Méthodologie
Sommaire
- Cadre conceptuel
- Architecture de collecte
- Identification des objets médiatiques
- Mesure de la saillance : trois dimensions
- Calcul des indices
- Fenêtres temporelles
- Validation et fiabilité
- Limites méthodologiques
- Reproductibilité et accès aux données
- Alertes médiatiques — taxonomie des signaux d’agenda
- Paliers de saillance absolue
- Sources
1. Cadre conceptuel
1.1 Saillance médiatique : définition opérationnelle
La saillance est définie dans la littérature scientifique comme la prépondérance d’un enjeu ou d’une question dans une sphère donnée 1 2. Appliquée aux médias, elle permet de comprendre l’importance accordée par les groupes médiatiques à une nouvelle, un événement, un enjeu, une personne ou un groupe. La saillance médiatique est utilisée dans la littérature comme proxy de l’opinion publique 3 4 5, proxy de la sphère politique 6 7, ou comme un mécanisme de sélection et de cadrage de l’information 8.
1.2 Deux types de saillance
Radar+ articule sa mesure autour de deux axes complémentaires :
Saillance verticale — le positionnement des nouvelles sur la page d’accueil d’un média. Une nouvelle « à la Une », définie comme la première en importance sur la page, est plus saillante que celle située en dessous, qui elle-même est plus saillante que la suivante. C’est cette saillance que les indices calculent en continu.
Saillance horizontale — l’importance relative des médias entre eux dans un écosystème médiatique donné. Tous les médias d’un territoire ne pèsent pas le même poids : certains structurent l’agenda public davantage que d’autres. Cette saillance se reflète dans le choix même des médias suivis (voir §2 Architecture de collecte).
L’objectif central de Radar+ n’est donc pas de collecter l’ensemble des données de tous les médias d’un territoire, mais bien d’entreposer les nouvelles les plus saillantes (saillance verticale) des médias les plus saillants (saillance horizontale).
1.3 Pourquoi la page d’accueil
La page d’accueil constitue la vitrine éditoriale d’un média : c’est le lieu où la rédaction décide, en continu, ce qui mérite d’être vu en premier, en plus gros, et le plus longtemps. Elle reflète donc explicitement les priorités éditoriales — bien plus directement que le simple décompte des articles publiés. Cette approche s’inscrit dans la lignée des travaux fondateurs en agenda-setting 9 10, qui établissent que les médias structurent les priorités du public moins par ce qu’ils disent que par ce qu’ils mettent en avant 11.
1.4 Articulation théorique
Trois littératures encadrent la démarche :
- L’agenda-setting 12 13 : les médias dictent à quoi penser plus qu’ils ne dictent quoi penser.
- La fragmentation médiatique 14 : dans un environnement saturé et hybride 15, les choix éditoriaux divergent et alimentent des publics aux référents distincts.
- La saillance comme objet mesurable 16 : mesurer rigoureusement ce que chaque média met en avant permet de quantifier des asymétries auparavant intuitives.
2. Architecture de collecte
2.1 Capture continue
Le développement de Radar+ a commencé en septembre 2018 au sein de la CLESSN. La première version publique a été déployée en septembre 2019 à l’occasion de l’élection fédérale canadienne, avec un site web dédié et des publications quotidiennes sur les réseaux sociaux. Depuis, un système automatisé photographie toutes les 10 minutes la page d’accueil de chaque média suivi. Pour chaque capture, le système conserve :
- la structure HTML complète de la page;
- la position relative de chaque article (coordonnées sur la grille, niveau hiérarchique);
- les éléments visuels associés (titre, surtitre, présence d’une photo, taille du bloc);
- l’horodatage précis.
Cette granularité de 10 minutes a été retenue comme compromis entre fidélité à la dynamique éditoriale (les unes peuvent changer plusieurs fois dans une heure lors d’événements vifs) et coûts de stockage. Sur près de sept ans, l’archive cumule plus de 5 millions de captures.
2.2 Médias suivis
Au moment de la mise en ligne publique du site, Radar+ collecte les pages d’accueil de 15 médias actifs répartis comme suit :
- Québec (6) : Radio-Canada, La Presse, Le Devoir, TVA Nouvelles, Journal de Montréal, Montreal Gazette
- Canada anglophone (7) : CBC, CTV News, Global News, Toronto Star, The Globe and Mail, National Post, Vancouver Sun
- États-Unis (2) : CNN, Fox News
D’autres sources américaines (The New York Times, The Wall Street Journal) ont été suivies par le passé puis débranchées, principalement pour des raisons d’accès et d’évolution de paywalls. Une expansion vers les médias britanniques, français et belges est en cours, ce qui portera la couverture à 41 médias à terme.
2.3 Critères de sélection des sources
La sélection des médias respecte le postulat de la saillance horizontale (§1.2) : il s’agit de retenir les médias les plus structurants d’un écosystème, pas l’ensemble exhaustif. Pour chaque écosystème médiatique, 3 à 10 sources sont retenues selon quatre critères approuvés par le comité scientifique de la CLESSN 17 :
1. Fiabilité. Les médias doivent diffuser des nouvelles journalistiques (pas de tabloïdes). L’ajout d’une source est appuyé sur des sources fiables et académiques justifiant son professionnalisme. La fiabilité d’un média est critique pour la confiance que l’audience lui accorde, les sources fiables étant plus persuasives auprès des lecteurs 18. Selon Miller et Peterson, quatre dimensions caractérisent le degré d’attitude : importance, accessibilité, ambivalence et certitude 19. Les articles dans les journaux et sites de nouvelles présentent un niveau de qualité et de fiabilité supérieur à d’autres sources comme la radio, la télévision ou les réseaux sociaux 20.
2. Diversité. Les médias retenus doivent ensemble représenter la diversité du public d’un écosystème : éventail de positions idéologiques, langues, cultures et orientations politiques. Les médias ont un pouvoir de sélection et de cadrage 21 qui oriente la perception des débats publics; multiplier les angles évite la sélection partiale d’informations 22. La partialité de certains médias et leurs tendances ont un impact significatif sur l’opinion publique, surtout lorsque l’audience ne perçoit pas ces penchants.
3. Portée. Les médias retenus doivent avoir une large audience dans leur écosystème. Avec le temps, les médias sont devenus des centralisateurs d’opinions et de valeurs collectives, structurant la solidarité sociale et l’interprétation partagée du monde 23. Plus un média gagne en popularité, plus son audience grandit et plus sa voix gagne en importance auprès des institutions politiques, influençant d’autant sa saillance. Pour quantifier l’audience, des sources fiables nationales (par exemple le CRTC au Canada) sont consultées.
4. Format. Les médias de Radar+ visent un équilibre entre formats : journaux papier, radio, télévision et médias numériques. Tous doivent toutefois disposer d’une page d’accueil web active pour permettre la collecte en continu (la collecte des contenus audio est en développement). Le format médiatique influence le contenu disponible (un journal détaille plus qu’un bulletin télévisé contraint par le temps 24) et la mémorisation des nouvelles par le public 25. Médias en ligne et médias papier ont un impact comparable sur l’opinion publique mais selon des mécanismes différents et auprès de groupes distincts 26 : balancer les formats améliore donc la représentation des réalités sociales d’un territoire.
À retenir — chaque écosystème médiatique présente ses particularités. La sélection demeure flexible et conciliante, mais doit toujours servir l’objectif central : la mise en évidence de la saillance comme facteur déterminant.
2.4 Infrastructure technique
Les données sont archivées et traitées dans une infrastructure cloud (Amazon Web Services) depuis 2024, avec environnements de développement, d’acceptation et de production séparés. Le pipeline de traitement est orchestré sur la plateforme Ellipse de la CLESSN, qui mutualise les outils techniques entre les modules de la Vitrine démocratique (Polimètre+, Radar+, Agora+).
