💬 NLP

Uncovering Temporal Framing in the News

Dit artikel introduceert een taxonomie en een meertalige dataset van 458 nieuwsartikelen geannoteerd op temporele inkadering, waarmee wordt aangetoond dat supervised modellen deze overtuigende retorische middelen effectief detecteren terwijl ze zero-shot benaderingen overtreffen.

Oorspronkelijke auteurs: Tarek Mahmoud, Veronika Solopova, Premtim Sahitaj, Ariana Sahitaj, Max Upravitelev, Mervat Abassy, Hana Fatima Shaikh, Neda Foroutan, Vera Schmitt, Preslav Nakov

Gepubliceerd 2026-06-02

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Tarek Mahmoud, Veronika Solopova, Premtim Sahitaj, Ariana Sahitaj, Max Upravitelev, Mervat Abassy, Hana Fatima Shaikh, Neda Foroutan, Vera Schmitt, Preslav Nakov

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 je een nieuwsartikel leest. Normaal gesproken, wanneer je woorden ziet als "gisteren", "volgend jaar" of "sinds 1990", behandelt je brein ze als een kalender. Je denkt: "Oké, dit gebeurde toen, en dat zal later gebeuren." Het is gewoon een tijdlijn.

Maar dit artikel betoogt dat nieuwsjournalisten tijd vaak niet alleen gebruiken als een kalender, maar als een toverstaf om je gevoel over een verhaal te veranderen. Ze vertellen je niet alleen wanneer iets gebeurde; ze gebruiken tijd om je te overtuigen dat iets urgent, nostalgisch of onvermijdelijk is.

De onderzoekers noemen dit "Temporal Framing" (Temporeel Inkaderen).

De Acht Tovertrucs (De Taxonomie)

Het team heeft een "menu" gemaakt van acht verschillende manieren waarop schrijvers tijd gebruiken om je emotionele snaren te bespelen. Zie dit als acht verschillende lenzen die een schrijver op een camera kan zetten om de foto te veranderen:

Primacy (Het "Eerste Beweger"-effect): "Wij waren de eersten die dit ontdekten!" Dit laat de schrijver klinken als een pionier of een autoriteit.
Recency (De "Breaking News"-hype): "Dit gebeurde net nu!" Dit zorgt ervoor dat oude feiten irrelevant lijken en het nieuwe verhaal het enige voelt dat ertoe doet.
Urgency (De "Tikkende Klok"): "We hebben slechts 48 uur!" Dit creëert paniek en dwingt je om onmiddellijk actie te ondernemen.
Temporal Anchoring (Het "Historische Anker"): "We leven in een post-9/11 wereld." Het koppelt de huidige gebeurtenis aan een beroemd moment uit het verleden om de emotionele zwaarte ervan te lenen.
Nostalgia (De "Roze Bril"): "Herinner je je de goede oude tijd nog?" Dit maakt het verleden perfect om het heden er slecht uit te laten zien.
Temporal Contrast (De "Toen versus Nu"): "Het was toen een bloeiende stad, maar nu een spookstad." Dit benadrukt een dramatische verandering om een verhaal van verval of vooruitgang te vertellen.
Continuity (Het "Nooit Eindigende Verhaal"): "Dit gebeurt al decennia lang." Dit maakt een situatie onveranderlijk, onvermijdelijk of frustrerend vastgelopen.
Skeptical (De "Troebele Kristallen Bol"): "Dit plan zou wel eens kunnen instorten." Dit zaait twijfel over de toekomst om mensen voorzichtig of bang te maken.

Het Detectiewerk (De Dataset)

Om dit te bestuderen, hebben de onderzoekers niet alleen gegokt. Ze bouwden een enorme database van 458 nieuwsartikelen in het Engels en Duits.

De Zoektocht: Ze lazen duizenden zinnen en vroegen menselijke experts om als detectives op te treden.
De Taak: De experts moesten zinnen opsporen waarin tijd werd gebruikt als een "overtuigingstool" in plaats van alleen als een feit.
Het Resultaat: Ze vonden meer dan 2.000 zinnen waarin tijd werd gebruikt als een retorische truc. Ze labelden deze met de acht bovenstaande categorieën.

De Robottest (De Experimenten)

Zodra ze deze "trainingshandleiding" hadden, probeerden ze computers te leren deze trucs te herkennen. Ze voerden twee soorten tests uit:

De "Zero-Shot" Test (Het Raadspelletje): Ze vroegen grote, slimme AI-modellen (zoals Llama en Qwen) om de kaders te raden zonder speciale training.
- Het Resultaat: De AI was redelijk goed in het raden, maar raakte vaak in de war. Het zag een woord als "nu" en nam aan dat het urgent was, zelfs als dat niet zo was. Het was als een student die een woordenboek uit zijn hoofd heeft geleerd, maar de context van een grap niet begrijpt.
De "Supervised" Test (Het Trainingskamp): Ze namen diezelfde AI-modellen en voedden ze met de 458 artikelen die ze al gelabeld hadden. Ze leerden de modellen precies waar ze op moesten letten.
- Het Resultaat: Enorme verbetering. De getrainde modellen werden veel beter in het opsporen van de trucs. Ze leerden dat "nu" niet altijd "urgent" betekent en dat "sinds" niet altijd "nostalgisch" is.

