Navigation – Plan du site

AccueilNumérosVol. 42/2DossierArticlesPour l’amour de la donnée

Dossier
Articles

Pour l’amour de la donnée

Vers une datafication de nos affects ?
Camille Alloing, Ambre Marionneau, Julien Pierre et Fabien Richert

Résumés

À partir de corpus de publications scientifiques, de brevets et de discours promotionnels en provenance de quatre grandes entreprises propriétaires de plateformes de médias sociaux (Google, Meta, ByteDance et X), nous analysons leurs processus de mise en données des expressions émotionnelles des usagers et usagères. Nous montrons que cette production de données affectives repose sur des représentations universalisantes des émotions et engendre une standardisation de ce qui peut affecter comme une accaparation commerciale de ce qui émeut en ligne.

Haut de page

Texte intégral

  • 1 Notre traduction de « Online messages influence our experience of emotions, which may affect a vari (...)

1« Les messages en ligne influencent notre expérience des émotions, ce qui peut avoir une incidence sur toute une série de comportements hors ligne1 » (Kramer, Guillory et Hancock, 2014). Cette affirmation issue d’une étude controversée (Metcalf et Crawford, 2016) dirigée par un chercheur de Facebook met en avant la possibilité de générer une « contagion émotionnelle » parmi les utilisateurs de la plateforme de médias sociaux. Cette hypothèse, corroborée par d’autres travaux (Berger et Milkaman, 2013 ; Tellis et al., 2019), s’inscrit dans le tournant affectif des industries du numérique (Alloing et Pierre, 2021a). Stimulée depuis trente ans par le développement de « l’informatique affective » (Picard, 2000), la promesse de « contagion émotionnelle » amène à considérer les plateformes du Web social comme des « infrastructures affectives » (Hallinan, 2019), proposant à leurs publics (Papacharissi, 2015) des « affectives timelines » (Gilroy-Ware, 2017), à travers lesquelles il est possible d’exprimer des émotions et d’être affecté en retour. Le capitalisme de plateforme (Srnicek, 2017) s’inscrit lui-même dans un capitalisme affectif (Karppi et al., 2016). Les plateformes qui souhaitent s’insérer dans ces logiques capitalistiques développent un ensemble de fonctionnalités pour produire des signes affectifs comme les hashtags (Papacharissi et de Fatima Oliveira, 2012) ou les émojis (Stark et Crawford, 2015). Elles permettent de les faire circuler par diverses fonctionnalités de partage et de les attacher à des contenus par un design émotionnel (Norman, 2007) dont les affordances orientent les usages (Sturm Wilkerson, Riedl et Whipple, 2021 ; Alloing et Pierre, 2021b).

2Cependant, le développement de « machines qui ont l’habileté de reconnaître les états affectifs humains » (Picard et al., 2001, p. 1175) nécessite la « collecte de données affectives de qualité » (ibid., p. 1178) autant physiologiques (voix, mouvement, etc.) que sémiotiques (textes, images, etc.). Les plateformes vont ainsi produire ces données affectives afin de définir un sentiment ou d’identifier un ressenti (Poria, Cambria et Gelbukh, 2015 ; Alloing et al., 2025). Elles peuvent ensuite utiliser ces données pour trier, classer et hiérarchiser les informations qu’elles mettent en visibilité, afin par exemple de nourrir leurs « intelligences artificielles ». Selon Arvidsson (2011), cette capacité à produire des données affectives permet la production d’un « sentiment général » apte à évaluer certaines valeurs intangibles (la réputation, par exemple) d’une entité. Le traitement algorithmique des émotions a ainsi le potentiel de renforcer les actifs informationnels des plateformes, et par relation contractuelle ceux des organisations commerciales ou politiques qui ont accès à ce type de données. Les plateformes ont alors tout intérêt à communiquer sur cette possible production de valeur pour leurs partenaires commerciaux.

