Un equipo de investigadores de Afeka Academic College of Engineering y HIT-Holon Institute of Technology ha propuesto un sistema para reescribir titulares periodísticos con modelos de lenguaje que permite aumentar su atractivo para los lectores sin recurrir a fórmulas de clickbait. El trabajo, LLM-guided headline rewriting for clickability enhancement without clickbait, plantea que el problema no está en usar recursos lingüísticos para captar atención, sino en amplificarlos de forma desproporcionada hasta deformar el sentido informativo del titular.
El estudio parte de una distinción relevante para las redacciones: clickbait y capacidad de generar clics no son dos categorías completamente separadas, sino dos grados distintos en el uso de mecanismos similares. Los autores sostienen que recursos como la curiosidad, el énfasis, las preguntas, la selección del dato más noticioso o la conexión entre ideas pueden ser herramientas legítimas en un titular periodístico si mantienen la fidelidad semántica con la información original. El clickbait aparece cuando esos mismos mecanismos ocultan datos esenciales, exageran la importancia de los hechos, introducen emoción injustificada o sugieren una promesa que el contenido no satisface.
La propuesta técnica convierte la reescritura de titulares en una tarea de generación controlada. El sistema utiliza un modelo de lenguaje como generador base y lo guía durante la generación con dos modelos auxiliares entrenados con BERT. Uno actúa como señal negativa y penaliza las formulaciones que se aproximan al clickbait. El otro actúa como señal positiva y favorece atributos concretos de atractivo editorial, como una mayor claridad del dato relevante, un encuadre más interesante o una formulación interrogativa no engañosa. La combinación de ambas señales permite mover el titular entre una versión neutra y una versión más llamativa sin perder el vínculo con el hecho original.
El estudio organiza estos mecanismos en una rúbrica de atributos de engagement. En ella diferencia, por ejemplo, entre una “brecha de curiosidad” usada como clickbait (cuando se ocultan deliberadamente hechos esenciales) y una “calibración del vacío informativo” aceptable (cuando se ofrece información parcial sin suprimir el núcleo de la noticia). También distingue entre exageración y énfasis proporcional, entre activación emocional manipuladora y relevancia afectiva derivada de los hechos, entre sensacionalismo y jerarquización noticiosa, o entre preguntas provocadoras con presupuestos engañosos y preguntas que sirven para presentar una incertidumbre real.
La metodología usa titulares reales de Reuters incluidos en el conjunto True.csv del ISOT Fake News Dataset como base neutral. A partir de esos titulares, los investigadores generan variantes sintéticas con GPT-4o-mini mediante instrucciones que activan hasta tres tácticas de clickbait por titular. Cada muestra queda etiquetada con una marca binaria de clickbait y con un vector de atributos que indica qué mecanismos han sido exagerados. Este diseño permite entrenar tanto un detector global de clickbait como un modelo capaz de reconocer tácticas específicas de amplificación.
El sistema no evalúa solo titulares completos, sino también fragmentos parciales generados palabra a palabra. Este punto es central porque la guía se aplica durante la escritura del titular, no únicamente al final. Para ello, los investigadores descomponen cada titular en prefijos sucesivos y entrenan los modelos auxiliares para que detecten desde fases tempranas si la formulación va acumulando señales de clickbait o si está desarrollando un atributo de atractivo editorial concreto. Los fragmentos más cortos tienen menor peso en el entrenamiento, ya que ofrecen menos evidencia semántica.
Los resultados del modelo de detección de clickbait alcanzan valores AUROC superiores a 0,99 en el conjunto de prueba sintético, una cifra que los propios autores interpretan dentro de las condiciones controladas del experimento. El modelo de atributos muestra un comportamiento más irregular: identifica mejor tácticas como listas, superlativos y brechas de curiosidad, pero encuentra más dificultades con el sensacionalismo y las referencias ambiguas. La matriz de confusión incluida en el trabajo muestra errores estructurados entre categorías próximas, como disparadores emocionales y formulaciones sensacionalistas, lo que refleja el solapamiento real entre estrategias retóricas usadas en titulares.
La parte más relevante para los medios aparece en los ejemplos de reescritura controlada. Cuando el sistema trabaja sin penalización de clickbait, los titulares tienden a incorporar fórmulas más dramáticas, más emocionales o más insinuantes. Cuando se activa la señal negativa, el titular conserva parte del atractivo, pero reduce el exceso de énfasis y se mantiene más cerca del contenido original. El objetivo no es eliminar cualquier forma de atractivo editorial, sino establecer límites operativos para que la optimización del titular no derive en una promesa informativa desproporcionada.
La investigación apunta a una posible línea de desarrollo para herramientas de apoyo en redacciones, gestores de portada, boletines y plataformas de recomendación. Un sistema de este tipo podría ayudar a probar distintas formulaciones de titulares y medir no solo su potencial de atención, sino también el riesgo de desviación semántica o de sobreamplificación. La utilidad editorial dependería, no obstante, de una calibración ajustada a criterios humanos, ya que el propio paper plantea como trabajo futuro la evaluación a gran escala con juicios de personas y métricas reales de interacción.
