Mengidentifikasi Konten Sponsor di Situs Berita dengan Mesin Pembelajaran

Peneliti dari Belanda telah mengembangkan metode mesin pembelajaran baru yang mampu membedakan konten sponsor atau konten berbayar dalam platform berita, dengan akurasi lebih dari 90%, sebagai respons atas minat yang meningkat dari pengiklan dalam format iklan ‘native’ yang sulit dibedakan dari output jurnalistik ‘asli’.

Makalah baru ini, berjudul Membedakan Konten Komersial dari Konten Editorial di Berita, berasal dari peneliti di Universitas Leiden.

Sub-graf komersial (merah) dan editorial (biru) yang muncul dari analisis data. Sumber: https://arxiv.org/pdf/2111.03916.pdf

Para penulis mengamati bahwa meskipun publikasi yang lebih serius, yang dapat dengan mudah menentukan syarat untuk pengiklan, akan membuat upaya yang wajar untuk membedakan ‘konten mitra’ dari berita dan analisis umum, standar tersebut perlahan-lahan tetapi pasti bergeser ke integrasi yang lebih besar antara tim editorial dan komersial di sebuah outlet, yang mereka anggap sebagai tren yang mengkhawatirkan dan negatif.

‘Kemampuan untuk menyamar konten, dengan atau tanpa sengaja, dan kemungkinan bahwa advertorial tidak dikenali sebagai konten berbayar bahkan jika dilabeli dengan benar adalah signifikan. Pemasar menyebutnya iklan ‘native’ untuk alasan tersebut.’

Beberapa contoh iklan ‘native’ saat ini, yang disebut ‘konten mitra’, ‘konten merek’, dan banyak nama lain yang dirancang untuk mengaburkan perbedaan antara konten ‘native’ dan konten komersial dalam platform jurnalistik.

Penelitian ini dilakukan sebagai bagian dari investigasi yang lebih luas tentang budaya berita yang terjaring di ACED Reverb Channel, yang berbasis di Amsterdam, yang berkonsentrasi pada analisis data yang didorong oleh tren jurnalistik yang berkembang.

Mengumpulkan Data

Untuk mengembangkan data sumber untuk proyek ini, para penulis menggunakan 1.000 artikel dan 1.000 advertorial dari empat outlet berita Belanda dan mengklasifikasikannya berdasarkan fitur teksnya. Karena dataset relatif kecil, para penulis menghindari pendekatan skala besar seperti BERT, dan sebagai gantinya mengevaluasi efektivitas kerangka mesin pembelajaran klasik, termasuk Support Vector Machine (SVM), LinearSVC, Decision Tree, Random Forest, K-Nearest Neighbor (K-NN), Stochastic Gradient Descent (SGD) dan Naïve Bayes.

Korpus Reverb Channel dapat menyediakan 1.000 artikel ‘murni’ yang diperlukan, tetapi para penulis harus mengambil advertorial langsung dari empat situs web Belanda yang ditampilkan. Data yang diperoleh tersedia dalam bentuk terbatas (karena kekhawatiran hak cipta) di GitHub, bersama dengan beberapa kode Python yang digunakan untuk memperoleh dan mengevaluasi data.

Empat publikasi yang dipelajari adalah Nu.nl yang konservatif, Telegraaf yang lebih progresif, NRC, dan jurnal bisnis De Ondernemer. Setiap publikasi memiliki perwakilan yang sama dalam data.

Diperlukan untuk mengidentifikasi dan menghilangkan ‘leaker’ potensial dalam leksikon yang dibentuk oleh penelitian – kata-kata yang mungkin muncul dalam kedua jenis konten dengan sedikit perbedaan dalam frekuensi dan penggunaan, untuk membangun pola yang jelas untuk konten ‘native’ dan sponsor yang sebenarnya.

Hasil

Di seluruh metode yang diuji untuk identifikasi, hasil terbaik diperoleh oleh SVM, linearSVC, Random Forest, dan SGD. Oleh karena itu, para peneliti melanjutkan untuk menggunakan SVM dalam analisis lebih lanjut.

Pendekatan model terbaik untuk mengekstrak klasifikasi di seluruh korpus melebihi 90% akurasi, meskipun para peneliti mencatat bahwa mendapatkan klasifikasi yang jelas menjadi lebih sulit ketika menangani publikasi yang berorientasi B2B, di mana tumpang tindih leksikal antara konten ‘asli’ dan ‘sponsor’ berlebihan – mungkin karena gaya bahasa bisnis yang sudah lebih subjektif daripada konvensi pelaporan dan analisis umum, dan dapat lebih mudah menyembunyikan agenda.

Plot t-Distributed Stochastic Neighbor Embedding (t-SNE) untuk pemisahan konten asli dan sponsor di seluruh empat publikasi.

Apakah Konten Sponsor ‘Berita Palsu’?

Penelitian para penulis menunjukkan bahwa proyek mereka baru dalam bidang analisis konten berita. Kerangka kerja yang mampu mengidentifikasi konten sponsor dapat membuka jalan untuk mengembangkan pemantauan tahunan terhadap keseimbangan antara jurnalistik objektif dan ‘iklan native’ yang tumbuh, yang duduk hampir dalam konteks yang sama dalam sebagian besar publikasi, menggunakan petunjuk visual yang sama (CSS stylesheet dan formatting lainnya) seperti konten umum.

Dalam arti tertentu, kurangnya konteks yang jelas untuk konten sponsor muncul sebagai sub-lapangan dari studi ‘berita palsu’. Meskipun sebagian besar penerbit mengakui kebutuhan untuk memisahkan ‘gereja dan negara’, dan kewajiban untuk memberikan pembaca dengan divisi yang jelas antara konten berbayar dan konten yang dihasilkan secara organik, kenyataan dari adegan jurnalistik pasca-cetak, dan ketergantungan yang meningkat pada pengiklan, telah mengubah pengabaian indikator sponsor menjadi seni halus dalam psikologi UI. Terkadang imbalan dari menjalankan konten sponsor cukup menggoda untuk mengambil risiko bencana optik besar.

Pada 2015, platform media sosial dan benchmarking kompetitif Quintly menawarkan metode deteksi berbasis AI untuk menentukan apakah sebuah postingan di Facebook adalah sponsor, dengan klaim akurasi sebesar 96%. Tahun berikutnya, sebuah studi dari Universitas Georgia berpendapat bahwa cara penerbit menangani deklarasi konten sponsor dapat ‘bersalah dengan penipuan’.

Pada 2017, MediaShift, sebuah organisasi yang memeriksa persimpangan antara media dan teknologi, mengamati sejauh mana The New York Times memonetisasi operasinya melalui studio konten mereknya, T Brand Studio, dengan klaim bahwa tingkat transparansi yang menurun sekitar konten sponsor, dengan hasil yang tidak disengaja bahwa pembaca tidak dapat dengan mudah mengetahui apakah konten tersebut dihasilkan secara organik.

Pada 2020, sebuah inisiatif penelitian lain dari Belanda mengembangkan klasifikasi mesin pembelajaran untuk mengidentifikasi berita yang didanai oleh negara Rusia yang muncul di platform berita Serbia. Selanjutnya, diperkirakan pada 2019 bahwa ‘solusi konten media’ Forbes akun untuk 40% dari pendapatan totalnya melalui BrandVoice, studio konten yang diluncurkan oleh penerbit pada 2010.