Identificazione di Contenuti Sponsorizzati nei Siti di Notizie con Machine Learning

I ricercatori dei Paesi Bassi hanno sviluppato un nuovo metodo di machine learning in grado di distinguere contenuti sponsorizzati o pagati all’interno delle piattaforme di notizie, con un’accuratezza superiore al 90%, in risposta all’aumento dell’interesse degli inserzionisti per formati di pubblicità nativa difficili da distinguere dalla produzione giornalistica “reale”.

Il nuovo documento, intitolato Distinguishing Commercial from Editorial Content in News, proviene da ricercatori dell’Università di Leiden.

Sottografi commerciali (rossi) ed editoriali (blu) che emergono dall’analisi dei dati. Fonte: https://arxiv.org/pdf/2111.03916.pdf

Gli autori osservano che, sebbene le pubblicazioni più serie, che possono più facilmente dettare condizioni agli inserzionisti, facciano un ragionevole sforzo per distinguere il “contenuto dei partner” dal flusso generale di notizie e analisi, gli standard stanno lentamente ma inesorabilmente cambiando verso una maggiore integrazione tra team editoriali e commerciali in un’azienda, che considerano una tendenza allarmante e negativa.

‘La capacità di mascherare i contenuti, volontariamente o involontariamente, e la probabilità che gli articoli pubblicitari non vengano riconosciuti come tali, anche se etichettati correttamente, è significativa. I marketer li chiamano pubblicità nativa per una ragione.’

Alcuni esempi attuali di pubblicità nativa, variamente chiamata ‘contenuto dei partner’, ‘contenuto del marchio’ e molti altri nomi progettati per oscurare sottilmente la distinzione tra contenuto nativo e commercialmente posizionato nelle piattaforme giornalistiche.

Il lavoro è stato svolto nell’ambito di una più ampia indagine sulla cultura delle notizie in rete presso il canale ACED Reverb, con sede ad Amsterdam, che si concentra sull’analisi dei dati delle tendenze giornalistiche in evoluzione.

Acquisizione dei Dati

Per sviluppare i dati di origine per il progetto, gli autori hanno utilizzato 1.000 articoli e 1.000 articoli pubblicitari da quattro testate olandesi e li hanno classificati in base alle loro caratteristiche testuali. Poiché il set di dati era relativamente modesto in termini di dimensioni, gli autori hanno evitato approcci su larga scala come BERT e hanno invece valutato l’efficacia di framework di apprendimento automatico più classici, tra cui Support Vector Machine (SVM), LinearSVC, Decision Tree, Random Forest, K-Nearest Neighbor (K-NN), Stochastic Gradient Descent (SGD) e Naïve Bayes.

Il corpus del canale Reverb è stato in grado di fornire i 1.000 articoli “diretti” necessari, ma gli autori hanno dovuto estrarre direttamente gli articoli pubblicitari dai quattro siti web olandesi presentati. I dati ottenuti sono disponibili in forma limitata (a causa di preoccupazioni relative al copyright) su GitHub, insieme a parte del codice Python utilizzato per ottenere e valutare i dati.

I quattro giornali esaminati erano il conservatore Nu.nl, il più progressista Telegraaf, NRC e il giornale economico De Ondernemer. Ogni pubblicazione era rappresentata in modo equivalente nei dati.

È stato necessario identificare e scontare potenziali “perdite” lessicali formate dalla ricerca – parole che potrebbero apparire in entrambi i tipi di contenuto con poca distinzione tra frequenza e utilizzo, al fine di stabilire modelli chiari per contenuto nativo e sponsorizzato.

Risultati

Tra i metodi testati per l’identificazione, i migliori risultati sono stati ottenuti da SVM, linearSVC, Random Forest e SGD. Pertanto, i ricercatori hanno proceduto a utilizzare SVM in ulteriori analisi.

Il miglior approccio di modello per l’estrazione della classificazione attraverso il corpus ha superato il 90% di accuratezza, sebbene i ricercatori notino che ottenere una classificazione chiara diventa più difficile quando si tratta di pubblicazioni orientate al business-to-business, dove la sovrapposizione lessicale tra contenuto “reale” e “sponsorizzato” è eccessiva – forse perché lo stile di linguaggio aziendale nativo è già più soggettivo del flusso generale di notizie e convenzioni di analisi, e può più facilmente nascondere un’agenda.

Grafici di t-Distributed Stochastic Neighbor Embedding (t-SNE) per la separazione di contenuto reale e sponsorizzato attraverso le quattro pubblicazioni.

Il Contenuto Sponsorizzato è ‘Notizie False’?

La ricerca degli autori suggerisce che il loro progetto è innovativo nel campo dell’analisi dei contenuti di notizie. Framework in grado di identificare contenuti sponsorizzati potrebbero aprire la strada allo sviluppo di un monitoraggio anno per anno dell’equilibrio tra giornalismo oggettivo e la crescente quota di “pubblicità nativa” che si trova quasi nello stesso contesto nella maggior parte delle pubblicazioni, utilizzando gli stessi segnali visivi (fogli di stile CSS e altri formati) del contenuto generale.

In un certo senso, la frequente mancanza di contesto ovvio per il contenuto sponsorizzato sta emergendo come un sottocampo dello studio delle “notizie false”. Sebbene la maggior parte degli editori riconosca la necessità di separare “chiesa e stato” e l’obbligo di fornire ai lettori divisioni chiare tra contenuto pagato e generato organicamente, le realtà della scena giornalistica post-stampa e l’aumento della dipendenza dagli inserzionisti hanno trasformato la sottolineatura degli indicatori sponsorizzati in un’arte fine nella psicologia dell’interfaccia utente. A volte i vantaggi dell’esecuzione di contenuti sponsorizzati sono abbastanza allettanti da rischiare un disastro ottico importante.

Nel 2015 la piattaforma di social media e benchmarking competitivo Quintly ha offerto un metodo di rilevamento basato sull’intelligenza artificiale per determinare se un post su Facebook è sponsorizzato, affermando un tasso di accuratezza del 96%. L’anno successivo, uno studio dell’Università della Georgia ha sostenuto che il modo in cui gli editori gestiscono la dichiarazione di contenuti sponsorizzati potrebbe essere ‘complice della frode’.

Nel 2017 MediaShift, un’organizzazione che esamina l’intersezione tra media e tecnologia, ha osservato l’estensione crescente con cui il New York Times monetizza le proprie operazioni attraverso il suo studio di contenuto di marca, T Brand Studio, affermando livelli di trasparenza in diminuzione intorno al contenuto sponsorizzato, con il risultato tacitamente intenzionale che i lettori non possano facilmente capire se il contenuto è generato organicamente o meno.

Nel 2020, un’altra iniziativa di ricerca dei Paesi Bassi ha sviluppato classificatori di apprendimento automatico per identificare automaticamente notizie finanziate dallo stato russo che appaiono nelle piattaforme di notizie serbe. Inoltre, è stato stimato nel 2019 che le “soluzioni di contenuto dei media” di Forbes rappresentano il 40% del suo fatturato totale attraverso BrandVoice, lo studio di contenuto lanciato dal publisher nel 2010.