3. Identification des objets médiatiques
3.1 Définition d’un objet médiatique
Un objet médiatique est une entité nommée, identifiable et suivie dans le temps. Quatre grandes catégories sont retenues :
- Personnes : politiciens, dirigeants, personnalités publiques (ex. Donald Trump, Mark Carney);
- Enjeux : thèmes politiques et sociaux (ex. immigration, climat, économie);
- Institutions et organisations : (ex. Cour suprême, Hydro-Québec, Hamas);
- Lieux : (ex. Ottawa, Kyiv, Gaza).
3.2 Pipeline d’extraction
À chaque capture, deux modèles d’intelligence artificielle tournant entièrement en local (aucun appel à des API externes, ni à OpenAI ni à Anthropic) traitent les titres et amorces d’articles :
Reconnaissance d’entités nommées — GLiNER (Generalist and Lightweight Model for Named Entity Recognition), modèle de NER ouvert et zero-shot, identifie l’ensemble des entités présentes dans chaque manchette sans s’appuyer sur un dictionnaire fermé. Cette approche permet de détecter des objets émergents — un nouvel acteur politique, une crise inattendue, un mot-valise propre à un événement — qu’aucun chercheur n’aurait pensé à inclure d’avance.
Normalisation bilingue — Gemma 3, modèle de langage open-weight de Google DeepMind exécuté localement, harmonise les variantes d’un même objet (Donald J. Trump, Trump, le président américain) et résout les correspondances français-anglais (Cour suprême / Supreme Court; changements climatiques / climate change). Cette étape est cruciale pour comparer rigoureusement la saillance d’un même objet à travers des médias de langues différentes.
L’exécution locale garantit la souveraineté des données, l’absence de dépendance commerciale, la reproductibilité scientifique et une maîtrise complète des coûts de traitement.
3.3 Validation humaine
Les modèles font l’objet d’une validation humaine continue. Un benchmark d’environ 1 500 phrases annotées manuellement par l’équipe sert à étalonner les seuils de prédiction des modèles, à mesurer leur taux d’accord avec le jugement humain et à guider les ajustements successifs lors des mises à jour.
4. Mesure de la saillance : trois dimensions
Pour chaque objet identifié sur une capture donnée, trois dimensions sont mesurées.
4.1 Position
La position indique où l’objet apparaît sur la page d’accueil. Elle est calculée à partir des coordonnées de l’élément HTML correspondant et hiérarchisée selon la logique éditoriale du média (zone supérieure, bloc principal, colonnes secondaires, bas de page). Un objet en haut de page reçoit une pondération supérieure à un objet en bas. Cette dimension correspond directement au postulat de saillance verticale (§1.2).
4.2 Taille
La taille mesure l’espace que l’objet occupe : longueur du titre, présence et taille d’une photo associée, dimension du bloc HTML. Un gros titre avec image principale n’a pas le même poids qu’une simple brève dans une colonne.
4.3 Durée
La durée capte la persistance de l’objet dans le temps. Comme les captures sont effectuées toutes les 10 minutes, on peut suivre précisément combien de temps un objet reste affiché sur la page d’accueil — quelques minutes, plusieurs heures, des journées entières — et reconstituer sa trajectoire complète. Concrètement, chaque manchette se voit attribuer un nombre de minutes en Une (headline_minutes), qui sert ensuite de matière première au calcul des indices (§5).
4.4 Pour les chercheurs : les indicateurs textuels complémentaires
En parallèle des trois dimensions visuelles ci-dessus (position, taille, durée), les travaux de recherche associés à Radar+ développent des indicateurs textuels plus fins, calculés à partir du contenu des manchettes et articles : la durée de vie (life span — combien de temps un sujet persiste dans la couverture), le ton (tone — orientation positive, neutre ou négative du traitement) et l’intensité (intensity — densité de couverture sur une période donnée). Ces indicateurs alimentent les analyses scientifiques approfondies (voir §10) et seront progressivement intégrés à l’interface publique. Ils ne remplacent pas les dimensions visuelles, mais les complètent : les unes mesurent ce que le média affiche, les autres ce que la couverture dit.
5. Calcul des indices
L’unité de base du calcul est le bloc de 4 heures (UTC). La journée est divisée en six blocs (00–04, 04–08, 08–12, 12–16, 16–20, 20–24); pour chaque bloc, pour chaque pays, pour chaque objet identifié, un indice absolu est calculé. Ce bloc de 4 heures est suffisamment fin pour suivre l’actualité en quasi-temps réel, et suffisamment large pour absorber la variabilité éditoriale entre les médias.
5.1 Pondération par média
Tous les médias ne traitent pas leurs manchettes de la même manière. Certains laissent une nouvelle en Une plusieurs heures, d’autres font tourner leur page d’accueil rapidement. Pour rendre les comparaisons équitables, Radar+ calcule pour chaque média sa durée moyenne en Une (mean_time, en minutes) sur une fenêtre roulante de 3 mois.
À titre indicatif, voici un instantané représentatif de ces durées moyennes :
| Média | Durée moyenne en Une (min) |
|---|---|
| La Presse | 120,9 |
| TVA Nouvelles | 125,0 |
| Journal de Montréal | 143,0 |
| Fox News | 146,1 |
| CBC | 159,5 |
| Radio-Canada | 160,0 |
| Toronto Star | 221,3 |
| CTV News | 227,9 |
| Montreal Gazette | 241,4 |
| Le Devoir | 241,8 |
| National Post | 249,0 |
| CNN | 296,2 |
| The Globe and Mail | 325,9 |
| Global News | 375,4 |
| Vancouver Sun | 505,3 |
À partir de cette base, deux pondérations sont calculées pour chaque manchette :
- la pondération intra-média :
pond_time = headline_minutes / mean_time_média, qui ramène le temps en Une à la moyenne du média; - la pondération inter-médias :
pond_time_norm = headline_minutes / mean_time_global, qui ramène ce même temps à la moyenne globale tous médias confondus (≈ 235,9 min sur les 15 médias actifs).
C’est la pondération intra-média qui entre dans l’indice (facette Durée) : une heure en Une sur une page renouvelée en continu ne vaut pas une heure sur une page qui change deux fois par jour. La pondération inter-médias reste calculée et publiée dans les données, mais elle ne sert plus au score.
5.2 Indice de saillance (spécification v1)
Depuis octobre 2026, Radar+ affiche l’indice de saillance de spécification v1, en service sur la Vitrine démocratique depuis le 12 août 2026 : même formule, calculée par objet ici et par événement là-bas (raffineur radar-salient-index, 8 août 2026). Pour chaque objet, chaque bloc de 4 heures et chaque région (Québec, Canada, États-Unis), trois facettes sont mesurées et ramenées entre 0 et 1 :
- Volume : nombre d’articles distincts qui mentionnent l’objet, au plus 3 par média (un média qui multiplie les textes sur un même sujet ne compte pas davantage), avec saturation :
s_volume = 1 − exp(−articles / 3). - Visibilité : part des médias suivis de la région, au-delà du premier, qui portent l’objet en Une :
s_visibilité = (n_médias − 1) / (panel − 1). Un objet porté par un seul média vaut 0. - Durée : temps cumulé en Une, rapporté au rythme de chaque média (
pond_time), avec saturation :s_durée = 1 − exp(−Σ pond_time / 2).
L’indice est la moyenne géométrique des trois facettes, avec un plancher de 0,05 sur chacune :
indice = (s_volume × s_visibilité × s_durée)^(1/3)
La moyenne géométrique n’est pas compensatoire : une facette presque nulle plombe le score, et aucune autre ne peut la racheter. Un sujet qu’un seul média garde toute la journée en Une reste donc bas ; un sujet que plusieurs médias portent en même temps monte. L’indice vaut entre 0 et 1 ; Radar+ l’affiche sur 100, avec une décimale. Les cumuls par jour ou par semaine sont des sommes de ces valeurs par bloc.
La série publiée avec cet indice commence le 12 juillet 2026 ; l’historique antérieur sera recalculé avec la même formule. L’ancien indice (n × Σ pond_time_norm, fréquence × temps inter-médias) reste dans les données sous le nom absolute_normalized_index ; il récompensait un sujet long sur un seul média, ce que la spécification v1 corrige.
