621.397.13 ТЕЛЕВИДЕНИЕ
Искусственный интеллект в телевещании: формирование новых эстетических стандартов
Ильин Дмитрий Владимирович
Московский государственный университет имени М. В. Ломоносова, г. Москва, Российская Федерация dima.dimo.ilin@gmail.com
Аннотация. Целью исследования является анализ трансформации эстетических стандартов телевизионного контента под влиянием технологий искусственного интеллекта (ИИ). В работе применяются методы сравнительного анализа кейсов внедрения ИИ в международных медиа (Xinhua, Netflix, BBC, «Триколор»), а также теоретический анализ в рамках медиаэстетики и визуальной культуры. Материалом послужили практики использования ИИ в тележурналистике, включая автоматизацию производства, генерацию контента и персонализацию вещания. Результаты показывают, что ИИ формирует новую «алгоритмическую эстетику», характеризующуюся технологическим перфекционизмом кадра, персонализированным нарративом и размыванием традиционного авторства. Научная новизна заключается в систематизации эстетических изменений на формальном, нарративном и социальном уровнях. Практическая значимость исследования связана с выявлением правовых и этических вызовов, требующих разработки новых регуляторных и профессиональных стандартов для устойчивого развития медиасферы.
Ключевые слова. искусственный интеллект, телевещание, медиаэстетика, алгоритмизация, авторское право, виртуальный ведущий, персонализация, этика ИИ.
ARTIFICIAL INTELLIGENCE IN TELEVISION BROADCASTING: THE FORMATION OF NEW AESTHETIC STANDARDS
Ilin Dmitry Vladimirovich
Lomonosov Moscow State University, Moscow, Russian Federation dima.dimo.ilin@gmail.com
Abstract. The aim of the study is to analyze the transformation of aesthetic standards in television content under the influence of artificial intelligence (AI) technologies. The paper uses methods of comparative analysis of AI implementation cases in international media (Xinhua, Netflix, BBC, Tricolor), as well as theoretical analysis within the framework of media aesthetics and visual culture. The material includes practices of using AI in television journalism, including production automation, content generation, and broadcast personalization. The results show that AI is forming a new "algorithmic aesthetics" characterized by technological perfectionism of the frame, personalized narrative, and the blurring of traditional authorship. The scientific novelty lies in the systematization of aesthetic changes at the formal, narrative, and social levels. The practical significance of the research is related to the identification of legal and ethical challenges that require the development of new regulatory and professional standards for the sustainable development of the media sphere.
Keywords. artificial intelligence, television broadcasting, media aesthetics, algorithmization, copyright, virtual presenter, personalization, AI ethics.
Целью данной работы является выявление и систематизация новых эстетических стандартов в телевещании, формируемых под воздействием технологий искусственного интеллекта, а также определение того, как алгоритмические процессы изменяют визуальные и смысловые принципы экранной коммуникации. Исследование направлено на анализ исторической динамики автоматизации телепроизводства и определение качественного скачка, связанного с внедрением ИИ; изучение влияния алгоритмов на визуальные характеристики телевизионного кадра - композицию, цвет, монтаж - и выявление признаков формирования «алгоритмической эстетики»; рассмотрение трансформации понятий авторства и профессиональной идентичности журналиста в условиях алгоритмизации медиапроизводства; систематизацию правовых, этических и социальных последствий интеграции ИИ в телевизионную индустрию, включая изменения коллективного зрительского опыта и формирование новых моделей медиапотребления.
Теоретическая рамка исследования опирается на междисциплинарный подход, объединяющий медиаэстетику (F. Kittler, K. Friedrichs), теорию алгоритмической культуры (T. Striphas, A. Galloway) и постчеловеческую эстетику (R. Braidotti, N. Katherine Hayles). Медиаэстетика рассматривает технологические основания восприятия экранного образа и актуализирует концепции цифровой и алгоритмической эстетики, где технические параметры - разрешение, стабильность изображения, цветовой баланс - приобретают эстетическую значимость. Теория алгоритмической культуры раскрывает, как алгоритмы структурируют производство и потребление культурных продуктов, формируя новые паттерны восприятия. Постчеловеческая эстетика, в свою очередь, ставит под сомнение традиционные представления о творчестве, авторстве и интенции, рассматривая генеративные системы как соавторства, участвующих в создании медиаконтента наряду с человеком. Материалом исследования послужили публично доступные кейсы внедрения ИИ в телевещании, включая виртуального ведущего агентства Xinhua (Китай), систему персонализированных рекомендаций Netflix (США), алгоритмические проекты BBC iPlayer (Великобритания) и российскую инициативу «Мяч новостной» (Триколор ТВ). Дополнительно были рассмотрены современные генеративные инструменты, такие как Midjourney и Sora, демонстрирующие принципы визуального и аудиовизуального синтеза, а также научные публикации и отраслевые отчеты, посвященные влиянию ИИ на медиа (Давыдов, Замков, Крашенинникова и др., 2023; Бортник, 2024).
