💬 NLP

LLM-guided headline rewriting for clickability enhancement without clickbait

Dit paper introduceert een LLM-gebaseerd raamwerk dat gebruikmaakt van de FUDGE-paradigma om nieuwskoppen te herschrijven die de klikbaarheid verhogen zonder in clickbait te vervallen, door positieve aansturing voor betrokkenheid te combineren met negatieve aansturing om semantische trouw te waarborgen.

Oorspronkelijke auteurs: Yehudit Aperstein, Linoy Halifa, Sagiv Bar, Alexander Apartsin

Gepubliceerd 2026-03-25

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yehudit Aperstein, Linoy Halifa, Sagiv Bar, Alexander Apartsin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een nieuwsbericht een huis is. De tekst zelf is de woonkamer, de slaapkamers en de keuken: het is waar de feiten wonen. De krantenkop (de headline) is dan de voordeur.

Het probleem is dat veel nieuwsmedia de voordeur zo opsmukken dat mensen er niet kunnen weerstaan om binnen te komen. Ze plakken er felle neonlichten op, zetten een grote "GEHEIM!"-bord voor de deur, of fluisteren: "Je gelooft niet wat er binnen gebeurt!" Dit noemen we clickbait. Het werkt wel om mensen binnen te krijgen, maar als ze binnenkomen en zien dat de woonkamer gewoon een gewone kamer is, voelen ze zich bedrogen. Ze gaan weg en vertrouwen de eigenaar van het huis niet meer.

De onderzoekers uit dit artikel hebben een slimme oplossing bedacht: een digitale architect (een AI) die de voordeur kan herschrijven. Deze architect weet precies hoe je de deur aantrekkelijk maakt zonder dat het een leugenachtige toerist wordt.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het geheim: Het is geen "ja of nee", maar een "meer of minder"

Vroeger dachten mensen: "Of het is een normale kop, of het is clickbait." Deze onderzoekers zeggen: "Nee, het is een glijdende schaal."

Stel je voor dat je een volume-knop hebt op je radio.

Als je hem op 0 zet, hoor je alleen de feiten (saai, maar eerlijk).
Als je hem op 10 zet, schreeuwt de radio je toe met sensatie (clickbait).
De kunst is om hem ergens tussenin te zetten, bijvoorbeeld op 6 of 7. Dan is het spannend en interessant, maar schreeuwt het niet.

2. De twee "besschermers" (De AI-assistenten)

De onderzoekers hebben een grote, slimme AI (de "Architect") gebouwd. Maar deze Architect is soms te enthousiast en wil alles opschroeven. Daarom hebben ze twee kleine, strenge besschermers (hulp-AI's) toegevoegd die tijdens het schrijven meekijken:

De "Nee-zegger" (De Clickbait-detector): Deze kijkt constant naar wat de Architect schrijft. Zodra de Architect begint met overdrijven, roept deze beschermer: "Hé, wacht even! Je belooft te veel! Dat is een leugenachtige toerist. Ga iets rustiger doen." Hij drukt op de rem.
De "Ja-zei-er" (De Engagementer): Deze kijkt ook mee, maar zegt: "Ja, maak het wel spannender! Gebruik een leuk woordje, stel een interessante vraag, maar doe het op een eerlijke manier." Hij geeft een duwtje in de rug.

3. De dans tussen de twee

Tijdens het herschrijven van een kop, spelen deze twee een dansje.

De Architect probeert een nieuwe zin te bedenken.
De "Nee-zegger" zegt: "Te veel sensatie! Dat is clickbait."
De "Ja-zei-er" zegt: "Maar we moeten wel nieuwsgierigheid wekken!"
De Architect luistert naar beiden en vindt een perfecte balans: een kop die je doet klikken omdat het interessant is, niet omdat het bedrieglijk is.

