FactNinja je nástroj pro analýzu vizuálního obsahu, jako jsou plakáty, memy, screenshoty komunikace na sociálních sítích, fotografie s textem, propagandistické materiály, politické reklamní kampaně či jiné typy digitálních vizuálů. Po nahrání obrázku systém spustí sadu specializovaných analýz, které se vzájemně doplňují a společně poskytují komplexní pohled na zkoumaný obsah.
Každá analýza se zaměřuje na jiný aspekt grafického materiálu. Systém například identifikuje text obsažený v obrázku, vyhodnocuje, jaké emoce, postoje či názory se materiál snaží u publika vyvolat, rozpoznává ověřitelná tvrzení vhodná k fact-checkingu, posuzuje pravděpodobnost využití generativní umělé inteligence při tvorbě obsahu, hodnotí důvěryhodnost a potenciálně zavádějící charakter sdělení a detekuje případné manipulační či persvazivní techniky. Součástí analýzy je také odhalování dostupných metadat, například prostřednictvím EXIF analýzy, a posuzování možné manipulace s obrazem, například na základě změn v kompresi u JPG souborů.
Tato vícevrstvost je záměrná. Jednoduchý verdikt typu „pravda“ nebo „lež“ by mohl být zavádějící: propaganda často pracuje s pravdivými výroky zasazenými do manipulativního rámce, zatímco i poctivá komunikace může obsahovat nepřesné či neobratné formulace. Namísto jednoznačného závěru proto nabízíme rozklad obsahu do jednotlivých vrstev, které si uživatel může sám poskládat do vlastního úsudku.
Tento text vysvětluje, jak naše nástroje fungují uvnitř: z jakých vědeckých principů vycházejí, v čem jsou jejich silné stránky a kde leží jejich limity.
Co se stane, když nahrajete obrázek k analýze
V okamžiku, kdy kliknete na Analyzovat, spustí systém na pozadí kaskádu samostatných úloh. Každá řeší jeden aspekt obrázku a běží nezávisle — selhání jedné vrstvy zásadně neovlivňuje ostatní. Pokud například technicky selže rozpoznání textu na velmi stylizovaném memu, hlavní analýza i emoční rozbor pokračují. Celá kaskáda typicky trvá několik desítek sekund až několik málo minut — záleží na složitosti obrázku a vytížení AI služeb. Při čekání vidíte živé indikátory toho, co se právě děje.
Asistenti a perspektivy analýzy
Když si při zadávání analýzy vybíráte asistenta, nevybíráte primárně mezi různými velkými jazykovými modely (LLM), ale mezi různými analytickými rolemi a perspektivami. Každý asistent je definován odlišnou sadou instrukcí, které určují jeho priority, způsob interpretace obsahu a aspekty, na které se při analýze zaměřuje. Model představuje „motor“ analýzy, zatímco asistent určuje, jakým způsobem bude tento motor při hodnocení obrázku využit.
Výchozí asistent FactNinja nabízí vyvážený pohled a prochází klíčové aspekty analýzy. Další asistenti mají vlastní specializace a zaměření, které jsou popsány přímo v aplikaci při jejich výběru.
Stejný obrázek analyzovaný různými asistenty proto může vést k odlišným akcentům — a to je záměr, nikoli chyba. Jeden vizuální materiál lze legitimně interpretovat z více úhlů a jeho účinek se může výrazně lišit podle publika, kulturního kontextu nebo osobních postojů příjemce.
Například černý humor může u jedné skupiny vyvolat pobavení, radost nebo pocit sounáležitosti, zatímco u jiné skupiny může vyvolat vztek, odpor či rozhořčení, zejména pokud sympatizuje s osobou nebo skupinou, kterou obrázek karikuje. Obě reakce mohou být legitimní a vypovídají o tom, jak různorodě lidé stejný obsah vnímají. Taková rozdílnost interpretací je přirozenou součástí lidské komunikace a sama o sobě nepředstavuje chybu v analýze.
Panel Visual Insights shrnuje dosavadní pohledy na analyzovaný materiál, ale jeho hlavní funkcí je vysvětlit, jaké emoce, postoje a reakce se může obsah snažit u publika vyvolat. Nejde tedy pouze o souhrn předchozích analýz, ale o samostatnou interpretační vrstvu, která pomáhá pochopit psychologický a komunikační účinek vizuálu.
