Economy and Enterprise – US vs France Taxonomies.

Economy and Enterprise en France.

Demandons à TrustedOut, pour la France, quelle est la taxonomie de tous les médias couvrant le groupe de classification « Economie et Entreprise » au cours des 7 derniers jours.

Voici la requête du corpus :

Affichant 373 médias et 750 sources

et l’ADN de la taxonomie :

Economy and Enterprise aux USA.

Demandons à TrustedOut, pour les USA, quelle est la taxonomie de tous les médias couvrant le groupe de classification « Economie et Entreprise » au cours des 7 derniers jours.

Voici la requête du corpus :

Affichant 1,961 Medias et 3,645 sources

et l’ADN de la taxonomie :

Comparaisons:

France USA
General, 43.6% General, 41.9%
General > Economy and Enterprise, 20.2% General > Economy and Enterprise, 21.5%
General > Economy and Enterprise > Economy, 6.2%
General >  Finance, 5.2% General >  Finance, 5.4%
General >  Law, 6.5%
General > Tech, 8% General > Tech, 8%
Industries, 22.2% Industries, 19.1%
Sciences, 6.7% Sciences, 7.7%
People, 27.3% People, 31.2%
People > Culture and Arts, 7.3%
People > Sports, 6.6%
People > Lifestyle, 5.9%

Comment lire le tableau ci-dessus : Le pourcentage correspond à la quantité du dataset de la classification contenue dans la publication. Ex : Aux Etats-Unis, les médias couvrant l’économie et l’entreprise ont également 5,9% de mots appartenant à la classification Lifestyle (partie de People).

En France, les medias de « Economie et Entreprise » couvrent également :

Deeper in Economy
Law
Culture and Arts
Sports

Alors qu’aux USA, « Economy and Enterprise » couvre également :

Lifestyle

Affiner votre corpus pour comparer des pommes entre des pommes.

Vous voulez comparer les deux pays pour le lancement d’un produit, mais vous ne voulez pas de la classification Lifestyle aux États-Unis ?

Ajoutez simplement la taxonomie IS NOT Lifestyle :

Voila. Lancez maintenant vos analyses sur ces 2 corpus ou/et obtenez les listes blanches correspondantes…

Des questions ? Contactez-nous !

Affiner votre corpus pour perfectionner les analyses et créer des whitelists parfaites.

Jetons un coup d’oeil à quelques mises à jour que nos alpha-testeurs peuvent apprécier depuis hier soir.

Scenario de la démo: Disons que nous voulons créer un Corpus pour le marché alimentaire américain pour certaines analyses de notre marque et une nouvelle campagne publicitaire qui arrive prochainement.

1/ La définition large. Pays et taxonomie.

Ajouter un pays, sélectionnez États-Unis.

Ajoutez la taxonomie IS composée de ces deux classifications :

  • Industry > Manufacturing and Retail > Food and Beverages
  • People > Lifestyle > Food and Beverages Services.

Comme vous le savez, TrustedOut profile également le niveau d’expertise et la sensibilité aux news pour chaque média. Dans notre démo, nous voulons TOUS les niveaux et une taxonomie, stable, sur le dernier trimestre glissant (-90 jours à partir d’aujourd’hui). Nous recalculons et mettons à jour tout en permanence.

Nous avons 4 003 médias pour notre whitelist et 10 027 sources pour alimenter nos outils analytiques.

2/ Affiner la cible. Exclure une classification.

Pour cet effort, nous ne voulons pas de médias spécialisés dans le « Food processing » (transformation alimentaire), profilés sur la même période de temps, donc nous l’excluons de notre Corpus comme ceci :

  • IS Industry > Manufacturing and Retail > Food and Beverages
  • IS People > Lifestyle > Food and Beverages Services.
  • IS NOT Industry > Agriculture > Food Processing

Nous avons maintenant 487 médias et 732 sources.