Методология исследования включает сравнительный анализ кейсов, направленный на выявление общих тенденций и национальных особенностей интеграции ИИ в телевизионное производство, дискурс-анализ публичных высказываний медиаменеджеров и разработчиков для реконструкции нарративов о роли искусственного интеллекта в индустрии, а также визуальный анализ контента, созданного с помощью ИИ, позволяющий определить формальные признаки новой экранной эстетики.
Стремительное развитие искусственного интеллекта (ИИ) радикально трансформирует телевещание: от производственных процессов до способов восприятия экранной эстетики. Сегодня ИИ выступает не просто инструментом автоматизации и оптимизации рутинных операций, но становится структурообразующим фактором медиасреды, который задаёт новые критерии «прекрасного» и переопределяет профессиональные практики телепроизводства.
Истоки автоматизации телевещания уходят в цифровую эру конца XX - начала XXI века, когда информационные технологии начали внедряться в монтажные и эфирные цепочки, обеспечивая ускорение производственных процессов и повышение эффективности работы персонала (Быков, 2012: 3). Историческая эволюция телевидения демонстрирует тесную зависимость между технологическим прогрессом и изменением эстетических норм - от аналогового изображения к цифровому стандартизированному кадру. Современные исследования дополняют эту перспективу, рассматривая телевидение как элемент алгоритмической медиакультуры, где восприятие и производство контента определяются статистическими моделями, а зритель становится участником предиктивного цикла данных (Couldry & Mejias, 2020: 200).
Переход к алгоритмизированному телевидению знаменует качественный сдвиг: ИИ внедряется не только в управление вещательными процессами, но и в эстетическую архитектуру контента, формируя принципы так называемой «алгоритмической красоты» - симметрии, чистоты цвета и визуальной предсказуемости. Таким образом, искусственный интеллект начинает влиять на человеческий опыт восприятия экрана, подменяя авторскую выразительность вычислительной оптимизацией.
Показательным примером является проект Xinhua–Sogou (2018) первый виртуальный новостной ведущий, синтезирующий речь, мимику и жесты в реальном времени. Эта разработка обозначила появление новой категории экранного субъекта - «постчеловеческого медиатора», лишённого утомления и ограничений телесности (Давыдов С. Г., и др. 2023: 137). Подобные решения позволяют существенно сократить издержки на производство новостей, исключая участие операторов, стилистов и гримёров, и превращают эфир в беспрерывный поток данных, а не событий (Бортник, 2024: 85).
Пример Netflix иллюстрирует, как модели машинного обучения перестраивают не только дистрибуцию, но и эстетические ожидания аудитории: алгоритмы рекомендаций анализируют зрительские паттерны и формируют монтажные и драматургические структуры, оптимизированные под удержание внимания (Couldry; Hepp, 2017: 272). Фактически ИИ встраивается в этап нарративного конструирования, превращая художественные решения в статистически обоснованные.
В то же время публичные вещатели, включая BBC, пытаются сохранить культурную миссию телевидения, внедряя ИИ в образовательные сервисы (BBC iPlayer, Bitesize) и одновременно обсуждая этические стандарты прозрачности и подотчётности алгоритмов. Эти примеры демонстрируют противоречие между миссией общественного вещания и коммерческой логикой алгоритмической оптимизации.
В российском медиапространстве ИИ также становится частью телевизионного производства: по данным Давыдова, Замкова и Крашенинниковой (2023), отечественные телеканалы активно экспериментируют с виртуальными ведущими, автоматизацией постпродакшна и аналитикой данных. Первый в России полностью ИИ-сгенерированный телевизионный проект - «Мяч новостной» (Триколор, 2023) - реализует замкнутый производственный цикл от генерации текста до визуального воплощения ведущего, что свидетельствует о формировании нового типа экранной эстетики, где «человеческое» присутствие становится функциональной симуляцией.
