乘著時代浪潮之翼，任何方式都可能成就一則故事的誕生。
畢業於淡江大學大眾傳播學系的李又如，是一名相當傑出的記者，不僅是READr 數位專題製作人，也曾憑著訴說流亡港人生活軌跡的VR新聞專題《房間》，獲得2024亞洲卓越新聞獎的肯定。
從傳統新聞雜誌記者轉向創新數位媒體，李又如以大數據、資料分析、人工智慧等方式，在傳統新聞與資訊化世代的邊界中，摸索新聞製作的轉型樣態。
李又如帶著不同的工具翱翔於新聞領域，也讓她豐富的能力與經驗更顯閃耀，這週的Ｃ-Club演講，她除了帶著大家一同觀看新聞產業的嶄新面貌，也將與同學們分享，她在這趟跨域的旅程中一路的學習。
-
主題：原來新聞可以這樣做!? 因應資訊化時代新聞產製的轉型
講者：李又如/READr 數位專題製作人、記者
日期：04/09 (三）
時間：14:00 - 16:00
地點：社科院R227
歡迎踴躍前來聽講！
✯ 當日演講文字紀錄 ✯
紀錄：童建儒、張祐愷、林意芸
網路浪潮席捲之下，資訊的樣貌早已不再只是冰冷的文字。從 Web 1.0 的純文字時代，到如今滿溢著圖片、影片與動畫的視覺洪流，現代人早已習慣用眼睛快速掃描、用圖像迅速理解。在這個資訊奔流不息的時代，我們的閱讀節奏正在改變，不再細讀萬言，而是傾向以圖像化、短篇幅的方式抓取重點。
科技正在悄悄改變我們閱讀的方式，也重新塑造新聞業的生存模式。當傳統報導無法一眼抓住讀者的注意力，新聞該怎麼說，才說得進心裡？什麼樣的新聞，才稱得上是「好新聞」？
READr，是《鏡週刊》的專題報導平台，也是這個時代脈動下獨特的存在。從一開始，READr 就不只是一家新聞媒體，而是一場關於「如何重新說故事」的實驗。它跳脫傳統新聞格式，擁抱視覺、擁抱互動，讓新聞不只是內容，而是一種體驗。無論是資料圖像、動態敘事，或是與讀者互動的參與機制，READr 嘗試用更貼近當代閱讀習慣的方式，把新聞變得有感、有溫度、有吸引力。
新聞寫給誰看？從媒介轉型看內容與形式的變化
李又如以自己參與太陽花運動時的震撼經驗作為開場。她回憶，當年的自己目睹了記者在資訊洪流中載浮載沉的困境——社會對媒體的不信任日益加劇，許多人甚至不再相信記者所說的話。對於剛從淡江大學畢業的她而言，不僅是一場極大的衝擊，也讓她對未來充滿疑問與徬徨：「在這個時代，我要成為什麼樣的記者？」 2017 年，她進入 READr 團隊，首次接觸到資料新聞，才開始找到一些答案。她發現，透過資料的整理與視覺化呈現，不僅能增強報導的說服力與可讀性，更能提供一種不同於受訪者與記者主觀經驗的「第三方視角」。
資料新聞與傳統新聞的最大差異，在於資料本身成為報導的主角。過去無論是報紙、廣播或電視，媒介雖有所不同，報導的重心始終圍繞在受訪者之上，內容多半受限於記者與專家學者的口述與詮釋。而各種媒介，也依其特性發展出專屬的敘事手法。報紙為配合編輯與排版需求，長期沿用「倒金字塔式」的寫作架構；廣播受限於聲音，強調臨場感與情境的營造，讓聽眾「聲歷其境」；電視則仰賴畫面的吸引力，以視覺刺激來留住觀眾，讓每一秒都精彩到觀眾捨不得轉台。
網路的出現徹底改變了遊戲規則。網路媒體透過超連結建構出資訊節點，使資訊傳遞速度遠遠超越傳統媒體。新聞的出刊節奏，從日報、週刊的單位，轉變為「秒」的即時發佈。更重要的是，新聞的傳播方式也不再依賴讀者主動造訪網站，而是透過社群媒體分享與轉載，進入一種多節點、立體交織的資訊網絡。這樣的網路生態，也帶動了新聞生產的轉變。讀者從過去的被動接受者，轉型為主動參與、評論、甚至成為訊息來源的角色，而記者則能透過公開資料、社群平台，快速獲取大量資訊與受訪素材，不再僅受限於既定人脈與權威意見。