Tato část vychází z několika vědeckých modelů práce s emocemi a mediálním působením, které podrobněji vysvětlíme dále v textu. Díky tomu lze stejný materiál nahlížet nejen z hlediska faktické správnosti, ale také z hlediska toho, jak působí na různé skupiny publika.
Jak FactNinja analyzuje grafické materiály
FactNinja při analýze vizuálního obsahu využívá několik typů nástrojů umělé inteligence. Základem jsou multimodální jazykové modely schopné pracovat s obrazem i textem, aktuálně zejména modely GPT-5 a GPT-5-nano od OpenAI. Tyto modely dokážou číst text v obrázku, popisovat vizuální prvky, rozpoznávat vztahy mezi nimi a interpretovat obsah v přirozeném jazyce.
Jestliže například systém analyzuje plakát s Leninem, nejde mu pouze o rozpoznání známé tváře. Model sleduje také styl grafiky, typografii, barevnost, kompozici, rétorické prvky a historické souvislosti. Může tak identifikovat odkazy na sovětský konstruktivismus, propagandistický jazyk nebo vizuální vzorce typické pro určité politické či ideologické materiály.
Součástí analýzy jsou také specializované nástroje, například Google Vision AI a nástroje Google Fact Check. Ty pomáhají doplnit jazykovou interpretaci o technické a kontextové informace: mohou například rozpoznávat objekty a text v obraze, dohledávat výskyt podobného nebo stejného obrázku na internetu, zjišťovat, kdy a kde se obrázek objevil, a ověřovat, zda již nebyl v minulosti vyhodnocen jako nepravdivý, zavádějící nebo související s fake news.
Je však důležité zdůraznit, že AI „nevidí“ obrázek stejně jako člověk. Nemá vlastní zkušenost, intuici ani kulturní citlivost v lidském smyslu. Pracuje s naučenými vzorci a souvislostmi, které si vytvořila během trénování na rozsáhlých souborech textových a obrazových dat. Díky tomu dokáže rozpoznávat opakující se vizuální, jazykové a významové vzorce, ale není neomylná.
Někdy může systém přisoudit obrázku význam, který v něm ve skutečnosti není. Jindy naopak přehlédne drobný detail, kulturní narážku, ironii nebo lokální kontext, který lidský pozorovatel zachytí okamžitě. Proto je nutné chápat výstup analýzy jako kvalifikovanou interpretaci, nikoli jako definitivní verdikt.
⚠ Klíčový princip: FactNinja je analytický pomocník, ne soudce. Jeho výstupy mají sloužit jako výchozí bod pro vlastní kritické přemýšlení. Právě proto kombinujeme více analytických perspektiv, vědecké modely a transparentní metodiku: aby měl uživatel dostatek podkladů k vytvoření vlastního informovaného úsudku.
Vedle hlavní textové analýzy vrací FactNinja také strukturovaný výstup klíčových prvků analyzovaného materiálů. Ten je důležitý proto, že umožňuje s výsledky dále pracovat: zobrazovat je ve vizualizacích, například v grafech, mapách nebo přehledových diagramech, filtrovat je podle kategorií a využívat je pro další analytické zpracování.
Strukturovaná data zachycují několik klíčových vrstev analýzy. Klíčová témata představují seznam prvků, které systém v obrázku rozpoznal — od konkrétních objektů a osob přes vizuální styly až po abstraktní koncepty, ideologické rámce nebo komunikační motivy.
Ověřitelná tvrzení jsou konkrétní výroky, které lze nezávisle ověřit pomocí dostupných zdrojů. Každé tvrzení může být označeno statusem, například jako pravdivé, částečně pravdivé, nepravdivé, zavádějící nebo neověřitelné. Tato vrstva pomáhá oddělit faktickou rovinu sdělení od jeho emočního či rétorického působení.
