Media Framing through the Lens of Event-Centric Narratives

Résumé Technique : Le Cadrage Médiatique à travers le Prisme des Récits Centrés sur les Événements

Énoncé du Problème
L'analyse du cadrage médiatique vise à comprendre comment les organisations de presse sélectionnent et organisent certains aspects de problématiques pour promouvoir des interprétations spécifiques. Les approches computationnelles existantes reposent principalement sur des marqueurs thématiques de haut niveau, tels que les modèles de thèmes latents (par exemple, l'LDA) ou des taxonomies de mots-clés construites manuellement. Les auteurs soutiennent que ces méthodes sont souvent trop larges pour capturer les nuances du cadrage. En réduisant les cadres à la cooccurrence de mots-clés ou à des thèmes généraux (par exemple, « économique »), ces approches échouent à expliquer comment différents aspects sont choisis et organisés pour construire un argument. Plus précisément, un marqueur thématique unique comme « économique » peut cadrer l'immigration soit comme un moteur, soit comme un fardeau pour l'économie, une distinction que les modèles basés sur les mots-clés peinent à lever sans comprendre la structure narrative sous-jacente.

Méthodologie
L'article propose un cadre computationnel qui déplace l'attention des thèmes statiques vers des récits dynamiques centrés sur les événements. La méthodologie se compose de trois étapes principales :

1. Extraction d'Événements :
   Le système adopte une vision de l'événement centrée sur le verbe, extrayant des paires (verbe, objet) à partir du texte. En utilisant un analyseur de dépendances, le cadre identifie les verbes non auxiliaires et leurs têtes d'objets correspondantes (en distinguant la voix active de la voix passive) pour former une liste de mentions d'événements pour chaque document.

2. Extraction de Relations et Construction de Chaînes :
   Un classifificateur est entraîné pour prédire les relations entre des paires d'événements extraits au sein d'un document. Le modèle se concentre sur deux types de relations spécifiques :

• Temporelle : Ordre chronologique (par exemple, Précédence, Succession, Simultanéité).
• Causale : Relations de cause à effet (par exemple, Raison, Résultat).
  Le classificateur est entraîné sur un sous-ensemble du graphe de connaissances ASER (Activities, States, Events and their Relations) en utilisant RoBERTa pour représenter les paires d'événements et leurs phrases environnantes. Seules les paires d'événements avec des relations temporelles ou causales prédites sont conservées pour construire des chaînes narratives à un seul saut, représentées par (événement1, relation, événement2).

3. Regroupement (Clustering) et Expansion de Récits :
   Pour transformer ces chaînes en thèmes de haut niveau, le cadre emploie un grand modèle de langage (LLM), spécifiquement Llama 3.1 8B. Le LLM est sollicité dans un contexte de zero-shot pour étendre chaque chaîne narrative en une phrase descriptive qui articule la séquence causale ou temporelle. Ces phrases étendues sont ensuite vectorisées via SBERT et regroupées par la méthode des k-moyennes (K-means). Les auteurs expérimentent avec des nombres de clusters allant de 25 à 200 pour identifier des thèmes narratifs distincts.

Contributions Clés

• Un Cadre Centré sur le Récit : Les auteurs proposent une nouvelle approche de l'analyse du cadrage médiatique qui extrait des représentations narratives centrées sur les événements et les regroupe en thèmes de plus haut niveau, dépassant la simple cooccurrence de mots-clés.
• Généralisabilité Transdomaine : Le cadre est appliqué et évalué sur deux domaines d'actualité distincts : l'immigration et le contrôle des armes à feu, démontrant son adaptabilité à différentes questions politiques.
• Utilité Prédictive et Explicative : L'étude fournit une évaluation complète montrant que les clusters narratifs induits servent de signaux significatifs pour prédire et expliquer la taxonomie des cadres politiques de Boydstun et al. (2014).

Résultats

• Prédiction de Relation : Le classificateur de relations a atteint un score F1 macro de 0,60, surpassant les modèles de référence (baselines) incluant la classe majoritaire, le tirage aléatoire et la régression logistique avec des plongements GloVe. Le modèle a montré une plus grande précision dans l'identification des relations temporelles par rapport aux relations causales, bien que le rappel pour les relations causales ait été privilégié pour garantir la couverture.
• Qualité des Clusters : Un test d'intrusion a révélé une haute concordance inter-annotateurs (82,61 %) et une précision de l'étiquetage (67,5 %) pour l'ensemble de données sur l'immigration, indiquant des clusters sémantiquement cohérents et bien définis. L'ensemble de données sur le contrôle des armes à feu a montré une précision plus faible (37,5 %), ce que les auteurs attribuent à un manque de variation des thèmes narratifs et à des chevauchements de clusters dans ce domaine.
• Prédiction de Cadre :
  • En utilisant uniquement les caractéristiques des clusters narratifs (sans le texte brut), le modèle a surpassé les modèles de référence, notamment le tirage aléatoire, les thèmes LDA et les types d'événements. La performance optimale a été atteinte avec 150 clusters pour l'immigration et 50 pour le contrôle des armes à feu.
  • Lorsque les caractéristiques des clusters narratifs ont été combinées aux représentations textuelles basées sur RoBERTa, le modèle a montré une amélioration mineure mais constante de la précision et des scores F1 par rapport aux modèles de référence basés uniquement sur le texte, suggérant que les structures narratives introduisent un biais inductif utile.
• Résultats Qualitatifs : L'analyse a réussi à isoler des thèmes narratifs correspondant à des cadres spécifiques. Par exemple, le cadre « Crime et Punition » dans l'immigration était fortement associé à des récits concernant la « contrebande d'immigrants clandestins » et « l'arrestation des passeurs ». De même, le cadre « Légalité, Constitutionnalité, Juridiction » dans le contrôle des armes à feu était lié à des récits concernant le « deuxième amendement » et les « décisions de justice ».

Signification et Revendications
L'article affirme que sa contribution principale réside dans la démonstration que le cadrage est fondamentalement un problème de construction narrative. En extrayant et en regroupant des chaînes d'événements, le cadre peut capturer les « schémas de narration » qui permettent de lever l'ambiguïté des dimensions de cadrage de haut niveau. Les auteurs affirment que leur approche offre une représentation plus riche et plus concise des documents que la modélisation thématique traditionnelle, car elle se concentre sur les récits saillants choisis pour construire des arguments plutôt que sur les simples sujets abordés.

Les auteurs maintiennent un ton modeste concernant leurs revendications, reconnaissant que le cadre n'est pas conçu pour maximiser la performance via des modèles massifs et complexes en raison de contraintes de calcul. Au lieu de cela, le travail vise à mettre en lumière une direction de recherche qui souligne l'importance d'identifier les nuances clés dans les chaînes narratives. Ils notent des limites dans la généralisation aux domaines (testée uniquement sur l'immigration et le contrôle des armes à feu) ainsi que la dépendance à l'annotation humaine pour l'évaluation des clusters, suggérant ces points comme des pistes pour de futures explorations.