L'influence qui exerce les algorithmes sur les opinions et les préférences des millions d'utilisateurs

Un flux d'actualités personnalisé peut influencer ce qui capte votre attention avant même que vous ne vous forgiez une opinion. Les algorithmes numériques sélectionnent les vidéos, les publications, les résultats de recherche et les publicités parmi l'immense quantité d'informations en ligne. Leurs choix peuvent affecter ce que vous remarquez, mais ils ne déterminent pas toutes vos opinions ni vos préférences.

Chaque jour, des personnes utilisent des services qui trient et suggèrent du contenu, souvent sans en connaître les critères. Un article familier peut apparaître à côté d'un autre, plus surprenant, tandis que d'autres contenus restent en bas de l'écran. Cette sélection influence notre perception du contenu, ce qui nous paraît intéressant, familier ou digne d'intérêt.

Cette explication, accessible aux débutants, montre le fonctionnement de ces systèmes, où les rencontrer et comment appréhender leur influence. L'objectif n'est pas de considérer chaque recommandation comme nuisible ou utile. Il faut voir une recommandation personnalisée comme une suggestion, et non comme une vision neutre ou exhaustive du monde.

Qu'est-ce qu'un algorithme et quels sont ses éléments de base ?

Une recette est un algorithme simple : on entre les ingrédients, on suit des étapes ordonnées, et on obtient un plat préparé. Un algorithme informatique est un ensemble ordonné et fini d’instructions permettant d’accomplir une tâche ou de résoudre un problème. Ses éléments de base sont l’entrée, le traitement et la sortie, qui, ensemble, transforment une tâche en un résultat.

Les données d'entrée désignent les informations fournies à un processus avant son démarrage. Dans une recette, les éléments d'entrée comprennent les ingrédients et leurs quantités. Le processus est la séquence d'actions, comme le mélange et la cuisson. Le résultat est le plat fini, à condition que les étapes et les mesures correspondent à la recette.

La vérification d'un formulaire numérique utilise le même principe. Les données saisies peuvent inclure un nom, une adresse électronique et une date. Le processus vérifie si les champs obligatoires sont remplis et si l'adresse électronique respecte un format attendu. Le résultat peut indiquer que le formulaire est complet ou signaler un champ manquant.

Instructions claires Un algorithme permet à une procédure de fonctionner de manière cohérente. Ses étapes doivent avoir un ordre défini, un point d'arrêt et un niveau de détail suffisant pour traiter les cas courants. Un algorithme peut être une procédure écrite ou un processus codé, et il n'est pas forcément nécessaire qu'il s'exécute sur un ordinateur.

Pour qu'une tâche soit répétable, ses instructions doivent clairement situer chaque étape dans la séquence.

Une recette peut suivre des étapes algorithmiques sans ordinateur, tout comme un système de vérification numérique peut appliquer des règles à des informations. Les deux nécessitent un moyen de traiter les informations reçues et de produire un résultat utile. Une procédure incomplète peut fonctionner une fois par chance, puis échouer dans un cas légèrement différent.

Le Explication des algorithmes par The Conversation Ce processus décrit comment les instructions transforment les données d'entrée en données de sortie par le biais de décisions et de répétitions. Des étapes claires facilitent également la détection des erreurs dans une procédure. Assurez-vous qu'une procédure comporte un point d'arrêt clairement défini et qu'elle couvre les cas courants pour lesquels elle est conçue.

Comment fonctionnent les algorithmes en programmation et en intelligence artificielle ?

Un programme commence par une procédure qui spécifie ce qu'il faut faire avant que le code n'indique à l'ordinateur comment le faire. Un algorithme représente la logique qui sous-tend un programme, tandis que le code exprime cette logique dans un langage exécutable par un ordinateur. Vous pouvez planifier les étapes avant de choisir un langage de programmation.

Comment construire un algorithme étape par étape

Commencez par énoncer la tâche en une seule phrase, par exemple : « vérifier si un nombre est pair ». Identifiez l’entrée, puis indiquez la sortie attendue. Dans cet exemple, l’entrée est un nombre et la sortie est un message indiquant s’il est pair ou non.

Écrivez les instructions dans l'ordre : lire le nombre, le diviser par deux, vérifier le reste et afficher le message correct. Testez ensuite la procédure avec des nombres courants, comme 8 et 11. Un bon test vérifie que chaque résultat correspond à la règle prévue.

Essayez aussi des cas limites, comme zéro ou une valeur non autorisée par la tâche. Scratch, Blockly, Flowgorithm, PSeInt et RAPTOR aident les débutants à représenter ou à pratiquer des algorithmes. Certains proposent des blocs visuels ou des organigrammes, ce qui vous permet de vous concentrer sur la séquence avant d'écrire du code plus complexe.