3/ Sélectionner individuellement les médias voulus ou non voulus. Par nom, par URL.

(Ceci est une démo. Rien de personnel pour ces sites 🙂

D’après nos expériences passées, nous ne voulons pas travailler avec quoi que ce soit en rapport avec foodnavigator.com et ses filiales et nous ne voulons pas non plus d’un site nommé « Food processing ». En cliquant sur « Get » et en faisant défiler la liste des médias que TrustedOut me donne, je vois qu’ils sont bien dans la liste :

Enlevons les de notre Corpus :

Disons à notre corpus d’ajouter les conditions suivantes :

  • Name DOES NOT CONTAIN « Food processing »
  • Website DOES NOT CONTAIN « foodnavigator » in its domain

Voila. 484 médias et 726 sources.

Le Corpus est prêt à alimenter notre outil d’analyse BI et à être notre Whitelist (à importer dans notre DSP).

Des questions ? Dîtes-nous !

Comment fonctionne notre classification par Intelligence Artificielle.

Nous recevons beaucoup de questions sur le fonctionnement de notre classification par IA, nous avons donc décidé de faire 2 dessins pour expliquer son fonctionnement.

1. La taxonomie.
Les Médias de l’intérieur.
Incluant expertise et sensibilité.

Un média a des sources qui publient chacune de nouveaux articles. De chaque nouvel article, nous ne gardons que des mots utiles (pas de « stop words » comme « le, est, mais… ») que nous appelons « abstract ».

Chaque mot de ce nouvel abstract est comparé à plusieurs centaines de datasets de mots (bags of words). Chaque classification de notre taxonomie a son propre dataset.

Chaque million d’abstracts représente 75,000,000,000 d’operations.

Cette méthode est proche du modèle tribal. Chaque tribu utilise un dialecte fait de mots qui signent ce dialecte. Quand on reconnaît un dialecte, on reconnaît une tribu, ici appelé classification. En fonction du nombre et du poids des mots, nous sommes en mesure d’évaluer le niveau d’expertise dans la classification. Cela nous donne une note pour l’article.

En jouant avec la longueur de la période passée, on peut aussi mesurer la sensibilité des sources à l’actualité. La compilation des sources nous renseigne sur la situation des médias.

Conclusion : Nous avons une taxonomie universelle, toujours mise à jour et pouvant être filtrée par niveau d’expertise et sur 3 périodes de temps pour détecter la sensibilité au travers du temps (et la formation de tendances, mais nous vous en dirons plus très bientôt)

2. Les Perceptions.
Les Média de l’extérieur.
Comment un média est-il perçu.

Les « fake news », la « Junk science » et d’autres appréciations toxiques sont tangibles. Rarement, cela peut-il être intangible, parce qu’il s’agit d’appréciations. Ce qui est une « fake news » pour certains ne l’est pas pour d’autres. C’est pourquoi nous traitons ces appréciations comme « spotted as », ou « perçues sur internet comme ».

Tout comme la taxonomie, on parle ici d’appréciation, mais, alors que la taxonomie concerne l’éditeur lui-même, nous l’appelons le « Publisher Inside », la perception est le « Publisher Outside », ou comment l’éditeur est perçu pour ces termes sur le web.

Pour ce faire, nous collectons la perception de l’éditeur sur Internet, en excluant strictement toute propriété de l’éditeur lui-même.

Cela nous donne des pages et des mots que nous associons aux datasets de chaque Perceptions (un pour les « fausses nouvelles », un pour la « science poubelle » et ainsi de suite) d’une manière similaire à celle expliquée ci-dessus.

Nous avons alors un score qui, lorsqu’il est supérieur à un seuil, fait que la publication est « perçue comme une fake news » par exemple.

Conclusion : Nous évaluons comment une publication est perçue, par Machine Learning, car aucune personne ou aucun groupe ne peut le décréter.

Des questions ? Tirez !

« Fausses nouvelles » ne veut presque rien dire.

