ChildSafeAds Shared Task 2026: Commercial Content in Child-Facing YouTube Videos

Stel je voor dat je gaat zitten om een video te kijken over het bouwen van een boomhut of het oplossen van een lastig wiskundig raadsel. De maker spreekt je rechtstreeks aan en deelt tips en verhalen met een vriendelijke, vertrouwde stem. Plotseling, zonder onderbreking van de flow, noemt hij een specifiek merk lijm of een nieuwe app, en legt uit waarom dit het perfecte hulpmiddel is voor de klus. Voor veel kinderen en tieners is deze naadloze versmelting van entertainment en verkoop moeilijk te herkennen. In tegenstelling tot een traditionele televisiecommercial die de uitzending onderbreekt met een harde jingle, verstopt dit soort reclame zich binnen de inhoud zelf. Omdat het er hetzelfde uitziet en klinkt als de rest van de video, beseffen jonge kijkers vaak niet dat er iets aan hen verkocht wordt. Deze verwarring is niet slechts een kleine irritatie; het is een juridisch en ethisch probleem. Wetten in veel plaatsen vereisen dat wanneer iemand betaald krijgt om een product te promoten, hij het publiek ook duidelijk moet vertellen. Toch zijn deze waarschuwingen, in de enorme, chaotische wereld van online video, vaak afwezig, begraven in lange beschrijvingen, of geschreven in taal die te subtiel is voor een kind om te begrijpen.

Onderzoekers maken zich al lang zorgen dat de huidige systemen voor het monitoren van deze video's niet goed genoeg zijn. Ze vertrouwen vaak op de eigen labels van het videoplatform, die makers in theorie moeten toevoegen wanneer ze een betaalde samenwerking hebben. Echter, een nieuwe studie suggereert dat het vertrouwen op deze labels alleen een enorm aantal commerciële boodschappen zou missen. Om de werkelijke omvang van het probleem te begrijpen, heeft een team van onderzoekers van universiteiten in Nederland een nieuwe manier ontwikkeld om de data te analyseren. Ze hebben een gedeelde taak gecreëerd, een soort georganiseerde uitdaging voor computerwetenschappers, om te zien of machines deze verborgen verkooppraatjes kunnen identificeren en kunnen achterhalen wat er mis mee is. Het doel was niet alleen om de advertenties te vinden, maar ook om te begrijpen wat ze verkochten en of ze de regels overtraden die bedoeld zijn om jongeren te beschermen.

Het team begon met het verzamelen van een enorme collectie videoclips. Ze keken niet naar elke video op het internet, maar richtten zich specifief op een tool genaamd SponsorBlock. Dit is een door de gemeenschap gedreven project waarbij reguliere kijkers de exacte begin- en eindtijden van gesponsorde segmenten in video's markeren, zodat anderen deze kunnen overslaan. De onderzoekers namen deze door gebruikers ingediende markers als hun startpunt, wetende dat als een menselijke kijker de behoefte voelde om een deel over te slaan, het waarschijnlijk om een commerciële boodschap ging. Ze verzamelden 3.360 van deze segmenten van bijna duizend verschillende kanalen die populair zijn bij tieners. Voor elk segment verzamelden ze alles wat beschikbaar was: de woorden die in de clip werden uitgesproken, de videotitel, de kanaalnaam en de links die de maker in de beschrijvingsbox heeft geplaatst. Ze volgden die links zelfs naar de daadwerkelijke websites waar de producten werden verkocht. Dit creëerde een rijke dataset waarbij een computersysteem een kort transcript kon bestuderen, of dieper in de video details en de productpagina kon duiken, om een oordeel te vellen.

