NewsUnfold : Une nouvelle approche du biais médiatique

Le [biais médiatique](/fr/keywords/biais-mediatique--k307pzm), c'est un vrai souci qui peut mener à des opinions unilatérales et influencer comment les gens prennent leurs décisions. Ce problème est particulièrement courant sur les sites web et les réseaux sociaux. Beaucoup de lecteurs ne réalisent pas à quel point le biais impacte les infos qu'ils consomment. Quand les gens ne reconnaissent pas le biais médiatique, leurs points de vue sur des sujets importants peuvent être limités. C'est pour ça qu'il est nécessaire de sensibiliser les gens au biais médiatique et de trouver des moyens de le détecter automatiquement.

Pour traiter le biais médiatique dans les médias numériques, on peut utiliser des méthodes d'apprentissage automatique pour repérer le biais automatiquement. Mais c'est pas toujours évident. L'un des gros défis est d'obtenir des données fiables pour entraîner ces modèles d'apprentissage automatique. Une solution possible est d'utiliser les retours de vraies personnes pour améliorer la collecte de données. Cette approche a déjà bien fonctionné dans d'autres domaines.

Dans ce travail, on présente NewsUnfold, une appli de lecture de news qui met en avant visuellement le biais dans les articles. Elle collecte aussi les retours des lecteurs pour améliorer la qualité du dataset utilisé pour détecter le biais. Notre but, c'est de montrer qu'une approche centrée sur l'utilisateur peut aider à rassembler des infos utiles tout en étant facile à utiliser.

#Comment ça marche NewsUnfold

NewsUnfold est conçu pour aider les lecteurs à reconnaître le biais dans les articles de news. L'appli souligne les phrases qui pourraient contenir du biais et invite les utilisateurs à donner leur avis sur ces passages mis en avant. Notre étude montre que les retours des lecteurs améliorent la qualité des données qu'on collecte et aident le modèle d'apprentissage automatique à mieux fonctionner.

#Biais et son impact

Le biais médiatique peut prendre plein de formes. Il reflète souvent le parcours des gens qui créent l'info, comme leur âge, leur niveau d'éducation ou leurs croyances. Quand le contenu correspond aux opinions d'un lecteur, ça peut paraître neutre, mais les points de vue opposés semblent souvent biaisés. Sensibiliser les gens au biais médiatique leur permet de mieux le repérer dans différents contextes.

Quand les gens savent plus sur le biais médiatique, ils arrivent mieux à l'identifier à différents niveaux-que ce soit un mot dans une phrase ou le ton général d'un article. La plupart des contenus news ne sont pas strictement vrais ou faux ; ils contiennent souvent différents niveaux de biais. Ça met en lumière le besoin de recherches sur le biais médiatique.

#Défis dans la détection automatique du biais médiatique

Pas mal de méthodes ont été développées pour classer le biais médiatique automatiquement, mais elles font face à des défis importants. L'un des principaux soucis, c'est la qualité des données d'entraînement utilisées pour ces systèmes. Souvent, les datasets sont petits et non représentatifs. Même si le crowdsourcing peut être une solution pour collecter des données à moindre coût, ça peut mener à des résultats peu fiables quand beaucoup d'annotateurs non experts sont impliqués. D'un autre côté, les évaluations d'experts peuvent garantir la précision mais peuvent coûter cher.

Le marché des Jeux de données fiables pour la détection de biais médiatique est limité. Il n'y a pas assez de datasets de haute qualité pour entraîner les modèles efficacement. Les précédents efforts dans d'autres domaines utilisant des systèmes de feedback de vrais utilisateurs n'ont pas été testés pour le biais médiatique, surtout quand des méthodes visuelles sont impliquées.

#Développer NewsUnfold

Pour s'attaquer au problème de la détection du biais médiatique, on a développé un mécanisme de feedback au sein de NewsUnfold. Cette appli web fournit des indices visuels pour indiquer le Biais linguistique tout en demandant aux utilisateurs leur avis pour affiner le processus de détection du biais.

#Le processus de développement

La création de NewsUnfold suit un processus en trois étapes. D'abord, on a testé deux mécanismes de feedback différents pour voir lequel fonctionnait le mieux pour collecter des données. Ensuite, on a intégré l'un de ces mécanismes dans NewsUnfold. Enfin, on a utilisé NewsUnfold avec une sélection d'articles pour recueillir des retours et compiler un dataset appelé NewsUnfold Dataset (NUDA).

Nos résultats ont montré que le feedback des utilisateurs a mené à un accord de 90,97 % avec les annotations des experts, ce qui est beaucoup plus élevé que le précédent niveau de référence. De plus, utiliser le feedback a amélioré les performances de nos classificateurs-des outils qui détectent automatiquement le biais médiatique-de 2,49 %.

#Comprendre le biais linguistique

Le biais linguistique se produit quand les choix de mots sont délibérément faits pour soutenir ou critiquer un groupe ou une idée particulière. Ce type de biais peut se manifester de différentes manières. Même si recueillir des étiquettes binaires (c'est-à-dire étiqueter quelque chose comme biaisé ou pas biaisé) simplifie le problème, ça peut quand même poser des challenges.

