Recommandation algorithmique et nudging

II.Contexte du projet

6

L’objectif général du projet de recherche conduit avec le soutien de l’IMI est de mieux comprendre la manière dont les utilisateurs consomment du contenu via l’application de la RTS et, sur cette base, d’investiguer comment la RTS pourrait utiliser cette application afin de (re)donner envie à certains publics de découvrir certains contenus. Les défis de « fatigue i n f o r m a t i o n n e l l e » n e w s( f a t i g u e) e t d ’ « é v i t e m e n t informationnel » (news avoidance) sont à l’agenda du service

public^[13].

7

Le set de données à disposition de l’équipe du projet porte sur les données d’engagement des utilisateurs de l’application RTS durant la période de mars à mai 2023. Le set de données permet ainsi de reconstruire quels types de contenus a été consulté par un utilisateur durant cette période. L’équipe du projet n’a pas accès à l’identité de la personne mais seulement à un identifiant. Afin de préparer l’analyse, les contenus disponibles sur l’application ont été tagués selon — Seite 7 —l’approche dites des « user-needs »^[14]. Cette approche ne vise pas à décrire les thématiques (guerre en Ukraine, IA, etc.) ou les domaines des contenus (sport, politique, etc.), mais ce que les utilisateurs viennent chercher et quels types de besoins utilisateurs sont pertinents. Cette approche a été

popularisée par la BBC^[15]. Les 6 « user-needs » utilisés sont les suivants : inspire-moi, éduque-moi, donne-moi une perspective, garde-moi informé des débats actuels, mets-moi à

jour, divertis-moi/ amuse-moi^[16]. A titre d’illustration, un article de type « mets-moi à jour » propose un condensé d’information sur un événement passé et prend la forme d’un article factuel « qui-quoi-quand-où ». A l’inverse, un contenu « donne-moi une perspective » va ouvrir sur différentes interprétations possibles d’un événement, cherchant à donner une profondeur à la réflexion de l’utilisateur. Il est à noter que les promoteurs de l’approche par « user-needs » ont modifié la liste originale. La version 2.0 de mars 2023 compte

ainsi 8 « user-needs »^[17].

8

Dans le cadre du projet, les contenus disponibles sur

7l’application ont été tagués avec 6 user-needs et

thématiques^[18]. Le comportement de chaque utilisateur est ainsi représenté par un vecteur construit sur les 42 couplages

possibles (6 user-needs x 7 thématiques)^[19]. Afin d’éviter les biais dus à la fréquence d’utilisation (les utilisateurs fréquents vs. Les utilisateurs peu fréquents), la fréquence a été normalisée. En fin de compte, le profil de chaque utilisateur est donc modélisé par une séquence de 42 valeurs, qui correspondent à son taux de fréquentation de chacun des 42 couplages « user-needs x thématique » possibles. Sur cette base, l’analyse de l’équipe de sciences des données de la HES-SO peut alors représenter chaque utilisateur dans un espace à 42 dimensions. Un algorithme de clustering (K-means) permet ensuite de faire émerger des communautés d’utilisateurs ayant — Seite 8 —u n p r o f i l s i m i l a i r e s e l o n l e u r s c o u p l a g e s u s e r - need/thématique. Pour les lecteurs sans connaissance préalable en sciences des données, le point important consiste à comprendre que chaque utilisateur peut ainsi être localisé dans un espace mathématique multidimensionnel et que la distance (construite sur les 42 couplages possibles userneed/thématique) entre chaque utilisateur peut être mesurée.

9

Cette première phase d’analyse correspond à un effort de c a r t o g r a p h i e d e s c o m p o r t e m e n t s d e c o n s o m m a t i o n v i a l’application RTS. Elle permet de faire apparaitre les couplages les plus usuels sous forme de communautés. Dans une deuxième phase, le projet a testé trois manières d’amener les utilisateurs vers de nouveaux contenus. Cette deuxième phase est de nature expérimentale, elle n’a pas été implémentée dans l’application RTS. Pour cette contribution, elle permet avant de tout de clarifier les défis normatifs pertinents. Chacun des trois scénarios poursuit l’objectif général de proposer un contenu spécifique à chaque utilisateur, selon sa communauté user-need/thématique.

10

Dans le premier scénario, l’utilisateur est invité à découvrir un contenu orienté vers un couplage spécifique, à savoir l’actualité politique suisse et le user-need « donne-moi une perspective ». Dans le deuxième scénario, l’utilisateur est invité à découvrir un contenu labelisé avec le user-need « donne-moi une perspective » mais sans précision thématique, r e s p e c t i v e m e n t a v e c u n c h o i x t h é m a t i q u e l a i s s é à l’utilisateur. Dans le troisième scénario, le système de recommandation algorithmique propose à l’utilisateur d’aller vers le couplage le plus éloigné de son positionnement actuel. Le système propose alors ce que nous pourrions qualifier de voyage vers un contenu éloigné des intérêts actuels de l’utilisateur.

C e s s c é n a r i o s d e r e c o m m a n d a t i o n a l g o r i t h m i q u e s o n t techniquement faciles à mettre en œuvre. S’ils étaient implémentés dans l’application RTS, ils permettraient de mettre en avant certains contenus spécifiquement déterminés selon le positionnement de l’utilisateur. Dans la suite de cette contribution, ces scénarios sont avant tout utilisés comme illustrations des types de défis normatifs pertinents.