Pourquoi les systèmes de diffusion peuvent amplifier la désinformation
Une fausse information reçoit beaucoup de réactions. La plateforme lui donne davantage de visibilité. Cette visibilité produit de nouvelles réactions. Le contenu devient viral. On pourrait résumer cette situation en disant : « l’algorithme favorise la désinformation ». La formule peut être correcte dans certains contextes, mais elle cache plusieurs mécanismes très différents. Un système de recommandation n’a pas nécessairement besoin de reconnaître qu’un contenu est faux et de décider :
« Je vais montrer davantage celui-ci parce qu’il est faux. »
Il peut simplement optimiser d’autres objectifs : probabilité de clic, temps passé, commentaires, partages, réactions ou maintien de l’utilisateur sur la plateforme. Si certains contenus trompeurs provoquent particulièrement bien ces comportements, ils peuvent obtenir un avantage indirect. Le mécanisme ressemble alors moins à : algorithme → préférence pour le faux qu’à : comportements humains → signaux d’engagement → classement algorithmique → exposition supplémentaire → nouveaux comportements humains. La désinformation peut bénéficier de cette boucle sans être explicitement recherchée par le système.
Un fil d’actualité doit sélectionner
Une plateforme sociale contient beaucoup plus de publications qu’un utilisateur ne peut en lire. Il faut donc choisir : quels contenus montrer, dans quel ordre et à qui. Une première solution consiste à afficher les publications des comptes suivis dans l’ordre chronologique inverse. La plus récente apparaît d’abord. Mais les grandes plateformes utilisent aussi des systèmes de classement et de recommandation capables d’estimer quelles publications ont le plus de chances d’intéresser un utilisateur particulier. Ils peuvent prendre en compte, selon les plateformes et les époques : les personnes suivies, les interactions passées, la popularité du contenu, sa récence, les relations entre utilisateurs et différents signaux prédits par les modèles. Le fil obtenu n’est donc pas simplement un reflet du monde. C’est une sélection parmi ce qui aurait pu être montré.
Cette sélection constitue déjà une forme de pouvoir informationnel.
« Amplifier » signifie rendre relativement plus visible
Le mot amplification mérite lui aussi d’être précisé. Supposons que deux publications soient initialement accessibles au même public potentiel. Le système de classement expose la première dix fois plus souvent que la seconde. On peut dire que la première a bénéficié d’une amplification relative. Cela ne signifie pas nécessairement que la plateforme a créé le message. Elle a modifié sa visibilité. Cette distinction est importante. Un utilisateur produit le contenu. D’autres utilisateurs réagissent. Le système observe ces réactions et choisit éventuellement d’augmenter l’exposition. Le résultat final est donc souvent le produit d’une interaction entre comportements humains et système automatique de sélection. Chercher une cause unique serait artificiel.
Un algorithme n’a pas besoin de connaître la vérité
Imaginons un système extrêmement simple. Il classe les messages selon : le nombre de partages obtenus dans les dix premières minutes. Il ignore totalement leur véracité. Supposons maintenant que les contenus : surprenants, indignants ou anxiogènes soient en moyenne davantage partagés. Comme nous l’avons vu dans Émotions et viralité, certains contenus trompeurs peuvent exploiter précisément ces caractéristiques. Le système va alors promouvoir davantage certains de ces messages. Non parce qu’ils sont faux. Mais parce qu’ils ont produit les comportements récompensés par le classement. C’est une distinction essentielle : un système peut créer un biais de résultat sans posséder une règle explicite favorisant ce résultat.
L’engagement est un signal imparfait de qualité
Pourquoi utiliser les réactions des utilisateurs ? Parce qu’elles fournissent une information précieuse. Si beaucoup de personnes choisissent de lire, commenter ou partager quelque chose, le contenu est probablement intéressant pour quelqu’un. Mais : intéressant n’est pas synonyme de : vrai. Une vidéo scandaleuse peut susciter énormément de commentaires précisément parce qu’elle est trompeuse. Une théorie du complot spectaculaire peut provoquer de longues discussions. Une information choquante peut être abondamment partagée avant d’être vérifiée. Et une publication explicitement fausse peut recevoir beaucoup de réactions de personnes qui la critiquent. Le système observe alors : engagement élevé. Il ne sait pas nécessairement distinguer : « les utilisateurs approuvent » de : « les utilisateurs se disputent sous cette publication ».
