From Entity Mentions to Tone: An LLM-Based Pipeline for Media Bias Analysis

Dans le monde moderne, les informations que nous lisons arrivent rarement sous la forme d'un flux neutre de faits. Au contraire, elles sont filtrées par les choix des éditeurs et par les algorithmes qui décident de ce que nous voyons. Ces filtres agissent comme des gardiens, déterminant quelles histoires parviennent jusqu'à nous et comment elles sont présentées. Un récit sur un événement politique peut être présenté comme un triomphe par un média et comme un échec par un autre, non pas parce que les faits ont changé, mais parce que le ton et l'angle ont été modifiés. Ce phénomène, connu sous le nom de biais médiatique, est difficile à suivre à grande échelle car il implique des changements subtils de langage, la sélection de détails spécifiques et le poids émotionnel attribué à différentes personnes et événements. Pendant des décennies, la compréhension de ces modèles nécessitait des équipes d'experts humains pour lire et analyser les articles un par un, un processus lent et coûteux qui ne pouvait pas suivre la vitesse d'Internet.

Des chercheurs ont commencé à se tourner vers l'intelligence artificielle pour résoudre ce problème, espérant automatiser la détection de ces biais subtils. Cependant, un obstacle important subsiste pour de nombreuses parties du monde : la plupart des outils linguistiques avancés sont conçus pour les langues majeures comme l'anglais, laissant les langues plus petites sans logiciels fiables pour analyser leurs propres actualités. Dans ces régions, l'absence d'outils spécialisés signifie que même des questions basiques — telles que quels médias ont couvert un événement spécifique ou comment différentes publications ont décrit une même figure publique — restent difficiles à répondre de manière cohérente. Sans ces outils, il est difficile de voir l'image complète de la manière dont l'information est façonnée et distribuée.

Une équipe de chercheurs de l'Université de Tirana en Albanie a développé une nouvelle approche pour combler cette lacune. Ils ont créé un système qui utilise un modèle de langage puissant et polyvalent pour lire des milliers d'articles de presse écrits en albanais, une langue disposant de très peu d'outils numériques dédiés. Le système ne se contente pas de lire le texte ; il le décompose en trois couches d'analyse distinctes. Premièrement, il regroupe les articles par thèmes et événements spécifiques pour voir quelles histoires sont racontées. Deuxièmement, il identifie les noms de personnes et d'organisations mentionnés dans ces récits. Troisièmement, et c'est peut-être le plus important, il mesure le ton émotionnel de l'écriture, déterminant si la couverture d'une personne ou d'un événement est positive, négative ou neutre. En combinant ces couches, le pipeline peut cartographier non seulement ce qu'une source d'information choisit de couvrir, mais aussi la manière dont elle décrit les personnes impliquées dans ces histoires.

Pour tester leur système, les chercheurs ont rassemblé une collection de 8 358 articles de presse provenant de 124 sources d'information albanaises différentes, publiés en avril 2026. Ils ont injecté ces articles dans leur pipeline, qui utilisait une version locale d'un modèle de langage avancé pour extraire les données nécessaires. L'objectif était de voir si cette méthode automatisée pouvait produire des résultats fiables sans nécessiter une base de données préexistante massive d'exemples étiquetés par des humains. Les chercheurs ont comparé les résultats de leur système aux annotations fournies par GDELT, une vaste base de données mondiale qui utilise également des outils automatisés pour suivre l'actualité. La comparaison a révélé un niveau de concordance modéré entre les deux systèmes, suggérant que le nouveau pipeline fonctionnait dans la même direction que les méthodes établies. Plus important encore, les chercheurs ont constaté que leur système identifiait de nombreuses mentions de personnes que le système GDELT avait manquées. Cette capacité à capturer des noms supplémentaires est cruciale pour l'analyse du biais, car omettre une figure publique peut fausser la compréhension de la manière dont différents médias traitent cette personne.

L'étude a également testé deux ensembles d'instructions, ou "prompts", donnés au modèle de langage pour voir lequel fonctionnerait le mieux. Un ensemble d'instructions était strict, exigeant que le modèle vérifie son propre travail pour s'assurer que les étiquettes émotionnelles qu'il attribuait correspondaient aux scores numériques qu'il donnait. L'autre était plus simple et plus rapide. Les instructions strictes ont effectivement éliminé les incohérences entre les étiquettes et les scores, mais elles ont aussi considérablement ralenti le processus et ont causé au système le saut de l'étiquetage de près de la moitié des articles traités. Les instructions plus simples, bien que produisant quelques incohérences de plus, ont permis au système d'analyser une plus grande partie de la collection de presse et de fonctionner beaucoup plus rapidement. Les chercheurs ont conclu que pour un système conçu pour surveiller l'actualité en continu, l'approche plus rapide et plus large était plus pratique, car les quelques incohérences pouvaient être corrigées ultérieurement avec des règles simples.

En utilisant les données générées par ce pipeline, les chercheurs ont pu créer des profils détaillés du fonctionnement de différentes sources d'information. Ils ont découvert que certains médias encadraient systématiquement les sujets avec un ton plus favorable, tandis que d'autres étaient systématiquement plus critiques. Le système pouvait également suivre des figures publiques spécifiques, montrant comment une même personne pouvait être décrite avec un ton positif dans un journal et un ton négatif dans un autre. Par exemple, l'analyse a montré que la couverture de certaines figures politiques variait considérablement selon la source, certains médias offrant une couverture presque entièrement positive tandis que d'autres étaient principalement critiques. De plus, le système pouvait identifier des événements de "gatekeeping" (filtrage) — des histoires qui n'étaient couvertes que par un petit nombre de sources tout en étant ignorées par le reste du paysage médiatique. Cela a permis aux chercheurs de voir non seulement le ton de l'information, mais aussi la portée de récits spécifiques et l'endroit où l'information était concentrée ou retenue.

Ce travail démontre qu'il est possible de construire un système automatisé structuré pour analyser le biais médiatique dans les langues à faibles ressources sans avoir besoin de données d'entraînement spécialisées et spécifiques à la langue. Les chercheurs soulignent que leur outil n'est pas destiné à remplacer le jugement humain ou l'examen d'experts, mais plutôt à servir de point de départ rapide. Il transforme une collection massive d'articles en signaux clairs qui peuvent être inspectés plus facilement. En automatisant l'extraction initiale des noms, des thèmes et des tons, le système réduit la quantité de matériel que les humains doivent lire à partir de zéro. Cela est particulièrement précieux dans des environnements où la surveillance continue est difficile et où les outils linguistiques spécialisés sont rares. Les chercheurs suggèrent que cette approche offre un modèle reproductible qui peut être appliqué à d'autres langues et régions, offrant un moyen de visualiser comment l'information est présentée et qui est entendu dans la conversation publique.