【專訪】《READr》總編輯簡信昌、製作人李又如
「在《READr》最有趣的就是，可以做自己想做的新聞，不用去服膺於任何新聞定義。」
「新聞還有沒有更多的可能性？」《READr》的成立源自於這個提問。它是綜合新聞雜誌《鏡週刊》（Mirror Media）旗下媒體，致力於以資料做新聞與各種內容實驗，也包括試著實踐「開放編輯室」概念。
2023年，《READr》推出第一個虛擬實境專題〈房間：流亡港人的臺北記憶〉，帶著讀者走進流亡港人在台北的房間。此專題獲得2024亞洲卓越新聞獎（SOPA Awards）新聞報導創新獎二獎；體現「開放編輯室」概念的群眾協作報導，也是《READr》經常出現的重要專案，包括〈政見不失憶〉的選舉政見協作平台、〈數讀政治獻金〉的數位化協作平台，以及〈中央政府總預算案〉的審查監督平台。
2025年初，《READr》推出全新社群平台Mesh（讀選），企圖創造一個沒有讓人摸不透的演算法的媒體環境，讓讀者的閱讀能夠直接回饋給喜愛的媒體。
所有不同於傳統新聞媒體邏輯的嘗試，都是在尋找新聞在這個時代的可能性。《READr》團隊目前有一位總編輯、四位記者（一位兼任製作人、一位兼任社群），並視需求，由鏡週刊程式設計中心的產品經理（PM）、設計師及工程師參與協助。總編輯簡信昌、專題製作人李又如接受《田間》專訪，分享他們如何運用資料思維，拓展新聞生態的更多可能性。
田間（以下簡稱田）：當初成立《READr》的契機和過程？
簡信昌（以下簡稱簡）：2012年，英國出版社 Oreilly & Associates Inc 出版了資料新聞手冊《The Data Journalism Handbook》，那時候，資料新聞在國外正夯，但國內還沒有人做。2015年我加入《報導者》，那是我第一次轉職到媒體工作，當時《報導者》有幾位剛從新聞所畢業的新記者，大家都對資料新聞蠻有興趣，我們組成讀書會來讀這些東西。
一年後我到了《鏡週刊》，我還是覺得資料新聞有趣，所以跟老闆提要做，他也答應了，原來的想像是在週刊做，在週刊有自己的版面。後來會成立《READr》與兩件事有關，一是資料新聞開始在台灣被討論；另一件事是，大概2012年到2015年之間，新聞流量的來源，Facebook佔大約75%到80%，後來慢慢減少了，現在可能Google或其他平台還多一點。所以大家（從那個時候）開始討論，媒體收益或經營方式有沒有其他可能性，我覺得這個東西會蠻有趣的，但要做各種實驗，不可能在週刊做，所以順勢另外成立一個小的新聞網站。
田：不是附上數據或圖表的報導就叫做「資料新聞」。那你們是如何定義什麼是「資料新聞」？
李又如（以下簡稱李）：讀者不會在意這個是不是資料新聞，分不分別得出來對他也沒差。資料新聞這一分類比較是業界的事。
基本上，我自己覺得比較貼切的定義是一個英文單字「data-driven story」，故事是由資料驅動。有些常見的誤解是，覺得資料新聞一定要全都是圖表，但對我們來說，「驅動」可能有很多意義。
例如說，同事曾做了一個報導，他去查看犯下重大刑案並患有精神疾病的人的判決書，嘗試從判決書梳理他的病史，我們最後做出一些量化數據，包括大部分的人在犯下這些事之前，其實已經來來回回醫院好幾次，嘗試治療但沒辦法成功。他們並沒有不努力，（報導）破解了這個偏見。在整個報導裡，這可能只佔一小部分，但它是一個很重要的出發點，data driven 的起點。
我們之前也做過用KKBOX排行榜去看華語流行音樂的演變，在這篇報導裡，資料就是主角，所有敘事內容都由資料產生。所以資料（在一篇報導中）的佔比，可能有很多不同的角色。