Les réactions négatives peuvent elles aussi constituer de l’engagement
C’est un paradoxe fréquent. Un utilisateur voit une fausse affirmation et répond :
« C’est complètement faux ! »
Un second :
« Comment peut-on encore publier cela ? »
Un troisième partage la publication pour la dénoncer. La communauté essaie donc de corriger la désinformation. Mais du point de vue d’un système valorisant fortement commentaires, partages et temps passé, toutes ces réactions peuvent indiquer : « ce contenu génère beaucoup d’activité ». La correction sociale et l’amplification automatique peuvent alors tirer dans des directions opposées. Cela ne signifie pas que toute réponse augmente nécessairement la diffusion : les plateformes possèdent des systèmes beaucoup plus complexes et peuvent intégrer des signaux négatifs ou de qualité. Mais cela montre pourquoi : mesurer l’engagement sans comprendre sa signification peut être épistémiquement dangereux.
Les systèmes fondés sur l’engagement sélectionnent certains styles de contenu
Une étude publiée dans *PNAS Nexus* a comparé expérimentalement, pour des utilisateurs de Twitter/X, différents modes de classement : un fil chronologique, un fil basé sur les préférences déclarées par les utilisateurs et un classement fortement fondé sur l’engagement. Le classement par engagement sélectionnait davantage de contenus partisans, émotionnels et hostiles au groupe politique opposé que le fil chronologique ou celui correspondant aux préférences déclarées des participants. Les tweets sélectionnés exprimaient notamment davantage de colère, d’anxiété et d’hostilité envers l’out-group. Ce résultat est important parce qu’il montre quelque chose de plus précis que : « les utilisateurs aiment les contenus conflictuels ».
Le classement par engagement accentuait ces caractéristiques au-delà de ce que les personnes avaient choisi de suivre et, dans plusieurs analyses, au-delà même de leurs préférences déclarées tweet par tweet. L’algorithme peut donc modifier la composition de l’information effectivement rencontrée.
Mais partisan ou émotionnel ne signifie pas faux
Il faut immédiatement ajouter une limite. Un message peut être : très partisan, très colérique et parfaitement exact. Inversement, une désinformation peut être écrite sur un ton calme et administratif. L’étude précédente ne démontre donc pas directement : « le classement par engagement favorise la désinformation ». Elle identifie plutôt certaines caractéristiques — émotion, antagonisme, partisanerie — qui peuvent être corrélées avec des contenus problématiques dans certains environnements. Cette distinction est cruciale. Sinon, nous risquerions de remplacer : « l’algorithme aime le faux » par une autre simplification : « l’algorithme aime la colère, donc la colère est de la désinformation ». Aucun de ces raisonnements n’est valable.
Une étude directe sur les sources de faible crédibilité
Une étude observationnelle publiée en 2024 dans *EPJ Data Science* a examiné environ 2,7 millions de tweets consacrés au Covid-19 et au changement climatique pendant quatorze jours de janvier 2023. Les chercheurs ont comparé les impressions obtenues par les publications renvoyant vers des domaines classés comme faiblement crédibles et celles renvoyant vers des domaines à plus forte crédibilité, tout en tenant compte notamment du niveau d’engagement et du nombre d’abonnés.
Dans leur analyse agrégée, les contenus de faible crédibilité obtenaient davantage d’impressions : environ +19 % sur le Covid-19 et +96 % sur le climat dans leur procédure de comparaison. Mais l’essentiel de cette différence provenait du petit sous-ensemble de publications combinant très fort engagement et auteurs possédant beaucoup d’abonnés. La nuance est importante. Il ne s’agissait pas d’un avantage uniforme accordé à tout contenu douteux. Une fraction très visible du réseau produisait une grande partie de l’effet.
Faible crédibilité n’est pas synonyme de faux
Cette étude possède cependant plusieurs limites qui interdisent une conclusion trop forte. Les chercheurs ne vérifiaient pas individuellement chaque affirmation. Ils classaient principalement les publications selon la réputation générale du domaine vers lequel elles renvoyaient. Un média de faible crédibilité peut publier une information correcte. Un média très crédible peut commettre une erreur. La catégorie : « lien provenant d’un domaine peu fiable » constitue donc un indicateur imparfait de désinformation. En outre, il s’agit d’une étude observationnelle portant sur Twitter pendant une période et deux sujets particuliers. Les auteurs eux-mêmes précisent que le système de recommandation a évolué depuis janvier 2023 et que leurs résultats ne peuvent pas être automatiquement transposés au fonctionnement ultérieur de la plateforme. Cette prudence est indispensable.
