Αναγνώριση Χορηγούμενου Περιεχομένου σε Ιστοτόπους Ειδήσεων με Μηχανική Μάθηση

Ερευνητές από τις Κάτω Χώρες έχουν αναπτύξει μια νέα μέθοδο μηχανικής μάθησης που είναι ικανή να διακρίνει χορηγούμενο ή αλλιώς πληρωμένο περιεχόμενο εντός πλατφορμών ειδήσεων, με ακρίβεια πάνω από 90%, ως απάντηση στο αυξανόμενο ενδιαφέρον των διαφημιζομένων για μορφές “εγγενών” διαφήμισης που είναι δύσκολο να διακριθούν από “πραγματικό” δημοσιογραφικό περιεχόμενο.

Η νέα μελέτη, με τίτλο Διακρίβωση Εμπορικού από Επεξεργασμένο Περιεχόμενο σε Ειδήσεις, προέρχεται από ερευνητές στο Πανεπιστήμιο του Λέιντεν.

Εμπορικά (κόκκινα) και επεξεργασμένα (μπλε) υπογράφους που προκύπτουν από την ανάλυση των δεδομένων. Πηγή: https://arxiv.org/pdf/2111.03916.pdf

Οι συγγραφείς παρατηρούν ότι mặc dù πιο σοβαρές εκδόσεις, οι οποίες μπορούν να επιβάλουν τους όρους στους διαφημιζομένους, θα κάνουν μια εύλογη προσπάθεια να διακρίνουν το “χορηγούμενο περιεχόμενο” από την γενική ροή ειδήσεων και ανάλυσης, τα πρότυπα μετατοπίζονται αργά αλλά αμετάκλητα προς αυξημένη ενσωμάτωση μεταξύ επεξεργαστικών και εμπορικών ομάδων σε μια έξοδο, το οποίο θεωρούν μια ανησυχητική και αρνητική τάση.

‘Η ικανότητα να μεταμφιέσει το περιεχόμενο, εθελοντικά ή ανεθεωμένα, και η πιθανότητα ότι τα διαφημιστικά δεν αναγνωρίζονται ως τέτοια ακόμη και αν σωστά επισημανθούν είναι σημαντική. Οι διαφημιστές το λένε εγγενή [διαφήμιση] για ένα λόγο.’

Ορισμένα τρέχοντα παραδείγματα εγγενών διαφημίσεων, που ονομάζονται variously ‘χορηγούμενο περιεχόμενο’, ‘brand περιεχόμενο’ και πολλά άλλα ονόματα που σχεδιάζονται για να αποκρύψουν τη διάκριση μεταξύ εγγενών και εμπορικά τοποθετημένου περιεχομένου σε δημοσιογραφικές πλατφόρμες.

Το έργο πραγματοποιήθηκε ως μέρος μιας ευρύτερης έρευνας για τη δικτυωμένη κουλτούρα ειδήσεων στο ACED Reverb Channel, που базίζεται στο Άμστερνταμ, το οποίο επικεντρώνεται στην ανάλυση δεδομένων που εξελίσσονται δημοσιογραφικές τάσεις.

Προσκόμιση Δεδομένων

Για την ανάπτυξη πηγαίου δεδομένου για το έργο, οι συγγραφείς χρησιμοποίησαν 1.000 άρθρα και 1.000 διαφημιστικά από τέσσερις ολλανδικές εφημερίδες και τα κατηγοριοποίησαν με βάση τα κείμενά τους χαρακτηριστικά.既然 το σύνολο δεδομένων ήταν σχετικά μικρό σε μέγεθος, οι συγγραφείς απέφυγαν μεγάλης κλίμακας προσεγγίσεις όπως το BERT και αντίθετα αξιολόγησαν την αποτελεσματικότητα πιο κλασικών πλαισίων μηχανικής μάθησης, συμπεριλαμβανομένων Support Vector Machine (SVM), LinearSVC, Decision Tree, Random Forest, K-Nearest Neighbor (K-NN), Stochastic Gradient Descent (SGD) και Naïve Bayes.

Το Reverb Channel corpus ήταν σε θέση να παρέχει τα 1.000 απαραίτητα “ευθύ” άρθρα, αλλά οι συγγραφείς έπρεπε να σαρώσουν τα διαφημιστικά απευθείας από τις τέσσερις ολλανδικές ιστοσελίδες που παρουσιάστηκαν. Τα ληφθέντα δεδομένα είναι διαθέσιμα σε περιορισμένη μορφή (λόγω προβλημάτων πνευματικών δικαιωμάτων) στο GitHub, μαζί με κάποιο από τον κώδικα Python που χρησιμοποιήθηκε για την απόκτηση και αξιολόγηση των δεδομένων.

Οι τέσσερις εκδόσεις που μελετήθηκαν ήταν η πολιτικά συντηρητική Nu.nl, η πιο προοδευτική Telegraaf, NRC, και το επιχειρηματικό περιοδικό De Ondernemer. Κάθε έκδοση ήταν ισότιμα αντιπροσωπευμένη στα δεδομένα.

Ήταν αναγκαίο να αναγνωριστούν και να αποκλειστούν πιθανές “διαρροές” στο λεξικό που διαμορφώθηκε από την έρευνα – λέξεις που μπορεί να εμφανιστούν και στα δύο είδη περιεχομένου με μικρή διάκριση μεταξύ της συχνότητας και της χρήσης, για να καθορίσουν σαφείς μοτίβους για πραγματικά εγγενή και χορηγούμενο περιεχόμενο.

