1. LA CULTURE
ALGORITHMIQUE
Expérience personnalisée ou « bulle de
filtre » (Eli Pariser) ?

2. Comment les systèmes de recommandation personnalisée
engendrent-ils deux phénomènes contradictoires :
l’innovation, pour les entrepreneurs
et, selon Lawrence Lessig, le repli des utilisateurs dans des
« bulles d’information » ?
I- L’offre culturelle adaptée en fonction des goûts et des
comportements des publics
II- Le pouvoir des systèmes de recommandation sur les
contenus et les limites des utilisateurs
III- L’avenir des algorithmes, entre innovation, éthique et
hyperpersonnalisation

3. I- L’OFFRE CULTURELLE
ADAPTEE EN FONCTION
DES GOÛTS ET DES
COMPORTEMENTS DES
PUBLICS
Les limites de recommandation d’Amazon
Les publics, une donnée essentielle dans la réalisation des
séries Netflix

4. I- L’offre culturelle adaptée en fonction des goûts
et des comportements des publics
1.1 La systématisation et l’automatisation du phénomène
de prescription sociale Amazon
1.2 L’importance des choix et préférences des publics dans
la réalisation des séries Netflix

5. Prescription sociale par Amazon
• « Item-to-item
collaborative filtering »
• Popularité engendre
de la popularité
• Facilitateur
• Influence ou renforce
les habitudes de lecture
• Evolution : mariage
avec réseaux sociaux

6. 1.2 L’IMPORTANCE DES CHOIX
DES PUBLICS DANS LA
RÉALISATION DES SÉRIES
NETFLIX
Changement de paradigme : c’est la
personnalisation qui compte, et plus la
recommandation ou le contenu du catalogue.

7. Processus de recommandation Netflix
1. Recommandation par grandes catégories (comme
VOD)
1. Promotion des contenus en Une de la boutique
1. Personnalisation des recommandations en fonction de
l’historique de visionnage

8. Etape 1 : Recommandation par
grandes catégories

9. Etape 2 Promotion des contenus en
Une de la boutique

10. 3 : Personnalisation des recommandations en fonction de
l’historique de visionnage
4 : Prédiction : ce qui plaira dans le futur à l’usager
(après avoir visionné la série The Get Down :
personnages noirs, hip hop américain, ville dans le Bronx
ghetto)

11. Les notations permettent d’affiner
la recommandation personnalisée

12. Processus de recommandation Netflix
4. Prédiction : ce qui plaira dans le futur à l’usager
5. Nouvelle étape et originalité Netflix : création de
nouveaux contenus grâce aux data sciences
• Culture consommée via des algorithmes
• Culture produite grâce aux algorithmes qui analysent les
comportements et goûts des usagers

13. Les failles de l’algorithme de Netflix
• Recommandations pour masquer un catalogue peu
fourni ?
• Réduction de la diversité culturelle ? Dictature de la
popularité
• Restriction des horizons culturels ?

14. Un catalogue peu fourni
Absence de la série
peu connue Pushing
Daisies
Absence du classique
Titanic  propose
d’autres classiques :
Forrest Gump, Dirty
Dancing

15. Une diversité culturelle en péril ?
•Après visionnage de The Get Down, les thématiques des
recommandations sont : le ghetto, le hip-hop ou le rap, les
Afro-Américains -> pas d’élargissement des horizons.

16. II- LE POUVOIR DES SYSTEMES
DE RECOMMANDATION
SUR LES CONTENUS
CULTURELS ET LES LIMITES
DES UTILISATEURS
Une étude du fonctionnement de la culture algorithmique
à travers des cas d’usage

17. 2.1 La topocratie d’Instagram ou sa régulation et sa
hiérarchisation des photos postées par les utilisateurs
2.2 Le plafond de verre de YouTube pour les créateurs et
les minorités
II- Le pouvoir des systèmes de recommandation
sur les contenus culturels et les limites des
utilisateurs