Corrélation entre impressions et contenu ne révèle pas exactement le mécanisme
Supposons qu’un tweet douteux obtienne davantage d’impressions. Pourquoi ? Peut-être parce que : l’algorithme lui donne directement un avantage. Mais peut-être aussi parce que son auteur possède déjà une audience plus réactive. Ou parce qu’il est partagé par plusieurs comptes influents. Ou parce qu’il apparaît au moment parfait. Ou parce qu’un débat médiatique externe attire soudainement les utilisateurs vers lui. L’étude de 2024 tente de contrôler plusieurs de ces variables, mais une analyse observationnelle ne permet jamais d’isoler parfaitement le code causal du système de recommandation. C’est précisément pourquoi les expériences randomisées possèdent une valeur particulière lorsqu’elles sont possibles.
L’expérience géante de Twitter
Une des études les plus importantes a été réalisée grâce à une expérience interne de Twitter portant sur près de deux millions de comptes actifs quotidiennement. Une partie des utilisateurs recevait un fil personnalisé, tandis qu’un groupe de contrôle utilisait un fil essentiellement chronologique. Les chercheurs ont comparé l’amplification des messages publiés par des responsables politiques dans sept pays, dont la France. Dans six des sept pays étudiés, les partis de droite traditionnels bénéficiaient davantage de l’amplification algorithmique que les partis de gauche traditionnels. L’analyse américaine des médias trouvait également une amplification légèrement supérieure des sources orientées à droite. Mais les auteurs ne trouvaient pas de preuve que le système amplifiait systématiquement les extrêmes politiques davantage que les modérés.
L’étude démontre donc très clairement que le classement algorithmique peut produire des asymétries politiques mesurables. Elle ne démontre pas pourquoi exactement ces asymétries apparaissaient.
Une asymétrie algorithmique n’est pas forcément une préférence idéologique programmée
C’est une distinction fondamentale. Observer : droite davantage amplifiée que gauche ne démontre pas que les ingénieurs aient écrit une règle :
« favoriser la droite ».
Plusieurs mécanismes peuvent produire le résultat. Les différents groupes peuvent : publier différemment, obtenir des taux d’engagement différents, posséder des structures de réseau différentes ou utiliser des formats auxquels les critères de classement réagissent différemment. Les auteurs de l’étude Twitter soulignent d’ailleurs que le mécanisme causal exact restait à déterminer. Il faut donc distinguer : biais intentionnel dans la conception et asymétrie émergente dans les résultats. Une plateforme peut produire un résultat politiquement asymétrique sans que cette asymétrie ait été explicitement recherchée.
Cela ressemble à un problème déjà rencontré
Nous avons vu dans la fiche consacrée aux théories du complot qu’un résultat systématique ne prouve pas automatiquement une coordination intentionnelle. Le même principe s’applique ici. Un système algorithmique peut sélectionner certains comportements d’une manière qui profite régulièrement à certains acteurs. Cela mérite d’être mesuré et éventuellement corrigé. Mais passer directement de : « le groupe A reçoit davantage de visibilité » à : « la plateforme veut faire gagner le groupe A » demande une preuve supplémentaire concernant l’intention. Les effets réels du système et les intentions de ses concepteurs sont deux questions différentes.
Le cas Facebook complique encore l’histoire
Une immense série de recherches autour de l’élection américaine de 2020 a permis de comparer ce que les utilisateurs de Facebook auraient pu voir, ce qu’ils voyaient réellement après sélection algorithmique et ce avec quoi ils interagissaient. Une analyse portant sur environ 208 millions d’utilisateurs américains a trouvé une forte ségrégation idéologique des informations politiques, qui augmentait entre l’ensemble des contenus potentiellement visibles, les contenus effectivement exposés et ceux avec lesquels les utilisateurs interagissaient. Dans ces données, la désinformation identifiée par le programme de fact-checking de Meta était très concentrée dans un sous-écosystème d’audience conservatrice homogène. Ces données démontrent que la sélection algorithmique et les choix des utilisateurs modifient fortement l’environnement informationnel final.
Mais elles ne suffisent toujours pas à attribuer tout le phénomène au seul algorithme. Les choix de suivre certaines personnes et surtout les choix d’interaction jouent également un rôle.
Le fil chronologique n’est pas automatiquement plus fiable
Ce point est particulièrement contre-intuitif. Dans une expérience randomisée réalisée pendant trois mois autour de l’élection américaine de 2020, des utilisateurs consentants de Facebook et Instagram ont été assignés à un fil chronologique inverse à la place du classement algorithmique habituel. Le passage au fil chronologique a fortement diminué le temps passé sur les plateformes et l’activité des participants. Mais il a aussi augmenté la quantité de contenus politiques et provenant de sources jugées peu fiables auxquels ils étaient exposés, sur Facebook comme Instagram. Voilà un résultat essentiel. Il interdit la narration simpliste : algorithme = désinformation et chronologie = information neutre. Un système algorithmique peut aussi contenir des mécanismes de réduction, de filtrage ou de classement de contenus peu fiables.
