SBEN.ca, votre allié pour comprendre les effets du numérique sur votre santé mentale et vous accompagner vers un équilibre.
Ce que nous voyons sur les médias sociaux n’est pas aléatoire
Chaque fois que nous ouvrons un média social comme Instagram, TikTok, YouTube ou Reddit, nous sommes exposé·e·s à une sélection très précise de contenus. Certaines publications apparaissent en haut de notre fil, d’autres n’y apparaîtront jamais. Ce processus peut sembler naturel. Pourtant, il ne doit rien au hasard.
Ce que nous voyons résulte de systèmes de recommandation conçus pour sélectionner, classer et prioriser les contenus en fonction de nombreux signaux, incluant nos interactions, nos visionnements et nos habitudes d’utilisation (Covington et al., 2016; Gillespie, 2014). Leur objectif est de prédire quels contenus retiendront le plus notre attention, dans un environnement où celle-ci constitue une ressource centrale (Sutton & Barto, 2018; Zuboff, 2019). Autrement dit, notre fil n’est pas seulement personnalisé. Il est optimisé pour capter notre attention et orienter notre expérience.
Les algorithmes apprennent à partir de nos comportements
Les systèmes de recommandation analysent en continu nos interactions: les contenus que nous aimons, regardons ou partageons. Ces informations sont utilisées pour prédire ce que nous serons susceptibles de trouver intéressant par la suite (Covington et al., 2016; Ricci et al., 2015).
Ces systèmes combinent différentes approches, comme l’identification d’utilisateurs ayant des comportements similaires ou l’analyse des caractéristiques des contenus. Ils peuvent aussi intégrer des signaux liés à nos réactions émotionnelles afin d’anticiper ce qui générera le plus d’engagement (Ricci et al., 2015; Zhang et al., 2019).
Ces mécanismes influencent concrètement notre utilisation des plateformes. Après l’implantation de systèmes de recommandation, certaines études ont observé des augmentations de plus de 120 % de l’engagement et un nombre d’utilisateurs revenant sur la plateforme presque trois fois plus élevé (Chaney et al., 2018).
Le recours aux algorithmes conduit à plusieurs phénomènes souvent qui sont parfois dans notre angle mort: ils concentrent notre attention sur certains contenus, réduisent la diversité de ce que nous voyons et influencent progressivement nos comportements et nos perceptions.
Les algorithmes concentrent notre attention
Les systèmes de recommandation ne se contentent pas de proposer du contenu, ils déterminent aussi ce qui devient visible. En pratique, cela signifie qu’une part importante de notre attention est dirigée vers un nombre relativement restreint de publications.
Par exemple, une analyse du réseau de recommandations de YouTube a montré qu’environ 23 % des vidéos concentraient plus de 80 % des visionnements (Faddoul et al., 2020). La majorité des contenus restent donc peu visibles, tandis qu’un plus petit groupe bénéficie d’une exposition disproportionnée.
Ce phénomène, parfois appelé effet « rich-get-richer », reflète le fait que les contenus déjà populaires ont davantage de chances d’être recommandés, ce qui renforce encore leur visibilité (Salganik et al., 2006). Ainsi, les algorithmes orientent activement notre attention vers certains contenus plutôt que d’autres.
Les algorithmes peuvent réduire la diversité de ce que nous voyons
Les systèmes de recommandation apprennent à partir de nos comportements. Lorsqu’on interagit fréquemment avec un type de contenu, ils tendent à nous en proposer davantage. Ce mécanisme, appelé « amplification des préférences », peut progressivement réduire la diversité des contenus auxquels nous sommes exposé·e·s (Chaney et al., 2018).
Avec le temps, cela peut créer des environnements informationnels plus homogènes, parfois appelés chambres d’écho, où nous sommes exposé·e·s de manière répétée à des contenus similaires (Pariser, 2011).
Dans ce contexte, des contenus moins crédibles peuvent aussi être amplifiés lorsqu’ils génèrent un fort engagement, ce qui contribue à leur diffusion (Vosoughi et al., 2018).
Les algorithmes influencent nos croyances et nos comportements
Les systèmes de recommandation ne font pas que refléter nos intérêts, ils contribuent aussi à les orienter. En rendant certains contenus plus visibles que d’autres, ils influencent ce que nous regardons, les comptes que nous suivons et les contenus avec lesquels nous interagissons (Chaney et al., 2018).
Des recherches montrent que cette influence peut dépasser les comportements en ligne. Par exemple, une étude expérimentale récente a montré que l’exposition à un fil algorithmique sur la plateforme X a modifié les attitudes politiques des utilisateurs et les comptes qu’ils choisissaient de suivre. En pratique, certains contenus et certains comptes devenaient plus visibles, ce qui augmentait la probabilité que les utilisateurs y soient exposés et y interagissent, contribuant à influencer progressivement leurs croyances et leurs positions politiques (Gauthier et al., 2026).