Comment l'IA et l'apprentissage automatique utilisent les algorithmes

L'intelligence artificielle (IA) est un domaine de l'informatique. Un algorithme est un processus ou un ensemble de règles qu'un système d'IA peut utiliser. L'IA n'est pas un algorithme en soi : les systèmes combinent algorithmes, données et puissance de calcul pour accomplir des tâches.

L'apprentissage automatique est une approche de l'intelligence artificielle dans laquelle un système utilise des exemples pour identifier des tendances et ajuster ses prédictions. Par exemple, un système peut apprendre à partir d'exemples passés pour estimer quel article pourrait intéresser une personne. Son résultat dépend des informations qu'il reçoit et du processus utilisé pour les interpréter.

Le chiffrement par décalage de lettres illustre la précision du traitement du texte. Pour décoder un message, on décale chaque lettre de cinq positions vers la droite dans l'alphabet espagnol, lettre contenant le ñ. Lorsqu'un décalage atteint le début de l'alphabet, on revient à la fin en laissant les espaces inchangés.

En appliquant ces règles, « KJQNE INF IJ QTX UW TLWF RFI TWJX » se décode en « FELIZ DIA DE LOS PROGRAMADORES » uniquement si le texte encodé est espacé et décalé de manière cohérente. Dans cet exemple, le résultat dépend de l'alphabet et de la règle de décalage, et non de l'apprentissage. Il est donc conseillé de tester un algorithme sur une entrée proche des limites de ses règles, et non pas seulement sur l'exemple initial qui a permis son bon fonctionnement.

Quels types d'algorithmes résolvent différents problèmes ?

La recherche binaire restreint la recherche dans une collection ordonnée en examinant son élément central, puis en sélectionnant la moitié pertinente. C'est un type d'algorithme parmi d'autres, chacun étant conçu pour un problème différent. La méthode appropriée dépend de la tâche et de ce qui compte le plus : la rapidité, l’exactitude ou la facilité de vérification.

Les séquences, les conditions et la répétition sont des structures de contrôle fondamentales : elles décrivent le déroulement des instructions. Les méthodes de recherche, de tri, gloutonnes, de programmation dynamique et probabilistes décrivent des stratégies plus générales de résolution de problèmes. Chaque stratégie a ses cas d’utilisation, mais aucune méthode n’est universellement applicable.

algorithmes de recherche Localiser un élément. La recherche séquentielle parcourt les éléments un par un, tandis que la recherche binaire restreint progressivement une collection déjà triée. Les algorithmes de tri organisent les éléments ; le tri à bulles, le tri par sélection et le tri rapide sont des exemples courants. Ces exemples illustrent différentes manières d'organiser une collection.

Les algorithmes gloutons choisissent une option locale prometteuse à chaque étape. L'algorithme de Dijkstra utilise ce type de stratégie pour trouver des itinéraires dans un réseau. Un choix glouton peut ne pas atteindre l'optimum global ; la méthode est donc plus performante lorsque ses règles permettent d'obtenir le résultat souhaité.

La programmation dynamique stocke les résultats de problèmes plus simples et les réutilise. Un calcul de Fibonacci peut ainsi exploiter des valeurs précédemment enregistrées au lieu de résoudre les mêmes sous-problèmes à répétition. Les algorithmes probabilistes utilisent le hasard pour trouver une solution adéquate ; les méthodes de Monte-Carlo et de Las Vegas en sont deux exemples connus.

Les algorithmes peuvent être qualifiés de quantitatifs ou qualitatifs, et de computationnels ou non computationnels. Un algorithme mathématique peut calculer 1 + 1 = 2, en utilisant 1 et 1 comme entrées et 2 comme sortie. Une procédure basée sur des règles peut former des pluriels, mais elle doit tenir compte des exceptions, comme la transformation d'une matrice en plusieurs matrices.

Le codage de Huffman compresse l'information en attribuant des codes selon la fréquence d'apparition des symboles. Le tri par sélection et le tri à bulles offrent d'autres méthodes de classement, tandis que la méthode de Las Vegas utilise le hasard mais vérifie son résultat. Ces exemples ne constituent pas un classement des algorithmes les plus utilisés.

La rapidité, la précision et la facilité de validation d'une méthode peuvent être des critères contradictoires. L'approche la plus rapide peut s'avérer plus difficile à vérifier, tandis qu'une méthode simple et exacte peut prendre plus de temps pour une tâche complexe. Avant de choisir une méthode, il convient de déterminer si la rapidité, la précision ou la facilité de validation sont les critères les plus importants pour la tâche.

