YouTube crée-t-il des extrémistes? UNE étude récente provoqué des arguments parmi les scientifiques en faisant valoir que les algorithmes qui alimentent le site n'aident pas à radicaliser les gens en recommandant des vidéos toujours plus extrêmes, comme a été suggéré au cours des dernières années.
Le document, soumis à la revue en libre accès First Monday mais qui n'a pas encore été officiellement évalué par les pairs, analyse les recommandations vidéo reçues par différents types de chaînes. Il a affirmé que l'algorithme de YouTube privilégie les canaux médiatiques traditionnels au détriment du contenu indépendant, concluant que la radicalisation a plus à voir avec les personnes qui créent du contenu nuisible que l'algorithme du site.
Les spécialistes dans le domaine ont rapidement répondre à l'étude, avec quelques critiques les méthodes du papier et d'autres faisant valoir l'algorithme était l'un des plusieurs facteurs importants et que la science des données seule ne nous donnera pas la réponse.
Le problème avec cette discussion est que nous ne pouvons pas vraiment répondre à la question de savoir quel rôle l'algorithme de YouTube joue dans la radicalisation des gens parce que nous ne comprenons pas comment cela fonctionne. Et ceci n'est qu'un symptôme d'un problème beaucoup plus vaste. Ces algorithmes jouent un rôle croissant dans notre vie quotidienne mais manquent de transparence.
Il est difficile de prétendre que YouTube ne joue aucun rôle dans la radicalisation. Cela a d'abord été souligné par le sociologue de la technologie Zeynep Tufekci, qui a illustré comment les vidéos recommandées conduisent progressivement les utilisateurs vers un contenu plus extrême. Selon les mots de Tufekci, des vidéos sur le jogging mènent à des vidéos sur la course à pied des ultramarathons, des vidéos sur les vaccins conduisent à des théories du complot et des vidéos sur la politique mènent à «des démentis de l'Holocauste et d'autres contenus inquiétants».
Cela a également été écrit sur en détails par l'ex-employé de YouTube Guillaume Chaslot qui a travaillé sur l'algorithme de recommandation du site. Depuis qu'il a quitté l'entreprise, Chaslot a continué d'essayer de faire ces recommandations plus transparent. Il dit que les recommandations YouTube sont biaisées vers théories du complot et vidéos factuellement inexactes, ce qui permet néanmoins aux internautes de passer plus de temps sur le site.
Ainsi, maximiser le temps de visionnage est tout l'intérêt des algorithmes de YouTube, et cela encourage les créateurs de vidéos à se battre pour attirer l'attention de toutes les manières possibles. La pure société le manque de transparence sur la façon exacte dont cela fonctionne, il est presque impossible de lutter contre la radicalisation sur le site. Après tout, sans transparence, il est difficile de savoir ce qui peut être changé pour améliorer la situation.
Le fonctionnement de l'algorithme de YouTube reste un mystère. Qui est Danny / Shutterstock
Mais YouTube n'est pas inhabituel à cet égard. Un manque de transparence sur le fonctionnement des algorithmes est généralement le cas lorsqu'ils sont utilisés dans de grands systèmes, que ce soit par des entreprises privées ou des organismes publics. En plus de décider quelle vidéo vous montrer ensuite, les algorithmes d'apprentissage automatique sont maintenant utilisés pour placer les enfants dans les écoles, décidez peines d'emprisonnement, déterminer pointages de crédit et les taux d'assurance, ainsi que le sort de les immigrants, candidats à l'emploi et candidats universitaires. Et généralement, nous ne comprenons pas comment ces systèmes prennent leurs décisions.
Les chercheurs ont trouvé des moyens créatifs de montrer l'impact de ces algorithmes sur la société, que ce soit en examinant montée de la droite réactionnaire au sein de l’ propagation des théories du complot sur YouTube, ou en montrant comment les moteurs de recherche reflètent les préjugés racistes des personnes qui les créent.
Les systèmes d'apprentissage automatique sont généralement gros, complexes et opaques. À juste titre, ils sont souvent décrits comme boîtes noires, où l'information entre et où l'information ou les actions sortent, mais personne ne peut voir ce qui se passe entre les deux. Cela signifie que, comme nous ne savons pas exactement comment fonctionnent des algorithmes comme le système de recommandation YouTube, essayer de comprendre comment fonctionne le site reviendrait à essayer de comprendre une voiture sans ouvrir le capot.
À son tour, cela signifie qu'essayer d'écrire des lois pour réglementer ce que les algorithmes doivent ou ne doivent pas faire devient un processus aveugle ou un essai et une erreur. C'est ce qui se passe avec YouTube et avec tant d'autres algorithmes d'apprentissage automatique. Nous essayons d'avoir leur mot à dire sur leurs résultats, sans vraiment comprendre comment ils fonctionnent vraiment. Nous devons ouvrir ces technologies brevetées, ou du moins les rendre suffisamment transparentes pour pouvoir les réglementer.
Explications et tests
Une façon de le faire serait que les algorithmes fournissent explications contrefactuelles ainsi que leurs décisions. Cela signifie élaborer les conditions minimales nécessaires pour que l'algorithme prenne une décision différente, sans décrire sa logique complète. Par exemple, un algorithme prenant des décisions sur les prêts bancaires pourrait produire un résultat indiquant que «si vous aviez plus de 18 ans et que vous n'aviez aucune dette antérieure, votre prêt bancaire serait accepté». Mais cela pourrait être difficile à faire avec YouTube et d'autres sites qui utilisent des algorithmes de recommandation, car en théorie, toute vidéo sur la plate-forme pourrait être recommandée à tout moment.
Un autre outil puissant est le test et l'audit d'algorithmes, qui ont été particulièrement utiles pour diagnostiquer des algorithmes biaisés. Dans un cas récent, une société professionnelle de sélection de CV a découvert que son algorithme était prioriser deux facteurs comme meilleurs prédicteurs du rendement au travail: si le nom du candidat était Jared, et s'il a joué à la crosse au lycée. C'est ce qui se produit lorsque la machine n'est pas surveillée.
Dans ce cas, l'algorithme de sélection des CV avait remarqué que les hommes blancs avaient plus de chances d'être embauchés et avait trouvé des caractéristiques de proxy corrélatives (comme être nommé Jared ou jouer à la crosse) présentes chez les candidats embauchés. Avec YouTube, l'audit d'algorithmes pourrait aider à comprendre quels types de vidéos sont prioritaires pour les recommandations - et peut-être aider à régler le débat sur la contribution des recommandations YouTube à la radicalisation.
Introduire des explications contrefactuelles ou utiliser l'audit d'algorithmes est un processus difficile et coûteux. Mais c'est important, car l'alternative est pire. Si les algorithmes ne sont pas contrôlés et non réglementés, nous pourrions voir un flot progressif de théoriciens du complot et d'extrémistes dans nos médias, et notre attention contrôlée par celui qui peut produire le contenu le plus rentable.
À propos de l’auteur
Chico Q. Camargo, chercheur postdoctoral en science des données, Université d'Oxford
Cet article est republié de The Conversation sous une licence Creative Commons. Lis le article original.
