Xác định Nội dung Tài trợ trong Trang Tin tức với Học máy

Những nhà nghiên cứu từ Hà Lan đã phát triển một phương pháp học máy mới có khả năng phân biệt nội dung tài trợ hoặc trả phí trong các nền tảng tin tức, với độ chính xác hơn 90%, nhằm đáp ứng sự quan tâm ngày càng tăng của các nhà quảng cáo đối với các định dạng quảng cáo “native” khó phân biệt với sản phẩm báo chí “thật”.

Bài báo mới này, có tiêu đề Phân biệt Nội dung Thương mại và Biên tập trong Tin tức, đến từ các nhà nghiên cứu tại Đại học Leiden.

Các đồ thị con thương mại (đỏ) và biên tập (xanh) xuất hiện từ phân tích dữ liệu. Nguồn: https://arxiv.org/pdf/2111.03916.pdf

Các tác giả nhận thấy rằng mặc dù các ấn phẩm nghiêm túc hơn, những người có thể dễ dàng đặt ra các điều khoản cho các nhà quảng cáo, sẽ cố gắng phân biệt ‘nội dung đối tác’ với các tin tức và phân tích chung, nhưng các tiêu chuẩn đang dần thay đổi để tăng cường tích hợp giữa các đội ngũ biên tập và thương mại trên một kênh, điều mà họ coi là một xu hướng tiêu cực và đáng lo ngại.

‘Khả năng ngụy trang nội dung, có chủ ý hoặc không chủ ý, và khả năng các bài viết quảng cáo không được nhận ra là như vậy ngay cả khi được dán nhãn đúng là đáng kể. Các nhà tiếp thị gọi nó là quảng cáo “native” vì một lý do.’

Một số ví dụ hiện tại về quảng cáo native, được gọi là ‘nội dung đối tác’, ‘nội dung thương hiệu’, và nhiều tên gọi khác được thiết kế để che giấu sự khác biệt giữa nội dung native và nội dung thương mại trên các nền tảng báo chí.

Công việc này được thực hiện như một phần của một cuộc điều tra rộng lớn hơn về văn hóa tin tức mạng tại kênh ACED Reverb, có trụ sở tại Amsterdam, tập trung vào phân tích dữ liệu về các xu hướng báo chí đang phát triển.

Thu thập Dữ liệu

Để phát triển dữ liệu nguồn cho dự án, các tác giả đã sử dụng 1.000 bài viết và 1.000 bài viết quảng cáo từ bốn kênh tin tức Hà Lan và phân loại chúng dựa trên các tính năng văn bản. Vì tập dữ liệu tương đối nhỏ, các tác giả đã tránh các phương pháp quy mô lớn như BERT, và thay vào đó đánh giá hiệu quả của các khuôn khổ học máy cổ điển, bao gồm Máy Vector Hỗ trợ (SVM), LinearSVC, Cây Quyết định, Rừng Ngẫu nhiên, Láng giềng Gần nhất (K-NN), Giảm Gradient Ngẫu nhiên (SGD) và Bayes Ngây thơ.

Corpus của kênh Reverb có thể cung cấp 1.000 bài viết ‘thường’ cần thiết, nhưng các tác giả phải thu thập trực tiếp các bài viết quảng cáo từ bốn trang web Hà Lan được giới thiệu. Dữ liệu thu được có sẵn ở đây dưới dạng hạn chế (do lo ngại về bản quyền) trên GitHub, cùng với một số mã Python được sử dụng để thu thập và đánh giá dữ liệu.

Bốn ấn phẩm được nghiên cứu là kênh bảo thủ Nu.nl, kênh tiến bộ Telegraaf, NRC, và tạp chí kinh doanh De Ondernemer. Mỗi ấn phẩm được đại diện đồng đều trong dữ liệu.

Điều cần thiết là phải xác định và loại bỏ các ‘thông tin rò rỉ’ tiềm năng trong từ vựng được hình thành bởi nghiên cứu – các từ có thể xuất hiện trong cả hai loại nội dung với tần suất và cách sử dụng không khác biệt, để thiết lập các mẫu rõ ràng cho nội dung native và tài trợ thực sự.