簡：我們去學校上課常有學生問，拿到資料後我要怎麼做（資料新聞）。通常我的回答是，資料新聞不是一條路，而是有各種方法，至少有兩種。
有一種是，我要做一個題目，有沒有辦法用資料來解釋。例如，川普提高關稅會怎樣影響台灣？因為晶片在美國生產可以免關稅，所以可以從資料去看，台灣去年出口到美國的出口順差，有多少與晶片有關、有多少不是。
另一種是先取得了資料，我們之前也做過。2019年Twitter（現在的X）公布因發表「反送中」假訊息遭停權的帳號清單，我們預先拿到資料，嘗試用各種方式分析這包資料，有沒有什麼特別的地方，有的話值不值得寫。
這兩種方式都可能做出資料新聞，也都有可能失敗。
田：新聞專業學生或文字記者在接觸資料新聞時，最常遇到的問題是什麼？
李：從以前到現在，其實很多新聞裡都有圖表，但我們不會說那是資料新聞，它比較像是寫完一個故事，用資料證明我說的是對的。資料新聞不一樣的是，要從資料找出新的觀點，資料本身是主角，而不是用來證明我原本說的是對的。這是包括我們自己的記者或同學都比較難翻轉的概念。
我覺得培養資料新聞的敏銳度，關鍵在於你有沒有能力把資料當成一個受訪者。其實《READr》是我第二份工作，第一份工作在《新新聞》週刊，我就是很傳統的記者。很多人問我，轉型學寫程式不會很困難嗎？但我其實沒有排斥這件事情，因為我覺得，我的受訪者就在那裡。以前找受訪者，就是打電話、靠自己的人脈。社群網站普及後，假如我想要知道高雄人對一件事情的看法，我可以上Facebook找高雄人討論的社團（用程式抓取社群內容），它能比街訪得到更多資訊，那我就要有相應能力去做這件事。
當你有了這個概念，資料新聞就會在你發想題目時出現。
簡：問問題這件事情蠻重要的。我們去學校或工作坊上課，有時會建議同學，他的資料和想問的問題可以怎麼做，提供ABCDE不同方向的建議，下一次來（上課），他們就真的做ABCDE，我會問他：你想問的到底是什麼？ABCDE有回答你的問題嗎？蠻多時候，他們無法理解所做出的資料，可以回答什麼問題。所以我覺得，問資料問題這件事，可能是比較多沒有接觸到資料的人，會遇到的問題。
我最喜歡舉的例子是，不是資料背景或對資料稍微熟悉的人，大部分拿到資料都先算平均，但平均常常是沒有用的。這很容易看得出來，一個記者有沒有辦法去想像，資料要如何分析，才能回答你的問題意識。我覺得這是在（學習）程式之後，最重要的一件事情。
田：對一位新手來說，你們建議如何培養做資料新聞的能力？
李：實際去做。我覺得我能夠學起來，是因為我是需求導向，我學這個東西，是我先有一個問題，想用程式語言去解決，所以去搜尋怎麼做。你學了馬上用，知道為什麼要學，用了之後有什麼問題，這個學習路徑是比較有成就感的。
但它會有個困難點是，假設一般人學習R語言是一步一步上去，但我可能一開始就要跳到某個程度的內容，這會有痛苦。但大概過了半年後，我也開始知道說，我現在在做什麼，當我有很多專案用到（R語言）後，我也會把前面補起來，到現在我可以說，我對R語言是非常熟悉的。
比起你去買一個線上課程，倒不如從想到的資料新聞題目，然後試著做做看，看你缺什麼，嘗試把它學起來。當時對我來說的困難，當然是我是自學，完全沒有背景。但這個困難現在完全不是問題，以前我要爬很多論壇，才知道我要用什麼code，現在直接問ChatGPT，門檻相對低很多。
田：《READr》所做的內容、團隊組成與主流媒體不同，很好奇團隊的報題、編採流程？
