Já algum tempo a Inteligência Artificial (IA) é uma das tecnologias mais impactantes e tem revolucionado diversos setores da sociedade, em especial o jornalismo (Latar, 2015). A IA pode ser definida como a capacidade de uma máquina ou computador executar tarefas que requerem inteligência humana, como aprendizado, raciocínio e resolução de problemas. Com a sua crescente aplicação em diversas áreas do jornalismo, incluindo a produção de notícias, grande coleta de dados jornalísticos, principalmente em redes sociais ou para verificação de fatos (Calvo-Rubio & Ufarte-Ruiz, 2021).

Essas aplicações podem permitir que os jornalistas dediquem mais tempo à análise e interpretação dos acontecimentos, em vez de apenas coletar informações. Além disso, a IA também tem potencial para auxiliar na diversificação do conteúdo jornalístico, garantindo a inclusão de diferentes perspectivas e pontos de vista. Via algoritmos, é possível analisar as preferências e interesses dos leitores e apresentar conteúdos personalizados e relevantes, que atendam às necessidades de grupos específicos de audiência (Lian et al., 2022). No entanto, também há preocupações em relação ao impacto da IA no jornalismo. Uma delas é a possibilidade de que algoritmos de recomendação possam criar bolhas de filtro, ou seja, limitar a exposição dos usuários a pontos de vista diferentes dos seus próprios. Outra preocupação é a falta de transparência na tomada de decisões dos algoritmos, que pode prejudicar a compreensão do público sobre como as informações são produzidas e selecionadas (Cui & Wu, 2021).

Além disso, a IA pode ter um impacto negativo no mercado de trabalho do jornalismo, uma vez que algumas tarefas anteriormente realizadas por jornalistas podem ser automatizadas, como a produção de notícias esportivas e financeiras ou a criação de conteúdo para redes sociais. Isso pode resultar na redução de empregos e na precarização do trabalho no setor (Komi et al., 2022).

Nesse contexto, este artigo visa analisar os impactos da IA no jornalismo, considerando as perspectivas dos próprios jornalistas sobre suas experiências e seu trabalho. Dado o desafio logístico de conduzir entrevistas com muitos jornalistas no tempo disponível, optamos por coletar e analisar artigos jornalísticos que focam na IA e seus efeitos no campo jornalístico. Isso nos permitiu investigar esses impactos de maneira mais abrangente, entender suas implicações e fornecer percepções que informem as decisões de profissionais, gestores e legisladores. Por fim, é crucial explorar possíveis estratégias para minimizar os riscos e aproveitar ao máximo as oportunidades oferecidas pela IA no jornalismo, a fim de criar um ambiente mais favorável para os jornalistas.

O trabalho original de Lopezosa & Codina (2023) propõe diretrizes práticas para pesquisadores analisarem qualitativamente entrevistas acadêmicas por meio do uso combinado de software de IA e análise qualitativa auxiliada por computador (CAQDAS — Computer Aided Qualitative Data Analysis Software). Especificamente, mostrando como combinar ChatGPT[id=1] (Chat Generative Pretrained Transformer) e programas de análise qualitativa, como ATLAS.ti, Nvivo e MAXQDA.

Usamos como esses autores o ChatGPT para analisar o conteúdo de artigos jornalísticos do período desde o lançamento público do ChatGPT-3, em 30 de novembro de 2022, até a segunda quinzena do mês de março de 2023, logo depois do lançamento do ChatGPT-4, e comparamos essa análise com a análise dos resultados do software IRaMuTeQ (Souza et al., 2018) para o mesmo corpus, aliado ao poder de análise de conteúdo do ChatGPT-4. Ressalta-se que o software IRaMuTeQ não foi utilizado pelos pesquisadores Lopezosa & Codina (2023).

Espera-se com isso demonstrar que o uso do IRaMuTeQ também facilita obter resultados expeditamente, os quais podem ser analisados e interpretados. E que no caso aqui em questão ajuda a identificar ambivalências na opinião de jornalistas sobre o impacto da IA no jornalismo, em especial com o recente lançamento da ferramenta de texto generativo ChatGPT (Eloundou et al., 2023).

Por fim, a pesquisa sobre os efeitos da IA no jornalismo pode contribuir para a elaboração de políticas públicas e regulamentações que incentivem a inovação e a diversidade no setor, simultaneamente, em que protegem os direitos e interesses dos cidadãos (Diakopoulos, 2019).

Neste contexto, o presente estudo se justifica por seu potencial em fornecer percepções valiosas para profissionais, acadêmicos, gestores e legisladores, bem como por sua relevância para a garantia de um jornalismo de qualidade e acessível a todos.

Dada a inviabilidade de conduzir entrevistas com muitos jornalistas de maneira oportuna para avaliar os efeitos da IA no jornalismo com base em suas próprias reflexões e experiências, optamos por coletar artigos jornalísticos que se concentram na IA e suas repercussões no campo jornalístico. Essa metodologia foi adotada para explorar esses efeitos de maneira mais ampla e entender as suas consequências. A partir da revisão da literatura, uma pesquisa foi conduzida, no dia 21 de março de 2023, para se identificar na mídia online artigos jornalísticos que abordassem os impactos da IA no jornalismo. Para isso foi feita busca no Google Notícias das palavras-chave conjuntas “inteligência artificial” e “jornalismo”, chegando-se a um total de 58400 resultados.

Os critérios de inclusão dos artigos jornalísticos foram: (1) publicações em veículos jornalísticos online, (2) artigos que tratam dos termos ‘jornalismo’ e ‘inteligência artificial’ e (3) artigos jornalísticos filtrados para o período de 30 de novembro de 2022, data de lançamento público do ChatGPT até 21 de março de 2023. Foram excluídos artigos jornalísticos que não estivessem diretamente relacionados ao tema.

Após a aplicação dos critérios de inclusão e exclusão, um total de 48 artigos jornalísticos, apresentados no Quadro 1 a seguir, foi selecionado para análise. Os artigos foram analisados em termos de seus conteúdos, sendo escolhi- dos especialmente aqueles nos quais o jornalista emitia uma opinião sobre os impactos positivos e/ou negativos da IA no jornalismo. Artigos informativos também foram seleciona- dos. Avaliação sobre o número ideal de textos para alcance de saturação[id=2] não foi feita.

Quadro 1 – Artigos jornalísticos selecionados a partir dos resultados de busca no Google Notícias das palavras-chave “inteligência artificial” e “jornalismo”, no dia 21 de março de 2023.

Após a seleção dos artigos jornalísticos relevantes, realizou-se uma análise qualitativa desses artigos utilizando-se o ChatGPT na sua versão 4, visando identificar os principais impactos da IA no jornalismo e sintetizar os achados em categorias temáticas.