Detekované logické klamy označují argumentační chyby nebo problematické způsoby přesvědčování, které se v materiálu mohou objevovat. Jsou propojeny s naším slovníčkem logických klamů, aby bylo možné jednotlivé techniky snadno vysvětlit, porovnat a zasadit do širšího kontextu mediální gramotnosti.
Součástí strukturovaného výstupu je také laické shrnutí — krátké a srozumitelné vysvětlení určené pro člověka, který nezná širší kontext analyzovaného materiálu. Jeho cílem je rychle přiblížit, o co v obrázku jde, jaké sdělení pravděpodobně předává a proč může být relevantní.
Visual Insights: mapování emočního působení
Visual Insights je jedna z hlavních funkcí FactNinji. Zaslouží si samostatné vysvětlení, protože nestojí jen na volné interpretaci obrázku, ale vychází z vědeckých modelů používaných v psychologii emocí a mediální analýze. Tyto modely pomáhají popsat, jaké emoce, postoje a reakce se může vizuální materiál snažit u publika vyvolat.
K funkci Visual Insights se dostanete z každé analýzy přes tlačítko Visual Insights, které otevře samostatnou stránku s emočním profilem analyzovaného materiálu.
🎯 Klíčová zásada: Visual Insights neříká, co osobně cítíte vy. Popisuje, jaký emoční účinek se materiál pravděpodobně snaží vyvolat. Stejný plakát může v jednom divákovi probudit hrdost, zatímco v jiném odpor nebo vztek. Analýza se proto nezaměřuje na individuální reakci konkrétního člověka, ale na pravděpodobný komunikační záměr a emoční konstrukci materiálu.
Plutchikovo kolo emocí
Jedním z modelů, ze kterých Visual Insights vychází, je Plutchikovo kolo emocí. Americký psycholog Robert Plutchik představil v roce 1980 psychoevoluční teorii emocí, podle níž emoce nejsou pouze kulturními konstrukty, ale hluboce zakořeněnými reakcemi, které se vyvinuly jako součást lidského přežití.
Strach nás například upozorňuje na nebezpečí, hněv mobilizuje energii k obraně nebo odporu, radost podporuje sociální vazby a důvěra umožňuje spolupráci. Plutchik rozlišil osm základních emocí, z nichž se podle jeho modelu skládají složitější emoční stavy podobně, jako se barvy skládají z několika základních odstínů.
Tyto emoce uspořádal do kruhu: emoce, které spolu sousedí, mají k sobě významově blízko, zatímco emoce umístěné proti sobě tvoří protiklady. Tento model umožňuje lépe popsat, zda materiál pracuje například se strachem, hněvem, odporem, důvěrou, radostí nebo jejich kombinacemi.
V aplikaci u každé z osmi emocí udáváme intenzitu na škále 0 až 100, podle toho, jak silně materiál tuto emoci vyvolává. V grafu Plutchikova kola se to zobrazuje jako „rozkvetlý květ" — čím delší okvětní lístek určité barvy, tím silnější emoční apel daného typu. Heroizovaný portrét vůdce s vlajkou typicky vykazuje vysoké hodnoty radosti, důvěry a očekávání. Plakát varující před nepřítelem zase silný strach, znechucení a hněv (jako na ilustraci výše).
Dyády — složené emoce
Plutchikova teorie pracuje také s kombinacemi základních emocí. Pokud se dvě sousední emoce v jeho modelu propojí, vznikají takzvané dyády — složené emoční stavy s vlastním významem.
Například radost spojená s důvěrou vytváří lásku, strach spojený s překvapením může vést k úžasu, smutek se znechucením vytváří lítost a hněv v kombinaci s očekáváním může souviset s agresivitou.
Sekce Dyády ve Visual Insights ukazuje, které z těchto emočních kombinací jsou v analyzovaném materiálu nejsilnější. Právě tyto složené emoce často lépe vystihují komunikační záměr než samotné základní emoce. Materiál totiž obvykle nepracuje jen s jednou izolovanou emocí, ale s jejich kombinací: například se strachem a očekáváním, hněvem a znechucením nebo radostí a důvěrou.
Russellův model — valence a aktivace
Druhým vědeckým východiskem Visual Insights je Russellův model emocí, publikovaný rovněž v roce 1980. Americký psycholog James A. Russell navrhl, že emoce lze popsat pomocí dvou základních rozměrů: valence a aktivace.
