Data2Story: Seven AIs Transform CSVs into Verified Articles

Data2Story : sept IA transforment CSV en articles vérifiés

Data2Story transforme un fichier CSV en un article interactif vérifié grâce à sept agents d'IA.

Le journalisme de données consomme du temps comme peu d'autres domaines. Une seule enquête peut occuper une équipe pendant des semaines. Un nouveau pipeline d'IA vise à automatiser la plupart de ce travail sans sacrifier la vérifiabilité.

Des chercheurs d'Oxford et de Stanford ont développé le "Data Journalist Agent" (Data2Story), une compétence Claude Code qui transforme un fichier CSV en un article en ligne interactif complet. La sortie comprend un contexte de recherche, des statistiques, des graphiques et une fonctionnalité intégrée reliant chaque déclaration visible, graphique et élément interactif à ses preuves, qu'il s'agisse de code, de sources de données ou d'URLs externes. La compétence est un ensemble de tâches prédéfini que Claude Code charge et exécute sur commande, orchestrant plusieurs rôles d'agents spécialisés.

Data2Story transforme un ensemble de données brut en un article web multimodal vérifiable, illustré ici avec un ensemble de données sur les choix de cartes de 1 354 répondants.

Les auteurs ont démontré le système sur un ensemble de données qui a reçu peu de couverture jusqu'à présent, le calendrier de la Coupe du Monde de la FIFA 2026. À partir du calendrier et des villes hôtes, il génère un article axé sur le climat avec une carte interactive.

Environ quatre matchs sur dix sont prévus dans des lieux que le syndicat des joueurs FIFPRO classe comme à risque de chaleur extrêmement élevée, l'humidité étant le principal facteur plutôt que la température de l'air. Les auteurs soulignent qu'il s'agit de conditions climatiques typiques, et non d'une prévision pour le tournoi réel.

Data2Story génère des histoires à partir d'ensembles de données sans aucune intervention humaine, allant des climats des stades de la Coupe du Monde aux tendances d'ArXiv, en passant par la façon dont les gens passent leur journée.

Un panneau "Inspecteur" rend chaque affirmation traçable

La fonctionnalité centrale du système est l'"Inspecteur", un panneau affichant des preuves structurées pour chaque phrase et actif. Chaque phrase annotée, graphique et élément interactif dispose de sa propre carte d'index affichant soit la ligne de code exacte (plus le fichier de données associé), soit l'URL externe soutenant une affirmation.

L'Inspecteur relie chaque déclaration à une source externe ou à un script exécutable qui recalcule le chiffre à partir des données.

Cela permet de vérifier 93 % de toutes les déclarations visibles quant à leur origine. Cela ne signifie pas qu'elles sont correctes, insistent les chercheurs, mais simplement vérifiables. Vous doutez d'un chiffre ? Exécutez le code. La référence pour les articles écrits par des humains est de 25 %, en partie parce que les journalistes publient rarement le code d'analyse. Cet écart reflète à la fois un manque dans la pratique journalistique et une force du système, selon les chercheurs.

Sept agents, un flux de travail éditorial

Derrière chaque article se trouve une chaîne de sept agents spécialisés que l'équipe appelle une "rédaction virtuelle". Le "Détective" effectue des recherches sur le web pour le contexte, car un tableau seul ne raconte que rarement toute l'histoire. Pour les données de la Coupe du Monde, il relie les villes hôtes aux évaluations de risque de chaleur de FIFPRO et aux données climatiques d'Open-Meteo.

L'"Analyste" exécute du code au lieu de deviner des chiffres. L'"Éditeur" choisit quels résultats orientent le récit. Le "Designer" sélectionne le bon support, par exemple une carte pour la géographie ou un extrait audio pour la musique. Le "Programmeur" construit la page HTML, l'"Auditeur" vérifie la mise en page pour des erreurs, et l'"Inspecteur" relie tout cela aux sources.

Chaque rôle d'agent dans la rédaction virtuelle de Data2Story gère une étape, de la recherche à la mise en page. L'Inspecteur relie chaque déclaration à sa source.

53 lecteurs évaluent les articles des agents plus haut que les originaux humains

Les chercheurs ont associé 18 ensembles de données publiques à des originaux écrits par des humains provenant de trois sources distinctes. Ils ont utilisé les résumés concis de The Economist, les longs articles richement conçus de The Pudding, et les ensembles de données communautaires de TidyTuesday. 53 lecteurs recrutés ont évalué les deux versions selon cinq catégories, y compris le design visuel, le rythme narratif, la transparence des données, la vérifiabilité des affirmations et les insights obtenus.