De onderzoekers stelden vervolgens drie specifieke taken op voor de computersystemen. Ten eerste moest het systeem beslissen wat voor soort aanbod er werd gedaan. Verkocht de maker een fysiek object zoals een speelgoed, een digitale dienst zoals een spel, of iets heel anders? Ten tweede moest het systeem het product categoriseren. Was het voedsel, mode, gezondheidsadvies, of misschien iets risicovols zoals gokken? Ten slotte, en het belangrijkste, moest het systeem fungeren als een juridische waakhond. Het moest eventuele potentiële problemen signaleren, zoals een bewering die te mooi lijkt om waar te zijn, het niet duidelijk vermelden dat "dit een advertentie is", of een directe drang bij een kind om nú iets te kopen. De onderzoekers ontwierpen de taak zo dat teams konden kiezen hoeveel informatie ze zouden gebruiken. Sommige systemen lezen misschien alleen het transcript, wat goedkoop en gemakkelijk te verkrijgen is. Andere systemen zouden de gelinkte websites doorzoeken, wat veel duurder en tijdrovender is. Dit stelde de onderzoekers in staat om te zien of de extra inspanning van het verzamelen van meer data daadwerkelijk leidde tot betere resultaten.

Toen het team de verzamelde data analyseerde, kwamen ze tot een schokkende realiteit. Bijna de helft van de video's in hun collectie, specifiek 45,5 procent, maakte geen gebruik van het officiële label "betaalde promotie" dat het videoplatform biedt. Dit betekent dat als toezichthouders of ouders alleen naar dat specifieke label zouden zoeken, ze bijna de helft van de commerciële inhoud gericht op jongeren zouden missen. De studie onthulde ook dat de taak om deze advertenties te identificeren moeilijk is voor computers. Hoewel de systemen vrij goed waren in het bepalen van het soort product dat werd verkocht, hadden ze aanzienlijk moeite met de juridische signalen. De computers waren het vaak oneens met elkaar over de vraag of een openbaarmaking duidelijk genoeg was of dat een bewering misleidend was. Deze onenigheid benadrukt dat het begrijpen van de nuance van taal en context, vooral wanneer het gaat om de bescherming van kinderen, een complexe uitdaging is waar machines nog niet perfect in zijn.

De onderzoekers gebruikten geavanceerde kunstmatige intelligentiemodellen om de labels voor hun dataset te maken, waarbij ze nauw samenwerkten met juridische experts om de regels te verfijnen. Ze gokten niet zomaan; ze werkten iteratief aan hun definities, controleerden monsters en pasten aan hoe ze de computer lieten denken. Zo verfijnden ze bijvoorbeeld de definitie van "directe aandrang", wat betekent dat een kind wordt aangemoedigd om iets te kopen, om ervoor te zorgen dat de computer alleen taal markeerde die echt een kind onder druk zette, in plaats van slechts een algemene suggestie om op een link te klikken. Zelfs met deze zorgvuldige stappen maakten de computermodellen nog steeds fouten. In de testset waren twee verschillende krachtige modellen het eens over de exacte set juridische signalen in minder dan de helft van de gevallen. Dit suggereert dat hoewel technologie kan helpen bij het scannen van duizenden video's, het de menselijke beoordeling bij het bepalen of een advertentie werkelijk veilig is voor een jong publiek nog niet kan vervangen.

De studie concludeert dat het monitoren van content gericht op kinderen meer vereist dan alleen het zoeken naar officiële labels. Het vraagt om een diepere blik in de inhoud zelf, de verstrekte links en de specifieke taal die wordt gebruikt. De onderzoekers hebben hun data en de regels voor de taak publiekelijk beschikbaar gesteld, in de uitnodiging aan andere wetenschappers om betere systemen te bouwen. Ze benadrukken dat hun werk een startpunt is voor onderzoek, en geen definitieve oplossing. De dataset die zij hebben gecreëerd is een momentopname van een specifiek moment in de tijd en heeft beperkingen. Het bevat alleen video's waarbij iemand al een sponsoring heeft gemarkeerd, en het vertrouwt op links die nog werkten toen ze werden gecontroleerd. Het bevat geen video's die puur commercieel waren of kanalen die niet door hun screening voor tiener-appeal kwamen. Ondanks deze beperkingen geeft het werk een duidelijk beeld van de huidige situatie: een enorme hoeveelheid commerciële inhoud glipt door de mazen van de huidige monitoringsystemen, vaak zonder de duidelijke waarschuwingen die de wet vereist. De weg vooruit houdt in dat er instrumenten gebouwd moeten worden die context kunnen begrijpen even goed als ze woorden begrijpen, om ervoor te zorgen dat de digitale wereld een veilige plek blijft voor kinderen om te leren en te spelen zonder onbewust verkocht te worden.