Comment les algorithmes numériques classent-ils ce que vous voyez en ligne ?

Un flux classé est une sélection, et non un enregistrement exhaustif de tout ce qui est publié en ligne. Un système de recommandation prédit ce qui pourrait vous intéresser, puis classe les articles, les résultats de recherche, les vidéos ou les publicités. Son classement reflète les signaux qu'il prend en compte, et non une mesure complète de ce qui compte vraiment.

Ces algorithmes peuvent exploiter l'activité antérieure, les centres d'intérêt déduits, les tendances observées chez des utilisateurs similaires et le contexte, comme l'heure ou l'appareil utilisé. Ils peuvent estimer ce avec quoi vous interagirez, puis classer les contenus en fonction de cette prédiction. La nature et l'importance des données varient selon la plateforme et le contexte.

Un flux classé organise les éléments d'un flux de contenu continu. Une page de résultats de recherche répond à une requête spécifique ; la pertinence par rapport à cette requête contribue donc à déterminer son ordre d'affichage. Sur Google, le classement peut également prendre en compte la qualité des liens entrants et le contexte géographique.

Les réseaux sociaux peuvent prendre en compte votre activité et votre relation avec l'auteur d'une publication. Les critères de classement d'Instagram incluent l'intérêt, la pertinence et cette relation. EdgeRank était un ancien nom du système de classement du fil d'actualité Facebook, et non le nom de son système de classement actuel.

Les recommandations influencent également le contenu diffusé sur les plateformes vidéo. YouTube estime que plus de 70 % des vues sur sa plateforme proviennent de recommandations, et non de recherches ou de liens partagés. Les algorithmes de publicité en ligne peuvent aussi cibler les audiences pour des publicités spécifiques.

Ces systèmes traitent d'importantes quantités d'informations, ce qui rend un flux ordonné utile pour trouver rapidement des éléments. Une combinaison différente de signaux peut placer différents contenus en haut de la liste, même lorsque deux personnes utilisent le même service. N'oubliez pas que si un élément apparaît en haut de la liste, cela signifie qu'il a été bien classé, et non qu'il s'agit de l'élément le plus précis ou le plus important.

Comment les algorithmes peuvent-ils influencer les opinions et les préférences ?

Lors d'une expérience de terrain menée en 2023, sept semaines d'exposition au flux algorithmique de X ont permis d'accroître l'engagement et d'orienter certaines opinions politiques vers la droite. Les changements mesurés ont affecté certains points de vue, mais pas toutes les attitudes politiques testées. Cette distinction est importante lorsqu'on considère comment un flux peut influencer l'exposition.

Résultats de l'expérience X Feed de 2023

L'expérience de terrain randomisée a impliqué des utilisateurs actifs de X basés aux États-Unis en 2023. Les chercheurs ont fait passer les participants d'un flux chronologique à un flux algorithmique pendant sept semaines. Ce changement a accru l'engagement et a orienté certaines opinions vers une position plus conservatrice.

Ces changements concernaient les priorités politiques, les enquêtes criminelles visant Donald Trump et la guerre en Ukraine. Expérience d'alimentation X de 2023 Aucun effet significatif n'a été constaté sur la polarisation affective ni sur l'appartenance politique déclarée. Une évolution de certaines opinions n'implique pas nécessairement une modification de l'ensemble des indicateurs politiques.

L'algorithme X étudié favorisait les contenus conservateurs et déclassait les publications des médias traditionnels. Certains utilisateurs ont continué à suivre des comptes d'activistes conservateurs après la désactivation de l'algorithme. Ce phénomène illustre comment les changements d'exposition peuvent influencer les choix ultérieurs des utilisateurs.

Ce que le classement basé sur l'engagement a amplifié

Une expérience randomisée, menée du 11 au 27 février 2023 auprès de 806 utilisateurs américains uniques de Twitter, a été réalisée. Ces derniers ont participé 1 730 fois. Les chercheurs ont comparé les 10 premiers tweets classés selon l'engagement avec les 10 premiers classés par ordre chronologique inverse.

Le classement basé sur l'engagement a amplifié les contenus à forte charge émotionnelle et hostiles aux groupes extérieurs. Les utilisateurs ont déclaré que ces contenus renforçaient leurs sentiments négatifs envers leur groupe politique extérieur. Les participants n'ont pas préféré les tweets politiques sélectionnés par l'algorithme basé sur l'engagement.