3Peu d’études en sciences sociales explorent les discours promotionnels tenus par les plateformes de médias socionumériques à propos de leur usage et de leur représentation des émotions et des affects (Alloing et Pierre, 2017 ; Hillis, Paasonen et Petit, 2015 ; Stark, 2020 ; McStay, 2020). De même, aucune étude ne recense à ce jour les moyens de captation et les formes de production des données émotionnelles employées par les plateformes, et pourtant décrites dans les publications scientifiques des équipes de ces plateformes ou dans les brevets déposés par leurs ingénieurs. Si ces technologies ne semblent pas être au centre de leurs investissements, nous émettons toutefois l’hypothèse qu’elles sont le reflet de certaines représentations que les concepteurs, ingénieurs et promoteurs des plateformes se font des usagers et usagères et des relations qu’il est possible de construire à partir de leurs émotions — ou des données censées les représenter. Analyser les moyens mis en œuvre pour produire des données sur les affects et émotions des usagers et usagères, ainsi que les objectifs associés à leur manipulation et à leur traitement, nous apparaît comme une occasion de porter un regard critique sur les mécanismes de gouvernance de ces plateformes. En somme, nous proposons d’articuler nos propos autour de la question suivante : comment les plateformes disent-elles opérer la datafication de nos affects ? Nous souhaitons par là enrichir les travaux portant sur la captation de l’attention par les plateformes ou encore la viralité des contenus par une description fine de la manière dont les émotions sont conceptualisées par les ingénieurs et valorisées par les équipes marketing de ces plateformes.

4Pour cela, nous nous appuyons sur trois corpus distincts : la littérature scientifique produite par les équipes de recherche de Meta et de Google concernant les émotions, les demandes de brevets déposées depuis plus de dix ans par Meta, Google, ByteDance et X/Twitter et mentionnant des traitements émotionnels et les discours concernant l’exploitation des émotions individuelles tels qu’on peut les trouver dans la communication officielle de ces quatre entreprises. À partir de ces analyses, nos principaux résultats sont discutés sous trois angles. Dans le premier, nous présentons les promesses et représentations associées à l’usage des données affectives. Puis, nous analysons comment ces plateformes construisent concrètement des données affectives en captant et en interprétant les données biométriques et informatiques stockées dans leurs bases de données. Enfin, nous proposons une réflexion critique au sein de laquelle le processus de datafication est vu comme un vaste mouvement de captation du vécu émotionnel des usagers et usagères entraînant une servitude passionnelle à l’égard de ces plateformes. Nous concluons en affirmant que, pour comprendre la mise en données des émotions humaines par les plateformes numériques, il est utile de repenser la datafication comme un ensemble de représentations à l’œuvre parmi les ingénieurs, chercheurs et concepteurs.

Émotions numériques : la datafication de l’intime

5La très grande majorité des humains a déjà fait l’expérience d’une émotion, bien avant le numérique. Mais combien sont capables de dire ce que c’est ? Combien même sont capables de dire si le mot choisi convient pour décrire l’expérience vécue ? Même les poètes n’y arrivent pas. Chez les scientifiques, deux perspectives théoriques s’opposent, l’une culturelle et l’autre biologique. En effet, l’émotion reste un objet controversé en sciences. Nous proposons ici de présenter les principales théories en vigueur, pour mieux comprendre pourquoi l’une d’entre elles est privilégiée par les tenants de l’informatique affective, et comment sa supposée scientificité consolide la promesse de performance que les plateformes font aux marques et partis.

