restringidos o no son confiables, hay muchos otros lugares donde buscar. La primera técnica a considerar es mirar fuera del propio país: muchos recopilan datos sobre lo que sucede en el tuyo
– No todos los temas importantes tienen datos claros disponibles. ¿Cuáles son los puntos ciegos más grandes en el periodismo de datos hoy en día y cómo pueden los periodistas investigar historias que carecen de conjuntos de datos estructurados?
– El mayor punto ciego son, en general, las empresas privadas: hay muchos más datos sobre organismos públicos, y estos también están sujetos a leyes de Derecho a la Información como la Ley de Libertad de Información. Así que es realmente importante que cualquiera que trabaje con datos reconozca esto, y haga un esfuerzo extra para considerar ideas de historias fuera del sector público. Una técnica común para abordar esto es observar dónde el sector privado se cruza con el público. Por ejemplo, si las empresas tienen contratos con organismos públicos, entonces esos organismos pueden tener datos sobre sus actividades, contratos, correspondencia, etc., que pueden obtenerse mediante pedidos de acceso a la información pública (FOI). Los organismos reguladores pueden estar recopilando información sobre ellos o exigirles que publiquen cierta información en su sitio web. Las mismas técnicas que podrían usarse en un país autoritario con pocos datos públicos también pueden usarse para abordar puntos ciegos en los datos: recopilar datos de fuentes públicas, por ejemplo (como informes anuales de empresas o políticas públicas); scraping; filtraciones; y documentos de texto como datos son todas opciones para el periodista falto de datos. A un nivel más granular, tendemos a carecer de datos desglosados por etnia, y también hay puntos ciegos en torno al género, la discapacidad, la sexualidad y la clase social. Eso hace especialmente difícil identificar variaciones en los resultados para personas de distintos orígenes, o variaciones en cómo son tratadas. El resultado es que muchas historias con datos pueden ser “daltónicas” o ciegas a otras diferencias en la experiencia. En algunos casos, lo mejor que podemos hacer es emparejar conjuntos de datos para tratar de dar alguna indicación de esto. En una historia reciente, por ejemplo, analicé cierres de bibliotecas, y aunque los datos de bibliotecas no contenían medidas de clase social, pude usar las ubicaciones de las bibliotecas para cruzarlas con datos sobre pobreza y mostrar que las áreas más desfavorecidas tenían muchas más probabilidades de perder su biblioteca. En otras ocasiones puede que los datos estén disponibles, pero no se publiquen activamente, y se necesiten solicitar mediante FOI. O si no se recopilan, siempre queda la historia que pregunta por qué. Los periodistas como grupo también tienen puntos ciegos: la falta de diversidad en nuestras redacciones significa que no pensamos en las personas que podrían estar silenciadas en nuestros datos, o cuyas experiencias necesitan un enfoque más específico. Las tendencias generales que identifican los datos pueden ocultar tendencias más pequeñas que están experimentando los grupos minoritarios, y solo al exponernos a esas experiencias (mediante experiencia personal) o buscarlas sistemáticamente (preguntándonos “¿es esto igual para todos los grupos?”) podemos abordar eso.
– Muchos medios utilizan algoritmos para detectar tendencias o incluso identificar posibles líneas de investigación. ¿Cuáles son los riesgos éticos del sesgo algorítmico en el periodismo, y cómo pueden los periodistas asegurarse de que las ideas impulsadas por IA no refuercen prejuicios existentes?