No trabalho de Lopezosa & Codina (2023) os autores primeiramente combinaram ChatGPT com ATLAS.ti para análise qualitativa de entrevistas. Entrevistas essas compostas, de maneira hipotética, de 5 perguntas e feitas a 10 jornalistas profissionais. As respostas da primeira entrevista são apresentadas ao ChatGPT para o mesmo identificar códigos e subcódigos para poder realizar uma análise qualitativa. O mesmo é feito para todas as entrevistas e após todos os códigos propostos pelo ChatGPT, uma análise crítica dos resultados é realizada, chegando-se então à decisão de se utilizar cinco códigos para codificação, auxiliada pelo ATLAS.ti, de todas as entrevistas:

Concluída a codificação das entrevistas no ATLAS.ti os autores apresentam como o ChatGPT também pode ser utilizado para auxiliar na interpretação e identificação de relações entre os dados encontrados, utilizando-se para isso de três opções de comandos a serem utilizados no ChatGPT, as quais solicitam identificação de convergências e divergências, afirmações positivas e negativas e falas mais significativas nas respostas dos entrevistados.

Os autores concluem que esse passo a passo ajuda a converter dados brutos em ideias que deverão servir ao pesquisador para sua própria reflexão.

A análise qualitativa aqui conduzida aplicou parcialmente essas técnicas de Lopezosa & Codina (2023). Aproveitando a temática do impacto da IA no jornalismo, apontada nas perguntas dos questionários desses pesquisadores, os cinco códigos identificados pelos autores foram os mesmos adotados na presente pesquisa, como sendo códigos num processo dedutivo, advindos da literatura.

O passo a passo dos autores, para obtenção dos códigos e subcódigos para a análise qualitativa, utilizando-se o ChatGPT nos 48 artigos jornalísticos, poderia ser aplicado da mesma forma usando-se o seguinte comando:

Identifique 5 códigos no seguinte texto para poder realizar uma análise qualitativa:

Esses códigos e subcódigos poderiam então ser verificados e filtrados para codificação adequada dos artigos jornalísticos. Até mesmo o próprio ChatGPT poderia ser utilizado para essa simplificação dos 240 códigos resultantes (5×48=240). No entanto, tal procedimento não foi aplicado.

Usou-se aqui o ChatGPT para realizar o trabalho de codificar os textos com os já citados cinco códigos, feito na pesquisa pelo grupo de codificadores humanos usando manualmente o ATLAS.ti. Assim, cada um dos 48 artigos jornalísticos do Quadro 1 foi apresentado, um por um, ao ChatGPT com o seguinte comando:

Aplique os 5 códigos a seguir ao texto abaixo para poder realizar uma análise qualitativa. Identifique quais partes desse texto corresponde a qual código. Caso não exista trecho no texto sobre um código, informe isso.

1. Impacto da inteligência artificial no jornalismo

2. Desafios e oportunidades da inteligência artificial no jornalismo

3. Uso de inteligência artificial contra desinformação

4. Capacitação em inteligência artificial por jornalistas

5. Impacto da inteligência artificial na diversidade e inclusão no jornalismo

A Figura 1 a seguir ilustra parcialmente a tela do ChatGPT com a aplicação do comando e a Figura 2 logo em seguida apresenta o resultado encontrado.

Feito isso um a um, para os 48 artigos, por meio dessa abordagem dedutiva, em que os códigos são aplicados aos artigos jornalísticos pelo ChatGPT e seus trechos codificados são extraídos associados aos códigos adotados, isso permitiu obter o conteúdo relevante dos artigos jornalísticos selecionados agrupados pelos cinco códigos, segundo o ponto de vista da IA ChatGPT. Tentativa não foi realizada de que esse mesmo corpus de artigos jornalísticos fosse codificado por seres humanos, manualmente, para efeito de comparação com os resultados do ChatGPT, ou para validação de seus resultados.

Seguindo ainda a mesma linha de aplicação de Lopezosa & Codina (2023) do ChatGPT, para interpretação dos conteúdos relevantes encontrados no passo anterior, aplicou-se, para cada conjunto de conteúdo obtido, por código, os três comandos sugeridos pelos autores, adaptando-se para, ao invés de falas de entrevistados, analisar-se trechos significativos extraídos para cada código. Os trechos codificados pelo ChatGPT dos artigos jornalísticos sob cada código formaram um conjunto, que passou pela seguinte aplicação de comando apresentado ao ChatGPT:

Nos trechos selecionados abaixo identifique os seguintes itens de 1 a 3:

1. Identifique convergências e divergências no conjunto de trechos

2. Identifique afirmações positivas e negativas no conjunto de trechos

3. Identifique os textos mais significativos no conjunto de trechos

O Quadro 2 a seguir compila os resultados encontrados para o Código 1. Impacto da inteligência artificial no jornalismo; o Quadro 3 os resultados para o Código 2. Desafios e oportunidades da inteligência artificial no jornalismo; o Quadro 4 para o Código 3. Uso de inteligência artificial contra desinformação; o Quadro 5 para os resultados do Código 4. Capacitação em inteligência artificial por jornalistas; e o Quadro 6 apresenta os resultados das análises do ChatGPT para o conjunto de trechos sob o Código 5. Impacto da inteligência artificial na diversidade e inclusão no jornalismo.

Quadro 2 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, nos trechos obtidos sob o Código 1. Impacto da inteligência artificial no jornalismo.

Quadro 3 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, nos trechos obtidos sob o Código 2. Desafios e oportunidades da inteligência artificial no jornalismo.

Quadro 4 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, nos trechos obtidos sob o Código 3. Uso de inteligência artificial contra desinformação.

Quadro 5 – Identificação, com ChatGPT,  de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, nos trechos obtidos sob o Código 4. Capacitação em inteligência artificial por jornalistas.

Quadro 6 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, nos trechos obtidos sob o Código 5. Impacto da inteligência artificial na diversidade e inclusão no jornalismo.

Argumento pode ser construído de que, essa análise qualitativa totalmente automatizada não é uma análise de verdade, não é validada pela Academia. No entanto, não se pode negar que, a análise de conteúdo proposta foi feita de maneia expedita e apresentou resultados concretos, ainda que, com possíveis vieses do próprio algoritmo que rege o ChatGPT.

Podemos, ainda assim, tecer conclusões, a partir dos resultados dessas tabelas, sobre o objetivo de discutir os principais impactos da Inteligência Artificial no jornalismo, a partir dos próprios artigos jornalísticos selecionados sobre o tema, como sendo uma forma indireta de acessar a opinião desses jornalistas.

Percebemos dos artigos o entendimento dos jornalistas de que a IA tem um impacto positivo significativo no jornalismo, melhorando a eficiência, a velocidade e a qualidade do conteúdo produzido. O ChatGPT, por exemplo, auxilia jornalistas na criação de conteúdo mais criativo e profundo, permitindo que se foquem em tarefas complexas e inovadoras. Porém, a IA também traz desafios e riscos, como ameaças aos empregos ligados à criação de conteúdo e a propagação de desinformação. Além disso, a IA pode gerar conteúdo tendencioso e levantar questões éticas, levando a uma dependência excessiva e à falta de pensamento crítico e criatividade entre os jornalistas.

