Introduction

Dans une ère où tout devient numérique, les influences de chaque individu se décuplent avec un accès illimité à l'information. On pourrait s'attendre à ce que l'utilisateur ait tout contrôle sur l'information qu'il consomme; ou alors, y a-t-il une force dont il n'a pas conscience qui influe ce qu'il voit ? Lorsque l'on fait une recherche sur un navigateur web, les résultats affichés sont contrôlés par l'algorithme de recommandations; ils sont donc, dans une certaine mesure, régis par le propriétaire de l'algorithme. En effet, certains sites web investissent des sommes conséquentes afin d'être mis en avant. Alors, l'accès à l'information ne nous fournit pas le résultat auquel on se serait attendu. Cette approche de l'information peut être mise en parallèle avec les bulles de filtres. Selon Pariser , elles désignent à la fois le filtrage de l'information qui parvient à l'internaute, et l'état d'«isolement intellectuel» et culturel dans lequel il se retrouve lorsque les informations recherchées sur Internet résultent d'une personnalisation mise en place à son insu. Dans notre cas nous allons nous intéresser au cas spécifique des bulles de filtre au sein de YouTube. Spécifiquement, est-ce-que YouTube nous enferme dans des bulles de filtre? Nous verrons alors si, à partir d'un utilisateur lambda, nous arrivons à apercevoir une tendance de YouTube à nous proposer du contenu similaire en fonction de ce que l'utilisateur à déjà regardé.

Outils et buts

Comme expliqué dans l'introduction, notre but est d'essayer de démontrer l'existence des bulles de filtre sur YouTube et de voir si certains sujets sont plus à même de nous bloquer dans une boucle. Pour ce faire, nous avons développé un protocole d'expérience (décrit par la suite) dans lequel nous nous laissons guider par l'algorithme de recommendations de YouTube et observons où cela nous mène.

Sur ce site, nous proposons divers outils afin de pouvoir naviguer aisément parmi les données récoltées. Tous les outils que nous vous proposons d'explorer sont intuitifs et intéractifs.

Dans nos expériences, nous avons utilisé le mot topic pour désigner les sujets auxquels on s'intéresse. De la même manière, nous avons utilisé le mot trajet pour désigner un trajet complet en se laissant guider par l'algorithme de recommendations YouTube.

Protocole d'expérience

Notre protocole d'expérience le plus récent fonctionne de la manière suivante:

• Chaque jour, nous sélectionnons 5 sujets d'actualité différents sur le site Google News
• Pour chacun des sujets, nous faisons une recherche avec un utilisateur vierge et nous sélectionnons 3 vidéos de départ différentes:
  • 1 vidéo avec moins de 5'000 vues
  • 1 vidéo entre 5'000 et 50'000 vues
  • 1 vidéo avec plus de 50'000 vues
• Nous laissons ensuite nos trois utilisateurs (un par point de départ) naviguer en suivant les recommendations durant 4 heures. Il est important de prêter attention aux choix d'implémentation suivants:
  • L'utilisateur ne regarde aucun live YouTube.
  • L'utilisateur regarde les vidéos pendant une durée maximale de 15 minutes.
  • Lorsqu'il est temps de passer à la vidéo suivante, l'utilisateur choisit une des vidéos proposées par l'algorithme en suivant une distribution de Poisson centrée entre la 2ème et la 3ème vidéo.

Réduction de données

Les données suivantes ont été collectées:

• Titre
• URL de la vidéo
• URL (+nom) de la chaîne
• Description
• Tags
• 100 premiers commentaires (si pas désactivés)
• Posteur (nom + url)
• Contenu (texte)
• Likes (nombre)

Comme nous avons récolté un grand nombre de données, pour obtenir des visualisations pertinentes, nous avons décidé de restreindre notre analyse à un sous-ensemble des données. Nous avons fait les choix suivants:

• Comme nous prenons les titres des recherches sur un site de news, il arrive que durant plusieurs jours d'affilés, les mêmes sujets fassent les gros titres. Nous avons décidé de se limiter à un ensemble de 3 trajets par sujet. Ceci a permis de diviser par 2.5 le nombre de trajets.
• Suite à cela, nous avons enlevé les vidéos pour lesquelles les tags n'étaient pas définis (en effet nous avons besoin de ces derniers pour faire notre analyse) et avons uniquemment gardé les trajets qui ont au moins 10 vidéos.

