Comment une plateforme oriente-t-elle nos comportements sans les déterminer entièrement ?

Fonction et portée

Architecture ≠ destin.

Une plateforme distribue des possibilités d’action, des coûts, des frictions, des signaux, des priorités d’exposition et des rétroactions. Ces propriétés peuvent modifier des comportements dans des conditions identifiées, mais leurs effets ne sont ni uniformes ni mécaniques.

Affordances

Une fonctionnalité n’est pas encore un usage ni un effet.

Treem et Leonardi distinguent notamment visibilité, persistance, éditabilité et association. Evans et ses collaborateurs insistent sur une distinction essentielle : fonctionnalité, affordance, usage et effet ne doivent pas être confondus. Une affordance est relationnelle : elle dépend à la fois des propriétés du système et des capacités, buts et contextes de l’acteur.

Architecture causale

Six niveaux doivent rester séparés.

Une transformation d’un niveau n’autorise pas à inférer automatiquement le suivant.

Classement

Algorithmique et chronologique sont deux règles, pas « biaisé » contre « neutre ».

Un fil algorithmique peut ordonner les contenus selon des probabilités prédites d’interaction. Un fil chronologique privilégie la récence et dépend du réseau déjà suivi. Il constitue une baseline utile dans certaines expériences, non une absence de sélection.

Cas expérimental

Facebook 2020 : exposition fortement modifiée, attitudes inchangées sur les mesures testées.

Nyhan et ses collaborateurs ont réduit d’environ un tiers l’exposition à des sources politiquement proches chez 23 377 utilisateurs consentants. L’exposition et certains comportements ont changé, mais aucun effet n’a été détecté sur huit mesures attitudinales préenregistrées.

Le résultat ne signifie pas que les algorithmes n’ont aucun effet. Il montre que la chaîne exposition → attitude doit être démontrée séparément.

Cas expérimental

X : des effets politiques partiels dans une expérience précise.

Gauthier, Hodler, Widmer et Zhuravskaya ont publié en 2026 une expérience randomisée conduite pendant sept semaines en 2023 auprès d’utilisateurs actifs américains. Dans ce contexte, l’activation du fil algorithmique augmente certains engagements et déplace certaines opinions dans une direction plus conservatrice, sans effet significatif détecté sur la polarisation affective ni l’identification partisane.

Ce résultat porte sur cet algorithme, cette période, cette population et cet environnement informationnel. Il ne justifie aucune loi générale sur les fils personnalisés.

Comparer sans généraliser

Facebook et X donnent des résultats contrastés, non contradictoires.

Les deux études ne testent ni la même plateforme, ni la même intervention, ni la même dynamique temporelle. Ensemble, elles interdisent aussi bien « les algorithmes polarisent toujours » que « les algorithmes n’ont pas d’effet politique ».

Engagement

Ce qui fait réagir n’est pas nécessairement ce que l’utilisateur préfère.

Milli et ses collaborateurs publient en 2025 un audit algorithmique préenregistré de Twitter. Relativement à une baseline chronologique inversée, le classement fondé sur l’engagement amplifie davantage certains contenus émotionnels et hostiles à l’exogroupe, alors que les utilisateurs ne déclarent pas préférer les tweets politiques ainsi sélectionnés.

Cette étude étaye une divergence entre engagement observé et préférence déclarée ; elle n’est pas une expérience randomisée sur les attitudes politiques.

Récompense sociale

Les likes peuvent devenir des signaux d’apprentissage sans expliquer tous les usages.

Lindström et ses collaborateurs trouvent des résultats compatibles avec un apprentissage par récompense sociale pour certains comportements de publication. Le dossier refuse cependant la réduction de tout usage des réseaux sociaux à une « boîte de Skinner ».

Interface et friction

Retweet : modifier le coût d’une action peut changer le partage sans garantir le résultat normatif visé.

