The Power of Algorithms: How Algorithmic Trust Shapes the “News Finds Me” Perception Among Gen Z

Résumé technique : Le pouvoir des algorithmes : Comment la confiance algorithmique façonne la perception du « News Finds Me » chez la Génération Z

Problématique
L'étude traite d'une lacune dans la compréhension des mécanismes psychologiques qui sous-tendent la perception « News Finds Me » (NFM — l'actualité me trouve), soit la croyance selon laquelle les individus peuvent rester suffisamment informés des affaires publiques sans rechercher activement l'information. Bien que la littérature existante lie le NFM à l'exposition fortuite et à la connectivité sociale, elle a largement négligé le rôle des systèmes algorithmiques en tant que mécanisme explicatif indépendant. Plus précisément, le processus psychologique reliant l'engagement sur les plateformes aux attitudes passives face à l'information reste sous-exploré. L'article postule que la confiance algorithmique — la croyance d'un utilisateur en la fiabilité et la compétence des algorithmes de plateforme — sert de facteur de médiation critique qui légitime la délégation du contrôle éditorial à des systèmes automatisés, favorisant ainsi la consommation passive de l'information.

Méthodologie

• Design et échantillon : Une enquête transversale en ligne a été menée auprès de 592 étudiants de la Génération Z issus d'universités privées d'Istanbul, en Turquie. L'échantillon était composé principalement de participantes féminines (69,8 %) et de participants masculins (29,9 %).
• Mesures :
  • Utilisation des réseaux sociaux : Mesurée via une échelle en 3 items capturant un engagement habituel à faible délibération (Alpha de Cronbach = .82).
  • Influence algorithmique : Évaluée à l'aide d'une échelle en 4 items concernant l'impact perçu des algorithmes sur la visibilité et la hiérarchisation de l'information ($\alpha$ = .89).
  • Confiance algorithmique : Évaluée avec une échelle en 2 items (coefficient de Spearman–Brown = .78) mesurant la confiance envers les algorithmes pour décider de ce qui est important et fournir des informations pertinentes.
  • Perception NFM : Mesurée à travers trois dimensions adaptées de Gil de Zúñiga et al. (2017) : NFM-informé (se sentir informé sans recherche active), NFM non-recherche (manque de motivation à chercher l'information) et NFM pairs (dépendance aux liens sociaux pour l'information).
• Approche analytique : Les données ont été analysées par modélisation d'équations structurelles (SEM) dans R (package lavaan). L'étude a employé une approche en deux étapes :
  1. Analyse factorielle : L'échantillon a été divisé pour effectuer une analyse factorielle exploratoire (EFA) sur une moitié et une analyse factorielle confirmatoire (CFA) sur l'autre.
  2. Modélisation structurelle : Un modèle complet à variables latentes a été estimé sur l'ensemble de l'échantillon. L'invariance de mesure selon le genre a été confirmée (invariance scalaire complète).
  3. Test de médiation : Les effets indirects ont été testés à l'aide d'intervalles de confiance par bootstrap avec correction de biais (5 000 rééchantillonnages).
  4. Test de robustesse : Un modèle de second ordre a été testé, où les trois dimensions du NFM se chargeaient sur un construit de niveau supérieur (NFM).

Résultats clés
Le modèle structurel a démontré un ajustement acceptable (CFI = .942, TLI = .930, RMSEA = .064). Les cinq hypothèses ont été confirmées :

1. Antécédents de la confiance : L'utilisation des réseaux sociaux ($\beta$ = .43, $p$ < .001) et l'influence algorithmique ($\beta$ = .13, $p$ = .003) ont toutes deux prédit positivement la confiance algorithmique. Ensemble, ces facteurs expliquent 21,9 % de la variance de la confiance algorithmique.
2. Confiance et NFM : La confiance algorithmique est un prédicteur positif fort de toutes les trois dimensions du NFM :
   • NFM-informé ($\beta$ = .64, $R^2$ = .40)
   • NFM non-recherche ($\beta$ = .51, $R^2$ = .26)
   • NFM pairs ($\beta$ = .56, $R^2$ = .31)
3. Médiation : Les analyses par bootstrap ont confirmé que la confiance algorithmique médie significativement la relation entre les deux antécédents (utilisation des réseaux sociaux et influence algorithmique) et les trois dimensions du NFM. Tous les intervalles de confiance à 95 % pour les effets indirects excluent zéro.
4. Robustesse : Les résultats sont restés cohérents lorsque le NFM était modélisé comme un construit de second ordre unique ($\beta$ = .66, $R^2$ = .44).

Contributions clés

• Mécanisme théorique : L'étude identifie la confiance algorithmique comme un mécanisme psychologique distinct qui médie le lien entre l'engagement sur les plateformes et les orientations d'information passives. Elle dépasse la vision du NFM comme étant uniquement le résultat d'une exposition fortuite ou de liens sociaux, en soutenant que c'est la confiance dans la logique du système qui motive les utilisateurs à se désengager de la recherche active d'information.
• Distinction conceptuelle : L'article clarifie la différence entre l'influence algorithmique (une conscience externe de la manière dont les algorithmes façonnent le contenu) et la confiance algorithmique (une attitude psychologique interne de dépendance). Il démontre que la conscience de l'influence algorithmique ne mène pas nécessairement au scepticisme mais peut, dans le contexte de la Génération Z, favoriser la confiance en signalant l'efficacité et la personnalisation.
• Expansion géographique : En fournissant des preuves empiriques provenant de Turquie, l'étude étend la recherche sur le NFM au-delà des contextes anglo-américains, testant l'applicabilité transculturelle de ces concepts dans un contexte non occidental caractérisé par une utilisation élevée des plateformes parmi la Génération Z.

Signification et affirmations
L'article affirme que la confiance algorithmique est un facteur psychologique clé soutenant la consommation passive de l'information dans des environnements pilotés par les algorithmes. Il suggère qu'à mesure que les utilisateurs font confiance aux algorithmes pour livrer un contenu opportun et pertinent, ils sont plus susceptibles de réduire la surveillance active et d'accepter la curation algorithmique comme un substitut à la recherche intentionnelle d'information.

L'étude souligne que ce basculement transfère la responsabilité de rester informé des individus et des institutions journalistiques vers les systèmes algorithmiques propriétaires. L'auteur note que si cela reflète une adaptation psychologique aux environnements saturés d'informations, cela peut avoir des coûts importants pour la qualité de la participation démocratique, car une confiance élevée dans les algorithmes sans une littératie numérique adéquate pourrait accroître la vulnérabilité à la désinformation et réduire l'examen critique du contenu curaté.

L'auteur reste modeste quant aux affirmations de causalité, reconnaissant que le design transversal limite la capacité à inférer une causalité de manière définitive. Il note également des limites concernant l'échantillon (étudiants universitaires à Istanbul), le déséquilibre de genre, la brièveté de l'échelle de confiance algorithmique et l'absence de distinction entre les plateformes de réseaux sociaux spécifiques. Cependant, l'étude conclut que comprendre le rôle de la confiance algorithmique est crucial pour la recherche en communication, alors que les algorithmes assument de plus en plus des rôles éditoriaux auparavant détenus par les journalistes et les utilisateurs.