Data2Story a remporté les cinq catégories. L'écart le plus important était en transparence, à +1,49 sur une échelle de sept points. Dans l'ensemble, 74 % ont préféré l'article de l'agent, 25 % la version humaine, et 2 % ont déclaré que c'était un match nul.

Par source, le tableau change. L'agent a clairement gagné dans les résumés riches en données de The Economist et les pièces de TidyTuesday. Face aux rapports de The Pudding, que les équipes de design passent souvent des semaines à élaborer, c'était un match nul statistique. L'agent n'a pas pu surpasser une présentation artisanale.

À travers 18 paires d'articles, Data2Story couvre environ la moitié de la perspective humaine, tandis que les journalistes ne capturent qu'un tiers de celle de l'agent, particulièrement frappant dans The Economist.

Lorsque l'on mesure quelles déclarations de l'article écrit par des humains apparaissent également dans l'article généré par l'agent, Data2Story couvre environ la moitié. En revanche, seulement 35 % des déclarations de l'agent se trouvent dans le texte humain.

L'agent ajoute de nombreux angles propres mais ne capture qu'en partie le cœur éditorial. L'écart est le plus large dans les résumés courts et formulaires de The Economist, où l'agent reproduit 73 % des résultats humains, probablement parce que ces textes se conforment étroitement aux statistiques standard que l'agent calcule de toute façon.

Où les humains gagnent encore

Les chercheurs signalent trois domaines où les auteurs humains restent en tête. Sur la perspective éditoriale, les journalistes expliquent des choses que les données ne peuvent pas. Un rapport sur les Repair Cafés relie les faibles taux de réparation aux fabricants de téléphones, de voitures et de tracteurs qui bloquent délibérément l'accès aux outils de diagnostic et aux pièces. C'est une théorie fondée sur le reportage, pas sur les données. L'agent montre ce qui se casse, mais le "pourquoi" reste caché.

Le rapport humain explique pourquoi les réparations échouent. Data2Story ne fait que cartographier les taux de réparation par type de produit.

Sur le design créatif, un article de The Pudding sur la comédie stand-up transforme le texte intégral d'un spectacle d'Ali Wong en une interface utilisateur. À côté de chaque ligne se trouve un cercle de taille proportionnelle à la durée du rire. Pour le même contenu, l'agent se contente d'incorporer une miniature statique de YouTube.

L'équipe de The Pudding transforme l'ensemble du transcript en interface. Data2Story intègre une miniature cliquable.

Sur des graphiques denses uniques, une visualisation de The Economist sur la course à l'espace superpose les fournisseurs gouvernementaux et commerciaux, les taux de réussite et les annotations dans une seule image. L'agent disperse les mêmes données à travers plusieurs graphiques, et le point principal se perd.

The Economist regroupe les lancements gouvernementaux et commerciaux ainsi que les annotations dans un graphique unique. Data2Story répartit les données sur une vue interactive sans les notes.

Un collaborateur, pas un remplacement

Les auteurs présentent Data2Story comme un outil de rédaction. Les humains apportent perspective et reportage, tandis que les agents gèrent le calcul, les graphiques et les sources vérifiables par machine.

Cela pourrait s'avérer le plus utile pour des sujets que les rédactions ne peuvent pas couvrir par manque de capacité, des ensembles de données de niche qui autrement ne deviendraient jamais une histoire lisible. Une limitation est que Data2Story fonctionne actuellement en pilotage automatique complet. Une version avec retour d'expérience humain est laissée pour des travaux futurs. Le site est en ligne à data2story.github.io, et le code est sur GitHub.

La vérifiabilité machine est exactement là où les systèmes d'IA actuels continuent de trébucher. Un récent benchmark de l'Université de Pékin a révélé que les modèles de pointe donnent souvent la bonne réponse dans l'analyse de documents mais citent les mauvaises sources, un problème que les chercheurs appellent "hallucination d'attribution".

Une autre étude suggère que les agents de recherche IA ne font souvent pas de recherche du tout, mais confirment principalement ce qu'ils savent déjà grâce à leur formation. Data2Story tente de combler cette lacune en faisant calculer les chiffres par l'analyste avec du code exécutable au lieu de deviner et en liant chaque déclaration à sa source grâce à l'Inspecteur. Perplexity adopte une approche similaire avec "Search as Code", où les modèles écrivent leurs propres recherches sur le web au lieu d'appeler une API en boîte noire.