Ce post est inspiré de cet article du Washington Post (en anglais)

3 Américains sur 4 pensent que les médias traditionnels rapportent des « fake news »…

Ce chiffre provient d’un sondage réalisé en 2018 à l’Université Monmouth.

Nous n’entrerons pas dans l’argumentation politique, mais nous nous concentrerons sur la définition de ce que signifie  » fake news ».

… mais que signifie « fake news » ?

« Quand vous voyez le résultat, vous ne savez pas ce que cela signifie « , a déclaré Tom Rosenstiel, directeur exécutif de l’American Press Institute, qui a une expérience des sondages chez Pew Research.

« Il pourrait s’agir d’histoires que je n’aime pas, d’histoires qui critiquent une personne que j’aime, d’histoires qui comportent une erreur factuelle, d’histoires qui sont fondamentalement fausses ou d’histoires inventées par des farceurs ou des propagandistes politiques à partir de tout le tissu « , dit-il.

Les « fake news » sont-elles des « articles factuels que je n’aime pas » ?

Et si les « fausses nouvelles » comprennent des « reportages factuels que je n’aime pas », il n’est pas étonnant que les chiffres négatifs soient si élevés. S’il comprend aussi des « décisions éditoriales » qui ont des répercussions négatives sur un titulaire de charge, c’est encore moins étonnant.

Le problème ne sont pas les « fake news », mais « la définition de votre confiance ».

Le niveau de confiance dans « Media que je lis » est supérieur de 50% à celui des médias en général.

…. et la définition de votre confiance est ce qu’est TrustedOut.

TrustedOut :
Une base de données de médias profilés AI.

Pour l’analyse sémantique et la Brand Safety,
« what’s not Trusted In, can not be Trusted Out.”

Des questions ? Contactez-nous !

 

Ajout de la sensibilité aux nouvelles dans notre taxonomie.

Classification taxonomique sur différentes périodes pour CNN Politics.

Brand Safety 2.0 porte sur les valeurs de la marque.

Comme nous l’écrivions dans notre article précédent : « Brand Safety 1.0 portait sur les mots-clés toxiques, 2.0 ajoute des valeurs de marque. »

Les valeurs de la marque sont tangibles. Il doit en être de même pour le profilage des médias.

Pour évaluer les valeurs de la marque, qui sont faites de perceptions tangibles, les marques d’éditeurs correspondantes doivent être profilées avec la classification du contenu, en utilisant l’IA pour être impartiales, universelles et toujours à jour.

Notre taxonomie basée sur l’intelligence artificielle et le traitement massif des données permettent déjà une taxonomie universelle ET une expertise approfondie…..

Nous avons présenté, dans des articles précédents, notre taxonomie universelle et sa vision de l’ADN : « Les profils médiatiques sont la clé de la Business Intelligence et de la Publicité.

… nous annonçons aujourd’hui la news-sensitivity en taxonomie !

En jouant avec les périodes de temps du passé, de la semaine passée, du mois passé, du trimestre passé, nous sommes maintenant capables de classer en conséquence notre classement et donc, ici, notre taxonomie.

En d’autres termes, en fonction du projet de marketing et des valeurs de la marque, TrustedOut sera en mesure de fournir des médias sensibles aux nouvelles ou stables.

Pas d’interface encore, mais nous n’avons pas pu le garder pour nous, voici à quoi ressemble CNN – Politique depuis une semaine, un mois et un trimestre.

Une lecture rapide est :

International :

… disparaît du top 5 sur la période du dernier trimestre (-90 jours). C’est peut-être dû à l’Iran et à la guerre commerciale/aux affaires mexicaines. La profondeur diminue également avec le temps.

Parti politique :

… diminue avec le temps.

La défense devient civile avec le temps et l’éducation et les LGBTQ sont très sensibles aux nouvelles. Disparaissent avec le temps.

Nouvelle interface utilisateur et nouvelle killer-fonction à venir…..

