Trois modes de propagation sur les réseaux sociaux: abonnement, réseau et algorithme

L’article de Arvind Narayanan sur la comparaison des systèmes de recommandation des réseaux sociaux est très éclairant sur la spécificité de TikTok notamment. Mais mieux encore il propose une typologie qui permet de comprendre qu’il existe là aussi trois façons de concevoir un système de recommandation selon les points de vue que l’on adopte: les abonnés de son compte; la structure du réseau des liens; les propriétés de l’algorithme ( qui lui porte sur les contenus). Cela correspond exactement aux trois points de vue que les sciences sociales utilisent communément comme je l’ai montré dans Propagations.

https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms

Arvind Narayanan, Understanding Social Media Recommendation Algorithms, 23-01 Knight First Amend. Inst. (Mar. 9, 2023)

Table 2: Three stylized models of information propagation.

Figure 2: Three models of information propagation: subscription, network, and algorithm, showing the propagation of one individual post. In the subscription model, the post reaches those who have subscribed to the poster. In the network model, it cascades through the network as long as users who see it choose to further propagate it. In the algorithmic model shown here, users with similar interests (as learned by the algorithm based on their past engagement) are depicted closer to each other. The more similar a user’s interests are to the poster’s, the more likely they are to be recommended the post. Of course, other algorithmic logics are possible.

Le modèle de l’abonnement correspond aux préférences individuelles: on a choisi de s’abonner et cela provoque une certaine viralité dépendante de ces liens fondés sur des noeuds électifs. Le modèle du réseau est provoqué par la traçabilité des activités des membres du réseau , qui entraine des cascades qui auront des formes différentes selon la densité du réseau (mais on est déjà dans la viralité, attention, et non dans la vision structurale pure du réseau qui décrit les positions et les liens, car il s’agit ici de propagations orientées et amplifiées par la structure du réseau. Mais les algorithmes de recommandation  ont ceci de particulier qu’eux se centrent  sur les contenus et en particulier Tik Tok comme expliqué dans un autre papier de Narayanan (https://knightcolumbia.org/blog/tiktoks-secret-sauce) qui enchaine les contenus et teste la viralité de nombreux contenus sans s’occuper du réseau lui-même. TikTok serait ainsi un pur modèle de 3eme génération, rendu très performant parce qu’il évite tout choix (frictionless design) et qu’il déroule des possibles variants dont certains vont gagner notre attention.

L’auteur raconte très bien comment lorsque Instagram a tenté de copier Tik Tok les abonnés ont hurlé parce que leur capital d’abonnés ne servait plus à rien. Même si l’on semble évoluer dans le temps vers toujours plus de pure propagation fondée sur l’agentivité des contenus, toutes les modalités sont encore présentes et les “traditionnels” réseaux sociaux (You Tube comme Facebook et Instagram), même s’ils copient TikTok avec les Reels par exemple, ne peuvent abandonner ce qui fait leur attractivité, l’effet réseau d’une part et le potentiel de followers d’autre part.

Narayanan insiste bien sur le fait qu’aucune plateforme n’applique purement un des modèles. Il montre aussi comment la propagation est imprévisible, comme j’ai tenté de le montrer dans le livre puisque c’est un processus évolutionniste de variation (qui comprend du hasard) et de sélection qui dépend de la fitness par rapport au milieu ( qui comprend beaucoup de hasard). Et parmi la variation des contenus sur un même sujet, seuls quelques uns vont capter l’attention.

Figure 4: The significance of virality for one selected account. The level of skew shown here is quite common, though there is substantial variation between accounts.

et il montre très bien les effets non linéaires d’une rétrogradation (demotion) des contenus dans le feed d’un abonné, ce qui donne une idée du pouvoir de régulation opaque de ces algorithmes.

La suite de l’article est très riche aussi à propos de l’engagement et des  méthodes pour le susciter des Meaningful Social Interactions (MSI) que Facebook utilise, mais qui reste opaque ( ce qui fait qu’il est obligé de s’appuyer sur des données de 2018 pour suivre la pondération des différents indicateurs d’engagement alors que tout cela évolue très vite).

Bref une belle contribution au point de vue des propagations  en sciences sociales!!

Et pour le plaisir j’y ajoute leur mode de visualisation de la viralité, tout à fait intéressant et passionnant, d’autant plus qu’ils montrent la différence entre plusieurs types de tweets (sports, news , entertainment) et qu’on peu voir les effets d’une rétrogradation par les algos de la plateforme sur la viralité.

Premier tweet concernant le sport

 

 

Visualisation de la viralité d’arrivée (la prez est dynamique sur leur site

La même viz mais lorsque le tweet est rétrogradé par l’algo (demotion)

 

Un tweet de news

 

La viz de fin de propagation virale

 

Le même tweet et sa viralité après sa rétrogradation par l’algo

 

 

Ce qui me donne envie de conclure que les algos des plateformes ont une grande capacité à couper les chaines de contagion et qu’il suffirait qu’ils réagissent à tant pour enfouir un tweet au fond des stats de viralité pour les empêcher d’atteindre un tipping point. Je dis ça, je dis rien ;-))