– Existe el peligro de antropomorfizar la IA como “sesgada”, pero no está sesgada de la misma forma que una persona. Es mejor hablar de sus sesgos en plural, o de su entrenamiento sesgado. Los mismos sesgos existen en encuestas (donde ciertos grupos están subrepresentados por tasas de respuesta más bajas, o donde poblaciones más pequeñas generan más incertidumbre) y vemos varias técnicas que se usan en los datos de encuestas para compensarlo, pero no decimos que la encuesta en sí está sesgada, porque no antropomorfizamos las encuestas de la misma forma. Como en las encuestas, lo importante no es si un algoritmo está “sesgado” o no -todos los métodos son imperfectos, incluidos y especialmente los humanos-, sino qué pasos estamos dando para reducir el impacto de ese sesgo. Por ejemplo, si entrenamos algoritmos para detectar tendencias o pistas basándonos en historias previas, podríamos preguntarnos cómo eligen los periodistas cubrir unas historias y no otras. Podríamos preguntarnos qué pistas o tendencias suelen perder los periodistas, o si un grupo de periodistas está clasificando algunos datos de entrenamiento, podríamos asegurarnos de que ese grupo represente la diversidad de perspectivas que queremos codificar en el algoritmo. Dicho de otro modo, el sesgo es nuestro, no de la IA, y descartar a la IA como sesgada deja sin abordar la causa. Ese es un problema particular para el periodismo, que tiene un fuerte mito de objetividad, y esto requerirá que seamos críticos con nuestra propia profesión de la misma forma que lo somos con otras formas de poder. Incluso podemos usar la IA como control de nuestros propios sesgos. En la etapa de generación y desarrollo de ideas, los periodistas tienden al pensamiento grupal y al sesgo de disponibilidad, así que hay indicaciones prediseñadas que podemos diseñar para contrarrestarlo. Cuando identificamos fuentes, tendemos a confiar en un pequeño grupo de contactos y olvidamos considerar la diversidad -pero pedirle a la IA en esa etapa otras sugerencias puede desbloquear nuestro pensamiento-. Hay muchas guías sobre cómo evitar sesgos al escribir, pero los periodistas las aplican de forma inconsistente. Deberíamos pedirle rutinariamente a la IA que revise nuestro trabajo con esas guías en mente y nos dé consejos. En cada etapa, lo que realmente estamos introduciendo es un momento de reflexión y retroalimentación en el proceso de reporte, en lugar de pensar que somos de algún modo superiores a la IA.
El sesgo es nuestro, no de la IA, y descartar a la IA como sesgada deja sin abordar la causa. Ese es un problema particular para el periodismo, que tiene un fuerte mito de objetividad, y esto requerirá que seamos críticos con nuestra propia profesión de la misma forma que lo somos con otras formas de poder. Incluso podemos usar la IA como control de nuestros propios sesgos
– A veces, los números pueden ser manipulados para contar historias engañosas. ¿Cuáles son las formas más comunes en que se tergiversan los datos en el periodismo, y cómo pueden las audiencias volverse consumidores más críticos de informes basados en datos?
– La forma más común no es que los números sean manipulados, sino que se omiten otros números importantes. Por ejemplo, un político de la oposición puede mencionar una cantidad de crímenes que parece alta, pero no menciona que los números de años anteriores eran incluso mayores. O un grupo activista puede decir que una zona tiene más crímenes que cualquier otra, pero no menciona que también tiene más personas que cualquier otra zona. Otra técnica es resaltar una gran cantidad de dinero gastado en algo que parece frívolo, pero sin mencionar el presupuesto completo mucho más grande del que solo es una pequeña parte. Una común es que un gobierno afirme que está gastando “más que nunca” en educación, pero no menciona que también hay más estudiantes que nunca, y que el equipo y los salarios cuestan más que nunca antes, debido a la inflación. En términos reales, ajustados por inflación, puede que en realidad estén gastando menos, o menos por persona. Así que una técnica clave para audiencias y periodistas es preguntar “¿qué contexto falta aquí?” ¿Los números dados son por persona? ¿Sabemos si esos números están mejorando o empeorando? ¿Las cifras financieras están ajustadas por inflación? ¿Sabemos qué proporción del presupuesto total, o de todas las personas, representa ese número aparentemente grande? Otra área en la que enfocarse es la clasificación: los números pueden ser exagerados al hacer las definiciones tan amplias que no están realmente midiendo lo que dicen medir. En Alemania, hace muchos años, por ejemplo, se compartía en línea un mapa que afirmaba mostrar “crímenes de refugiados”, pero su definición cubría cualquier crimen con descripciones de personas como “de piel oscura” o “sureñas”, y en al menos un caso la persona era la víctima. La clasificación errónea puede ocurrir también a nivel institucional, como en el caso del Departamento de Policía de Los Ángeles que clasificaba erróneamente a personas como miembros de pandillas. Estate atento a cambios en las definiciones en medio de los datos -el Banco Mundial cambió su definición de pobreza extrema en 2015, por ejemplo-. Y averiguá sobre la metodología usada para recopilar datos: ¿está basada en una muestra o en toda la población? Si no se da esa información, deberías desconfiar de ella.
– A menudo hablamos de la precisión del periodismo de datos, pero ¿qué hay de su impacto psicológico? ¿Cree que la cobertura con muchos datos sobre temas como cambio climático, desigualdad o crimen puede causar fatiga o incluso apatía informativa entre los lectores?