資料新聞的核心價值，即在於讓「資料」成為主角。透過對公開且具公信力的資料進行研究、分析與視覺化詮釋，記者能以更精確、理性、透明的方式講述故事，使讀者更容易理解背後的脈絡與趨勢。這樣的方式不僅提供了全新的敘事視角，也重新界定了「新聞形式」與「內容本質」之間的關係。
李又如強調，她並不認同過去「新聞的形式只是形式，最終還是要回到內容本身」的觀點。因為在她看來，形式與內容本質是密不可分、相互牽動的。新聞如何被閱讀、被理解，很大程度上取決它的呈現方式，形式往往就是影響讀者是否願意理解內容的關鍵。
讓資料說話：疫情地圖到VR敘事的新聞技術實踐
將數據資料視覺化地呈現，或許並不像我們想的那麼簡單。李又如以 COVID-19 疫情期間的經驗為例，分享 READr 如何運用資料視覺化技術，讓複雜的資訊變得一目了然。
疫情初期，台灣的疫情資訊變化快速，加上大量假訊息充斥網路，民眾陷入資訊焦慮。為了提供更清楚的防疫資訊，READr 推出了「本土疫情擴散地圖」，透過視覺化的數據圖表，將原本艱澀、龐雜的資料轉化為清晰易懂的畫面，讓讀者能快速掌握疫情的發展狀況。
在這樣的製作過程中，記者的角色也發生轉變。過去的新聞稿形式轉化為一種全新的「腳本」——不再只是寫給讀者看的文章，而是記者與工程師之間的溝通橋樑。它要說明的不僅是「寫什麼」，還包括「怎麼呈現」數據、如何搭配文字與互動設計，才能讓讀者真正「看懂」資料所說的話。
為了對抗魚目混珠的假訊息，READr 也整合全球各地事實查核組織發布的報告，並將其製作成一則視覺化報導，不僅彰顯資料新聞「以資料為主角、讓資料說故事」的特性，也展現媒體在公共危機中應有的責任與價值。
資料新聞的應用，當然不只侷限於社會議題。李又如舉例，READr 曾推出一篇關於華語流行音樂二十年變遷的資料報導，分析 KKBOX 排行榜的歷年數據。這份報導不只是數字與圖表的堆疊，更結合音樂播放功能，讓讀者在瀏覽數據的同時，能同步聆聽當年熱門歌曲，營造出視覺與聽覺並進的閱讀體驗。新聞，從此不再只是閱讀，而是一場沉浸式的感官旅程。
除此之外，READr 更進一步探索新聞與 VR 的結合，將「互動式新聞」提升到另一個境界。她分享一則以香港流亡青年為主題的 VR 報導，團隊透過 3D 建模技術，重現三位居住在台灣的香港青年的生活空間。讀者可進入這個虛擬房間，看見他們生活的痕跡，也聽見那些我們習以為常、對他們卻可能成為創傷觸媒的聲音——煙火、書本掉落、警車鳴笛等。在這樣的敘事中，房間不只是場景，更是心靈避風港，也是流亡者內在情緒的容器。
這是傳統文字與影音難以傳達的情感共振，而 VR 所帶來的沉浸感與互動性，則讓讀者真正「走進」了新聞。從疫情地圖、音樂排行榜，到 VR 建構的故事空間，READr 的實踐讓我們看見，新聞的形式早已超越文字與照片，成為一種融合技術、敘事與設計的複合藝術。
新聞的未來式：在注意力戰場中尋找立足點
現今，資料新聞的呈現正不斷打破我們對新聞的既定印象。吸引人的報導或許早已準備就緒，但能真正承載它的平台卻尚未出現。讀者閱讀新聞的習慣快速改變，而平台的設計卻還停留在過去。
李又如也觀察到這樣的現象，並分享了她的第一線經驗：「過去為了縮短文章篇幅，我們會在網頁中加入一個『閱讀更多』的按鈕，當時讀者還願意點進去看。但後來點擊率低於 5%，於是我們改成一頁到底的設計。但根據最新數據，讀者現在甚至連滑都懶得滑了。」
