\n
Ferenc Husza\u0301r,\u2020,a,b,c, Sofia Ira Ktena,\u2021,a, Conor O\u2019Brien,a, Luca Belli\u2020,a, Andrew Schlaikjera, and Moritz Hardt\u00a7,d<\/p>\n
a Twitter, 1355 Market St San Francisco, CA 94103, USA.
\nb Computer Laboratory, University of Cambridge, Cambridge, UK.
\nc Gatsby Computational Neuroscience Unit, University College London, London, UK. dDepartment of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA.<\/p>\n<\/div>\n<\/div>\n<\/div>\n
\nSommaire<\/em> :<\/p>\nLe contenu de la timeline d’accueil de Twitter est s\u00e9lectionn\u00e9 et ordonn\u00e9 par des algorithmes de personnalisation. En classant plus haut syst\u00e9matiquement certains contenus , ces algorithmes peuvent amplifier certains messages tout en r\u00e9duisant la visibilit\u00e9 d’autres. La possibilit\u00e9 que certains groupes politiques b\u00e9n\u00e9ficient davantage de l’amplification algorithmique que d’autres a fait l’objet d’un d\u00e9bat public et scientifique intense.<\/p>\n
Nous fournissons des preuves quantitatives \u00e0 partir d’une exp\u00e9rience randomis\u00e9e de longue dur\u00e9e et \u00e0 grande \u00e9chelle sur la plateforme Twitter qui a engag\u00e9 un groupe de contr\u00f4le randomis\u00e9 comprenant pr\u00e8s de 2 millions de comptes actifs quotidiens dans un flux de contenu chronologique inverse sans personnalisation algorithmique.<\/p>\n
Nous pr\u00e9sentons deux s\u00e9ries de r\u00e9sultats. Premi\u00e8rement, nous avons \u00e9tudi\u00e9 les Tweets des l\u00e9gislateurs \u00e9lus des principaux partis politiques dans 7 pays. Nos r\u00e9sultats r\u00e9v\u00e8lent une tendance remarquablement coh\u00e9rente : Dans 6 des 7 pays \u00e9tudi\u00e9s, la droite politique dominante b\u00e9n\u00e9ficie d’une plus grande amplification algorithmique que la gauche politique dominante. Conform\u00e9ment \u00e0 cette tendance g\u00e9n\u00e9rale, notre deuxi\u00e8me s\u00e9rie de r\u00e9sultats concernant le paysage m\u00e9diatique am\u00e9ricain a r\u00e9v\u00e9l\u00e9 que l’amplification algorithmique favorise les sources d’information de droite.<\/p>\n
Nous avons \u00e9galement cherch\u00e9 \u00e0 savoir si les algorithmes amplifiaient davantage les groupes politiques d’extr\u00eame gauche et d’extr\u00eame droite que les groupes mod\u00e9r\u00e9s : contrairement \u00e0 la croyance publique dominante, nous n’avons pas trouv\u00e9 de preuves \u00e0 l’appui de cette hypoth\u00e8se. Nous esp\u00e9rons que nos r\u00e9sultats contribueront \u00e0 un d\u00e9bat fond\u00e9 sur des preuves concernant le r\u00f4le que jouent les algorithmes de personnalisation dans la consommation de contenu politique.<\/p>\n
Discussion <\/em>:<\/p>\nNous avons pr\u00e9sent\u00e9 un audit complet de l’amplification algorithmique du contenu politique par le syst\u00e8me de recommandation de la timeline d’accueil de Twitter. Dans les sept pays \u00e9tudi\u00e9s, nous avons constat\u00e9 que les principaux partis de droite b\u00e9n\u00e9ficient au moins autant, et souvent beaucoup plus, de la personnalisation algorithmique que leurs homologues de gauche.<\/p>\n
Dans le m\u00eame ordre d’id\u00e9es, nous avons constat\u00e9 que le contenu des m\u00e9dias am\u00e9ricains ayant un fort penchant pour la droite est l\u00e9g\u00e8rement plus amplifi\u00e9 que le contenu des sources de gauche.<\/p>\n
Cependant, en effectuant des comparaisons bas\u00e9es sur l’amplification des comptes des politiciens individuels, plut\u00f4t que des partis dans leur ensemble, nous n’avons trouv\u00e9 aucune association entre l’amplification et l’appartenance \u00e0 un parti.<\/p>\n
