Résonance algorithmique : l'effet Larsen informationnel¶
Le mécanisme¶
Approchez un micro d'un haut-parleur : le moindre bruit est capté, amplifié, réémis, capté de nouveau, jusqu'au sifflement. C'est l'effet Larsen — une rétroaction positive dont le gain dépasse l'amortissement.
Une fausse information et un algorithme de recommandation forment exactement cette boucle. La rumeur est le signal initial ; l'engagement qu'elle suscite est capté par la plateforme, qui l'amplifie pour maximiser la rétention, ce qui produit davantage d'engagement.
L'équation¶
| Symbole | Signification |
|---|---|
| \(V(t)\) | visibilité du contenu dans les flux |
| \(\lambda\) | amortissement naturel : l'oubli, la lassitude du public |
| \(\gamma\) | gain algorithmique appliqué par la plateforme |
| \(\alpha\) | charge émotionnelle innée du contenu |
| \(\omega_0\) | fréquence propre du cycle médiatique |
| \(\sigma(V)\) | facteur de saturation : l'attention disponible est finie |
| \(\xi(t)\) | bruit blanc : les fluctuations du comportement humain |
Le critère d'instabilité¶
Au-delà de ce seuil, l'amortissement effectif devient négatif : le système n'évacue plus l'énergie qu'on lui injecte, il l'accumule.
C'est le résultat le plus opérationnel de tout le travail, parce qu'il est auditable : un régulateur peut, en principe, mesurer un taux d'amplification et un taux d'amortissement. Le notebook 06 vérifie que le seuil mesuré coïncide bien avec \(\gamma^\star = \lambda/\alpha\).
Ce que la mesure a corrigé
La calibration sur données publiques donne \(\gamma\alpha/\lambda\) entre 1,5 et 12 sur 19 épisodes d'attention. Le rapport dépasse donc 1 partout — non par pathologie de l'écosystème, mais parce que tout épisode observable a connu une phase de croissance. Vérifier le signe n'apprend rien : la grandeur réglementaire est la marge, et la recommandation correspondante du mémorandum a été réécrite en plafond. Voir l'audit, point 15.
Le point qui compte pour la régulation¶
À gain algorithmique constant, un contenu plus émotionnel franchit le seuil qu'un contenu factuel ne franchit pas. La conséquence est importante :
Une plateforme n'a pas besoin de favoriser la désinformation pour l'amplifier sélectivement. Un gain uniforme appliqué à des contenus d'émotivité inégale produit mécaniquement ce biais.
C'est ce qui rend la mesure de \(\gamma\) plus pertinente qu'un audit d'intentions : il n'y a pas de décision malveillante à démontrer, seulement un paramètre à contraindre.
Deux corrections au modèle d'origine¶
Le signe du rappel. Le fil écrivait \(-\omega_0^2 V\), ce qui fait du point d'équilibre un col instable quels que soient les autres paramètres : le système divergerait même à gain nul, et le critère \(\gamma\alpha > \lambda\) perdrait tout contenu. → audit, point 6
La saturation. Sans \(\sigma(V)\), la solution instable est \(V(t) \propto e^{(\gamma\alpha - \lambda)t}\), qui diverge sans limite. C'est mathématiquement exact et physiquement vide : l'attention disponible est finie, et un modèle qui prédit une visibilité infinie ne permet ni de comparer deux configurations ni de calibrer un seuil.
Avec \(\sigma(V) = 1/\big(1 + (V/V_{\text{sat}})^2\big)\), l'amplification s'éteint progressivement à mesure que la visibilité approche la capacité d'attention. Le système ne diverge plus : il s'installe dans un cycle limite de type Van der Pol.
C'est un gain de réalisme, pas un artifice de convergence. Ce qu'on observe d'une fausse information installée n'est pas une explosion, c'est un sujet qui revient périodiquement. → audit, point 7
Le rôle exact des algorithmes¶
Le fil identifiait trois fonctions distinctes, qui restent valides :
- Accélérateur cinétique. Les modèles de classement fondés sur la popularité mesurent la vitesse initiale de réaction. Une fausse information suscitant l'indignation, sa vélocité de départ est supérieure à celle d'un fait vérifié. L'algorithme l'interprète comme une anomalie rentable.
- Isolateur thermique. Le filtrage collaboratif coupe les liens avec la contradiction. L'utilisateur n'est plus exposé au bruit correctif extérieur : sa température sociale locale chute, et son opinion se fige.
- Multiplicateur de portée. L'algorithme identifie les nœuds à forte centralité et utilise leurs interactions pour ajuster les performances globales de l'écosystème.
Ces trois rôles agissent sur des paramètres différents du modèle — respectivement \(\gamma\), \(T\) et la topologie — ce qui explique pourquoi un levier de régulation unique ne suffit pas.
Ce que la conclusion doit à l'algorithme¶
Le point où l'analogie physique est la plus fragile est aussi celui qui rend l'ADE concevable. Un bain thermique ne poursuit pas d'objectif ; un algorithme de recommandation optimise une fonction de coût. Il n'est donc pas un environnement, il est un acteur stratégique.
Mais une fonction de coût, contrairement à une loi physique, peut être changée. → ADE
Implémentation : ide.resonance · Notebook :
06 — Résonance