How to Detect Information Voids Using Longitudinal Data from Social Media and Web Searches

1. Problématique et Contexte

L'économie de l'attention, où les producteurs de contenu rivalisent pour capter l'attention des utilisateurs, repose sur l'interaction entre l'offre et la demande d'information. Un défi majeur dans ce domaine est l'émergence des vides informationnels (information voids) : des périodes ou des espaces où l'offre d'informations fiables et factuelles est insuffisante par rapport à la demande des utilisateurs, particulièrement sur des sujets émergents ou en évolution rapide.

Ces vides créent un terrain fertile pour la propagation de la désinformation, car les utilisateurs, en l'absence de sources autoritaires, se tournent vers du contenu vague, trompeur ou faux. Bien que le concept de vide informationnel soit reconnu comme un facteur de risque (notamment lors de la pandémie de COVID-19), il n'existe pas encore de méthode quantitative standardisée, reproductible et validée pour les détecter systématiquement. La plupart des approches actuelles reposent sur des évaluations qualitatives ou des alertes institutionnelles réactives.

L'objectif de cette étude est de combler ce vide méthodologique en proposant un cadre quantitatif pour détecter et mesurer les vides informationnels et leur contrepartie, la surabondance informationnelle, en utilisant des données longitudinales provenant de multiples plateformes.

2. Méthodologie : Pipeline de Science des Données

Les auteurs proposent un pipeline analytique basé sur l'analyse de séries temporelles pour modéliser les déséquilibres structurels entre l'offre et la demande d'information.

A. Quantification de l'Offre et de la Demande

• Demande d'information (Proxys) : Mesurée par l'intérêt public via deux sources :
  • Les vues de pages Wikipedia (données quotidiennes).
  • Les tendances de recherche Google (Google Trends, données hebdomadaires).
• Offre d'information (Proxys) : Mesurée par le volume de contenu produit via :
  • Les publications sur Facebook et Twitter (X).
  • Les articles de presse en ligne extraits de la base de données GDELT (Global Database of Events, Language, and Tone).

B. Prétraitement et Harmonisation

Pour comparer des sources hétérogènes (échelles, résolutions temporelles différentes), les séries temporelles sont redimensionnées (rescaling). Chaque observation $x_t$ est divisée par sa valeur attendue (moyenne) sur la période d'observation complète :
$$\hat{x}_t = \frac{x_t}{E(x)}$$
Cela permet de normaliser les données et de mettre en évidence les déviations par rapport au comportement typique.

C. Construction de la Mesure "Delta Informationnel" ($\delta_t$)

L'indicateur central est le delta informationnel, défini comme la différence entre l'offre redimensionnée ($\hat{s}_t$) et la demande redimensionnée ($\hat{d}_t$) :
$$\delta_t = \hat{s}_t - \hat{d}_t$$

• $\delta_t < 0$ : La demande dépasse l'offre (pénurie potentielle).
• $\delta_t > 0$ : L'offre dépasse la demande (surabondance potentielle).

D. Détection d'Anomalies et Classification des Régimes

Au lieu d'utiliser des seuils fixes, les auteurs appliquent une détection d'anomalies robuste sur la composante "résiduelle" de la série $\delta_t$ (après décomposition Saison-Tendance par la méthode STL - Seasonal-Trend decomposition using Loess).

• Les anomalies sont identifiées sur la composante résiduelle en utilisant le critère de l'Intervalle Interquartile (IQR).
• Le système est classé en cinq régimes :
  1. Vide (Void) : Anomalie négative forte (Demande >> Offre).
  2. Manque (Lack) : Déséquilibre négatif non anormal.
  3. Équilibre (Balance) : État normal.
  4. Abondance (Abundance) : Déséquilibre positif non anormal.
  5. Surabondance (Overabundance) : Anomalie positive forte (Offre >> Demande).

3. Étude de Cas et Validation

L'étude a été appliquée à un cas réel : le déploiement des vaccins contre le COVID-19 dans six pays européens (Danemark, France, Allemagne, Italie, Espagne, Royaume-Uni) entre janvier 2020 et avril 2021.

• Validation sur données synthétiques : Le pipeline a d'abord été testé sur des données simulées (distributions gaussiennes avec anomalies injectées). Les résultats montrent une précision moyenne supérieure à 90% pour les anomalies de magnitude supérieure à $6\sigma$ et un score F1 supérieur à 0,68 pour les anomalies supérieures à $9\sigma$.
• Analyse des événements clés : L'étude se concentre sur des moments critiques tels que l'autorisation du vaccin Moderna par l'EMA et la suspension temporaire du vaccin AstraZeneca due à des effets secondaires rares (TTS).

4. Résultats Clés

A. Détection des Vides Informationnels

Le modèle a détecté des vides informationnels persistants lors des événements majeurs liés aux vaccins.

• Persistance : Les vides informationnels ont tendance à durer plus longtemps que les périodes de surabondance. Par exemple, des vides de 29 jours consécutifs ont été observés (ex: Twitter pour Sputnik V en Allemagne, Facebook pour Moderna en Italie).
• Asymétrie temporelle : L'écosystème informationnel met plus de temps à revenir à l'équilibre après un pic de demande soudain (vide) qu'après un pic de production de contenu (surabondance).

B. Corrélation avec la Qualité de l'Information

L'étude a croisé les périodes d'anomalies avec des scores de crédibilité de sources (NewsGuard) pour les liens partagés sur Facebook et Twitter.

• Baisse de la qualité : Pendant les périodes de vides informationnels (anomalies négatives), la part de contenu provenant de sources hautement crédibles ($S=100$) chute considérablement (ex: de 33,68% en période normale à 20,84% sur Facebook).
• Augmentation de la désinformation : La proportion de contenu classé comme "à éviter avec une extrême prudence" ($S < 39$, désinformation) augmente significativement pendant les vides (ex: passe de 5,46% à 6,1% sur Facebook, et de 22,51% à 27,28% sur Twitter).
• Conclusion : Les vides informationnels agissent comme des "points chauds" où les utilisateurs sont plus susceptibles d'être exposés à de la désinformation en raison du manque de contenu fiable.

5. Contributions et Signification

Contributions Méthodologiques

• Définition Opérationnelle : Fournit la première méthode quantitative et reproductible pour définir et mesurer les vides informationnels et la surabondance, passant d'une approche qualitative à une approche basée sur les données.
• Pipeline Reusable : Le cadre proposé est adaptable à divers domaines (santé publique, politique, environnement) et n'est pas limité au COVID-19.

Implications pour la Santé Publique et la Communication

• Détection Précoce : Le modèle peut servir d'indicateur précoce de stress dans l'écosystème de l'information, permettant aux institutions de détecter les vulnérabilités avant que la désinformation ne se propage massivement.
• Stratégie de Communication : En identifiant les périodes de vides, les autorités peuvent prioriser et calibrer leurs communications pour combler ces lacunes spécifiques, réduisant ainsi le risque d'infodémie.
• Compréhension Mécanistique : L'étude soutient l'hypothèse que les vides informationnels ne sont pas seulement un symptôme, mais un mécanisme causal favorisant l'émergence et la persistance de la désinformation.

Conclusion

Cet article démontre empiriquement que les déséquilibres structurels entre l'offre et la demande d'information créent des conditions propices à la désinformation. En quantifiant ces vides, les auteurs offrent un outil puissant pour surveiller la santé de l'écosystème informationnel et améliorer la résilience des sociétés face aux crises sanitaires et aux infodémies.