De Belangrijkste Conclusie

Het artikel concludeert dat tijd een taal van overtuiging is.

Het is leerbaar: Computers kunnen deze retorische trucs detecteren als ze er op de juiste manier voor getraind worden.
Het is verraderlijk: Je kunt niet alleen naar tijdwoorden kijken (zoals "gisteren" of "binnenkort"). Je moet de context van het verhaal begrijpen dat de schrijver vertelt. Een zin die zegt "Inflatie steeg in 2024" is slechts een feit. Maar "Inflatie stijgt al jarenlang, wat bewijst dat het beleid mislukt is" is een frame.
Grootte is niet alles: Het simpelweg groter maken van een AI maakt het niet automatisch beter in dit werk. Het heeft specifieke training nodig om het verschil te begrijpen tussen een kalenderdatum en een retorisch wapen.

Kortom, dit artikel geeft ons een nieuwe manier om naar het nieuws te kijken: niet alleen naar wat er is gebeurd, maar naar hoe de schrijver het concept van tijd heeft gebruikt om je een bepaalde manier te laten voelen over de gebeurtenis.

Technische Samenvatting: Het Onthullen van Temporele Framing in het Nieuws

Probleemstelling

Hoewel Natural Language Processing (NLP) aanzienlijke vooruitgang heeft geboekt in de extractie van temporele expressies en temporeel redeneren, behandelen deze inspanningen tijd voornamelijk als een objectieve, beschrijvende eigenschap van gebeurtenissen (bijv. het voorspellen van de werkwoordstijd of het chronologisch ordenen van gebeurtenissen). Huidige systemen negeren grotendeels de retorische en overtuigende functies van temporele taal. In het nieuwsdiscours dienen verwijzingen naar het verleden, heden en de toekomst vaak als framing-mechanismen die de interpretatie vormgeven, autoriteit legitimeren en besluitvorming beïnvloeden, in plaats van enkel de chronologie te rapporteren. Deze kloof beperkt het vermogen van computationele systemen om overtuigende retorische structuren langs de temporele dimensie te analyseren, met name in domeinen zoals politieke communicatie waar temporele rechtvaardigingen zeer invloedrijk zijn.

Methodologie

1. Constructie van de Taxonomie

De auteurs stellen een taxonomie voor van acht temporele frames, gebaseerd op sociaalwetenschappelijk onderzoek (psychologie, communicatie en politieke wetenschappen). Deze frames worden niet gedefinieerd door oppervlakkige temporele expressies alleen, maar door hun retorische functie bij het structureren van betekenis:

Primacy (Eersteplaats): Betekenis die wordt toegekend aan het eerste zijn in de tijd.
Recency (Recentheid): Betekenis die wordt toegekend aan de meest recente gebeurtenissen.
Urgency (Urgentie): Nadruk op beperkte tijd of onmiddellijke gevolgen.
Temporal Anchoring (Temporele Verankering): Discussies inkaderen vanuit het perspectief van gebeurtenissen uit het verleden.
Nostalgia (Nostalgie): Het oproepen van een gekoesterd verleden.
Temporal Contrast (Temporeel Contrast): De juxtapositie van "toen" versus "nu".
Continuity (Continuïteit): Persistentie door de tijd heen (stabiliteit, stagnatie of momentum).
Skeptical (Sceptisch): Twijfel zaaien over de toekomst.

De taak wordt geformaliseerd als een zinsniveau, multi-label classificatieprobleem: gegeven een document $D$ en een zin $s_i$ , is het doel om de set temporele frames $P(F)$ te voorspellen die in $s_i$ worden uitgedrukt.

2. Corpuscreatie

De auteurs hebben een meertalig nieuwscorpus samengesteld bestaande uit 458 Engelse en Duitse artikelen van een diverse set publicaties (bijv. The Guardian, Fox News, Die Welt, Bild).

Selectie: Artikelen werden opgehaald uit GDELT (september 2024–september 2025). Om de dichtheid van overtuigende inhoud te vergroten, gebruikten de auteurs LLM-ondersteunde tagging (GPT-4o) om opinierijke artikelen te identificeren, wat resulteerde in een definitieve dataset waarbij ~70% van de documenten een opinie bevat.
Annotatie: Een team van menselijke annotatoren (3 Engels, 4 Duits) voerde zinsniveau-annotatie uit via het INCEpTION-platform.
Richtlijnen: Annotatoren kregen de instructie om onderscheid te maken tussen feitelijke chronologische verslaglegging (neutraal) en opinierijke temporele framing (overtuigend). Cruciaal was dat zij werden aangestuurd om geciteerde of indirecte rede te negeren en zich uitsluitend te richten op de stem van de auteur.
Schaal: De dataset bevat meer dan 2.000 temporeel geframede zinnen en ongeveer 3.000 annotaties afgeleid van een corpus van meer dan 20.000 zinnen.
Kwaliteit: De inter-annotator overeenstemming (Krippendorff's $\alpha$ ) bereikte 0,605 (Engels) en 0,720 (Duits) voor binaire detectie, met een matige overeenstemming op specifieke frames, wat consistent is met eerdere fijnmazige framing-taken.

