Algorithmes et polarisation : ce que les études démontrent vraiment

En 30 secondes

Les plateformes classent des contenus, et certains contenus hostiles suscitent beaucoup de réactions. Ces deux constats ne prouvent pas, seuls, que chaque algorithme rend chaque utilisateur plus extrême. Il faut distinguer trois choses : ce qui fait cliquer, ce que le système montre et ce qui change durablement les opinions. Les recherches citées ne mesurent pas la même étape. [S1, S2]

01 — LE CHOC. Le camp adverse fait circuler. Dans quelle étude ?

En 2021, Steve Rathje, Jay Van Bavel et Sander van der Linden analysent environ 2,73 millions de publications de médias et de membres du Congrès américain sur Facebook et Twitter. Les messages parlant du camp politique adverse sont partagés ou retweetés environ deux fois plus que ceux parlant du camp propre, dans leur matériau. C’est une association observée dans un champ précis, pas une loi universelle de toute publication. [S1]

Pour un créateur, ce résultat suggère une incitation possible : le conflit attire une circulation mesurable. Pour une plateforme, plus de réactions peuvent contribuer à l’usage du service. Cela ne permet pas d’attribuer un revenu publicitaire exact à une insulte ni de déduire l’intention de chaque équipe d’ingénieurs.

02 — LES PIÈCES. Changer le fil n’a pas tout changé.

Une autre étude, publiée dans Science en 2023 par Andrew Guess et ses coauteurs, expérimente des fils chronologiques à la place des classements habituels de Facebook et Instagram pendant la campagne américaine de 2020. Les usages et les contenus rencontrés changent. Pourtant, les chercheurs n’observent pas de modification statistiquement significative de leurs mesures de polarisation sur les trois mois étudiés. [S2]

Ce résultat ne dit pas que tout classement serait sans effet, pour tout public et à long terme. Il dit qu’une intervention donnée n’a pas produit un effet détectable sur ces mesures, dans cette expérience. Inversement, l’association entre hostilité et partage ne démontre pas un changement causal des convictions. Les résultats ne s’annulent pas : ils posent des questions différentes.

La sélection se joue aussi avant le classement : comptes suivis, contenus publiés, choix du créateur, modération et réactions des autres. Attribuer tout ce que l’on voit à « l’algorithme » efface ces niveaux. Supprimer un classement personnalisé ne supprime pas automatiquement les sujets conflictuels déjà présents dans le réseau.

Dans l’Union européenne, le DSA encadre notamment les risques systémiques et la transparence. La Commission présente la possibilité de choisir des fils non personnalisés sur les très grandes plateformes concernées. Ce droit de choix ne constitue ni un label de vérité ni la preuve que toutes les obligations sont respectées en pratique. [S3]

03 — LES CONSÉQUENCES. L’engagement ne remplace pas la preuve.

Qui gagne à la circulation ? Des créateurs peuvent obtenir de la visibilité ; une plateforme peut accroître l’attention ; un acteur politique peut mobiliser ses soutiens. Qui paie le coût éventuel ? Les personnes ciblées, les utilisateurs exposés à une discussion dégradée et le débat public. Ce dossier ne chiffre pas ces coûts et ne les attribue pas à une entreprise par simple déduction.

Ce qui fait cliquer fait-il aussi changer d’opinion ? Il faut distinguer exposition, réaction et effet durable. Des données accessibles aux chercheurs peuvent aider à tester les affirmations des plateformes et de leurs critiques, avec les protections nécessaires à la confidentialité.

THEFAKEBANK est concerné par la même incitation. Un titre provocateur peut attirer ; il doit ensuite livrer un mécanisme et ses preuves. Chercher l’engagement ne nous autorise pas à fabriquer une accusation. La colère peut ouvrir la porte. Elle ne doit pas remplacer le dossier.

POUR ALLER PLUS LOIN — MÉCANISMES, EXEMPLES ET LIMITES

Association, expérience et absence d’effet détectable

Une association peut refléter plusieurs mécanismes : sélection des sujets, audience du compte ou contexte. Une expérience randomisée aide à isoler l’effet de l’intervention testée, mais son périmètre reste limité. Un résultat non significatif ne démontre pas une identité parfaite entre tous les utilisateurs ; il ne suffit pas non plus à affirmer un effet qui n’a pas été observé.

Pourquoi ces études ne répondent pas pour TikTok en France

Les travaux cités portent sur des plateformes, des périodes et des populations américaines précises. Ils ne sont pas une mesure nationale de la polarisation française de 2026. TikTok possède d’autres usages et un autre système de recommandation. Pour transposer un résultat, il faudrait une méthode et des données adaptées. Nous ne remplaçons pas ce travail par une impression de fil personnel.

Le temps passé n’est pas une opinion

Une personne peut regarder un contenu pour le contester, le documenter, se divertir ou s’indigner. Le clic n’est pas un bulletin d’adhésion. Un système qui optimise une interaction peut augmenter sa visibilité sans produire un effet politique identique chez tous. C’est précisément pourquoi les métriques commerciales et les indicateurs de débat démocratique ne sont pas interchangeables.

Que demander concrètement

Quels signaux influencent le classement ? Quelle option permet de le modifier ? Quels risques ont été évalués, avec quelles mesures et quels résultats ? Une réponse doit être comparable dans le temps, plutôt qu’une promesse générale de plateforme sûre. Ce dossier ne décrit aucune procédure judiciaire nommée ni aucune infraction établie. Il rapproche des publications scientifiques et un cadre réglementaire ; il n’a pas audité le code d’une plateforme.

Méthode : analyse documentaire de sources primaires. Les exemples fictifs sont signalés. Les propositions de réforme expriment une analyse de THEFAKEBANK ; leur rendement n’est pas chiffré ici. Signaler une erreur : contact@thefakebank.com.