1 L’effet des algorithmes sur le filtrage des informations des plateformes en ligne est au cœur de vives interrogations depuis une décennie. Pourtant, face à l’augmentation exponentielle du volume d’informations disponibles, les systèmes de tri ou de filtrage sont devenus indispensables et permettent d’éviter le phénomène de surabondance de choix (ou choice overload) tel que décrit par le sociologue américain Alvin Toffler (1970), qui se manifesterait par l’incapacité de l’usager à faire des choix. Dans le processus de guidage d’un internaute, au terme duquel seule une infime partie de ce qui existe sur l'internet lui est perceptible, le design d’interface des offreurs de service en ligne est une composante essentielle. Le choix est en général présenté de manière hiérarchique, organisé selon différents critères, qui incitent l’utilisateur à s’orienter vers tel ou tel type d’information selon une classique stratégie de « nudge » (Thaler et Sunstein, 2008).

2 L’importance de la hiérarchie des informations présentées à des individus a fait l’objet de nombreux travaux, en particulier dans le domaine des neurosciences. Il a été démontré qu’il existe un effet de primauté des premiers et derniers résultats qui sont habituellement mieux repérés que ceux présentés au milieu d’une liste (Ebbinghaus, 1913 ; Murdock, 1962 ; Ward et Tan, 2004). Ces travaux trouvent une application concrète sur le Web puisqu’il s’agit d’un environnement ordonné verticalement, hiérarchisant et priorisant l’accès à certaines informations Des études mobilisent en particulier l’oculométrie pour comprendre comment interagissent les utilisateurs avec les pages de résultats des moteurs de recherche ou les sites d’informations en ligne (Granka et al., 2004 ; Pignard-Cheynel et Reynier, 2011).

3 Si le positionnement d’une information sur une interface est un enjeu primordial, comment peut-on expliquer que certaines d’entre elles soient mieux placées que d’autres ? La notion d’information regroupe des réalités protéiformes, de celles proposées par un moteur de recherche à de l’actualité en ligne sur les réseaux sociaux, au partage de photos, de titres musicaux sur des services de streaming ou encore des offres de vidéos à la demande. Chacun des services concernés mobilise ses propres mécanismes de classement, qu’on les nomme référencement pour les moteurs de recherche, prescription ou recommandation pour les réseaux sociaux et les services d’offre de contenus culturels, mais leur point commun, du moins pour les plus importants d’entre eux auxquels cet article est consacré, est de prendre appui sur des algorithmes dont l’essence même est d’offrir, de manière automatisée, une sélection réduite de la masse d’informations disponibles.

4 Or, les algorithmes, parce qu’ils ont pris une place de plus en plus visible dans nos économies et dans notre vie quotidienne, suscitent de nombreuses inquiétudes dans la société dont rendent également compte les travaux académiques. Certains dénoncent la violence des modalités de captation de l’attention des internautes dans un univers d’abondance (Patino, 2019 ; Zolynski et al., 2019), d’autres, le « capitalisme de surveillance » technologique mené par les géants du Web qui débouche sur des dispositifs dangereux de modification comportementale, comme l’affaire Cambridge Analytica l’a illustré (Srnicek, 2017 ; Pasquale, 2015 ; Gillespie, 2016, Zuboff, 2020), ou encore certains alertent sur la disparition de l’humain face aux risques de gouvernementalité algorithmique (Rouvroy et Berns, 2013 ; Cardon, 2015). De nombreux experts et ingénieurs repentis alertent régulièrement sur les problèmes des algorithmes de Google, Facebook, Twitter, YouTube et TikTok : fuites de données, absence de respect de la vie privée, fake news, biais de sélection des résultats, radicalisation… Dans ce climat généralisé de méfiance, règne une certaine confusion entre les biais et les risques imputables aux algorithmes eux-mêmes et d’autres dérives que la seule technique ne saurait suffire à appréhender.

5 Pour se limiter aux algorithmes de sélection de l’information pertinente, l’hypothèse de l’enfermement dans des bulles de filtre occupe une place privilégiée parmi les questions posées par les modalités de filtrage et leurs effets sur les comportements de ceux qui y sont exposés. En effet, la recommandation algorithmique fait débat depuis les premiers travaux qui ont popularisé le terme de « bulle de filtre ». Dans son ouvrage à succès The Filter Bubble, Eli Pariser (2011) propose, souvent sur la base d’anecdotes, une définition assez vague de l’enfermement algorithmique, en l’assimilant à une bulle opaque, une sorte de prison, qui exclut la possibilité d’une découverte fortuite.