Алгоритмизация телепроизводства сопровождается не только автоматизацией процессов, но и выработкой специфической эстетики экранного продукта - устойчивых формальных и смысловых решений, которые оптимизируются под метрики удержания аудитории, стандарты платформ и регламенты вещания. В той мере, в какой телепроизводство встраивается в платформенную логику данных, критерии «красоты» и «качества» начинают задаваться не индивидуальной операторско‑режиссёрской интуицией, а нормами, поддерживаемыми алгоритмами композиции, цветокоррекции, звуковой обработки и нарративной сборки. На формальном уровне ключевым признаком становится композиционная симметрия и центровка: алгоритмы автокадрирования и трекинга лица/взгляда систематически приводят изображение к «центрированной» норме, удерживая ключевой объект в «золотой зоне» и снижая долю асимметричных, «ломаных» композиций. Это напрямую соотносится с грамматикой визуального дизайна, где баланс фигуры и фона повышает «читабельность» и зрительский комфорт (Кресс, ван Лиувен, 2006: 17), и уже закрепилось в студийной и новостной практике российских редакций для ускоренной сборки выпусков и выравнивания дублей (Зуйкина, Разумова, 2025: 139). Цветовая обработка ориентируется на узкие, предсказуемые палитры: skin‑tone preservation, нейтральные фоны, корпоративные цветовые схемы. Так формируется межпроектная совместимость, но сокращается вариативность «живой» фактуры.
Стабильность изображения обеспечивается сочетанием интеллектуальной стабилизации и адаптивного шумоподавления на видео: «дрожание» и мелкие артефакты нивелируются, картинка приобретает «глянцевую гладкость», воспринимаемую как профессионализм, хотя при этом утрачиваются документальные шероховатости (Быков, 2012: 1). Алгоритмическая стабилизация (warp/optical) и пост‑рекомпозиция «вытягивают» динамические планы до линейного стандарта вещания, уменьшая брак и ускоряя производственный цикл. Наконец, автокадрирование по лицу дает «идеальную» посадку головы и плеч под разные соотношения сторон (16:9/9:16/1:1), сопрягаясь с модульной версткой титров и инфографики, что дополнительно консистентно со сборкой контента под мультиплатформенную дистрибуцию. В совокупности этот блок норм институционализирует технологический перфекционизм кадра и переводит эстетические решения в режим автоматизированных пресетов и трекинга, согласующийся с платформенной стандартизацией. Звуковой уровень «алгоритмической эстетики» формируется на пересечении нейросетевого шумоподавления, дереверберации и строгой нормализации громкости (LUFS). Нейросетевые фильтры «отшнуровывают» голос от среды, добиваясь радиофонической разборчивости и соответствия техрегламентам; побочный эффект -стерилизация акустической фактуры и исчезновение «воздуха» помещения, что особенно заметно в репортажных сегментах (Разумова, 2025: 137).
Нормализация громкости выравнивает переходы между ведущим, врезками и рекламными блоками и снижает риск «скачков» при автоплее в клиповой среде, что позитивно сказывается на удержании (Хатчинс, Бойл, 2017: 220; Биллинс, 2016: 300). Одним из ключевых вызовов остаётся сохранение качества журналистики: нормализация и агрессивная очистка звука не должны маскировать дефекты записи и происхождение дорожек - это зона, требующая прозрачности и маркировки. Отдельная составляющая - синтетическая просодика: системы TTS и «виртуальные дикторы» обеспечивают устойчивую ритмику, усреднённую интонацию и предсказуемые акцентные паттерны, что облегчает масштабирование выпусков и многоязычные локализации, но сокращает экспрессивную вариативность, стирает индивидуальные манеры дикторов и «человеческую шероховатость» голосовой подачи. В этих условиях маркировка синтетических сегментов и информирование зрителя о способе производства становятся инфраструктурой доверия). Нарративный уровень определяется ориентацией драматургии на метрики внимания. Ранний «фронт‑лоадинг» крючков - постановка вопроса, тизер ключевого кадра, явное обещание ценности - концентрируется в первых 30–60 секундах, поскольку именно ранняя фиксация внимания статистически коррелирует с досмотром и ретеншеном в потоковых и социальных средах (Колдри, Мехиас, 2019: 254; Роу, 2013:325). Редакции практикуют «холодные» и «тёплые» заходы под разные сегменты аудитории и площадки, варьируя темпоритм и информационную плотность.