5.3 Indice de saillance relatif
L’indice relatif d’un objet, sur une fenêtre temporelle donnée, est exprimé en pourcentage de la saillance totale de cette fenêtre :
part_de_saillance = (indice_objet / Σ indice_tous_objets) × 100
Toutes les valeurs relatives d’une fenêtre somment donc à 100 %. Cette normalisation permet de comparer :
- des périodes différentes (un mois calme c. un mois électoral);
- des médias différents (la saillance du climat à Radio-Canada c. à TVA Nouvelles);
- des univers médiatiques différents (Québec c. Canada anglophone c. États-Unis).
Pour les classements (Hot 20), certains objets purement géographiques très englobants — comme « quebec », « montreal », « canada » — sont exclus, parce qu’ils figurent presque toujours en tête sans véritable signal éditorial.
5.4 Pourquoi deux indices
L’indice absolu garde la trace de l’intensité réelle d’un événement; l’indice relatif rend les comparaisons rigoureuses. Les deux sont nécessaires pour répondre à des questions différentes : À quel point ce sujet a-t-il dominé? vs Comparativement à quoi?
6. Fenêtres temporelles
Radar+ permet d’analyser les indices selon plusieurs fenêtres temporelles, qui correspondent à des questions différentes :
| Fenêtre | Construction | Question typique |
|---|---|---|
| 4 heures | Bloc de base (unité de calcul) | Que se passe-t-il en ce moment? Quels objets émergent? |
| 1 jour | 6 blocs de 4 h | Quelles sont les priorités de la journée? |
| 1 semaine | 42 blocs de 4 h (6 × 7) | Quelle est la tendance hebdomadaire? Quel est le « gagnant de la semaine »? |
| 1 mois | ~180 blocs | Quels sujets ont dominé le mois écoulé? |
| 1 année | ~2 190 blocs | Quelles sont les grandes lignes annuelles de la couverture? |
La fenêtre hebdomadaire est calculée à partir d’un point de coupure configurable (par défaut vendredi 16:00 UTC), choisi pour minimiser les artefacts de fin de semaine. Le choix de fenêtre influence considérablement les interprétations : un sujet peut être premier sur 4 h sans figurer dans le top 20 hebdomadaire.
7. Validation et fiabilité
7.1 Taux de fiabilité
L’infrastructure actuelle (en production depuis 2024) atteint un taux de fiabilité supérieur à 95 % sur les 15 médias actifs. Ce taux est mesuré à partir :
- de la complétude des captures (pourcentage de tranches de 10 minutes effectivement archivées);
- de la qualité d’extraction des objets médiatiques (taux d’accord avec le benchmark humain);
- de la stabilité de la normalisation bilingue (cohérence des regroupements d’entités à travers les langues).
7.2 Seuils de complétude temporelle
Les analyses hebdomadaires (Hot 20 notamment) reposent sur une attente théorique de 42 blocs de 4 heures par semaine (6 par jour × 7 jours). Un seuil minimal configurable — par défaut 39 blocs sur 42 (≈ 93 %) — sert à valider la complétude des données avant publication. Lorsqu’une semaine présente moins de blocs que ce seuil, le système enregistre l’incomplétude dans les journaux et continue le traitement avec les données disponibles, plutôt que de bloquer la publication. Cette tolérance permet de préserver la continuité de la couverture face aux interruptions techniques mineures, tout en signalant explicitement la dégradation de qualité.
7.3 Maturation technique et continuité historique
Quatre refontes successives de l’infrastructure technique ont eu lieu entre 2019 et 2024, chacune visant à améliorer la robustesse, la couverture et la précision. Les données antérieures à 2024 (versions plus anciennes) sont conservées et exploitées avec les précautions méthodologiques correspondantes; le format normalisé issu de la refonte 2024 sert de référence pour les analyses publiques actuelles.
La série officielle est continue depuis le 17 avril 2023 pour les médias québécois et canadiens, et depuis le 1er septembre 2024 pour les médias américains. La collecte s’était interrompue de novembre 2022 à avril 2023, et trois trous sont connus depuis : du 6 au 27 juin 2023 (tous les médias), le Toronto Star du 19 juillet à octobre 2023 et le Globe and Mail du 20 septembre au 23 octobre 2023. Les données antérieures au 17 avril 2023 sont des segments historiques, conservés mais hors de la série officielle.
7.4 Benchmark humain
Pour chaque mise à jour majeure des modèles, un échantillon de captures fait l’objet d’une annotation manuelle par plusieurs membres de l’équipe. Le taux d’accord inter-annotateur sert à évaluer la solidité du benchmark, et les divergences sont arbitrées avant intégration dans les seuils des modèles.
8. Limites méthodologiques
Aucune mesure n’est neutre. Radar+ revendique sa rigueur en exposant aussi ses limites.
8.1 La page d’accueil n’est pas la couverture totale
Radar+ mesure ce qu’un média met en vitrine, pas l’ensemble de ce qu’il publie. Un sujet peut faire l’objet de plusieurs articles relégués dans des sections internes sans jamais apparaître sur la page d’accueil. Pour cette raison, Radar+ doit être interprété comme une mesure des priorités éditoriales mises en avant, et non comme un recensement exhaustif de la production journalistique.
8.2 Biais de sélection des médias
Le corpus suivi est circonscrit (15 médias, en majorité écrits et anglophones/francophones). Les médias diffusés majoritairement à la radio ou à la télévision (sans page d’accueil journalistique active) ne sont pas couverts; les médias hyperlocaux et les nouveaux espaces (réseaux sociaux, infolettres) non plus.
8.3 Imperfection des modèles d’IA
La reconnaissance et la normalisation des entités, bien que validées par benchmark humain, restent perfectibles. Les homonymes, les entités émergentes et les objets ambigus (par exemple, un nom propre commun à plusieurs personnalités) peuvent induire des erreurs résiduelles. L’équipe documente publiquement ces cas et révise les modèles périodiquement.
8.4 Comparabilité interlinguistique
Comparer la saillance d’un objet en français et en anglais suppose une normalisation parfaite des variantes — un objectif activement poursuivi mais jamais pleinement atteint. Les comparaisons interlinguistiques doivent être interprétées avec cette précaution.
8.5 Effet de plateforme
Chaque média structure différemment sa page d’accueil. La normalisation des positions et des tailles à travers des architectures éditoriales hétérogènes implique des choix de conception qui sont documentés mais qui restent des conventions méthodologiques, non des vérités absolues.
9. Reproductibilité et accès aux données
9.1 Code ouvert
Le code de Radar+ — pipelines de capture, raffineurs (refiners) AWS Lambda, modèles d’extraction, calculs d’indices, visualisations — est versionné et conservé sur le GitHub de la CLESSN (github.com/clessn) et sur Ellipse Sciences (github.com/ellipse-science), la plateforme technique mutualisée qui accueille les outils de la Vitrine démocratique. Le package R tube (github.com/ellipse-science/tube) est utilisé pour interagir avec les datalakes et datamarts. La communauté scientifique est invitée à inspecter, signaler des problèmes et proposer des améliorations.
9.2 Accès aux données
Les chercheuses et chercheurs intéressés à exploiter le corpus à des fins d’analyse peuvent en faire la demande via le formulaire d’accès aux données disponible sur radarplus.org. Les modalités d’accès sont conçues pour respecter à la fois l’ouverture scientifique et les obligations contractuelles avec les médias source. Les données sont disponibles à plusieurs niveaux de traitement : captures brutes (pages d’accueil archivées), tables intermédiaires (objets extraits, indices par bloc de 4 h), et tables agrégées (Hot 20, classements hebdomadaires/mensuels/annuels).
9.3 Pour citer Radar+
Une référence stable est fournie pour citer l’outil dans une publication scientifique. La forme recommandée est :
CLESSN (2026). Radar+ : Outil de mesure de la saillance médiatique. Université Laval. https://radarplus.org
Une publication méthodologique détaillée 27 est en préparation et viendra compléter la documentation officielle.