Une analyse exploratoire a révélé que le classement selon les préférences déclarées réduisait les contenus agressifs, partisans et hostiles aux groupes extérieurs. Cette approche pourrait toutefois renforcer les chambres d'écho. Une méthode de classement peut atténuer un effet indésirable tout en en créant un autre.

Comment Facebook a modifié ses objectifs de publication

En 2015, Facebook a modifié son algorithme de fil d'actualité afin de maximiser le temps passé à lire ou à regarder du contenu. Ce changement a entraîné une utilisation plus passive, une augmentation du contenu professionnel, une diminution des interactions sociales et une baisse du partage de contenu original. Un objectif basé sur le temps peut influencer le type de contenu qui capte l'attention.

Facebook a ensuite mis l'accent sur les « interactions sociales significatives », en valorisant les publications des amis et de la famille ainsi que celles ayant suscité de nombreux commentaires. Cette pondération plus importante des réactions émotionnelles s'est avérée problématique, car les publications ayant suscité de nombreux commentaires ont également contribué à exacerber la colère. Un indicateur qui semble refléter un intérêt peut en effet favoriser les contenus qui provoquent des réactions fortes.

Chaque expérience a mesuré des utilisateurs, des périodes et des résultats spécifiques, et non une réponse universelle à tous les flux. Un flux peut influencer l'exposition et certaines opinions sans pour autant entraîner de changement mesurable dans toutes les attitudes politiques.

Les algorithmes créent-ils des bulles de filtres ?

Une bulle de filtres est la prédiction selon laquelle la personnalisation réduira systématiquement l'éventail des informations auxquelles une personne est exposée. L'hypothèse décrit un schéma attendu, et non un résultat garanti pour chaque utilisateur. Elle est apparentée à une chambre d'écho, mais différente.

Ce que prédit l'hypothèse de la bulle de filtration

L'hypothèse de la bulle de filtres stipule que la sélection personnalisée peut présenter de manière répétée à une personne des contenus correspondant à ses centres d'intérêt. Au fil du temps, cette personne pourrait être exposée à un nombre réduit de points de vue ou de sujets. Les résultats de recherche Google et les flux Facebook sont autant d'exemples d'environnements numériques où la sélection peut influencer l'exposition.

Une chambre d'écho désigne un contexte où les individus sont principalement exposés à des opinions similaires aux leurs. Cela peut se produire par le biais de choix sociaux et de conversations, et pas seulement par le biais d'algorithmes. Une bulle de filtres se concentre sur la sélection personnalisée ; une chambre d'écho, quant à elle, se concentre sur les opinions auxquelles une personne est confrontée.

Que révèlent les recherches sur la diversité dans l'information ?

Une analyse des recherches a révélé que la sélection algorithmique par les moteurs de recherche, les réseaux sociaux et autres plateformes numériques conduit généralement à une consommation d'informations légèrement plus diversifiée. Cette tendance générale diffère de la prédiction de la bulle de filtres, qui préconise une exposition plus restreinte à l'actualité. Elle décrit un résultat global issu de différentes recherches, et non l'expérience individuelle.

Le Analyse de la recherche sur l'utilisation des actualités numériques L'étude a révélé que les chambres d'écho en ligne étaient moins répandues qu'on ne le pensait généralement et n'a trouvé aucun élément corroborant l'hypothèse des bulles de filtres. Cela ne signifie pas pour autant que chaque personne a accès à un éventail équilibré d'opinions, ni que les chambres d'écho en ligne n'existent pas.

Les habitudes de consommation d'actualités peuvent rester limitées, et certaines plateformes ou certains choix peuvent restreindre le contenu auquel on est exposé. La tendance générale observée dans cette analyse corrige une affirmation trop générale concernant la personnalisation. Il convient donc de considérer cette tendance générale comme une correction d'une affirmation trop générale, et non comme une garantie concernant le fil d'actualité de chaque utilisateur.

Où ailleurs les algorithmes sont-ils utilisés dans la vie quotidienne ?

Les algorithmes peuvent gérer discrètement des tâches aussi diverses que l'estimation d'un itinéraire, le signalement d'une facturation suspecte et la vérification d'un formulaire numérique. Ils peuvent automatiser les tâches répétitives, traiter l'information et faciliter la prise de décision. L'obtention d'un résultat utile dépend toujours des informations qui entrent dans le processus.

Au quotidien, ces fonctionnalités incluent la correction automatique du clavier, la saisie prédictive, le filtrage des spams, le déverrouillage par reconnaissance faciale et le regroupement de photos. Elles comprennent également le choix d'itinéraires GPS, les estimations de trafic, les horaires de bus, la mise en relation avec des covoiturages et l'acheminement des colis. Chaque tâche obéit à des règles adaptées à une entrée spécifique et au résultat attendu.