D’autres travaux ont montré que les algorithmes peuvent aussi influencer directement des comportements hors ligne. Une étude menée auprès de plus de 60 millions d’utilisateurs Facebook a démontré que l’exposition à certains contenus politiques dans le fil d’actualité augmentait la probabilité que les utilisateurs participent à une élection. Le simple fait de voir que d’autres personnes avaient voté a contribué à augmenter la participation électorale mesurablement, illustrant la capacité des plateformes à influencer des comportements à grande échelle (Bond et al., 2012).
Les systèmes de recommandation jouent également un rôle dans les comportements de consommation. En priorisant certains produits, ils influencent les décisions d’achat et la visibilité des biens disponibles. Des recherches ont montré que les recommandations personnalisées peuvent significativement augmenter la probabilité qu’un utilisateur choisisse un produit particulier, en orientant son attention et en réduisant l’exposition à des alternatives (Smith & Linden, 2017; Ricci et al., 2015).
Ainsi, les algorithmes ne font pas qu’organiser l’information. Ils influencent l’environnement dans lequel nos décisions se construisent.
Comprendre les algorithmes pour développer un rapport plus conscient aux médias sociaux
Comprendre que ce que nous voyons n’est pas aléatoire est une première étape importante. Chaque interaction contribue à entraîner l’algorithme et à façonner progressivement le contenu proposé.
Cela signifie que nous pouvons, dans une certaine mesure, influencer ce que nous voyons. Diversifier les contenus que nous consultons, suivre des sources variées ou explorer des perspectives différentes peut contribuer à élargir ce qui nous est présenté.
Cependant, la responsabilité ne repose pas uniquement sur les personnes qui utilisent les médias sociaux. Ces systèmes sont conçus par des plateformes dont les objectifs incluent l’optimisation de l’engagement et la monétisation de l’attention. Nos choix se produisent donc dans un environnement déjà structuré par ces systèmes.
Cela souligne l’importance d’une plus grande transparence et d’une réflexion collective sur leur responsabilité concernant les contenus auxquels nous sommes exposés (Gillespie, 2014; Zuboff, 2019).
Les algorithmes ne décident pas à notre place, mais ils influencent ce que nous voyons, ce à quoi nous prêtons attention et, progressivement, la manière dont nous comprenons notre environnement numérique.
Références
Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. Science, 348(6239), 1130–1132.
Bond, R. M., et al. (2012). A 61-million-person experiment in social influence and political mobilization. Nature, 489, 295–298.
Chaney, A. J. B., Stewart, B. M., & Engelhardt, B. E. (2018). How algorithmic confounding in recommendation systems increases homogeneity and decreases utility. Proceedings of the 12th ACM Conference on Recommender Systems.
Covington, P., Adams, J., & Sargin, E. (2016). Deep neural networks for YouTube recommendations. Proceedings of the 10th ACM Conference on Recommender Systems.
Faddoul, M., Chaslot, G., & Farid, H. (2020). A longitudinal analysis of YouTube’s promotion of conspiracy videos. Journal of Communication.
Gauthier, P., et al. (2026). Algorithmic feed exposure and political attitudes. Nature.
Gillespie, T. (2014). The relevance of algorithms. In Media technologies: Essays on communication, materiality, and society.
Huszár, F., et al. (2022). Algorithmic amplification of politics on Twitter. Proceedings of the National Academy of Sciences.
Knijnenburg, B. P., Willemsen, M. C., Gantner, Z., Soncu, H., & Newell, C. (2012). Explaining the user experience of recommender systems. User Modeling and User-Adapted Interaction, 22, 441–504.
Loomba, S., et al. (2021). Measuring the impact of COVID-19 vaccine misinformation on vaccination intent. Nature Human Behaviour, 5, 337–348.
Munger, K., & Phillips, J. (2020). Right-wing YouTube: A supply and demand perspective. International Journal of Press/Politics.
Pariser, E. (2011). The filter bubble. Penguin.
Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender systems handbook. Springer.
Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental study of inequality and unpredictability in cultural markets. Science, 311(5762), 854–856.
Smith, B., & Linden, G. (2017). Two decades of recommender systems at Amazon.com. IEEE Internet Computing.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press.
Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146–1151.
Zhang, Y., Chen, X., et al. (2019). Deep learning based recommender system. ACM Computing Surveys.
Zhou, D., et al. (2010). Learning with local and global consistency. Advances in Neural Information Processing Systems.