– No conozco ninguna investigación que relacione la fatiga informativa o la evasión de noticias con el periodismo de datos específicamente. Estos comportamientos tienden a estar ligados a un sentido más amplio de impotencia y sobrecarga de malas noticias. Así que, si acaso, puede que la cobertura con pocos datos -que se centra solo en eventos trágicos que no puedes cambiar- sea más probable que cause fatiga informativa, en lugar de reportajes basados en datos que proporcionan una visión más amplia y ponen las cosas en contexto. Algunas de las estrategias para abordar la evasión de noticias requieren el uso de datos. El periodismo de soluciones, por ejemplo, que se ha demostrado que aumenta el compromiso y ayuda a los lectores a sentirse más empoderados, necesita datos para identificar dónde enfocar la cobertura (por ejemplo, qué áreas parecen ir en contra de una tendencia negativa). Pero en términos generales, la fatiga informativa se trata de cómo elegimos informar sobre un tema, no de si hay datos involucrados o no. Como siempre, cuanta más variedad dentro de una historia, mejor: si solo nos enfocamos en los datos, corremos el riesgo de deshumanizar los problemas; y si solo nos enfocamos en historias humanas, corremos el riesgo de descontextualizar las experiencias de las personas y reducirlas a anécdotas.
– Has sido pionero en el trabajo de narrativas interactivas. A medida que los períodos de atención se acortan y las audiencias buscan formatos más atractivos, ¿ve un futuro en el que el periodismo escrito tradicional sea reemplazado por narrativas totalmente interactivas y basadas en datos?
– No. Con cualquier tecnología nueva siempre hay una tentación de pensar en términos de “todo o nada”, pero sabemos que en el periodismo rara vez es blanco o negro, y en su mayoría son matices de gris. La historia de la tecnología nos muestra que las nuevas tecnologías rara vez eliminan a las antiguas: la impresión no fue reemplazada por la radio, ni la radio fue reemplazada por la televisión, y ninguna de esas fue reemplazada por las noticias en línea. Diferentes tecnologías se adaptan a diferentes situaciones, audiencias y presupuestos. Los editores se guiarán por eso más que por una ideología estricta acerca de que un formato o enfoque sea inherentemente mejor que todos los demás. Cuando escribí el “Modelo para la sala de redacción del siglo XXI” se trataba de cómo los diferentes formatos sirven a diferentes necesidades en el recorrido de una historia: la interactividad funciona bien una vez que un evento noticioso ha ocurrido y hay una necesidad de profundizar más allá de los simples hechos de ese evento, pero antes de ese punto a menudo se trata simplemente de quién, qué, dónde, cuándo, y la velocidad, más que la profundidad.
– Algunos proyectos de investigación dependen de datos proporcionados por ciudadanos comunes (por ejemplo, mapeo de daños ambientales o seguimiento de la desinformación). ¿Cómo pueden las redacciones garantizar la confiabilidad de los datos obtenidos por crowdsourcing mientras siguen fomentando la participación pública?
– Todo depende de las circunstancias específicas de la historia, pero debe haber una evaluación clara de los riesgos y luego qué pasos pueden tomarse para reducir esos riesgos. Por ejemplo, si es un tema que probablemente atraiga a troles, entonces podrías tomar medidas para bloquear envíos que coincidan con ciertos comportamientos (por ejemplo, comportamiento tipo bot, ciertas palabras, direcciones IP, etc.). El crowdsourcing es solo una etapa en un proceso editorial, y solo una herramienta en un conjunto más amplio, así que todo depende de qué otras etapas tienes: ¿cómo estás preparando el terreno?, ¿Qué hacés con la información una vez enviada? ¿Qué otras herramientas estás utilizando para encontrar y contar la historia? A menudo el crowdsourcing es tanto una forma de involucrar y empoderar a una comunidad como lo es de recopilar información. Puede haber una arrogancia en el periodismo que de hecho excluye a las mismas comunidades a las que se supone que debe servir. Así que cuando invitamos a las audiencias a contribuir con información es una forma de reconocer que tal vez esas audiencias también tengan conocimientos que pueden ser valiosos. Y también debemos aportar valor a través de la verificación y el seguimiento. Si no lo hacemos, pedir información a la audiencia puede interpretarse como pereza o explotación.
– Si tuvieras recursos ilimitados, ¿qué tipo de investigación a gran escala lanzaría hoy? ¿Hay problemas sistémicos poco reportados que crea que el periodismo de datos está especialmente posicionado para revelar?