Modifier fortement le fil n’a pas forcément modifié les opinions
La même expérience a produit une autre surprise. Le fil chronologique changeait sensiblement : l’exposition aux contenus, le temps passé sur la plateforme et les comportements d’utilisation. Pourtant, au terme des trois mois de l’expérience, les chercheurs n’ont pas détecté d’effet significatif sur plusieurs variables politiques majeures : polarisation idéologique, polarisation affective, connaissances politiques ou autres attitudes mesurées. Cette dissociation est extrêmement importante. Elle montre une nouvelle fois pourquoi nous devons distinguer : exposition de persuasion. L’algorithme peut transformer fortement ce que nous voyons sans produire automatiquement une transformation comparable de ce que nous pensons.
Mais une absence d’effet sur une plateforme n’établit pas une loi générale
Une expérience publiée dans *Nature* en février 2026 montre précisément pourquoi il faut éviter cette généralisation. Des utilisateurs américains de X ont été assignés pendant sept semaines à un fil algorithmique ou chronologique. Dans cette expérience réalisée en 2023, recevoir le fil algorithmique augmentait l’engagement et produisait également un déplacement mesurable de plusieurs opinions politiques vers des positions plus conservatrices, notamment sur certaines priorités politiques, sur les enquêtes visant Donald Trump et sur la guerre en Ukraine. Nous avons donc : Meta 2020 : modification substantielle du fil, pas de changement politique détectable sur plusieurs attitudes ; X 2023 : modification du fil accompagnée de certains changements politiques mesurables. La conclusion raisonnable est :
les effets des algorithmes dépendent fortement du système, du contenu qu’il sélectionne, du contexte et de la période étudiée.
« Les algorithmes polarisent » est donc trop général
Un algorithme n’est pas une substance unique. Deux plateformes peuvent utiliser des systèmes très différents. Une même plateforme peut modifier plusieurs fois ses critères. Un système peut optimiser : clics, temps de visionnage, interactions significatives, satisfaction déclarée, diversité ou réduction de certains risques. Dire : « les algorithmes font X » ressemble donc à dire : « les médicaments font X ». Quels algorithmes ? Sur quels contenus ? Pour quels utilisateurs ? Avec quelle fonction d’objectif ? À quelle époque ? Comparés à quel système alternatif ? Sans ces précisions, une affirmation apparemment scientifique devient trop vague pour être testable.
L’utilisateur participe lui-même à la sélection
Supposons que deux personnes utilisent exactement le même système de recommandation. L’une suit : des médias généralistes, des chercheurs et quelques proches. L’autre : des comptes militants, des influenceurs sensationnalistes et plusieurs sources conspirationnistes. Leur environnement sera probablement différent même si le système algorithmique est identique. Pourquoi ? Parce que l’algorithme travaille à partir d’un espace d’informations déjà influencé par les choix de l’utilisateur. Les comportements humains fournissent donc une partie des données qui alimentent le système. La causalité ressemble davantage à : préférences → abonnements → exposition → réactions → apprentissage algorithmique → nouvelle exposition. Le système et l’utilisateur se co-produisent partiellement leur environnement informationnel.
L’algorithme peut néanmoins aller au-delà des abonnements
Les systèmes modernes ne se limitent souvent plus aux comptes suivis. Ils peuvent proposer : des contenus similaires, des comptes inconnus, des vidéos appréciées par des utilisateurs comparables ou des sujets que le modèle estime susceptibles d’intéresser la personne. Cela permet la découverte. Une personne passionnée d’astronomie peut rencontrer un excellent vulgarisateur qu’elle ne connaissait pas. Mais le même mécanisme peut aussi proposer progressivement : des contenus plus douteux liés au même sujet. C’est ici qu’apparaît l’image populaire du rabbit hole, ou « terrier du lapin » : l’utilisateur serait progressivement conduit vers des contenus de plus en plus extrêmes. La littérature montre toutefois que cette idée demande beaucoup de nuances.