Valence vyjadřuje, zda je emoční prožívání spíše příjemné, nebo nepříjemné. Například radost, důvěra nebo naděje mají pozitivní valenci, zatímco strach, hněv nebo znechucení mají valenci negativní.
Aktivace označuje míru vnitřního vzrušení nebo mobilizace. Některé emoce jsou klidnější a tlumenější, například smutek nebo důvěra. Jiné jsou vysoce aktivující — například hněv, strach, panika nebo nadšení. Tento rozměr je důležitý zejména u propagandistických a politických materiálů, které často neusilují pouze o předání informace, ale o mobilizaci publika k určitému postoji nebo jednání.
Russellův model tak pomáhá rozlišit nejen to, zda materiál působí pozitivně nebo negativně, ale také to, zda diváka spíše uklidňuje, nebo aktivizuje. Právě kombinace valence a aktivace umožňuje lépe pochopit emoční strategii analyzovaného vizuálu.
Například válečný plakát často míří do oblasti nepříjemných a zároveň aktivujících emocí, tedy do prostoru úzkosti, vzteku nebo mobilizace. Plakát s heroizovaným vůdcem může naopak směřovat do oblasti pozitivní aktivace, například k nadšení, hrdosti nebo radosti. Materiál zobrazující zničenou zemi a hladovějící děti se pravděpodobně posune směrem k úzkosti, smutku, hněvu nebo bezmoci.
Plutchikova kruhová mapa a Russellova dvourozměrná mapa se navzájem doplňují. První model pomáhá pojmenovat konkrétní základní a složené emoce, druhý ukazuje jejich celkovou orientaci podle příjemnosti či nepříjemnosti a míry aktivace. Společně tak poskytují přesnější obraz emoční strategie analyzovaného vizuálu.
Úroveň manipulace
Vedle emočního rozboru vyhodnocuje Visual Insights také celkovou úroveň manipulace. Jde o syntetické hodnocení, které kombinuje několik vrstev analýzy: intenzitu vyvolávaných emocí, počet a typ použitých rétorických či manipulačních technik a celkovou sílu přesvědčovacího působení materiálu.
Čtyřstupňový ukazatel manipulace zobrazuje celkovou úroveň manipulačního působení. Šipka ukazuje, kam spadá aktuální analýza. Vysoká hodnota neznamená automaticky, že materiál lže; ukazuje především sílu přesvědčovacího aparátu.
Úroveň manipulace proto neměří pravdivost obsahu. Měří intenzitu prostředků, kterými se materiál snaží ovlivnit interpretaci, emoce nebo reakci publika.
OCR — jak získáváme text z obrázků?
Mnoho vizuálních materiálů obsahuje podstatnou část sdělení přímo v textu. Proto je jedním z prvních kroků analýzy jeho automatické rozpoznání pomocí technologie OCR (Optical Character Recognition).
FactNinja využívá pro rozpoznávání textu multimodální modely schopné současně pracovat s obrazem i jazykem. Tyto systémy si poradí nejen se standardním tiskovým písmem, ale také se stylizovanou typografií, rukopisnými prvky, fotografovaným textem pořízeným pod úhlem nebo textem zachyceným v nízké kvalitě, například na mobilních screenshotech.
Verbatim extrakce
Základním principem našeho OCR je věrnost původnímu zdroji. Text přepisujeme přesně tak, jak se v obrázku nachází — bez oprav překlepů, bez doplňování chybějících slov a bez jazykových úprav.
Pokud je na plakátu použit zastaralý pravopis, neobvyklá interpunkce nebo dokonce tisková chyba, zachová se i ve výstupu OCR. Tento přístup je záměrný. OCR vnímáme především jako způsob dokumentace zdroje, nikoli jako redakční přepis.
Takové detaily mohou být důležité například při datování materiálů, určování jejich původu nebo při ověřování autenticity. Pro historiky, novináře, výzkumníky i fact-checkery mohou zdánlivě drobné jazykové odchylky představovat cenné vodítko.