Nous inclurons la news-sensitivity dans la définition du Corpus et, teasant encore une fois, nous dévoilerons une killer-fonctionnalité en utilisant cette toute nouvelle et unique capacité,

Restez à l’écoute.

N’hésitez pas à nous contacter si vous avez une question !

 

TrustedOut en 1-page.

Les « 1-pagers » sont très populaires. Tout en une seule page. Voici la nôtre :

TrustedOut:
Une base de données de Medias
profilés par Intelligence Artificielle.

”Pour la Business Intelligence et la Brand Safety,
ce qui n’est pas sûr à l’entrée, ne peut pas être sûr à la sortie”

Des questions ? Dites-nous !

Nouvelle page de démo: TrustedOut et la BI, la publicité et les RPs.

Une nouvelle page de Démonstration a été ajoutée a TrustedOut.com

Le scénario

 

ACME est un constructeur de voitures de sport qui lance un nouveau modèle utilisant largement l’intelligence artificielle (IA). ACME a 2 pays principaux, les États-Unis et la France et se demandent quel marché tester en premier.

1. Corpus Intelligence pour la Business Intelligence. Sélection d’un marché.

Nouveau corpus, le CMO (our Marketing Manager) définit 3 conditions pour être nécessaire. a. Où se trouvent les publications ? Nous avons dit la France et les États-Unis b. Quel devrait être l’objet de ces publications ? ACME veut saisir comment l’intelligence artificielle est perçue dans les publications couvrant la politique, pour la réglementation, le droit, pour les aspects juridiques, la technologie, pour évaluer la technologie utilisée et les perceptions et, bien sûr, le transport, pour tout ce qui concerne la voiture. c. Vous voulez être à l’abri de tout contenu toxique ? Bien sur. Pas de Fake News et pas de Junk Science. A ce stade, nous voulons des publications généralistes en réglant le niveau d’expertise sur « Covered  » Voici la requête correspondante pour notre Corpus, que nous allons nommer « ACME AI in new model ».

Aller à la page de démonstration >

2. Corpus Intelligence pour la Brand Safety & les rapports de campagne. White listings.

Le CMO de l’ACME veut vérifier si les médias Pure Player (média uniquement disponible en ligne) sont une bonne cible. Après tout, les Pure Players devraient être plus réactif et ne pas avoir à synchroniser d’autres canaux, comme les journaux ou magasines, par exemple, qui peuvent être quotidiens, hebdomadaires ou mensuelles, avec la publication en ligne immédiate. Retournons sur TrustedOut et changeons le Corpus comme suit: a. Où sont les publications ? Nous voulons maintenant nous limiter à France. b. Sélectionner Pure Players ? Nous voulons des médias où « out of digital » est réglé sur « None » pour n’avoir que ceux qui ne publient sur aucun autre support.

Aller à la page de démonstration >

3. Corpus Intelligence pour Couverture et Gestion du contenu. Optimisation des campagnes de RPs.

Digimind nous donne les concepts clés pour rédiger notre communiqué de presse : Avec le Corpus, nous avons les publications à cibler, avec ces concepts clés, nous avons comment rédiger un communiqué de presse qui intéressera ces cibles.

Aller à la page de démonstration >

Questions ? Dites-nous !

Présentation et démo de notre 1er événement public : TrustedOut+Digimind.

C’était ce jeudi matin et c’était génial. C’était notre première présentation publique et c’était formidable de nous associer à Digimind pour montrer pourquoi TrustedOut peut rendre l’Intelligence plus intelligente et fiable. Merci Aurelien et Valentin.

La présentation. TrustedOut.com/Digimind

La présentation est en anglais. Si vous avez des questions, n’hésitez pas à nous le faire savoir à l’aide du formulaire ci-dessous.

La démonstration. Etape par étape.

Le scénario.