6 L’article se donne pour objectif d’interroger la littérature en sciences humaines et sociales (SHS) et computationnelles pour comprendre à la fois quels sont les enjeux de l’hypothèse d’un enfermement algorithmique dans une « bulle de filtre » et dans quelle mesure les travaux empiriques confirment ou infirment cette hypothèse. L’ensemble des services concernés par les mécanismes de classement algorithmique, qu’il s’agisse des moteurs de recherche, des réseaux sociaux ou des services culturels, partagent des craintes associées aux conséquences de la personnalisation de plus en plus fine et de plus en plus poussée des résultats proposés. Pour le reste, les problématiques en matière d’information et de services culturels sont assez différentes. Dans le premier cas, la question soulevée est celle de l’accès au pluralisme de l’information et la possible manipulation des opinions dans une société démocratique. Certains évoquent le risque de « séparatisme numérique » entre communautés, enfermées dans leurs propres convictions, qui refusent de « faire société » (Morin, 2021). L’hypothèse testée dans les travaux empiriques est de savoir si l’information véhiculée sur l'internet, personnalisée à son paroxysme, induit inexorablement les utilisateurs à se cantonner dans un environnement hermétique, sans autre perspective informationnelle que celle qui correspond à leurs intérêts étroits, dans une logique de confirmation des opinions ou d’autoconviction. L’applicabilité de l’hypothèse de bulle de filtre aux services culturels est discutée dans une dernière partie. L’analyse des services culturels en ligne est bien moins documentée dans la littérature académique et l’enjeu n’est plus celui de l’enfermement dans une catégorie d’opinions mais dans une catégorie de contenus. La norme de référence par rapport à laquelle apprécier d’éventuels biais algorithmiques paraît cependant plus floue. Au-delà des deux exemples traités dans cette partie ­­ – Spotify dans la musique et Netflix dans l’audiovisuel – des travaux empiriques ultérieurs seraient utiles pour apporter des réponses plus précises.

Du référencement sur les moteurs de recherche à la recommandation de contenus culturels en ligne : le poids croissant de la personnalisation dans les mécanismes de tri de l’information

7 Les systèmes de recommandation ont rapidement évolué depuis les premiers travaux de Paul Resnick (Resnick et al., 1994), jusqu’à dominer l’expérience utilisateur en ligne que nous connaissons aujourd’hui. Cette évolution technologique a été rendue possible avec l’accroissement du volume de données collectées auprès des utilisateurs ; plus les données collectées sont nombreuses et de bonne qualité, plus les recommandations apparaissent pertinentes. Fabien Tarissan (2019) note que deux algorithmes ont marqué l’évolution du Web ces vingt dernières années en matière de tri de l’information pertinente, le PageRank de Google pour les moteurs de recherche et le EdgeRank de Facebook pour les réseaux sociaux. Ces algorithmes ont beaucoup été modifiés depuis leur conception, mais les principes généraux sont restés les mêmes.

8 Pour les moteurs de recherche, le classement des pages Web collectées et indexées nécessite de quantifier la pertinence d’une page pour que le moteur fasse des choix (Page et al., 1999). Alors que les premiers moteurs mesuraient l’importance d’une page par son audience, la faible qualité des réponses obtenues poussa les fondateurs de Google, Lawrence Page et Sergey Brin, à proposer une nouvelle méthode mettant au cœur de l’algorithme la notion de réseau : les pages ne sont pas traitées indépendamment les unes des autres mais en fonction du réseau dans son ensemble, en considérant les liens hypertextes comme gage d’autorité. Ce ne sont plus les actions des internautes consultant la page, donc l’audience, qui déterminent sa pertinence, mais l’action de ceux qui construisent le Web. En effet, plus une page est citée par d’autres, plus elle gagne en pertinence. De plus, l’algorithme PageRank prend en compte non seulement le nombre de citations reçues, mais aussi l’importance relative des pages à l’origine de la citation. Une page bien référencée par le moteur est donc celle à la fois avec beaucoup de références et référencée par des pages considérées comme sérieuses (Page et al. 1999).

