大规模FOI调查应先清洗数据再用AI审计

关键事实

跨机构答复应依次处理文件格式、表格形态、分类命名和统计周期差异。

NotebookLM或Google Pinpoint可帮助汇总答复范围并生成覆盖率矩阵。

单表Excel、Word、多表合并和PDF提取分别有传统工具优先的建议。

先处理答复差异，再寻找报道切口

跨机构FOI项目最先遇到的不是分析能力，而是答复无法直接放在一起比较。文章建议按阶梯处理：先把不同文件统一提取为CSV，再处理宽表转长表、分类命名和统计周期的差异，例如财年与自然年不能未经说明地混用。只有先把这些口径问题拆开，记者才知道哪些机构真正回答了同一个问题。

答复粒度往往比请求想象的更不一致。文章以医院犯罪调查为例：并非所有警队都能同时提供罪名、医院名称和处置结果三者的关联数据。缺失本身就是调查范围的一部分，不能把没有交集的字段强行拼成完整统计。

让AI审计覆盖面，但不替代数据清洗

在全量答复收齐后，NotebookLM或Google Pinpoint可以帮助记者批量审查文件覆盖范围，生成覆盖率矩阵，快速看出哪些问题得到回答、哪些机构只提供了部分信息。素材将这类工作放在高价值、低风险的场景：AI用于整理和发现缺口，报道判断仍要回到原始答复。NotebookLM的处理上限为50篇文档，也必须纳入项目设计。

对于具体提取，文章反而主张传统工具优先。单表Excel和Word可以直接复制粘贴；多工作表合并优先使用OpenRefine；PDF表格首选Tabula。这些工具更快、更准确、可解释性更强，也能避免记者把基本的数据处理能力完全外包给黑箱。

AI写代码，记者自己运行和复核

直接让AI从PDF提取数据，容易得到一份难以解释的结果。即使提示词要求合并相邻行并核对总和，记者仍可能无法知道模型怎样判断表格结构。文章给出的折中办法，是让AI生成Python脚本，再由记者在Google Colab中自行运行；脚本的步骤、输入和检查结果可以被保存并回看。

这套流程的重点不是把AI排除在调查之外，而是把它放在可审计的位置：传统工具负责稳定提取，AI负责覆盖率整理或代写重复代码，记者负责定义字段、检查异常和解释缺失。大规模FOI调查因此不是“把文件交给AI”，而是先建立人能复核的清洗阶梯，再把自动化放进明确的边界。