李：以前我們做題目是，記者報題，沒問題，就自己把所有採訪做完，下次跟編輯見面就是交稿的時候。但在這邊，光是分析資料、確認題目可不可以做，可能短則一週，長可能會到兩個月。在這個過程中，我們還不確定會挖掘到什麼東西，所以我們每天都會有daily meeting，每個報告一下自己進度，有做出結果就分享一下，大家會去討論結果有沒有符合大家預期、還可以往什麼方向做、做哪些分析，直到它可以凝聚成一個有問題意識的題目。
確定題目成形之後，我們會確認它需不需要做成特製頁面，工程師和設計師（從這個階段）會開始參與討論。
以前我們比較常做特製頁面。像是夾娃娃的題目，我覺得用文字沒辦法呈現夾娃娃很好玩這件事，寫得再厲害都沒辦法讓讀者體驗到，所以當時很希望特製網站可以做到這件事。
另一個例子是，我之前做原住民傳統領域的題目，後來發現一個問題是，我的讀者有可能是很知道這個議題，另一種是完全不知道發生什麼事，所以思考有沒有可能同時滿足兩種讀者的做法。後來決定用卡片式，一張圖講的東西不多，但可以透過按鈕暗示，你想要知道更多的話，會再拋出更深的議題。
在這個過程中，我們要去討論形式要怎麼做，形式一旦確認，其實我要交的不是完整稿子。形式會影響我交稿的東西。確定之後，就分成記者編採、設計師、工程師三條平行線去做。
但現在我們比較少做特製頁面，因為久了之後，發現有些東西是一直重複的，像是滑鼠滑動時，圖片與文字隨之更換（的特製頁面呈現形式）。所以這幾年，我們比較多朝向開發套件。把想呈現的功能做成套件，工程師開發完就可以退場，記者下次要用套件時，只要把資料輸入進去，就可以產生他要的內容。
簡：其實我們有一些題目不是記者發起的，因為我們團隊組成比較特殊，開會時也允許（記者之外）其他人提題目，之前白色恐怖的題目，其實是我們PM（產品經理）提的題目。
靠著《READr》過去做的東西，不管是技術還是內容，比較容易吸引到對議題有興趣的（人），不只記者，也包括PM、設計師或工程師。所以有時候，他們也會有自己的想法。
田：《READr》也強調使用者體驗，這部分指的是什麼呢？
李：它其實分成兩塊，一部分是使用者體驗的實驗，回歸這個單位「程式設計中心」的本質，它本來就要負責鏡集團所有網站。舉例來說，我們一開始在做特製頁面時，很常放按鈕，想說文章寫得很長，有人會覺得看不完，所以就把一些重要內容藏在按鈕裡，但實務上的點閱率大概只有5%。
其實我覺得做資料新聞的人，可能都有這樣的路徑，一開始都做很fancy的東西，後來就越來越少，這些都是因為實務經驗得到的結論。有了這個（使用者體驗）數據，鏡集團（的網站）如果有類似的需求，我們以之前實測效果的經驗基礎提供建議
另一部分是「協作」這件事。我們之前做過政治獻金、選舉政見這類的協作專案，它回歸《READr》的概念精神──開源。我們除了開放新聞資料之外，也會把我們做過的網站程式碼公開。為什麼要做這件事？用選舉政見專題來說，其實一開始我們是收集六都市長政見，如果只有《READr》四位記者來做，到選舉前我們只能做到六都市長，但如果架成一個平台，把所有方法論開放的話，有機會把議員政見也放進來，這個資料的scope（規模）就可以變得很大。
政治獻金一開始是g0v發起的，但當時（2014年）他們只有做七位政治人物。我們做政治獻金（專題）時，是到監察院把所有資料印出來，自己人工校對，把資料數位化。起初只做第九屆（立法委員），有想說應該再往前（幾屆）去分析，但光第九屆就花三個月在處理資料。所以後來我們跟g0v合作，用他們程式，請讀者、鄉民們一起補上前幾屆的資料數位化。做完之後，可以讓大家看到這幾屆政治獻金有什麼變化，這對於讀者或學者其實都幫助很大。
