L'impact des réseaux sociaux sur les opinions politiques
Examiner le comportement des utilisateurs sur Twitter et Parler pendant l'élection de 2020.
― 7 min lire
Table des matières
- Réseaux Sociaux et Comportement des Utilisateurs
- L'Émergence de Nouvelles Plateformes
- Analyser la Dynamique des utilisateurs
- Résultats sur le Biais Politique et la Dynamique de Groupe
- Taux de Départ des Utilisateurs
- Comparaison avec les Environnements Hors Ligne
- Comprendre les Mouvements des Utilisateurs
- Modèles de Propagation de Contenu
- Conclusion
- Directions de Recherche Futures
- Source originale
Depuis longtemps, les gens ont appris à communiquer entre eux et à reconnaître quand quelqu’un ne dit pas la vérité lors de conversations en face à face. Avec la montée des téléphones portables et des réseaux sociaux, on doit se demander : comment cette nouvelle techno change-t-elle la façon dont les gens interagissent, et est-ce que les anciennes manières de communiquer s'appliquent encore ? Cet article explore comment les gens se connectent autour de croyances communes sur les plateformes de médias sociaux, surtout Twitter et Parler.
Réseaux Sociaux et Comportement des Utilisateurs
Les réseaux sociaux ont changé notre façon d'interagir. C'est devenu une grosse partie de nos vies, affectant plein de domaines, y compris la politique. Les politiciens utilisent ces plateformes pour toucher un grand nombre de personnes en un clin d'œil. Mais ces plateformes ont aussi entraîné la diffusion de fausses infos, la division entre utilisateurs et la création de groupes isolés où seule une vision est partagée. Comprendre comment se développent les groupes sociaux sur les réseaux sociaux est essentiel pour maximiser leurs aspects positifs tout en minimisant leurs effets négatifs.
Un concept important est l'Homophilie, qui signifie que les gens ont tendance à se connecter avec d'autres qui partagent des opinions similaires. Des recherches sur les campus universitaires ont montré que les groupes d'étudiants avec des opinions populaires ont tendance à rester ensemble plus longtemps que ceux avec des vues moins communes. Ça soulève la question de savoir si on retrouve des schémas similaires dans les réseaux sociaux en ligne.
L'Émergence de Nouvelles Plateformes
Tandis que les plateformes traditionnelles comme Facebook et Twitter continuent de croître, de nouvelles plateformes émergent. Un exemple marquant est Parler, lancé en 2018 comme un espace pour ceux qui se sentaient mal accueillis sur d'autres plateformes, surtout les conservateurs. Parler visait à être une alternative de "liberté d'expression" à Twitter, attirant des utilisateurs avec des opinions similaires.
Dynamique des utilisateurs
Analyser laCet article examine comment les utilisateurs de Twitter et Parler changent leurs opinions politiques en suivant leurs activités sur plusieurs mois. Pendant la période de septembre à décembre 2020, qui a inclus les élections présidentielles américaines, les chercheurs ont surveillé les interactions des utilisateurs sur les deux plateformes.
Au départ, les utilisateurs étaient classés en fonction de leur biais politique, déterminé par le contenu qu'ils partageaient. Avec le temps, l'étude visait à observer comment les utilisateurs passaient d’un biais à un autre sur les deux plateformes.
Résultats sur le Biais Politique et la Dynamique de Groupe
Sur Twitter, il y avait deux grands groupes : un avec un biais libéral et un autre avec un biais conservateur. Ces groupes sont restés assez stables, les utilisateurs conservant généralement leurs opinions pendant de longues périodes. En revanche, Parler montrait une forte domination du biais conservateur, créant un environnement stable où les utilisateurs partageaient largement des vues similaires et diffusaient du contenu qui s'alignait avec leurs croyances.
Cette stabilité sur Parler était en partie due à l'absence de contenu représentant des points de vue opposés. En conséquence, une forte chambre d'écho s'est développée, où les utilisateurs s'engageaient et diffusaient du contenu similaire sans beaucoup de variation.
Taux de Départ des Utilisateurs
L'étude a également examiné combien d'utilisateurs ont quitté chaque plateforme durant la période d'observation. Elle a découvert qu'environ la moitié des utilisateurs de Twitter (environ 50 %) avaient abandonné la plateforme d'ici la fin de l'étude, comparé à seulement environ 20 % des utilisateurs de Parler. Cette différence significative pointe vers une base d'utilisateurs plus stable sur Parler, où le sentiment d'appartenance parmi des individus partageant les mêmes idées maintenait l'engagement des utilisateurs.
Fait intéressant, alors que les utilisateurs de Twitter affichaient des taux de départ plus élevés pour des Biais politiques impopulaires, ces mêmes utilisateurs sur Parler étaient moins enclins à essayer de rejoindre et de participer à des discussions alignées avec des vues minoritaires. Cela a conduit à une situation où Parler est resté dominé par une seule perspective politique.