Approches distinctes des émotions

6Dans une approche culturelle, les émotions sont des signes, donc ouverts à des potentialités d’articulation et d’interprétation tributaires des conditions sociales. Le deuil, entre autres exemples, ne s’exprime pas de la même manière selon les zones culturelles (Mauss, 1921) ou les périodes historiques (Corbin, Courtine et Vigarello, 2016a, 2016b, 2017). Pour le sociologue Julien Bernard (2015), les émotions peuvent être considérées comme des constructions sociales (depuis Émile Durkheim) ou des indicateurs d’un rang social (chez Pierre Bourdieu), qui peuvent cependant s’inscrire dans des dynamiques non déterministes. Des régimes émotionnels, avec plus ou moins de contrôle pendant l’époque victorienne ou d’extimité à l’heure des médias sociaux, alterneraient ainsi selon les époques. Analyser ces « structures de sentiments » (selon l’expression de Raymond Williams) permettrait ainsi de mieux saisir les valeurs propres à un groupe social, notamment des groupes émergents. Les signes exprimés par ces groupes servent alors à baliser des espaces sociaux. Enfin, pour échapper à la multiplicité de ces approches, une solution consiste à prendre les émotions comme des éléments de discours, laissant à la personne qui éprouve le soin de dire ce qu’elle ressent. Cet étiquetage par soi peut toujours conduire à des catégorisations révélatrices de la manière dont sont pensées les émotions, l’étiquette choisie permettant ainsi de mieux comprendre comment un individu, ou un groupe social, considère ce que sont les émotions.

7Dans l’approche biologique, les émotions sont des manifestations d’un trouble entre l’état du corps à un instant donné et un aléa issu de l’environnement ou de la réminiscence d’une pensée. L’émotion indique un ajustement du corps se préparant à agir pour surmonter le trouble. Par exemple, la vue d’un prédateur ou d’une proie. Cette théorie est d’inspiration darwinienne : les mécanismes émotionnels seraient le fruit d’une adaptation rendue nécessaire par les conditions de survie des primates. Ainsi l’amygdale fait-elle le tri entre des percepts ancrés dans la phylogenèse, comme l’instinct de survie à l’égard du vide ou du feu, et ceux acquis au cours de l’ontogenèse, telles les dispositions et expériences individuelles, faisant que chacun ne développe pas la même phobie du vertige. Les émotions sont donc des fonctions, associées à des zones cérébrales, qui s’activent avec plus ou moins d’intensité selon l’évaluation des situations. Le stress résulte ainsi d’une estimation que l’on ne dispose pas ou plus des ressources nécessaires ni pour fuir ni pour combattre. À cet égard, les réactions émotionnelles — dont les expressions du visage — seraient communes à toute la classe des mammifères. Les émotions ne sont plus alors des signes qu’on articule ou interprète, mais des signaux qui s’exécutent et se mesurent.

  • 2 La BET a été principalement développée par Ekman et Friesen, en 1969. D’autres auteurs comme Tomkin (...)
  • 3 Selon certains auteurs, voire entre les articles d’un même auteur, le nombre d’émotions basiques pe (...)
  • 4 Notre traduction de « The sine qua non for emotion should not be a unique pan-cultural signal ».
  • 5 Notre traduction de « Cluster individuals into categories ».

8De manière globale, la théorie des émotions basiques (basic emotion theory ou BET2) offre un cadre notionnel aisément transposable dans l’univers informatique. Elle gomme la complexité des interprétations culturellement situées en réduisant l’heuristique à un certain nombre de signaux discrétionnaires — la peur, la joie, la colère, la tristesse et le dégoût3. Pour chacune de ces émotions, elle identifie des marqueurs somatiques et des degrés dans l’intensité d’activation. Par exemple, plus la commissure des lèvres remonte, plus la joie est grande. Les psychologues Ekman et Friesen (1969) ont modélisé toutes les combinaisons de micro-expressions faciales en leur associant l’une des émotions basiques au sein du Facial Action Coding System (FACS). Par exemple, l’activation de trois sous-ensembles musculaires — le nez, les commissures, la lèvre inférieure — indique le dégoût. Ekman, le principal promoteur de la BET, reconnaît que l’expression émotionnelle est dépendante du contexte culturel, mais que cette contingence peut être dépassée par une approche biométrique. Dans Affective computing, l’ouvrage fondateur de l’informatique affective dans lequel Ekman est l’auteur le plus appelé (33 occurrences), Rosalind Picard le cite en ces termes : « La condition sine qua non pour [interpréter] une émotion ne devrait pas être un signal panculturel4 (Ekman, 1992) » (Picard, 2000, p. 32). À la question de savoir, une ligne après, comment un ordinateur pourrait reconnaître les émotions si tout le monde les exprime de manière différente, elle répond s’attendre à ce que des motifs similaires puissent être reconnus par une machine afin de « regrouper les individus dans des catégories5 » (ibid., p. 33). Des programmes informatiques automatisant la reconnaissance visuelle pourraient dès lors repérer sur les visages pixélisés les déplacements de points spécifiques (les yeux, le menton, le nez, la commissure des lèvres, etc.) et par calcul algorithmique apposer une catégorisation émotionnelle. Ainsi prend naissance la mise en données des émotions, avec une double réduction en variété (cinq émotions) et en analyse par une mesure unique de l’intensité d’activation.