或許這可能與短影音的崛起密切相關。現代讀者越來越習慣被動接收資訊，若沒有立即的刺激與回饋，甚至不願花時間滑動網頁。記者辛苦完成的報導，很可能最終只是湮沒於社群平台上那一則「滑過即忘」的貼文。演算法的運作使得新聞被夾在流量與娛樂的夾縫之中，記者除了要產出內容，還得擔心「怎麼讓人看到」。
為了突破這樣的困境，READr 推出了全新平台 Mesh，試圖擺脫演算法如黑盒子般的控制。Mesh 主打公開透明，讓讀者、記者與媒體三方各自回到應有的位置：讀者專注閱讀、媒體專注投資、記者專注創作。
讀者可以自由追蹤感興趣的媒體與議題，並在每次的閱讀與互動中累積點數。這些點數由廣告主投放資金所轉換而來，可用於合作店家兌換商品。同時，平台也設有「精選」功能，讀者可以彙整不同媒體對同一議題的報導，進行一場線上小型策展，這項策展行動也能獲得點數作為回饋。對新聞媒體而言，Mesh 沒有演算法的干預，讓他們能拋下過去流量至上的枷鎖，真正專注於優質報導的製作與篩選；對記者而言，不再需要迎合平台規則，只要聚焦於值得被關注的議題，認真講好每一個故事。
即使這樣的機制設計看似理想的平台，Mesh 目前卻陷入了「雞生蛋，蛋生雞」的困境，要吸引媒體加入，就需有足夠的讀者；要吸引讀者加入，又需要豐富的媒體內容。Mesh 團隊仍在持續優化使用體驗，未來更計劃加入影音、互動設計等新形式，期望吸引更多用戶與內容創作者，共同打造真正符合當代需求的新聞生態。
在資訊爆炸的時代，記者並非全然被動。AI 的出現為新聞產製流程帶來新的可能，特別是在資料新聞領域，AI 可協助處理資料整理與視覺化，降低技術門檻，讓記者能把更多時間與精力投入在議題研究與互動設計上。新聞不再只是「寫完就好」，而是要被理解、被感受，甚至被互動。未來，新聞將持續與娛樂、短影音、演算法並肩競爭。它不再是唯一的知識權威，而是多元聲音中的其中之一。記者所能做的，不是堅守舊框架，而是勇於創新、挑戰，找尋最適合這個時代的新聞樣貌
✯ 問答Q&A ✯
Q1：READr團隊成員如何使用AI輔助新聞產製？AI的出現是否會讓資料記者的門檻降低？
李又如提及，READr團隊成員多為自學程式背景，過去學習過程艱辛，但有了AI輔助後，學習與實務上效率大幅提升。她指出，大型語言模型（LLM）能提供精準的程式解答，尤其在資料來源充足的領域，如程式語言方面表現出色。
在新聞工作中，AI經常被應用於「資料標記」與「初步分析」。例如，當記者想分析特定立委的Facebook貼文是否聚焦於立法院事務或選民服務，便需對其貼文進行分類與註記。過去這類工作需倚賴工讀生逐一判讀，而現在透過AI即可快速辨識貼文主題、情緒與語意，大幅降低人力與時間成本。李又如分享，自己曾利用AI分析川普與拜登發文的情緒差異，藉此洞察兩位政治人物在社群上的溝通風格。透過AI模型，記者可將貼文分類為選民服務、政見或其他類型，甚至生成客製化的分析資料。
AI 應用逐漸普及，資料調查的初期門檻大幅下降。李又如指出，以往可能需投入一個月與大量人力，只為確認某資料集是否具備分析價值。如今，記者可以迅速用AI進行預判，所消耗的金錢、時間成本只需過去的2%到5%，可行的報導題材數量與深度大幅提升。
