Identifizierung von gesponsertem Inhalt in Nachrichten-Websites mit Machine Learning

Forscher aus den Niederlanden haben eine neue Machine-Learning-Methode entwickelt, die in der Lage ist, gesponserten oder anderweitig bezahlten Inhalt innerhalb von Nachrichtenplattformen mit einer Genauigkeit von über 90% zu erkennen, als Reaktion auf das wachsende Interesse von Werbetreibenden an “nativen” Werbeformaten, die schwer von “echten” journalistischen Inhalten zu unterscheiden sind.

Die neue Studie, betitelt Unterscheidung zwischen kommerziellem und redaktionellem Inhalt in Nachrichten, stammt von Forschern der Universität Leiden.

Kommerzielle (rot) und redaktionelle (blau) Sub-Graphen, die aus der Analyse der Daten hervorgehen. Quelle: https://arxiv.org/pdf/2111.03916.pdf

Die Autoren bemerken, dass obwohl seriöse Veröffentlichungen, die leichter Bedingungen an Werbetreibende stellen können, einen vernünftigen Versuch unternehmen, “Partner-Inhalte” von der allgemeinen Berichterstattung und Analyse zu unterscheiden, die Standards langsam aber unaufhaltsam in Richtung einer verstärkten Integration zwischen redaktionellen und kommerziellen Teams in einem Verlag verschoben werden, was sie als beunruhigende und negative Entwicklung betrachten.

‘Die Fähigkeit, Inhalte zu verbergen, bewusst oder unbewusst, und die Wahrscheinlichkeit, dass Anzeigen nicht als solche erkannt werden, auch wenn sie ordnungsgemäß gekennzeichnet sind, ist erheblich. Werbetreibende nennen es native [Werbung] aus einem Grund.’

Einige aktuelle Beispiele für native Werbung, die verschieden als “Partner-Inhalte”, “Marken-Inhalte” und viele andere Bezeichnungen bezeichnet werden, die darauf abzielen, die Unterscheidung zwischen nativer und kommerziell platzierten Inhalten in journalistischen Plattformen subtil zu verschleiern.

Die Arbeit wurde im Rahmen einer umfassenderen Untersuchung zur vernetzten Nachrichtenkultur am ACED Reverb Channel in Amsterdam durchgeführt, das sich auf datengetriebene Analyse von sich entwickelnden journalistischen Trends konzentriert.

Datenbeschaffung

Um Quelldaten für das Projekt zu entwickeln, verwendeten die Autoren 1.000 Artikel und 1.000 Anzeigen aus vier niederländischen Nachrichtenquellen und klassifizierten sie anhand ihrer textlichen Merkmale. Da die Datenmenge relativ bescheiden war, vermeiden die Autoren groß angelegte Ansätze wie BERT und bewerteten stattdessen die Effektivität klassischerer Machine-Learning-Rahmenwerke, einschließlich Support Vector Machine (SVM), LinearSVC, Entscheidungsbaum, Zufälliger Wald, K-Nearest Neighbor (K-NN), Stochastischer Gradientenabstieg (SGD) und Naiver Bayes.

Der Reverb-Kanal-Korpus konnte die 1.000 notwendigen “geraden” Artikel liefern, aber die Autoren mussten Anzeigen direkt von den vier niederländischen Websites scrape. Die erhaltenen Daten sind verfügbar in begrenzter Form (wegen urheberrechtlicher Bedenken) auf GitHub, zusammen mit einigen der Python-Code, der zum Erhalten und Auswerten der Daten verwendet wurde.

Die vier untersuchten Veröffentlichungen waren die politisch konservative Nu.nl, die progressivere Telegraaf, NRC und das Wirtschaftsjournal De Ondernemer. Jede Veröffentlichung war gleichmäßig in den Daten vertreten.

Es war notwendig, potenzielle “Leaker” im Lexikon, das durch die Forschung gebildet wurde, zu identifizieren und zu diskontieren – Wörter, die in beiden Arten von Inhalten mit wenig Unterschied in ihrer Häufigkeit und Verwendung auftreten könnten, um klare Muster für echten nativen und gesponserten Inhalt zu etablieren.

