14 septembre 2016 515 mots, 3 min. de lecture

Algorithmes de recommandation: quelle est la taille de la « bulle de filtres »

Par Pierre-Nicolas Schwab Docteur en marketing, directeur de IntoTheMinds
Les algorithmes de recommandation ont été accusés de piéger les utilisateurs dans une bulle de filtres, de réduire le champ de l’information et les possibilité de découvertes (ce que les anglais appellent la « serependity »). Le plus grand adversaire des moteurs […]

Les algorithmes de recommandation ont été accusés de piéger les utilisateurs dans une bulle de filtres, de réduire le champ de l’information et les possibilité de découvertes (ce que les anglais appellent la « serependity »). Le plus grand adversaire des moteurs de recommandation est probablement Eli Pariser qui a inventé le terme même de «bulle de filtre » pour illustrer la manière dont des « filtres » extérieurs nous enferment dans une bulle.

En dépit des arguments très convaincants dans son livre 2011, Pariser n’a pas vraiment réussi à prouver ses théories avec des chiffres probants (ce qui est parfaitement compréhensible étant donné la nouveauté de ce sujet retour en 2011).
Ce que nous proposons de faire dans le billet d’aujourd’hui est de vous présenter les résultats d’une étude scientifique qui s’est précisément intéressé à ce phénomène. Les résultats pourraient ne pas être ceux que vous attendiez.

Le cadre de l’étude

L’étude est basée sur le moteur de recommandation de MovieLens et en particulier sur l’activité de 217,267 utilisateurs uniques depuis 1997. Quelque 20.000 films ont été notés et 20 millions de notes attribuées.

Ce qui a été étudié

Deux groupes d’utilisateurs ont été étudiés: ceux qui ont suivi les recommandations fournies par l’algorithme ( les «suiveurs») et ceux qui ne les ont pas suivies ( les «non-suiveurs»). Les auteurs ont étudié la diversité du contenu consommé en utilisant les métadonnées de chaque film. Nous ne rentrons ici pas plus dans les détails car cela intéresserait seulement une petite partie des lecteurs de ce blog. Si vous êtes un data scientist et que vous souhaitez plus d’informations, n’hésitez pas à nous écrire.
Passons maintenant aux résultats.

Résultats: existe vraiment une bulle de filtres ?

La première conclusion est que la diversité du contenu diminue légèrement au fil du temps, même pour les utilisateurs qui ne suivent pas recommandations proposées. Il semble donc que ne pas exposer les utilisateurs à des recommandations ne les empêche pas de rétrécir d’eux-mêmes le champ du contenu qu’ils consomment.
La deuxième conclusion est que la diversité des films regardés diminue plus pour les « non-suiveurs» que pour «suiveurs». C’est un résultat très contre-intuitif.
La troisième conclusion est que les suiveurs étaient plus satisfaits par les films qu’ils regardaient que les non-suiveurs. Au fil du temps en effet, les notes attribuées par les suiveurs étaient meilleures que celles données par les non-suiveurs, ce qui suggère que le moteur de recommandation a fait correctement son travail en proposant les bons films.

Conclusion

Cette étude contredit l’existence de la bulle de filtres et montre que l’algorithme de recommandation a en fait un effet légèrement positif pour la découverte de contenus.
Cependant, l’effet est si faible qu’il en devient marginal et beaucoup de recherches sont encore nécessaires pour faire des moteurs de recommandation des moteurs d’exploration favorisant la curiosité et « sérépendité ».



Publié dans Data et IT, Innovation, Marketing.

Donnez votre avis

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *