Derrière le rideau des plateformes de réseaux sociaux

Sur les plateformes de réseaux sociaux comme Instagram, TikTok ou Twitter, les utilisateurs partageant les mêmes idées font circuler et s'engagent avec des contenus liés à leurs intérêts et à leurs croyances. Cela conduit à la formation de communautés. Pourtant, la manière exacte dont ce processus se déroule reste mal comprise. Des chercheurs de l'Université de Zurich, de l'EPF Zurich et du PRN Automation ont étudié comment ces communautés se forment et comment leurs figures centrales - les influenceurs - apparaissent. Leurs résultats, récemment publiés dans la revue Nature Communications, ne font pas seulement la lumière sur ces processus, mais peuvent également révéler des moyens d'atténuer la polarisation qui se produit souvent sur ces plateformes.

D'amis à followers

"Les structures sociales dépendaient traditionnellement des relations personnelles - amis, familles, voisins et collègues de travail - formant des communautés. De nombreuses tentatives antérieures d'étudier les structures des réseaux sociaux en ligne étaient donc souvent ancrées dans les sciences sociales et comportementales", explique Nicolò Pagan, premier auteur de l'étude, chercheur à l'Université de Zurich et membre du PRN Automation.

Pourtant, les structures des réseaux sociaux en ligne ne dépendent pas nécessairement des relations personnelles. "Notre intuition était que cela est particulièrement vrai pour les plateformes les plus récentes, où les utilisateurs peuvent suivre d'autres personnes sans établir aucune autre forme de connexion. Au lieu de cela, ils seraient plutôt basés sur la qualité du contenu des utilisateurs", ajoute Pagan. En d'autres termes, les utilisateurs qui proposent le meilleur contenu rassemblent le plus de followers - et deviennent ainsi des influenceurs.

La qualité est la clé

Pour vérifier leur intuition, Pagan et ses collègues ont formulé un modèle mathématique basé sur un réseau Twitter composé de plus de 6000 utilisateurs de la communauté scientifique. Ils ont classé les utilisateurs en fonction du nombre de followers (qu'ils ont considéré comme une indication de la qualité du contenu de l'utilisateur) et ont étudié la séquence des connexions établies par les utilisateurs. "Notre analyse nous a montré qu'au fil du temps, les utilisateurs suivaient de préférence des utilisateurs mieux classés que ceux qu'ils suivaient déjà", explique M. Pagan. Les résultats ont donc non seulement confirmé l'intuition de l'équipe, mais ont en fait révélé que les utilisateurs produisant le contenu de la plus haute qualité avaient deux fois plus de followers que l'utilisateur ayant la deuxième meilleure qualité, et ainsi de suite - une caractéristique connue sous le nom de loi de Zipf, d'après le linguiste américain George Kingsley Zipf.

Les chercheurs ont ensuite validé leur modèle en comparant les prédictions obtenues concernant le classement des followers et les caractéristiques de réseau connexes des communautés sur la plateforme Twitch avec leurs structures réelles. "Dans l'ensemble, les résultats suggèrent que notre modèle capture assez bien les caractéristiques des réseaux sociaux en ligne d'aujourd'hui - et de manière plus réaliste que les modèles précédents", ajoute le co-auteur de l'étude, Florian Dörfler, professeur au Laboratoire d'Automatique de l'EPF Zurich et membre du PRN Automation. Mais ce n'est qu'un premier pas.

Une régulation serait trop tardive

Les plateformes des réseaux sociaux analysent le comportement de leurs utilisateurs et tentent d'accroître leur engagement en leur montrant des contenus qu'ils sont susceptibles d'apprécier et avec lesquels ils interagissent le plus. Ainsi, ces plateformes contribuent à la formation de ce que l'on appelle des bulles de filtres dans lesquelles les utilisateurs rencontrent rarement des informations contraires à leurs opinions.

"Cependant, dans le contexte de domaines comme la politique ou la santé publique, ces bulles de filtres peuvent devenir un problème. Les algorithmes qui contribuent à leur formation sont conçus pour augmenter les revenus de la plateforme et se soucient peu des effets secondaires potentiellement néfastes sur la société. Il est donc important d'étudier les plateformes des réseaux sociaux et leurs algorithmes. Par exemple, des outils issus de domaines comme la théorie du contrôle nous permettent de prédire comment les algorithmes d'apprentissage par rétroaction, tels que les systèmes de recommandation, influencent un système complexe - comme la société", explique M. Pagan.

"Combiner ces résultats avec les connaissances acquises dans différentes disciplines est exactement ce que nous faisons dans le cadre du PRN Automation. Cela nous permettra de recommander les mesures nécessaires pour prévenir les effets néfastes avant qu'ils ne se manifestent. S'en remettre uniquement à des actions réglementaires pour contrôler cette évolution serait probablement trop lent", conclut M. Dörfler.

Détails de la publication (en anglais): A meritocratic network formation model for the rise of social media influencers, Pagan et al., Nature Communications, 2022