Nous commençons par vous montrer quelques visualisations sur notre récolte de données. Dans une étude réalisée précédemment, il a été suggéré que l'algorithme de recommendations YouTube a tendance à nous recommander des vidéos qui ont toujours plus ou moins le même nombre de vues. Ayant déjà remarqué cela au cours d'expériences personnelles, nous avons produit la visualisation suivante afin de vérifier si cette suggestion était encore d'actualité. Cette visualisation représente le nombre de vues à travers différents trajets.

A noter que l'axe des ordonnées est en échelle logarithmique, ce qui fait que les écarts sont plus grand que ce qu'il n'y paraît. Néanmoins, selon nos données, nous pouvons remarquer que Youtube n'a pas tendance à recommander des vidéos qui ont plus ou moins le même nombre de vues, contredisant la suggestion précédente. De plus, nous pouvons observer que le nombre de vues des vidéos à travers les trajets semblent plutôt rester stable voir augmenter plutôt que descendre. On pourrait alors en déduire que YouTube, via son algorithme de recommandations, nous pousse vers les contenus déjà populaires. Il s'en suit que la diversité du contenu se réduit de plus en plus vers "ce qui marche le mieux" et indirectement la vision des internautes est limitée à un nombre de sujets restreints.

Comme nous avons un grand nombre de données à disposition, nous avons décidé de pousser notre analyse et de voir si le nombre d'abonnés de la chaîne ainsi que la durée des vidéos sont aussi des critères d'encloisonnement. Cette première visualisation nous permet de visualiser la durée des vidéos rencontrées durant les trajets pour les différents sujets de notre étude.

On peut remarquer un phénomène similaire au précédent où la durée de la vidéo reste stable voir augmente. On peut observer que la durée des vidéos varie moins souvent. Par contre, lorsque cette dernière varie, le changement est assez drastique et est très souvent dirigé vers une durée plus longue.

Ici, nous présentons le nombre d'abonnés de la chaîne YouTube à travers les trajets.

Il est intéressant de remarquer que certaines chaînes sont très absorbantes. De notre côté, nous pouvons voir que la chaîne TEDx Talk est une chaîne dont on arrive pas à s'échapper. Dans nos données, au moins 3 trajets se sont "enfermés" dans cette chaîne jusqu'à leur fin. À nouveau, cela limite les utilisateurs à une vue des sujets traités dans les vidéos propres au créateur de contenu de ces chaînes là.

Après la récolte de données, nous sommes maintenant en mesure de faire l'analyse. Nous avons utilisé l'algorithme Latent Dirichlet Allocation (LDA) afin de modéliser des topics sur les tags des vidéos. Intuitivement, les tags qui ont un sens similaire sont censés être placés dans le même topic par l'algorithme. Une analyse humaine permettra ensuite de définir ce que représente le topic. Nous vous proposons de commencer par voir les différents mots qui étaient présents dans chacun des topics et le nom que nous avons donné au topic. Grâce à la liste déroulante ci-dessous, vous pourrez observer les 15 mots les plus représentatifs de chaque cluster selon l'algorithme.

Comme cette technique est basée sur du Machine Learning, elle n'est pas dépourvue de failles et certains mots pour lesquels l'algorithme trouve des similarités n'ont très peu, voir aucun, sens logique pour les humains. Nous pouvons voir des topics pour lesquels la classification des mots fonctionne très bien, comme par exemple le topic 7 qui a bien regroupé les mots Pirates des Caraïbes, Johnny Depp et Amber Heard à cause du procès actuellement en cours. Un autre example intéressant est le topic 5 qui contient tous les mots liés au conflit russo-ukrainien qui fait rage. On peut également trouver des exemples pour lesquels l'algorithme fonctionne moins bien, comme par exemple le topic 4 qui contient des mots avec des liens non-triviaux à trouver.