10. Alertes médiatiques — trois niveaux dérivés du pic
Une alerte signale qu’un objet a dépassé, dans une période continue, le seuil de saillance élevé calibré pour son pays (palier p80 de la distribution observée des pics 4 h sur 130 jours — voir §11). Trois niveaux de sévérité sont dérivés automatiquement du pic atteint par l’épisode :
- 🟡 Élevé — pic dans
[p80, p95[. Le sujet a brièvement ou durablement franchi le seuil de l’attention soutenue. C’est le tier de la veille éditoriale quotidienne. - 🟠 Très élevé — pic dans
[p95, p99[. Magnitude notable : top 5 % des pics observés au pays. - 🔴 Extrême — pic ≥ p99. Top 1 % — un événement rare à l’échelle du corpus national.
Cette taxonomie remplace une version précédente à six niveaux qui croisait magnitude, durée, dominance et anomalie z. La simplification est volontaire : un déclencheur unique (le pic vs un seuil calibré) est plus lisible pour l’utilisateur et plus stable dans le temps. Les autres signaux (durée, dominance, articles partagés) sont toujours calculés et restent visibles dans la fiche détaillée d’un épisode, sans entrer dans la classification du niveau.
10.1 Définition d’un épisode
Un épisode est une suite de jours consécutifs où le pic quotidien de saillance d’un objet reste au-dessus du seuil élevé (p80). Un trou d’une journée interrompt l’épisode ; une nouvelle montée plus tard démarre un nouvel épisode. Il n’y a pas de durée minimum : un seul bloc 4 h franchissant le seuil suffit pour créer un épisode d’un jour. Le niveau de l’épisode est déterminé par son pic maximum.
Chaque épisode porte deux métadonnées de statut :
- En cours — l’épisode touche le dernier jour observé au pays. L’objet est encore au-dessus du seuil.
- Terminé — l’épisode s’est conclu avant le dernier jour observé. La fiche montre alors le moment du pic et la durée totale.
10.2 Clustering événementiel
Plusieurs épisodes simultanés peuvent recouvrir un seul événement (Iran + Israël le 28 février 2026 au CAN ; les douze circonscriptions partageant le jour d’une élection). Pour éviter de fragmenter ces événements en alertes apparentes multiples, Radar+ applique deux mécanismes complémentaires :
(a) Clustering par pivot d’articles, fenêtre 14 jours. Pour chaque période 4 h, on identifie le candidat-pivot qui maximise précision × rappel du containment d’articles partagés (seuil ≥ 50 % d’articles communs). Les épisodes rattachés au pivot sont ses membres. La persistance d’event_id entre périodes consécutives (chevauchement Jaccard ≥ 0,5) permet de reconnaître qu’un événement de cinq périodes 4 h consécutives est un événement, pas cinq.
(b) Clustering historique 130 jours, par chevauchement temporel. Pour les épisodes en dehors de la fenêtre des articles (≥ 14 jours dans le passé), on regroupe les épisodes du même pays dont les intervalles temporels se chevauchent à ≥ 50 % de la durée du plus court. Le pivot du cluster est l’épisode au niveau le plus élevé (à égalité, le pic le plus haut). Limite : le clustering 130 jours ne traverse pas les frontières nationales (Iran-CAN et Iran-USA restent deux événements distincts).
10.3 Calibration empirique
Les seuils p80 / p95 / p99 sont recalculés à chaque exécution du pipeline (toutes les 4 h) sur la distribution observée des pics 4 h des 130 derniers jours, par pays. Cette calibration roulante garantit que les niveaux s’ajustent automatiquement aux régimes médiatiques nationaux et à leurs variations (campagne électorale, crise majeure, période estivale). Les valeurs courantes sont publiées dans meta.salience_tiers de graph.json et timeseries.json ; le frontend dérive le niveau d’un épisode à partir du pic comparé à ces seuils — la classification n’est jamais codée en dur dans l’interface.
10.4 Portée et limites
Les alertes sont un signal de priorité éditoriale, pas un jugement de qualité ou de véracité. Une montée détectée signale que la couverture médiatique change, jamais que l’objet est nécessairement plus important ou véridique. Le clustering par pivot peut occasionnellement isoler un membre légitime si ses articles sont trop éparpillés ; dans ce cas, l’épisode reste visible individuellement. Enfin, le fait de dériver le niveau du seul pic, sans condition sur la durée ni la dominance, signifie qu’un objet qui touche le seuil pour un seul bloc 4 h est traité comme une alerte au même titre qu’un objet qui s’y maintient cinq jours — la durée et les articles partagés restent visibles sur la fiche détaillée pour qualifier l’événement, mais ne modifient pas son niveau.
11. Paliers de saillance absolue
Le z-score d’alerte mesure l’anomalie pour soi — un objet est inhabituel par rapport à son propre passé. Mais ça ne dit rien de la magnitude absolue : un score de saillance de 45 sur 100 est-il rare ou banal sur le radar ? Pour répondre à cette question, Radar+ publie quatre paliers de saillance absolue calibrés empiriquement par pays.
11.1 Calibration empirique
Sur la fenêtre des 130 derniers jours, on prend pour chaque bloc 4 h le pic de saillance par pays — c’est-à-dire la saillance maximale observée parmi les objets de ce bloc, sous réserve d’un plancher (≥ 20 sur 100). Calibrer sur les pics plutôt que sur tous les couples (objet, bloc) garantit que les seuils sont alignés sur la grandeur que le frontend affiche réellement : la courbe d’évolution montre le pic, pas la dispersion des objets secondaires. La distribution de ces pics est ensuite découpée en quatre seuils correspondant aux percentiles :
- Modéré — p50 (médiane des pics 4 h). La moitié supérieure des moments du pays.
- Élevé — p80 (top 20 % des moments).
- Très élevé — p95 (top 5 %).
- Extrême — p99 (top 1 % — pic vraiment exceptionnel pour le pays).
La calibration est par pays : la concentration de l’attention médiatique varie considérablement selon les corpus. Un score « extrême » au Québec n’est pas comparable à un « extrême » aux États-Unis (où la base d’articles est plus diluée, donc les pics absolus plus bas). Les valeurs courantes sont publiées dans meta.salience_tiers et recalculées à chaque passage du pipeline. Les différences entre pays reflètent le fait que CAN et QC concentrent fortement la couverture sur peu de sujets-stars (Trump, événements géopolitiques), alors que USA est plus dispersé dans cette base.
11.2 Affichage
Les paliers apparaissent comme quatre lignes horizontales pointillées sur le chart de la page Évolution en mode tracking. La courbe de saillance d’un objet vient s’y promener : on voit en un coup d’œil quel palier il atteint dans l’absolu. Sur la page Alertes, un mini-pill coloré indique le palier max atteint pour chaque carte ou épisode.
11.3 Recalibration automatique
Les seuils sont recalculés à chaque exécution du pipeline (toutes les 4 h). Si la couverture médiatique change radicalement (campagne électorale, crise majeure), les paliers s’ajustent automatiquement — pas de seuils magiques figés. Les valeurs du moment sont publiées dans meta.salience_tiers et restent disponibles pour analyse.
