Data journalism—the collection, analysis, and presentation of quantitative datasets as news—has evolved from an exotic specialization practiced by a handful of innovative newsrooms into a core journalistic capability. The Panama Papers, COVID-19 dashboards, election forecast models, and climate change visualizations have demonstrated that data-driven reporting can produce stories of enormous public significance that traditional reporting methods cannot access.

But the field is now confronting a more fundamental transformation: the automation of journalism itself. Generative AI systems can write news articles, create data visualizations, and even conduct preliminary data analysis. This raises a question that goes beyond efficiency: when algorithms participate in producing journalism, who is the gatekeeper? And what epistemological assumptions are embedded in the code that shapes the story?

Reconceptualizing Gatekeeping

Voinea (2025) provides the most cited and theoretically ambitious contribution. While the paper's primary focus is AI-driven news curation and automated journalism broadly, its theoretical framework bears directly on how data journalism fits into a transformed gatekeeping ecology. The paper develops a framework to reconceptualize gatekeeping—the classic media theory concept describing how editors and journalists select what becomes news—in the age of AI-driven news systems.

The traditional gatekeeping model assumed human editorial judgment at every decision point: which stories to pursue, what sources to consult, how to frame the narrative, and when to publish. AI disrupts each of these stages. Algorithmic curation determines what stories reach audiences. Automated systems can generate routine news reports (earnings announcements, sports scores, weather updates) without human involvement. LLMs can draft more complex narratives from structured data.

Voinea integrates classic media theories—gatekeeping, agenda-setting, framing—with computational frameworks to argue that AI creates a new form of "algorithmic gatekeeping" in which editorial decisions are encoded in software rather than exercised by human judgment. The significance is that algorithmic gates are simultaneously more consistent (they apply the same criteria to every item) and less accountable (their criteria are opaque and often proprietary).

Data-Driven Reporting: A Systematic Review

Mintoo (2024) provides a PRISMA-guided systematic review of 65 papers on data-driven journalism, synthesizing findings on how data analytics and visualization have reshaped the news landscape. The review identifies three primary contributions of data journalism: enhanced accuracy (quantitative evidence reduces reliance on anecdotal reporting), deeper storytelling (data visualization enables audiences to explore complex patterns), and increased audience engagement (interactive data presentations outperform static text on engagement metrics).

The review also identifies persistent challenges: data literacy among journalists remains uneven, the infrastructure for data journalism requires investment that many newsrooms cannot afford, and the pressure to publish quickly conflicts with the time required for rigorous data analysis. Perhaps most critically, the review finds that data journalism can create an illusion of objectivity—numbers appear neutral even when the choices about what to count, how to categorize, and what to display are deeply editorial.

The Epistemology of Code

Abhishek and Graves (2024) take a critical code studies approach to examine what programming code reveals about the epistemological assumptions of data journalism. While code underlies much of data journalism, few studies focus on it directly. The authors argue that examining the code—the actual scripts, data processing pipelines, and visualization algorithms—reveals editorial decisions that are invisible in the published output.

The analysis reveals that coding choices function as epistemic choices: how missing data is handled (deleted, imputed, flagged), how categories are defined (which incidents count as "gun violence"), how outliers are treated (included or excluded), and how uncertainty is represented (or not represented). These choices, embedded in code, determine what the data "says" as surely as editorial decisions determine what a traditional story says. But unlike traditional editorial decisions, coding choices are typically not transparent to audiences and often not articulated even within newsrooms.

Public Understanding and Data Journalism

Peng (2025) examines the downstream effect: does data journalism actually enhance public understanding of complex issues? The study surveys 400 respondents (including news consumers and journalists) to assess audience preferences, trust, and organizational challenges.

The findings are mixed. Audiences report higher trust in data-supported reporting and greater comprehension of complex topics when presented with data visualizations compared to text-only reporting. However, the study also finds that audience data literacy significantly moderates these effects: viewers with low data literacy may misinterpret visualizations, draw incorrect conclusions from correct data, or place unwarranted confidence in data presentations they do not fully understand.

Data Journalism Capability Spectrum

What To Watch

The integration of large language models into data journalism workflows is the most consequential current development. LLMs can translate between natural language and code (enabling journalists without programming skills to analyze data), generate narrative explanations of statistical findings, and even identify newsworthy patterns in large datasets. But LLMs also hallucinate, generate plausible-but-false statistics, and lack the adversarial skepticism that defines good journalism. The newsrooms that navigate this transition successfully will be those that treat AI as a tool that augments human editorial judgment rather than replaces it—and that develop new forms of transparency about where human judgment ends and algorithmic processing begins.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 학술 논문에 인용하기 전에 구체적인 연구 결과, 통계 및 주장은 원본 논문을 통해 반드시 검증해야 한다.