Логика A/B‑перебора распространяется с платформ на телевизионные промо: тизеры и предпросмотры выпускаются в нескольких версиях, отличающихся тональностью и монтажной плотностью; «побеждает» конфигурация с лучшими показателями CTR/досмотра, переводя художественные решения в режим статистической оптимизации. Дополняет эту тенденцию модульная сборка: выпуск проектируется как набор взаимозаменяемых блоков, переставляемых под эфир, OTT и соцсети, что порождает множественные версии одной истории с различным порядком фактов, темпом, долей графики и длиной цитат (Хатчинс, Бойл, 2017: 201). В результате линейный эфир трансформируется в «конструктор» нарративов, где приоритетом становится соответствие сценарного ритма поведенческим данным, а не единая авторская структура. На уровне репрезентации и авторства усиливается фигура «постчеловеческого медиатора» - виртуального ведущего и синтетического диктора с предсказуемой экспрессией, стабильной мимикой и «безошибочной» дикцией. Это расширяет производственные возможности и снижает издержки, но стандартизирует эмоциональную палитру и приводит к «гиперреалистичной монотонности» подачи, заметной прежде всего в новостных и спортивных форматах (Давыдов и др., 2023: 9). Параллельно размывается индивидуальный авторский стиль: решения о визуальных, звуковых и нарративных параметрах всё чаще принимаются в контуре рекомендательных систем и A/B‑экспериментов, где «наилучшая известная конфигурация» вытесняет режиссёрско‑журналистский почерк, смещая locus творчества к платформенной логике и процессам алгоритмической сборки.
Возникает и новая зона ответственности - мультимодальная «сцепка»: визуальные и звуковые модальности подгоняются под унифицированные пресеты, а роль редактора смещается к управлению конвейером модулей, контролю метрик и аудиту соответствия этическим и правовым нормам. Это делает критически важной прозрачность процедур - от раскрытия источников обучающих данных до ведения журналов версий - и явную маркировку синтетических компонентов, соответствующую как рекомендациям отрасли, так и функционалу платформ (Неренц, 2024; Бейтмен, 2014).Таким образом, «алгоритмическая эстетика» телевещания - это согласованный режим формообразования контента на стыке технических стандартов, платформенных метрик и редакционных практик. На формальном уровне она институционализирует симметрию и «гладкость» кадра; на звуковом -стерильную разборчивость и усреднённую просодику; на нарративном - ранние крючки, A/B‑перебор и модульную сборку; на уровне репрезентации и авторства - виртуальные фигуры ведущих и смещение к платформенным стандартам выражения.
Одной из наиболее острых проблем применения нейросетей в медиасфере остаются вопросы авторского права и интеллектуальной собственности. До сих пор не определено, как именно охранять как сам ИИ, так и созданные им произведения: может ли продукт, сгенерированный алгоритмом, рассматриваться как объект авторского или смежного права? Генеративные модели уже не раз обвинялись в нарушении авторских прав, что особенно чувствительно для журналистов и дикторов. Например, «цифровой образ» или голос человека в законодательстве пока никак не защищён - следовательно, использование синтезированного голоса без согласия его владельца формально не наказывается. Дополнительную сложность создаёт территориальный характер правовой охраны: патенты и авторские права действуют только в пределах конкретного государства. Если не будет международных соглашений, созданный ИИ продукт может быть защищён, например, в России, но свободно использоваться за рубежом. Отсюда возникает необходимость глобального правового сотрудничества и выработки единых стандартов регулирования деятельности ИИ. На национальном уровне важно обеспечить прозрачность алгоритмов и их маркировку. Пример тому - инструмент YouTube, появившийся в марте 2024 года, который позволяет отмечать видеоролики, созданные с использованием ИИ. (Неренц Д.В., 2024: 126).
Кроме того, необходимо чётко определять механизмы работы ИИ, источники данных, на которых он обучался и, возможные, риски. Ключевым остаётся вопрос юридической ответственности: кто несёт вину за последствия ошибок ИИ - разработчик, создатель модели или её пользователь? Решение этих вопросов требует создания детализированного правового алгоритма, определяющего степень ответственности каждого участника процесса.