不過李又如也提醒，AI並非萬能，對於缺乏基礎的人而言，仍有理解困難的風險。「AI很聰明，但你要知道它在說什麼，才能真正把它當成好助理。」她建議初學者學習反思AI給出的答案，多問問題、理解背後邏輯，才能發揮AI最大效用。最後李又如總結，AI對資料記者的最大幫助在於兩點：一是技術補助，讓不具備工程背景的記者也能駕馭數據分析工具；二是顯著降低題材探索的成本，擴大新聞選題與調查的可能性。
Q2：AI 與新聞的跨領域結合下，傳播系學生是否會因不具備技術背景而被壓縮工作機會？
在談及 AI 對新聞工作的影響時，李又如分享了她的觀察與個人經驗。她指出，當前 AI 技術發展迅速，許多傳統上屬於前端工程師的工作內容，例如架設網站、處理資料等，現在透過 AI 工具就能迅速完成。這讓工程背景的人反而感到焦慮，而新聞從業者如果有明確目標，反而更能在這個時代找到自己的定位。
李又如坦言，自己在技術上仍有許多尚未掌握的部分，但因與工程師共事，加上工作需求，便積極學習程式語言。她強調：「不是為了程式而學，而是因為要處理的資料太龐大，所以需要這些工具輔助。」她認為關鍵不在於是否學 AI 或寫程式，而是「知道自己想做什麼」；有明確目標，選擇工具才有意義。
她也呼籲大家，不要因為第一次使用 AI 遇到困難就輕易放棄。她曾在一次新聞年會中聽到業者分享，當代年輕人因習慣使用 AI 生成內容，反而質疑新聞產製是否仍需要專業知識背景。這讓她體認到，未來的工作樣貌將會大幅改變，許多新型態的職位將由下一代創造。她建議大家不僅要學會使用 AI，更要理解其原理與限制，這樣在面對挑戰時，才能快速判斷該用什麼工具完成任務。尤其在當今 AI 門檻極低的情況下，每個人都有機會探索與嘗試，找出屬於自己的應用方式。
Q3：目前READr團隊的人員配置？
李又如說明，目前團隊核心成員共四位，主要包括兩位全職記者、一位兼任記者與社群經營，以及她本人。李又如同時負責新聞製作、部分網頁策展與合作專案統籌，亦涉及外部媒體案子的協作。
除了核心編輯團隊之外，READr 全體人數約 20 人，其中約六成為工程師，其餘成員包含兩位產品經理與兩位設計師。由於團隊需同時維護多個網站與平台，如主站、訂報平台等，因此工程資源相對緊張。因此也嘗試將內部記者常用的工具模組化，讓非工程人員能夠自行操作，以降低對工程師的依賴。
在記者方面，雖然成員背景多元、跑線廣泛，但皆以「資料驅動」為共同核心。只要有可用數據、能說出值得關注的故事，便是團隊優先處理的題材。李又如長期關注假訊息與社會議題，另一位記者來自《上下游》，擅長環境調查報導，還有一位具備豐富的電視新聞經驗，能處理各類題材。這樣的配置也讓 READr 得以製作跨領域、多面向的數位新聞內容。
Q4： READr 團隊的新聞選題過程是「先有資料」還是「先有議題」？
在討論新聞題材選擇上，李又如指出，READr 的新聞選題並非單一方向，而是資料與議題之間的相互影響。有時題目是由資料引發的，有時則是先有議題，再尋找資料支持。這樣的過程往往需大量假設與資料探索，當資料難以取得時，挑戰更大。
她舉例，若處理某些議題時找不到官方資料，團隊會轉向其他公開來源。例如，曾從 591 網站抓取房屋租賃數據，以分析租屋市場狀況。這種情況下，資料不只是佐證，而是用來建構一個更完整的故事。
李又如進一步分享，過去曾做過「彩虹媽媽」的調查。該團體具有宗教性質，經常進入小學早自習時間進行故事教學，藉機傳遞宗教訊息。此議題逐漸引起社會關注，但並無公開數據可供深入研究，因此便透過調查全台各小學是否有類似活動來了解其影響力。