En octobre 2020, Twitter a ajouté une friction au retweet en poussant vers l’ajout d’un commentaire. Ershov et Morales documentent une baisse significative du partage de nouvelles, avec des effets hétérogènes selon l’orientation politique des médias et des utilisateurs.

La conclusion n’est ni « la friction fonctionne » ni « la friction échoue ». Un effet comportemental doit être distingué du critère de réussite normatif poursuivi.

Saillance

Les accuracy prompts modifient ce à quoi l’utilisateur prête attention avant de partager.

Pennycook et ses collaborateurs rapportent quatre expériences de sondage et une expérience de terrain sur Twitter. Une sollicitation légère de l’attention à l’exactitude améliore la qualité des nouvelles ensuite partagées dans les contextes étudiés, sans interdire l’action.

Taille, persistance et transfert de l’effet à d’autres environnements doivent être établis séparément.

Paramètres par défaut

Deux options disponibles ne sont pas nécessairement comportementalement équivalentes.

Cho, Roh et Park montrent dans deux expériences sur les préférences de confidentialité que les paramètres par défaut influencent les choix. Cette source ne permet pas de généraliser à tous les défauts numériques ni d’affirmer qu’un défaut « contrôle » l’utilisateur.

Personnalisation

Une boucle de rétroaction n’est pas automatiquement une bulle.

Traces passées → prédiction → classement → exposition → nouveau comportement → nouvelles traces. Cette boucle peut renforcer certains motifs, mais sa diversité finale dépend du modèle, de la fonction d’optimisation, du réseau suivi, des recommandations injectées et des choix actifs.

Agence

Ni interface neutre, ni utilisateur programmé.

L’erreur individualiste consiste à traiter tout résultat comme simple expression d’une préférence libre dans un espace neutre. L’erreur déterministe consiste à supposer que les choix d’interface causent directement et uniformément comportements et opinions. L’approche par affordances maintient l’interaction entre système et acteur.

Intention

Effet émergent et intention manipulatrice ne sont pas la même chose.

Objectif produit, optimisation métrique, externalité, effet émergent et intention manipulatrice sont des catégories distinctes. Aucune intention de manipulation ne doit être attribuée sans source directe.

Niveaux de preuve

Structurant, cas par cas, à ne pas généraliser.

Laboratoire

Auditer une fonctionnalité sans fabriquer un score de manipulation.

La grille candidate examine dix-huit dimensions : action, fonctionnalité, affordance, population, objectif, règle de classement, métrique optimisée, signaux visibles, défauts, frictions, exposition, comportement, effet distal, comparaison, durée, mécanismes alternatifs, possibilité de réglage et niveau de preuve.

Confrontation noosophique

Une architecture peut orienter une boucle sans constituer une loi générale.

Cartographie candidate : architecture matérielle et règles → possibilités et contraintes → signaux et incitations → exposition → interprétation et réponse de l’acteur → traces produites → rétroaction du système → modification éventuelle des possibilités futures.

Cette cartographie rend visibles les transformations mutuelles entre acteur et environnement technique. Elle ne démontre aucune dialectique nécessaire.

Limites

Les plateformes changent plus vite que beaucoup de résultats ne se stabilisent.

Accès sélectif aux données, évolution des systèmes, concentration américaine des études politiques, sélection des participants, difficulté à mesurer les effets distaux et différences entre audits, expériences randomisées, analyses observationnelles et expériences de laboratoire limitent les généralisations.

Bibliographie

Références structurantes.

Treem & Leonardi (2013) ; Evans et al. (2017) ; Ronzhyn, Cardenal & Batlle Rubio (2023) ; Lindström et al. (2021) ; Nyhan et al. (2023) ; Gauthier et al. (2026) ; Milli et al. (2025) ; Pennycook et al. (2021) ; Ershov & Morales (2024) ; Cho, Roh & Park (2019) ; Bouchaud, Chavalarias & Panahi (2023, audit complémentaire).