Использование технологий искусственного интеллекта в российской тележурналистике постепенно перестаёт быть предметом теоретических исследований и становится обыденной практикой. Российские медиа внедряют ИИ на разных этапах журналистской работы от анализа естественного языка и машинного обучения до обработки больших данных. Эти технологии применяются при сборе информации, проверке фактов, генерации контента, дистрибуции материалов и формировании рекомендаций для аудитории.
При этом эксперты - академики, разработчики и журналисты - по-разному трактуют понятие «искусственный интеллект». Различия в понимании его функций и возможностей показывают, что термины и ожидания от ИИ в медиасфере остаются во многом неоднозначными.
Одним из ключевых вызовов остаётся сохранение качества журналистики. Внедрение генеративных инструментов требует внимательного контроля за точностью информации, проверкой источников и предотвращением распространения фейковых материалов (Давыдов и др., 2023: 10). Это особенно важно в условиях, когда часть задач автоматизируется, а часть профессиональных функций журналистов трансформируется. ИИ меняет характер работы медиаспециалистов: некоторые рутинные процессы автоматизируются, появляются новые задачи, связанные с анализом данных, мониторингом активности аудитории и контролем за технологическими процессами. В результате профессиональные роли трансформируются - журналист становится не только автором контента, но и менеджером цифровых инструментов, куратором данных и технологическим оператором
Для устойчивой интеграции ИИ эксперты подчёркивают необходимость разработки четких нормативов и стандартов. Прозрачность алгоритмов, этические нормы и профессиональные правила позволяют минимизировать риски злоупотреблений и обеспечивают доверие аудитории (Давыдов и др., 2023:15). Наряду с этим внедрение ИИ сталкивается с ресурсными ограничениями, особенно для малых и региональных редакций. Ограничения технической инфраструктуры, кадров и финансирования создают разрыв между крупными и малыми игроками медиасферы, что подчеркивает необходимость поддержки инноваций и обмена опытом на отраслевом и государственном уровнях.
Таким образом, технологии искусственного интеллекта открывают новые возможности для медиапроизводства, одновременно требуя осознанного подхода к этике, стандартам и профессиональному развитию журналистов.
Подведем итоги. Искусственный интеллект формирует новые эстетические стандарты телевидения от «безупречного» кадра до персонализированного нарратива. Устойчивое развитие медиасферы потребует баланса между технологическим прогрессом и гуманистическими ценностями: правовым регулированием, этикой и культурой ответственного потребления контента. Только сочетание точных алгоритмов и профессиональной ответственности позволит сохранить в телевизионной эстетике не только совершенство формы, но и богатство человеческого смысла.
Список источников
1. Бейтмен Дж. Текст и изображение: критическое введение в визуально‑вербальное взаимодействие. Лондон: Routledge, 2014. 248 с. https://www.taylorfrancis.com/books/mono/10.4324/9781315773971/text-image-john-bateman
2. Биллинс А. К. Спортивные медиа: трансформация, интеграция, потребление. 2‑е изд. Лондон; Нью‑Йорк: Routledge, 2016. 320 с. https://books.google.ru/books/about/Sports_Media.html?id=EUyPlufn9pAC&redir_esc=y
3. Бортник А. Д. Как искусственный интеллект изменит мир медиарынка. Киберленинка, 2022.
4. Быков В. В. Информационные технологии и автоматизация ТВ‑производства. Киберленинка, 2012.
5. Гомес‑Урибе К. А., Хант Н. Система рекомендаций Netflix: алгоритмы, бизнес‑ценность и инновации // ACM Transactions on Management Information Systems. 2016. Т. 6, № 4. Ст. 13.
6. Давыдов С. Г., Замков А. В., Крашенинникова Е. Ю. Практики использования технологий искусственного интеллекта в российской тележурналистике. Киберленинка, 2023. https://cyberleninka.ru/article/n/praktiki-ispolzovaniya-tehnologiy-iskusstvennogo-intellekta-v-rossiyskoy-telezhurnalistike
7. Зуйкина К. Л., Разумова Д. В. Практики использования технологий искусственного интеллекта в российской тележурналистике // Наука телевидения. 2025. № 21 (2). С. 133–158. DOI: 10.30628/1994-9529-2025-21.2133-158.
