Suite à billet publié en janvier sur l’effondrement de l’information a qui a suscité de nombreuses réactions, notamment de journalistes, Hubert Guillaud a exploré l’évolution des recommandations algorithmiques.
Historique des Recommandations Algorithmiques
- L’âge de la souscription et des recommandations simples (2000-2010) :
- Filtrage collaboratif simple, comme sur Amazon et Netflix (DVD par la poste).
- Systèmes de recommandation basiques basés sur l’abonnement et la popularité.
- L’âge du réseau et des propagations (2010-2016) :
- Les recommandations se basent sur les interactions et la viralité (likes, partages).
- Facebook introduit l’Edge Rank pour classer les contenus selon l’intérêt des utilisateurs.
- YouTube privilégie le temps passé à regarder les vidéos.
- L’âge algorithmique et de la similarité (2016-2021) :
- Utilisation croissante de l’apprentissage automatique pour prédire les similarités.
- Recommandations basées sur les engagements passés et les intérêts des utilisateurs.
- Complexification des algorithmes pour personnaliser les contenus.
- L’âge du cynisme et des distorsions de marché (depuis 2021) :
- Plateformes favorisant les contenus publicitaires et les utilisateurs payants.
- Dégradation volontaire de la visibilité des informations politiques et vérifiées.
- Monopolisation des plateformes, réduisant la concurrence et augmentant les profits via la publicité.
Conséquences et Réflexions
- Déclin de la qualité de l’expérience utilisateur :
- Les algorithmes privilégient les profits publicitaires plutôt que la qualité des recommandations.
- Les utilisateurs voient moins de contenus pertinents et plus de publicités.
- Distorsions de marché :
- Les plateformes favorisent les annonceurs payants, dévalorisant les résultats organiques.
- Besoin d’une régulation plus stricte pour équilibrer le marché et garantir la transparence des algorithmes.
- Faible taux d’engagement :
- Malgré les avancées technologiques, les taux d’engagement et de clic publicitaire restent bas, montrant une efficacité limitée des modèles actuels.
Les auteurs appellent à une meilleure régulation et transparence des plateformes, notamment en comparant les classements organiques et payants, et en permettant aux utilisateurs de paramétrer leurs préférences de manière persistante.