Comparaison avec les Environnements Hors Ligne
Dans les environnements hors ligne, comme les campus universitaires, le taux de départ des étudiants de leurs groupes est beaucoup plus bas. Dans les universités, le taux de départ est d'environ 2%, ce qui est nettement moins par rapport aux réseaux sociaux. Ça montre que quitter une plateforme de médias sociaux est souvent moins coûteux et plus facile que de quitter une communauté physique où les investissements dans les relations sont essentiels.
Comprendre les Mouvements des Utilisateurs
L'article cartographie les mouvements des utilisateurs selon leurs biais politiques sur les deux plateformes. Il examine comment les utilisateurs ont soit changé leurs vues, soit décidé de partir, offrant des aperçus sur la dynamique de ces communautés en ligne.
Twitter affichait une polarisation claire entre utilisateurs libéraux et conservateurs, les deux camps maintenant leurs points de vue distincts. Parler, en revanche, avait une communauté plus uniforme centrée autour de vues conservatrices extrêmes et de fausses informations, manquant de toute présence significative de contenu libéral.
Modèles de Propagation de Contenu
Durant l'étude, il a été noté que Twitter avait deux communautés séparées axées sur des nouvelles libérales et conservatrices, ce qui signifiait que les utilisateurs partageaient principalement et promeuvaient des nouvelles correspondant à leurs vues. Les utilisateurs de Parler, par contre, avaient tendance à interagir davantage avec du contenu qui validait leurs croyances existantes.
La présence de fausses informations était particulièrement notable sur Parler, car ce type de contenu attirait un nombre important d'utilisateurs, indiquant qu'une fois que les gens commençaient à partager des fausses nouvelles, ils étaient susceptibles de continuer à le faire, solidifiant encore davantage l'effet de chambre d'écho.
Conclusion
Les différences de comportement des utilisateurs sur Twitter et Parler mettent en lumière des dynamiques importantes sur la façon dont les réseaux sociaux façonnent nos interactions. Tandis que Twitter offre un ensemble plus diversifié d'opinions politiques, Parler a créé un espace dominé par une seule perspective, menant à un fort sentiment de communauté mais aussi à un manque de discours varié.
Ces résultats nous aident à comprendre l'attraction des plateformes de médias sociaux et les implications pour la dynamique des utilisateurs. Ils révèlent comment les interactions en ligne peuvent créer des communautés distinctes basées sur des croyances partagées et l'importance de reconnaître ces schémas pour de futures études et le développement de réseaux socialement conscients.
Directions de Recherche Futures
Il reste beaucoup à explorer pour comprendre les interactions des utilisateurs sur les réseaux sociaux. Les recherches futures peuvent se concentrer sur la comparaison des caractéristiques de contenu et des comportements des utilisateurs sur différentes plateformes. De plus, étudier comment les biais évoluent sur des périodes plus courtes peut offrir des aperçus sur la nature changeante de l'opinion publique en temps réel.
Comprendre ces schémas est essentiel pour ceux qui travaillent sur la conception des réseaux sociaux, car reconnaître comment les utilisateurs interagissent avec différents types de contenu peut mener à de meilleures stratégies de détection de communauté et d'engagement sur ces plateformes. En prêtant attention aux biais politiques des utilisateurs et à leurs mouvements, les développeurs et chercheurs peuvent créer des solutions de réseautage social plus efficaces qui répondent à des opinions diverses tout en favorisant une communication saine entre utilisateurs.
Titre: Dynamics of Ideological Biases of Social Media Users
Résumé: Humanity for centuries has perfected skills of interpersonal interactions and evolved patterns that enable people to detect lies and deceiving behavior of others in face-to-face settings. Unprecedented growth of people's access to mobile phones and social media raises an important question: How does this new technology influence people's interactions and support the use of traditional patterns? In this article, we answer this question for homophily-driven patterns in social media. In our previous studies, we found that, on a university campus, changes in student opinions were driven by the desire to hold popular opinions. Here, we demonstrate that the evolution of online platform-wide opinion groups is driven by the same desire. We focus on two social media: Twitter and Parler, on which we tracked the political biases of their users. On Parler, an initially stable group of Right-biased users evolved into a permanent Right-leaning echo chamber dominating weaker, transient groups of members with opposing political biases. In contrast, on Twitter, the initial presence of two large opposing bias groups led to the evolution of a bimodal bias distribution, with a high degree of polarization. We capture the movement of users from the initial to final bias groups during the tracking period. We also show that user choices are influenced by side-effects of homophily. Users entering the platform attempt to find a sufficiently large group whose members hold political biases within the range sufficiently close to their own. If successful, they stabilize their biases and become permanent members of the group. Otherwise, they leave the platform. We believe that the dynamics of users' behavior uncovered in this article create a foundation for technical solutions supporting social groups on social media and socially aware networks.
Auteurs: Mohammed Shahid Modi, James Flamino, Boleslaw K. Szymanski
Dernière mise à jour: 2024-07-22 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2309.15968
Source PDF: https://arxiv.org/pdf/2309.15968
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.