12. Sources
Krosnick, J. A., Boninger, D. S., Chuang, Y. C., Berent, M. K., & Carnot, C. G. (1993). Attitude strength: One construct or many related constructs? Journal of Personality and Social Psychology, 65(6), 1132–1151. https://doi.org/10.1037/0022-3514.65.6.1132↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
Lewis-Beck, M. S., Jacoby, W. G., Norpoth, H., & Weisberg, H. F. (2008). The American voter revisited. University of Michigan Press. https://www.press.umich.edu/206390/american_voter_revisited↩︎
Zaller, J. R. (1992). The nature and origins of mass opinion. Cambridge University Press. https://doi.org/10.1017/CBO9780511818691↩︎
Van de Wardt, M. (2014). Putting the damper on: Do parties de-emphasize issues in response to internal divisions among their supporters? Party Politics, 20(3), 330–340. https://doi.org/10.1177/1354068811436045↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
Soroka, S. N. (2002). Agenda-setting dynamics in Canada. UBC Press. https://www.ubcpress.ca/agenda-setting-dynamics-in-canada↩︎
Iyengar, S., & Kinder, D. R. (2010). News that matters: Television and American opinion (Updated ed.). University of Chicago Press. https://doi.org/10.7208/chicago/9780226388182.001.0001↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
Soroka, S. N. (2002). Agenda-setting dynamics in Canada. UBC Press. https://www.ubcpress.ca/agenda-setting-dynamics-in-canada↩︎
Mancini, P. (2013). Media fragmentation, party system, and democracy. The International Journal of Press/Politics, 18(1), 43–60. https://doi.org/10.1177/1940161212458200↩︎
Chadwick, A. (2017). The hybrid media system: Politics and power (2nd ed.). Oxford University Press. https://doi.org/10.1093/oso/9780190696726.001.0001↩︎
CLESSN (en préparation). Publication méthodologique sur Radar+ : indices de saillance et applications dans le contexte canadien. À paraître.↩︎
CLESSN (2021). Les médias de Radar+ : Document méthodologique de sélection des sources pour l’analyse de contenu médiatique. Université Laval.↩︎
Miller, J. M., & Krosnick, J. A. (2000). News media impact on the ingredients of presidential evaluations: Politically knowledgeable citizens are guided by a trusted source. American Journal of Political Science, 44(2), 301–315. https://doi.org/10.2307/2669312↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
Hamborg, F., Donnay, K., & Gipp, B. (2019). Automated identification of media bias in news articles: An interdisciplinary literature review. International Journal on Digital Libraries, 20(4), 391–415. https://doi.org/10.1007/s00799-018-0261-y↩︎
Domke, D., Shah, D. V., & Wackman, D. B. (1998). Media priming effects: Accessibility, association, and activation. International Journal of Public Opinion Research, 10(1), 51–74. https://doi.org/10.1093/ijpor/10.1.51↩︎
Hamborg, F., Donnay, K., & Gipp, B. (2019). Automated identification of media bias in news articles: An interdisciplinary literature review. International Journal on Digital Libraries, 20(4), 391–415. https://doi.org/10.1007/s00799-018-0261-y↩︎
Curran, J. (2012). Media and power. Routledge. https://doi.org/10.4324/9780203077672↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
Schoenbach, K., De Waal, E., & Lauf, E. (2005). Online and print newspapers: Their impact on the extent of the perceived public agenda. European Journal of Communication, 20(2), 245–258. https://doi.org/10.1177/0267323105052300↩︎
CLESSN (en préparation). Publication méthodologique sur Radar+ : indices de saillance et applications dans le contexte canadien. À paraître.↩︎
Boydstun, A. E., & Russell, A. (2016). From Alarm to Patrol: A Hybrid Model of News Generation. Political Communication. https://doi.org/10.1080/10584609.2015.1107758
Boydstun, A. E., Hardy, A., & Walgrave, S. (2014). Two Faces of Media Attention: Media Storm Versus Non-Storm Coverage. Political Communication, 31(4), 509–531. https://doi.org/10.1080/10584609.2014.875967
Zhu, J.-H. (1992). Issue competition and attention distraction: A zero-sum theory of agenda-setting. Journalism Quarterly, 69(4), 825–836.
Giasson, T. (2008). Médias, opinion publique et démocratie : la couverture médiatique des grands enjeux politiques. Travaux sur les tsunamis médiatiques et la concentration de l’attention dans la couverture canadienne.
Atkinson, M. L., Lovett, J., & Baumgartner, F. R. (2014). Measuring the media agenda. Political Communication, 31(2), 355–380. https://doi.org/10.1080/10584609.2013.828139
Pinto, S., Albanese, F., Dorso, C. O., & Balenzuela, P. (2019). Quantifying time-dependent Media Agenda and Public Opinion by topic modeling. Physica A: Statistical Mechanics and its Applications, 524, 614–624. https://doi.org/10.1016/j.physa.2019.04.108
Downs, A. (1972). Up and down with ecology: The “issue-attention cycle”. The Public Interest, 28, 38–50.
Bennett, W. L. (2003). The burglar alarm that just keeps ringing: A response to Zaller. Political Communication, 20(2), 131–138. Modèle alarm/patrol repris dans Bennett, W. L. (2016). News: The Politics of Illusion (10th ed.). University of Chicago Press.
Boydstun, A. E. (2013). Making the News: Politics, the Media, and Agenda Setting. University of Chicago Press. https://doi.org/10.7208/chicago/9780226065472.001.0001
Vasterman, P. L. M. (2005). Media-hype: Self-reinforcing news waves, journalistic standards and the construction of social problems. European Journal of Communication, 20(4), 508–530. https://doi.org/10.1177/0267323105058254
Kepplinger, H. M., & Habermeier, J. (1995). The impact of key events on the presentation of reality. European Journal of Communication, 10(3), 371–390. https://doi.org/10.1177/0267323195010003004
Contents
- Conceptual framework
- Collection architecture
- Identification of media objects
- Measuring saliency: three dimensions
- Index calculation
- Time windows
- Validation and reliability
- Methodological limits
- Reproducibility and data access
- Media alerts — taxonomy of agenda signals
- Sources
1. Conceptual framework
1.1 Media saliency: an operational definition
Saliency is defined in scientific literature as the predominance of an issue or question in a given sphere1 2. Applied to the media, it captures the importance media outlets give to a story, an event, an issue, a person or a group. Media saliency is used in the literature as a proxy for public opinion3 4 5, as a proxy for the political sphere6 7, or as a mechanism of selection and framing of information8.
1.2 Two types of saliency
Radar+ articulates its measurement around two complementary axes:
Vertical saliency — the positioning of stories on the home page of an outlet. A “front-page” story, defined as the most prominent on the page, is more salient than the one below it, which itself is more salient than the next. This is the saliency the indices compute continuously.
Horizontal saliency — the relative importance of outlets between each other in a given media ecosystem. Not all media outlets in a territory weigh equally: some shape the public agenda more than others. This saliency is reflected in the choice of tracked outlets (see §2 Collection architecture).
The central goal of Radar+ is therefore not to collect the entire output of every outlet in a territory, but rather to store the most salient stories (vertical saliency) of the most salient outlets (horizontal saliency).
1.3 Why the home page
The home page is the editorial showcase of an outlet: it is where the newsroom continuously decides what deserves to be seen first, biggest, and longest. It therefore explicitly reflects editorial priorities — far more directly than a simple count of articles published. This approach is in line with foundational agenda-setting work9 10, which establishes that the media shape public priorities less by what they say than by what they put forward11.
1.4 Theoretical framing
Three bodies of literature frame the approach:
- Agenda-setting12 13: the media tell us what to think about more than what to think.
- Media fragmentation14: in a saturated and hybrid environment15, editorial choices diverge and feed audiences with distinct frames of reference.
- Saliency as a measurable object16: rigorously measuring what each outlet puts forward makes it possible to quantify previously intuitive asymmetries.
2. Collection architecture
2.1 Continuous capture
Radar+ development began in September 2018 within CLESSN. The first public version was deployed in September 2019 for the Canadian federal election, with a dedicated website and daily social media posts. Since then, an automated system photographs every 10 minutes the home page of every tracked outlet. For each capture, the system retains:
- the full HTML structure of the page;
- the relative position of each article (grid coordinates, hierarchical level);
- the associated visual elements (title, kicker, presence of a photo, block size);
- the precise timestamp.
This 10-minute granularity is a compromise between fidelity to editorial dynamics (front pages can change several times in an hour during fast-moving events) and storage costs. Across nearly seven years, the archive accumulates more than 5 million captures.