Le « rabbit hole » n’est pas une loi des systèmes de recommandation
Des audits ont montré dans certains contextes des trajectoires où des utilisateurs simulés ou réels recevaient progressivement des recommandations problématiques. D’autres études obtiennent des résultats beaucoup plus faibles ou trouvent que les choix actifs des utilisateurs contribuent fortement à l’exposition à des contenus extrêmes. La difficulté est méthodologique. Un compte vierge automatisé ne se comporte pas comme un utilisateur réel. Un utilisateur réel choisit : ce qu’il regarde, ce qu’il ignore, ce qu’il recherche, ce qu’il suit et quand il quitte la plateforme. L’algorithme répond à ces choix. Isoler : « ce que le système impose » de « ce que l’utilisateur demande implicitement par son comportement » est donc très difficile. Le terme *rabbit hole* peut décrire certains parcours. Il ne doit pas devenir une explication automatique de toute radicalisation.
Une boucle de rétroaction
Le mécanisme le plus utile est celui de la boucle de rétroaction. Imaginons un utilisateur qui regarde plusieurs vidéos affirmant que les vaccins présentent certains risques. Le système apprend : « ce sujet semble l’intéresser ». Il propose davantage de contenus apparentés. L’utilisateur clique sur certains. Ces clics renforcent le signal. Le système affine encore les recommandations. La séquence devient : intérêt initial → recommandations → nouvelles interactions → recommandations plus ciblées. Aucun acteur n’a nécessairement décidé :
« Radicalisons cette personne. »
Le résultat peut émerger des interactions successives entre optimisation et choix humains.
Mais la même boucle peut conduire vers de bonnes informations
Supposons maintenant que l’utilisateur clique sur : des conférences universitaires, des revues scientifiques et des chaînes pédagogiques de qualité. Le même principe de personnalisation peut construire un environnement extraordinairement riche. Une recommandation en entraîne une autre. Un article mène à un chercheur. Un chercheur mène à une revue. La boucle algorithmique peut donc augmenter la qualité de l’information aussi bien que sa médiocrité. Une méta-analyse exploratoire de plusieurs audits de systèmes de recommandation souligne justement l’existence à la fois de spirales négatives et de trajectoires où les recommandations protègent ou améliorent l’expérience informationnelle. Cela montre pourquoi le problème n’est pas : recommandation = mauvaise. Il est : quels signaux et quels objectifs déterminent la direction de la recommandation ?
Popularité et qualité peuvent se désaligner
Un système fondé sur la popularité suppose implicitement : ce que beaucoup de personnes trouvent intéressant mérite davantage de visibilité. C’est une règle raisonnable pour : une chanson, une vidéo humoristique ou une photographie de voyage. Pour une affirmation factuelle, elle devient plus problématique. La vérité ne se mesure pas au nombre de clics. Une information exacte mais techniquement difficile peut produire peu d’engagement. Une explication fausse mais spectaculaire peut en produire énormément. On obtient alors un conflit entre deux objectifs : maximiser l’intérêt et maximiser la qualité épistémique. Les deux peuvent parfois coïncider. Ils peuvent aussi diverger fortement.
Les utilisateurs les plus actifs comptent disproportionnellement
Une autre propriété importante des réseaux est la concentration. Tous les utilisateurs ne publient pas autant. Tous ne possèdent pas la même audience. Tous les contenus ne reçoivent pas la même visibilité. Comme nous l’avons vu précédemment, une petite minorité d’utilisateurs peut produire une part disproportionnée du partage de contenus douteux. Dans l’étude Twitter de 2024 sur le Covid-19 et le climat, la plus grande partie de l’avantage en impressions des domaines de faible crédibilité provenait précisément de contenus très engageants publiés par des comptes possédant de grandes audiences. La question algorithmique est donc aussi une question de structure : qui reçoit une première visibilité suffisante pour entrer dans la boucle d’amplification ?
Un système peut amplifier ce qui est déjà puissant
Il faut distinguer : créer une audience et amplifier une audience existante. Une personnalité possède déjà un million d’abonnés. Elle diffuse une information trompeuse. Des milliers de personnes réagissent immédiatement. Le système détecte une activité exceptionnelle et l’expose davantage. On peut alors dire que l’algorithme a augmenté la portée. Mais l’événement n’aurait probablement pas eu la même trajectoire si la publication initiale venait d’un compte avec trois abonnés. L’influence résulte donc de : l’audience initiale + le comportement des abonnés + les règles de classement. Attribuer tout l’effet au seul algorithme serait incorrect. Ignorer son rôle le serait tout autant.
L’amplification artificielle peut tromper l’algorithme
Les campagnes coordonnées étudiées précédemment ajoutent encore une difficulté. Si un système considère qu’un contenu obtenant rapidement beaucoup d’interactions mérite davantage de visibilité, des opérateurs peuvent tenter de fabriquer ces signaux initiaux. Faux comptes. Réseaux coordonnés. Achats de réactions. Publications synchronisées. La campagne ne cherche plus seulement à tromper les humains. Elle cherche à produire les signaux auxquels le système automatique réagit. On peut alors obtenir : amplification artificielle initiale → amplification algorithmique réelle → utilisateurs authentiques → diffusion organique. À partir d’un certain stade, il devient difficile de séparer les différentes couches.
