Les algorithmes de réseaux sociaux agissent comme des filtres afin de présenter un contenu pertinent pour l'utilisateur. ¹⁾

Initialement, un algorithme constitue une suite d'étapes, une organisation visant à résoudre un problème. Les réseaux sociaux que nous utilisons au quotidien sont pourvus de plusieurs algorithmes qui utilisent les différentes données laissées par les utilisateurs afin de ne présenter qu'un contenu susceptible de les intéresser. Chaque utilisateur a donc un fil de contenu unique et personnalisé. Chaque réseau social possède ses propres algorithmes, mais leur fonctionnement et les règles qui les régissent sont souvent gardés secrets. Cela dit, il existe tout de même quelques informations à leur sujet ²⁾.

Il est difficile de retracer exactement quand furent créés les premiers réseaux sociaux, car tous ne s'entendent pas sur la définition du terme - certains analystes affirment même que ce moment correspondrait à l'envoi des premiers messages électroniques par code morse… en 1844! Cependant, la plupart s'entendent pour désigner la plateforme Six degrees, créée en 1997, comme le premier véritable réseau social. En 2003 furent créés MySpace, qui devint un phénomène mondial à l'époque, ainsi que LinkedIn et Facebook, encore populaires aujourd'hui. Au cours des deux décennies suivantes, des plateformes comme Twitter, Instagram et Tik Tok commencèrent à se faire connaitre³⁾. Au fil des années, des changements ont été faits quant au fonctionnement des algorithmes de chaque plateforme : alors que celui de Facebook visait initialement à maximiser le temps passé sur le site par l'utilisateur, il priorise depuis 2018 la probabilité que celui-ci interagisse avec le contenu⁴⁾. Quant à X (anciennement Twitter), l'ordre de son flux, qui montrait initialement les tweets en ordre chronologique, a été remplacé en 2016 par un ordre basé sur l'algorithme, plaçant plus haut les tweets que l'utilisateur risque de trouver intéressants⁵⁾.

Le phénomène de la bulle de filtres est une théorie avancée par l’Américain Eli Pariser pouvant être appliquée aux réseaux sociaux et aux moteurs de recherche. Ce phénomène est comparable à celui de la chambre d’écho, un terme plus général désignant les contextes où les individus sont surtout exposés à des opinions similaires aux leurs, ce qui a tendance à solidifier leurs idées⁶⁾. La bulle de filtres, un exemple de chambre d’écho spécifique à l’espace numérique, est une conséquence directe du filtrage personnalisé de contenu effectué par les algorithmes, qui recommandent à l’utilisateur un contenu avec lequel il est susceptible d’interagir tout en masquant le contenu que les algorithmes jugent moins « pertinent » en fonction des habitudes d’interactions de l'utilisateur avec la plateforme⁷⁾. Au fil de ses interactions, l’utilisateur se trouve alors enfermé dans une « bulle » intellectuelle où n’existent que des idées avec lesquelles il est en accord. Il se retrouve alors face à des plateformes numériques qui le confortent constamment dans ses goûts, ses points de vues et ses intérêts⁸⁾. Bien que ce phénomène s’applique aussi aux moteurs de recherche, il est surtout remarqué en lien avec les réseaux sociaux, où le filtrage apparaît comme évident à travers les espaces de flux personnalisés proposés par Instagram (“Explore”), Facebook et TikTok (“For You Feed”), où l’influence des goûts de l’utilisateur est plus apparent que dans les résultats de recherche proposés par Google, où la manipulation est plus subtile. Plusieurs analystes craignent que les bulles de filtres soient à l’origine de la polarisation observable dans plusieurs pays, incluant la polarisation idéologique (division de l’opinion publique sur différents enjeux) et la polarisation affective (antagonisation croissante des membres du camp idéologique adverse). Ces théories sont peu documentées, mais un article de l’institut de journalisme de l'université d'Oxford affirme que, bien que la polarisation idéologique aie diminué, la polarisation affective aurait en effet augmenté aux États-Unis au cours des dernières années, sans lien prouvé avec l’influence croissante des bulles de filtres⁹⁾. Certains analystes contestent l’existence même du phénomène de bulle de filtres, incluant l’historien André Gunthert, qui affirme que les filtres dont parlent Pariser sont créés par les utilisateurs eux-mêmes par un mécanisme typique de reproduction sociale. Selon Gunthert, bien que l’isolement intellectuel et culturel des utilisateurs de réseaux sociaux soit indéniable, les algorithmes n’y jouent pas un grand rôle¹⁰⁾.

Afin de propulser du contenu pertinent vers l’utilisateur, les algorithmes doivent être alimentés de données, celles-ci peuvent provenir de différentes sources, mais souvent elles sont produites par le comportement de l’usager sur le réseau social qu’il utilise. Avec qui il communique, ce qu’il aime, partage et suit, dépendamment de l’application. Tel que le souligne Mohamed Ryadh Dahimene dans sa thèse ¹¹⁾, le flux d’informations et de contenu qui circule sur internet, sur les réseaux sociaux notamment, est tellement important que plusieurs applications requièrent au moins un système de recommandation, afin de filtrer les contenus et de proposer des suggestions aux usagers. Certains systèmes sont dits personnalisés, dans le cas d’une recommandation propre à l’utilisateur, et d’autres non-personnalisés, dans le cas d’une recommandation générale. On note trois systèmes majeurs de filtrage de contenus : les systèmes basés sur le contenu même, les systèmes qui exploitent un filtrage collaboratif, en demandant l’avis direct de l’usager, par le biais de formulaires ou de sondages par exemple et les systèmes hybrides, qui utilisent plus ou moins les techniques associées à l’un et l’autre des deux systèmes précédents. Une fois les contenus filtrés et classés, par exemple à l’aide de mots-clés, ils sont redistribués à l’utilisateur selon différents critères, qui peuvent être utilisés ensemble par les applications, ou séparément.