Identificamos ainda nos artigos analisados que a IA pode ser utilizada no combate à desinformação, ajudando a verificar informações e detectar erros, tornando o jornalismo mais confiável. Por outro lado, a tecnologia também pode comprometer a validação de fontes e a credibilidade de publicações e jornalistas, especialmente quando alimentada com informações incorretas. Para se adaptar às mudanças no campo, os jornalistas devem buscar capacitação em IA, permitindo que se qualifiquem para um mercado de trabalho em constante evolução.

A IA também pode impactar positivamente a diversidade e inclusão no jornalismo, soluções de acessibilidade, como IA que converte texto em fala, tornam a informação mais acessível para pessoas com deficiência visual. No entanto, a IA também pode perpetuar vieses e discriminação, como a exclusão de currículos de mulheres em processos seletivos e a incapacidade de reconhecer rostos de pessoas negras. Portanto, é crucial abordar essas questões para garantir que a IA seja uma força positiva no jornalismo.

Já se reconhece como útil a análise de conteúdo automatizada via ferramentas de análise textual estatística, como o software IRaMuTeQ — Interface de R pour les Analyses Multidimensionnelles
de Textes et de Questionnaires (Cervi, 2018; Mesquita, 2022; OLIVEIRA, 2019), antes mesmo de se falar em análise de conteúdo via ferramentas de IA (Camargo & Justo, 2013).

O IRaMuTeQ é um software livre desde 2009, criado por Pierre Ratinaud, desenvolvido em Python que aciona o software estatístico R durante o seu funcionamento (Souza et al., 2018). Ele possui diversas ferramentas de lexicometria para processamento de dados textuais, tais como: Estatísticas Textuais Clássicas, Nuvem de Palavras, Análise de Similitude, Classificação Hierárquica Descendente — CHD do Método de Reinert, Análise de Especificidades e Análise Fatorial de Correspondência — AFC. Sousa (2021) apresenta de maneira detalhada todas essas ferramentas oferecendo fundamentos teórico-metodológicos para o uso do IRaMuTeQ em pesquisas qualitativas.

Para tratamento usando IRaMuTeQ, os textos dos artigos jornalísticos do Quadro 1 foram transformados num corpus textual. Esse corpus foi então carregado no IRaMuTeQ, emergindo 42798 ocorrências (palavras ou vocábulos), as quais foram reduzidas a 4252 lemas3, sendo 1962 palavras com uma única ocorrência (intituladas hápax). Em todos os resultado o IRaMuTeQ utiliza apenas formas com frequência maior do que 2.

Como resultado do processo de segmentação, o corpus foi dividido em 1239 segmentos de texto — ST formados em média por 34,5 ocorrências. Nesse processo são respeitados os sinais de final de período (ponto final, interrogação e exclamação). Após identificação dessas Estatísticas Clássicas, a primeira ferramenta aplicada ao corpus foi a Nuvem de Palavras, apresentada na Figura 3 a seguir.

Destacam-se as palavras ‘Inteligência Artificial’ (N=494), ‘jornalista’ (N=122), ‘jornalismo’ (N=100) e ‘jornalístico’ (N=40). Isso mostra que, claro, o foco dos artigos jornalísticos não era apenas os temas ‘Inteligência Artificial’ e ‘jornalismo’.

De acordo com essa Figura 3 os 10 primeiros termos que aparecem possuindo maior frequência (o tamanho de cada forma na figura é proporcional à sua frequência) no corpus, são conforme a Tabela 1:

Tabela 1 – As 10 formas com as maiores frequências no corpus de artigos jornalístico selecionados.

A Nuvem de Palavras apresenta uma avaliação abrangente das palavras mais utilizadas pelos jornalistas nos artigos selecionados, mas fora o seu efeito estético, é um recurso que em pesquisa no geral não acrescenta muito. Como a lista total de termos é bastante extensa, optou-se por apresentar nessa figura apenas os 82 mais frequentes (frequência mínima de 37).

Percebe-se que a temática ‘ChatGPT’ seguida de ‘texto’, têm grande peso, mostrando a preocupação com o fato dessa IA entrar no principal domínio dos jornalistas, a produção textual. Além disso, a palavra ‘ferramenta’ reforça que a IA é apenas um meio e não um fim em si. E por último, o aspecto ‘humano’ é destacado para contrastar com o que a IA não pode entregar.

O procedimento seguinte realizado com o IRaMuTeQ foi a Análise de Similitude, que “utiliza a coocorrência de formas lexicais em textos e segmentos de texto para construir representações gráficas sobre a estrutura do conteúdo de um corpus.” (Sousa, 2021).

Em outras palavras, é um modelo matemático chamado grafo que mostra a força de conexão entre as formas de um conjunto de textos, observando para isso a proximidade das palavras e como ocorrem simultaneamente nos ST. A Figura 4 apresenta para o corpus em análise esse resultado, mostrando também o escore da conexão entre as formas, atribuída pelo IRaMuTeQ.

Os diferentes grupos de cores dos vértices no grafo são chamados de comunidades e a espessura das arestas verde-limão, ligando os vértices, indicam a força de ligação, com o respectivo score. Essas comunidades reúnem o léxico que no corpus está próximo entre si. As palavras estão nos vértices desse grafo e seu tamanho é proporcional à sua coocorrência ou qui-quadrado⁴.

Fica evidente então que o corpus possui seis grandes temas ligados entre si: 1) ‘Inteligência Artificial’ que é o tema central ligando tudo; 2) ‘ChatGPT’ com forte ligação ao primeiro tema; seguidos de 3) ‘texto’; 4) ‘humano’; 5) ‘modelo de linguagem’; e 6) ‘dado’.

Figura 4 – Grafo resultante da Análise de Similitude usando IRaMuTeQ sobre o corpus de artigos jornalísticos selecionados.

Na comunidade laranja ‘Inteligência Artificial’ os termos mais ligados são ‘ferramenta’, ‘tecnologia’, ‘escrever’, ‘jornalista’, ‘jornalismo’ entre outros. Na comunidade azul-claro ‘ChatGPT’ temos ‘informação’, ‘OpenAI’, ‘pergunta’, ‘responder’, ‘robô’ juntamente com outros menores. Na comunidade verde ‘texto’ a ligação é forte a quatro termos: ‘produzir’, ‘gerar’, ‘produção’ e ‘conseguir’. Na comunidade azul-escuro ‘humano’ a conexão é com ‘máquina’. Na comunidade amarelo ‘dado’ temos ligação com ‘treinar’ e ‘base’. Assim como na Nuvem de Palavras, aqui foram considerados apenas as 82 formas ativas mais frequentes.

Essas comunidades mostram que os artigos jornalísticos constroem suas sentenças focados nesses grandes temas, indo muito além da simples temática de impacto no jornalismo, mas sempre tendo por base o grande foco em Inteligência Artificial.

