Quantifying Political Partisanship for Cross-Platform Analyses
Cet article présente une méthodologie textuelle, portable sur plusieurs plateformes, qui exploite les plongements de transformeurs et des signaux externes de crédibilité de l'information pour mesurer et comparer de manière fiable le partisanisme politique à travers diverses plateformes de médias sociaux, démontrant son efficacité par une analyse multiplateforme de Bluesky et Truth Social.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La Grande Chambre d'Écho Numérique
Imaginez l'internet comme une place de village immense et chaotique où des milliards de personnes crient leurs opinions. Ces dernières années, les scientifiques ont remarqué quelque chose d'étrange : les gens dans cette place semblent crier de plus en plus fort, mais uniquement aux personnes qui sont d'accord avec eux. Ce phénomène est appelé polarisation politique. C'est comme si deux groupes de voisins construisaient un mur entre leurs maisons, refusant de se parler et croyant que l'autre camp est dangereux.
Pour comprendre si ce mur s'élève, les chercheurs ont besoin d'un moyen de mesurer précisément à quel point l'opinion d'une personne est « à gauche » ou « à droite ». Mais voici la partie délicate : l'internet n'est plus seulement une seule place de village. Il est fragmenté en différents quartiers, ou plateformes. Certaines sont de grandes villes établies comme X (anciennement Twitter), tandis que d'autres sont des villes plus récentes et plus petites comme Bluesky ou Truth Social, construites spécifiquement pour les personnes qui sentent que les grandes villes ne les écoutent pas.
Le problème est que le « langage » de ces quartiers est différent. Une blague dans une ville peut être une insulte sérieuse dans une autre. Un hashtag qui signifie « je soutiens ceci » dans un endroit peut signifier tout à fait autre chose ailleurs. Pendant longtemps, les scientifiques ne pouvaient mesurer les opinions qu'au sein d'une seule ville. S'ils essayaient de comparer la « gaucheité » de Bluesky à la « droiteité » de Truth Social, les résultats étaient comme comparer des pommes et des oranges car les règles de mesure étaient différentes. Ce document pose une grande question : pouvons-nous construire une règle universelle unique qui fonctionne dans chaque quartier, peu importe leurs différences ?
La Règle Universelle pour les Opinions en Ligne
Dans cette étude, Mia Ameen et Christopher G. Healey de l'Université d'État de Caroline du Nord ont décidé de construire cette règle universelle. Ils voulaient voir s'ils pouvaient mesurer le biais politique dans les publications des réseaux sociaux en utilisant uniquement les mots écrits par les gens, sans avoir besoin de savoir qui sont leurs amis ou quels hashtags spécifiques ils utilisent. Leur objectif était de créer une méthode capable de voyager à travers différentes plateformes et de donner un score équitable à chaque publication.
Pour ce faire, ils ont traité chaque publication de réseau social comme une feuille de papier dans une immense bibliothèque. D'abord, ils ont utilisé un cerveau informatique super intelligent (un encodeur de phrases basé sur un transformateur) pour lire le texte et le transformer en une « empreinte digitale » mathématique. Cette empreinte capture la signification des mots, et pas seulement l'orthographe. Ensuite, ils ont regroupé ces empreintes en grappes (clusters), comme pour trier des livres par genre.
Voici la partie ingénieuse : pour déterminer quelle grappe était « à gauche » et laquelle était « à droite », ils n'ont pas interrogé les utilisateurs. Au lieu de cela, ils ont examiné les liens d'actualités à l'intérieur des publications. Ils ont utilisé un outil préexistant appelé AllSides, qui évalue les médias d'information sur une échelle allant de « extrême gauche » à « extrême droite ». Si une grappe de publications renvoyait principalement vers des actualités de gauche, l'ensemble du groupe recevait une étiquette de gauche. S'ils renvoyaient vers des actualités de droite, ils recevaient une étiquette de droite.