4. Het resultaat: Een eerlijke uitnodiging

In het artikel laten ze zien hoe dit werkt met echte voorbeelden:

Oorspronkelijk (Saai): "De budgetchef van het Witte Huis verwacht een vertraging in het bereiken van de schuldlimiet."
Zonder rem (Clickbait): "Het Witte Huis onthult een schokkende vertraging in de schuldlimiet!" (Te veel drama, geen echte schok).
Met de slimme AI (De balans): "Kan de onstuitbare vorm van Harry Kane een nieuw tijdperk van succes inluiden?" (Spannend, nieuwsgierig, maar eerlijk over de feiten).

Waarom is dit belangrijk?

Vroeger dachten we dat we clickbait moesten verbieden of detecteren en weggooien. Deze onderzoekers zeggen: "Nee, we moeten het reguleren."

Het is alsof je een auto hebt die te snel rijdt. Je kunt de auto niet verbieden (dan rijden we nergens heen), maar je kunt wel een temporegelaar (cruise control) installeren die zorgt dat je snel genoeg bent om op tijd te komen, maar niet zo snel dat je een ongeluk veroorzaakt.

Kortom:
Deze AI helpt journalisten om koppen te schrijven die mensen wel willen lezen, maar waar ze zich achteraf niet voor hoeven te schamen. Het is de kunst van het "verleiden zonder te bedriegen".

Probleemstelling

Het optimaliseren van nieuwskoppen voor lezersbetrokkenheid (engagement) staat vaak in spanning met de journalistieke integriteit. Bestaande systemen neigen vaak naar "clickbait": overdreven, misleidende of sensationele formuleringen die op korte termijn klikken genereren, maar op lange termijn het vertrouwen in nieuwsbronnen ondermijnen.

De auteurs betogen dat clickbait niet moet worden gezien als een aparte, discrete stijl-categorie, maar als een extreme uitkomst van disproportionele versterking van legitieme engagement-cues. Veel retorische middelen (zoals het opwekken van nieuwsgierigheid of het benadrukken van emotie) zijn op zich niet misleidend; ze worden problematisch alleen wanneer ze buiten redelijke journalistieke grenzen worden toegepast. De uitdaging is dus niet om engagement-mechanismen te elimineren, maar om hun sterkte en interactie te reguleren binnen een continuüm van "neutraal" tot "aantrekkelijk maar verantwoord".

Methodologie

Het onderzoek introduceert een raamwerk voor gecontroleerde tekstgeneratie (controllable text generation) dat gebruikmaakt van een Large Language Model (LLM) als basisgenerator, gestuurd door inferentie-tijd (inference-time) controle via het FUDGE-paradigma (Future Discriminators for Generation).

1. Engagement-Attribuut Rubric

De auteurs definiëren een gestructureerde rubric die engagement-kenmerken (zoals informatie-gaten, nadruk, emotionele framing) splitst in twee interpretaties:

Clickability: Beperkt, feitelijke trouwe toepassing (bijv. "gecalibreerde informatie-gaten").
Clickbait: Disproportionele of misleidende toepassing (bijv. "bewuste verzwijging van essentiële feiten").
Deze rubric vormt de basis voor het genereren van synthetische data en het trainen van de leidende modellen.

2. Synthetische Dataset Generatie

Bron: Neutrale nieuwskoppen uit de ISOT Fake News Dataset (Reuters-gebaseerd, dus feitelijk betrouwbaar).
Generatie: Een LLM (GPT-4o-mini) herschrijft deze neutrale koppen naar clickbait-varianten door maximaal drie specifieke clickbait-tactieken (bijv. "Curiosity Gap", "Exaggeration") te activeren via prompts, terwijl de feitelijke inhoud behouden blijft.
Resultaat: Een dataset met neutrale koppen en gecontroleerde clickbait-varianten, gelabeld met binaire clickbait-status en een vector van actieve engagement-attributen.

3. Twee Auxiliaire Gidsmodellen (Guide Models)

Twee BERT-gebaseerde modellen worden getraind op de synthetische dataset om het generatieproces te sturen:

Clickbait Scoring Model (Negatieve Gids): Een binaire classifier die de waarschijnlijkheid berekent dat een onvolledige tekstreeks (prefix) clickbait is. Dit model straft generaties die de clickbait-scores verhogen.
Engagement Attribute Model (Positieve Gids): Een multi-label classifier die de aanwezigheid en sterkte van specifieke engagement-mechanismen voorspelt. Dit model beloont generaties die de gewenste attributen (bijv. nieuwsgierigheid) versterken.