9Si le terme sentiment est absent de l’ouvrage de Picard (contre 2 520 occurrences de emotion), l’analyse de sentiment suivra en s’appliquant cette fois à analyser des données non plus biométriques, mais sémantiques, dont le résultat sera toujours réduit à une valeur quantitative (positive ou négative).

  • 6 Notre traduction de « There are of course, many more applications; these are just a sample of what (...)

10Picard propose plusieurs cas d’usage potentiels de l’informatique affective : l’assistance aux personnes autistes, la rétroaction avec des consommateurs, la mesure d’audience, le développement personnel, la pédagogie, la recommandation de contenus, l’avatar conversationnel personnalisé, des objets connectés (sensitive toys). Elle conclut son chapitre ainsi : « Il y a bien sûr plein d’autres applications, c’est juste un échantillon de qu’il est possible de faire maintenant et à l’avenir6 » (ibid., p. 111).

Donner des affects pour produire des données

11La promesse faite par l’informatique affective repose sur le postulat que l’expression émotionnelle est toujours là, que le visage, la voix, le corps de manière générale, ne peuvent mentir et que ce signal peut être encodé/décodé par captation biométrique ou linguistique. Ainsi l’émotion est (une) donnée. Et c’est cette double considération épistémologique et pratique qui rend possible la datafication des expressions affectives en ligne.

12Pour autant, le recours à la BET et à l’apprentissage machine par l’informatique affective ne permet pas d’intégrer les éléments contextuels comme l’histoire interactionnelle ou ceux situés comme les conditions d’émergence de l’expression émotionnelle. L’approche philosophique de Spinoza que nous privilégions dans nos travaux a le mérite de précéder les lectures psychologisantes des émotions, en proposant une acception plus ouverte à la relation, et donc plus compatible avec des approches en communication. Dans Éthique (Spinoza, 1677), il n’est pas question d’émotions, mais d’affects présentés comme l’idée d’une transformation dans le rapport entre corps et esprit (Deleuze, 1988). L’affect résulte d’une expérience de l’altérité, qui encapacite l’individu ou au contraire limite sa puissance d’agir. Cette puissance augmente si l’affection est adéquate avec la disposition individuelle. Dans cette perspective, peu importe de savoir si l’individu fait l’expérience de la joie ou de la colère, puisqu’il est affecté. C’est donc cette affection qui vise à être répertoriée par les bases de données du Web social, de manière à construire sur elle de nouvelles affections qui prendront la forme de recommandation de contenus, souvent publicitaires. Et pour intensifier l’émergence de ces affections, et donc des recettes publicitaires, leur circulation est potentialisée par la mise à disposition de fonctionnalités affectives (Alloing et Pierre, 2017). Notre hypothèse est alors que, étant donné sa visibilité dans le champ académique, seul le modèle de la théorie universelle des émotions a été mobilisé pour soutenir cette promesse affective, sans même le remettre en question, ni dans ses fondements épistémologiques ni dans ses effets psychosociaux. Chemin faisant, le recours à un modèle inadéquat de mise en données des affects — la FACS — produirait des affections inadéquates dans les recommandations de contenus. La valeur économique de ces recommandations ne tient qu’au fait que le modèle n’est pas concurrencé par une autre approche et qu’il est performant. Au cours du dernier trimestre 2024, les recettes publicitaires s’élèvent à 27 milliards de dollars américains chez Alphabet7 et à 15 milliards chez Facebook8.