此外，她也坦言，選題過程中常會遇到挑戰，五個題目中通常只有一個能通過評估並成為正式報導。她強調，資料的可獲得性與創新研究方法，是選題過程中的兩大關鍵因素。。
Q5：READr Mesh 如何透過 Mesh Point 或網頁瀏覽足跡，回饋優質新聞與新聞工作者？
李又如指出，READr Mesh 的「Mesh Point」機制主要是透過點數制度來回饋新聞工作者。初期，讀者加入會員即贈送 50 點，可用來贊助喜歡的文章。例如，若讀者喜歡《環境資訊中心》的報導，即可用點數支持該新聞機構。
目前因平台流量尚低，廣告收益仍不足以直接回饋讀者，因此 READr Mesh 設計了「付費解鎖文章」的功能。讀者可使用點數解鎖專屬或付費內容，不僅支持優質內容的持續產出，也能依自身興趣選擇支持對象。
對於媒體而言，Mesh 提供三種合作模式：第一種是媒體將全部內容提供給READr Mesh，這樣所有瀏覽行為都集中在平台，並且能夠獲得更多的廣告收益；第二種是外部連結模式，媒體將文章引導至自身網站以獲得曝光，但不會直接獲得來自READr Mesh的廣告費；第三種則是付費訂閱，讀者可透過READr Mesh支付來維持對特定文章或報導的付費行為，從而保持媒體的盈利模式。
李又如總結，此類基於點數回饋的方式，不僅降低了讀者的參與門檻，也為新聞工作者創造了新的收益模式，有助於鼓勵優質新聞內容的產出。
Q6：調查報導中的資料與受訪者如何取得？是否也會利用AI協助作業？
在資料新聞的製作過程中，資料與受訪者扮演著關鍵角色。李又如表示，製作調查報導時，需先確認報導角度，再尋找相對應的資料與受訪者。她強調，資料本身也可被視為一種「受訪者」，因為它能回答記者提出的問題。
她會先查找相關調查報告與趨勢資料，協助釐清事件發生的背景與輪廓。資料本身提供了可量化、可驗證的觀察，有時甚至比訪談更有說服力。
在資料蒐集過程中，AI 也提供了實質幫助。李又如分享，以前她需靠 Google 搜尋資料，現在則更多仰賴 AI 工具，因其能更快速彙整資訊。然而，她提醒AI 生成結果不總是正確，尤其在資料來源不足或資訊不明確時，可能出現錯誤或誤導。因此，理解 AI 的限制與潛在風險，這樣才能避免受到誤導。
Q7：READr 團隊如何評估新聞的可行性？選題標準為何？
對於記者來說，最具挑戰性的工作並非寫稿，而是如何挑選新聞題材。李又如分享自己多年從業的經驗，指出選擇新聞的標準雖有一定依據，但實際操作中仍需靈活應對。他強調，做新聞需要快速反應、了解讀者需求並找出題材的特殊性，這些元素缺一不可。
李又如舉例，川普宣布關稅是全球媒體都會報導的重大新聞，但在此情況下，如何做到既迅速又具特殊性，並滿足讀者需求，是極具挑戰的。她進一步提到，資料新聞網站the Pudding曾讓AI與人類記者比賽產製一篇資料新聞，讓AI提出報導提案並由人類進行評估。雖AI能夠提供一些有價值的建議，但最終的報導內容還是不如人類寫出的得理想。
此外，李又如也談到，AI目前無法完全取代人類在新聞寫作中的角色。雖然AI在生成標題、提供關鍵字建議等有助於激發記者靈感，但要將資訊轉化為有深度的故事，仍需要記者的專業判斷。她以天下雜誌為例，指出天下雜誌曾使用AI進行選舉報導，通過AI生成選區天氣、候選人背景等客觀資訊，並且能根據讀者的地理位置提供個性化內容。她認為這類基礎資訊的生成對於AI來說是一個相對成熟的領域，但超越資訊層面的深度解讀仍然是人類記者的強項。