ACME est un constructeur de voitures de sport qui lance un nouveau modèle utilisant largement l’intelligence artificielle (IA). ACME a 2 pays principaux, les États-Unis et la France et se demandent quel marché tester en premier.

Etape 1. Création de Corpus pour la comparaison de pays.

Nouveau corpus, le CMO (our Marketing Manager) définit 3 conditions pour être nécessaire.

a. Où se trouvent les publications ? Nous avons dit la France et les États-Unis
b. Quel devrait être l’objet de ces publications ? ACME veut saisir comment l’intelligence artificielle est perçue dans les publications couvrant la politique, pour la réglementation, le droit, pour les aspects juridiques, la technologie, pour évaluer la technologie utilisée et les perceptions et, bien sûr, le transport, pour tout ce qui concerne la voiture.
c. Vous voulez être à l’abri de tout contenu toxique ? Bien sur. Pas de Fake News et pas de Junk Science.

A ce stade, nous voulons des publications généralistes en réglant le niveau d’expertise sur « Covered  »

Voici la requête correspondante pour notre Corpus, que nous allons nommer « ACME AI in new model ».

Une fois prêt, « Save » nous montre combien de médias et de sources seront dans notre Corpus….

…. et la taxonomie de votre Corpus.

Connectons maintenant votre Corpus TrustedOut à Digimind pour obtenir l’Intelligence Sociale de votre Corpus. Le processus est simple, cliquez sur « Get » et, au lieu de « Download » un fichier csv ou json avec tous les médias et sources, qui ne sera pas toujours à jour, cliquez sur « Connect » et choisissez Digimind.

Votre Corpus « ACME AI in new model » est maintenant live et accessible pour tous les projets liés à cette définition de corpus. TrustedOut continuera à le mettre à jour, tout le temps, avec les médias et les sources pertinentes.

Digimind collecte le contenu de ces sources de médias, donc pas besoin de connecter également les « résumés d’article » avec Digimind.

Step 2. Comparer les pays sur le sujet de l’Intelligence Artificielle.

Comme le Corpus est immédiatement disponible et à jour dans Digimind, nous pouvons lire les principaux concepts suivants sur l’IA dans les deux pays.

ACME est très sensible à l’éthique dans l’intelligence artificielle, par conséquent, il choisit la France comme premier pays à tester son nouveau modèle pour traiter ce sujet éthique avec le plus grand soin.

Étape 3. Les meilleurs profils médias pour vos campagnes publicitaires.

Le CMO de l’ACME veut vérifier si les médias Pure Player (média uniquement disponible en ligne) sont une bonne cible. Après tout, les Pure Players devraient être plus réactif et ne pas avoir à synchroniser d’autres canaux, comme les journaux ou magasines, par exemple, qui peuvent être quotidiens, hebdomadaires ou mensuelles, avec la publication en ligne immédiate.

Retournons sur TrustedOut et changeons le Corpus comme suit:

a. Où sont les publications ? Nous voulons maintenant nous limiter à France.
b. Sélectionner Pure Players ? Nous voulons des médias où « out of digital » est réglé sur « None » pour n’avoir que ceux qui ne publient sur aucun autre support.

« Save ». Et maintenant nous recevons ces montants:

Étape 4. Le parfait mélange d’éthique et d’affaires pour une 1ère campagne publicitaire.

Alors que la France est plus  » éthique  » en matière d’intelligence artificielle, les Pure Players sont plus orientés business que tous. Le CMO de ACME voit la croissance de 37% (tous médias confondus) à 45% (Pure Players) dans les affaires pour cette sélection de médias comme le véhicule parfait pour tester un message éthique sur des gens orientés affaires.

Étape 5. Parlez le language des professionnels de l’IA.

Maintenant, ACME veut lancer son premier communiqué de presse et s’adresser d’abord à la communauté geek et très technique, revenons à TrustedOut et faisons les changements suivants:

a. De quoi devraient parler ces publications ? Nous ne voulons plus que les publications Techniques et Transports
b. Quel niveau d’expertise ? Uniquement ceux dédiés.

