datasets: data.gouv.fr, https://www.data.gouv.fr/datasets/6a7a0cae54e6fb52a6a7ee2c
Data license: CC BY 4.0 (portal directory, derived from Dateno); dataset metadata as each portal publishes it · Data source: Dateno, DataPortals.org, data.europa.eu, opendatArchives, and each portal's DCAT catalogue
This data as json
| portal_id | key | harvest_id | title | description | landing_page | publisher | licence | issued | modified | keywords | themes | uri | identifier |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| data.gouv.fr | https://www.data.gouv.fr/datasets/6a7a0cae54e6fb52a6a7ee2c | 1 | FrenchNews-7 — corpus annoté de presse française | **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](https://frenchnewslab.org), 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 évaluation de classifieurs thématiques en français (CamemBERT, FlauBERT, modèles multilingues). - Étude de la répartition thématique de l'agenda médiatique français dans le temps. - Analyse comparative des lignes éditoriales entre titres de presse. - Recherche en journalisme computationnel et en sciences de l'information. ## Article de recherche Ce jeu de données accompagne l'article **« FrenchNews-7: Benchmarking Cross-Publisher French News Editorial Desk Classification »** (« FrenchNews-7 : Benchmark inter-éditeurs de classification par rubriques rédactionnelles de l'actualité française »), par Amr Sobhy (Le French News Lab, 2026). Statut : *en cours d'évaluation*. ➜ [Lire la publication sur frenchnewslab.org](https://frenchnewslab.org/fr/publications/frenchnews-7-benchmarking-cross-publisher-french-news-topic-classification) ## Modèle associé Un classifieur **CamemBERT-base** entraîné sur ce corpus est publié en accès libre : [LeFrenchNewsLab/camembert-base-frenchnews7](https://huggingface.co/LeFrenchNewsLab/camembert-base-frenchnews7). Résultats sur la partition de test (13 146 articles, titre + corps) : **macro-F1 = 0,847** (IC 95 % [0,841 ; 0,854]), **exactitude = 0,860** (IC 95 % [0,854 ; 0,866]). En généralisation inter-éditeurs, sur un jeu équilibré de 2 100 articles (300 par catégorie) issus de quatre médias absents de l'entraînement, six catégories sur sept atteignent un rappel ≥ 0,810. L'Économie reste le point faible (0,517), proche du plafond fixé par l'accord humain en aveugle sur cette catégorie (55 %) : la difficulté relève de l'ambiguïté des frontières éditoriales, non d'une marge de progression récupérable. ## Ressources complémentaires - Dépôt complet, documentation et script de reconstruction : [Hugging Face — LeFrenchNewsLab/frenchnews-7](https://huggingface.co/datasets/LeFrenchNewsLab/frenchnews-7) - Travaux et publications du laboratoire : [frenchnewslab.org](https://frenchnewslab.org) ## Comment citer Si vous utilisez FrenchNews-7 ou le classifieur associé, merci de citer l'article : ```bibtex @misc{sobhy2026frenchnews7, title = {FrenchNews-7: Benchmarking Cross-Publisher French News Editorial Desk Classification}, author = {Amr Sobhy}, year = {2026}, note = {Working paper, version April 2026}, } ``` Merci également de mentionner l'URL de ce jeu de données, conformément à la licence CC BY 4.0. --- *English summary — FrenchNews-7 is a French news topic-classification benchmark of 87,637 labeled articles from 13 French publishers (2005–2026) across seven categories. It is a manifest-only release: URLs, publishers, labels, splits and dates are distributed, article text is not. Reconstruction tooling is provided in the [Hugging Face repository](https://huggingface.co/datasets/LeFrenchNewsLab/frenchnews-7).* | https://www.data.gouv.fr/datasets/frenchnews-7-corpus-annote-de-presse-francaise | Le French News Lab | http://www.opendefinition.org/licenses/cc-by | 2026-08-10T17:38:54.689000 | 2026-08-10T18:30:04.078000 | ["actualites", "apprentissage-automatique", "benchmark", "classification-thematique", "corpus", "donnees-de-recherche", "information", "journalisme", "medias", "nlp", "presse", "traitement-automatique-des-langues"] | [] | https://www.data.gouv.fr/datasets/6a7a0cae54e6fb52a6a7ee2c | 6a7a0cae54e6fb52a6a7ee2c |