Αποτελέσματα

Σε όλες τις μεθόδους που δοκιμάστηκαν για την αναγνώριση, τα καλύτερα αποτελέσματα επιτεύχθηκαν από το SVM, linearSVC, Random Forest και SGD. Συνεπώς, οι ερευνητές συνέχισαν να χρησιμοποιούν το SVM σε περαιτέρω ανάλυση.

Η καλύτερη προσέγγιση μοντέλου για την εξαγωγή ταξινόμησης σε όλο το corpus υπερέβη την 90% ακρίβεια, αν και οι ερευνητές σημειώνουν ότι η απόκτηση μιας σαφούς ταξινόμησης γίνεται πιο δύσκολο όταν ασχολούμαστε με εκδόσεις προσανατολισμένες σε B2B, όπου η λεξική επικάλυψη μεταξύ του “πραγματικού” και του “χορηγούμενου” περιεχομένου είναι υπερβολική – ίσως επειδή ο εγγενής τρόπος της επιχειρηματικής γλώσσας είναι ήδη πιο υποκειμενικός από τη γενική ροή αναφοράς και αναλύσεων συμβάσεων, και μπορεί να κρύψει πιο εύκολα ένα πρόγραμμα.

t-Distributed Stochastic Neighbor Embedding (t-SNE) plots για τη διάκριση πραγματικού και χορηγούμενου περιεχομένου στις τέσσερις εκδόσεις.

Είναι το Χορηγούμενο Περιεχόμενο ‘Λожες Ειδήσεις’?

Η έρευνα των συγγραφέων υποδηλώνει ότι το έργο τους είναι καινοτόμο στο πεδίο της ανάλυσης περιεχομένου ειδήσεων. Πλαίσια που είναι ικανά να αναγνωρίζουν χορηγούμενο περιεχόμενο θα μπορούσαν να ανοίξουν το δρόμο για την ανάπτυξη ετήσιων ελέγχων για την ισορροπία μεταξύ αντικειμενικής δημοσιογραφίας και της αυξανόμενης ποσότητας “εγγενών διαφημίσεων” που βρίσκεται σχεδόν στο ίδιο контέκστ σε meisten εκδόσεις, χρησιμοποιώντας τα ίδια οπτικά σήματα (CSS stylesheets και άλλα στυλ).

Σε κάποιο βαθμό, η συχνά έλλειψη σαφούς контέκστ για χορηγούμενο περιεχόμενο εμφανίζεται ως υποπεδίο της μελέτης των “ψευδών ειδήσεων”. Αν και οι περισσότεροι εκδότες αναγνωρίζουν την ανάγκη για διάκριση του “εκκλησίας και κράτους”, και την υποχρέωση να παρέχουν στους αναγνώστες σαφείς διαχωριστικές γραμμές μεταξύ πληρωμένου και αυθόρμητα παραγόμενου περιεχομένου, οι πραγματικότητες της μετα-εκτυπωτικής δημοσιογραφικής σκηνής και η αυξημένη εξάρτηση από διαφημιζόμενους έχουν μετατρέψει την υποβάθμιση των ενδείξεων χορηγούμενου περιεχομένου σε eine fine τέχνη στην ψυχολογία του UI. Κάποιες φορές τα οφέλη της εκτέλεσης χορηγούμενου περιεχομένου είναι इतनά μεγάλα που να κινδυνεύουν να κάνουν ένα μεγάλο οπτικό ατύχημα.

Το 2015 η πλατφόρμα κοινωνικών μέσων και ανταγωνιστικής αναφοράς Quintly προσέφερε μια μεθοδολογία ανίχνευσης με βάση το AI για να καθορίσει εάν μια ανάρτηση στο Facebook είναι χορηγούμενη, ισχυριζόμενη ένα ποσοστό ακρίβειας 96%. Την επόμενη χρονιά, μια μελέτη από το Πανεπιστήμιο της Τζόρτζια υποστήριξε ότι ο τρόπος με τον οποίο οι εκδότες χειρίζονται την δήλωση του χορηγούμενου περιεχομένου θα μπορούσε να είναι ‘συμπράττων με την απάτη’.

Το 2017 η MediaShift, ένας οργανισμός που εξετάζει το giao μεταξύ μέσων και τεχνολογίας, παρατήρησε την αυξανόμενη έκταση με την οποία οι New York Times χρηματοδοτούν τις επιχειρήσεις τους μέσω του studio με επωνυμία T Brand Studio, ισχυριζόμενοι μειωμένα επίπεδα διαφάνειας γύρω από το χορηγούμενο περιεχόμενο, με το σιωπηρό σκοπό ότι οι αναγνώστες δεν μπορούν εύκολα να καταλάβουν εάν το περιεχόμενο είναι αυθόρμητα παραγόμενο ή όχι.

Το 2020, μια άλλη έρευνα από τις Κάτω Χώρες ανέπτυξε ταξινομητές μηχανικής μάθησης για να αναγνωρίσουν αυτόματα ρωσικά κρατικά χρηματοδοτούμενα νέα που εμφανίζονται σε σερβικές πλατφόρμες ειδήσεων. Επιπλέον, εκτιμήθηκε το 2019 ότι οι λύσεις “μεディア περιεχομένου” της Forbes αντιπροσωπεύουν το 40% του συνολικού εσόδου τους μέσω του studio BrandVoice, το οποίο ξεκίνησε η εκδότρια το 2010.