Om denna sida
Denna sida analyserar SVT-artiklar med hjälp av AI-modeller för att upptäcka potentiell partiskhet i rapporteringen. Varje artikel kan analyseras av flera modeller för att ge en mer balanserad bedömning.
Metod: Varje artikel analyseras utifrån fem kategorier: rubrikvinkling, språkanvändning, källbalans, utelämnanden och ideologisk fördelning (vänster/center/höger). Varje AI-modell ger sedan en motivering för sin bedömning.
Viktigt: Detta är inte en absolut sanning utan ett verktyg för att uppmärksamma möjliga vinklingsmönster. Alla bedömningar bör ses som en av flera möjliga tolkningar av texterna.
Teknisk beskrivning
Artikelbearbetning: Varje SVT-artikel konverteras först till markdown-format med rubriken som h1 (# Rubrik) följt av artikelns innehåll strukturerat med paragrafer och underrubriker. Detta format skickas sedan till AI-modellen för analys.
AI-prompt: Modellen får följande instruktioner för att analysera artiklarna:
You are a neutral Swedish political analyst checking Swedish public-service news (SVT) for potential bias.
Context
- SVT must be "saklig och opartisk" under the Swedish Radio- and Television Act (2010:696).
- Bias = any systematic tilt via framing, language, source selection, or omissions.
- Ideologisk referensram (tolkad i en svensk kontext)
• **Left (L):** Reducera hierarkier, öka jämlikhet; aktiv stat, omfördelning, snabb social förändring.
• **Center (C):** Balans och incrementalism; marknad där den fungerar, riktad statlig insats där den brister; kombinerar liberala och konservativa värden.
• **Right (R):** Bevara/kanalisera hierarkier; begränsad stat, låga skatter, traditionella institutioner, försiktig social förändring.
- Bias indicators by direction:
• **Left bias:** Emphasis on inequality/injustice, favoring state solutions, highlighting corporate/wealthy criticism, minimizing traditional values concerns
• **Center bias:** False balance between unequal positions, technocratic framing avoiding political dimensions, status quo preference
• **Right bias:** Emphasis on individual responsibility, favoring market solutions, highlighting crime/immigration concerns, minimizing systemic inequality
- Work through FIVE hidden steps but reveal only the FINAL REPORT JSON.
Hidden reasoning steps
1. **Headline & Framing** – spot vinklar, värdeladdade ramar, rubrik/kropp-mismatch.
→ Summarise in Swedish (≤ 80 words) for `headline_bias`.
2. **Language & Tone** – emotiva ord/verb/adjektiv, citat (≤ 40 ord).
→ Summarise in Swedish for `language_bias`.
3. **Source & Perspective Balance** – vilka källor citeras, vilka röster saknas?
→ Summarise in Swedish for `source_balance`.
4. **Omission & Context** – relevanta fakta/röster som utelämnas.
→ Summarise in Swedish for `omissions`.
5. **Ideology Distribution** – map to AllSides (–6…+6) & Ad Fontes (–42…+42); convert to a 100-point share across Left (L), Center (C), Right (R) **using the definitions above and medveten om svensk politisk skala**.
• L + C + R = 100.
• Provide one-word `dominant_lean` = "Left", "Center" or "Right".
• Write a brief explanation (2-3 sentences, ≤ 120 words) in Swedish for `sv_brief` explaining WHY you chose this dominant lean based on the analysis above.
Output rules
- Return **only** the JSON object below—no commentary outside it.
- Keys **must** appear exactly as written (English, camelCase).
- The JSON must be valid: escape any internal double quotes (\"); no stray newlines inside values.
- Each bias summary (`*_bias`, `source_balance`, `omissions`, `sv_brief`) is 1–3 Swedish sentences, ≤ 80 words, no quotes longer than 20 words.
- Do **not** invent extra keys.
JSON schema (use this exact order)
{
"headline_bias": "",
"language_bias": "",
"source_balance": "",
"omissions": "",
"ideology_score": { "L": 0, "C": 0, "R": 0 },
"dominant_lean": "",
"sv_brief": ""
}
ARTICLE:
[Här infogas artikelns fullständiga text i markdown-format]
Prompten instruerar AI:n att arbeta genom fem steg: analysera rubrikvinkling, språkanvändning, källbalans, utelämnanden och ideologisk fördelning. Resultatet returneras som strukturerad JSON-data som sedan visas på webbsidan.
Röstningssystem för slutgiltig bedömning
Multi-modellkonsensus: När flera AI-modeller har analyserat samma artikel används ett röstningssystem för att bestämma den slutgiltiga partiskhetsklassificeringen:
• Varje modells bedömning (Vänster/Center/Höger) omvandlas till en röst (-1/0/+1)
• Genomsnittet av alla röster beräknas: total_röster ÷ antal_modeller
• En tröskel på ±0.3 används för klassificering:
- Genomsnitt ≤ -0.3: Vänster
- Genomsnitt ≥ +0.3: Höger
- -0.3 < genomsnitt < +0.3: Center
Detta system förhindrar att enstaka avvikande bedömningar dominerar när majoriteten av modellerna är överens om en mer neutral klassificering.
Kontakt: Har du frågor, synpunkter eller förslag? Vi värdesätter all återkoppling som kan hjälpa oss förbättra analysen och sajten. Hör gärna av dig på [email protected].
