Identificering af sponsorerede indhold på nyhedssteder med maskinlæring

Forskere fra Nederlandene har udviklet en ny maskinlæringsmetode, der kan skelne mellem sponsorerede eller betalte indhold på nyhedsplatforme med en nøjagtighed på over 90%, som svar på den stigende interesse fra annoncører i ‘native’ reklameformater, der er svære at skelne fra ‘ægte’ journalistiske udgivelser.

Den nye rapport, med titlen At skelne mellem kommercielt og redaktionelt indhold i nyheder, kommer fra forskere ved Leiden Universitet.

Kommersielle (rød) og redaktionelle (blå) undergrafer, der opstår fra analyse af dataene. Kilde: https://arxiv.org/pdf/2111.03916.pdf

Forfatterne observerer, at selvom mere alvorlige udgivelser, der kan diktere vilkår for annoncører, vil gøre en rimelig indsats for at skelne ‘partnerindhold’ fra den generelle nyheds- og analysestrøm, standarderne langsomt men uafvendeligt skifter til en øget integration mellem redaktionelle og kommercielle hold på en udgivelse, hvilket de betragter som en alarmerende og negativ trend.

‘Evnen til at forklaede indhold, frivilligt eller ufrivilligt, og sandsynligheden for, at annonceringsartikler ikke genkendes som sådanne, selv hvis de er korrekt mærket, er betydelig. Markedsførere kalder det for native [reklame] af en grund.’

Nogle nuværende eksempler på native reklame, der forskelligt kaldes ‘partnerindhold’, ‘brandindhold’ og mange andre betegnelser, der er designet til at skjule forskellen mellem native og kommercielt placeret indhold på journalistiske platforme.

Arbejdet blev udført som en del af en bredere undersøgelse af netværksnyheds-kultur ved ACED Reverb Channel, der er baseret i Amsterdam, og som koncentrerer sig om data-dreven analyse af udviklende journalistiske tendenser.

Indsamling af data

For at udvikle kilde-data til projektet brugte forfatterne 1.000 artikler og 1.000 annonceringsartikler fra fire hollandske nyhedsudgivelser og klassificerede dem på basis af deres tekstlige funktioner. Da datasettet var relativt beskedent i størrelse, undgik forfatterne store skala-tilgange som BERT, og i stedet vurderede de effekten af mere klassiske maskinlærings-rammer, herunder Support Vector Machine (SVM), LinearSVC, Decision Tree, Random Forest, K-Nearest Neighbor (K-NN), Stochastic Gradient Descent (SGD) og Naïve Bayes.

Reverb Channel-korpusset kunne levere de 1.000 nødvendige ‘rene’ artikler, men forfatterne måtte skrabe annonceringsartikler direkte fra de fire hollandske websites, der var med. De erhvervede data er tilgængelige i begrænset form (på grund af ophavsrets bekymringer) på GitHub, sammen med nogle af de Python-koder, der blev brugt til at erhverve og evaluere dataene.

De fire udgivelser, der blev studeret, var den konservative Nu.nl, den mere progressive Telegraaf, NRC og erhvervsbladet De Ondernemer. Hver udgivelse var lige repræsenteret i dataene.

Det var nødvendigt at identificere og fratrage potentielle ‘lækere’ i leksikonet, der blev dannet af forskningen – ord, der kunne optræde i begge typer indhold med lidt forskel i deres hyppighed og brug, for at etablere klare mønstre for virkelig native og sponsorerede indhold.

Resultater

Over de metoder, der blev testet til identifikation, blev de bedste resultater opnået af SVM, linearSVC, Random Forest og SGD. Derfor fortsatte forskerne med at bruge SVM i yderligere analyse.

Den bedste modeltilgang til at trække klassificering over korpusset overgik 90% nøjagtighed, selv om forskerne bemærker, at det at opnå en klar klassificering bliver mere svært, når man har med B2B-orienterede udgivelser at gøre, hvor den leksikalske overlap mellem opfattet ‘ægte’ og ‘sponsorerede’ indhold er excessiv – måske fordi den native stil af erhvervssprog allerede er mere subjektiv end den generelle strøm af rapporterings- og analysekonventioner, og kan mere let skjule en dagsorden.

t-Distributed Stochastic Neighbor Embedding (t-SNE) plots for separation of real og sponsorerede indhold over de fire udgivelser.

Er sponsorerede indhold ‘falske nyheder’?

Forfatternes forskning antyder, at deres projekt er nyt i feltet for nyhedsindholdsanalyse. Rammer, der kan identificere sponsorerede indhold, kan bana vejen for at udvikle år-for-år-overvågning af balancen mellem objektiv journalistik og den voksende tranche af ‘native reklame’, der sidder i næsten samme kontekst i de fleste udgivelser, ved at bruge samme visuelle signaler (CSS-stilarter og andre formateringer) som generel indhold.

På en vis måde opstår den hyppige mangel på åbenlys kontekst for sponsorerede indhold som en underdisciplin for studiet af ‘falske nyheder’. Selv om de fleste udgivere erkender behovet for adskillelse af ‘kirke og stat’, og forpligtelsen til at give læserne klare skel mellem betalte og organisk genererede indhold, har realiteterne i den post-trykte journalistiske scene og den øgede afhængighed af annoncører vendt afsvækkelsen af sponsorerede indikatorer til en fin kunst i UI-psykologi. Nogle gange er belønningerne for at køre sponsorerede indhold tilstrækkeligt til at risikere en major optisk katastrofe.

I 2015 tilbød den sociale medie- og konkurrence-benchmarking-platform Quintly en AI-baseret detectionsmetode til at bestemme, om en post på Facebook er sponsorerede, og hævdede en nøjagtighedsrate på 96%. Året efter påstod en studie fra University of Georgia, at måden, hvorpå udgivere håndterer erklæringen af sponsorerede indhold, kan være ‘medskyldig i bedrag’.

I 2017 observerede MediaShift, en organisation, der undersøger intersectionen mellem medie og teknologi, , at The New York Times moneterer sine operationer gennem sin brandede indholdsstudio, T Brand Studio, og hævdede, at der var en aftagende niveau af gennemsigtighed omkring sponsorerede indhold, med den underforståede hensigt, at læserne ikke kan let skelne, om indhold er organisk genereret eller ej.

I 2020 udviklede en anden forskningsinitiativ fra Nederlandene maskinlæringsklassifikatorer til at automatisk identificere russisk statsfinansieret nyheder, der optræder i serbiske nyhedsplatforme. Yderligere blev det estimeret i 2019, at Forbes’ ‘medieindholdsløsninger’ står for 40% af deres samlede omsætning gennem BrandVoice, det indholdsstudio, der blev lanceret af udgiveren i 2010.