听FT中文网数据新闻编辑讲什么是数据新闻（上）│NewsLab讲座整理

主讲人介绍

史书华

英国《金融时报》中文网数据编辑，纽约大学新闻所毕业。曾获得国际SND多媒体设计奖、SOPA（亚洲出版协会）最佳digital news、最佳infographics、解释性新闻等奖项，也曾在中国台湾政治大学、中国香港浸会大学等学校担任数据新闻工作坊讲师。相关信息：http://silvashih.com/

主讲内容

一、全球数据新闻状况。

二、FT怎么思考数据新闻与视觉化新闻？

三、在中国怎么做数据新闻？

四、数据新闻的未来与人才需求？

一、全球数据新闻状况

该部分思维导图（点击可放大）

数据新闻——大家听起来感觉是个新鲜的话题，但其实它并不是近年才有的新鲜事。首先先明确一个观念，数据新闻不是只有数字，如果从广泛的定义来看的话数据是结构化的信息，通常会与辅助性报道联系在一起讨论。

近代迅速发展

从历史角度来说，大概从十八世纪就开始了。如果从现代新闻机构说起，是从近二十年开始有比较完整的发展。而在这二十年间，美国和英国是数据新闻兴起与带起全球风潮的主要区域。

从几个事件点可以说明为什么英国和美国是需要特别观察的。

1989年，美国“全国计算机辅助报道协会”National Institute for Computer-Assisted Reporting(NICAR)成立，之后每一年举行一次大会，目前已成为全球数据新闻记者的重要会议。另一个关键点是大家比较熟悉的英国的《卫报》，他们在2009年首次建立了一个数据新闻相关的栏目叫做“DataBlog”，其创始人已经跳槽到谷歌新闻实验室。这个里程碑也算是现代新闻在发展数据新闻的一个重要起点。再来，就不得不提到全球开放数据（opendata）的发展。因为有了开放数据的发展，各国政府、世界组织以及机构开始倡议把一些符合公共利益的数据让更多民众能够接近使用。因为数据的被开放，新闻机构和新闻媒体才有机会可以通过大量的数据进行不一样的报道。

在规范中蓬勃发展

这个专业进入规范的一个很重要的里程碑是2013年美国线上新闻协会出版了《数据新闻伦理指南》（ONA's ethics of data journalism）（https://ethics.journalists.org/topics/data-journalism/）。通常我们再讲新闻理论的时候，一定会提到什么该做什么不该做，或者是怎样让一篇新闻报道更具有全面性、完整性、正确性。这份指南里面，也将这些理论套用在数据新闻上，实际上也是不脱传统新闻理论所涵盖的要求。除此之外它里面包含了几点希望，对于现在做数据报道或是数据新闻记者在从事相关工作的时候能够注意到的几个方面：1、数据是谁收集的？2、数据是什么时间收集的？3、数据的数据的更新频率是什么？4、数据是如何被收集的？简单来讲就是在传统新闻写作中所用的三个W和一个H，即who、when、what、how。

除了这份《数据新闻伦理指南》之外，美国一个很著名的调查新闻机构叫做Propublica，同样在2013年对外公布了他们是如何对新闻进行查核的（https://github.com/propublica/guides/blob/master/data-bulletproofing.md）。里面的查核方式实际也不脱离传统新闻查证事实做的一些技巧。比如数据是可以被双重检验的，数据的信源是不是值得信任的等等。详细的内容可以点击相关链接，了解他们是如何进行查证的。

除了以上两个比较偏向数据新闻伦理的方式来为这个专业定一个规范，更重要的发展点是2017年5月美国的美联社首次将数据新闻纳入了他们的stylebook（ https://www.ap.org/press-releases/2017/data-journalism-chapter-debuts-in-2017-ap-stylebook2017）。美联社的stylebook几乎是每一个英语系国家的新闻英语写作的一个参考指南。所以不管是数据新闻的伦理指南，核查数据新闻的制作标准，还是说数据新闻首度纳入stylebook，都可以表明数据新闻进入了规范进入了规范。

那另外一个方面可以说明数据新闻发展比较明显的一个趋势与现状是，工具越来越多元且发展也越来越成熟。纽约时报前交互记者（interactive journalist）Mike Bostock与友人开发出的javascriptlibrary"D3.js"成为编辑台的主流可视化语言。如今javascriptlibrary已经成为各大新闻媒体用于数据可视化的主流程序语言。另外一个代表性的工具是一个全球知名的开源代码平台Github，由于它是一个开源的平台，所以他加速了跨国甚至是跨新闻的交流和学习。这就意味着你可以在中国国内就可以看到外国媒体是怎么写他们的代码的，是怎么样把代码运用到他们的数据新闻上的。