9 Sur les réseaux sociaux, les internautes ne se contentent pas de rechercher des informations, ils en proposent, les échangent, les commentent, les propagent. Grâce à l’analyse de cette intense activité et des données relationnelles associées, les algorithmes de recommandation n’ont plus comme objectif de proposer de l’information pertinente, comme le font les moteurs de recherche, mais d’identifier l’importance relative d’une information pour chacun des usagers. Le EdgeRank est l’algorithme qui symbolise la sélection des informations réalisées par le NewsFeed, c’est-à-dire le fil d’actualité personnalisé pour chaque internaute. Proposée par Marc Zuckerberg en 2004, cette mesure de la pertinence de l’information détermine la nature du lien qui unit un post à l’un des utilisateurs en combinant trois facteurs : le nombre de fois que l’utilisateur a signifié son intérêt pour un post de son ami, le poids du post (une vidéo a plus de poids qu’un court message écrit) et l’ancienneté ou la nouveauté du post, cette dernière étant privilégiée. Si la mesure a été abandonnée progressivement au profit de nombreux autres indicateurs, le principe du suivi de l’activité relationnelle des usagers et d’un score individualisé de pertinence de l’information restent constants.

10 En matière de services culturels en ligne, parmi les traitements automatisés, on distingue classiquement deux types de recommandation, selon la nature des données privilégiées : le filtrage collaboratif et le filtrage par les contenus. À la fin des années 1990, lorsque le commerce électronique n’en était qu’à ses premiers balbutiements, Greg Linden (2003), ingénieur d’Amazon, a développé le filtrage par contenu qui consiste à recommander sur la base de corrélations entre les contenus, indépendamment de l’intégralité de l’historique d’achat des individus. Alors que ce filtrage repose sur une comparaison entre la description précise des caractéristiques d’un contenu et la demande d’un usager au temps T (un utilisateur écoutant un morceau de musique qualifié de rap par les métadonnées associées se verra proposer un autre morceau de musique rap), le filtrage collaboratif s’appuie sur les comportements de groupes d’usagers, de « communautés » ayant des goûts similaires (un utilisateur écoutant U2 se verra recommander Simple Minds car d’autres utilisateurs ayant écouté U2 ont également écouté Simple Minds). Afin d’augmenter la précision des recommandations, la plupart des services opérant aujourd’hui proposent des systèmes hybrides, qui combinent filtrage collaboratif et filtrage par contenus.

11 Une autre typologie peut être envisagée, conduisant à distinguer quatre types de recommandation : auto entretenue et contributive qui s’appuient sur les comportements ou jugements des internautes eux-mêmes ; éditoriale et personnalisée ensuite, fondées sur les jugements et comportements des offreurs (Farchy et al., 2017). La recommandation éditoriale désigne les situations dans lesquelles la proposition spécifique de certains contenus est fondée sur la mention manifeste d’un choix assumé de l’entreprise dans le dispositif. Avec le numérique, la possibilité d’exploiter une grande quantité de données d’usage sur les comportements des internautes a conduit à l’émergence d’une nouvelle forme de recommandation personnalisée associée aux potentialités des traitements algorithmiques automatisés (Mohana et Suriakala, 2017). Au fur et à mesure de l’évolution des plateformes de diffusion numérique, ces outils de recommandation personnalisée se sont développés, et ce sont eux qui suscitent le plus d’inquiétudes.

12 Au terme du processus, les choix faits par l’algorithme réalisent des propositions pouvant être considérées comme cohérentes par l’usager, afin de l’inciter à réaliser un acte d’achat ou de location, à augmenter sa satisfaction, à l’encourager à demeurer auprès du service pour les plateformes demandant un abonnement, à attirer de nouveaux abonnés ou, pour les sites gratuits financés par la publicité, à accroître l’audience. Pour les entreprises, la recommandation constitue un service phare susceptible d’opérer une différenciation concurrentielle. Afin de disposer de tels avantages concurrentiels, tous les fournisseurs de services en ligne se positionnent en termes de recommandation, avec des stratégies différentes qui évoluent au fur et à mesure des changements de leur modèle économique. Par exemple, Amazon, après avoir démarré ses services sur une base fortement éditorialisée, a ensuite laissé une place importante aux notes et commentaires des internautes. Ces avis et jugements sont devenus l’une des marques de fabrique de la recommandation dans le domaine du livre, avant d’être étendus aux services audiovisuels. Autre exemple, parce que Netflix n’est plus un simple diffuseur mais un véritable investisseur dans la production audiovisuelle, les stratégies de recommandation de la firme ont évolué, et elle assume une fonction éditoriale en mettant en avant certains contenus, indépendamment des goûts de chacun.