Une fois qu'ils ont obtenu ces groupes étiquetés, ils ont tracé une ligne à travers l'espace mathématique reliant les groupes de « gauche » aux groupes de « droite ». Cette ligne est devenue leur axe de partisanerie. Désormais, ils pouvaient prendre n'importe quelle publication, même celle sans lien d'actualité, et la projeter sur cette ligne pour voir où elle se situait. Un score du côté gauche signifiait que la publication était probablement de gauche ; un score à droite signifiait qu'elle était de droite.
Ils ont testé cette nouvelle règle sur une collection massive d'environ 1,3 million de publications collectées sur Bluesky et Truth Social au cours des six mois précédant l'élection présidentielle américaine de 2024 (de mai à octobre 2024). Ils l'ont également testée sur un ensemble de données distinct provenant de X (Twitter) pour voir si la règle fonctionnait sur une plateforme qu'elle n'avait jamais vue auparavant.
Ce Qu'Ils Ont Découvert
Les résultats étaient prometteurs. La règle fonctionnait étonnamment bien. Lorsqu'ils ont vérifié les publications qui possédaient des liens d'actualités, les scores donnés par la règle correspondaient aux évaluations réelles de ces médias. Pour les publications de Bluesky et Truth Social, la correspondance était forte (une corrélation de 0,365). Plus impressionnant encore, lorsqu'ils ont appliqué la règle aux publications de X (Twitter) — une plateforme totalement différente sur laquelle elle n'avait pas été entraînée — les scores indiquaient toujours dans la bonne direction (une corrélation de 0,193). Cela suggère que la règle ne fait pas que mémoriser le « style » d'une application spécifique ; elle mesure réellement le sentiment politique sous-jacent.
L'étude a également révélé des dynamiques fascinantes qu'un simple contrôle de l'« identité de la plateforme » aurait manquées. Par exemple, sur Bluesky (une plateforme généralement connue pour ses utilisateurs de gauche), les publications mentionnant le président Biden commençaient avec des scores de gauche. Mais à mesure que l'été de 2024 avançait, ces scores ont dérivé vers le centre et sont même devenus légèrement de droite en septembre, juste après que Biden s'est retiré de la course. Cela a montré que les sentiments des utilisateurs envers Biden changeaient, et non seulement l'ambiance générale de la plateforme. De même, les publications concernant Kamala Harris sur Bluesky sont devenues de plus en plus de gauche à partir de juillet, atteignant un sommet autour du premier débat présidentiel.
De l'autre côté, l'étude a examiné le langage utilisé par les groupes les plus extrêmes. Elle a découvert que les publications les plus fortement orientées à gauche nommaient souvent des politiciens spécifiques (comme Biden, Harris et Trump). En revanche, les publications les plus fortement orientées à droite utilisaient des mots liés au devoir civique et à la moralité, tels que « peuple », « Dieu », « pays », « Amérique » et « besoin ».
Pourquoi C'est Important
Les auteurs suggèrent que cette méthode est un grand pas en avant car elle permet aux scientifiques de comparer les humeurs politiques à travers différents mondes numériques. Avant cela, il était difficile de savoir si un changement d'opinion sur Truth Social était réel ou simplement un changement dans le fonctionnement de la plateforme. Désormais, ils peuvent voir que le « mur » entre les groupes est réel et évolue en réponse à des événements réels, comme le retrait d'un candidat d'une course.
Cependant, les auteurs sont prudents et notent que cette règle a des limites. Elle a été construite spécifiquement pour le système bipartisan des États-Unis en utilisant les évaluations des médias américains, elle pourrait donc ne pas fonctionner dans des pays possédant de nombreux partis politiques. De plus, elle repose sur le fait que les gens partagent des liens d'actualités ; si une plateforme est remplie de personnes qui ne partagent jamais de liens, la règle ne peut pas se calibrer elle-même. Mais pour les plateformes où elle fonctionne, elle offre un nouveau moyen de surveiller la température politique de l'internet sans se perdre dans le bruit de différentes applications.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.