  • 9 Notre traduction de « the requirement, not just the possibility, that every variation in the textur (...)

13La mise en données du réel est pourtant un processus largement connu et critiqué (Mejias et Couldry, 2019 ; Chignard et Benyayer, 2015). Elle repose sur « la nécessité, et pas seulement la possibilité, de traduire en données chaque variation dans la trame de l’expérience humaine afin de mieux la calculer et la traiter9 » (Couldry, 2019). Toutefois, la rencontre entre datafication et émotion — pourtant au cœur de cette trame expérientielle — a été peu abordée jusqu’à présent. À la suite des comportements relevant d’une quantification de soi (Pharabod, Nickolski et Granjon, 2013 ; Dagiral et al., 2019a ; Dagiral et al., 2019b), plusieurs travaux s’intéressent aux émotions que provoque la captation des émotions, notamment quand ce processus se déroule au quotidien et conditionne les routines ordinaires (Kennedy, 2018). Si, la plupart du temps, les analyses portent sur des usages psychothérapeutiques ou technopédagogiques (Belli, 2016 ; Jain et al., 2024), des perspectives autres se font entendre. Ainsi l’application Emotion Tracker permettrait-elle d’extraire la mélancolie d’une perspective psychothérapeutique (Janasik-Honkela, 2018). Toutefois, ce sont surtout les effets de la datafication qui sont analysés, souvent exprimés en termes de fatigue (data disaffection chez Grover, Widera et Ananny, 2025).

14L’étude que nous proposons ne s’arrête pas à la couche technique de la datafication des émotions. En montrant quelles sont les références scientifiques de cette architecture, nous proposons surtout une mise en relation avec la promesse accompagnant ce processus. Notre corpus étant constitué de travaux financés par les plus grandes plateformes actuelles du Web social, nous proposons dès lors de montrer comment s’installe une représentation dominante où les émotions comme leur capacité à nous affecter tiendraient un rôle stratégique dans leurs modèles d’affaires au sein desquels la performance est portée par le modèle algorithmique des architectures informationnelles.

Méthode et principaux résultats

  • 10 Quatrième trimestre 2024 : 13 116 millions chez Alphabet, 12 180 millions chez Meta (ibid.).

15Parallèlement aux recettes publicitaires mentionnées précédemment, les dépenses mensuelles en R-D de Meta étaient de plus de 4 milliards de dollars américains, et autant chez Alphabet10. S’il est nous est impossible d’évaluer la part de ces investissements consacrée aux questions émotionnelles et affectives, il est tout de même possible d’en saisir certaines retombées au travers des publications scientifiques et des dépôts de demande de brevet. Plus que le reflet fidèle de ce que ces entreprises font réellement pour produire des données sur les affections de leurs usagers et usagères, nous émettons l’hypothèse que cette littérature scientifique et industrielle constitue avant tout des discours mis en circulation pour démontrer des capacités d’innovation en la matière. S’adressant ainsi tant aux investisseurs qu’aux concurrents, ces publications mettent au jour ce que ces industriels du numérique disent vouloir faire de nos émotions et de nos affects. À cela s’ajoute l’ensemble des textes promotionnels et des prescriptions mis à disposition des usagers et usagères de leurs plateformes. Il y est démontré l’intérêt de faciliter ou de mesurer l’expression émotionnelle des publics, particulièrement en termes de performance commerciale ou communicationnelle.

