Identificarea conținutului sponsorizat pe site-urile de știri cu ajutorul învățării automate

Cercetătorii din Țările de Jos au dezvoltat o nouă metodă de învățare automată care poate distinge conținutul sponsorizat sau plătit în cadrul platformelor de știri, cu o acuratețe de peste 90%, ca răspuns la interesul tot mai mare al agenților de publicitate pentru formatele de publicitate “native” care sunt greu de diferențiat de producția jurnalistică “reală”.

Noul articol, intitulat Distingerea conținutului comercial de cel editorial în știri, provine de la cercetători de la Universitatea Leiden.

Subgrafuri comerciale (roșu) și editoriale (albastru) care apar în urma analizei datelor. Sursă: https://arxiv.org/pdf/2111.03916.pdf

Autorii observă că, deși publicațiile mai serioase, care pot dicta termenii pentru agenții de publicitate, vor face eforturi rezonabile pentru a distinge “conținutul partener” de fluxul general de știri și analiză, standardele se schimbă încet dar inexorabil spre o integrare mai mare între echipele editoriale și comerciale ale unei publicații, ceea ce consideră a fi o tendință alarmantă și negativă.

‘Capacitatea de a masca conținutul, conștient sau inconștient, și probabilitatea ca articolele de publicitate să nu fie recunoscute ca atare, chiar dacă sunt corect etichetate, este semnificativă. Agenții de publicitate îl numesc publicitate “native” dintr-un anumit motiv.’

Exemple actuale de publicitate nativă, numită și “conținut partener”, “conținut de brand” și multe alte denumiri destinate să ascundă subtil distincția dintre conținutul nativ și cel comercial plasat în platformele jurnalistice.

Lucrarea a fost efectuată ca parte a unei investigații mai ample privind cultura știrilor în rețea la ACED Reverb Channel, cu sediul în Amsterdam, care se concentrează pe analiza datelor privind evoluția tendințelor jurnalistice.

Obținerea datelor

Pentru a dezvolta datele sursă pentru proiect, autorii au utilizat 1.000 de articole și 1.000 de articole de publicitate de la patru publicații olandeze și le-au clasificat în funcție de caracteristicile lor textuale. Deoarece setul de date a fost relativ modest ca mărime, autorii au evitat abordări la scară largă, cum ar fi BERT, și au evaluat în schimb eficacitatea unor cadre de învățare automată mai clasice, inclusiv Mașina de susținere a vectorilor (SVM), LinearSVC, Arbore de decizie, Pădure aleatorie, Cel mai apropiat vecin (K-NN), Coborâre stocastică a gradientului (SGD) și Teorema lui Bayes naivă.

Corpusul Reverb Channel a putut furniza cele 1.000 de articole “drepte” necesare, dar autorii au trebuit să extragă direct articolele de publicitate de pe cele patru site-uri olandeze prezentate. Datele obținute sunt disponibile în formă limitată (din cauza problemelor de drepturi de autor) pe GitHub, împreună cu unele dintre codurile Python utilizate pentru a obține și evalua datele.

Cele patru publicații studiate au fost publicația conservatoare Nu.nl, publicația progresistă Telegraaf, NRC și revista de afaceri De Ondernemer. Fiecare publicație a fost reprezentată în mod egal în date.

A fost necesar să se identifice și să se descarteze potențialii “scurgeri” din lexicul format de cercetare – cuvinte care ar putea apărea în ambele tipuri de conținut cu puțină distincție între frecvența și utilizarea lor, pentru a stabili modele clare pentru conținutul nativ și sponsorizat.

Rezultate

În cadrul metodelor testate pentru identificare, cele mai bune rezultate au fost obținute prin SVM, linearSVC, Pădure aleatorie și SGD. Prin urmare, cercetătorii au procedat să utilizeze SVM în analiza ulterioară.

Abordarea modelului cel mai bun pentru extragerea clasificării pe întregul corpus a depășit 90% acuratețe, deși cercetătorii notează că obținerea unei clasificări clare devine mai dificilă atunci când se ocupă de publicații orientate spre B2B, unde suprapunerea lexicală dintre conținutul “real” și cel sponsorizat este excesivă – poate pentru că stilul nativ al limbajului de afaceri este deja mai subiectiv decât convențiile generale de raportare și analiză și poate ascunde mai ușor o agendă.

Reprezentări t-Distributed Stochastic Neighbor Embedding (t-SNE) pentru separarea conținutului real și sponsorizat pe cele patru publicații.

Este conținutul sponsorizat “știri false”?

Cercetarea autorilor sugerează că proiectul lor este inovator în domeniul analizei conținutului știrilor. Cadrele capabile să identifice conținutul sponsorizat ar putea deschide calea pentru dezvoltarea unor monitorizări anuale ale echilibrului dintre jurnalismul obiectiv și tranșa tot mai mare de “publicitate nativă” care se află în același context în majoritatea publicațiilor, utilizând aceleași indicii vizuale (fișiere CSS și alte formate) ca și conținutul general.

Într-un anumit sens, lipsa frecventă de context evident pentru conținutul sponsorizat este în curs de a deveni un subdomeniu al studiului “știrilor false”. Deși majoritatea editorilor recunosc nevoia de separare a “bisericii și statului” și obligația de a oferi cititorilor diviziuni clare între conținutul plătit și cel generat organic, realitățile scenei jurnalistice post-tipar și creșterea dependenței de agenții de publicitate au transformat minimalizarea indicatorilor de sponsorizare într-o artă fină în psihologia UI. Uneori, recompensele pentru rularea conținutului sponsorizat sunt suficient de mari pentru a risca o catastrofă optică majoră.

În 2015, platforma de socializare și benchmarking competitiv Quintly a oferit o metodă de detectare bazată pe inteligență artificială pentru a determina dacă o postare pe Facebook este sponsorizată, afirmând o rată de acuratețe de 96%. Anul următor, o studiu de la Universitatea din Georgia a susținut că modul în care editorii gestionează declarația de conținut sponsorizat poate fi ‘complici la înșelăciune’.

În 2017, MediaShift, o organizație care examinează intersecția dintre mass-media și tehnologie, a observat extinderea tot mai mare a modului în care The New York Times își monetizează operațiunile prin studioul său de conținut de marcă, T Brand Studio, afirmând niveluri tot mai scăzute de transparență în jurul conținutului sponsorizat, cu rezultatul tacit intenționat că cititorii nu pot determina ușor dacă conținutul este generat organic sau nu.

În 2020, o altă inițiativă de cercetare din Țările de Jos a dezvoltat clasificatori de învățare automată pentru a identifica automat știrile finanțate de statul rus care apar în platformele de știri sârbe. Mai mult, s-a estimat în 2019 că “soluțiile de conținut media” ale Forbes reprezintă 40% din veniturile sale totale prin BrandVoice, studioul de conținut lansat de editor în 2010.