2.2 Tracked outlets
At the time of the public site’s release, Radar+ collects the home pages of 15 active outlets distributed as follows:
- Quebec (6): Radio-Canada, La Presse, Le Devoir, TVA Nouvelles, Journal de Montréal, Montreal Gazette
- English Canada (7): CBC, CTV News, Global News, Toronto Star, The Globe and Mail, National Post, Vancouver Sun
- United States (2): CNN, Fox News
Other U.S. sources (The New York Times, The Wall Street Journal) were tracked in the past then disconnected, mainly due to access constraints and paywall changes. Expansion into British, French and Belgian outlets is underway, which will bring coverage to 41 outlets in the long run.
2.3 Source selection criteria
Outlet selection follows the horizontal saliency postulate (§1.2): the goal is to retain the most structuring outlets in an ecosystem, not the exhaustive set. For each media ecosystem, 3 to 10 sources are retained according to four criteria approved by CLESSN’s scientific committee17:
1. Reliability. Outlets must publish journalistic news (no tabloids). Adding a source is supported by reliable academic sources justifying its professionalism. Outlet reliability is critical for audience trust, with reliable sources being more persuasive to readers18. According to Miller and Peterson, four dimensions characterize attitude strength: importance, accessibility, ambivalence and certainty19. Articles in newspapers and news websites display a higher level of quality and reliability than other sources such as radio, television or social media20.
2. Diversity. Selected outlets must together represent the diversity of an ecosystem’s public: a range of ideological positions, languages, cultures and political orientations. The media exercise a power of selection and framing21 that orients the perception of public debates; multiplying angles avoids the partial selection of information22. Some outlets’ partiality and biases have a significant impact on public opinion, especially when audiences do not perceive these leanings.
3. Reach. Selected outlets must have a broad audience in their ecosystem. Over time, the media have become centralizers of opinions and collective values, structuring social solidarity and shared interpretation of the world23. The more popular an outlet becomes, the larger its audience grows and the louder its voice with political institutions, all of which shapes its saliency. To quantify audience, reliable national sources (e.g., the CRTC in Canada) are consulted.
4. Format. Radar+ outlets aim for a balance between formats: print newspapers, radio, television and digital media. All must, however, have an active news home page to allow continuous collection (audio content collection is in development). Media format influences the available content (a newspaper goes deeper than a time-constrained TV bulletin24) and how news is memorized by audiences25. Online and print outlets have a comparable impact on public opinion but through different mechanisms and on distinct groups26: balancing formats therefore improves the representation of a territory’s social realities.
Key takeaway — every media ecosystem has its specificities. Selection remains flexible and accommodating, but must always serve the central objective: highlighting saliency as a determining factor.
2.4 Technical infrastructure
Data is archived and processed on a cloud infrastructure (Amazon Web Services) since 2024, with separate development, acceptance and production environments. The processing pipeline runs on the Ellipse platform of CLESSN, which mutualizes technical tools across the modules of the Democratic Showcase (Polimètre+, Radar+, Agora+).
3. Identification of media objects
3.1 Definition of a media object
A media object is a named entity, identifiable and tracked over time. Four broad categories are retained:
- People: politicians, leaders, public personalities (e.g., Donald Trump, Mark Carney);
- Issues: political and social topics (e.g., immigration, climate, economy);
- Institutions and organizations: (e.g., Supreme Court, Hydro-Québec, Hamas);
- Places: (e.g., Ottawa, Kyiv, Gaza).
3.2 Extraction pipeline
For each capture, two AI models running entirely locally (no calls to external APIs, neither OpenAI nor Anthropic) process headlines and article leads:
Named entity recognition — GLiNER (Generalist and Lightweight Model for Named Entity Recognition), an open zero-shot NER model, identifies all entities in each headline without relying on a closed dictionary. This approach detects emerging objects — a new political actor, an unexpected crisis, a portmanteau specific to an event — that no researcher would have thought to include in advance.
Bilingual normalization — Gemma 3, an open-weight language model from Google DeepMind run locally, harmonizes variants of the same object (Donald J. Trump, Trump, the U.S. president) and resolves French–English correspondences (Cour suprême / Supreme Court; changements climatiques / climate change). This step is crucial to rigorously compare the saliency of the same object across outlets in different languages.
Local execution guarantees data sovereignty, the absence of commercial dependency, scientific reproducibility, and full control over processing costs.
3.3 Human validation
The models are subject to continuous human validation. A benchmark of about 1,500 manually annotated sentences is used to calibrate model prediction thresholds, measure their level of agreement with human judgment, and guide successive adjustments during updates.
4. Measuring saliency: three dimensions
For each object identified on a given capture, three dimensions are measured.
4.1 Position
The position indicates where the object appears on the home page. It is computed from the coordinates of the corresponding HTML element and ranked according to the outlet’s editorial logic (top zone, main block, secondary columns, bottom of page). An object at the top of the page receives a higher weighting than one at the bottom. This dimension corresponds directly to the vertical saliency postulate (§1.2).
4.2 Size
The size measures the space the object occupies: title length, presence and size of an associated photo, dimension of the HTML block. A banner headline with a main image does not weigh the same as a simple blurb in a column.
4.3 Duration
The duration captures the object’s persistence over time. Since captures occur every 10 minutes, we can precisely track how long an object remains on the home page — a few minutes, several hours, full days — and reconstruct its complete trajectory. Concretely, each headline is assigned a number of front-page minutes (headline_minutes), which then becomes the raw material for index calculation (§5).
4.4 For researchers: complementary textual indicators
Alongside the three visual dimensions above (position, size, duration), the research work associated with Radar+ develops finer textual indicators, computed from the content of headlines and articles: life span (how long a topic persists in coverage), tone (positive, neutral or negative orientation of treatment), and intensity (density of coverage over a given period). These indicators feed in-depth scientific analyses (see §10) and will progressively be integrated into the public interface. They do not replace the visual dimensions but complement them: the former measure what the outlet displays, the latter what the coverage says.
5. Index calculation
The base unit of calculation is the 4-hour block (UTC). The day is divided into six blocks (00–04, 04–08, 08–12, 12–16, 16–20, 20–24); for each block, for each country, for each identified object, an absolute index is calculated. This 4-hour block is fine-grained enough to follow the news in near real-time, and broad enough to absorb editorial variability across outlets.
5.1 Outlet weighting
Not all outlets treat their headlines the same way. Some leave a story on the front for several hours, others rotate their home page rapidly. To make comparisons fair, Radar+ computes for each outlet its average front-page duration (mean_time, in minutes) over a rolling 3-month window.
As an indicative snapshot, here are these average durations:
| Outlet | Average front-page duration (min) |
|---|---|
| La Presse | 120.9 |
| TVA Nouvelles | 125.0 |
| Journal de Montréal | 143.0 |
| Fox News | 146.1 |
| CBC | 159.5 |
| Radio-Canada | 160.0 |
| Toronto Star | 221.3 |
| CTV News | 227.9 |
| Montreal Gazette | 241.4 |
| Le Devoir | 241.8 |
| National Post | 249.0 |
| CNN | 296.2 |
| The Globe and Mail | 325.9 |
| Global News | 375.4 |
| Vancouver Sun | 505.3 |
From this base, two weightings are computed for each headline:
- the intra-outlet weighting:
pond_time = headline_minutes / mean_time_outlet, which scales front-page time relative to the outlet’s average; - the inter-outlet weighting:
pond_time_norm = headline_minutes / mean_time_global, which scales the same time relative to the global average across all outlets (≈ 235.9 min for the 15 active outlets).
It is the intra-outlet weighting that enters the index (Duration facet): one hour on a front page that turns over continuously is not worth one hour on a page that changes twice a day. The inter-outlet weighting is still computed and published in the data, but no longer feeds the score.