Belangrijk: Beide modellen worden getraind op token-level prefixes (niet alleen volledige zinnen) om tijdens het generatieproces stap-voor-stap feedback te kunnen geven.

4. FUDGE-gebaseerde Gecontroleerde Decoding

Tijdens het genereren van een nieuwe kop wordt de kansverdeling van het basis-LLM aangepast op basis van de voorspellingen van de twee gidsmodellen. De log-probabiliteit voor het volgende token wordt berekend als:

$\log p(y|x_{1:t}) \propto \log p_{LLM}(y|x_{1:t}) + \lambda_{pos} S_{pos} - \lambda_{neg} S_{cb}$

Waarbij:

$S_{pos}$ de positieve signalen zijn van het engagement-model.
$S_{cb}$ de negatieve signalen zijn van het clickbait-model.
$\lambda_{pos}$ en $\lambda_{neg}$ gewichten zijn die de afweging tussen aantrekkelijkheid en journalistieke beperkingen bepalen.

Belangrijkste Bijdragen

Conceptueel Kader: Clickbait wordt herformuleerd als een gradueel gevolg van disproportionele versterking, in plaats van een binair label.
Interpreteerbare Ruimte: Definieert een ruimte van herschrijfrichtingen die legitieme optimalisatie scheidt van clickbait.
Dual-Guidance Framework: Een nieuw systeem dat positieve (engagement) en negatieve (clickbait-mitigatie) signalen combineert tijdens de inferentie.
Synthetische Data: Een methode om gecontroleerde clickbait-data te genereren met behoud van feitelijke integriteit.
FUDGE-toepassing: Toont aan dat inference-time controle effectief is voor het balanceren van subtiele retorische nuances in nieuwsjournalistiek.

Resultaten

Clickbait Scoring: Het model bereikte een AUROC van >0.99 op de synthetische testset, wat aantoont dat het clickbait-varianten zeer nauwkeurig kan onderscheiden van neutrale koppen, zelfs op basis van onvolledige tekst.
Engagement Model: Het model kan specifieke tactieken (zoals "Curiosity Gap" en "Lists") betrouwbaar herkennen. Confusiematrices tonen aan dat verwarring optreedt bij semantisch gerelateerde attributen (bijv. emotionele triggers vs. sensatie), wat natuurlijk is voor persuasieve strategieën.
Kwalitatieve Herschrijvingen:
- Zonder clickbait-controle ( $\lambda_{neg}=0$ ) neigen de gegenereerde koppen naar overdrijving en misleidende suggesties.
- Met clickbait-controle ( $\lambda_{neg}=1$ ) blijven de koppen aantrekkelijk en gebruiken ze de gewenste retorische middelen, maar zijn ze beperkt, informatiever en semantisch trouwer aan de bron.
- Het systeem kan een continuüm van herschrijvingen genereren, variërend van neutraal tot "aantrekkelijk maar verantwoord".

Betekenis en Conclusie

De studie bewijst dat engagement-optimalisatie niet noodzakelijkerwijs leidt tot clickbait. Door het probleem te formuleren als een gecontroleerde optimalisatie met expliciete negatieve constraints, kunnen LLM's worden ingezet om nieuwskoppen te verbeteren zonder journalistieke integriteit te schaden.

Dit raamwerk biedt een praktische oplossing voor:

Verantwoordelijke AI in de media.
Aanbevelingssystemen die kwaliteit en engagement in balans houden.
Editoriale tools die schrijvers helpen bij het vinden van de juiste toon.

Toekomstig werk richt zich op het uitbreiden naar menselijke evaluaties, het fijnafstellen van de gewichten ( $\lambda$ ) op basis van platform-specifieke standaarden, en het toepassen van deze methode op langere teksten (samenvattingen, social media posts).