Maintenant que nous avons une idée de contenu de chaque topic, nous pouvons regarder l'évolution de la distribution des vidéos dans les topics lorsque l'on avance dans le temps. LDA attribue une distribution de probabilités sur les topics pour chaque vidéo. Par la suite, nous avons attribué le topic avec la plus grande probabilité comme étant le topic principal de la vidéo. Nous vous présentons à présent l'histogramme du nombre de vidéos par topic à chaque instant à travers les trajets. C'est à dire que nous montrons l'histogramme du nombre de vidéos par topic en ne considérant que les premières vidéos de chaque trajet, puis les secondes, puis les troisièmes, etc....

Afin de démontrer l'existence de grosses bulles de filtres, nous aurions espérer qu'un ou plusieurs topics allaient accumuler un grand nombre de vidéos au fur et à mesure que le temps avance. Malheureusement, on peut voir que dans nos données on n'observe pas ce genre de comportements. Nous allons donc explorer plus en détails ce qui se passe dans chaque trajet dans la prochaine section du site afin de montrer si certains des topics sont réellement des bulles de filtres ou non.

Comme nous nous intéressons aux bulles de filtres que YouTube possèdent probablement, nous avons décidé d'attribuer un topic à chaque trajet. Le topic choisi pour chaque trajet est simplement le sujet qui est le plus attribué aux vidéos dans ce trajet. En d'autres termes, le topic majoritaire dans les vidéos de ce trajet est attribuée à celui-ci. Avec cette nouvelle donnée, nous pouvons construire un histogramme du nombre de trajets par topic.

Si certains sujets se démarque clairement des autres en termes du nombre d'attributions aux parcours, cela suggère que ce sujet est relativement absorbant, i.e. un utilisateur a tendance à consommer beaucoup de contenus traitant de ce topic. Dans notre cas, nous pouvons observer que le sujet de la santé est particulièrement présent tandis que d'autres comme Ukraine-Russie le sont beaucoup moins.

Afin de visuellement vérifier si des sujets sont des bulles ou non, c'est-à-dire des sujets dont on a du mal à a se sort, nous vous proposons à présent l'outil suivant:

( Il est possible de scroller dans la visualisation) Chacune des lignes sur l'ordonnée correspond à un parcours, avec le thème de base ainsi que la catégorie du nombres de vues de la vidéo de départ. L'abscisse correspond à la posistion de la vidéo dans le parcours. Pour un parcours donné, la couleur affichée est la couleur du topic attribué à cette vidéo. De cette manière cette figure nous permet de voir comment les topics des vidéos au fur et à mesures d'une trajet. Nous pouvons observer que pour certains parcours, par exemple "3 American Bahamas", le même topic est visité durant plusieurs vidéos consécutives. Certains topics sont manquant, ceci est dû au fait que les vidéos correspondantes ne contenaient pas de tags. Nous ne pouvons donc pas les traiter avec notre modèle.

Nous concluons cette exploration interactive avec une visualisation un peu plus complexe à comprendre. Pour des questions de visualisations, nous avons projeté les vecteurs de probabilités des vidéos dans un espace en 2 dimensions avec TSNE. Grâce à cela, nous sommes en mesures de visualiser comment un trajet se déplace dans l'espace des vidéos. Intuitivement, si celui-ci ne bouge pas beaucoup, cela veut dire que la trajet reste bloquée dans un certain topic et que nous pouvons considéré ce topic comme une bulle de filtre comme il est très dur d'en sortir. Dans la visualisation ci-dessous, nous montrons simultanémenet les 3 départs différents pour un sujet recherché. Grâce à cela, il nous sera possible de voir si les vidéos plus ou moins vues ont tendance à rester bloquer dans des bulles de filtres ou non.