-
Partager cette page
Enjeux technologiques du journalisme
Titulaire(s) du cours
Laurence DIERICKX (Coordonnateur)Crédits ECTS
5
Langue(s) d'enseignement
français
Contenu du cours
Le cours examine les transformations du journalisme à l’ère de l’intelligence artificielle. Il propose une analyse critique des technologies numériques mobilisées dans la vérification, la production et la dissémination de l’information, ainsi que des responsabilités professionnelles qui en découlent. Le premier module, « Mesurer le réel », explore le journalisme de données, la construction de l’argument statistique et le raisonnement quantitatif, tout en interrogeant les enjeux éthiques de la littéracie des données en tant que constituante de la littéracie de l’intelligence artificielle (IA). Le deuxième module, « Produire du sens », se concentre sur les usages et les enjeux de l’IA dans le journalisme, en introduisant les fondements techniques de l’IA ainsi que les conditions éthiques et responsables de son déploiement dans les pratiques professionnelles. Enfin, le troisième module, « Stabiliser le vrai », s’intéresse aux pratiques de vérification dans les environnements numériques, aux méthodes d’investigation en sources ouvertes (OSINT) et au rôle du journalisme face aux désordres informationnels amplifiés par les technologies d’IA.
Objectifs (et/ou acquis d'apprentissages spécifiques)
Pré-requis et Co-requis
Connaissances et compétences pré-requises ou co-requises
Les étudiant·es doivent disposer de connaissances de base en calcul et statistiques descriptives ; et être capables d’utiliser un logiciel tableur (Excel, Google Sheets ou équivalent).
Méthodes d'enseignement et activités d'apprentissages
L'enseignement combine des exposés magistraux, des démonstrations, des études de cas et des moments d'échange avec les étudiant·es. Il s'appuie sur un manuel critique rédigé par l'enseignante et structuré en quinze chapitres répartis en trois modules. Plusieurs chapitres sont accompagnés d'exercices interactifs d'auto-évaluation (quiz, exercices de classification, d'appariement ou de calcul) assortis d'un corrigé commenté permettant aux étudiant·es de vérifier leur compréhension des concepts abordés. Le dispositif pédagogique est également enrichi par des ressources audiovisuelles, des démonstrations d'outils en ligne et des analyses de cas issus de l'actualité. Les modules 1 et 2 se concluent chacun par un travail pratique individuel mobilisant les notions étudiées, tandis que le module 3 se termine par un exercice collectif de vérification numérique fondé sur les méthodes d'investigation en sources ouvertes (OSINT).
Références, bibliographie et lectures recommandées
Bibliographie académique intégrée au manuel de cours, chapitre par chapitre (plus de 120 références mobilisées pour construire le cours, en ce compris les publications académiques de la titulaire du cours).
Sélection indicative :
Anderson, C. W. (2018). Apostles of certainty: Data journalism and the politics of doubt. Oxford University Press.
Best, J. (2005). Lies, calculations and constructions: beyond "how to lie with statistics". Statistical Science, 210-214.
Cairo, A. (2016). The truthful art: Data, charts, and maps for communication. New Riders.
Coddington, M. (2015). Clarifying journalism’s quantitative turn: A typology for evaluating data journalism, computational journalism, and computer-assisted reporting. Digital journalism, 3(3), 331-348.
Dierickx, L., & Lindén, C. G. (2024). From bytes to bylines: A history of AI in journalism practices. In Histories of Digital Journalism (pp. 136-148). Routledge.
Dierickx, L., Opdahl, A. L., Bjerknes, F., & Lindén, C. G. (2026). What is a fact in the age of generative AI? Fact-checking as an epistemological lens. Information, Communication & Society, 1-18.
Heravi, B. R., & Lorenz, M. (2020). Data journalism practices globally: Skills, education, opportunities, and values. Journalism and media, 1(1), 26-40.
Sélection indicative pour le module 2 :
Augenstein, I., Baldwin, T., Cha, M., Chakraborty, T., Ciampaglia, G. L., Corney, D., … Zagni, G. (2024). Factuality challenges in the era of large language models and opportunities for fact‑checking. Nature Machine Intelligence, 1–12.
Diakopoulos, N. (2015). Algorithmic accountability: Journalistic investigation of computational power structures. Digital journalism, 3(3), 398-415.
Dierickx, L., & Lindén, C. G. (2025). Intelligence artificielle et journalisme: Des règles pour garantir la qualité de l’information. In Information et intelligence artificielle (pp. 31-41). De Boeck Supérieur.