5.2 Saliency index (specification v1)
Since October 2026, Radar+ displays the saliency index of specification v1, in service on the Vitrine démocratique since 12 August 2026: the same formula, computed per object here and per event there (refiner radar-salient-index, 8 August 2026). For each object, each 4-hour block and each region (Quebec, Canada, United States), three facets are measured and scaled between 0 and 1:
- Volume: number of distinct articles mentioning the object, capped at 3 per outlet (an outlet that multiplies pieces on one topic does not count more), with saturation:
s_volume = 1 − exp(−articles / 3). - Visibility: share of the region’s tracked outlets, beyond the first, that carry the object on their front page:
s_visibility = (n_outlets − 1) / (panel − 1). An object carried by a single outlet scores 0. - Duration: cumulative front-page time, scaled to each outlet’s own pace (
pond_time), with saturation:s_duration = 1 − exp(−Σ pond_time / 2).
The index is the geometric mean of the three facets, each floored at 0.05:
index = (s_volume × s_visibility × s_duration)^(1/3)
A geometric mean is not compensatory: a near-zero facet sinks the score, and no other facet can make up for it. A topic that a single outlet keeps on its front page all day therefore stays low; a topic that several outlets carry at the same time rises. The index ranges from 0 to 1; Radar+ displays it on a 0–100 scale, with one decimal. Daily and weekly totals are sums of these per-block values.
The series published with this index starts on 12 July 2026; earlier history will be recomputed with the same formula. The former index (n × Σ pond_time_norm, frequency × inter-outlet time) remains in the data as absolute_normalized_index; it rewarded a long-running topic on a single outlet, which specification v1 corrects.
5.3 Relative saliency index
The relative index of an object, over a given time window, is expressed as a percentage of the total saliency for that window:
saliency_share = (index_object / Σ index_all_objects) × 100
All relative values for a window therefore sum to 100%. This normalization allows comparisons:
- across different periods (a quiet month vs. an electoral month);
- across different outlets (climate saliency at Radio-Canada vs. TVA Nouvelles);
- across different media universes (Quebec vs. English Canada vs. United States).
For rankings (Hot 20), some highly encompassing geographic objects — such as “quebec”, “montreal”, “canada” — are excluded, because they almost always appear at the top without a true editorial signal.
5.4 Why two indices
The absolute index keeps track of an event’s real intensity; the relative index makes comparisons rigorous. Both are needed to answer different questions: How dominant was this topic? vs. Compared to what?
6. Time windows
Radar+ allows analyzing indices through several time windows, which correspond to different questions:
| Window | Construction | Typical question |
|---|---|---|
| 4 hours | Base block (calculation unit) | What’s happening right now? Which objects are emerging? |
| 1 day | 6 blocks of 4h | What are the day’s priorities? |
| 1 week | 42 blocks of 4h (6 × 7) | What is the weekly trend? Who is the “winner of the week”? |
| 1 month | ~180 blocks | Which topics dominated the past month? |
| 1 year | ~2,190 blocks | What are the broad annual lines of coverage? |
The weekly window is computed from a configurable cutoff (default Friday 16:00 UTC), chosen to minimize weekend artifacts. The choice of window strongly influences interpretations: a topic can rank first on a 4h block without making the weekly top 20.
7. Validation and reliability
7.1 Reliability rate
The current infrastructure (in production since 2024) reaches a reliability rate above 95% across the 15 active outlets. This rate is measured from:
- the completeness of captures (percentage of 10-minute slots actually archived);
- the quality of media object extraction (agreement rate with the human benchmark);
- the stability of bilingual normalization (consistency of entity groupings across languages).
7.2 Temporal completeness thresholds
Weekly analyses (Hot 20 in particular) rest on a theoretical expectation of 42 blocks of 4 hours per week (6 per day × 7 days). A configurable minimum threshold — by default 39 of 42 blocks (≈ 93%) — is used to validate data completeness before publication. When a week shows fewer blocks than this threshold, the system records the incompleteness in logs and continues processing with the available data, rather than blocking publication. This tolerance preserves continuity in the face of minor technical interruptions while explicitly signaling the quality degradation.
7.3 Technical maturation and historical continuity
Four successive overhauls of the technical infrastructure took place between 2019 and 2024, each aimed at improving robustness, coverage and precision. Data prior to 2024 (older versions) is preserved and used with the corresponding methodological precautions; the normalized format from the 2024 overhaul serves as the reference for current public analyses.
The official series is continuous since 17 April 2023 for the Quebec and Canadian outlets, and since 1 September 2024 for the U.S. outlets. Collection stopped between November 2022 and April 2023, and three gaps are known since: 6 to 27 June 2023 (all outlets), the Toronto Star from 19 July to October 2023, and the Globe and Mail from 20 September to 23 October 2023. Data prior to 17 April 2023 are historical segments, preserved but outside the official series.
7.4 Human benchmark
For each major model update, a sample of captures is subject to manual annotation by several team members. The inter-annotator agreement rate is used to assess the benchmark’s solidity, and divergences are arbitrated before integration into model thresholds.
8. Methodological limits
No measurement is neutral. Radar+ asserts its rigor by also exposing its limits.
8.1 The home page is not the total coverage
Radar+ measures what an outlet puts in the window, not the entirety of what it publishes. A topic may receive several articles relegated to interior sections without ever appearing on the home page. For this reason, Radar+ should be interpreted as a measure of foregrounded editorial priorities, not as an exhaustive census of journalistic production.
8.2 Outlet selection bias
The tracked corpus is bounded (15 outlets, mostly print and English/French). Outlets broadcast mainly on radio or television (without an active journalistic home page) are not covered; nor are hyperlocal outlets and emerging spaces (social media, newsletters).
8.3 AI model imperfection
Entity recognition and normalization, although validated by a human benchmark, remain imperfect. Homonyms, emerging entities and ambiguous objects (for example, a name shared by several personalities) can introduce residual errors. The team publicly documents these cases and revises the models periodically.
8.4 Cross-language comparability
Comparing the saliency of an object in French and English assumes perfect normalization of variants — a goal actively pursued but never fully reached. Cross-language comparisons must be interpreted with this caveat.
8.5 Platform effect
Each outlet structures its home page differently. Normalizing positions and sizes across heterogeneous editorial architectures involves design choices that are documented but remain methodological conventions, not absolute truths.
9. Reproducibility and data access
9.1 Open code
The Radar+ code — capture pipelines, AWS Lambda refiners, extraction models, index calculations, visualizations — is versioned and stored on the CLESSN GitHub (github.com/clessn) and on Ellipse Sciences (github.com/ellipse-science), the shared technical platform that hosts Democratic Showcase tools. The R package tube (github.com/ellipse-science/tube) is used to interact with datalakes and datamarts. The scientific community is invited to inspect, report issues and propose improvements.
9.2 Data access
Researchers interested in using the corpus for analytical purposes can request access via the data access form available on radarplus.org. Access modalities are designed to respect both scientific openness and contractual obligations with source outlets. Data is available at several levels of processing: raw captures (archived home pages), intermediate tables (extracted objects, indices per 4h block), and aggregated tables (Hot 20, weekly/monthly/yearly rankings).
9.3 Citing Radar+
A stable reference is provided to cite the tool in a scientific publication. The recommended form is:
CLESSN (2026). Radar+: Media saliency measurement tool. Université Laval. https://radarplus.org
A detailed methodological publication27 is in preparation and will complete the official documentation.
10. Media alerts — three levels derived from the peak
An alert flags an object that, during a continuous period, has crossed the high saliency threshold calibrated for its country (p80 of the observed 4h-peak distribution over 130 days — see §11). Three severity levels are derived automatically from the peak the episode reaches:
- 🟡 High — peak in
[p80, p95[. The topic has briefly or durably crossed the sustained-attention threshold. This is the daily editorial watch tier. - 🟠 Very high — peak in
[p95, p99[. Notable magnitude: top 5% of observed peaks for the country. - 🔴 Extreme — peak ≥ p99. Top 1% — a rare event at the scale of the national corpus.
This taxonomy replaces an earlier six-tier version that cross-referenced magnitude, duration, dominance and z-anomaly. The simplification is deliberate: a single trigger (peak vs a calibrated threshold) is more readable for the user and more stable over time. Other signals (duration, dominance, shared articles) are still computed and remain visible on the episode detail card, but they no longer enter the level classification.