13 Les recommandations personnalisées, lorsqu’elles sont acceptées par l’usager, créent des boucles de rétroaction qui influencent, par itération successives, les propositions de l’algorithme. C’est pourquoi, malgré leur intérêt, les systèmes de tri de l’information ont suscité de vives inquiétudes sur les biais, réels ou supposésde ces outils. Le processus de mise en avant conduit-il à la sur-représentation de certains résultats et, par corolaire, à la sous-représentation d’autres ?Un algorithme n’est cependant jamais « neutre » puisqu’il reflète des choix préalables de types de données et de systèmes de traitements mobilisés. La question des « biais » renvoie donc à la définition d’une « normalité » dont le dispositif technique nous écarterait et au résultat du système de tri au regard de cette norme. La question divise d’autant plus que la norme de référence n’est pas toujours explicitée.

L’information en ligne : des biais avérés, mais des résultats empiriques contrastes

14 Des travaux menés sur les moteurs de recherche ou les réseaux sociaux font état de l’influence, parfois néfaste, des mécanismes de tri de l’information. Cependant, la thèse d’un enfermement dans une bulle de filtre mérite d’être fortement nuancée.

Les contenus audiovisuels et musicaux : des recommandations personnalisées qui s’accompagnent d’ouvertures à la diversité

29 Dans les industries culturelles, il est le plus souvent envisagé que les biais algorithmiques et les mécanismes d’enfermement établis dans le domaine de l’information se reproduisent. Ainsi l’usager serait-il susceptible d’être enfermé dans une certaine catégorie de contenus culturels, ceux particulièrement mis en avant par les algorithmes. Tout biais suppose une norme de référence ; or, les normes par rapport auxquelles établir des biais sont hétérogènes et peu explicitées.

30 Pour certains économistes qui étudient de manière théorique la question du traitement préférentiel de certains contenus vis-à-vis d’autres (Hagiu et Jullien, 2011 ; Bardey et al., 2020 ; Bourreau et Gaudin, 2022), la norme implicite de référence semble être celle de la maximisation de la satisfaction du consommateur. Ainsi un algorithme conçu pour fournir la musique préférée d’un usager pourrait-il introduire un biais en surexposant des contenus qui le satisfont moins, mais dont la diffusion serait plus rentable pour un service comme Spotify (Casadesus-Masanell et Hałaburda, 2014 ; Aguiar et Walfdogel, 2021). Une autre norme peut être trouvée du côté de la concurrence entre offreurs. En effet, la sur-représentation de certains contenus peut être liée aux intérêts directs du fournisseur de service en ligne qui, par un mécanisme « d’auto-préférence », favorise les contenus qu’il a lui-même produits ou pour lesquels il a conclu des accords commerciaux de promotion (Mariuzzo et Ormosi, 2020).

31 Une norme, encore différente, est celle correspondant à l’écart entre le résultat produit par l’algorithme et des objectifs politiques réputés d’intérêt général, comme celui de préservation de la diversité des contenus proposés. Ainsi, pour le régulateur européen, l’ambition politique énoncée dans la directive « Services de médias audiovisuels » de 2018 – dite SMA – de modifier les règles du marché en orientant les usagers vers certains types de contenus par des processus de « mise en valeur », s’est concrétisée en France, dans le décret du 22 juin 2021 relatif aux services de médias audiovisuels à la demande. Par choix politique, le régulateur s’est engagé à exiger la mise en avant de contenus européens sur la page d’accueil de chaque usager, indépendamment de ses préférences propres. Dans ce cadre, la norme de diversité culturelle défendue s’entend uniquement comme la défense de productions de nationalités européennes [3].

32 On notera que les normes de référence peuvent se révéler contradictoires entre elles. Ainsi, l’objectif de « sérendipité », c’est-à-dire de découverte fortuite érigée comme norme par le législateur européen, conduit à un « biais » si l’on adopte comme norme de référence la maximisation à court terme de la satisfaction du consommateur. En effet, l’objectif de sérendipité conduit à proposer à l’usager non pas seulement ce qu’il aime déjà, ce qui le satisfait immédiatement (objectif de la maximisation de la satisfaction du consommateur), mais aussi ce qu’il pourrait aimer si l’algorithme le lui faisait découvrir.