田：這一、兩年有很多AI會取代記者的說法。在資料新聞這一領域，你們是如何看待AI帶來的影響？
李：對資料新聞記者來說，我們覺得AI是很棒的工具。最大的幫助是驗證一個題目可不可行。在過去，如果要做輿論分析，能夠做的分析就只是看哪篇貼文按讚數最高。但是現在，假設我想知道這位立委，是不是都沒在做事、都在跑行程，驗證方式是抓出所有貼文，去標記（labeling）這篇是關於政見分享、這篇是跑行程……，統計出這些標記，就多了一個維度去做輿論分析。
我們最花人力時間的，其實是在標記這些貼文。在還沒有AI之前，我們基本上是自己做或發給工讀生來做。也就是說，要確定一個題目可不可以做，就有很高的成本要克服，花上一個月或幾萬塊。但有了ChatGPT之後，這個問題迎刃而解，因為它在labeling這件事非常強，成本也很低。
所以，對我們來說，最大的改變是可能性。以前因為成本太高而捨棄掉的（題目）驗證，現在我都可以做。某種程度來說，我們可以挑戰更多的可能性。
簡：這裡有一個很有趣的分野。對一般文字記者來說，他們可以想到的是，ChatGPT做labeling很厲害，那我就一篇一篇貼給它，讓它回答。但資料記者就不會這麼想，因為本來就會寫code，所以對我來說十篇和50000篇成本是一樣的──最重要的差別在思考方式。
對於會寫程式的記者來說，AI完全是大加分。比如看判決書，一般記者是丟給ChatGPT，摘要（一份）判決書的內容，但做資料的記者，是讓ChatGPT讀所有判決書，以前要一個月，現在只要兩天。那個（使用AI的思考方式）差別是完全不一樣。
田：經常有人會罵媒體的內容不夠客觀中立，你們也曾遇過被質疑所使用的資料數據嗎？
李：我們做過台北租屋黑市的題目，因為是黑市，所以政府沒有資料，所以我們用了591租屋網的資料，那就會出現一個問題：為什麼是用591的資料？
這個題目的問題意識是，我們想要知道「租屋黑市」有多大，當時我們算出來，合法與非法（沒有報稅）租屋的比例約是1比9，大概算出來比例後，我們後來有採訪崔媽媽基金會執行長呂秉儀、專做租屋市場的永勝資產科技集團執行長徐銘達，他們回答的比例完全符合我們的計算結果。
沒有資料是完美的，所以我們通常會做的事，第一個是揭露，告訴讀者資料哪裡的，再來是過程中會有非常多的驗證，像是會拿資料去詢問專家。這也是為什麼做資料新聞，我們一定會去採訪，去驗證對資料的觀察對不對。
我們會把（做報導的）研究方法，甚至是沒有版權的資料直接公開，如果讀者真的覺得我們做得有問題，可以自己重算確認。所以對我們做報導的中立性質疑比較少。
田：《READr》在2025年年初推出一個全新的新聞社群平台Mesh（讀選），為什麼會建立這個平台？
簡：我們成立《READr》時就在思考新聞媒體的營運有沒有其他的可能性。我以前在Yahoo工作，那時候Yahoo News是全台灣新聞聚合（news aggregation）平台流量最高的網站，現在應該是LINE TODAY，發現說這個東西應該是有機會的，或者說是讀者會有需求的。
Yahoo和LINE都會付錢給媒體，但付給媒體的錢，比起他們靠這些流量賺來的營收來比較，還是非常地少。媒體集結起來，一起做類似LINE TODAY的平台，起心動念是這樣。
不過這會有難題，一是要台灣媒體合作的機率太小了，另一個問題是大家就算合作了，錢要怎麼分。但在解決這些難題之前，我們想或許可以先建立一個平台，如果有媒體願意進來，那會是一個好的契機。