18. 2.1 LA RÉGULATION ET LA
HIÉRARCHISATION D’INSTAGRAM
DES PHOTOS DES UTILISATEURS
OU SA TOPOCRATIE

19. D’une timeline antéchronologique à une
timeline algorithmique
● Constat : 70% des contenus masqués
● Permet un(e) :
- plus grande réactivité
- optimisation de l’expérience
- temps plus long de l’utilisateur passé sur l’application
● Conserve du pouvoir sur le contenu et sur sa diffusion
● Basé sur l’algorithme de Facebook (Newsfeed Rank
Algorithm)

20. Comment ça marche ?
Un post Instagram sera montré dans une timeline selon :
L’engagement généré par la publication
Les interactions entre l’utilisateur
et le compte à l’origine de la publication
La probabilité que l’utilisateur trouve la publication
intéressante

21. Conséquences
● Économique : développement de l’offre business et
pousse les marques à sponsoriser leurs posts
● Fait apparaître les influenceurs
● Donne naissance à Tribegram Lab, 1ère agence
française de conseil en stratégie social média sur
Instagram

22. 2.2 Le plafond de verre de YouTube
pour les créateurs et les minorités
L’algorithme YT est conçu pour faire la promotion de
chaînes, et non celle de vidéos individuelles.
Mais l’algorithme YT se sert des vidéos pour
promouvoir des chaînes individuelles.

23. Le paradoxe YouTube
• Pas de ligne éditoriale mais une volonté de capter l’utilisateur
le plus longtemps possible sur la plateforme
→ clôture informationnelle
• Mix entre :
• Suggestions adaptées à l’utilisateur
• Tendances = ce que l’ensemble va aller regarder (au
détriment des abonnements)
• Conditions pour devenir célèbre et invisibilisation de certaines
personnes → reproduction des inégalités sociales

24. YouTube : une recommandation
ultrapersonnalisée qui fonctionne mal
Propose de revoir des vidéos, recommande des vidéos
similaires du même artiste : on ne sort pas des sentiers
battus.

25. Tendances : ce que la majorité
voudrait voir (selonYouTube)
Aucun lien avec mes abonnements

26. Tri dans les abonnements : par
date et par popularité
Certaines vidéos n’ont même pas encore été visionnées,
d’autres sont en rapport avec l’actualité (nouvelle année).
Dans tous les cas, 5 vidéos seulement dans le « récents »

27. 2.3 Le paradoxe des plateformes musicales :
un algorithme de plus en plus performant et de
plus en plus limité

28. Historique : Pandora et son
algorithme d’appariement
● Lancé en 2000 par le Genome Musical Project
● Le but : une description complète et organisée des
chansons à l’aide en se basant sur des “gênes” bien
précis
● Le résultat : création d’un algorithme d’appariement

29. Deezer et Spotify
On observe 3 types de recommandations :
→ Recommandation personnalisée en fonction des
écoutes et des recherches précédentes
→ Système content-based : recommande les titres les plus
proches de ce que l’on écoute
→ Recommandation sociales, collaboratives en fonction
de ce que les utilisateurs qui seraient les plus proches de
nos goûts sont aussi écouté et recherché

32. Les limites de la recommandation
musicale
• Problème d’échelle : délaisse les artistes moins populaires
• Ne peut pas connaître la question de l’intensité de l’attention
• N’est finalement que le reflet de traces d’usages et non pas
d’usages
• Limitée dans son champ d’action : ne peut pas prendre en
compte nos autres pratiques musicales (physiques, concerts,
etc)

33. III- L’AVENIR DES
ALGORITHMES ENTRE
INNOVATION, ETHIQUE ET
HYPERPERSONNALISATION
Et si les algorithmes connaissaient tout de nous ?

34. 3.1 La confiance entre les utilisateurs et les plateformes
innovantes : une priorité de la CNIL
3.2 Une expérience personnalisée adaptée à la bulle de
l’utilisateur : son environnement sensible et son psychisme
III- L’avenir des algorithmes entre innovation,
éthique et hyperpersonnalisation

35. 3.1 La confiance entre les utilisateurs
et les plateformes innovantes : une priorité de la CNIL
4 axes de la CNIL
1) Information et consentement des utilisateurs : écrans
d’installation, des écrans d’autorisation d’accès, des
notifications contextuelles
1) Droit à la portabilité pour l’utilisateur
1) Transparence des algorithmes
1) Loyauté

