Comment les algorithmes de recommandation influencent-ils les informations reçues par les utilisateurs à travers les contenus proposés ?

« Sujet : Comment les algorithmes de recommandation influencent-ils les informations reçues par les utilisateurs à travers les contenus proposés ? Les États généraux de l’information ont réuni à Rodez, le 29 février dernier, un panel varié de participants pour une journée intense de débats et d'échanges.

Organisée à l'IUT, sous l'appui de l'Observatoire des médias aveyronnais, cette rencontre a été l'occasion pour les étudiants, citoyens, journalistes et experts de se pencher sur les enjeux cruciaux liés aux médias, à la démocratie et à la citoyenneté.

Tables-rondes, ateliers et débats ont animé la matinée, nourrissant les réflexions sur le pluralisme de l'information.

En soirée, un “café de l'info” ouvert au public a permis de recueillir les propositions citoyennes.

L'enthousiasme et l'engagement manifesté lors des États généraux de l’information, ont témoigné de l'importance d’un dialogue continu entre médias, citoyens et décideurs pour une société plus informée et engagée. Suite aux États généraux de l'information à Rodez, nous avons donc décidé de réaliser une synthèse sur l'influence des algorithmes de recommandation sur la diversité des contenus informatifs consommés par les utilisateurs à travers la question suivante : Comment les algorithmes de recommandation influencent-ils les informations reçues par les utilisateurs à travers les contenus proposés ? Le choix de ce sujet s'inscrit dans une volonté de prolonger le dialogue initié lors des États généraux de l'information.

Lors des débats et échanges de la journée, il est apparu clairement que la question de la diversité de l'information et du pluralisme médiatique était cruciale.

Les participants ont souligné l'importance de garantir l'accès à une variété de points de vue et de contenus pour une société démocratique informée.

Or, les algorithmes de recommandation, utilisés par de nombreuses plateformes en ligne, jouent un rôle central dans la manière dont les utilisateurs accèdent à l'information. Un algorithme de recommandation est une forme spécifique de filtrage de l'information visant à présenter des contenus qui sont susceptibles d'intéresser l'utilisateur.

L’apparition de ce type d’algorithmes a été permise par l’évolution exponentielle de la capacité de stockage et de traitement des machines.

En effet, ils fonctionnent grâce au Machine Learning (“apprentissage machine”), un sous-ensemble de l'intelligence artificielle permettant aux ordinateurs d’apprendre sans avoir été programmés explicitement à cet effet. Cette problématique interpelle donc directement la démocratie et la citoyenneté, car elle influe sur la capacité des individus à former des opinions éclairées et à participer de manière informée au débat public. Un système de recommandations vise à filtrer l'information pour présenter à l'utilisateur des éléments susceptibles de l'intéresser.

Contrairement à un moteur de recherche documentaire qui se base uniquement sur la pertinence des documents, un système de recommandations intègre également la recherche de l'intérêt de l'utilisateur. Ainsi, Google, bien qu'il soit souvent perçu comme un moteur de recherche, peut être considéré comme un système de recommandations axé sur la pertinence, notamment grâce à l'algorithme PageRank qui classe les résultats en fonction de leur popularité.

Il a également introduit des résultats personnalisés basés sur les intérêts individuels des utilisateurs depuis 2005. Il existe plusieurs approches pour formuler des recommandations, telles que les recommandations fondées sur le contenu, les connaissances, la collaboration, le contexte et l'apprentissage machine.

Les recommandations fondées sur le contenu correspondent les préférences d'un utilisateur à des éléments similaires, tandis que les recommandations fondées sur les connaissances sollicitent directement les préférences de l'utilisateur en l'absence d'informations existantes. Le filtrage collaboratif associe les utilisateurs à d'autres utilisateurs pour trouver des intérêts communs, tandis que les recommandations basées sur le contexte intègrent des données contextuelles telles que l'emplacement géographique.

“Le Machine Learning est de plus en plus utilisé dans les systèmes de recommandation, permettant aux ordinateurs d’apprendre” (page 8) texte 1 et de s'adapter en fonction des retours d'information implicites ou explicites des utilisateurs. ______________________________________________ On a pu ainsi observer l’apparition de l’étude du phénomène de bulles filtrantes dans le contexte de l'information en ligne, un domaine complexe et en évolution constante.

Eli Pariser, président de l’association politique MoveOn.org et co-fondateur de l’ONG Avaaz.org, a introduit le concept de bulle filtrante (“filter bubble”).

Dans son œuvre The Filter Bubble: What The Internet Is Hiding From You, en 2011.

Il utilise le concept de bulle filtrante pour décrire un isolement amplifié sur Internet, en grande partie grâce aux algorithmes de recommandation. La bulle filtrante est un phénomène qui se traduit par la recommandation d'objets en fonction des centres d'intérêts connus de l'utilisateur à travers les algorithmes, renforçant ainsi la polarisation et l'isolement intellectuel.

Par exemple, un amateur de films d'horreur pourrait se voir proposer principalement des films similaires, limitant ainsi sa diversité d'expérience cinématographique.

De même, dans le domaine de l'information, des requêtes similaires peuvent conduire à des résultats très différents selon les orientations politiques des utilisateurs, renforçant ainsi leurs biais de confirmation. Ce phénomène de bulle filtrante contribue à réduire le champ informationnel des internautes en les exposant principalement à des contenus qui reflètent et renforcent leurs propres opinions et croyances.

Ce cercle vicieux peut conduire à un éloignement des perspectives différentes et à une amplification des extrêmes.

Par exemple, l'utilisation des réseaux sociaux, où les utilisateurs sont exposés principalement aux opinions de leurs pairs, peut contribuer à renforcer les bulles filtrantes et à éloigner les individus des opinions divergentes. Une illustration de ce phénomène est l'histoire de Susanna Lazarus “une londonienne de 27 ans, persuadée que le Royaume-Uni allait rester dans l’union européenne, car même si elle connaissait des gens du parti “Leave” (quitter l’Union Européenne), elle ne voyait que des gens pour le “Stay” dans son fil d’actualité Facebook.

En découvrant cela, elle s’est sentie trompée par les réseaux sociaux” (page 47).

Cet exemple met en évidence l’implication des bulles de filtres dans la consommation d'information en ligne, ainsi.... »