你创造了一个惊人的内容。
您知道它具有新闻价值，并且您已经生成了一个潜在客户列表以使用您最喜欢的工具之一进行传播。
但是，您确实有顾虑，因为您知道您的内容可能不符合“某些世界观”。
例如，假设您的项目是对美国 LGBTQ+ 法律的分析，并且您采取非常支持 LGBTQ+ 的立场。
您可能希望避免将您的故事发布到 thedailycaller.com 或 drudge.com 等网站。
向错误的发布商推销最糟糕的事情不仅在于您的推销不会成功。
除了浪费宣传的风险外，您还冒着不必要地破坏与潜在未来项目（与政治无关）的联系的风险。
记者一次又一次地报告说，他们最大的烦恼是有人向他们出售他们不喜欢的内容。
您想熟悉他们的工作，因此在发送内容之前了解他们的政治倾向。
这就是它变得棘手的地方，尤其是在推销可能处于中间位置的网站和发布商时。
您如何知道他们在每个主题上的立场？
由于他们在该领域的时间和经验，熟练的数字公关将对出版商有一种与生俱来的感觉，但没有人真正了解每个作者或任何新闻出版物的政治倾向。
理想情况下，我们将有一种方法可以自动评估特定文章的偏见以及领域和作者偏见的总分。
碰巧的是，人工智能研究人员 Zach Estela 创建了一个人工智能模型，该模型在 100,000 篇由人类标记的新闻文章的数据集上进行训练。
使用此模型，可以对任何文章进行评分：
- 政治偏见（范围从极左到极右）。
- 事实报告级别（范围从低到高）。
- 阴谋。
- 宣传。
- 假新闻。
- 讽刺。
- 专业科学。
然后可以对单个作者以及整个出版物的分数进行汇总和平均，从而提供对选定个人或出版物的总体了解。
示例项目：LGBTQ+ 职场歧视
上述活动资产来自我们开展的一项活动，该活动探讨了美国各地工作场所对 LGBTQ+ 的歧视。
这是一个很好的例子，说明外展仅限于具有特定政治倾向的出版商。
在整个内容创作过程中，我们的公关团队与我们的创意人员一起执行该项目，以咨询最佳俯仰角度并尝试提高：
- 内容。
- 我们可以定位的可能发布商类型的广度。
在此过程中，他们将制定战略并制定可能的推介目标列表。
在这种情况下，我们的列表中有来自雅虎、BuzzFeed、赫芬顿邮报、ABC 新闻等出版物的 100 多位作者。
然后，使用我们搭建的爬虫，我们可以找到上述所有作者所写的所有文章的原文。
然后将每篇文章输入偏见模型，并将分数汇总为每个偏见类别的中位数。
这是表格的可视化（点击浏览）显示每个作者每个类别的这些中值和测量的文章数量。
至少收录三篇文章是我们设定的收录门槛。
主要经验分析
通过汇总每个作者的偏见模型输出的数据，我们发现了一些非常有趣的见解：
- 中左、左和极左的人数明显过多。对于这篇支持 LGBTQ+ 的文章，这向我们表明，我们的公关人员在针对可能对 LGBTQ+ 权利持积极看法的记者方面做得非常出色。
- 一些作者被发现在右倾、阴谋论、假新闻和仇恨方面得分明显更高。
- Sam Easter：非常保守。
- Mike Lacey：高仇恨和高保守分数。
- Brad Polumbo：仇恨和假新闻得分高。
- Ellen McGirt：保守的高分。
- Dominic Holden：高仇恨和高保守分数。
- Suzannah Weiss：阴谋得分高。
- 一些作者在假新闻、阴谋和仇恨方面得分较低，以积极的方式脱颖而出：
- Julie Compton Compton：指标得分较低,
- James Cain：在假新闻、阴谋和仇恨方面得分较低。 （有趣的例子，因为他的一些文章被标记为左倾，而另一些被标记为右倾。
- 对按领域聚合的文章进行额外分析也可能有帮助，但这个样本，没有足够的文章来获得统计上显着的结果。在以后的文章中，我将展示如何在第一次开始营销新利基市场时通过更大的刮擦来实现这一点为此目的。通过在数十个上运行偏差检测器数以千计的文章文本，可以检测到准确的领域级偏差。
以上几点提请注意哪些政治倾向更适合候选记者的故事视角（pro-LGBTQ+ – 左） -leaning），同时驳斥或贬低那些不太可能同意或发现 LGBTQ+ 相关故事引人注目的人。
最终想法
在宣传活动时，有时您会有时间审查每个作家过去的作品和社交媒体足迹分别确定他们的政治倾向s.
但是，尤其是在当今的政治气候下，新闻周期是持续不断的并且是最新的。
您可以使用 AI 来减轻自己跑腿的负担，这样您可以在它们仍然重要的时候推出适时的活动。
p>
建立批量外展推介列表和对该批量列表进行二次分析的数据驱动方法可以帮助公关专业人员推销内容：
- 更好地优化他们的活动时间。
- 提高转化率（获得引人入胜的故事）。
- 减少愤怒的记者评论他们的事情的可能性可能永远不想写。
从长远来看，这种类型的分析可以通过极大地改善发布者联系并最大限度地降低风险，从长远来看带来大笔资金。
< p>
