缅北强奸

Or, de plus en plus, des lacunes sont d茅montr茅es dans bon nombre de ces 茅tudes, d鈥檕霉 la n茅cessit茅, pour les chercheurs, d鈥櫭﹙iter les pi猫ges redoutables de l鈥檜tilisation de vastes corpus de 诲辞苍苍茅别蝉 issues des m茅dias sociaux, selon des informaticiens de l鈥橴niversit茅听缅北强奸, 脿 Montr茅al, et de l鈥橴niversit茅听Carnegie听Mellon, 脿 Pittsburgh.

Ces r茅sultats erron茅s peuvent avoir de lourdes cons茅quences. En effet, chaque ann茅e, des milliers d鈥檃rticles de recherche reposent maintenant sur les 诲辞苍苍茅别蝉 issues des m茅dias sociaux. 芦听Bon nombre de ces articles sont utilis茅s par le public, l鈥檌ndustrie et le gouvernement pour motiver et justifier des d茅cisions et des investissements 听禄, affirme Derek听Ruths, professeur adjoint 脿 l鈥櫭塩ole d鈥檌nformatique de l鈥橴niversit茅听缅北强奸.

Dans un article publi茅 dans le num茅ro du 28听novembre听2014 de la revue scientifique Science, Derek听Ruths et J眉rgen听Pfeffer, de l鈥橧nstitut de recherche logicielle de l鈥橴niversit茅 Carnegie Mellon, font ressortir plusieurs probl猫mes associ茅s 脿 l鈥檜tilisation de 诲辞苍苍茅别蝉 issues des m茅dias sociaux听鈥� et proposent des strat茅gies permettant de les surmonter. Ils mentionnent notamment les probl猫mes suivants听:

• les diverses plateformes de m茅dias sociaux attirent diff茅rents types d鈥檜tilisateurs. Pinterest, par exemple, int茅resse surtout les femmes de 25 脿 34听ans, mais les chercheurs corrigent rarement l鈥檌mage biais茅e que ces 茅chantillons peuvent donner;
• les sources de 诲辞苍苍茅别蝉 accessibles publiquement refl猫tent rarement l鈥檈nsemble des 诲辞苍苍茅别蝉 des m茅dias sociaux, et les chercheurs ignorent g茅n茅ralement quand et comment les m茅dias sociaux filtrent leurs flux de 诲辞苍苍茅别蝉;
• la conception des plateformes de m茅dias sociaux peut dicter la fa莽on dont les utilisateurs se comportent et, par cons茅quent, le type de comportements qu鈥檌l est possible de mesurer. Ainsi, sur Facebook, l鈥檃bsence d鈥檜n bouton 芦听je n鈥檃ime pas听禄 rend plus difficile la d茅tection de r茅actions n茅gatives au contenu que la pr茅sence d鈥檜n bouton 芦听j鈥檃ime听禄 t茅moignant de r茅actions positives;
• un grand nombre de polluposteurs (芦听spammers听禄) 听et de bots, qui se font passer pour des utilisateurs normaux sur les m茅dias sociaux, sont int茅gr茅s par erreur 脿 de nombreuses mesures et pr茅dictions du comportement humain;
• les chercheurs font souvent 茅tat de leurs r茅sultats pour des groupes d鈥檜tilisateurs, de sujets et d鈥櫭﹙茅nements faciles 脿 classifier, donnant ainsi l鈥檌llusion que les nouvelles m茅thodes sont plus exactes qu鈥檈lles ne le sont en r茅alit茅. Ainsi, les efforts visant 脿 d茅terminer l鈥檕rientation politique d鈥檜tilisateurs de Twitter ne sont exacts qu鈥� 65听% dans le cas des utilisateurs types, et ce, m锚me si certaines 茅tudes (bas茅es sur des utilisateurs politiquement actifs) ont fait 茅tat d鈥檜ne exactitude de 90听%.

Selon Derek听Ruths et J眉rgen听Pfeffer, des solutions bien connues 脿 bon nombre de ces probl猫mes ont d茅j脿 茅t茅 trouv茅es par des disciplines telles que l鈥櫭﹑id茅miologie, la statistique et l鈥檃pprentissage machine. 芦听Ces probl猫mes ont ceci en commun que les chercheurs doivent savoir exactement ce qu鈥檌ls analysent r茅ellement lorsqu鈥檌ls travaillent 脿 l鈥檃ide de 诲辞苍苍茅别蝉 issues des m茅dias sociaux听禄, affirme Derek听Ruths.

Les sp茅cialistes des sciences sociales ont d茅j脿 affin茅 leurs normes et leurs techniques afin de relever ce type de d茅fi avec succ猫s. 芦听La c茅l猫bre manchette de 1948 鈥淒ewey d茅fait Truman鈥� vient du fait que les sondages t茅l茅phoniques avaient sous-茅chantillonn茅 les partisans de Truman dans la population g茅n茅rale听禄, explique le professeur听Ruths. 芦听Or, plut么t que de discr茅diter de fa莽on permanente le recours aux sondages, cette erreur monumentale a men茅 aux m茅thodes de sondage plus 茅volu茅es et plus exactes, ainsi qu鈥檃ux normes plus strictes que nous connaissons aujourd鈥檋ui. Nous en sommes maintenant 脿 un tournant technologique semblable. En nous attaquant 脿 ces probl猫mes, nous pourrons mesurer pleinement les avantages que comporte la recherche fond茅e sur les 诲辞苍苍茅别蝉 issues des m茅dias sociaux.听禄

Social Media for Large Studies of Behavior, Derek听Ruths et J眉rgen听Pfeffer, Science, 28听novembre听2014.听

听

听