Kết quả

Trên các phương pháp được thử nghiệm để xác định, kết quả tốt nhất được thu được bởi SVM, linearSVC, Rừng Ngẫu nhiên và SGD. Do đó, các nhà nghiên cứu đã tiếp tục sử dụng SVM trong phân tích tiếp theo.

Phương pháp mô hình tốt nhất để trích xuất phân loại trên toàn bộ corpus vượt quá 90% độ chính xác, mặc dù các nhà nghiên cứu lưu ý rằng việc đạt được phân loại rõ ràng trở nên khó khăn hơn khi xử lý các ấn phẩm định hướng B2B, nơi sự chồng lấp từ vựng giữa nội dung ‘thật’ và ‘tài trợ’ là quá mức – có thể vì ngôn ngữ kinh doanh native đã chủ quan hơn so với các quy ước báo chí và phân tích chung, và có thể che giấu một chương trình nghị sự.

Biểu đồ t-SNE cho việc tách nội dung thực và tài trợ trên bốn ấn phẩm.

Nội dung Tài trợ có phải là ‘Tin giả’?

Nghiên cứu của các tác giả cho thấy rằng dự án của họ là mới trong lĩnh vực phân tích nội dung tin tức. Các khuôn khổ có khả năng xác định nội dung tài trợ có thể mở đường cho việc phát triển theo dõi hàng năm về sự cân bằng giữa báo chí khách quan và lượng ‘quảng cáo native’ ngày càng tăng, nằm trong cùng một ngữ cảnh trong hầu hết các ấn phẩm, sử dụng cùng các tín hiệu hình ảnh (CSS và định dạng khác) như nội dung chung.

Trong một nghĩa nhất định, sự thiếu rõ ràng thường xuyên về ngữ cảnh cho nội dung tài trợ đang nổi lên như một lĩnh vực con của nghiên cứu về ‘tin giả’. Mặc dù hầu hết các nhà xuất bản nhận ra sự cần thiết phải tách ‘giáo hội và nhà nước’, và nghĩa vụ phải cung cấp cho người đọc các phân chia rõ ràng giữa nội dung trả phí và nội dung được tạo ra tự nhiên, nhưng thực tế của cảnh báo báo chí sau in và sự phụ thuộc ngày càng tăng vào các nhà quảng cáo đã biến việc giảm thiểu các chỉ dẫn tài trợ thành một nghệ thuật trong tâm lý học UI. Đôi khi, lợi ích của việc chạy nội dung tài trợ đủ lớn để mạo hiểm một thảm họa quang học lớn.

Vào năm 2015, nền tảng truyền thông xã hội và so sánh cạnh tranh Quintly đã cung cấp một phương pháp phát hiện dựa trên AI để xác định xem một bài đăng trên Facebook có phải là tài trợ hay không, với tỷ lệ chính xác là 96%. Năm sau, một nghiên cứu từ Đại học Georgia cho rằng cách các nhà xuất bản xử lý việc tuyên bố nội dung tài trợ có thể là ‘đồng lõa với sự lừa dối’.

Vào năm 2017, MediaShift, một tổ chức nghiên cứu sự giao thoa giữa truyền thông và công nghệ, quan sát mức độ ngày càng tăng mà The New York Times kiếm tiền từ hoạt động của mình thông qua phòng thu nội dung thương hiệu của mình, T Brand Studio, với mức độ minh bạch giảm xung quanh nội dung tài trợ, với kết quả là người đọc không thể dễ dàng phân biệt liệu nội dung có phải là tự nhiên hay không.

Vào năm 2020, một sáng kiến nghiên cứu khác từ Hà Lan đã phát triển các phân loại học máy để xác định tự động tin tức do nhà nước Nga tài trợ xuất hiện trên các nền tảng tin tức Serbia. Hơn nữa, vào năm 2019, ước tính rằng ‘giải pháp nội dung truyền thông’ của Forbes chiếm 40% doanh thu tổng thể của họ thông qua BrandVoice, phòng thu nội dung được nhà xuất bản ra mắt vào năm 2010.