3. Experimentele Opzet

De studie evalueert de detectie van temporele framing met behulp van twee primaire strategieën:

Zero-Shot Classificatie: Gebruik van grote taalmodellen (LLM's) inclusief GPT-5.2, LLaMA-3 varianten (8B, 70B) en Qwen3 varianten (8B tot 235B) zonder taakspecifieke training.
Supervised Fine-Tuning (Begeleide Fijnregeling): Het fijnregelen van encoder-gebaseerde modellen (XLM-RoBERTa) en decoder-gebaseerde LLM's (Qwen3-8B, LLaMA-3.1-8B) op de geannoteerde corpus.
Inputstrategie: Experimenten maakten gebruik van een alleen de zin input, aangezien het toevoegen van naburige context of volledige documentcontext bleek de modellen conservatiever te maken en de prestaties niet verbeterde.

Belangrijkste Resultaten

1. Leerbaarheid van Temporele Framing

De experimenten laten zien dat temporele framing leerbaar is op zinsniveau, maar dat het niet betrouwbaar wordt gevangen door louter de schaal van het model in zero-shot settings.

Zero-Shot Prestaties: Zero-shot modellen vertoonden een hoge recall maar een lage precisie, wat duidt op een neiging om frames te overvoorspellen. De prestaties verbeterden met de modelgrootte (bijv. Qwen3-235B presteerde beter dan Qwen3-8B), maar de winst was bescheiden en raakte snel verzadigd. GPT-5.2 behaalde de beste zero-shot binaire F1 van 0,45.
Supervised Prestaties: Supervised fine-tuning leverde substantiële verbeteringen op.
- XLM-RoBERTa (270 miljoen parameters) behaalde een binaire F1 van 0,51 en een Micro-F1 van 0,37, waarmee het alle zero-shot baselines versloeg ondanks de kleinere omvang.
- Fine-tuned LLM's behaalden de sterkste resultaten. Qwen3-8B bereikte een binaire F1 van 0,57 en een Micro-F1 van 0,44 (een relatieve verbetering van 27% ten opzichte van het beste zero-shot resultaat). LLaMA-3.1-8B liet een relatieve verbetering van 125% zien ten opzichte van zijn zero-shot tegenhanger.

2. Frame-specifieke en Cross-linguale Analyse

Frame Variabiliteit: Frames zoals Continuity, Temporal Contrast en Urgency werden betrouwbaarder gedetecteerd vanwege hun prevalentie en terugkerende lexicale aanwijzingen. Zeldzame frames, met name Nostalgia, bleven moeilijk te detecteren door de schaarste aan data en de afhankelijkheid van impliciete evaluatieve taal in plaats van expliciete temporele markers.
Taalverschillen: De prestaties waren over het algemeen hoger op de Engelse data dan op de Duitse data. De auteurs schrijven dit toe aan het feit dat de Duitse subset minder geframed zinnen en minder positieve instanties per frame bevat, in plaats van een falen van cross-linguale generalisatie.

Betekenis en Bijdragen

Het artikel levert vier primaire bijdragen:

Conceptualisering: Het positioneert temporele framing als een afzonderlijke, zinsniveau, multi-label taak die het retorische gebruik van tijd vastlegt voorbij oppervlakkige expressies.
Taxonomie: Het introduceert een acht-frame taxonomie die geworteld is in de sociale wetenschappen, waardoor de kloof tussen computationele taalkunde en retorische analyse wordt overbrugd.
Resource: Het stelt een meertalige, op zinsniveau geannoteerde nieuwsdataset (Engels en Duits) beschikbaar om toekomstig onderzoek naar temporele framing te ondersteunen.
Empirische Baselines: Het biedt computationele baselines die aantonen dat hoewel grote taalmodellen over impliciete kennis van tijd beschikken, taakspecifieke supervisie vereist is om de systematische maar subtiele patronen van temporele framing effectief te leren.

De auteurs concluderen dat temporele framing een afzonderlijke ruimte inneemt tussen oppervlakkige temporele expressie en hogere-orde narratieve structuur. Hoewel modellen deze patronen kunnen leren met geschikte trainingssignalen, vereist de taak de interpretatie van impliciete retorische aanwijzingen die verder gaan dan expliciete temporele markers, wat wijst op de noodzaak van rijkere discourse-representaties in toekomstig werk.