데이터 저널리즘과 컴퓨터 기반 보도: 알고리즘이 이야기를 쓸 때

데이터 저널리즘—정량적 데이터셋을 뉴스로 수집·분석·제시하는 활동—은 소수의 혁신적인 뉴스룸에서만 행해지던 이색적인 전문 분야에서 핵심적인 저널리즘 역량으로 진화해 왔다. 파나마 페이퍼스(Panama Papers), COVID-19 대시보드, 선거 예측 모델, 기후변화 시각화 자료 등은 데이터 기반 보도가 전통적인 취재 방식으로는 접근할 수 없는, 엄청난 공적 의미를 지닌 기사를 생산할 수 있음을 입증했다.

그러나 이 분야는 이제 보다 근본적인 변혁에 직면해 있다. 바로 저널리즘 자체의 자동화이다. 생성형 AI 시스템은 뉴스 기사를 작성하고, 데이터 시각화를 만들며, 예비적인 데이터 분석까지 수행할 수 있다. 이는 효율성을 넘어서는 질문을 제기한다. 알고리즘이 저널리즘 생산에 참여할 때, 누가 게이트키퍼(gatekeeper)인가? 그리고 이야기를 형성하는 코드 속에는 어떤 인식론적 가정이 내재되어 있는가?

게이트키핑의 재개념화

Voinea(2025)는 가장 많이 인용되고 이론적으로도 야심찬 연구를 제시한다. 이 논문의 주된 초점은 AI 기반 뉴스 큐레이션과 자동화 저널리즘 전반에 있지만, 그 이론적 프레임워크는 데이터 저널리즘이 변혁된 게이트키핑 생태계 속에서 어떻게 위치하는지에 직접적으로 관련된다. 이 논문은 AI 기반 뉴스 시스템 시대에 게이트키핑—편집자와 저널리스트가 무엇이 뉴스가 될지를 선택하는 방식을 설명하는 고전적인 미디어 이론 개념—을 재개념화하기 위한 프레임워크를 개발한다.

전통적인 게이트키핑 모델은 어떤 기사를 추진할지, 어떤 소식통에 문의할지, 서사를 어떻게 구성할지, 언제 출고할지 등 모든 의사결정 지점에서 인간의 편집 판단을 전제했다. AI는 이 각각의 단계를 교란한다. 알고리즘적 큐레이션이 어떤 기사가 수용자에게 도달할지를 결정한다. 자동화 시스템은 인간의 개입 없이 정형적인 뉴스 보도(실적 발표, 스포츠 점수, 날씨 업데이트)를 생성할 수 있다. LLM은 구조화된 데이터로부터 보다 복잡한 서사를 초안으로 작성할 수 있다.

Voinea는 게이트키핑, 의제 설정, 프레이밍 등 고전적인 미디어 이론을 계산적 프레임워크와 통합하여, AI가 편집 결정이 인간의 판단에 의해 행사되는 것이 아니라 소프트웨어에 코드화되는 새로운 형태의 "알고리즘적 게이트키핑(algorithmic gatekeeping)"을 만들어낸다고 주장한다. 이 의미는, 알고리즘적 게이트는 동시에 더 일관적이면서도(모든 항목에 동일한 기준을 적용한다) 덜 책임 가능하다(그 기준이 불투명하며 종종 독점적이다)는 데 있다.

데이터 기반 보도: 체계적 문헌 고찰

Mintoo(2024)는 데이터 분석과 시각화가 뉴스 환경을 어떻게 재형성했는지에 관한 65편의 논문을 종합한, 데이터 기반 저널리즘에 대한 PRISMA 기반 체계적 문헌 고찰을 제시한다. 이 고찰은 데이터 저널리즘의 세 가지 주요 기여를 확인한다. 정확성 향상(정량적 근거는 일화적 보도에 대한 의존도를 줄인다), 심층적 스토리텔링(데이터 시각화는 수용자가 복잡한 패턴을 탐색할 수 있게 한다), 수용자 참여 증대(인터랙티브 데이터 표현은 참여 지표에서 정적인 텍스트보다 우수한 성과를 보인다)가 그것이다.

