Une nouvelle étude démontre que la manipulation algorithmique des flux de médias sociaux peut réduire de manière mesurable la polarisation politique, même sans coopération de plateforme. Des chercheurs de l’Université de Washington et de la Northeastern University ont développé une extension de navigateur exploitant les grands modèles de langage (LLM) pour réorganiser subtilement les publications dans les flux des utilisateurs, en réduisant le contenu extrême et, dans certains cas, en l’améliorant légèrement à des fins de comparaison. Les résultats, publiés dans Science, montrent un impact évident sur l’attitude des utilisateurs à l’égard des groupes politiques opposés.
L’expérience et ses résultats
Le noyau de l’étude a porté sur plus de 1 200 participants qui ont utilisé X (anciennement Twitter) avec des flux modifiés pendant la période précédant les élections américaines de 2024. Un groupe a vu le contenu polarisant être moins mis en avant, réduisant ainsi sa visibilité ; un autre l’a vu amplifié. La principale conclusion : les personnes exposées à des messages controversés peu soulignés ont fait état de sentiments plus chaleureux à l’égard des groupes politiques opposés. Ce changement a été mesuré à l’aide d’une échelle de « thermomètre des sentiments », où les participants ont évalué leur sentiment. Le changement a été en moyenne de deux à trois degrés, un effet significatif si l’on considère que le sentiment politique historique aux États-Unis évolue d’environ trois degrés sur trois ans.
À l’inverse, les participants qui ont vu du contenu polarisant ont signalé des sentiments plus froids envers les groupes opposés, démontrant ainsi l’influence de l’algorithme. L’intervention a également affecté les réponses émotionnelles : moins de tristesse et de colère ont été signalées par ceux dont le contenu était moins accentué.
Contourner le contrôle de la plate-forme
Cette recherche est révolutionnaire car elle contourne l’obstacle traditionnel à l’étude de l’influence algorithmique : l’accès aux plateformes. Au lieu de compter sur la coopération des sociétés de médias sociaux, qui accordent rarement une transparence totale, les chercheurs ont créé un outil qui fonctionne de manière indépendante au sein des navigateurs des utilisateurs. Comme l’explique Martin Saveski, co-auteur de l’Université de Washington : « Seules les plateformes ont eu le pouvoir de façonner et de comprendre ces algorithmes. Cet outil donne ce pouvoir à des chercheurs indépendants. »
Cette méthode contourne l’approbation de la plate-forme, permettant des tests dans le monde réel sans dépendre de la volonté des géants de la technologie de partager des données ou de contrôler.
Implications et recherches futures
Les effets à long terme de telles interventions restent flous. Victoria Oldemburgo de Mello, psychologue à l’Université de Toronto, note que les effets observés peuvent se dissiper ou s’aggraver avec le temps, soulignant ainsi un domaine crucial pour les recherches futures. Les chercheurs ont rendu leur code accessible au public pour encourager des recherches plus approfondies et une réplication.
Le cadre a également un potentiel au-delà de la polarisation politique. L’équipe prévoit d’explorer des interventions liées au bien-être et à la santé mentale, en tirant parti des LLM pour analyser et modifier les flux de médias sociaux afin d’obtenir des avantages plus larges. Bien que l’outil actuel fonctionne principalement sur des plates-formes basées sur un navigateur, les chercheurs étudient les moyens de l’adapter pour une utilisation avec des applications mobiles, ce qui présente des défis techniques mais reste un objectif clé.
Le succès de l’étude démontre que la manipulation algorithmique des flux de médias sociaux peut avoir un impact mesurable sur les attitudes des utilisateurs, même sans coopération entre plateformes. Cette découverte remet en question l’idée selon laquelle la polarisation est uniquement motivée par le comportement des utilisateurs et souligne la responsabilité de la conception algorithmique dans l’élaboration du discours public.
