Deux grandes logiques algorithmiques
Nous savons donc que les algorithmes utilisent les données récoltées sur les utilisateur·rices pour adapter la classification des contenus. Ces données sont en réalité des signaux d’usage. Mais comment ces signaux sont-ils utilisés et pourquoi ? Dominique Cardon présente deux approches souvent distinguées quand il s’agit du fonctionnement de la recommandation de contenu.
Tu deviendras populaire
Certains algorithmes reposent sur ce que Dominique Cardon appelle la réputation des contenus. C’est-à-dire que leur objectif est d’évaluer l’importance d’une information sur base de sa popularité. Mais comment font-ils ?
Pour faire cela, les algorithmes de réputation peuvent prendre en compte différentes variantes comme le nombre de liens qui relient vers un contenu ou encore le nombre de personne qui partage ou consulte ce contenu.
Selon cette logique, un contenu très cité, liké ou partagé est considéré comme plus pertinent et sera donc d’avantage visibilisé. C’est ce principe qui a longtemps structuré les moteurs de recherche. Une trace visible de ce type d’algorithme est par exemple l’existence de filtres qui permettent de classer les contenus par ordre de popularité sur des sites d’achats en ligne par exemple. Mais ces classements sont parfois aussi moins évidents, comme lors d’une recherche sur Google ou dans les recommandations YouTube par exemple.
Algorithmes : les nouvelles boules de cristal ?
D’autres algorithmes ont pour objectif de prédire ce qui va plaire à un·e utilisateur·rice. Pour cela, ces algorithmes de prédiction analysent le comportement de ces dernier·ères en permanence : ils analysent les contenus qu’ils et elles regardent mais aussi le temps passé sur ces contenus ou ce que les utilisateur·rices partagent.
Ces données comportementales sont souvent considérées comme plus fiables que les données déclaratives. Par exemple, on peut se déclarer fan de jazz mais que, dans les faits, nos chansons les plus écoutées soient toutes issues d’un répertoire pop. Il existe parfois un décalage entre ce que l’on dit aimer et ce que l’on consulte réellement.
Les plateformes privilégient donc souvent les données comportementales, car elles reflètent les usages réels de chacun·e.
Le filtrage collaboratif
À cela peut s’ajouter d’autre couche de filtres ou de classement. Une technique très utilisée est notamment ce qu’on appelle le filtrage collaboratif. Son principe est simple : si deux utilisateur·rices ont des comportements similaires, ils ou elles auront probablement des goûts similaires et seront potentiellement intéressé·es par les mêmes types de contenu.
Le système peut alors recommander les contenus appréciés par des personnes qui ont des comportements proches. Cette méthode est utilisée par de nombreuses plateformes comme Netflix, Spotify, YouTube ou encore TikTok.
À retenir