Pour mieux comprendre comment les lecteurs interagissent avec la détection du biais, on a mené une étude impliquant des participants. Les retours recueillis ont montré que beaucoup d'utilisateurs trouvaient NewsUnfold facile à utiliser et utile pour leur lecture. Les participants ont déclaré se sentir plus critiques par rapport à ce qu'ils lisaient et ont exprimé un sentiment positif concernant les mises en avant visuelles.

#Importance des mécanismes de feedback

Recueillir des retours des lecteurs est super important pour développer des datasets de meilleure qualité. En testant les mécanismes de feedback, on visait à améliorer la qualité du dataset tout en rendant le processus agréable et engageant pour les utilisateurs. Le système de feedback permet aux lecteurs d'être d'accord ou pas avec les étiquettes de biais fournies par l'appli.

#La première étude

Dans notre étude initiale, on a comparé deux mécanismes de feedback. L'un mettait en avant visuellement les phrases biaisées, tandis que l'autre présentait des paires de phrases pour comparaison. Les participants pouvaient exprimer leur accord ou désaccord avec les classifications. On a noté leur niveau d'engagement, la qualité des retours, et à quel point leur feedback correspondait aux annotations des experts.

Les résultats ont révélé que le mécanisme avec des mises en avant uniques attirait plus de feedback et s'est avéré plus efficace pour collecter des données sans compromettre la qualité.

#Engagement des participants

L'étude a impliqué un total de 240 participants, avec une durée moyenne de participation d'environ 11 minutes. Nos résultats ont montré que la plupart des participants s'engageaient bien avec les tâches, contribuant significativement à la collecte de données.

Les démographies des participants indiquaient un groupe diversifié, avec des orientations politiques et des niveaux d'éducation variés.

Les retours qu'on a collectés ont montré que les mises en avant attiraient l'attention et aidaient beaucoup d'utilisateurs à mieux comprendre le biais. L'ensemble du processus de feedback s'est avéré efficace pour améliorer l'engagement.

#NewsUnfold en pratique

NewsUnfold est conçu pour être convivial. Il met en avant les phrases potentiellement biaisées dans les articles et incorpore un module de feedback qui permet aux lecteurs de donner leur avis. Les utilisateurs peuvent justifier leurs retours dans un champ de texte libre pour expliquer leur raisonnement.

#Design de l'application

La plateforme offre une interface similaire à celles des sites de regroupement de news populaires. Les utilisateurs sont encouragés à revenir régulièrement pour s'engager avec du contenu mis à jour. La mission de NewsUnfold est de promouvoir la sensibilisation au biais médiatique tout en recueillant des retours pour affiner le processus de détection.

L'appli affiche une sélection d'articles, permettant aux utilisateurs de voir comment le biais varie selon différents sujets et perspectives. Chaque article est choisi pour représenter un équilibre de contenu, s'assurant que les lecteurs peuvent comparer et contraster les biais.

#Expérience utilisateur

En plus de recueillir des retours, il était important d'évaluer comment les utilisateurs vivent NewsUnfold. Les participants ont eu l'opportunité de remplir un sondage volontaire après avoir utilisé l'appli. Leurs réponses ont révélé des sentiments positifs concernant la plateforme et ses fonctionnalités.

Les utilisateurs ont généralement trouvé NewsUnfold facile à comprendre et à naviguer. Beaucoup ont estimé que les mises en avant du biais les encourageaient à lire de manière plus critique, les engageant plus profondément avec le contenu.

#Retours sur le feedback

Les participants ont exprimé des sentiments mitigés sur le fait de donner leur avis. Pour certains, c'était intuitif et engageant, tandis que d'autres trouvaient que ça perturbait leur lecture. Des suggestions incluaient de rendre le tutoriel obligatoire pour s'assurer que tout le monde comprenne comment utiliser la plateforme efficacement.

Les retours du sondage ont indiqué des domaines à améliorer, comme traiter les distractions potentielles causées par les mises en avant dans le texte.

#Conclusion et futures perspectives

NewsUnfold montre le potentiel d'utiliser le feedback des utilisateurs pour rassembler des données de haute qualité sur le biais médiatique. L'appli intègre efficacement des mises en avant visuelles du biais et des mécanismes de feedback pour améliorer la compréhension et la sensibilisation au biais dans les articles de news.

En regardant vers l'avenir, on prévoit de développer davantage NewsUnfold en un site web autonome avec un flux de contenu continuellement mis à jour. Notre but est d'évaluer différentes méthodes de feedback pour la détection du biais médiatique et d'étendre la portée de l'application à d'autres plateformes, comme les réseaux sociaux.

Le mécanisme de feedback peut servir d'outil pour sensibiliser au biais à travers divers espaces numériques. On vise à intégrer cette fonctionnalité dans des sites web, permettant aux utilisateurs d'analyser mieux le contenu qu'ils consomment tout en contribuant à une compréhension collective du biais médiatique.

Ce faisant, on espère permettre aux utilisateurs non seulement de reconnaître les biais dans les news, mais aussi de s'engager de manière plus significative avec les infos qu'ils rencontrent. Avec des mises à jour continues et des retours des utilisateurs, NewsUnfold peut jouer un rôle clé dans le développement d'habitudes de lecture critique et l'amélioration de la culture médiatique dans un paysage médiatique de plus en plus complexe.