Automatický překlad
Pokud je rozpoznaný text v jiném jazyce, než jaký používáte v rozhraní aplikace, FactNinja může zobrazit jak původní znění, tak jeho překlad.
Originální text ponecháváme vždy k dispozici, protože představuje primární zdroj informací a zachovává forenzní hodnotu materiálu. Překlad slouží jako pomocný nástroj pro porozumění obsahu a usnadňuje práci uživatelům, kteří daný jazyk neovládají.
Díky kombinaci OCR, detekce jazyka a automatického překladu lze analyzovat i materiály pocházející z odlišných jazykových a kulturních prostředí, aniž by bylo nutné využívat externí překladové nástroje.
AI detekce — vytvořila obrázek umělá inteligence?
S rostoucí dostupností generativní umělé inteligence je důležité rozlišovat, zda analyzovaný obraz pravděpodobně zachycuje skutečnou scénu, nebo zda mohl být vytvořen uměle. V kontextu propagandy, dezinformací a politické komunikace jde o zásadní informaci: fotografie reálné události má jinou důkazní hodnotu než obraz vygenerovaný umělou inteligencí, i kdyby na první pohled působily podobně.
K detekci AI generovaného obsahu využíváme externí službu Sightengine, která vrací pravděpodobnost, že byl obraz vytvořen nebo upraven pomocí generativní umělé inteligence. Výsledek je uváděn v procentech a slouží jako orientační indikátor, nikoli jako definitivní důkaz.
Systém při hodnocení sleduje typické znaky generativních modelů, například neobvyklé obrazové artefakty, nepravidelnosti ve struktuře objektů, problematické detaily u tváří, rukou, textu nebo pozadí a další vizuální vzorce, které se u synteticky vytvořených obrazů objevují častěji než u běžných fotografií.
Je důležité zdůraznit, že AI detekce není neomylná. Kvalitní generované obrázky mohou působit velmi autenticky, zatímco reálné fotografie mohou kvůli kompresi, filtrům, úpravám nebo nízké kvalitě obsahovat znaky podobné AI artefaktům. Proto výsledek AI detekce vždy chápeme jako jeden z kontextových signálů, který je nutné číst společně s dalšími vrstvami analýzy.
Důležité je vědět, co AI detekce nedokáže. Foto-realistické generace nejnovějších modelů občas proklouznou s nízkou pravděpodobností. Upravené reálné fotografie (Photoshop, deepfakes založené na reálných záběrech) detekce nemusí zachytit. A celkově platí, že 70% AI pravděpodobnost neznamená „určitě AI" — znamená to „AI signál je silný, ale lidský úsudek je nutný". Skóre je nástroj pro zaměření vaší pozornosti, ne automatický verdikt.
Vícejazyčnost — analýza dostupná napříč jazyky
FactNinja podporuje šest jazyků: češtinu, angličtinu, slovenštinu, polštinu, němčinu a španělštinu. Texty analýz a komentáře se mezi těmito jazyky automaticky překládají na pozadí. Pokud autor vytvoří analýzu například v češtině, systém ji automaticky zpřístupní také v ostatních podporovaných jazycích.
Uživatelé tak mohou číst obsah v jazyce, který odpovídá jejich nastavení nebo preferencím. Česká analýza ruského propagandistického plakátu se tím může stát srozumitelnou i pro anglické, slovenské, polské, německé nebo španělské publikum, aniž by autor musel vytvářet více jazykových verzí ručně.
Limity nástroje — co FactNinja nedělá
Aby bylo možné s výsledky pracovat správně, je důležité jasně říct i to, co od FactNinji očekávat nelze. Nekritická důvěra v AI nástroje může vést ke špatným závěrům. Správně nastavená očekávání z nich naopak dělají užitečné analytické pomocníky.
Nehodnotíme „pravdu" jako celek
FactNinja neukončuje analýzu jednoduchým verdiktem typu „pravda“ nebo „lež“. Vizuální materiál může obsahovat pravdivá tvrzení zasazená do manipulativního rámce, nepravdivá tvrzení podaná neutrálním tónem nebo symbolická sdělení, u nichž otázka pravdivosti nedává jednoduchý smysl.