O algoritmo do Método de Reinert (Reinert, 1987) para obtenção da CHD de um corpus, foi criado por Max Reinert ainda na década de 1980 e a partir dele foi criado o software comercial ALCESTE (Reinert, 1990, 2003), esse mecanismo estatístico permite que o conceito de Mundos Lexicais Estabilizados5, dos sujeitos produtores dos textos (entrevistas transcritas, documentos coletados, falas em grupos focais, respostas de questionários, etc.), seja aplicável.

Essa abordagem baseada em agrupamento começa com a divisão do conjunto de textos em subconjuntos ou classes, baseada na frequência e coocorrência (qui-quadrado) de palavras. O processo de divisão é realizado de forma hierárquica e descendente, começando com o conjunto completo de textos e dividindo-o sucessivamente em subconjuntos menores. A CHD permite identificar padrões e temas comuns nos textos, facilitando a análise e interpretação dos dados.

O IRaMuTeQ aplica esse mesmo algoritmo de classificação do Método de Reinert para construção da CHD (Ratinaud & Marchand, 2012, 2015) a partir dos ST de um corpus, que, em função da coocorrência das formas lexicais nesses, são sucessivamente bi-particionados em classes (ou clusters).

Aplicando-se então esse dispositivo do IRaMuTeQ ao corpus de 48 textos já citado, do total de 1239 ST originais, a CHD reteve 1031 ST, significando um aproveitamento de 83,21% de segmentos de texto do corpus. O conteúdo processado foi assim categorizado em quatro classes de ST retidos: classe 1 vermelho, com 321 ST (31,13% dos ST); classe 2 verde, com 247 ST (23,96% dos ST); classe 3 azul, com 168 ST (16,29% dos ST); e classe 4 violeta, com 295 ST (28,61% dos ST), conforme mostrado no dendrograma da Figura 5 a seguir.

Essa figura apresenta na sua parte superior a estrutura hierárquica descendente de criação das classes, demonstrando como elas foram sendo criadas ao longo do processo iterativo. A partir do corpus original todas as formas dos segmentos são tabuladas e comparadas com todos os ST, verificando-se ausência/ presença, obtendo-se duas primeiras bi-partições estáveis.

Figura 5 – Dendrograma com a porcentagem de ST retidos em cada classe e palavras com maior qui-quadrado, fornecido pelo software IRaMuTeQ, do corpus de 48 artigos jornalísticos sobre os temas ‘Inteligência Artificial’ e ‘jornalismo’.

Criada a Classe 2, num segundo momento, a partição maior sofreu nova bi-partição pelo mesmo processo criando-se então a Classe 1 e outra classe, que por sua vez foi dividida em mais duas classes terminais estáveis, o processo continuaria se novas classes estáveis fossem possíveis de ser criadas, o que não foi o caso. Como 208 ST não foram retidos, significa que os mesmos tratavam-se de temáticas muito específicas ou únicas, o que impediu seus agrupamentos em temas comuns em quantidade suficiente para se criar uma nova classe.

Cada classe possui uma cor atribuída pelo software aleatoriamente. A lista de palavras são as principais em cada classe, obtidas pelas suas ocorrências nos respectivos ST da classe. É importante dizer que o software fornece esse mesmo resultado colorindo todos os segmentos de texto nos quais o corpus foi dividido. Segmentos não retidos permanecem com a cor preto.

Obtidos os resultados de processamento do Método de Reinert, iniciou-se a fase de análise dos resultados. Aqui o IRaMuTeQ funciona como um método indutivo, ou seja, os códigos são gerados a partir dos dados coletados sem qualquer estrutura pré-concebida, permitindo que o software identifique temas e padrões emergentes. Como se viu nos primeiros resultados, diversos outros temas diferem dos dois temas esperados, ‘Inteligência Artificial’ e ‘jornalismo’, apesar de estarem ligados a esses, o que nos permite esperar que existam classes que não tratem desses temas.

Nossa intenção aqui é aliar o uso do IRaMuTeQ com o ChatGPT, o que não fizeram Lopezosa & Codina (2023) que aliaram o ChatGPT apenas às ferramentas ATLAS.ti, Nvivo e MAXQDA. Para isso, dentro do IRaMuTeQ, para cada classe da CHD, é possível o retorno ao corpus original para verificação do contexto de uso de cada palavra. Em especial, o software oferece o resultado chamado ‘segmentos típicos de texto’, oferecendo no mínimo 50 ST ordenados pelo seu escore de coocorrência das palavras da classe nos ST (soma dos qui-quadrados das formas), permitindo extrair a lista de ST mais significativos que dão sentido àquela classe.

Fazendo essa extração para cada classe, construímos um texto com esses 50 ST e solicitamos ao ChatGPT o seguinte comando:

Nos segmentos de texto selecionados abaixo identifique os seguintes itens de 1 a 3:
1. Identifique convergências e divergências no conjunto de segmentos
2. Identifique afirmações positivas e negativas no conjunto de segmentos
3. Identifique os textos mais significativos no conjunto de segmentos

O Quadro 7 a seguir compila os resultados encontrados para a classe 1 vermelho, o Quadro 8 o mesmo para a classe 2 verde, Quadro 9 para a classe 3 azul. E o Quadro 10 para a classe 4 violeta.

Quadro 7 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, da classe 1 vermelho do IRaMuTeQ.

Desses resultados fornecidos pelo ChatGPT e pela leitura dos principais ST da classe 1, para a qual podemos atribuir o título de “O Impacto da Inteligência Artificial na Produção de Conteúdo Jornalístico: Benefícios e Riscos”, pode-se afirmar dos jornalistas que os ST revelam uma complexa intersecção entre a IA e o jornalismo, marcada por potenciais benefícios e desafios significativos.

A IA é vista como uma ferramenta que pode aumentar a eficiência na produção de notícias, poupando tempo de repórteres e editores, e potencialmente melhorando a precisão das informações. No entanto, a implementação dessa tecnologia também levanta questões éticas e práticas importantes. A IA associa-se à disseminação de informações falsas e plágio, destacando a necessidade de supervisão humana e verificação rigorosa. Além disso, a análise revela uma divergência de abordagens entre diferentes organizações de mídia, com algumas adotando a IA para a produção de conteúdo, enquanto outras estabelecem regras claras contra seu uso. Essas descobertas sugerem que, embora a IA tenha o potencial de transformar o jornalismo, sua adoção deve ser cuidadosamente gerenciada para garantir a integridade e a confiabilidade da informação jornalística.

Quadro 8 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, da classe 2 verde do IRaMuTeQ.

Os resultados da classe 2, que demos o título “A Influência da Inteligência Artificial nas Profissões: Oportunidades, Desafios e Implicações”, corroboram que, entre os jornalistas, a Inteligência Artificial, como o ChatGPT, é reconhecida como uma força disruptiva, com potencial para transformar práticas jornalísticas, automatizando tarefas rotineiras e possibilitando novas formas de produção e distribuição de notícias.