Dans les dernières années, les créateurs de contenu optent pour différentes manières afin que l’algorithme aide à mettre leur contenu de l’avant. Pour attirer les abonnées et les gens qui ne le sont pas, les titres accrocheurs avec des mots-clés suscitant la curiosité sont de mise. Ceux-ci peuvent très bien être utilisés dans la description des vidéos ou même les hashtags. De plus, les miniatures tapent l’œil directement en commençant avec les couleurs, le visuel ou même les visages des différentes personnes qui apparaissent sur celles-ci. Avoir du contenu en collaboration avec d’autres créateurs peut inciter les gens à vouloir regarder les différents projets. Aussi, le temps de visionnage aide un créateur de contenu à avoir une publication quelconque dans les fils d'acualités des gens qui défilent sur leur média social afin de créer un compte uniforme pour celle-ci qui aura du contenu de qualité pour le ou la divertir.

Pour diverses raisons, ces notions ne sont pas approfondies dans la présente page :

• Histoire d'Internet
• Fonctionnement des algorithmes de réseaux sociaux
• Collecte des informations et confidentialité
• Dépendance aux réseaux sociaux
• Web participatif
• Biais algorithmique
• Régulation des algorithmes
• Opinion publique
• Reproduction sociale

Page rédigée en collaboration avec Alice Paradis, Marc-Antoine Trottier et Léa Weber.

ADOBE, « Guide pour déjouer les algorithmes des réseaux sociaux », 8 novembre 2023, en ligne : https://helpx.adobe.com/content/help/ca/fr/express/how-to/increase-social-media-visibility.html (consulté le 6 mars 2024).

ARGUEDAS, Amy Ross et al., « Echo chambers, filter bubbles, and polarisation. A literature review », Institut Reuters pour l’étude du journalisme, 19 juillet 2022, en ligne : https://reutersinstitute.politics.ox.ac.uk/echo-chambers-filter-bubbles-and-polarisation-literature-review#header--7 (consulté le 10 mars 2024).

AROBIZ « Comment fonctionne l’algorithme des réseaux sociaux ? », 27 juillet 2023, en ligne : https://www.arobiz.com/comment-fonctionne-lralgorithme-des-reseaux-sociauxn.html (consulté le 17 mars 2024).

BHALERAO, Chinmay, « How Filter Bubbles Are Biasing Your Opinions on Social Media », Data And Beyond (blog), 1 août 2023, en ligne : https://medium.com/data-and-beyond/how-filter-bubbles-are-biasing-your-opinions-on-social-media-9469b940154 (consulté le 13 mars 2024).

CLAES Arnaut et al. Algorithmes de recommandation et culture technique : penser le dialogue entre éducation et design, vol. 15, n°1, « Logique algorithmique et reproduction sociétale: les médiations sociales saisies par les algorithmes », 2021, p. 127-157

DAHIMENE, Mohammed Ryadh. Filtrage et Recommandation sur les Réseaux Sociaux, Thèse de doctorat, Paris : CNAM, 2014, 141f.

GUNTHERT, André, « Et si on arrêtait avec les bulles de filtre? » L’image sociale (blog), 13 novembre 2016, en ligne : https://imagesociale.fr/3666 (consulté le 14 mars 2024).

HIROSE, Alyssa, « Algorithme Instagram : boostez la visibilité de vos contenus » Social Media Marketing & Management Dashboard, 31 août 2023, en ligne : https://blog.hootsuite.com/fr/algorithme-instagram-comment-fonctionne/ (consulté le 14 mars 2024).

INSTAGRAM « Comprendre le fonctionnement des algorithmes d’Instagram et leur impact sur les classements » Instagram for creators, en ligne : https://creators.instagram.com/grow/algorithms-and-ranking?locale=fr_FR (consulté le 6 mars 2024).

OFFICE QUÉBÉCOIS DE LA LANGUE FRANÇAISE, « chambre d’écho », dans Le grand dictionnaire terminologique, en ligne : https://vitrinelinguistique.oqlf.gouv.qc.ca/fiche-gdt/fiche/26560265/chambre-decho (consulté le 13 mars 2024).

OREMUS, Will et al., « Here’s how Facebook’s algorithm works » Washington Post, en ligne : https://www.washingtonpost.com/technology/interactive/2021/how-facebook-algorithm-works/ (consulté le 15 mars 2024).

PETIT, Benoit, « Bulle de filtres vs chambre d’écho », Campus RÉCIT, 22 novembre 2019, en ligne : https://campus.recit.qc.ca/pluginfile.php/44626/mod_label/intro/Bulle-de-filtres-vs-Chambre-de%CC%81cho-Version-claire-2019-11-22.pdf (consulté le 10 mars 2024).

STREETS, Madeleine, « The history and evolution of social media explained », 11 juillet 2023, en ligne : https://www.techtarget.com/whatis/feature/The-history-and-evolution-of-social-media-explained (consulté le 17 mars 2024).

TRIVETTE, Hannah, « Council Post: A Guide To Social Media Algorithms And SEO » Forbes, 14 octobre 2022, en ligne : https://www.forbes.com/sites/forbesagencycouncil/2022/10/14/a-guide-to-social-media-algorithms-and-seo/ (consulté le 17 mars 2024).