Floridi, L. (2023). The Ethics of Artificial Intelligence: Principles, Challenges, and Opportunities. Oxford University Press.
Lewis, S. C., Guzman, A. L., Schmidt, T. R., & Lin, B. (2025). Generative AI and its disruptive challenge to journalism: An institutional analysis. Communication and Change, 1(1), 9.
Natale, S., & Ballatore, A. (2017). The myth of the thinking machine: A historical analysis of the discourse on artificial intelligence. Convergence: The International Journal of Research into New Media Technologies, 23(6), 593-606.
Russell, S., & Norvig, P. (2013). Artificial intelligence: A modern approach. Cambridge University Press.
Sélection indicative pour le module 3 :
Chen, C., & Shu, K. (2024). Combating misinformation in the age of LLMs: Opportunities and challenges. AI magazine, 45(3), 354-368.
Khan, S. A., Dierickx, L., Furuly, J. G., Vold, H. B., Tahseen, R., Lindén, C. G., & Dang‐Nguyen, D. T. (2025). Debunking war information disorder: A case study in assessing the use of multimedia verification tools. Journal of the Association for Information Science and Technology, 76(5), 752-769.
Koliska, M., & Roberts, J. (2025). Epistemology of fact checking: An examination of practices and beliefs of fact checkers around the world. Digital Journalism, 13(3), 500-520.
Mustafa, H., Luczak-Roesch, M., & Johnstone, D. (2025). Conceptualizing the evolving nature of computational propaganda: A systematic literature review. Annals of the International Communication Association, 49(1), 45-60.
Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. science, 359(6380), 1146-1151.
Wardle, C., & Derakhshan, H. (2017). Information disorder: Toward an interdisciplinary framework for research and policymaking (Vol. 27, pp. 1-107). Strasbourg: Council of Europe.
Support(s) de cours
- Université virtuelle
- Syllabus
Contribution au profil d'enseignement
Ce cours contribue au développement des compétences critiques, méthodologiques et réflexives attendues dans le Master en journalisme. Il vise à permettre aux étudiant·es d’interroger les sources numériques, les données, les algorithmes et les outils qui participent à la production de l’information, d’exercer un jugement éditorial éclairé face aux technologies numériques et à l’intelligence artificielle, et de comprendre les implications épistémiques, éthiques et professionnelles de leur usage. Il participe également au développement d’une littératie de l’intelligence artificielle, entendue comme la capacité à comprendre, analyser et évaluer de manière critique les systèmes d’IA, leurs données d’entraînement, leurs modes de fonctionnement, leurs limites et leurs effets sur la production, la vérification et la circulation de l’information. Plus largement, le cours favorise l’acquisition de littératies complémentaires, notamment en matière de données, d’algorithmes et d’information numérique, afin de permettre aux futur·es journalistes de s’approprier de manière responsable et réflexive les mutations technologiques du métier.
Autres renseignements
Informations complémentaires
Détails des supports de cours:
Université virtuelle (slides des cours PDF)
Syllabus (disponible en PDF sur l’UV)
Contacts
M. Laurence DIERICKX : laurence.dierickx@ulb.be
Campus
Solbosch
Evaluation
Méthode(s) d'évaluation
- Travail pratique
- Travail personnel
Travail pratique
Travail personnel
Aucun examen n’est organisé. L’évaluation repose sur trois travaux appliqués, réalisés au fil du cours, chacun correspondant à l’un des modules. Le module « Mesurer le réel » donne lieu à un travail individuel de journalisme de données comprenant un rapport méthodologique et la réalisation d’une Story Flourish (minimum trois diapositives). Le module « Produire du sens » est évalué par la rédaction d’un article journalistique standard consacré à une problématique liée à l’intelligence artificielle et fondé notamment sur un entretien avec au moins un·e expert·e du domaine. Enfin, le module « Stabiliser le vrai » fait l’objet d’un exercice de vérification numérique mobilisant les méthodes de fact-checking et d’investigation en sources ouvertes (OSINT). L’ensemble des évaluations vise à développer la capacité des étudiant·es à mobiliser les concepts du cours dans des situations journalistiques réelles et à justifier de manière critique leurs choix méthodologiques, analytiques et éditoriaux.
Construction de la note (en ce compris, la pondération des notes partielles)
Module 1 : rapport écrit coté sur 20 points, réalisation Flourish cotée sur 20 points (40 points au total).
Module 2 : article journalistique coté sur 30 points.
Module 3 : exercice de vérification OSINT, coté sur 30 points.
Langue(s) d'évaluation
- français