– Con recursos ilimitados probablemente querría lanzar un proyecto que intentara llenar los vacíos de datos que existen en torno a la etnicidad, el género, la discapacidad y la clase social, etc., y las actividades del sector privado. Proporcionar una plataforma para exigir responsabilidades al poder en el nivel más local. El periodismo de datos está especialmente posicionado para empoderar a periodistas y audiencias, de una forma que los reportajes individuales a menudo no pueden, así que ahí es donde centraría mis esfuerzos. Si tengo que elegir un problema sistémico, diría que las áreas donde las empresas privadas están proporcionando servicios públicos. Ahí es donde se gasta dinero público, pero sin la rendición de cuentas y el escrutinio que enfrentan los servicios públicos. Y diría que las desigualdades en quién se beneficia de ese dinero, en términos de diferentes grupos dentro de la sociedad. Las prisiones y el encarcelamiento (por ejemplo, solicitantes de asilo) son otra área enormemente poco reportada: ¿cómo involucramos a las audiencias en temas que afectan a personas por las que tienen menos probabilidades de preocuparse? El hecho de que pensemos que nuestra audiencia no se va a interesar, y que eso lo haga difícil, no significa que no debamos cubrir esos temas.
– La presión por publicar rápido es mayor que nunca, incluso en el periodismo de investigación. ¿Cómo pueden los periodistas de datos equilibrar la necesidad de velocidad con la profundidad y la verificación que requiere un periodismo de alta calidad?
– Las historias rápidas y simples tienen más valor del que solemos darnos crédito. Permiten a los periodistas construir un entendimiento de un campo y generar confianza, hacer contactos y seguir la agenda informativa. Una investigación de alta calidad no tiene que ser una pieza de formato largo, puede tomar la forma de muchas historias, algunas simples, y otras más largas, durante un período de tiempo. Así que no creo que sea una elección entre una cosa u otra, podemos ser estratégicos al identificar las historias rápidas que podemos hacer como parte de nuestro camino en busca de una verdad más profunda. Hay principios simples que podemos recordar al trabajar con rapidez. Ser siempre honestos con nosotros mismos tanto como con nuestra audiencia sobre lo que no sabemos. Es fácil hacer suposiciones sobre los datos, así que verifica que entiendes exactamente qué se está midiendo, cómo, por qué y por quién. Busca qué falta en los datos, y por qué podría haberse omitido. Busca otras perspectivas, como en cualquier historia, y usa otras fuentes para confirmar, como en cualquier historia. También creo que olvidamos que nuestras historias son parte de una conversación más amplia. Cada historia que contamos lleva a nuestras audiencias, y a nuestros colegas periodistas, un paso más cerca de la verdad, y un paso más profundo hacia la comprensión. Un solo periodista no tiene que hacer todo el trabajo en una historia, puede basarse en el trabajo de sus pares y predecesores. Hay mucho ego en querer hacerlo todo nosotros mismos. Si ahorramos aunque sea un poco de trabajo a otro colega en una historia, entonces hemos contribuido a esa historia independientemente de si nuestro nombre aparece o no.
– Más allá de la tecnología y las tendencias de la industria, ¿cuál es el principio o mentalidad que los periodistas nunca deberían perder de vista, sin importar cómo evolucione la profesión?
– Estamos aquí para servir a nuestras audiencias, no para impresionar a nuestros colegas periodistas, ni para construir relaciones con los entrevistados, ni siquiera para promover una causa. Podemos servir a esas audiencias de formas simples. Podemos servirlas empoderándolas, o conectándolas, podemos decirles cosas que no quieren oír, sobre cosas en las que no pensaban estar interesadas, porque servir a una audiencia no es lo mismo que decirle lo que quiere escuchar. No todo lo que hacemos trata sobre historias, también puede tratarse de herramientas, o plataformas, o simplemente escuchar. Los premios y las métricas de participación no significan nada si en última instancia no sirven a nuestras audiencias.
¿Quién es Paul Bradshaw?
- Formación. Se graduó en Medios de Comunicación en la University of Central England (ahora Birmingham City University) entre 1995 y 1998. Posteriormente, obtuvo una Maestría en Periodismo en la misma institución, consolidando así su base académica en medios digitales y comunicación.
- Carrera. Periodista de datos galardonado, autor y académico. Dirige la Maestría en Periodismo de Datos en la Birmingham City University y colabora en investigaciones con la Unidad de Datos Compartidos de la BBC en esa ciudad. Ha trabajado con medios como The Guardian, Der Tagesspiegel, Balkan Investigative Reporting Network y The Bureau of Investigative Journalism. Es autor de libros como The Online Journalism Handbook, Mobile-First Journalism, Scraping for Journalists, Finding Stories in Spreadsheets, Snapchat for Journalists y The Data Journalism Heist. Publica regularmente en Online Journalism Blog.