{"database": "catalogue", "table": "datasets", "rows": [["data.gouv.fr", "https://www.data.gouv.fr/datasets/6a7a0cae54e6fb52a6a7ee2c", 1, "FrenchNews-7 \u2014 corpus annot\u00e9 de presse fran\u00e7aise", "**FrenchNews-7** est un jeu de donn\u00e9es de r\u00e9f\u00e9rence pour la **classification par rubriques\nr\u00e9dactionnelles d'articles de presse fran\u00e7aise**. Il recense **87 637 articles annot\u00e9s**,\npubli\u00e9s par **13 \u00e9diteurs fran\u00e7ais** entre le **14 avril 2005** et le **12 mars 2026**,\nr\u00e9partis en sept cat\u00e9gories r\u00e9dactionnelles harmonis\u00e9es.\n\nLa variable cible est la **d\u00e9cision de routage \u00e9ditorial de l'\u00e9diteur** \u2014 la rubrique \u00e0\nlaquelle une r\u00e9daction a affect\u00e9 un article \u2014 et non le th\u00e8me per\u00e7u par un annotateur. Les\nespaces de labels se recouvrent largement avec les rubriques d'actualit\u00e9 usuelles ; c'est le\nprocessus de g\u00e9n\u00e9ration des labels qui fait la sp\u00e9cificit\u00e9 de la ressource, et qui la rend\nutile \u00e0 la recherche sur l'agenda m\u00e9diatique et la diversit\u00e9 de l'information.\n\nIl est publi\u00e9 par [Le French News Lab](https://frenchnewslab.org), laboratoire de recherche\nind\u00e9pendant bas\u00e9 \u00e0 Paris qui \u00e9tudie l'\u00e9cosyst\u00e8me m\u00e9diatique fran\u00e7ais par des m\u00e9thodes\ncomputationnelles.\n\n## Nature du jeu de donn\u00e9es\n\nCe jeu de donn\u00e9es est un **manifeste** : il diffuse les identifiants, **URL sources**,\n\u00e9diteurs, labels, dates et affectations de partition (`train` / `validation` / `test`).\n**Le texte int\u00e9gral des articles n'est pas redistribu\u00e9**, afin de respecter les droits des\n\u00e9diteurs. Un script de reconstruction est fourni pour r\u00e9cup\u00e9rer les contenus depuis les URL\nd'origine.\n\n## Contenu\n\nLe fichier principal `frenchnews7_manifest.csv` contient sept colonnes :\n\n| Colonne | Description |\n|---|---|\n| `id` | Identifiant stable de l'article (`fn7-\u2026`) |\n| `url` | URL source de l'article chez l'\u00e9diteur |\n| `publisher` | \u00c9diteur (13 valeurs) |\n| `label` | Cat\u00e9gorie th\u00e9matique (7 valeurs) |\n| `split` | Partition : `train`, `validation` ou `test` |\n| `date` | Date de publication (AAAA-MM-JJ) |\n| `year` | Ann\u00e9e de publication |\n\n## Cat\u00e9gories th\u00e9matiques\n\n| Cat\u00e9gorie | Articles |\n|---|---:|\n| Soci\u00e9t\u00e9 | 19 324 |\n| International | 18 642 |\n| Culture & Loisirs | 18 350 |\n| Politique | 10 546 |\n| Sport | 8 404 |\n| \u00c9conomie | 8 174 |\n| Sciences & Technologies | 4 197 |\n\n## \u00c9diteurs couverts\n\n20 Minutes \u00b7 JDD \u00b7 L'Express \u00b7 L'Humanit\u00e9 \u00b7 La Croix \u00b7 Le Figaro \u00b7 Le HuffPost \u00b7 Le Monde \u00b7\nLe Parisien \u00b7 Le Point \u00b7 Ouest-France \u00b7 Slate.fr \u00b7 TF1 INFO\n\n## Partitions\n\n`train` 61 345 \u00b7 `validation` 13 146 \u00b7 `test` 13 146 (graine al\u00e9atoire = 42)\n\n## M\u00e9thode d'annotation\n\nL'annotation suit un pipeline \u00e0 deux groupes, privil\u00e9giant l'assignation d\u00e9terministe sur\nle jugement d'un mod\u00e8le chaque fois que c'est possible.\n\n- **Groupe A \u2014 63 302 articles (72,2 %)** : label assign\u00e9 par **table de correspondance\n  d\u00e9terministe de 74 r\u00e8gles** appliqu\u00e9e au segment de rubrique de l'URL. La plupart des\n  \u00e9diteurs fran\u00e7ais exposent la rubrique dans le chemin (`/sport/`, `/politique/`\u2026).\n  Le taux de couverture des slugs va de 100 % (JDD) \u00e0 34,3 % (Slate.fr).\n- **Groupe B \u2014 24 335 articles (27,8 %)** : articles dont le slug ne porte aucun signal\n  de rubrique exploitable (`/idees`, `/debats`, `/story`, `/flash-actu`, slugs r\u00e9gionaux\n  ou absents), annot\u00e9s par **LLM** avec la m\u00eame consigne \u00e0 sept cat\u00e9gories\n  (temp\u00e9rature = 0).\n- **\u00c9tude d'accord inter-annotateurs \u00e0 quatre juges** sur un \u00e9chantillon al\u00e9atoire\n  stratifi\u00e9 de **300 articles** du groupe B : GPT-OSS-120B, Gemini-2.5-flash-lite, un\n  arbitre, et un second annotateur humain en aveugle (titre et corps uniquement, sans\n  URL, sans nom d'\u00e9diteur, sans label de mod\u00e8le).\n  L'annotateur humain en aveugle retrouve **84,0 %** des labels de r\u00e9f\u00e9rence\n  (**\u03ba de Cohen = 0,806**). Accord par paires **\u03ba \u2265 0,766** ; **\u03ba de Fleiss = 0,835**\n  sur les quatre juges ; **\u03b1 de Krippendorff = 0,789** sur trois juges.