Analyse des bots et des interactions factices : comment distinguer la véritable opinion publique ?

Le fait que des centaines de milliers de publications soient faites sur un sujet ne signifie pas que des centaines de milliers de personnes pensent la même chose.

• Un contenu peut être partagé des milliers de fois.
• Une marque peut recevoir un engagement extraordinaire en peu de temps.
• Un sujet politique peut soudainement se retrouver au centre de l'actualité.

Or, dans le monde numérique, tout mouvement visible ne représente pas toujours un comportement humain organique.

Les comptes bots, les faux profils, le spam, les mouvements coordonnés et les interactions artificielles peuvent gonfler la visibilité numérique et présenter un tableau différent de la réalité analysée.

C'est pourquoi la vraie question ne se limite pas à la première :

Un engagement élevé ne signifie pas un soutien élevé

Supposons qu'une campagne reçoive des millions d'interactions.

À première vue, on pourrait croire à un écho social très puissant.

Mais si l'on observe que les mêmes comptes interagissent constamment entre eux, que des contenus similaires se répètent ou que des schémas comportementaux inhabituels se forment, le tableau change.

D'ailleurs, les recherches menées sur l'intégrité des réseaux sociaux montrent que, pour détecter les activités suspectes, on peut examiner non seulement les comptes eux-mêmes, mais aussi la structure des interactions entre eux et les schémas temporels.

Il faut donc distinguer le volume d'engagement de l'impact réel.

Qu'est-ce qu'un bot, qu'est-ce qu'une interaction factice ?

Un bot est un compte capable d'effectuer certaines activités de manière automatisée.

Mais du point de vue de l'analyse, la question ne se limite pas à savoir si un compte est automatisé ou non.

Le problème est plus large : faux comptes, comportements de spam, likes artificiels, publications répétées, mouvements coordonnés et schémas d'interaction qui s'écartent du comportement naturel des utilisateurs.

De plus, le comportement des comptes automatisés peut devenir de plus en plus réaliste. Le fait que, dans les recherches à grande échelle sur les réseaux sociaux, on puisse simuler des bots capables d'imiter le comportement humain montre que cette distinction ne peut pas se faire uniquement sur la base de caractéristiques de profil simples.

Mille personnes disent-elles le même message, ou mille comptes répètent-ils un seul message ?

Cette distinction revêt une importance capitale.

Vu de l'extérieur, un volume de conversation élevé peut apparaître dans les deux cas.

Mais le premier peut indiquer qu'un large public exprime spontanément des opinions similaires, tandis que le second peut résulter d'un mouvement coordonné.

C'est pourquoi l'analyse ne doit pas se limiter au nombre total de contenus ; il faut aussi examiner les similitudes comportementales, le minutage, les relations d'interaction, les schémas de répétition et la structure de diffusion du mouvement.

L'objectif n'est pas d'apposer arbitrairement l'étiquette « bot » sur des comptes pris isolément.

L'objectif est de pouvoir distinguer les structures non naturelles présentes dans les données.

Comment l'analyse des interactions factices induit-elle en erreur ?

Un mouvement artificiel non filtré peut affecter de nombreux aspects de l'analyse.

• Un sujet peut sembler plus populaire qu'il ne l'est réellement.
• Une opinion peut être perçue comme plus forte qu'elle ne l'est.
• La répartition des sentiments peut être faussée.
• Le classement des tendances peut être perturbé.
• Un contenu donné peut sembler être devenu viral de manière organique.
• Le soutien ou l'opposition envers un acteur politique peut être évalué de manière différente de la réalité.
• La performance de campagne d'une marque peut sembler artificiellement élevée.

En définitive, le problème ne se limite pas à celui des « faux abonnés ».

L'opinion publique réelle et le bruit numérique ne sont pas la même chose

Sur les plateformes numériques, l'opinion la plus visible n'est pas toujours l'opinion la plus répandue dans la société.

• Certains utilisateurs produisent beaucoup plus de contenu.
• Certaines communautés s'organisent de façon plus structurée.
• Certains sujets gagnent algorithmiquement davantage de visibilité.

Lorsqu'on y ajoute les bots et les interactions factices, interpréter directement le volume numérique comme l'opinion publique devient encore plus risqué.

C'est pourquoi, en particulier dans les analyses politiques et sociétales, il faut préserver cette distinction :

Un mouvement coordonné est-il toujours le fait de bots ?

Non.

Cette distinction compte également.

De vraies personnes peuvent elles aussi participer de façon organisée à la même campagne, utiliser le même hashtag ou partager des messages similaires.

L'observation d'une coordination ne signifie donc pas automatiquement qu'il s'agit d'une activité factice.

L'objectif de l'analyse ne doit pas être d'aboutir à une conclusion prédéterminée, mais d'évaluer les comportements suspects à travers différents indicateurs.

C'est précisément là que l'approche fondée sur les preuves prend toute son importance.

Il doit être possible d'expliquer pourquoi un compte ou un mouvement est jugé suspect.

Le tableau change-t-il lorsqu'on retire les bots ?

C'est l'une des comparaisons les plus précieuses.

Dans les données brutes, un sujet peut paraître très fort.

Mais une fois les comptes suspects, le spam et les structures répétitives filtrés, le poids réel de la conversation peut changer.

Parfois, l'écart est faible.

Parfois, un tableau complètement différent apparaît.

C'est pourquoi il ne faut pas se contenter de la première question, mais poser aussi la seconde :

Un mouvement factice peut aussi bien créer une crise que donner l'illusion d'un succès

L'interaction artificielle ne se retrouve pas uniquement dans les campagnes négatives.

• Il peut aussi s'agir d'un soutien artificiel envers une marque.
• Le succès d'un contenu peut être présenté comme plus grand qu'il ne l'est.
• La visibilité du soutien à un acteur politique peut être gonflée artificiellement.
• La négativité envers un concurrent peut être amplifiée.

L'analyse des interactions factices n'est donc pas seulement un mécanisme de défense.

C'est une couche d'analyse qui préserve la fiabilité des données.

Une analyse véritable interroge d'abord l'authenticité des données

Analyser des millions de données peut sembler impressionnant.

Mais si ces données contiennent un mouvement artificiel, davantage de données ne signifie pas toujours un résultat plus juste.

C'est pourquoi un système d'analyse solide ne doit pas se contenter de collecter des données.

Il doit aussi en interroger la qualité.

• Qui parle ?
• Le comportement est-il naturel ?
• Existe-t-il des structures répétitives ?
• Où se situent les mouvements inhabituels ?
• Le résultat change-t-il lorsqu'on retire les comptes suspects ?
• Et sur quelles données repose le résultat obtenu ?

Car ce qui compte pour le décideur n'est pas de savoir à quel point le monde numérique est bruyant.

Ce qui compte, c'est de pouvoir percevoir le véritable signal derrière le bruit.