可是当这些都走向成熟时，大家更关注的是数据新闻背后的故事本质，而不是说只用作炫技或一定要交互呈现。这也反应目前数据新闻的多元呈现方式。最传统的呈现方式是文字报道，一篇文字报道有时也可以是一篇很好的数据新闻报道。再有就是一般人比较熟悉的图表，地图，视频。随着新闻内容的不同，也有人不断尝试将数据新闻应用到AR、VR等科技平台上。这样多元呈现方式或多元工具使用的好处是，让数据新闻回归到新闻的本质也就是把一个故事讲好。

近一两年数据新闻发展的一个重要参考研究报告是谷歌在去年特别推出的一个《Google报告：2017数据新闻现状》（https://newslab.withgoogle.com/assets/docs/data-journalism-in-2017.pdf

），这份报告采访了一些主流媒体的数据新闻记者，其中一个很有意思的问题是问：你是怎样定义自己的工作的？谷歌搜集到的三个主要回答是：1、借助数据的力量，使得报道更丰富、更确实。2、借助数据的力量进行调查新闻。3、解释复杂的数据。这个问题实际上可以进一步解释目前数据新闻记者从事的三个方面。第一，在假新闻泛滥的新闻环境里，通过数据新闻可以让原来的新闻报道多了一个更加可靠确实的证据。第二，在新闻环境比较疲弱的状况下，数据新闻能够协助调查新闻做得更好，更能凸显调查新闻的重要价值。第三，为了呼应现在的大数据时代，记者有没有能力将越来越繁杂的数据分析报道出来，让读者更加理解对应的新闻事件或所处的环境。

下面给大家介绍几个国外的主流媒体，有机会可以定期从上面观看作品，来思考他们是怎么对数据进行报道的。

以下是目前全球数据新闻的主要参与媒体，切分为主流大型媒体和中小型媒体：

大型媒体

纽约时报（New York Times）

华盛顿邮报（Washington Post）

金融时报（Financial Times）

彭博（Bloomberg）

路透（Reuters）

美联社（AP）

华尔街日报（Wall Street Journal）

中小型媒体

Propublica

洛杉矶时报（LA Times）

柏林晨报（Berliner Morgenpost）

南华早报（South Morning China Post）

Quartz

FiveThirtyEight

The Pudding

除了大家比较熟悉的媒体外，可以特别关注欧洲的媒体，比如上面提到的《柏林晨报》，这一家媒体可视化做的非常强。加之目前这样便利的跨国境、跨新闻系的开源代码平台，目前的数据新闻是全球流通的局面。所以就算数据新闻从英美兴起，也有越来越多的欧洲、亚洲甚至是南美洲的数据新闻作品也可以迅速在全球平台上曝光。

以上就是目前全球数据新闻的一个概况，总结来说，数据新闻专业已经进入了规范化，而且工具越来越多元成熟，在呈现方式上也不再执着于炫技，而是回归到这个新闻故事本身。目前全球每一个大中小型主流媒体里面都有一个数据新闻团队。这样的职位已经成为每一间新闻室的标配了。

二、FT怎么思考数据新闻、新闻视觉化？

全体的数据意识

实际上FT里面已经有很多栏目都已经有了数据新闻的概念。一下是目前有的固定栏目，并且关系到数据新闻的呈现和报道。

做数据新闻的人不管是在外国媒体还是在中国媒体都会身兼另外一个身份：图表教育者。这张图是FT数据新闻大团队发起制作的一个“可视化词典（Chart Literacy:FT's visual vocabulary）”。

Chart Literacy:FT's visual vocabulary

词典帮助从事数据新闻或是数据可视化的工作者通过数据的关系和特点寻找适合的图表，但这个可视化图表更大的作用是给FT其他记者的很好的教育训练。所以可视化词典不仅让数据新闻记者而且是让几乎所有编辑部的人都拥有数据能力或数据可视化能力。讲的直接浅白一点，如果其他记者有一些简单的图表要做，自己就可以完成而不用再去麻烦数据新闻团队，不仅提高了专业数据新闻团队的效率，而且也让整个编辑部的人也都具有数据新闻视读、数据可视化的基本概念。

用数据讲好故事

除了对内教育者的工作之外，FT在其真正的工作，也就是数据新闻报道可以做到三件事：1、多媒体报道(multimedia)。2、结构性故事(menu-and-list)。3、新闻小程序/数据可视化（news application/data vis）。从这些可以看出，整个团队被赋予的是一个多面的报道方式。这种通过代码、编程来进行新闻报道的方式也是团队希望发展的方向。

除了传统的数据平面可视化之外，还有什么样的创新能够让新闻故事讲得 更好，让新闻故事更容易让读者接受呢？下面通过两个FT的两个案例，来讲一下什么叫做好的新闻案例。

案例一：UBER GAME

https://ig.ft.com/uber-game/

这个作品被称为FT2017年的年度大作。打开这个网址之后你会收到一条“当一天Uber司机”的邀请，通过场景拟真的方式让你体会Uber司机一天的行程。那么为什么要让读者去体验Uber司机的行程呢？在目前的共享经济下出现了越来越多的不稳定的雇佣关系。所以在这种经济背景下Uber司机到底是不是Uber的员工呢？类似于这种模糊的雇佣关系是FT想探讨的新的经济问题或者劳动权益。所以这个游戏邀请读者去体验Uber司机一天的生活，并让读者思考这背后的不稳定的工作会带来什么样的经济影响。