Les prévisions météorologiques, le réglage du thermostat, les cycles de lavage, les alertes de fraude et l'autorisation des cartes de crédit en sont d'autres exemples. On peut également citer les vérifications effectuées aux distributeurs automatiques, le trading automatisé, la reconnaissance vocale, le sous-titrage pour l'accessibilité et la validation des formulaires en ligne. Ces 20 tâches illustrent la fréquence à laquelle des procédures automatisées sous-tendent les services que nous utilisons au quotidien.

Google Maps et Waze utilisent des algorithmes pour fournir des informations en temps réel sur le trafic et des suggestions d'itinéraires. Leurs recommandations d'itinéraires reposent sur les données relatives à l'état des routes et à la circulation. Une situation changeante peut influencer l'itinéraire proposé par le système.

Netflix utilise des systèmes de recommandation pour suggérer des films, tandis qu'Amazon recommande des produits. Les algorithmes financiers contribuent à détecter les fraudes et à effectuer des transactions automatisées. Ces applications traitent des informations pour faciliter une décision ou sélectionner une option, mais leurs objectifs diffèrent.

Les flux de travail numériques peuvent combiner règles, intégrations et intelligence artificielle pour classer les informations et les transférer entre systèmes. Les systèmes documentaires peuvent extraire et valider les détails des factures, contrats et formulaires. Par exemple, un flux de travail de facturation peut lire une date et un montant, puis vérifier si les champs obligatoires sont renseignés.

L'automatisation ne corrige pas les informations saisies incorrectement ou manquantes. Une saisie erronée peut entraîner un résultat incorrect, même si le processus suit ses instructions. Lorsque le résultat automatisé est important, vérifiez que les informations saisies dans le système sont complètes et à jour.

Comment évaluer et influencer un flux de recommandations ?

Vos actions peuvent influencer ce qu'apprend un système de recommandation, mais l'effet dépend de la façon dont le système interprète ces actions. La réponse d'un service à votre activité ne constitue pas une promesse que vous contrôlez son classement. Vos croyances sur le fonctionnement des recommandations peuvent également influencer vos choix.

Dans une expérience en laboratoire, 750 participants ont utilisé un lecteur de musique personnalisé. Leur comportement a varié en fonction de ce qu'ils pensaient que l'algorithme de recommandation privilégiait et de leur conviction que leurs actions influenceraient les recommandations personnalisées.

L'expérience a mis en balance ces deux croyances : ce que l'algorithme récompense et l'influence des actions de l'utilisateur sur les suggestions personnalisées. Les individus peuvent adapter leur comportement en fonction de ce qu'ils pensent que le système valorise, même sans en connaître les règles exactes.

Le expérience de laboratoire sur un lecteur de musique Cela montre pourquoi les hypothèses concernant la personnalisation peuvent avoir leur importance. Cela ne prouve pas pour autant que tous les services réagissent de la même manière. Les convictions d'un utilisateur peuvent influencer son comportement même si la logique réelle du système est différente.

Si un service propose des options de personnalisation ou de commentaires, effectuez une modification réfléchie à la fois. Vous pouvez par exemple signaler une recommandation comme indésirable ou mettre à jour un centre d'intérêt, puis observer les changements au fil des utilisations. Évitez de modifier plusieurs options simultanément si vous souhaitez identifier l'action la plus pertinente.

Le fait qu'un flux ait changé après un seul ajustement ne prouve pas que cet ajustement soit la cause du changement. D'autres activités, le temps ou les mises à jour de la plateforme peuvent également influencer ce qui s'affiche. Procédez par petites modifications réfléchies et évaluez les résultats sur la durée plutôt que de considérer une seule recommandation comme une preuve.

Une seule recommandation modifiée ne peut pas prouver qu'un contrôle a causé ce changement.

Conclusion

Les algorithmes sont au cœur de la logique de nombreuses expériences numériques, mais leurs résultats restent des sélections façonnées par des règles et des données. Ils peuvent influencer votre perception et la réaction d'un système, mais ils ne dictent pas toutes vos opinions. Comprendre cette différence vous permet d'utiliser les suggestions automatisées avec discernement.

Avant d'agir suite à une recommandation automatisée importante, réfléchissez aux informations et aux hypothèses qui l'ont motivée. Une recommandation peut correspondre à votre activité récente sans pour autant présenter toutes les options pertinentes. La prochaine fois qu'une recommandation est importante, prenez le temps de réfléchir à ses priorités avant de vous y fier.