L'impact de l'algorithme de recommandation de Twitter sur la polarisation politique

Les réseaux sociaux jouent un rôle énorme dans la façon dont on reçoit les infos et partage les infos. Un des gros soucis, c'est la propagation de fausses infos et comment les gens finissent souvent coincés dans des Chambres d'écho, où ils n'entendent que des opinions qui correspondent aux leur. Ces chambres d'écho peuvent conduire à plus de désaccords politiques et à une polarisation accrue dans la société. Les Algorithmes, qui sont en gros des ensembles de règles utilisés par les plateformes de réseaux sociaux pour recommander du contenu, peuvent contribuer à ces problèmes. Mais comment ces algorithmes fonctionnent réellement, et quel genre d'impact ils ont ?

#Qu'est-ce que les chambres d'écho ?

Une chambre d'écho, c'est une situation où les gens n'interagissent qu'avec d'autres qui partagent leurs croyances. Ça renforce leurs opinions existantes et peut créer des points de vue plus extrêmes. Le souci, c'est que les chambres d'écho peuvent provoquer une division dans l'opinion publique et renforcer la Polarisation Politique. Les chercheurs ont étudié ce phénomène sur diverses plateformes de réseaux sociaux, surtout concernant les discussions politiques. La plupart des résultats suggèrent que les utilisateurs ont tendance à se regrouper avec d'autres qui ont des croyances similaires, mais certains soutiennent que les chambres d'écho ne sont peut-être pas aussi fréquentes qu'on le pense.

Un autre concept lié aux chambres d'écho est la bulle de filtre. Ce terme décrit comment les algorithmes influencent le contenu que les gens voient en fonction de leurs interactions précédentes. Bien que les chambres d'écho puissent se créer pour de nombreuses raisons, comme la tendance des gens à chercher des infos qui confirment leurs croyances, les bulles de filtre peuvent également être un facteur significatif.

#Audit des algorithmes

Pour mieux comprendre les impacts potentiels négatifs des algorithmes sur les plateformes de réseaux sociaux, les chercheurs effectuent des audits algorithmiques. Ça implique d'examiner les entrées et les sorties de ces systèmes pour voir comment ils affectent l'expérience utilisateur. Une méthode courante consiste à créer des comptes automatisés, parfois appelés "comptes fantômes", qui simulent comment de vrais utilisateurs interagissent avec la plateforme.

Différentes études ont été menées sur les algorithmes de Twitter pour voir comment ils affectent les utilisateurs. Certaines montrent que l'ordre dans lequel les amis sont sélectionnés peut avoir un impact significatif sur l'expérience de l'utilisateur. D'autres recherches indiquent que les algorithmes de Twitter pourraient favoriser une gamme diversifiée de liens tout en augmentant la division politique.

#Le rôle des Systèmes de recommandation

Les systèmes de recommandation d'amis sur les réseaux sociaux suggèrent des comptes avec lesquels les utilisateurs peuvent se connecter. Lorsque la fonctionnalité "Qui suivre" de Twitter a été introduite, ça a considérablement augmenté le nombre de followers. Cependant, la plupart des recherches sur l'impact de ces systèmes sur la polarisation politique et la Désinformation ont été basées sur des simulations.

Certaines simulations suggèrent que les algorithmes menant à des réseaux similaires peuvent promouvoir la polarisation d'opinion. D'autres études révèlent que ces systèmes pourraient réduire la visibilité des points de vue minoritaires et augmenter les chambres d'écho si les réseaux initiaux sont déjà homogènes.

#La configuration de l'étude

Pour enquêter sur l'impact de l'algorithme de recommandation d'amis de Twitter sur la polarisation politique, notamment pendant les élections de mi-mandat de 2022 aux États-Unis, une étude unique a été conçue. Les chercheurs ont créé des comptes automatisés qui imitaient de vrais utilisateurs en suivant des politiciens de gauche et de droite. Le but était d'observer comment leurs réseaux changeaient au fil du temps en fonction des suggestions de l'algorithme.

L'étude était divisée en deux parties principales : un ensemble de comptes utilisaient les recommandations "Qui suivre", tandis que l'autre suivait des comptes basés sur les recommandations d'amis existants. De cette manière, les chercheurs pouvaient comparer les réseaux formés par l'algorithme avec ceux formés naturellement par des connexions sociales.

#Processus de collecte de données

Pendant l'étude, qui s'est déroulée de septembre à décembre 2022, les comptes automatisés ont créé différents réseaux en utilisant soit des suggestions de recommandation, soit en suivant des amis d'amis. Ils suivaient une liste de protocoles préétablie pour collecter des données.