또한 이 고찰은 지속적인 과제들도 확인한다. 저널리스트들의 데이터 리터러시는 여전히 불균등하고, 데이터 저널리즘을 위한 인프라는 많은 뉴스룸이 감당하기 어려운 투자를 필요로 하며, 신속한 출고 압박은 엄밀한 데이터 분석에 필요한 시간과 충돌한다. 아마도 가장 중요한 점은, 이 고찰이 데이터 저널리즘이 객관성의 환상을 만들어낼 수 있다는 점을 발견한다는 것이다. 즉, 무엇을 집계하고, 어떻게 분류하며, 무엇을 표시할지에 대한 선택이 깊이 편집적임에도 불구하고, 숫자는 중립적으로 보인다.

코드의 인식론

공중 이해와 데이터 저널리즘

Abhishek와 Graves(2024)는 비판적 코드 연구 접근법을 통해 프로그래밍 코드가 데이터 저널리즘의 인식론적 가정에 대해 무엇을 드러내는지 검토한다. 코드는 데이터 저널리즘의 상당 부분을 뒷받침하지만, 이를 직접적으로 다루는 연구는 거의 없다. 저자들은 실제 스크립트, 데이터 처리 파이프라인, 시각화 알고리즘 등 코드를 살펴보면 최종 출판물에서는 보이지 않는 편집 결정들이 드러난다고 주장한다.

분석 결과, 코딩 선택은 인식론적 선택으로 기능하는 것으로 나타났다. 즉, 결측 데이터를 어떻게 처리하는지(삭제, 대체, 표시), 범주를 어떻게 정의하는지(어떤 사건을 "총기 폭력"으로 볼 것인지), 이상값을 어떻게 다루는지(포함 또는 제외), 불확실성을 어떻게 표현하는지(혹은 표현하지 않는지)가 이에 해당한다. 코드에 내재된 이러한 선택들은, 전통적인 편집 결정이 기존 기사의 내용을 결정하는 것과 마찬가지로, 데이터가 "말하는" 바를 결정한다. 그러나 전통적인 편집 결정과 달리, 코딩 선택은 대체로 독자에게 투명하게 공개되지 않으며, 뉴스룸 내부에서조차 명확히 설명되지 않는 경우가 많다.

공중 이해와 데이터 저널리즘

Peng(2025)은 하류 효과를 검토한다. 즉, 데이터 저널리즘이 실제로 복잡한 문제에 대한 공중의 이해를 향상시키는가 하는 것이다. 이 연구는 뉴스 소비자와 저널리스트를 포함한 400명의 응답자를 대상으로 설문조사를 실시하여 독자 선호도, 신뢰도, 조직적 과제를 평가한다.

연구 결과는 복합적이다. 독자들은 텍스트만 제공된 보도에 비해 데이터 시각화와 함께 제시된 경우, 데이터가 뒷받침되는 보도에 더 높은 신뢰를 보이고 복잡한 주제에 대한 이해도도 더 높다고 응답하였다. 그러나 이 연구는 독자의 데이터 리터러시가 이러한 효과를 상당 부분 조절한다는 점도 발견하였다. 데이터 리터러시가 낮은 독자는 시각화를 잘못 해석하거나, 정확한 데이터로부터 잘못된 결론을 도출하거나, 충분히 이해하지 못한 데이터 제시에 근거 없는 확신을 가질 수 있다.

데이터 저널리즘 역량 스펙트럼

주목할 동향

대규모 언어 모델(LLM)의 데이터 저널리즘 워크플로 통합은 현재 가장 중요한 발전이다. LLM은 자연어와 코드 간의 번역(프로그래밍 기술이 없는 저널리스트도 데이터를 분석할 수 있도록 지원), 통계 결과에 대한 서술적 설명 생성, 대규모 데이터셋에서 뉴스 가치 있는 패턴 식별 등을 수행할 수 있다. 그러나 LLM은 환각을 일으키고, 그럴듯하지만 허위인 통계를 생성하며, 훌륭한 저널리즘을 정의하는 비판적 회의주의가 결여되어 있다. 이 전환기를 성공적으로 헤쳐나가는 뉴스룸은 AI를 인간의 편집적 판단을 대체하는 것이 아니라 증강하는 도구로 활용하고, 인간의 판단이 끝나는 지점과 알고리즘 처리가 시작되는 지점에 대해 새로운 형태의 투명성을 개발하는 곳이 될 것이다.