在这个游戏当中，读者能过体会到司机的无奈和辛苦。司机师傅只要稍微休息一下或者做一些其他的事情，就会被扣Uber的点数，被扣点数之后就可能就不接到客人。这种以游戏来进行专案报道的制作方式并不是多么新奇，但值得一提的是这个游戏背后的数据是由两名记者实地采访回来的。他们采访了大量在伦敦工作的Uber司机，通过问他们一天的行程，他们是如何度过每天的等问题，以及访问Uber内部提供的信息，来完成这个拟真游戏。

案例二：《分析：特朗普在Twitter上的“中国帖子”》

有一件有意思的事情是当特朗普当选美国总统时，大家都会认为他好像跟中国有敌对关系。可是通过分析他的推特可以发现，特朗普早期的推文中只要提到中国就会提到奥巴马。你会发现一个很有趣的相关性是特朗普是在通过提到中国来指责奥巴马，所以与其说他是在责备中国，不如说他是在责备奥巴马。

http://www.ftchinese.com/story/001071427

相关的数据是通过推特爬虫，把特朗普在推特上所有的一个发言爬下来，然后再通过python进行分词研究特朗普到底是怎么说中国的。另外通过篇对特朗普推文分析的报道，能够发现特朗普本人和大家对他的看法不太一致的一点——他本人一直想要恢复美国的光荣。因为在大选之前他每天都会在推特上发类似的态度。

这篇报道有一项可惜之处，没能把原始数据发放到网上供读者再加以分析。因为涉及到网站后台机制的设计，如果提供下载数据，服务器就不能够承受。如果能够把原始数据放出来会让这篇报道更有意思。

以上FT的两个数据新闻案例，让大家知道FT是怎样通过数据的来源进行分析、呈现、制作一条好的数据新闻的。

坚守新闻本质完善团队思想

在FT的数据新闻报道中如何建立差异化也是需要着重思考的问题。那么如何建立差异化可以从数据的来源、分析、呈现来判断：1、来源：创造或建立自己的数据。数据新闻目前不是一个稀有的报道方向，如果大家都是用同样的政府公开信息的话，建立数据来源的独特性更容易让你的数据新闻显得独特或是让故事更具有特殊的新闻视角。2、分析：整合不同的数据源。通过整合不同数据之间相关性，并通过不同的数据源来讲故事，数据分析也可以成为数据报道的一个强项。3、呈现：找出创新呈现方式。要思考除了传统数据平面可视化之外，还有什么样的创新呈现能够把一个新闻故事讲得更好听，让读者更容易接受。能够做到以上三点并不是FT特有的，《纽约时报》、《彭博》、《路透社》都可以做到。所以最终检验标准是这条新闻是不是一个好的数据新闻的标准应该要回归到新闻的本质——这是不是一个好故事。这也对应到前面说过的数据新闻不只有数字，更广泛的数据新闻定义应该是结构化的信息，本质上它还是一个故事。

与此同时FT还面临着其他的挑战，那么接下来就简单分享一下未来FT想要精进的方向。

第一个最大的挑战是如何为不同的平台设计不同的呈现方式。第二是当手机已经占据了七成以上的流量，而其屏幕又不想电脑或者电视一样大的时候，那在这样小的屏幕里还可以有什么样的呈现可能性。第三个是除了手机之外还有没有其他新的科技平台会出现，占据读者阅读新闻的时间。如果有，在这些新的平台上又该如何成功呈现呢？第四点是当团队逐渐扩大也趋于成熟实际，继续按照之前的工作方法会不会出现套路。

在数据新闻编辑室的内部讨论中经常会提到数据可视化的六戒，而这六戒正是可以很好应对上述中的第四点问题。

1、不要执着于过多的交互作用。既然数据新闻的本质还是为了讲好一个故事，那么在新闻制作的过程中应该符合你所讲的故事。如果交互的作用是为了让故事讲的更好的话，那我们需要加进去，如果没有，那这样做的结果只是一种炫技。

2、讲故事。

3、追随读者所选的任何平台。必须清楚读者是通过什么平台阅读FT的。然后必须跟着这些平台走。

4、在报道当中运用完整的数据分析。

5、要保障新闻的持久价值。

6、新闻报道开始时就要涉及可视化。在完整的数据新闻报道里面，数据就应该从一开始加入到新闻报道的环节里，并始终贯穿。而不是在新闻报道完成后才把数据图表当成一个配件，只起到一个锦上添花的作用。

以上从FT已有数据新闻作品，怎么思考数据新闻，未来精进方向这几个角度简单分析了目前FT是怎么做数据新闻的

由于微信限制只能添加公众号平台所发文章的链接，所以无法添加外网的链接

--未完待续--