L'un des principaux objectifs était la structure des réseaux qui se formaient, ce qui a aidé à déterminer si des chambres d'écho existaient. Des données supplémentaires ont été collectées auprès de vrais utilisateurs de Twitter qui suivaient les mêmes politiciens pour créer un groupe de comparaison pour les comptes automatisés. La collecte impliquait la collecte de tweets, d'infos sur les followers et de métriques d'engagement.

Les chercheurs ont enregistré la croissance du réseau en temps réel, notant quand chaque compte automatisé suivait de nouveaux comptes. Ça leur a permis d'analyser comment les réseaux évoluaient.

#Comprendre l'homogénéité politique

En examinant de près ces réseaux, les chercheurs visaient à mesurer à quel point ils étaient politiquement homogènes. Cela a été fait en étiquetant les utilisateurs comme de gauche, de droite ou neutres en fonction du contenu politique qu'ils partageaient. Les réseaux personnels formés par les comptes automatisés pouvaient ensuite être comparés à ceux des utilisateurs typiques de Twitter et à ceux qui recevaient des suggestions d'amis.

La comparaison a révélé que les comptes qui s'appuyaient sur le système de recommandation d'amis finissaient dans des réseaux plus politiquement diversifiés. Les comptes qui croissaient en fonction des recommandations d'amis existants montraient des niveaux plus élevés d'homogénéité politique.

#Résultats sur l'exposition politique

L'un des résultats clés concernait l'exposition à la désinformation. Les comptes automatisés s'appuyant sur l'algorithme ont été moins exposés à des narratifs électoraux trompeurs par rapport à ceux formés grâce à des recommandations sociales. La différence était particulièrement notable pour les comptes semés avec des candidats républicains.

Cette découverte suggère que l'algorithme de recommandation pourrait aider à réduire la polarisation politique et la désinformation en proposant un plus large éventail de perspectives, même si ça aboutit à des réseaux qui correspondent toujours à la définition structurelle des chambres d'écho.

#Le paradoxe de l'amplification

Bien que les algorithmes de recommandation influencent fortement le comportement des utilisateurs, ils ne racontent pas toute l'histoire de pourquoi les gens peuvent s'engager avec du contenu extrême en ligne. L'étude a indiqué que le système de recommandation d'amis pourrait réduire les chances que les comptes automatisés soient exposés à de fausses infos, créant ainsi plus de diversité politique dans leurs réseaux.

Cependant, les résultats ont aussi soulevé la question de savoir si les algorithmes étaient conçus pour promouvoir des environnements d'infos sains ou s'ils étaient simplement créés pour optimiser l'engagement des utilisateurs et augmenter les revenus publicitaires. De tels facteurs doivent être examinés de plus près pour comprendre comment les plateformes de réseaux sociaux pourraient cultiver de meilleures expériences d'infos pour les utilisateurs.

#Limites de l'étude

Il y avait plusieurs limites à l'étude, notamment concernant le nombre de comptes automatisés utilisés. La petite taille de l'échantillon a rendu difficile de tirer des conclusions générales. De plus, comme les comptes automatisés n'agissaient pas comme de vrais utilisateurs - comme poster ou interagir avec du contenu - les résultats peuvent ne pas refléter le comportement authentique des utilisateurs sur la plateforme.

L'étude a également fourni seulement un aperçu de Twitter tel qu'il existait pendant une période spécifique. À cause des divers changements observés sur la plateforme par la suite, reproduire l'étude ne serait pas faisable à ce stade.

#Conclusion

Cette étude apporte des infos précieuses sur l'impact de l'algorithme de recommandation d'amis de Twitter sur la formation de réseaux personnels pendant une période politique cruciale. Bien que l'algorithme ait conduit des comptes vers des clusters ou des quartiers qui semblaient structurellement denses et éventuellement comme des chambres d'écho, le contenu au sein de ces réseaux était plus idéologiquement diversifié que ceux formés uniquement par des recommandations sociales.

La recherche indique que les algorithmes des réseaux sociaux ne sont pas à eux seuls la cause principale des chambres d'écho. Au lieu de ça, il est essentiel de comprendre l'interaction entre ces algorithmes et les choix individuels des utilisateurs. Les futures études devraient continuer à explorer ces dynamiques pour mieux informer la conception et la régulation des plateformes de réseaux sociaux pour un discours en ligne plus sain.