Identifier le Contenu Commandité sur les Sites d’Actualités avec l’Apprentissage Automatique

Des chercheurs des Pays-Bas ont développé une nouvelle méthode d’apprentissage automatique capable de distinguer le contenu commandité ou payé au sein des plateformes d’actualités, avec une précision de plus de 90 %, en réponse à l’intérêt croissant des annonceurs pour les formats de publicité « native » difficiles à distinguer de la production journalistique « réelle ».

Le nouvel article, intitulé Distinguer le Contenu Commercial du Contenu Éditorial dans les Actualités, provient de chercheurs de l’Université de Leiden.

Sous-graphes commerciaux (rouge) et éditoriaux (bleu) émergeant de l’analyse des données. Source: https://arxiv.org/pdf/2111.03916.pdf

Les auteurs observent que, même si les publications plus sérieuses, qui peuvent plus facilement dicter des conditions aux annonceurs, font un effort raisonnable pour distinguer le « contenu partenaire » du flux général d’actualités et d’analyse, les normes sont lentement mais inexorablement en train de changer pour une intégration accrue entre les équipes éditoriales et commerciales dans un média, ce qu’ils considèrent comme une tendance alarmante et négative.

‘La capacité à déguiser le contenu, volontairement ou involontairement, et la probabilité que les annonces éditoriales ne soient pas reconnues comme telles, même si elles sont correctement étiquetées, est significative. Les marketeurs l’appellent la publicité « native » pour une raison.’

Quelques exemples actuels de publicité native, appelés « contenu partenaire », « contenu de marque » et de nombreux autres noms destinés à obscurcir subtilement la distinction entre le contenu natif et le contenu commercialement placé sur les plateformes journalistiques.

Le travail a été effectué dans le cadre d’une enquête plus large sur la culture des actualités en réseau au sein du canal ACED Reverb, basé à Amsterdam, qui se concentre sur l’analyse des tendances journalistiques émergentes basée sur les données.

Acquisition de Données

Pour développer les données sources du projet, les auteurs ont utilisé 1 000 articles et 1 000 annonces éditoriales provenant de quatre sites d’actualités néerlandais et les ont classés en fonction de leurs caractéristiques textuelles. Puisque le jeu de données était relativement modeste en taille, les auteurs ont évité les approches à grande échelle telles que BERT, et ont plutôt évalué l’efficacité de cadres d’apprentissage automatique plus classiques, notamment Support Vector Machine (SVM), LinearSVC, Decision Tree, Random Forest, K-Nearest Neighbor (K-NN), Stochastic Gradient Descent (SGD) et Naïve Bayes.

Le corpus du canal Reverb a pu fournir les 1 000 articles « directs » nécessaires, mais les auteurs ont dû extraire directement les annonces éditoriales des quatre sites web néerlandais présentés. Les données obtenues sont disponibles sous forme limitée (en raison de préoccupations de droit d’auteur) sur GitHub, ainsi que certains des codes Python utilisés pour obtenir et évaluer les données.

Les quatre publications étudiées étaient le conservateur Nu.nl, le plus progressiste Telegraaf, NRC et le journal d’affaires De Ondernemer. Chaque publication était représentée de manière égale dans les données.

Il a été nécessaire d’identifier et de neutraliser les « fuites » potentielles dans le lexique formé par la recherche – des mots qui pourraient apparaître dans les deux types de contenu avec peu de distinction entre leur fréquence et leur utilisation, afin d’établir des modèles clairs pour le contenu natif et commandité réel.

Résultats

Sur les méthodes testées pour l’identification, les meilleurs résultats ont été obtenus par SVM, linearSVC, Random Forest et SGD. Par conséquent, les chercheurs ont poursuivi l’utilisation de SVM pour une analyse plus approfondie.

La meilleure approche de modèle pour l’extraction de la classification à travers le corpus a dépassé 90 % de précision, bien que les chercheurs notent qu’obtenir une classification claire devient plus difficile lorsqu’il s’agit de publications axées sur le B2B, où le chevauchement lexical entre le contenu « réel » et « commandité » est excessif – peut-être parce que le style natif du langage commercial est déjà plus subjectif que la production journalistique générale et peut plus facilement cacher un agenda.

Tracés t-Distributed Stochastic Neighbor Embedding (t-SNE) pour la séparation du contenu réel et commandité à travers les quatre publications.

Le Contenu Commandité est-il des « Fausses Nouvelles »?

La recherche des auteurs suggère que leur projet est novateur dans le domaine de l’analyse de contenu d’actualités. Les cadres capables d’identifier le contenu commandité pourraient ouvrir la voie au développement d’une surveillance annuelle de l’équilibre entre le journalisme objectif et la tranche croissante de « publicité native » qui se trouve dans le même contexte dans la plupart des publications, en utilisant les mêmes indices visuels (feuilles de style CSS et autres mises en forme) que le contenu général.

Dans un certain sens, le manque fréquent de contexte évident pour le contenu commandité émerge comme un sous-domaine de l’étude des « fausses nouvelles ». Bien que la plupart des éditeurs reconnaissent la nécessité d’une séparation entre « l’Église et l’État », et l’obligation de fournir aux lecteurs des divisions claires entre le contenu payé et le contenu généré de manière organique, les réalités de la scène journalistique post-imprimée et la dépendance accrue à l’égard des annonceurs ont transformé la dé-emphase des indicateurs de commandité en un art subtil en psychologie de l’interface utilisateur. Parfois, les récompenses de l’exécution de contenu commandité sont suffisamment tentantes pour risquer un désastre optique majeur.

En 2015, la plateforme de médias sociaux et de benchmarking concurrentiel Quintly a offert une méthode de détection basée sur l’IA pour déterminer si un message sur Facebook est commandité, affirmant un taux de précision de 96 %. L’année suivante, une étude de l’Université de Géorgie a soutenu que la manière dont les éditeurs gèrent la déclaration de contenu commandité pourrait être ‘complice de la tromperie’.

En 2017, MediaShift, une organisation qui examine l’intersection entre les médias et la technologie, a observé l’étendue croissante à laquelle le New York Times monétise ses opérations via son studio de contenu de marque, T Brand Studio, affirmant des niveaux de transparence diminuants autour du contenu commandité, avec le résultat tacite que les lecteurs ne peuvent pas facilement déterminer si le contenu est généré de manière organique ou non.

En 2020, une autre initiative de recherche aux Pays-Bas a développé des classificateurs d’apprentissage automatique pour identifier automatiquement les actualités financées par l’État russe apparaissant sur les plateformes d’actualités serbes. De plus, il a été estimé en 2019 que les « solutions de contenu médiatique » de Forbes représentent 40 % de ses revenus totaux via BrandVoice, le studio de contenu lancé par l’éditeur en 2010.