雖然2025年1月才推出Mesh，但其實我們大概三年前就有這個想法，一直是我們團隊的side project。到了2024年，我們拿到Google台灣新聞數位共榮基金，才能名正言順跟老闆提案要做。
Mesh的收入分法有幾個部分，一是文章頁面，我們會扣掉平台營運成本，現在是30%，有70%的廣告費用回到媒體本身；也有很多讀者只看標題，這個流量我們稱為剩餘流量，比如說首頁、分類頁或社群頁面，因為沒有辦法指涉首頁出現的流量是特定媒體貢獻的，所以這些流量產生的盈餘，大部分是分給貢獻流量的讀者，但他們不是拿到現金，我們是發給他們區塊鏈的token（代幣），可以想像成等值新台幣的點數，那讀者用點數在Mesh看付費內容，也可以贊助媒體，媒體可以拿點數來跟我們換錢。我們是嘗試用Web3.0的方式去解決新聞議價的問題。
李：Mesh跟其他平台不一樣的是，以Facebook為例，我們在Facebook貢獻內容，Facebook因此有了很多內容還賺了廣告費，但媒體不但拿不到錢，我們還要付錢讓貼文曝光。但在Mesh是一個合作社的概念，透過廣告賺到的錢，能明確指出是哪家媒體的，那就直接給你，無法的話，我們就分給讀者。
簡：接下來我們希望做的是，因為現在有文字報導，之前也有串接Podcast，那接下來會做影音。已經有媒體在排隊想上傳影音內容，至少會有大家比較熟悉的公廣媒體。
田：現在新聞媒體與自媒體越來越難分野，有很多YouTuber也談新聞、時事。好奇你們怎麼定義「什麼是新聞」？
簡：從《報導者》到《READr》，我一直很好奇「新聞」到底是什麼。幾個月前，我還問了Perplexity這個問題。新聞學的定義是非常晚期的事情，甚至新聞人在講的「新聞是第四權」這件事，是50幾年前才發生的。所以我一直很好奇，新聞到底能不能這麼明確被定義？
我自己對新聞的定義是更廣泛的，讓大家能獲得比較正確、比較新的資訊，我都覺得是好事。像是Mesh上有《區塊勢》，它是小眾到不行的媒體；上面也有《閱讀誌》，有很多人覺得它不是媒體，但它的前身是《中國時報》開卷版，當時算是台灣最重要的藝文版，那《中國時報》開卷版屬於媒體是沒有疑問的。其實大家對於新聞的定義，一直都在改變。
李：定義新聞的人應該是讀者吧。回到Mesh本身，把選擇權交回讀者手上，這是我們的一個目標。
對於要做什麼新聞這件事，其實我們也沒有在管，我們覺得讀者需要，那我們就會去做，比較沒有所謂的框架。
我剛轉成資料新聞時，看了資料新聞學之父 Simon Rogers 的一支課程影片，他說過資料新聞的定義，是為每一個故事找到最適合的（敘事）形式（You’re no longer thinking solely about words. Instead this is about the best possible way to tell that story.）。有人問他，那做一個網站、做一個搜索引擎算不算新聞？他說，他才不管，與其爭論這些定義，不如把時間拿去做更有意義的事。
在《READr》最有趣的就是，可以做自己想做的新聞，不用去服膺於任何新聞定義。像是我們之前做的預算平台，把立法院所有預算資料弄出來，做成一個線上平台，這在一般新聞機構的報題架構下，是比較難做到的事情，畢竟它本身就不是新聞格式，但它在我們這裡是很自然會發生。
【補充資訊】
新聞是第四權的說法：1974 年，美國聯邦最高法院大法官史都華（Potter Stewart）在耶魯法學院演說《Or of the Press》強調新聞媒體應被視為行政、立法與司法三權之外「第四個機構」，其存在目的在於監督與檢查政府權力的運作。
好棒~ 喜歡看對談，訪談，特別對象是HC