Notre analyse des partis d’extr\u00eame gauche et d’extr\u00eame droite dans diff\u00e9rents pays ne confirme pas l’hypoth\u00e8se selon laquelle la personnalisation algorithmique amplifie davantage les id\u00e9ologies extr\u00eames que les voix politiques traditionnelles. Cependant, certains r\u00e9sultats indiquent la possibilit\u00e9 qu’un fort parti pris partisan dans les reportages soit associ\u00e9 \u00e0 une plus grande amplification. Nous notons qu’un fort parti pris partisan signifie ici une tendance constante \u00e0 rapporter les informations d’une mani\u00e8re qui favorise un parti ou un autre, et n’implique pas la promotion d’une id\u00e9ologie politique extr\u00eame.<\/p>\n
Les arguments r\u00e9cents selon lesquels les diff\u00e9rents partis politiques poursuivent des strat\u00e9gies diff\u00e9rentes sur Twitter [19, 32] peuvent fournir une explication \u00e0 l’existence de ces disparit\u00e9s. Cependant, la compr\u00e9hension du m\u00e9canisme causal pr\u00e9cis qui conduit \u00e0 l’amplification invite \u00e0 une \u00e9tude plus approfondie que nous esp\u00e9rons initier par notre travail.<\/p>\n
Bien qu’il s’agisse de la premi\u00e8re \u00e9tude syst\u00e9matique et \u00e0 grande \u00e9chelle comparant les timelines class\u00e9es aux timelines chronologiques sur Twitter, notre travail s’inscrit dans un contexte plus large de recherche sur les effets de la personnalisation du contenu sur le contenu politique [7, 30, 36, 37] et la polarisation [10, 16, 31, 33]. Il existe plusieurs pistes de travail pour l’avenir.<\/p>\n
En dehors de la Home timeline, les utilisateurs de Twitter sont expos\u00e9s \u00e0 plusieurs autres formes de curation algorithmique du contenu sur la plateforme qui m\u00e9ritent d’\u00eatre \u00e9tudi\u00e9es par des exp\u00e9riences similaires. L’amplification politique n’est qu’une des pr\u00e9occupations des recommandations en ligne. Une m\u00e9thodologie similaire pourrait permettre de mieux comprendre des domaines tels que la d\u00e9sinformation [15, 22], la manipulation [2, 42], les discours de haine et les contenus abusifs.<\/p>\n","protected":false},"excerpt":{"rendered":"
![\"\"](\"https:\/\/www.pauljorion.com\/blog\/wp-content\/uploads\/Ex_Machina-150x150.png\")
Ici au blog de PJ nous allons d\u00e9couvrir l’explication … selon notre bonne habitude \ud83d\ude00 .<\/p>\n
Le lien : Algorithmic Amplification of Politics on Twitter<\/strong><\/a><\/p>\n\n
\n
\n
Ferenc Husza\u0301r,\u2020,a,b,c, Sofia Ira Ktena,\u2021,a, Conor O\u2019Brien,a, Luca Belli\u2020,a, Andrew Schlaikjera, […]<\/p>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[13],"tags":[940,1188],"class_list":["post-130212","post","type-post","status-publish","format-standard","hentry","category-intelligence-artificielle","tag-intelligence-artificielle-2","tag-twitter"],"_links":{"self":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/130212","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/comments?post=130212"}],"version-history":[{"count":5,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/130212\/revisions"}],"predecessor-version":[{"id":130217,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/130212\/revisions\/130217"}],"wp:attachment":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/media?parent=130212"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/categories?post=130212"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/tags?post=130212"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}