33 La question des effets de la recommandation ultra personnalisée sur la diversité, érigée comme norme, alimente donc de nouveaux débats publics. Au-delà de certains chercheurs (Tchehouali et Agbobli, 2020), des responsables politiques et institutionnels soutiennent volontiers que les algorithmes représentent un risque, voire une menace pour la diversité culturelle et la « découvrabilité » des contenus en ligne. Les craintes exprimées concernent l’absence de diversité de l’offre proposée au profit d’un enfermement dans les goûts monomaniaques de l’usager. Il est difficile de confirmer ou d’infirmer ces hypothèses, dans la mesure où les travaux analysant de manière quantitative les effets de la recommandation sur la diversité dans les industries culturelles sont rares.

34 Des chercheurs en informatique ont mené des travaux montrant les possibilités techniques pour lier diversité et algorithmes de recommandation (Ramaciotti Morales et al., 2021 ; Tarissan, 2019). La question de la diversité dans le domaine des systèmes de recommandation a été définie comme étant « la mesure opposée à la similarité » (Smyth et McClave, 2001), calculée sur la base des « attributs » alloués à chaque information. Les deux chercheurs ont mis au point un algorithme proposant des offres correspondant à la demande de l’utilisateur, bien que diverses entre elles. Afin de ne pas enfermer l’utilisateur dans des recommandations susceptibles de ne pas lui paraître pertinentes, il est préférable de lui proposer un contenu aux caractéristiques différentes (McGinty et Smyth, 2003). Les systèmes de recommandation doivent être en mesure de s’adapter dynamiquement aux utilisateurs et le besoin de diversité fait partie de leurs attentes (L’Huillier et al., 2016). Une autre équipe de chercheurs (Nguyen et al., 2014) a réalisé une expérience appliquée au cinéma à partir des données extraites de la base MovieLens et conclut que les utilisateurs qui suivent les recommandations proposées bénéficient d’une meilleure expérience que ceux qui ne les suivent pas, et que les recommandations augmentent la diversité des contenus en réduisant le risque d’un enfermement dans une bulle de filtre. Enfin, de nombreuses stratégies dans le paramétrage des algorithmes de recommandation peuvent contribuer à augmenter la diversité : augmentation du nombre de contenus recommandés, ajout de contenus choisis de manière aléatoire, mise en place de systèmes de recommandation hybrides, etc. (Foulonneau et al., 2014).

35 En SHS, la notion de diversité a fait l’objet de travaux empiriques (Ranaivoson, 2010 ; 2019), mais la question des effets de la recommandation algorithmique n’est pas traitée, sauf sous l’angle de l’affirmation de risques théoriques. Le débat est souvent confondu avec celui des effets du numérique sur la diversité de l’offre disponible dans l’ensemble du catalogue des services en ligne. Pour de nombreux chercheurs, contrairement à l’espoir suscité par l’hypothèse de la longue traîne (Anderson, 2006 ; Brynjolfsson et al., 2011), l’espace de stockage illimité que procure l'internet n’aurait pas nécessairement conduit à plus de diversité de l’offre (Ranaivoson, 2016). Cependant, sur les services en ligne, l’étude de la diversité du catalogue n’est plus suffisante. La diversité culturelle, auparavant évaluée comme un état à un moment donné au niveau de l’offre, doit désormais être appréhendée comme un processus qui conduit l’usager à s’intéresser à un contenu spécifique, au sein d’une offre pléthorique. Or, comprendre empiriquement comment les algorithmes de recommandation influencent la manière dont les internautes sont exposés à la diversité est un domaine encore trop peu exploré en SHS (Kunaver and Požrl, 2017 ; Ranaivoson, 2019).

36 Deux cas emblématiques de firmes mondialement présentes dans la diffusion de contenus musicaux et audiovisuels permettent d’avancer dans la compréhension des liens complexes entretenus par les acteurs, entre personnalisation des systèmes de recommandation et diversité.

Conclusion

51 La place des algorithmes dans les mécanismes de tri de l’information en ligne et la possibilité d’offrir aux usagers, sur la base de l’exploitation de grandes quantités de données d’usage, des services très personnalisés, ont alimenté les peurs d’un enfermement dans une bulle de filtre. Face à de telles craintes, deux réponses peuvent être apportées.

