Визначення спонсорованого контенту на новинних сайтах за допомогою машинного навчання

Дослідники з Нідерландів розробили новий метод машинного навчання, який здатний розрізняти спонсорований або інакше оплачуваний контент у новинних платформах, з точністю понад 90%, у відповідь на зростаючий інтерес рекламодавців до форматів “родної” реклами, які важко відрізнити від “справжньої” журналістської продукції.

Нова стаття, озаглавлена Розрізнення комерційного та редакційного контенту в новинах, походить від дослідників Лейденського університету.

Комерційні (червоні) та редакційні (блакитні) субграфи, що виникають з аналізу даних. Джерело: https://arxiv.org/pdf/2111.03916.pdf

Автори спостерігають, що хоча більш серйозні видання, які можуть диктувати умови рекламодавцям, роблять розумну спробу розрізняти “партнерський контент” від загального потоку новин і аналізу, стандарти повільно але невідворотно зміщуються до збільшення інтеграції між редакційними та комерційними командами на платформі, що вони вважають небезпечною і негативною тенденцією.

‘Здатність маскувати контент, добровільно чи недобровільно, і ймовірність того, що рекламні статті не розпізнаються як такі, навіть якщо вони правильно позначені, значна. Маркетологи називають це “родною” рекламою з причини.’

Деякі поточні приклади родної реклами, яку називають “партнерським контентом”, “брендовим контентом” та багатьма іншими термінами, призначеними для тонкого стирання різниці між родною та комерційно розміщеним контентом на журналістських платформах.

Робота була проведена в рамках ширшого дослідження мережевої культури новин на каналі ACED Reverb, базованому в Амстердамі, який зосереджується на даних аналізу еволюції журналістських тенденцій.

Отримання даних

Для розробки джерельних даних для проекту автори використали 1000 статей і 1000 рекламних матеріалів з чотирьох голландських новинних сайтів і класифікували їх на основі їх текстових особливостей. Оскільки набір даних був відносно скромним за розміром, автори уникнули підходів великомасштабного типу, таких як BERT, і натомість оцінили ефективність більш класичних машинних навчальних рамок, включаючи Машини опорних векторів (SVM), LinearSVC, Дерево рішень, Случайний ліс, K-Nearest Neighbor (K-NN), Стохастичний градієнтний спуск (SGD) і Наївний Байес.

Корпус каналу Reverb був здатний надати 1000 необхідних “прямих” статей, але автори мали витягувати рекламні матеріали безпосередньо з чотирьох голландських сайтів, представлених. Отримані дані доступні в обмеженій формі (через проблеми з авторськими правами) на GitHub, разом з деяким з Python-кодом, використаним для отримання та оцінки даних.

Чотири публікації, вивчені в роботі, були політично консервативною Nu.nl, більш прогресивною Telegraaf, NRC і бізнес-журналом De Ondernemer. Кожна публікація була рівно представлена в даних.

Було необхідно ідентифікувати та виключити потенційні “лейкери” в лексиконі, створеному дослідженням – слова, які можуть з’являтися в обох типах контенту з малою різницею в частоті та використанні, щоб встановити чіткі закономірності для справжнього родного та спонсорованого контенту.

Результати

По всіх методах, протестованих для ідентифікації, найкращі результати були отримані за допомогою SVM, linearSVC, Случайного лісу та SGD. Тому дослідники продовжили використовувати SVM у подальшому аналізі.

Найкращий підхід моделі для видобування класифікації по корпусу перевищив 90% точності, хоча дослідники відзначають, що отримання чіткої класифікації стає більш складним при роботі з орієнтованими на Б2Б виданнями, де лексична перекриття між сприйнятою “справжньою” та “спонсорованою” контентом є надмірним – можливо, тому, що рідний стиль ділової мови вже більш суб’єктивний, ніж загальний потік звітів та аналітичних конвенцій, і може більш легко приховувати програму.

t-Дистрибутивне стохастичне сусіднє вкладення (t-SNE) для розділення реального та спонсорованого контенту по чотирьох публікаціях.

Чи є спонсорований контент “фейковими новинами”?

Дослідження авторів свідчить про те, що їхній проєкт є новим у сфері аналізу контенту новин. Рамки, здатні ідентифікувати спонсорований контент, можуть відкрити шлях до розробки річного моніторингу балансу між об’єктивною журналістикою та зростаючою частиною “родної реклами”, яка сидить майже в тому ж контексті в більшості публікацій, використовуючи ті ж візуальні сигнали (CSS-стилі та інше форматування) як загальний контент.

У певному сенсі, часта відсутність очевидного контексту для спонсорованого контенту виникає як підполе вивчення “фейкових новин”. Хоча більшість видавців визнають необхідність розділення “церкви та держави” та зобов’язання надавати читачам чіткі розділи між оплаченим та органічно згенерованим контентом, реалії постдрукованої журналістської сцени та збільшення залежності від рекламодавців перетворили демаскування спонсорованих індикаторів у тонке мистецтво в психології інтерфейсу. Іноді винагорода за виконання спонсорованого контенту достатньо велика, щоб ризикнути великою оптичною катастрофою.

У 2015 році соціальна медіа- та конкурентна платформа Quintly запропонувала метод виявлення на основі ІІ для визначення того, чи є публікація на Facebook спонсорованою, заявивши про рівень точності 96%. Наступного року дослідження університету Джорджії стверджувало, що спосіб, яким видавці обробляють заяву про спонсорований контент, може бути ‘згодним з обманом’.

У 2017 році MediaShift, організація, яка вивчає перетин між медіа та технологіями, відзначила зростаючий масштаб, у якому The New York Times монетизує свої операції через свій брендовий контент-студію T Brand Studio, заявляючи про зменшення рівня прозорості щодо спонсорованого контенту, з тимчасовим наміреним результатом, що читачі не можуть легко визначити, чи є контент органічно згенерованим.

У 2020 році інша дослідницька ініціатива з Нідерландів розробила машинні навчальні класифікатори для автоматичної ідентифікації російських державних новин, що з’являються на сербських новинних платформах. Крім того, було оцінено у 2019 році, що “розв’язання медіа-контенту” Forbes становлять 40% від його загального доходу через BrandVoice, контент-студію, запущену видавцем у 2010 році.