La recommandation ne se résume pas à l’engagement brut
Il serait néanmoins dépassé d’imaginer les grands systèmes comme : « trier simplement du plus liké au moins liké ». Les plateformes peuvent introduire de nombreux autres critères : qualité estimée, contenus signalés, sécurité, préférences déclarées, diversité, fraîcheur, relations personnelles ou réduction de certaines catégories problématiques. Elles peuvent diminuer la visibilité d’une information même si elle obtient beaucoup d’engagement.
C’est précisément pourquoi le passage au fil chronologique dans l’expérience Facebook/Instagram de 2020 a paradoxalement augmenté l’exposition à certaines sources jugées peu fiables : le système algorithmique habituel ne servait pas seulement à maximiser l’engagement ; il effectuait aussi certains filtrages que la chronologie supprimait. Le fonctionnement réel doit donc être mesuré, pas imaginé à partir d’un slogan.
Le code seul ne suffit pas à prédire les résultats
Même connaître intégralement l’algorithme ne suffirait pas nécessairement à prévoir ce qu’il produira. Pourquoi ? Parce qu’il reçoit comme entrée : des milliards de publications et de comportements humains évolutifs. Une règle très simple peut produire des effets complexes dans un immense réseau. Inversement, un système extrêmement complexe peut produire certains résultats relativement stables. Pour comprendre l’amplification, il faut donc étudier : le code, les objectifs, les données, les comportements des utilisateurs et les résultats effectivement observés. C’est une leçon générale importante pour l’analyse des systèmes socio-techniques.
Un modèle récent formalise la boucle engagement–désinformation
Un article publié dans le *Journal of Public Economics* en 2026 développe un modèle théorique dans lequel augmenter le poids donné aux interactions sociales — notamment likes et repartages — peut produire davantage de désinformation et de polarisation lorsque certains groupes d’utilisateurs fortement idéologisés génèrent davantage d’engagement. Le mécanisme vient de la boucle entre comportement des utilisateurs et visibilité algorithmique, pas d’une préférence directe de l’algorithme pour la fausseté. Ce travail est intéressant pour formaliser le mécanisme. Mais il faut respecter son statut : un modèle théorique n’est pas une mesure directe de tous les réseaux sociaux réels. Il montre qu’un certain ensemble d’incitations peut produire ces résultats. Il faut ensuite comparer ses prédictions aux données.
L’exposition n’est toujours pas la croyance
Même lorsqu’une amplification est parfaitement démontrée, nous n’avons répondu qu’à une question : « davantage de personnes ont-elles vu ce contenu ? » Pas : « davantage de personnes l’ont-elles cru ? » Encore moins : « leur vote ou leur comportement ont-ils changé ? » L’étude expérimentale Facebook/Instagram de 2023 illustre clairement cette dissociation : modifier fortement le classement a changé l’utilisation et l’exposition sans produire de changements significatifs dans plusieurs attitudes politiques étudiées. À l’inverse, l’étude X publiée en 2026 trouve certains changements d’opinion. Nous devons donc conserver la chaîne : classement → exposition → attention → croyance éventuelle → comportement éventuel sans sauter directement du premier au dernier terme.
Le contre-factuel est indispensable
Pour dire qu’un algorithme amplifie quelque chose, il faut répondre : par rapport à quoi ? À un fil chronologique ? À aucun système de recommandation ? À un autre algorithme ? À ce que l’utilisateur aurait choisi lui-même ? Les résultats peuvent changer selon le contre-factuel. Un fil algorithmique peut montrer davantage d’un type de contenu qu’un fil chronologique mais moins qu’un système purement fondé sur la popularité. Dire : « l’algorithme augmente X » sans préciser le système de comparaison est donc incomplet. C’est un point méthodologique central.
Le fil chronologique n’est pas neutre
La chronologie elle-même applique une règle : le récent avant l’ancien. Cette règle avantage : les utilisateurs qui publient beaucoup, les événements en cours et ceux qui sont connectés au moment opportun. Elle peut noyer une information importante sous une grande quantité de publications nouvelles. Elle peut aussi favoriser des comptes extrêmement actifs. Le fil chronologique constitue donc une autre politique de classement, pas l’absence de classement. La vraie question n’est pas : algorithme ou neutralité ? Elle est : quel système de sélection voulons-nous et quels effets produit-il ?
