Un outil réduit l'animosité politique dans le fil X ^{CEFR B2}

Des chercheurs ont mis au point et testé une extension de navigateur, appuyée par un grand modèle de langage, capable de réduire l'animosité partisane dans le fil X d'un utilisateur sans supprimer de publications et sans coopération directe de la plateforme. L'outil scanne les posts pour repérer des attitudes antidémocratiques et de l'animosité — par exemple des appels à la violence ou à l'emprisonnement d'adversaires — puis réordonne le fil pour que ces messages apparaissent plus bas ou plus haut. Le réordonnancement s'opère en quelques secondes.

Dans les expériences, environ 1 200 volontaires ont utilisé l'outil pendant dix jours lors de l'élection de 2024. Des essais distincts de sept jours ont placé des groupes devant un fil avec contenu rétrogradé, d'autres devant un fil avec contenu survalorisé, et un groupe témoin n'a subi aucun réordonnancement. Aucune publication n'a été effacée : seules leurs positions ont changé.

Les participants exposés à moins de contenu ciblé se sont déclarés « plus chaleureux » envers des personnes du parti opposé, tandis que ceux exposés à davantage de ce contenu se disaient « plus froids ». L'amélioration moyenne mesurée sur une échelle de 1 à 100 a été de deux points, un effet que les auteurs jugent comparable au changement estimé des attitudes dans la population américaine sur trois ans. Le projet, interdisciplinaire, mobilise l'informatique, les sciences de l'information, la psychologie et la communication, et s'appuie sur des travaux de sociologie pour définir des catégories de contenu nuisible (rejet de la coopération bipartite, scepticisme envers des faits favorisant l'autre camp, disposition à sacrifier des principes démocratiques pour aider un parti).

Les auteurs ont publié le code pour permettre à d'autres de créer des systèmes de classement indépendants. Le travail a reçu le soutien de la National Science Foundation, de la Swiss National Science Foundation et d'une bourse Hoffman-Yee du Stanford Institute for Human-Centered Artificial Intelligence, et comporte des co-auteurs affiliés à Northeastern et Stanford. Selon Martin Saveski (University of Washington), l'outil offre la possibilité aux chercheurs externes d'étudier la conception des algorithmes; Tiziano Piccardi (Johns Hopkins University) explique que l'exposition au contenu ciblé affecte directement le sentiment de chaleur envers l'autre camp. L'étude suggère ainsi que les utilisateurs pourraient un jour reprendre davantage de contrôle sur les algorithmes qui orientent leur attention en ligne.