Les votes négatifs, ou l'histoire d'un échec
Par Qwerty le Temps de lecture estimé : 10min 0 Commentaire
Le Big Data montre que les votes négatifs engendraient un cercle vicieux menant à une mauvaise vision de soi
par The Physics arXiv Blog
Une théorie classique de la psychologie comportementale prédit que les punitions pouvaient influencer le comportement. Mais la première étude du comportement du vote en ligne dans les réseaux sociaux montrent l’inverse.
Dans les années 1930, le psychologue américain Burrhus Skinner popularise la notion de conditionnement opérant, auquel le comportement futur d’un individu est déterminé par les punitions et les récompenses qu’il ou elle a reçu dans le passé. Cela signifie que les schémas spécifiques du comportement peut être induits en punissant des actions non désirées tout en récompensant ceux qui sont désirés. Et cela fonctionne certainement chez les rats ou les pigeons.
L’idée est depuis devenue un des fondements de la psychologie comportemental et est un important moteur dans la conception et le fonctionnement des réseaux sociaux. Beaucoup ont des systèmes qui permettent de voter positivement ou négativement certains contenus. Les votes positifs peuvent être une récompense encourageante tandis que les votes négatifs est une punition et décourage.
En théorie, cela devrait encourager les contributeurs à créer de meilleurs contenus, plus successible d’être encouragé. C’est ce que dit en théorie les hypothèses du conditionnement opérants.
Mais cela se fait sur les vrais réseaux sociaux ? Aujourd’hui, grâce au travail de Justin Cheng de l’université de Sandford à Palo Alto et de quelques amis nous le découvrons.
Ces personnes ont mesuré que les votes positifs et négatifs influencent le comportement de nombreux contributeurs de différents réseaux sociaux.
Et le résultat est loin d’être rassurant.
Il est évident qu’un contributeur qui a des votes négatifs produit un contenu de moins bonne qualité dans le futur qu’il est évalué vers le bas par les autres personnes du réseau.
De plus, les personnes qui ont le plus de votes négatifs sont ceux les plus successibles de voter négativement les autres. Le résultat est un cercle vicieux d’une augmentation d’un comportement négatif qui est le total opposé de l’effet recherché.
Cheng et ses compères ont commencés à compiler une base de données de commentaires associées à de nouveaux articles de quatre communautés en ligne : CNN.com, un site général d’information ; Breitbart, un site d’actualité politique ; IGN, un site d’actualité de jeux vidéos et Allkpop.com, un site de divertissement sud-coréen. Les données incluent 1,2 millions de discussions avec 42 millions de commentaires et 114 millions de votes venant de 1,8 millions d’utilisateurs différents.
Les chercheurs ont mené une enquête sur Amazon’s Mechanical Turk et ont interrogé les personnes sur le vote de la qualité des commentaires des différentes communautés étudiées et le pourcentage des votes positifs que ont reçu les commentaires avait une corrélation avec l’évaluation humaine. Cela a confirmé que le pourcentage de vote positifs, est en effet, une bonne mesure de la qualité d’un commentaire.
L’équipe de Cheng ont construit une machine algorithmique d’apprentissage automatique qui prédisaient la qualité d’un post en examinant les mots qu’ils contenaient. Ils ont formé l’algorithme sur la moitié des messages dans la communauté et ont constatés que ses notes étaient bien corrélées avec notes effectivement données. Donc l’algorithme était un moyen automatique de notation de la qualité de chaque poste dans leur ensemble de données.
Puis vient l’expérience réelle. Ils ont utilisé l’algorithme auto-apprenant pour trouver des commentaires d’égal qualité mais avec des différences de notation : une partie avait reçu des votes positifs de la part de la communauté alors que l’autre a reçu des votes négatifs. En d’autres termes, une partie des commentaires ont reçu plus de vote positifs tandis que l’autre à reçu plus de votes négatifs.
Ils ont ensuite évalué la production future des auteurs de ces messages pour mesurer l’effet d’évaluations positives et négatives.
Les résultats sont éclairants : « Nous constatons que le retour négatif conduit à des changements de comportement importants qui nuisent à la communauté » déclare l’équipe de Cheng.
« Non seulement les auteurs au contenu négatif contribue d’avantage, mais leurs futurs commentaires sont de qualité inférieur et sont perçus par la qualité comme tels ». Et le pire vient : « Ces auteurs sont plus susceptibles d’évaluer par la suite les autres utilisateurs négativement, ces effets se répercutant, se répandent dans toute la communauté ».
Par contraste, les retours positives ne semble pas influencer les auteurs. Ils ne les encouragent pas à écrire plus ni améliore la qualité de leurs messages. Curieusement, les auteurs qui ne reçoivent pas de retour sont plus susceptibles de quitter la communauté. « étonnamment, nos résultats ont un sens contraire de ce qui était attendu dans le cadre d’un conditionnement opérant. » déclare Chang.
Ce qui pointe vers une stratégie évidente pour améliorer la qualité des commentaires sur un réseau social. De toute évidence, le retour négatif de mauvais utilisateurs ne semble pas être un bon moyen pour éviter les comportements indésirables.
Mais comment alors arrêter les comportements indésirables ? « étant donné que les utilisateurs qui reçoivent aucun retour semble quitter la communauté, une stratégie potentiellement efficace consiste simplement à ignorer leur comportement indésirable en arrêtant de leur faire des retours. » déclare Cheng.
C’est une étude intéressante qui offre un aperçu fascinant de la nature complexe des interactions sociales. Et sauvegarde certains types d’expérience de la vie réelle.
Mais en même temps, les parents ont aussi besoin d’un moyen efficace dans la prévention des incidents et les comportements indésirables quand nécessaire.
Le travail de Cheng suggère clairement d’ignorer les mauvais comportements est un moyen efficace de décourager et que les réseaux sociaux peuvent l’explorer de manière profitable. Mais, en même temps, ces sites ont besoin d’intervenir rapidement si nécessaire, sur certains types de comportement.
Ce qui est nécessaire maintenant est une expérimentation de cette idée. Il y a certainement des réseaux sociaux qui permettent de voter, mais pas de manière négatif.
Une question intéressante à se poser est l’étude de réseaux sociaux riche en opinion et autorisant les deux types de votes. En d’autres termes, ce genre de paramètres ont d’autres conséquences que Cheng n’a pas encore pris en compte.