« Donnez-moi exactement ce que je veux voir » n’est pas non plus forcément idéal
On pourrait proposer : « laissons simplement l’utilisateur décider ». Mais nos préférences momentanées ne coïncident pas toujours avec nos intérêts de long terme. Nous pouvons vouloir cliquer sur une histoire scandaleuse tout en souhaitant globalement disposer d’un environnement informationnel plus fiable et moins conflictuel. L’étude sur le classement par engagement trouve précisément que les contenus sélectionnés par ce système étaient plus émotionnels et hostiles que ceux que les utilisateurs indiquaient eux-mêmes préférer lorsqu’on leur demandait directement. Cela révèle une distinction familière en économie comportementale : ce que notre comportement immédiat récompense n’est pas toujours exactement ce que nous déclarons vouloir comme environnement.
Concevoir pour d’autres objectifs
Il est donc possible d’imaginer des systèmes donnant davantage de poids à : la qualité de la source, la diversité, la satisfaction à long terme, les évaluations explicites des utilisateurs ou des signaux favorisant les contenus appréciés à travers plusieurs groupes différents. Aucun critère n’est parfait. Valoriser uniquement la qualité institutionnelle pourrait désavantager de nouvelles sources. Valoriser la diversité pourrait montrer à des utilisateurs des contenus qu’ils n’apprécient pas. Réduire fortement les publications controversées pourrait supprimer des alertes légitimes. Il existe donc des arbitrages normatifs. La question n’est pas seulement technique : « Quel algorithme fonctionne ? » Elle devient : « Quel résultat voulons-nous optimiser, et quels effets secondaires sommes-nous prêts à accepter ? »
La transparence algorithmique a elle-même des limites
Demander davantage de transparence est raisonnable. Mais publier simplement plusieurs milliers de lignes de code ne permettrait pas nécessairement au citoyen de comprendre : pourquoi il voit cette publication précise. De plus, une transparence complète peut faciliter la manipulation du système si elle révèle exactement comment produire artificiellement les signaux récompensés. Une véritable transparence peut donc demander autre chose : objectifs généraux, audits indépendants, possibilités d’expérimentation, données agrégées sur les effets, documentation des modifications importantes et accès suffisamment contrôlé aux chercheurs. L’objectif devrait être de rendre les effets du système examinables, pas uniquement son code visible.
Les plateformes possèdent parfois les seules données permettant de mesurer leurs effets
C’est une difficulté structurelle de cette recherche. Pour connaître : ce qu’un utilisateur aurait pu voir, ce qu’il a réellement vu et pourquoi le système l’a sélectionné, il faut souvent accéder à des données que seule la plateforme possède. Les expériences Facebook/Instagram et Twitter citées plus haut sont exceptionnellement informatives précisément parce que les chercheurs ont eu accès à des infrastructures permettant de comparer différents fils à grande échelle. Mais cette dépendance produit aussi des questions d’indépendance scientifique. Les données peuvent être difficiles à reproduire. Les chercheurs externes ne disposent pas toujours du même accès. Et les systèmes peuvent changer avant même la publication des résultats. La connaissance scientifique des plateformes reste donc particulièrement fragile et dépendante de l’accès aux données.
Les résultats ont une date de péremption rapide
Une étude portant sur Twitter en 2018 ne décrit pas nécessairement X en 2026. Une plateforme modifie : son algorithme, ses règles de modération, son modèle économique, ses utilisateurs et ses priorités. L’étude observationnelle de 2024 sur les contenus de faible crédibilité précise justement que son analyse concerne janvier 2023, avant des modifications substantielles du système. Cela ne rend pas l’étude inutile. Elle établit qu’un certain mécanisme a été observé dans un système réel. Mais il faut éviter de transformer un résultat daté en caractéristique permanente d’une marque.
Cas pratique — Une fausse rumeur sur une nouvelle taxe
Un compte publie :
« Le gouvernement prépare une taxe de 500 € par an sur tous les propriétaires de chiens. »
L’information est fausse. Le compte possède 200 000 abonnés. Les réactions apparaissent immédiatement : colère, moqueries, commentaires et partages. Première étape : l’audience initiale produit plusieurs milliers d’interactions. Deuxième étape : un système de classement observe un contenu exceptionnellement engageant et l’expose à davantage d’utilisateurs. Troisième étape : des utilisateurs qui n’avaient jamais suivi le compte voient la publication. Certains la partagent. D’autres la dénoncent. Quatrième étape : la rumeur devient suffisamment visible pour que plusieurs médias publient des articles de vérification. Cinquième étape : de nouveaux utilisateurs découvrent pour la première fois l’existence de la rumeur à travers sa réfutation. Qu’est-ce qui a causé la viralité ? Le producteur initial ? Oui. Son importante audience ? Oui. Les réactions humaines ? Oui.