52 La première est celle de la transparence. La véritable question est moins celle de la responsabilité per se des algorithmes – outils techniques qui peuvent intégrer, par design en amont, toutes les variables que l’humain leur demande – dans d’éventuels mécanismes d’enfermement que celle de la transparence des principes régissant, sur chaque service, les mécanismes de tri de l’information. Quelles données alimentent l’algorithme ? Quelle place la recommandation personnalisée tient-elle par rapport à des formes éditorialisées plus classiques, éditorialisée proposée à tous les usagers ? Quels sont les « choix éditoriaux » implicites réalisés ? Dans le monde de l’information, la presse fait des choix par sa ligne éditoriale, par le point de vue des journalistes sur le traitement d’une information, qui ne sont pas plus neutres ou exempts de biais que les algorithmes, mais ces choix sont connus, voire revendiqués. De même, l’identité d’une station de radio ou d’une chaîne de télévision est connue. Sur un réseau social, ceux qui reçoivent l’information peuvent la percevoir comme objective, de même que les usagers d’un service culturel peuvent ne pas comprendre les mécanismes de mise en avant de ce qui leur est proposé. Méfiants, curieux ou résignés, les internautes se voient en effet proposer des contenus ou des informations sans toujours comprendre pourquoi. Si la plupart des usagers ne sont pas en mesure de comprendre le fonctionnement technique des algorithmes, ils peuvent être intéressés à mieux appréhender, les grands principes de la démarche mise en œuvre par le service, à améliorer « l’explicabilité » qui leur est fournie. C’est pourquoi certains militent pour une plus grande transparence des algorithmes (Introna et al., 2000 ; Cardon, 2015 ; Patino, 2019), préconisent leur nécessaire régulation (Napoli, 2019 [13]) ou proposent davantage de pédagogie et de formations pour éclairer le citoyen sur leur fonctionnement opérationnel (Durand, 2016). Des initiatives ont été mises en place afin d’éclairer les internautes (Politoscope et Flipfeed pour Twitter, PoliTecho et Escape Your Bubble pour Facebook, AlgoTransparency et Regrets Reporter pour YouTube…).

53 Face aux craintes exprimées, la seconde réponse consiste à développer des travaux empiriques, en particulier sur le secteur culturel. Dans le domaine de l’information, des biais de sélection sont avérés par rapport à une norme, celle du pluralisme des opinions dans une société démocratique : des mécanismes d’auto-renforcement des convictions de l’internaute existent dans certains cas spécifiques. Dans le domaine culturel, la thèse des biais algorithmiques et de l’enfermement, bien que récurrente, n’a jamais été totalement éprouvée. Les auteurs de l’ouvrage de référence sur Spotify (Eriksson et al., 2019), après avoir eu recours à des méthodologies de rétro-ingénierie pour comprendre le fonctionnement opérationnel du service, insistent sur les possibilités d’accessibilité aux données d’opérateurs privés pour la recherche universitaire. Le monde académique dans son ensemble est, sans aucun doute, conduit à approfondir une expertise pluridisciplinaire, à la fois technique et sociale, sur les mécanismes de sélection des contenus recommandés et à collaborer avec les instances de régulation. En effet, établir des formes adaptées à l’environnement numérique suppose des méthodes d’expertise appropriées et des outils d’objectivation afin de confirmer ou d’atténuer les craintes exprimées.

54 Identifier d’éventuels biais, c’est d’abord expliciter la normalité à laquelle on se réfère. La diversité culturelle, notion elle-même pluridimensionnelle, n’est qu’un des objectifs possibles. Des travaux ultérieurs sur des études de cas permettraient de préciser les résultats de la mise en avant sur les services culturels. Tous les dispositifs ne se valent pas et une comparaison des effets de chacun sur les contenus mis en avant serait bienvenue. De plus, les dispositifs de recommandation mettent en avant certains contenus plus que d’autres, mais ils ne présagent pas des comportements réels des usagers face à de tels dispositifs et n’influencent pas automatiquement la demande. La recommandation reste une forme d’incitation – non contraignante – à choisir certains contenus plutôt que d’autres ; son usage reste un point mal documenté – en dehors de la connaissance fine qu’en ont les services eux-mêmes en interne – et l’écart entre la mise en avant et la consommation réelle pourrait faire l’objet d’autres travaux.