16Nous avons ainsi constitué trois corpus, le premier de publications scientifiques, le second de brevets et le troisième de prescriptions. Notre choix s’est porté sur quatre entreprises propriétaires d’une ou plusieurs plateformes de médias sociaux : ByteDance (TikTok), X Corp. (X ex-Twitter), Meta (Facebook, Instagram) et Google (y compris YouTube). Afin de collecter nos corpus, nous avons systématiquement eu recours aux mêmes mots-clés propres au champ émotionnel (sentiment, emotion, mood, feeling, joy, sadness, empathy, etc.).

Collecte et analyse des publications scientifiques

17Pour constituer le corpus de publications scientifiques, nous avons utilisé pour chacune de ces plateformes, au 1er septembre 2023, leurs sites dédiés aux équipes de recherche, comme research.google ou research.facebook.com. Une première recherche nous a permis d’éliminer ByteDance (aucune publication) et X (une publication). Nous avons donc gardé Méta (30 publications) et Google (28 publications). Les articles de Meta ont été publiés de 2009 à 2023 et ceux de Google l’ont été entre 2005 et 2022. Pour nous assurer de ne pas avoir omis de publications, nous avons utilisé les mêmes mots-clés associés aux noms des auteurs (121 pour Google et 130 pour Meta) avec le logiciel Publish Or Perish (Harzing, 2007). Nous avons ensuite utilisé une grille afin d’analyser de manière systématique les publications selon 14 items comme le champ de recherche, l’orientation de l’article (théorique, applicatif, méthodologique), ses objectifs ou encore les données collectées.

18Avec le logiciel VOSviewer (Van Eck et Waltman, 2011), nous avons procédé à une analyse lexico-sémantique des titres et résumés de chaque article afin de visualiser les cooccurrences des termes ou des expressions (terme1_terme2) les plus présentes dans chacun des corpus Meta et Google. Cette analyse nous permet d’une part de souligner l’association de termes du champ lexical affectif avec des intérêts des plateformes et d’autre part de fournir une vue d’ensemble des thèmes, objets de recherche et sujets discutés dans les corpus analysés. De plus, cela nous permet de développer des hypothèses quant aux possibles orientations de R-D des plateformes tout en mettant en exergue certains mécanismes propres à la datafication des affects (données utilisées, champs applicatifs, etc.). Les résultats de cette analyse sont principalement des éléments de démonstration et gagnent en pertinence par les approches qualitatives déployées en complément. Ici, donc, leur valeur est avant tout heuristique.

19Pour Meta, nous avons gardé les 22 expressions et termes les plus redondants (c’est-à-dire présents plus de 5 fois) et les plus pertinents (suppression des adjectifs, pronoms, chiffres, etc.). VOSviewer nous a ensuite permis d’obtenir des clusters terminologiques, c’est-à-dire des regroupements de termes avec le plus haut taux de cooccurrence dans notre corpus. Ainsi, lorsqu’un cluster associe les termes A et B, plusieurs documents du corpus où ces termes sont cooccurrents traitent des sujets A et B. Pour Meta (figure 1), une partie de la littérature traite des aspects sociaux des émotions (cluster 2), avec des termes centraux comme friend, post ou response, et surtout le choix du mot feeling (sensation en français) pour traiter du champ affectif. Le cluster 1 regroupe des articles traitant spécifiquement de l’émotion et qui s’orientent vers des questions informatiques (dataset, task) ou applicatives (« image », « texte », video, hate speech).