10.1 Episode definition
An episode is a sequence of consecutive days where the daily saliency peak of an object stays above the high threshold (p80). A one-day gap interrupts the episode; a later rise starts a new one. There is no minimum duration: a single 4h block crossing the threshold creates a one-day episode. The episode level is determined by its maximum peak.
Each episode carries two status metadata:
- Active — the episode touches the latest observed day for the country. The object is still above the threshold.
- Ended — the episode concluded before the latest observed day. The card then shows peak moment and total duration.
10.2 Event clustering
Several simultaneous episodes can cover a single event (Iran + Israel on Feb 28, 2026 in CAN; the dozen ridings sharing election day). To avoid fragmenting these events into multiple apparent alerts, Radar+ applies two complementary mechanisms:
(a) Article-pivot clustering, 14-day window. For each 4h period, we identify the candidate-pivot that maximizes precision × recall of shared-article containment (≥ 50% shared-article threshold). Episodes attached to the pivot are its members. Persistence of event_id across consecutive periods (Jaccard overlap ≥ 0.5) lets us recognize that an event of five consecutive 4h periods is one event, not five.
(b) Historical 130-day clustering, by temporal overlap. For episodes outside the article window (≥ 14 days in the past), we group same-country episodes whose temporal intervals overlap by ≥ 50% of the shorter duration. The cluster pivot is the episode at the highest level (ties broken by highest peak). Limit: 130-day clustering does not cross national borders (Iran-CAN and Iran-USA remain two distinct events).
10.3 Empirical calibration
The p80 / p95 / p99 thresholds are recomputed at every pipeline run (every 4h) on the observed distribution of 4h peaks over the past 130 days, per country. This rolling calibration ensures levels adjust automatically to national media regimes and their variations (election campaign, major crisis, summer period). Current values are published in meta.salience_tiers of graph.json and timeseries.json; the frontend derives an episode level from peak vs these thresholds — classification is never hard-coded in the interface.
10.4 Scope and limits
Alerts are an editorial priority signal, not a quality or veracity judgment. A detected rise signals that media coverage is shifting, never that the object is necessarily more important or true. Pivot-based clustering may occasionally isolate a legitimate member if its articles are too scattered; in that case, the episode remains visible individually. Finally, deriving the level from peak alone — with no condition on duration or dominance — means an object that touches the threshold for a single 4h block is treated as an alert just like one that stays five days; duration and shared articles remain visible on the detail card to qualify the event, but they do not change its level.
11. Absolute saliency tiers
The alert z-score measures anomaly relative to self — an object is unusual compared to its own past. But it doesn’t say anything about absolute magnitude: is a saliency score of 45 out of 100 rare or banal on the radar? To answer that question, Radar+ publishes four absolute saliency tiers empirically calibrated by country.
11.1 Empirical calibration
Over the past 130-day window, for each 4h block we take the per-country saliency peak — i.e. the maximum saliency observed among objects in that block, subject to a floor (≥ 20 out of 100). Calibrating on peaks rather than all (object, block) pairs ensures that thresholds are aligned with what the frontend actually displays: the evolution chart shows the peak, not the dispersion of secondary objects. The distribution of these peaks is then sliced into four thresholds matching the percentiles:
- Moderate — p50 (median of 4h peaks). The upper half of the country’s moments.
- High — p80 (top 20% of moments).
- Very high — p95 (top 5%).
- Extreme — p99 (top 1% — truly exceptional peak for the country).
Calibration is per country: media attention concentration varies considerably across corpora. An “extreme” score in Quebec is not comparable to an “extreme” in the United States (where the article base is more diluted, hence lower absolute peaks). Current values are published in meta.salience_tiers and recomputed at each pipeline run.
11.2 Display
Tiers appear as four horizontal dotted lines on the Evolution page chart in tracking mode. An object’s saliency curve wanders between them: at a glance you see which tier it reaches in absolute terms. On the Alerts page, a small colored pill indicates the maximum tier reached for each card or episode.
11.3 Automatic recalibration
Thresholds are recomputed at every pipeline run (every 4h). If media coverage shifts radically (election campaign, major crisis), tiers adjust automatically — no frozen magic thresholds. Current values are published in meta.salience_tiers and remain available for analysis.
11. Sources
Krosnick, J. A., Boninger, D. S., Chuang, Y. C., Berent, M. K., & Carnot, C. G. (1993). Attitude strength: One construct or many related constructs? Journal of Personality and Social Psychology, 65(6), 1132–1151. https://doi.org/10.1037/0022-3514.65.6.1132↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
Lewis-Beck, M. S., Jacoby, W. G., Norpoth, H., & Weisberg, H. F. (2008). The American voter revisited. University of Michigan Press. https://www.press.umich.edu/206390/american_voter_revisited↩︎
Zaller, J. R. (1992). The nature and origins of mass opinion. Cambridge University Press. https://doi.org/10.1017/CBO9780511818691↩︎
Van de Wardt, M. (2014). Putting the damper on: Do parties de-emphasize issues in response to internal divisions among their supporters? Party Politics, 20(3), 330–340. https://doi.org/10.1177/1354068811436045↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
Soroka, S. N. (2002). Agenda-setting dynamics in Canada. UBC Press. https://www.ubcpress.ca/agenda-setting-dynamics-in-canada↩︎
Iyengar, S., & Kinder, D. R. (2010). News that matters: Television and American opinion (Updated ed.). University of Chicago Press. https://doi.org/10.7208/chicago/9780226388182.001.0001↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
Soroka, S. N. (2002). Agenda-setting dynamics in Canada. UBC Press. https://www.ubcpress.ca/agenda-setting-dynamics-in-canada↩︎
Mancini, P. (2013). Media fragmentation, party system, and democracy. The International Journal of Press/Politics, 18(1), 43–60. https://doi.org/10.1177/1940161212458200↩︎
Chadwick, A. (2017). The hybrid media system: Politics and power (2nd ed.). Oxford University Press. https://doi.org/10.1093/oso/9780190696726.001.0001↩︎
CLESSN (in preparation). Methodological publication on Radar+: saliency indices and applications in the Canadian context. Forthcoming.↩︎
CLESSN (2021). The Radar+ outlets: Methodological document on source selection for media content analysis. Université Laval.↩︎
Miller, J. M., & Krosnick, J. A. (2000). News media impact on the ingredients of presidential evaluations: Politically knowledgeable citizens are guided by a trusted source. American Journal of Political Science, 44(2), 301–315. https://doi.org/10.2307/2669312↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
Hamborg, F., Donnay, K., & Gipp, B. (2019). Automated identification of media bias in news articles: An interdisciplinary literature review. International Journal on Digital Libraries, 20(4), 391–415. https://doi.org/10.1007/s00799-018-0261-y↩︎
Domke, D., Shah, D. V., & Wackman, D. B. (1998). Media priming effects: Accessibility, association, and activation. International Journal of Public Opinion Research, 10(1), 51–74. https://doi.org/10.1093/ijpor/10.1.51↩︎
Hamborg, F., Donnay, K., & Gipp, B. (2019). Automated identification of media bias in news articles: An interdisciplinary literature review. International Journal on Digital Libraries, 20(4), 391–415. https://doi.org/10.1007/s00799-018-0261-y↩︎
Curran, J. (2012). Media and power. Routledge. https://doi.org/10.4324/9780203077672↩︎
McCombs, M. E., & Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990↩︎
Miller, J. M., & Peterson, D. A. M. (2004). Theoretical and empirical implications of attitude strength. The Journal of Politics, 66(3), 847–867. https://doi.org/10.1111/j.1468-2508.2004.00282.x↩︎
Schoenbach, K., De Waal, E., & Lauf, E. (2005). Online and print newspapers: Their impact on the extent of the perceived public agenda. European Journal of Communication, 20(2), 245–258. https://doi.org/10.1177/0267323105052300↩︎
CLESSN (in preparation). Methodological publication on Radar+: saliency indices and applications in the Canadian context. Forthcoming.↩︎