Ergebnisse

Über die getesteten Methoden zur Identifizierung hinweg wurden die besten Ergebnisse durch SVM, linearSVC, Zufälligen Wald und SGD erzielt. Daher setzten die Forscher SVM in weiterer Analyse ein.

Der beste Modellansatz für die Klassifizierung über den Korpus hinaus übertraf 90% Genauigkeit, obwohl die Forscher bemerken, dass das Erhalten einer klaren Klassifizierung schwieriger wird, wenn es um B2B-orientierte Veröffentlichungen geht, bei denen die lexikalische Überschneidung zwischen wahrgenommenem “echtem” und “gesponsertem” Inhalt übermäßig ist – vielleicht weil der native Stil der Geschäftssprache bereits subjektiver ist als die allgemeine Berichterstattung und Analysekonventionen und leichter eine Agenda verbergen kann.

t-Distributed Stochastic Neighbor Embedding (t-SNE)-Plots für die Trennung von echtem und gesponserterem Inhalt über die vier Veröffentlichungen.

Ist gesponserter Inhalt “Fake News”?

Die Forschung der Autoren legt nahe, dass ihr Projekt in dem Bereich der Nachrichteninhaltanalyse neu ist. Rahmenwerke, die in der Lage sind, gesponserten Inhalt zu identifizieren, könnten den Weg zu einer jährlichen Überwachung des Gleichgewichts zwischen objektiver Journalismus und der wachsenden Menge an “nativer Werbung” ebnen, die in fast dem gleichen Kontext in den meisten Veröffentlichungen sitzt und die gleichen visuellen Hinweise (CSS-Stylesheets und andere Formatierungen) wie allgemeine Inhalte verwendet.

In einem bestimmten Sinne ist das häufige Fehlen offensichtlicher Kontext für gesponserten Inhalt als ein Teilbereich der “Fake-News”-Studien entstanden. Obwohl die meisten Verleger die Notwendigkeit einer Trennung von “Kirche und Staat” und die Verpflichtung erkennen, Lesern klare Abgrenzungen zwischen bezahlten und organisch erzeugten Inhalten zu bieten, haben die Realitäten der post-print-journalistischen Szene und die zunehmende Abhängigkeit von Werbetreibenden die Abwertung von Sponsoren-Hinweisen in der UI-Psychologie zu einer feinen Kunst gemacht. Manchmal sind die Belohnungen für die Ausführung von gesponserterem Inhalt verlockend genug, um ein großes optisches Desaster zu riskieren.

Im Jahr 2015 bot die soziale Medien- und Wettbewerbs-Benchmarking-Plattform Quintly eine AI-basierte Erkennungsmethode an, um zu bestimmen, ob ein Beitrag auf Facebook gesponsert ist, mit einer Genauigkeitsrate von 96%. Im folgenden Jahr behauptete eine Studie der Universität von Georgia, dass die Art und Weise, wie Verleger die Erklärung von gesponserterem Inhalt handhaben, ‘komplizenhaft mit Täuschung’ sein könne.

Im Jahr 2017 stellte MediaShift, eine Organisation, die den Schnittpunkt zwischen Medien und Technologie untersucht, fest, dass die New York Times ihre Betriebe zunehmend durch ihr Marken-Content-Studio, T Brand Studio, monetarisiert, mit abnehmenden Transparenzgraden bei gesponserterem Inhalt, mit dem stillschweigenden Ergebnis, dass Leser nicht leicht erkennen können, ob Inhalte organisch erzeugt oder gesponsert sind.

Im Jahr 2020 entwickelte eine weitere Forschungsinitiative aus den Niederlanden Machine-Learning-Klassifizierer, um russische staatlich finanzierte Nachrichten in serbischen Nachrichtenplattformen automatisch zu identifizieren. Weiterhin wurde geschätzt, dass die “Medieninhaltslösungen” von Forbes im Jahr 2019 40% seines Gesamtumsatzes durch BrandVoice ausmachten, das Content-Studio, das der Verleger im Jahr 2010 startete.