FrenchNews-7 — corpus annoté de presse française

About this dataset

FrenchNews-7 est un jeu de données de référence pour la classification par rubriques rédactionnelles d'articles de presse française. Il recense 87 637 articles annotés, publiés par 13 éditeurs français entre le 14 avril 2005 et le 12 mars 2026, répartis en sept catégories rédactionnelles harmonisées. La variable cible est la décision de routage éditorial de l'éditeur — la rubrique à laquelle une rédaction a affecté un article — et non le thème perçu par un annotateur. Les espaces de labels se recouvrent largement avec les rubriques d'actualité usuelles ; c'est le processus de génération des labels qui fait la spécificité de la ressource, et qui la rend utile à la recherche sur l'agenda médiatique et la diversité de l'information. Il est publié par Le French News Lab, laboratoire de recherche indépendant basé à Paris qui étudie l'écosystème médiatique français par des méthodes computationnelles. ## Nature du jeu de données Ce jeu de données est un manifeste : il diffuse les identifiants, URL sources, éditeurs, labels, dates et affectations de partition (`train` / `validation` / `test`). Le texte intégral des articles n'est pas redistribué, afin de respecter les droits des éditeurs. Un script de reconstruction est fourni pour récupérer les contenus depuis les URL d'origine. ## Contenu Le fichier principal `frenchnews7_manifest.csv` contient sept colonnes : | Colonne | Description | |---|---| | `id` | Identifiant stable de l'article (`fn7-…`) | | `url` | URL source de l'article chez l'éditeur | | `publisher` | Éditeur (13 valeurs) | | `label` | Catégorie thématique (7 valeurs) | | `split` | Partition : `train`, `validation` ou `test` | | `date` | Date de publication (AAAA-MM-JJ) | | `year` | Année de publication | ## Catégories thématiques | Catégorie | Articles | |---|---:| | Société | 19 324 | | International | 18 642 | | Culture & Loisirs | 18 350 | | Politique | 10 546 | | Sport | 8 404 | | Économie | 8 174 | | Sciences & Technologies | 4 197 | ## Éditeurs couverts 20 Minutes · JDD · L'Express · L'Humanité · La Croix · Le Figaro · Le HuffPost · Le Monde · Le Parisien · Le Point · Ouest-France · Slate.fr · TF1 INFO ## Partitions `train` 61 345 · `validation` 13 146 · `test` 13 146 (graine aléatoire = 42) ## Méthode d'annotation L'annotation suit un pipeline à deux groupes, privilégiant l'assignation déterministe sur le jugement d'un modèle chaque fois que c'est possible. - Groupe A — 63 302 articles (72,2 %) : label assigné par table de correspondance déterministe de 74 règles appliquée au segment de rubrique de l'URL. La plupart des éditeurs français exposent la rubrique dans le chemin (`/sport/`, `/politique/`…). Le taux de couverture des slugs va de 100 % (JDD) à 34,3 % (Slate.fr). - Groupe B — 24 335 articles (27,8 %) : articles dont le slug ne porte aucun signal de rubrique exploitable (`/idees`, `/debats`, `/story`, `/flash-actu`, slugs régionaux ou absents), annotés par LLM avec la même consigne à sept catégories (température = 0). - Étude d'accord inter-annotateurs à quatre juges sur un échantillon aléatoire stratifié de 300 articles du groupe B : GPT-OSS-120B, Gemini-2.5-flash-lite, un arbitre, et un second annotateur humain en aveugle (titre et corps uniquement, sans URL, sans nom d'éditeur, sans label de modèle). L'annotateur humain en aveugle retrouve 84,0 % des labels de référence (κ de Cohen = 0,806). Accord par paires κ ≥ 0,766 ; κ de Fleiss = 0,835 sur les quatre juges ; α de Krippendorff = 0,789 sur trois juges. - Une ablation montre que les labels du groupe B sont sans effet sur les résultats rapportés : entraîner sur le seul groupe A donne un écart de macro-F1 de −0,004 (IC 95 % [−0,024 ; +0,024]). - 0 ligne exclue, 0 incohérence de label. - Empreinte SHA-256 du fichier publié : `fa3d7b75cb934c2a8a615acde4e46f8db165937c4cc356f6862ecd232f435e7d` ## Réutilisations possibles - Entraînement et évaluat