Figure 1. Regroupements (clusters) des 22 termes et expressions les plus redondants dans le corpus d’articles scientifiques Meta selon VOSviewer

Figure 1. Regroupements (clusters) des 22 termes et expressions les plus redondants dans le corpus d’articles scientifiques Meta selon VOSviewer

20Pour Google, 22 termes et expressions ont aussi été retenus (figure 2) et 4 clusters émergent, ce que l’on peut interpréter comme une plus grande variété d’orientations de recherche dans les articles du corpus. Sans revenir sur chacun d’entre eux, nous pouvons souligner que :

  • le cluster 1 regroupe des articles qui associent l’emotional facial expression d’un visage (face) tel un sourire (smile) comme un moyen d’évaluer un effet en contexte ;

  • ceux du cluster 2 associent l’expérience des plateformes avec la question de la haine, des attaques ou du harcèlement (harassment), particulièrement lorsque cela concerne les créateurs de contenus ;

  • ceux du cluster 4 associent le sentiment analysis aux textes, aux applications, aux produits (comme Google Business).

Figure 2. Regroupements (clusters) des 22 termes et expressions les plus redondants dans le corpus d’articles scientifiques Google selon VOSviewer

Figure 2. Regroupements (clusters) des 22 termes et expressions les plus redondants dans le corpus d’articles scientifiques Google selon VOSviewer

21En somme, les deux entreprises vont tout d’abord orienter leurs recherches vers des problématiques propres aux besoins et fonctionnalités de leurs plateformes. Pour Google et son modèle documentaire construit autour de la hiérarchisation de contenus informationnels produits par les internautes ou certaines organisations, la question de l’analyse des sentiments et des opinions est ainsi centrale (Lu et al., 2020 ; Sun, Liu et Prasad, 2019 ; Li et al., 2014 ; Täckström et McDonald, 2011a, 2011b ; Councill, McDonald et Velikovich, 2010 ; McDonald et al., 2007 ; Shafran et Mohri, 2005). Pour Meta, dont le modèle repose sur l’instrumentalisation des graphes relationnels entre usagers et usagères pour affiner la recommandation de contenus que ce soit sur Facebook ou Instagram, comprendre les émotions des publics au travers de leurs publications est une occasion de favoriser leur socialisation (Burke, Marlow et Lento, 2010 ; Kramer, 2012 ; Burke et Develin, 2016 ; Scissors, Burke et Wengrovitz, 2016 ; Burke, Cheng et De Gant, 2020). Comme nous le verrons, ces orientations s’appuient néanmoins sur des modèles techniques communs aux deux entreprises.

Corpus et analyse des brevets

  • 11 Les brevets sont en effet déposés au nom de Google Inc., et non d’Alphabet.

22Notre corpus de brevets a été collecté avec le logiciel Patent2net (Reymond et Noyer, 2022), de janvier 2012 à septembre 2024 à partir des mêmes mots-clés que pour les articles (figure 4) : Meta (n = 20), Google11 et ses filiales (n = 21), ByteDance (n = 17) et X/Twitter (n = 5). Nous avons par la suite effectué un traitement lexico-sémantique semblable à celui des publications scientifiques. L’analyse qualitative a quant à elle été effectuée au moyen d’une grille d’analyse reprenant les mêmes items que ceux des publications scientifiques.

23Dans ces brevets, différents concepts du champ affectif sont abordés (figure 3). Parmi eux, 43,5 % présentent ainsi des inventions capables de reconnaître les émotions, de les analyser ou même d’influer sur elles, là où plus de 15 % vont s’intéresser aux ressentis (feeling) et à l’humeur (mood). Un plus petit volume de brevets décrit des dispositifs centrés sur les sentiments et les expressions (faciales ou textuelles) des usagers et usagères des plateformes.

Figure 3. Principaux concepts discutés dans les brevets déposés par les quatre entreprises de notre corpus (43,5 % des brevets traitent des émotions)

Figure 3. Principaux concepts discutés dans les brevets déposés par les quatre entreprises de notre corpus (43,5 % des brevets traitent des émotions)

24Toujours à l’aide de VOSviewer, nous avons identifié cinq clusters terminologiques (liens de proximité entre les 36 expressions ou termes les plus fréquents) qui mettent en relief les grandes orientations de ces brevets à partir de leurs titres et de leurs résumés (figure 4).