No entanto, essa transformação não é isento de controvérsias. A IA é vista simultaneamente como uma ferramenta que pode aumentar a eficiência e a produtividade e como uma ameaça que pode levar à perda de empregos e à despersonalização do jornalismo. Além disso, há preocupações sobre o impacto da IA na qualidade do jornalismo, com alguns ST destacando o risco de a IA comprometer o pensamento crítico e a criatividade, elementos fundamentais para o jornalismo. Essas descobertas sugerem a necessidade de um debate mais amplo e inclusivo sobre o papel da IA no jornalismo, que considere não apenas as possibilidades técnicas, mas também as implicações éticas, sociais e profissionais.

Quadro 9 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, da classe 3 azul do IRaMuTeQ.

Juntando os ST selecionados da classe 3 com os resultados apresentados pelo ChatGPT, optamos por nomear essa classe como “Criatividade Algorítmica: O Impacto da Inteligência Artificial na Evolução do Jornalismo” onde se percebe que a IA transforma a maneira como o jornalismo produz conteúdo, marcado por uma tensão entre otimismo tecnológico e preocupações éticas.

A IA, representada pelo ChatGPT, é reconhecida por sua capacidade de gerar textos coerentes e gramaticalmente corretos, inclusive emulando estilos literários específicos. Isso sugere um potencial disruptivo para a produção de conteúdo jornalístico, com a IA assumindo tarefas de redação e reportagem.

No entanto, os ST também destacam limitações significativas da IA, como a ausência de emoções, experiências pessoais e discernimento crítico, elementos fundamentais para o jornalismo humano. Além disso, a possibilidade de a IA gerar informações incorretas ou tendenciosas levanta preocupações éticas e práticas. Em suma, a IA apresenta-se como uma ferramenta poderosa e potencialmente transformadora para o jornalismo, mas seu uso efetivo e ético requer uma consideração cuidadosa de suas capacidades e limitações.

Quadro 10 – Identificação, com ChatGPT, de convergências e divergências, afirmações positivas e negativas, e textos mais significativos, da classe 4 violeta do IRaMuTeQ.

O conjunto de ST da classe 4, com os resultados do ChatGPT, enfatizaram a discussão pelos jornalistas da habilidade das inteligências artificiais, como o ChatGPT, treinado em vastos conjuntos de dados textuais, demonstrar uma capacidade notável de gerar respostas coerentes e relevantes, sugerindo um potencial significativo para facilitar a comunicação e o entendimento, bem como para melhorar os chatbots de atendimento ao cliente.

No entanto, a IA também apresenta limitações intrínsecas, como a ausência de consciência, emoções e a capacidade de compreender o contexto de maneira semelhante aos humanos. Além disso, a possibilidade de gerar informações incorretas ou tendenciosas, e a falta de empatia e compreensão humana em suas respostas, ressaltam os desafios éticos e práticos de sua aplicação no jornalismo.

Essas descobertas apontam para a necessidade de uma abordagem equilibrada e crítica ao incorporar a IA no jornalismo, reconhecendo seu potencial para aumentar a eficiência e a acessibilidade, ao mesmo tempo, em que se mantém consciente de suas limitações e possíveis implicações éticas.

Para essa classe atribuímos o título “ChatGPT: Potencialidades e Limitações da IA no Processamento de Linguagem Natural”.

Comparando-se os resultados da análise com codificação via ChatGPT, obtida no item 4 deste artigo, e as análises deste item 5, dos resultados do IRaMuTeQ/ChatGPT, afloraram-se classes/códigos indutivos que abarcaram mais de 80% do corpus de artigos jornalísticos. Um desses códigos foi realmente o impacto da Inteligência Artificial no jornalismo, no entanto, três outros grandes temas surgiram do corpus: a influência da inteligência artificial nas profissões, a criatividade algorítmica e seu impacto no jornalismo e ainda potencialidades e limitações da IA ChatGPT.

Ambas análises reconhecem o potencial da IA para melhorar a eficiência e a acessibilidade no jornalismo, e destacam a capacidade da IA, especificamente o modelo de linguagem ChatGPT, para auxiliar na criação de conteúdo. As análises concordam que a IA traz desafios e riscos, incluindo a propagação de desinformação e a geração de conteúdo tendencioso, bem como reconhecem a necessidade de os jornalistas se adaptarem e se qualificarem para um mercado de trabalho em constante evolução devido ao impacto da IA.

No entanto, pelo fato de se utilizar de códigos legados da literatura para identificação de temáticas no corpus de textos, a primeira análise, via ChatGPT/codificação, menciona o impacto positivo da IA na diversidade e inclusão no jornalismo, um ponto que não é abordado na análise via IRaMuTeQ/ChatGPT, além disso, a primeira análise discute a capacidade da IA de combater a desinformação, enquanto a segunda análise se concentra mais nas limitações da IA, como a falta de consciência e emoções.

Já a análise com IRaMuTeQ/ChatGPT destaca a ausência de empatia e compreensão humana nas respostas da IA, uma questão que não é explicitamente mencionada na análise ChatGPT/codificação, este por sua vez menciona a ameaça aos empregos ligados à criação de conteúdo enquanto IRaMuTeQ/ChatGPT não aborda diretamente essa questão.

O uso de codificação de texto via ChatGPT se mostrou prático e rápido, no entanto, não foi possível demonstrar sua proximidade à codificação de um humano. Já a união de IRaMuTeQ com ChatGPT se mostrou exitosa, ao focar as análises com IA nos trechos do corpus que são mais estatisticamente significativos.

Com base num corpus de textos de artigos jornalísticos tratando simultaneamente dos temas ‘inteligência artificial’ e ‘jornalismo’, e utilizando duas ferramentas, uma de IA (ChatGPT versão 4) para uma análise de conteúdo automatizada e outra lexicográfica (IRaMuTeQ), para uma análise estatística desse corpus, discutiram-se os principais achados sobre os impactos da Inteligência Artificial no jornalismo, analisando como a adoção de tecnologias baseadas em IA transforma as práticas, rotinas e habilidades dos profissionais da área, bem como as implicações para a diversidade e pluralidade no jornalismo.

Os jornalistas e organizações de notícias devem estar preparados para se adaptar às mudanças provocadas pela IA e desenvolver as habilidades e competências necessárias para atuar em um ambiente cada vez mais marcado pela presença de tecnologias baseadas em IA. Isso inclui a busca contínua por aprimoramento profissional e atualização em relação às novas ferramentas e técnicas, bem como o desenvolvimento de uma postura crítica e reflexiva em relação aos aspectos éticos e de privacidade envolvidos no uso da IA no jornalismo.

Os profissionais e organizações de jornalismo devem adotar uma abordagem proativa e responsável no desenvolvimento e uso de tecnologias de IA, buscando garantir que a diversidade e a pluralidade sejam preservadas e promovidas em suas práticas jornalísticas.

Isso implica o design e a implementação de algoritmos e sistemas de IA que valorizem a inclusão, a diversidade de perspectivas e o combate aos vieses e estereótipos presentes nos dados e na cobertura jornalística.