… et, bien sûr, des publications plus spécialisées signifient moins de médias au total :

Étape 6. Concepts clés pour une campagne de relations publiques optimale.

Digimind nous donne les concepts clés pour rédiger notre communiqué de presse : Avec le Corpus, nous avons les publications à cibler, avec ces concepts clés, nous avons comment rédiger un communiqué de presse qui intéressera ces cibles.

Conclusion : TrustedOut+Digimind = Sélection de marchés, budgets publicitaires optimaux et relations publiques parfaites ?

Des questions ? Dites-vous !

Google à la rescousse des médias locaux.

Google à la rescousse des médias locaux.

Suite à notre message initialement posté le 1/17, mis à jour le 2/19, voici les dernière nouvelle de mars, dans un message séparé car nous couvrons ici une initiative de Google.

Sauver le journalisme. [mis à jour le 19 février 2019]

The Local Experiment Project.

[ce post s’inspire d’un post d’Axios] « Google lance le Local Experiments Project, un effort pour financer des douzaines de nouveaux sites d’informations locales à travers le pays et éventuellement dans le monde. » [traduction utilisant deepl.com]

Soutenu financièrement. Indépendant éditorialement.

Le géant de la technologie affirme qu’il n’aura aucun contrôle éditorial sur les sites, qui seront construits par des partenaires qu’il sélectionnera en fonction de leur expertise en matière de nouvelles locales.

The Compass Experiment…

…est un partenariat entre Google et McClatchy pour lancer trois nouvelles opérations de nouvelles locales exclusivement numériques sur plusieurs plateformes.

McClatchy maintiendra un contrôle et une propriété éditoriale exclusive des sites et Google ne participera ni aux efforts ni aux décisions des éditeurs.

Google indique que les investissements seront importants. « Nous allons dépenser plusieurs millions de dollars pour ce projet « , déclare Richard Gingras, vice-président des nouvelles de Google.

McClatchy choisira 3 villes qui comptent moins d’un demi-million de personnes pour le lancement du site. Elle n’a pas annoncé de plans d’embauche, mais les gens qui connaissent bien les efforts disent qu’il y aura éventuellement des gens sur le terrain dans ces villes, en particulier dans les petites villes. Craig Forman, PDG de McClatchy, affirme que le programme cible les villes de moins d’un demi-million d’habitants, car c’est là que les nouvelles locales se dégradent le plus. M. Gingras affirme que ces villes sont importantes parce que les gens y ont un fort sentiment d’appartenance à la collectivité, ce qui peut être plus difficile à exploiter dans les centre-villes et à l’échelle nationale,

Entre les lignes : McClatchy sera la première d’une série d' »expériences » dans le cadre du projet d’expérimentation locale. L’objectif est d’utiliser les leçons tirées des efforts de McClatchy, et d’autres à l’avenir, pour créer un réseau d’idées partagées qui peuvent être exploitées par tous les acteurs de l’information locale.

Et après ? Le Monde !

En cas de succès, Google pourrait étendre ses outils et services pour permettre à d’autres de lancer des sites similaires dans d’autres endroits aux États-Unis et dans le monde. Gingras cite des exemples de sites de nouvelles au Canada, en France et aux États-Unis comme exemples d’entreprises de nouvelles locales qui peuvent prospérer avec les bonnes stratégies et les bons investissements.

11.04.19.9h00.Paris

Si vous êtes à Paris le 11 avril, 9h-11h, venez nous voir ! Inscription ici.

Questions ? Dites-nous !

La Classification opérée par IA de TrustedOut.

Collecte de données et classification du contenu.

Notre base de données de profils médias a 2 fonctions distinctes. Collecte de données intangibles, comme le revenu, la propriété, les années en ligne…) et classification du contenu pour notre taxonomie et comment les sites sont « repérés comme » (comme « fausses nouvelles », « junk science »…) La collecte de données est un exercice multi-reférences, de vérification croisée et de veille d’évolution quand…

La classification du contenu est entièrement basée sur le Machine Learning.

