Identifikace sponzorovaného obsahu na zpravodajských webech pomocí strojového učení

Výzkumníci z Nizozemska vyvinuli novou metodu strojového učení, která je schopna rozlišit sponzorovaný nebo jinak placený obsah na zpravodajských platformách s přesností více než 90 %, v reakci na rostoucí zájem inzerentů o “nativní” formáty reklamy, které jsou obtížně rozlišitelné od “skutečného” žurnalistického obsahu.

Nová práce, nazvaná Rozlišování komerčního a redakčního obsahu na zpravodajských webech, pochází od výzkumníků z Univerzity v Leidenu.

Komerční (červená) a redakční (modrá) subgrafy vznikající z analýzy dat. Zdroj: https://arxiv.org/pdf/2111.03916.pdf

Autoři pozorují, že i když vážnější publikace, které mohou snáze diktovat podmínky inzerentům, se snaží rozlišit “partnerký obsah” od běžného zpravodajství a analýz, standardy se pomalu ale nezvratně mění ve prospěch větší integrace mezi redakčními a komerčními týmy, což považují za znepokojivý a negativní trend.

‘Schopnost maskovat obsah, ať už vědomě nebo nevědomě, a pravděpodobnost, že advertoriály nejsou rozpoznány jako takové, i když jsou řádně označeny, je značná. Marketéři to nazývají nativní [reklamou] z nějakého důvodu.’

Některé současné příklady nativní reklamy, nazývané “partnerký obsah”, “brandový obsah” a mnoho dalších označení, která záměrně zastírají rozlišení mezi nativní a komerčně umístěným obsahem na zpravodajských platformách.

Práce byla provedena jako součást širšího výzkumu sítě zpravodajské kultury na ACED Reverb Channel, který se nachází v Amsterdamu a soustředí se na datové analýzy vývoje žurnalistických trendů.

Získávání dat

Pro vývoj zdrojových dat pro projekt autoři použili 1 000 článků a 1 000 advertoriálů ze čtyř nizozemských zpravodajských webů a klasifikovali je podle jejich textových vlastností. Jelikož dataset byl relativně malý, autoři se vyhnuli velkým přístupům, jako je BERT, a místo toho vyhodnotili účinnost klasických rámců strojového učení, včetně Support Vector Machine (SVM), LinearSVC, Decision Tree, Random Forest, K-Nearest Neighbor (K-NN), Stochastic Gradient Descent (SGD) a Naïve Bayes.

Korpus Reverb Channel poskytl 1 000 potřebných “čistých” článků, ale autoři museli ručně extrahovat advertoriály přímo ze čtyř nizozemských webů. Získaná data jsou dostupná v omezené formě (z důvodu autorských práv) na GitHubu, spolu s některým z Python kódu použitým pro získání a vyhodnocení dat.

Čtyři studované publikace byly politicky konzervativní Nu.nl, více progresivní Telegraaf, NRC a obchodní časopis De Ondernemer. Každá publikace byla stejně zastoupena v datech.

Bylo nutné identifikovat a vyloučit potenciální “úniky” v lexikonu vytvořeném výzkumem – slova, která by mohla出现 v obou typech obsahu s malým rozdílem ve frekvenci a použití, aby se stanovily jasné vzory pro skutečně nativní a sponzorovaný obsah.

Výsledky

Mezi testovanými metodami pro identifikaci byly získány nejlepší výsledky pomocí SVM, linearSVC, Random Forest a SGD. Proto výzkumníci pokračovali ve výzkumu pomocí SVM.

Nejlepší modelový přístup pro extrakci klasifikace přes celý korpus překročil 90% přesnost, ačkoli výzkumníci poznamenávají, že získání jasné klasifikace se stává obtížnější při zpracování B2B-orientovaných publikací, kde je lexikální překryv mezi vnímaným “skutečným” a “sponzorovaným” obsahem nadměrný – perhaps protože nativní styl obchodního jazyka je již více subjektivní než běžné zpravodajství a analýzy a může snáze skrýt agendu.

t-Distributed Stochastic Neighbor Embedding (t-SNE) plots pro rozlišení skutečného a sponzorovaného obsahu přes čtyři publikace.

Je sponzorovaný obsah “fake news”?

Výzkum autorů naznačuje, že jejich projekt je novátorský v oblasti analýzy zpravodajského obsahu. Rámce schopné identifikovat sponzorovaný obsah by mohly otevřít cestu k vývoji ročního monitoringu rovnováhy mezi objektivním zpravodajstvím a rostoucím množstvím “nativní reklamy”, která sedí téměř ve stejném kontextu ve většině publikací, pomocí stejných vizuálních signálů (CSS styly a další formátování) jako obecný obsah.

V jistém smyslu se častý nedostatek zjevného kontextu pro sponzorovaný obsah vyvíjí jako sub-obor studia “fake news”. Ačkoli většina vydavatelů uznává potřebu rozlišení “církve a státu” a povinnost poskytovat čtenářům jasná rozlišení mezi placeným a organicky generovaným obsahem, realita post-tiskové žurnalistické scény a zvýšená závislost na inzerentech obrátila snahu o minimalizaci sponzorovaných indikátorů v UI psychologii. Někdy jsou odměny za běh sponzorovaného obsahu dostatečně velké, aby riskovaly major optical disaster.

V roce 2015 sociální média a platforma pro srovnávací benchmarking Quintly nabídla AI-založenou detekční metodu pro určení, zda je příspěvek na Facebooku sponzorovaný, s tvrzenou přesností 96 %. Následující rok, studie z Univerzity v Georgii tvrdila, že způsob, jakým vydavatelé nakládají s prohlášením sponzorovaného obsahu, může být ‘spolupracující s klamáním’.

V roce 2017 MediaShift, organizace, která zkoumá průnik médií a technologií, pozorovala rostoucí rozsah, ve kterém New York Times monetizuje své operace prostřednictvím své značkové obsahové studie, T Brand Studio, s tvrzením, že úroveň transparentnosti kolem sponzorovaného obsahu se snižuje, s tím, že čtenáři nemohou snadno rozlišit, zda je obsah organicky generován.

V roce 2020, další výzkumná iniciativa z Nizozemska vyvinula strojové učení klasifikátory pro automatické rozpoznání ruských státem financovaných zpráv na srbských zpravodajských platformách. Dále se odhaduje, že v roce 2019 “media content solutions” Forbes představují 40 % jeho celkových příjmů prostřednictvím BrandVoice, obsahové studie spuštěné vydavatelem v roce 2010.