36. 3.2 Une expérience personnalisée, adaptée à la bulle
de l’utilisateur : son environnement sensible et son
psychisme
• Pour une prédiction plus personnalisée : la prise en
compte du contexte sensible (context awareness) +
algorithmie
→ ex : Traumadata
• Pour des services ambiants : analyse des sentiments, de
l’humeur et des émotions + objets connectés et capteurs
→ ex : Life Tracks / The Collective Mood Master

37. 3.2 Une expérience personnalisée, adaptée à la bulle
de l’utilisateur : son environnement sensible et son
psychisme
• Engagement des utilisateurs dans la création
cinématographique : une frontière plus floue
entre créateurs et consommateurs
→ ex : HyperMovie Generator

38. Un service hyper personnalisé : chaque utilisateur
a un profil et des recommandations sur mesure

39. 3.3 L’algorithme comme oeuvre d’art
« L’artiste qui crée l’algorithme est toujours en mesure de le
modifier donc il n’y aura pas d’art sans artiste. La communication
intermachines est intéressante si on conserve un esprit critique,
une volonté de détournement. Le code est un art ».
Anne-Cécile Worms, fondatrice de Art2M

40. Exemple d’image produite par l’algorithme Deep
dream de Google

41. « L’algorithme n’est qu’une
recette qu’on utilise. Les
aides des grands peintres de
la Renaissance suivaient
déjà à la lettre des
indications précises.
L’algorithmique dans l’art
existait bien avant les
ordinateurs ».
Jean-Pierre Hébert

42. Viper’s Nest, une œuvre de la série WAR (2015)

43. Bibliographie
Article de périodique
COUSIN, Olivier. « Dominique Cardon, À quoi rêvent les algorithmes. Nos vies à
l’heure des big data, Paris, Le Seuil, 2015, 108 p. », La nouvelle revue du travail [En
ligne], 8 | 2016, mis en ligne le 14 juin 2016, consulté le 28 décembre 2016. URL :
<http://nrt.revues.org/2757>
DE MEYER, Thibault. « Dominique Cardon, À quoi rêvent les algorithmes », Lectures
[Online], Reviews, 2016, Online since 05 April 2016, connection on 20 October 2016.
<http:// lectures.revues.org/20554 >
GUITON, Amaëlle. Lawrence Lessig : « On doit s’inquiéter de la manière dont
Internet nourrit la polarisation ». Libération, décembre 2016, p. 22-23.

44. Articles dans un périodique électronique
JACQUIN, Jean–Baptiste. Rand Hindi, l’homme qui veut disparaître les technologies. Le Monde. [en
ligne]. 22 juillet 2015. Mis à jour le 23 juillet 2015. (Page consultée le 23 décembre 2016).
http://abonnes.lemonde.fr/festival/article/2015/07/22/rand-hindi-l-homme-qui-veut-faire-disparaitre-les-
technologies_4693695_4415198.html
http://www.slate.fr/story/114807/algorithme-netflix-diversite
http://mashable.com/2016/01/11/netflix-search-codes/#lYoAaN_zsqqa
http://abonnes.lemonde.fr/televisions-radio/article/2014/09/12/l-algorithme-de-netflix-un-cerveau-a-la-
place-du-c-ur_4486880_1655027.html
http://www.lesinrocks.com/2015/02/02/actualite/et-si-le-fameux-algorithme-de-netflix-netait-en-fait-
quun-humain-11558401/
http://www.presse-citron.net/netflix-fait-un-pas-de-plus-dans-sa-quete-de-lalgorithme-de-
recommandation-parfait/

45. Articles dans un périodique
électronique
http://www.techradar.com/news/internet/how-spotify-netflix-and-
amazon-s-powerful-discovery-tools-control-our-habits-1216211/2
http://www.dansmesinternets.fr/lalgorithme-de-youtube-est-il-injuste/
http://www.tubefilter.com/2016/06/23/reverse-engineering-youtube-
algorithm/
http://www.20minutes.fr/culture/1784559-20160212-tente-explorer-
algorithme-youtube
http://e-penser.com/index.php/2016/12/12/y-a-t-il-un-probleme-
youtube/
http://labs.hadopi.fr/actualites/bienvenue-sur-votre-amazon-les-
systemes-de-recommandation-douvrages.html