Em suma, a IA tem o potencial de transformar profundamente o jornalismo, trazendo tanto oportunidades quanto desafios para os profissionais e organizações de notícias. Para garantir que a IA seja empregada de forma responsável e ética no jornalismo, é fundamental promover o debate e a reflexão sobre os impactos e as implicações dessa tecnologia, bem como incentivar a pesquisa e o desenvolvimento de soluções inovadoras que contribuam para a qualidade, a diversidade e a relevância do jornalismo no futuro.

Ao seguir essas recomendações, pesquisadores e profissionais podem contribuir para um futuro mais responsável e sustentável para o jornalismo na era da Inteligência Artificial, garantindo a qualidade, a diversidade e a relevância das informações em um contexto de rápida transformação tecnológica.

Com base no que foi apresentado neste estudo, sugere-se para pesquisas futuras avaliar o impacto da IA no jornalismo por meio de estudos longitudinais e comparativos, identificando tendências, desafios e oportunidades emergentes. Por fim, avaliar de maneira mais profunda a análise de conteúdo automatizada, que alia os tradicionais softwares CAQDAS e ferramentas de IA, como o ChatGPT.

Financiamento
Não aplicável.
Declaração de Consentimento Informado
Não aplicável.
Declaração de Disponibilidade de Dados
Devido a direitos autorais, o corpus de artigos jornalísticos criado e utilizado no trabalho não será disponibilizado, no entanto, sua forma de construção foi detalhada no texto.
Conflitos de interesse
O autor declara não haver conflito de interesses, e que suas opiniões não representam qualquer opinião da ANEEL.

Abboud, L. (2023, fevereiro 21). Editora do Daily Mirror avalia ChatGPT para ajudar a escrever notícias locais. Folha de S.Paulo. https://www1.folha.uol.com.br/tec/2023/02/editora-do-daily-mirror-avalia-chatgpt-para-ajudar-a-escrever-noticias-locais.shtml

Afonso, L. (2023, janeiro 23). Inteligência Artificial: O que é o GPT-3 e os desafios para a educação. Brasil Escola. https://brasilescola.uol.com.br/noticias/inteligencia-artificial-gpt-educacao/3128787.html

Agresti, A. (2019). An Introduction to Categorical Data Analysis (3.a). Wiley.

Amaral, B. (2023, janeiro 31). ChatGPT – A ferramenta mais impressionante que conheci. Acontecendo Aqui. https://acontecendoaqui.com.br/comunicacao/chatgpt-a-ferramenta-mais-impressionante-que-conheci/

Bedei, C. (2023, março 7). Ferramentas de IA que todo jornalista precisa conhecer. Rede de Jornalistas Internacionais. https://ijnet.org/pt-br/story/ferramentas-de-ia-que-todo-jornalista-precisa-conhecer

Belli, L., & da Hora, N. (2023, janeiro 20). ChatGPT: o que anima e o que assusta na nova inteligência artificial. Folha de S.Paulo. https://www1.folha.uol.com.br/tec/2023/01/chatgpt-o-que-anima-e-o-que-assusta-na-nova-inteligencia-artificial.shtml

Bucci, E. (2023, março 23). O algoritmo loquaz. Estadão. https://www.estadao.com.br/opiniao/eugenio-bucci/o-algoritmo-loquaz/

Calvo-Rubio, L.-M., & Ufarte-Ruiz, M.-J. (2021). Artificial intelligence and journalism: Systematic review of scientific production in Web of Science and Scopus (2008-2019). Communication & Society, 159–176. https://doi.org/10.15581/003.34.2.159-176

Camargo, B. V., & Justo, A. M. (2013). IRaMuTeQ: Um software gratuito para análise de dados textuais. Temas em Psicologia, 21(2), 513–518. https://doi.org/10.9788/TP2013.2-16

Castilho, C. (2023, março 22). ChatbotGPT: Mais marketing que ameaça ao jornalismo. Observatório da Imprensa. https://www.observatoriodaimprensa.com.br/jornalismo/chatbotgpt-mais-marketing-que-ameaca-ao-jornalismo/

Cervi, E. U. (2018, outubro). Análise de conteúdo automatizada para conversações em redes sociais online: Uma proposta metodológica. 42.o

Encontro Anual da ANPOCS. Coutinho, J. P. (2022, dezembro 12). Inteligência artificial é um crime que não deixa rastro—12/12/2022—João Pereira Coutinho—Folha. Folha de São Paulo. https://www1.folha.uol.com.br/colunas/joaopereiracoutinho/2022/12/inteligencia-artificial-e-um-crime-que-nao-deixa-rastro-nas-artes-nem-nas-letras.shtml

Cris. (2023, fevereiro 9). Alexa, será que o ChatGPT quer matar o jornalismo? Update or Die! https://www.updateordie.com/2023/02/09/alexa-sera-que-o-chatgpt-quer-matar-o-jornalismo/

Cui, D., & Wu, F. (2021). The influence of media use on public perceptions of artificial intelligence in China: Evidence from an online survey. Information Development, 37(1), 45–57. https://doi.org/10.1177/0266666919893411

da Silva, C. E. L. (2023, março 6). Inteligência artificial desperta cada vez mais o interesse da imprensa. Jornal da USP. https://jornal.usp.br/radio-usp/inteligencia-artificial-desperta-cada-vez-mais-o-interesse-da-imprensa/

de Almeida, R., & Francisco, E. de R. (2023, março 2). Ainda sobre o Chatbot – 2a Parte: O Texto como Expressão da Realidade, suas Perspectivas e Defeitos. Estadão. https://www.estadao.com.br/politica/gestao-politica-e-sociedade/ainda-sobre-o-chatbot-2a-parte-o-texto-como-expressao-da-realidade-suas-perspectivas-e-defeitos/

Diakopoulos, N. (2019). Automating the News: How Algorithms Are Rewriting the Media. Harvard University Press.

Drska, M. (2023, janeiro 26). Um mês após demitir, BuzzFeed contrata seu “novo funcionário”: O ChatGPT. NeoFeed. https://neofeed.com.br/blog/home/buzzfeed-coloca-a-inteligencia-artificial-em-sua-lista-de-prioridades/

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models (arXiv:2303.10130). arXiv. http://arxiv.org/abs/2303.10130

Escobar, H. (2023, fevereiro 17). Inteligência artificial, jornalismo e desinformação. Jornal da USP. https://jornal.usp.br/articulistas/herton-abacherli-escobar/inteligencia-artificial-jornalismo-e-desinformacao/

Falcão, M. (2023, março 11). Qual o papel da inteligência artificial nas redações? Dinheiro Vivo. https://www.dinheirovivo.pt/opiniao/qual-o-papel-da-inteligencia-artificial-nas-redacoes-15974200.html

Fonseca, R. (2023, fevereiro 10). Análise: Você está pronto para perder o emprego para a inteligência artificial? Opinião. https://www.correiobraziliense.com.br/opiniao/2023/02/5072596-analise-voce-esta-pronto-para-perder-o-emprego-para-a-inteligencia-artificial.html