\n- Une ablation montre que les labels du groupe B sont sans effet sur les r\u00e9sultats\n  rapport\u00e9s : entra\u00eener sur le seul groupe A donne un \u00e9cart de macro-F1 de \u22120,004\n  (IC 95 % [\u22120,024 ; +0,024]).\n- 0 ligne exclue, 0 incoh\u00e9rence de label.\n- Empreinte SHA-256 du fichier publi\u00e9 :\n  `fa3d7b75cb934c2a8a615acde4e46f8db165937c4cc356f6862ecd232f435e7d`\n\n## R\u00e9utilisations possibles\n\n- Entra\u00eenement et \u00e9valuation de classifieurs th\u00e9matiques en fran\u00e7ais (CamemBERT, FlauBERT,\n  mod\u00e8les multilingues).\n- \u00c9tude de la r\u00e9partition th\u00e9matique de l'agenda m\u00e9diatique fran\u00e7ais dans le temps.\n- Analyse comparative des lignes \u00e9ditoriales entre titres de presse.\n- Recherche en journalisme computationnel et en sciences de l'information.\n\n## Article de recherche\n\nCe jeu de donn\u00e9es accompagne l'article **\u00ab FrenchNews-7: Benchmarking Cross-Publisher French\nNews Editorial Desk Classification \u00bb** (\u00ab FrenchNews-7 : Benchmark inter-\u00e9diteurs de\nclassification par rubriques r\u00e9dactionnelles de l'actualit\u00e9 fran\u00e7aise \u00bb), par Amr Sobhy\n(Le French News Lab, 2026). Statut : *en cours d'\u00e9valuation*.\n\n\u279c [Lire la publication sur frenchnewslab.org](https://frenchnewslab.org/fr/publications/frenchnews-7-benchmarking-cross-publisher-french-news-topic-classification)\n\n## Mod\u00e8le associ\u00e9\n\nUn classifieur **CamemBERT-base** entra\u00een\u00e9 sur ce corpus est publi\u00e9 en acc\u00e8s libre :\n[LeFrenchNewsLab/camembert-base-frenchnews7](https://huggingface.co/LeFrenchNewsLab/camembert-base-frenchnews7).\n\nR\u00e9sultats sur la partition de test (13 146 articles, titre + corps) :\n**macro-F1 = 0,847** (IC 95 % [0,841 ; 0,854]), **exactitude = 0,860**\n(IC 95 % [0,854 ; 0,866]).\n\nEn g\u00e9n\u00e9ralisation inter-\u00e9diteurs, sur un jeu \u00e9quilibr\u00e9 de 2 100 articles (300 par cat\u00e9gorie)\nissus de quatre m\u00e9dias absents de l'entra\u00eenement, six cat\u00e9gories sur sept atteignent un\nrappel \u2265 0,810. L'\u00c9conomie reste le point faible (0,517), proche du plafond fix\u00e9 par\nl'accord humain en aveugle sur cette cat\u00e9gorie (55 %) : la difficult\u00e9 rel\u00e8ve de l'ambigu\u00eft\u00e9\ndes fronti\u00e8res \u00e9ditoriales, non d'une marge de progression r\u00e9cup\u00e9rable.\n\n## Ressources compl\u00e9mentaires\n\n- D\u00e9p\u00f4t complet, documentation et script de reconstruction :\n  [Hugging Face \u2014 LeFrenchNewsLab/frenchnews-7](https://huggingface.co/datasets/LeFrenchNewsLab/frenchnews-7)\n- Travaux et publications du laboratoire : [frenchnewslab.org](https://frenchnewslab.org)\n\n## Comment citer\n\nSi vous utilisez FrenchNews-7 ou le classifieur associ\u00e9, merci de citer l'article :\n\n```bibtex\n@misc{sobhy2026frenchnews7,\n  title        = {FrenchNews-7: Benchmarking Cross-Publisher French News Editorial Desk Classification},\n  author       = {Amr Sobhy},\n  year         = {2026},\n  note         = {Working paper, version April 2026},\n}\n```\n\nMerci \u00e9galement de mentionner l'URL de ce jeu de donn\u00e9es, conform\u00e9ment \u00e0 la licence CC BY 4.0.\n\n---\n\n*English summary \u2014 FrenchNews-7 is a French news topic-classification benchmark of 87,637\nlabeled articles from 13 French publishers (2005\u20132026) across seven categories. It is a\nmanifest-only release: URLs, publishers, labels, splits and dates are distributed, article\ntext is not. Reconstruction tooling is provided in the\n[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"]], "columns": ["portal_id", "key", "harvest_id", "title", "description", "landing_page", "publisher", "licence", "issued", "modified", "keywords", "themes", "uri", "identifier"], "primary_keys": ["portal_id", "key"], "primary_key_values": ["data.gouv.fr", "https://www.data.gouv.fr/datasets/6a7a0cae54e6fb52a6a7ee2c"], "units": {}, "query_ms": 3.9296539998758817, "source": "Dateno, DataPortals.org, data.europa.eu, opendatArchives, and each portal's DCAT catalogue", "source_url": "https://github.com/datenoio/dataportals-registry", "license": "CC BY 4.0 (portal directory, derived from Dateno); dataset metadata as each portal publishes it", "license_url": "https://creativecommons.org/licenses/by/4.0/"}