Et sur « sacs des mots » (bags of words). Pour chaque travail de classification, nous construisons des ensembles de données (datasets) composés de mots sur lesquels la fréquence d’occurrence est utilisée pour former un classificateur.

Classification de la Taxonomie.

Comme dans le graphique ci-dessus, chaque article est comparé à nos jeux de données de taxonomie afin que nous puissions classer chaque article. Cela nous donne une image claire d’un flux, et donc de l’ensemble du média, ce qui, bien sûr, représente beaucoup d’opérations : 75 000 par article. Oui, 75 milliards d’ops par million d’articles par jour.

Fun facts sur notre taxonomie (à aujourd’hui !)

ADN de taxonomie.

Ce qui suit est la visualisation de l’ADN de la section Tech du New York Times.

Personnalisation de la sensibilité et de la profondeur de la taxonomie.

Les ensembles de données (datasets) utilisés pour classer les articles peuvent utiliser un buffer de temps personnalisé pour ces ensembles de données et ainsi, gérer la sensibilité aux nouvelles quotidiennes de la taxonomie. De plus, les limites plancher peuvent également être personnalisées pour sélectionner une profondeur d’expertise, de « dédié » à « couvert » ou même « toutes les instances ». La combinaison des deux et le facteur « toujours à jour » font de notre taxonomie un outil parfaitement adapté au travail que l’analyste souhaite effectuer. Raison pour laquelle nous utilisons « Corpus Intelligence » comme tagline.

Enterprise Mapping.

Nous pouvons également relier notre taxonomie à la taxonomie de l’entreprise de nos clients, de sorte que la Corpus Intelligence peut utiliser l’environnement professionnel du client, (Nous allons couvrir cela dans un poste dédié plus tard. Si vous ne pouvez pas attendre, demandez à l’aide du formulaire ci-dessous)

Classification des « Repéré comme » (Spotted as).

Le point d’être géré par Intelligence Artificielle est que nous n’avons ni émotion, ni opinion. Tout est fait pour que nos clients puissent définir ce dont ils ont vraiment besoin et ce en quoi ils ont confiance pour le contenu.

TrustedOut ne note ni ne juge rien ni personne. De plus, des notions comme « fausses nouvelles » (fake news) ne sont pas aussi claires qu’on pourrait le croire. Le rapport « Médias, confiance et démocratie » le dit parfaitement dans son introduction : « L’inquiétude au sujet des « fausses nouvelles » est grande, mais nous ne pouvons pas nous mettre d’accord sur ce que cela signifie. »

Une image vivante de la façon dont un média est « repéré comme ».

Comme TrustedOut présente les médias et leurs valeurs de marque, nous avons mis au point une façon sophistiquée de classifier la façon dont un média est  » repéré  » ou perçu. En d’autres termes, nous ne notons ni ne jugeons, nous vous disons si un média est « repéré » comme étant une publication de fausses nouvelles, par exemple, et la façon dont un média est « repéré » varie avec le temps. Certains s’aggravent, d’autres ne sont que la reprise de ceux qui avaient été fermés précédemment, d’autres encore sont, bien sûr, corrigés et améliorés. C’est pourquoi il est obligatoire de maintenir une classification toujours à jour. Et par conséquent, ayez votre Corpus de documents toujours à jour.

Fonctionne avec tous les termes. Mauvais ou bons.

« Fausses nouvelles » est toujours la première chose qui me vient à l’esprit, puis tous les termes toxiques ou suspects comme « Extreme bias », « Junk Science »… mais elle peut aussi fonctionner parfaitement pour des termes neutres ou positifs, comme « Visionnaire », « Optimiste »…. Cela vous ouvre les portes de la personnalisation à l’échelle de l’entreprise.

Des questions? Dites-nous!