Fonseca, R., & Germano, C. (2023, março 12). Vilã ou aliada? Saiba como a inteligência artificial vai mudar o emprego. Trabalho & Formação. https://www.correiobraziliense.com.br/euestudante/trabalho-e-formacao/2023/03/5078873-vila-ou-aliada-saiba-como-a-inteligencia-artificial-vai-mudar-o-emprego.html

Fontanella, B. J. B., Ricas, J., & Turato, E. R. (2008). Amostragem por saturação em pesquisas qualitativas em saúde: Contribuições teóricas. Cadernos de Saúde Pública, 24, 17–27. https://doi.org/10.1590/S0102-311X2008000100003

Franco, R. (2023, fevereiro 1). Inteligência Artificial é a nova revolução industrial. Contadores.Cnt.Br – O Seu Portal Contabilista. https://www.contadores.cnt.br/noticias/artigos/2023/02/01/inteligencia-artificial-e-a-nova-revolucao-industrial.html

Garcia, R. (2023, fevereiro 3). Entrevista com ChatGPT: “Fui treinado com informação que pode ser falsa”, diz robô. O Globo.https://oglobo.globo.com/economia/tecnologia/noticia/2023/02/fui-treinado-com-informacao-que-pode-ser-falsa-diz-robo.ghtml

Gouveia, L. (2023, fevereiro 10). O que falta para o Chat GPT conseguir trabalhar na CBN. CBN – A rádio que toca notícia. https://cbn.globoradio.globo.com/media/audio/400090/o-que-falta-para-o-chat-gpt-conseguir-trabalhar-na.htm

Hochstein, M. C. (2023, fevereiro 8). Os benefícios e armadilhas do ChatGPT para jornalistas. Rede de Jornalistas Internacionais. https://ijnet.org/pt-br/story/os-benef%C3%ADcios-e-armadilhas-do-chatgpt-para-jornalistas

Idárraga, S. O. (2023, fevereiro 20). ‘Dinoprofissões’: Quais são as carreiras ameaçadas pela inteligência artificial. Bloomberg Línea Brasil. https://www.bloomberglinea.com.br/2023/02/20/dinoprofissoes-quais-sao-as-carreiras-ameacadas-pela-inteligencia-artificial/

Jurafsky, D., & Martin, J. H. (2008). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition (2nd ed.). Prentice Hall.

Kaufman, D. (2023, fevereiro 17). Inteligência artificial no jornalismo: Melhor ou pior para o leitor? Época NEGÓCIOS. https://epocanegocios.globo.com/colunas/iagora/coluna/2023/02/inteligencia-artificial-no-jornalismo-melhor-ou-pior-para-o-leitor.ghtml

Kioko, P. M., Booker, N., Chege, N., & Kimweli, P. (2022). The Adoption of Artificial Intelligence in Newsrooms in Kenya: A Multi-case Study. European Scientific Journal, ESJ, 18(22), 278. https://doi.org/10.19044/esj.2022.v18n22p278

Latar, N. L. (2015). The Robot Journalist in the Age of Social Physics: The End of Human Journalism? Em G. Einav (Org.), The New World of Transitioned Media (p. 65–80). Springer International Publishing. https://doi.org/10.1007/978-3-319-09009-2_6

Lian, S., Mi, R., & Tang, R. (2022). Journalists’ Response and Reporting of Public Emergencies in the Era of Artificial Intelligence. Applied Bionics and Biomechanics, 2022, 1–7. https://doi.org/10.1155/2022/6574365

Lopezosa, C., & Codina, L. (2023). ChatGPT y software CAQDAS para el análisis cualitativo de entrevistas: Pasos para combinar la inteligencia artificial de OpenAI con ATLAS.ti, Nvivo y MAXQDA. http://repositori.upf.edu/handle/10230/55477

Macedo, F. (2023, fevereiro 15). A inteligência artificial vai acabar com o jornalismo? Meio e Mensagem – Marketing, Mídia e Comunicação. https://www.meioemensagem.com.br/opiniao/a-inteligencia-artificial-vai-acabar-com-o-jornalismo

Marques, A. (2023, março 17). Telejornal usa Inteligência Artificial como âncora com habilidades de apresentadores humanos. NE10. https://ne10.uol.com.br/noticias/tecnologia/2023/03/15199877-telejornal-usa-inteligencia-artificial-como-ancora-com-habilidades-de-apresentadores-humanos.html

Martins, A. (2023, fevereiro 16). Inteligência Artificial: Algo se move na América Latina. Outras Palavras. https://outraspalavras.net/tecnologiaemdisputa/inteligencia-artificial-algo-se-move-na-america-latina/

Matias, J. (2023, fevereiro 9). Pessoas ainda não têm “devida maturidade” para entender ChatGPT, diz professor da Uerj. JOTA Info. https://www.jota.info/jotinhas/chatgptchatgpt-pessoas-nao-tem-devida-maturidade-para-entender-ferramenta-diz-professor-da-uerj-09022023

Menezes, K., & Guazzelli, E. (2023, fevereiro 17). Nova inteligência artificial cria conteúdo inédito e gera polêmicas—Rudge Ramos Online [Notícia]. http://www.metodista.br/rronline/nova-inteligencia-artificial-ecapaz-de-gerar-conteudo-inedito-e-pode-afetar-o-mercado-de-trabalho

Mesquita, M. (2022). Textos Como Dados: Introdução à Análise Automatizada de Conteúdo em Pesquisas Qualitativas. Revista de Estudos Internacionais, 13(2). Miranda, A., & Baptista, L. (2023, março 12). Robôs não vão superar pessoas, diz cofundador da OpenAI, criadora do ChatGPT. O Globo. https://oglobo.globo.com/economia/tecnologia/noticia/2023/03/robos-nao-vao-superar-pessoas-diz-cofundador-da-openai.ghtml

Nery, P. F. (Editor). (2023, janeiro 17). Não escrevi esta coluna, foi uma inteligência artificial—Estadão. https://www.estadao.com.br/economia/pedro-fernando-nery/coluna-escrita-chatbot-inteligencia-artificial/
Neto, L. (2023, janeiro 31). Entrevistei o robô ChatGPT para saber se ele consegue escrever uma crônica de jornal—Lira Neto. Diário do Nordeste. https://diariodonordeste.verdesmares.com.br/opiniao/colunistas/lira-neto/entrevistei-o-robo-chatgbt-para-saber-se-ele-consegue-escrever-uma-cronica-de-jornal-1.3329784

Norris, N. S. (2022, dezembro 5). Como jornalistas podem combater as falhas da Inteligência Artificial. Rede de Jornalistas Internacionais. https://ijnet.org/pt-br/story/como-jornalistas-podem-combater-falhas-da-
intelig%C3%AAncia-artificial

OLIVEIRA, L. (2019). Análise de texto automatizada e análise de conteúdo: Abordagens combinadas e apontamentos sobre a produção latino-americana. Acesso em. Associação Latino-americana de Ciências Políticas (ALACIP),

Monterrey, México. Paiva, V. (2023, janeiro 24). Erro primário: O dia em que a IA bagunçou o jornalismo econômico em plataforma de notícias. Hypeness. https://www.hypeness.com.br/2023/01/erro-primario-o-dia-em-que-a-ia-baguncou-o-jornalismo-economico-em-plataforma-de-noticias/

Pereira, V. (2023, fevereiro 27). ChatGPT: Veja profissões que vão bombar com inteligência artificial. Folha de S.Paulo. https://www1.folha.uol.com.br/sobretudo/carreiras/2023/02/chatgpt-veja-profissoes-que-vao-bombar-com-inteligencia-artificial.shtml

Possa, J. (2023a, janeiro 17). Site de notícias dos EUA está publicando artigos escritos por IA; veja. Giz Brasil. https://gizmodo.uol.com.br/site-de-noticias-dos-eua-esta-publicando-artigos-escritos-por-ia-veja/

Possa, J. (2023b, março 20). Wired cria política para uso de IA generativa por jornalistas.