Le système de recommandation ? Potentiellement oui. Les personnes qui l’ont réfutée ? Elles peuvent aussi avoir contribué à son exposition. Chercher la cause unique n’a aucun sens. Nous avons affaire à un système dynamique.
Un système socio-technique
C’est probablement le meilleur concept pour comprendre la situation. La désinformation en ligne circule dans un système socio-technique où interagissent : producteurs, utilisateurs, influenceurs, médias, plateformes, algorithmes, interfaces et incitations économiques. Le comportement du tout n’est réductible à aucune de ses parties. Un contenu ne devient pas viral uniquement : parce qu’il est émotionnel ou : parce qu’un algorithme le pousse ou : parce que les utilisateurs sont crédules. Ces mécanismes peuvent s’alimenter mutuellement. L’analyse sérieuse cherche donc à identifier la contribution relative de chacun dans un contexte précis.
À retenir
Les systèmes de recommandation peuvent amplifier certaines formes de désinformation sans posséder aucune règle disant « privilégier le faux ». Un mécanisme suffit : certains contenus produisent fortement les réactions que le système utilise comme signaux → ils obtiennent davantage de visibilité → cette visibilité produit davantage de réactions.
Les travaux expérimentaux montrent que le classement fondé sur l’engagement peut sélectionner davantage de contenus émotionnels, partisans et hostiles au groupe opposé que des fils chronologiques ou correspondant davantage aux préférences explicitement déclarées des utilisateurs.
Des études observationnelles ont également détecté, dans certains contextes, davantage de visibilité pour des contenus provenant de sources de faible crédibilité. Mais ces effets peuvent être fortement concentrés sur une petite proportion de publications très engageantes provenant de comptes influents, et ils ne doivent pas être généralisés automatiquement à toutes les plateformes ou périodes. Surtout, il n’existe pas un effet universel appelé « l’algorithme ». Une expérience sur Facebook et Instagram en 2020 a montré que remplacer le classement algorithmique par un fil chronologique augmentait paradoxalement l’exposition à certaines sources peu fiables et ne modifiait pas significativement plusieurs attitudes politiques mesurées. À l’inverse, une expérience sur X en 2023, publiée en 2026, trouve que le fil algorithmique a produit certains changements politiques mesurables. La conclusion correcte n’est donc ni :
« les algorithmes manipulent les utilisateurs » ni : « les algorithmes ne font que montrer ce que les utilisateurs veulent déjà voir ». Elle est : les utilisateurs influencent les données auxquelles le système réagit, et le système modifie ensuite l’environnement auquel les utilisateurs réagissent. C’est une boucle de rétroaction. Enfin, l’exposition ne doit jamais être confondue avec la persuasion. Démontrer qu’un algorithme a montré davantage une fausse information ne démontre pas encore : qu’elle a été crue, qu’elle a changé une opinion ou qu’elle a modifié un vote. Cette distinction nous conduit précisément à la prochaine étape de la rubrique. Avant de discuter de l’impact politique de la désinformation, il faut apprendre à répondre à une question beaucoup plus élémentaire : que mesurons-nous exactement lorsque nous affirmons qu’une personne a été « exposée à la désinformation » ?
Sources principales
Ferenc Huszár, Sofia Ira Ktena, Conor O’Brien et al., « *Algorithmic Amplification of Politics on Twitter* », *Proceedings of the National Academy of Sciences*, 2022. Giulio Corsi, « *Evaluating Twitter’s Algorithmic Amplification of Low-Credibility Content: An Observational Study* », *EPJ Data Science*, 2024. William Brady et collaborateurs, « *Engagement, User Satisfaction, and the Amplification of Divisive Content on Social Media* », *PNAS Nexus*, 2025. Sandra González-Bailón et al., « *Asymmetric Ideological Segregation in Exposure to Political News on Facebook* », *Science*, 2023. Andrew M. Guess, Neil Malhotra, Jennifer Pan et al., « *How Do Social Media Feed Algorithms Affect Attitudes and Behavior in an Election Campaign?* », *Science*, 2023. Travaux expérimentaux sur les effets politiques du fil algorithmique de X, *Nature*, 2026.
Fabrizio Germano, Vicenç Gómez et Francesco Sobbrio, « *Ranking for Engagement: How Social Media Algorithms Fuel Misinformation and Polarization* », *Journal of Public Economics*, 2026.