8. Колдри Н., Мехиас У. А. Цена связи: как данные колонизируют человеческую жизнь и присваиваются капиталом. Стэнфорд: Stanford University Press, 2019. 272 с. https://doi.org/10.1515/9781503609754
9. Кресс Г., ван Лиувен Т. Грамматика визуального дизайна. 2‑е изд. Лондон: Routledge, 2006. 291 с. https://cdn.glitch.me/05cf2253-657b-4ca7-a4fe-293daf3e7498%2Fkress%20and%20van%20leeuwen%20-%20reading%20images%20the%20grammar%20of%20visual%20design%202.pdf
10.Неренц Д. В. Юридические и этические проблемы регулирования применения ИИ в СМИ. Киберленинка, 2024.
11.Роу Д. Спорт, культура и медиа: непокорная триада. 2‑е изд. Лондон; Нью‑Йорк: Routledge, 2013. 328 с. https://repository.bbg.ac.id/bitstream/608/1/Sport_Culture_and_The_Media.pdf
12.Хатчинс Б., Бойл Р. Цифровые медиа и спорт: технологии, власть и культура в сетевом обществе. Лондон: Routledge, 2017. 228 с.
References
1. Bateman, J. A. (2014). Text and Image: A Critical Introduction to the Visual/Verbal Divide. London: Routledge. 248 p. https://www.taylorfrancis.com/books/mono/10.4324/9781315773971/text-image-john-bateman
2. Billings, A. C. (2016). Sports Media: Transformation, Integration, Consumption. 2nd ed. London; New York: Routledge. 320 p. https://books.google.ru/books/about/Sports_Media.html?id=EUyPlufn9pAC&redir_esc=y
3. Bortnik, A. D. (2022). Kak iskusstvennyy intellekt izmenit mir mediarynka [How artificial intelligence will change the media market]. Cyberleninka. (In Russ).
4. Bykov, V. V. (2012). Informatsionnye tekhnologii i avtomatizatsiya TV‑proizvodstva [Information technologies and automation of TV production]. Cyberleninka. (In Russ).
5. Gomez‑Uribe, C. A., Hunt, N. (2016). The Netflix Recommender System: Algorithms, Business Value, and Innovation. ACM Transactions on Management Information Systems, 6(4), Article 13.
6. Davydov, S. G., Zamkov, A. V., Krasheninnikova, E. Yu. (2023). Praktiki ispol'zovaniya tekhnologiy iskusstvennogo intellekta v rossiyskoy telezhurnalistike [Practices of using AI technologies in Russian TV journalism]. Cyberleninka. https://cyberleninka.ru/article/n/praktiki-ispolzovaniya-tehnologiy-iskusstvennogo-intellekta-v-rossiyskoy-telezhurnalistike (In Russ).
7. Zuikina, K. L., Razumova, D. V. (2025). Praktiki ispol'zovaniya tekhnologiy iskusstvennogo intellekta v rossiyskoy telezhurnalistike [Practices of using AI technologies in Russian TV journalism]. Nauka televideniya [Science of Television], 21(2), 133–158. DOI: 10.30628/1994-9529-2025-21.2133-158. (In Russ).
8. Couldry, N., Mejias, U. A. (2019). The Costs of Connection: How Data Colonizes Human Life and Appropriates Capital. Stanford: Stanford University Press. 272 p. https://doi.org/10.1515/9781503609754
9. Kress, G., van Leeuwen, T. (2006). Reading Images: The Grammar of Visual Design. 2nd ed. London: Routledge. 291 p. https://cdn.glitch.me/05cf2253-657b-4ca7-a4fe-293daf3e7498%2Fkress%20and%20van%20leeuwen%20-%20reading%20images%20the%20grammar%20of%20visual%20design%202.pdf
10.Nerents, D. V. (2024). Yuridicheskie i eticheskie problemy regulirovaniya primeneniya II v SMI [Legal and ethical problems of regulating the use of AI in the media]. Cyberleninka. (In Russ).
11.Rowe, D. (2013). Sport, Culture and the Media: The Unruly Trinity. 2nd ed. London; New York: Routledge. 328 p. https://repository.bbg.ac.id/bitstream/608/1/Sport_Culture_and_The_Media.pdf
12.Hutchins, B., Boyle, R. (2017). Digital Media Sport: Technology, Power and Culture in the Network Society. London: Routledge. 228 p.