Giz Brasil. https://gizmodo.uol.com.br/wired-cria-politica-para-uso-de-ia-generativa-por-jornalistas/

Queiroz, B. (2023, fevereiro 8). Polêmicas à parte, o ChatGPT é um ponto de inflexão para a inteligência artificial. Revista Algomais – a revista de Pernambuco. https://algomais.com/polemicas-a-parte-o-chatgpt-e-um-ponto-de-inflexao-para-a-inteligencia-artificial/

Rádio USP. (2023, março 9). Preocupação do ChatGPT na imprensa está na origem das informações coletadas. Jornal da USP. https://jornal.usp.br/radio-usp/preocupacao-do-chatgpt-na-imprensa-esta-na-origem-das-
informacoes-coletadas/

Ratinaud, P., & Marchand, P. (2012). Application de la méthode ALCESTE aux « gros » corpus et stabilité des « mondes lexicaux »: Analyse du « CableGate » avec IRaMuTeQ. Actes des 11eme Journées internationales d’Analyse statistique des Données Textuelles (JADT 2012), 835–844. http://lexicometrica.univ-paris3.fr/jadt/jadt2012/Communications/Ratinaud,%20Pierre%20et%20al.%20-%20Application%20de%20la%20
methode%20Alceste.pdf

Ratinaud, P., & Marchand, P. (2015). Des mondes lexicaux aux représentations sociales. Une première approche des thématiques dans les débats à l’Assemblée nationale (1998-2014). Mots, 108, 57–77. https://doi.org/10/gmd8ks

Redação 33GIGA. (2023, março 14). ChatGPT: Como aproveitar ao máximo esta nova inteligência artificial? https://33giga.com.br/openai/

Redação AFP. (2023, março 15). Inteligência artificial, nova fronteira ou túmulo para o jornalismo? – Atualidade—SAPO Brasil. SAPO Brasil. https://sapobrasil.com.br/atualidade/artigos/inteligencia-artificial-nova-fronteira-ou-tumulo-para-o-jornalismo

Redação Portal Imprensa. (2023a, janeiro 27). ChatGPT deve impulsionar automação de escrita e uso de inteligência artificial no jornalismo. Portal Imprensa. https://portalimprensa. com.br/noticias/ultimas_noticias /85359/ chatgpt+deve+impulsionar+ automacao+de+escrita+e+uso+de+inteligencia+artificial+no+jornalismo

Redação Portal Imprensa. (2023b, fevereiro 17). Ao adotar IA, Curto News defende que ela é aliada, não inimiga do jornalismo. Portal Imprensa. https://portalimprensa.com.br/noticias/ ultimas_noticias/85387/o+adotar+ia+curto+news+defende+que+ela+e+aliada+nao+inimiga+do+jornalismo Redação tiinside. (2023, fevereiro 24).

Mudanças no mercado de trabalho com ChatGPT. TI INSIDE Online. https://tiinside.com.br/24/02/2023/mudancas-no-mercado-de-trabalho-com-chatgpt/

Reinert, M. (1987). Classification Descendante Hierarchique et Analvse Lexicale par Contexte—Application au Corpus des Poesies D’A. Rihbaud. Bulletin of Sociological Methodology/Bulletin de Méthodologie Sociologique, 13(1),53–90. https://doi.org/10.1177/075910638701300107

Reinert, M. (1990). Alceste une méthodologie d’analyse des données textuelles et une application: Aurelia De Gerard De Nerval. Bulletin of Sociological Methodology/Bulletin de Méthodologie Sociologique, 26(1), 24–54. https://doi.org/10.1177/075910639002600103

Reinert, M. (2003). Le rôle de la répétition dans la représentation du sens et son approche statistique par la mÉthode ALCESTE. Semiotica, 2003(147). https://doi.org/10.1515/semi.2003.100

Reinert, M. (2008). Mondes lexicaux stabilisés et analyse statistique de discours. JADT 2008 : 9es Journées internationales d’Analyse statistique des Données Textuelles.

Rocha, G. (2023, fevereiro 26). Chat GPT? Entrevistamos a própria inteligência artificial para saber o que ela entende de si mesma. A FOLHA TORRES. https://afolhatorres.com.br/chat- gpt-entrevistamos-a-propria-inteligencia-artificial-para-saber-o-que-ela-entende-de-si-mesma/

Rodrigues Filho, O. (2023, fevereiro 16). Dia do Repórter: Repórter é tudo. Portal dos Jornalistas. https://www.portaldosjornalistas.com.br/dia-do-reporter-reporter-e-tudo/

Scire, S. (2023, março 12). Conheça a 1a editora de inteligência artificial do “FT”. Poder360. https://www.poder360.com.br/nieman/conheca-a-1a-editora-de-inteligencia-artificial-do-ft/

Siqueira, L. (2023, março 8). ChatGPT: Quem vai perder o emprego para o ChatGPT ? JC. https://ne10.uol.com.br/noticias/tecnologia/2023/03/15192321-chatgpt-quem-vai-perder-o-emprego-para-o-chatgpt.html

Sousa, Y. S. O. (2021). O Uso do Software IRaMuTeQ: Fundamentos de Lexicometria para Pesquisas Qualitativas. Estudos e Pesquisas em Psicologia, 21(4), 1541–1560. https://doi.org/10.12957/epp.2021.64034

Souza, M. A. R. de, Wall, M. L., Thuler, A. C. de M. C., Lowen, I. M. V., & Peres, A. M. (2018). O uso do software IRaMuTeQ na análise de dados em pesquisas qualitativas. Revista da Escola de Enfermagem da USP, 52(0). https://doi.org/10/ghqcvt

Suzuki, S. (2023, janeiro 19). O que é ChatGPT e por que alguns o veem como ameaça. BBC News Brasil. https://www.bbc.com/portuguese/geral-64297796TiltUOL. (2023, janeiro 12). Diálogo com robô: Como funciona o ChatGPT e por que ele é polêmico. tiltUOL. https://www.uol.com.br/tilt/ultimas-noticias/deutschewelle/2023/01/12/dialogo-com-robo-como-funciona-o-chatgpt-e-por-que-ele-e-polemico.htm