Identificando Conteúdo Patrocinado em Sites de Notícias com Aprendizado de Máquina

Pesquisadores da Holanda desenvolveram um novo método de aprendizado de máquina capaz de distinguir conteúdo patrocinado ou pago dentro de plataformas de notícias, com uma precisão de mais de 90%, em resposta ao crescente interesse de anunciantes em formatos de publicidade nativa que são difíceis de distinguir do conteúdo jornalístico “real”.

O novo artigo, intitulado Distinguindo Conteúdo Comercial de Conteúdo Editorial em Notícias, vem de pesquisadores da Universidade de Leiden.

Subgrafos comerciais (vermelho) e editoriais (azul) surgindo da análise dos dados. Fonte: https://arxiv.org/pdf/2111.03916.pdf

Os autores observam que, embora publicações mais sérias, que possam facilmente ditar termos para anunciantes, façam um esforço razoável para distinguir “conteúdo de parceiro” do conteúdo geral de notícias e análise, os padrões estão lentamente, mas inexoravelmente, mudando para uma maior integração entre equipes editoriais e comerciais em uma publicação, o que consideram uma tendência alarmante e negativa.

‘A capacidade de disfarçar conteúdo, voluntariamente ou não, e a probabilidade de que anúncios sejam reconhecidos como tal, mesmo quando devidamente rotulados, é significativa. Os marketers chamam de publicidade nativa por um motivo.’

Alguns exemplos atuais de publicidade nativa, variadamente chamados de ‘conteúdo de parceiro’, ‘conteúdo de marca’ e muitas outras denominações projetadas para sutilmente obscurecer a distinção entre conteúdo nativo e comercial em plataformas jornalísticas.

O trabalho foi realizado como parte de uma investigação mais ampla sobre a cultura de notícias em rede no ACED Reverb Channel, sediado em Amsterdã, que se concentra em análise de dados de tendências jornalísticas em evolução.

Adquirindo Dados

Para desenvolver dados de origem para o projeto, os autores usaram 1.000 artigos e 1.000 anúncios de quatro publicações holandesas de notícias e os classificaram com base em suas características textuais. Como o conjunto de dados era relativamente modesto em tamanho, os autores evitaram abordagens em grande escala, como BERT, e avaliaram a eficácia de frameworks de aprendizado de máquina mais clássicos, incluindo Máquina de Vetor de Suporte (SVM), LinearSVC, Árvore de Decisão, Floresta Aleatória, K-Vizinhos Mais Próximos (K-NN), Descida de Gradiente Estocástica (SGD) e Teorema de Bayes.

O corpus do Reverb Channel foi capaz de fornecer os 1.000 artigos “retos” necessários, mas os autores tiveram que extrair anúncios diretamente dos quatro sites holandeses apresentados. Os dados obtidos estão disponíveis em forma limitada (devido a preocupações de direitos autorais) no GitHub, juntamente com parte do código Python usado para obter e avaliar os dados.

As quatro publicações estudadas foram o conservador Nu.nl, o mais progressista Telegraaf, NRC e o jornal de negócios De Ondernemer. Cada publicação foi igualmente representada nos dados.

Foi necessário identificar e descontar potenciais “vazamentos” no léxico formado pela pesquisa – palavras que podem aparecer em ambos os tipos de conteúdo com pouca distinção entre sua frequência e uso, para estabelecer padrões claros para conteúdo nativo e patrocinado genuíno.

Resultados

Entre os métodos testados para identificação, os melhores resultados foram obtidos por SVM, linearSVC, Floresta Aleatória e SGD. Portanto, os pesquisadores procederam a usar SVM em análises adicionais.

A melhor abordagem de modelo para extração de classificação em todo o corpus excedeu 90% de precisão, embora os pesquisadores notem que obter uma classificação clara se torna mais difícil ao lidar com publicações orientadas para B2B, onde a sobreposição lexical entre conteúdo “real” e “patrocinado” é excessiva – talvez porque o estilo nativo da linguagem empresarial já seja mais subjetivo do que as convenções gerais de reportagem e análise, e possa mais facilmente ocultar uma agenda.

Gráficos de t-Distributed Stochastic Neighbor Embedding (t-SNE) para separação de conteúdo real e patrocinado nas quatro publicações.

O Conteúdo Patrocinado é ‘Notícia Falsa’?

A pesquisa dos autores sugere que seu projeto é novo no campo da análise de conteúdo de notícias. Frameworks capazes de identificar conteúdo patrocinado podem abrir caminho para o desenvolvimento de monitoramento ano a ano do equilíbrio entre jornalismo objetivo e a crescente parcela de “publicidade nativa” que se encontra quase no mesmo contexto na maioria das publicações, usando os mesmos sinais visuais (folhas de estilo CSS e outros formatos) que o conteúdo geral.

Em certo sentido, a frequente falta de contexto óbvio para conteúdo patrocinado está surgindo como um subcampo do estudo de “notícias falsas”. Embora a maioria dos editores reconheça a necessidade de separação de “igreja e estado” e a obrigação de fornecer aos leitores divisões claras entre conteúdo pago e organicamente gerado, as realidades da cena jornalística pós-impressa e o aumento da dependência de anunciantes transformaram a ênfase na redução de indicadores patrocinados em uma arte fina na psicologia da UI. Às vezes, os prêmios de executar conteúdo patrocinado são tentadores o suficiente para arriscar um desastre óptico importante.

Em 2015, a plataforma de mídia social e benchmarking competitivo Quintly ofereceu um método de detecção baseado em IA para determinar se uma postagem no Facebook é patrocinada, alegando uma taxa de precisão de 96%. No ano seguinte, um estudo da Universidade da Geórgia argumentou que a forma como os editores lidam com a declaração de conteúdo patrocinado pode ser ‘cúmplice de engano’.

Em 2017, a MediaShift, uma organização que examina a interseção entre mídia e tecnologia, observou a extensão crescente com que o New York Times monetiza suas operações por meio de seu estúdio de conteúdo de marca, T Brand Studio, alegando níveis decrescentes de transparência em torno de conteúdo patrocinado, com o resultado tácito de que os leitores não podem facilmente distinguir se o conteúdo é organicamente gerado.

Em 2020, outra iniciativa de pesquisa dos Países Baixos desenvolveu classificadores de aprendizado de máquina para identificar automaticamente notícias financiadas pelo estado russo que aparecem em plataformas de notícias sérvias. Além disso, foi estimado em 2019 que as “soluções de conteúdo de mídia” da Forbes representam 40% de sua receita total por meio da BrandVoice, o estúdio de conteúdo lançado pelo editor em 2010.