Visual Insights popisují emoční a přesvědčovací působení materiálu. Augmented data pomáhají identifikovat konkrétní ověřitelná tvrzení. Celkový úsudek však zůstává na uživateli.
Nezachytíme všechno
AI systémy mohou chybovat. Někdy přisoudí materiálu význam, který v něm není, jindy přehlédnou důležitý detail, kulturní narážku nebo lokální kontext. Proto je vždy potřeba vlastní úsudek, porovnání s dalšími zdroji a u důležitých případů také konzultace s odborníky.
FactNinja pomáhá analýzu zrychlit, zpřehlednit a strukturovat. Nenahrazuje však lidské kritické myšlení.
Nejsme náhrada za novinářskou ani odbornou práci
Analýza propagandistického nebo podezřelého vizuálu u FactNinji nekončí. Reverzní vyhledávání obrázků může pomoci zjistit, odkud materiál pochází. Archivní databáze mohou ukázat, kdy se obrázek poprvé objevil. Konzultace s historiky, regionálními experty nebo fact-checkery může doplnit kontext, který AI sama nemusí znát.
FactNinja je výchozí bod. Další práce zůstává lidská.
Vědecké základy
FactNinja vychází z několika ověřených teorií z oblasti psychologie emocí, mediálních studií, rétoriky a analýzy propagandy.
Emoce a propaganda
Základem emoční analýzy je mimo jiné práce Roberta Plutchika, který v roce 1980 formuloval psychoevoluční teorii emocí a model osmi základních emocí. Důležitým východiskem je také Russellův circumplex model emocí, který popisuje emoce pomocí dvou rozměrů: valence a aktivace. Na širší debatu o univerzálních emocích navazuje také práce Paula Ekmana o základních emocích napříč kulturami.
Rétorické a manipulační techniky
Při popisu přesvědčovacích mechanismů navazujeme na klasické práce z oblasti psychologie přesvědčování a argumentace. Robert B. Cialdini popsal principy sociálního vlivu, jako jsou autorita, reciprocita, sociální důkaz nebo vzácnost. Steven A. McCornack formuloval teorii informační manipulace, která ukazuje, že manipulovat lze nejen lží, ale také vynecháním, nejasností nebo posunem relevance. Douglas Walton systematicky zpracoval oblast neformální logiky a argumentačních klamů.
Vizuální propaganda a média
Pro analýzu propagandy navazujeme také na klasické i současné práce mediálních studií. Jacques Ellul patří mezi klíčové autory moderní teorie propagandy. Současnější rámec nabízí například práce Jowetta a O’Donnell, kteří popisují propagandu jako systematický pokus ovlivňovat postoje, vnímání a chování publika.
Jak číst analýzu kriticky — tři pravidla
1. Visual Insights popisují záměr, ne pravdu
Vysoká míra strachu, hněvu nebo úzkosti může znamenat, že materiál pracuje s poplašným apelem. Takový apel ale může být oprávněný, například jako varování před skutečnou hrozbou, nebo zneužitý, pokud vytváří umělou paniku. Visual Insights ukazují emoční strategii materiálu; správnou interpretaci určuje až širší kontext.
2. Manipulace není totéž co lež
Vysoká úroveň manipulace znamená, že materiál silně formuje interpretaci, emoce nebo reakci publika. Nemusí to však automaticky znamenat, že obsahuje nepravdu. Dobře připravená veřejně prospěšná kampaň může být výrazně přesvědčovací, a přesto fakticky správná. Naopak klidně formulovaný text může obsahovat nepravdivé tvrzení.
Manipulaci proto chápeme jako míru přesvědčovacího působení, nikoli jako automatické označení něčeho špatného.
3. Více prespektiv vede k lepšímu úsudku
Jeden vizuální materiál lze analyzovat z více perspektiv. Asistentské analýzy, Visual Insights, OCR, překlady, augmented data, detekce AI obsahu nebo reverzní vyhledávání obrázků tvoří jednotlivé vrstvy jedné širší skládačky.
Žádná z těchto vrstev není konečným slovem. Smyslem FactNinji je poskytnout nástroje, transparentně popsat metodiku a nabídnout vědecky podložené podklady. Finální interpretace zůstává na uživateli.
— Tým FactNinja