Figure 4. Cartographie lexico-sémantique des 36 expressions et termes les plus redondants dans le corpus de brevets

Figure 4. Cartographie lexico-sémantique des 36 expressions et termes les plus redondants dans le corpus de brevets

25On peut voir au centre de cette cartographie le terme user. Si mise en données des émotions il y a, alors celle-ci s’alimente des usages des publics des plateformes de ces entreprises. De même, chaque concept du champ affectif correspond à un cluster particulier, au sein duquel il est associé à des termes dénotant des dispositifs techniques et des finalités applicatives. Dans certains brevets, les images et la musique sont présentées comme en mesure de provoquer des émotions dont la captation devient alors possible par des équipements spécifiques (electronic equipment). La notion de sentiment est quant à elle associée à celle de communication, de réseaux sociaux numériques, de documents, avec pour possible finalité des inventions présentes dans ce cluster la production de scores de sentiments. Le ressenti (feeling) est généré par des interactions avec les contenus et les informations produits en ligne par les dispositifs informatiques et par les robots dont les brevets associés à ce cluster se font forts de décrire le développement. Enfin, certains brevets conçoivent l’humeur (mood) comme la conséquence de l’exposition quotidienne de certains publics aux médias et à la musique. Un dernier cluster laisse entrevoir des inventions proposant des modes personnalisés d’affichage de vidéos en fonction des affections des spectateurs et spectatrices. Ces brevets décrivent donc des inventions qui diffèrent en fonction des types d’émotions qu’elles postulent pouvoir transformer en données puis traiter. Que ce soit dans les brevets ou les publications scientifiques, la production, le traitement et la captation de données affectives reposent sur les interactions et les contenus des usagers et usagères. Pour stimuler cette production émotionnelle (commentaires, photos, vidéos, messages vocaux, clics, etc.), les mêmes entreprises développent un ensemble de prescriptions et de discours à destination non seulement de ces mêmes usagers et usagères, mais aussi des annonceurs publicitaires et créateurs et créatrices de contenus.

Corpus et analyse des prescriptions et discours promotionnels

26Au sein des sites de relations de presse et de prescriptions d’usage de ces mêmes quatre entreprises12, nous avons identifié la présence des mots-clés voulus à l’aide d’une requête (site) sur le moteur de recherche sur Google.com : Meta (n = 86 pages Web), Google/YouTube (n = 32), ByteDance (n = 124) et X (n = 115). Pour ce corpus, nous avons uniquement appliqué une analyse qualitative thématique à partir d’une grille de codage libre, puis un processus d’analyse inductive (Thomas, 2006). En effet, les brevets et dans une moindre mesure les publications scientifiques reposent sur une organisation des propos relativement similaires, avec une terminologie circonscrite. Les prescriptions de chaque plateforme quant à elles varient fortement tant dans leur mise en page que pour le choix de termes, parfois inventés pour distinguer une plateforme de l’autre13. De ce processus ont émergé quatre grandes catégories thématiques permettant de mettre en relief les représentations des affects que véhiculent ces plateformes, ainsi que ce qui est attendu de leur instrumentalisation. Tout d’abord, activer les émotions des publics permet de créer un lien avec eux, puis de générer du profit et des données utiles à la recherche (marketing et scientifique). Pour ce faire, il convient d’utiliser les fonctionnalités affectives proposées par ces plateformes (ajout de filtres, de sons, d’images, d’émoticônes, etc.), de valoriser les identités des publics (nationales, de genre, sexuelles, etc.) ou de communiquer autour d’événements réunificateurs et commerciaux (Saint-Valentin, Noël, etc.). Afin d’éviter que toutes ces affections n’entraînent des conséquences délétères, et pour prendre soin des usagers et usagères tout en assurant leur sécurité, les plateformes soulignent l’importance d’encadrer les expressions émotionnelles, particulièrement les contenus haineux. Tout cela permet alors d’avoir des plateformes qui favorisent la diffusion de la joie partout dans le monde ! À la lecture de ces corpus, et par leur analyse, se dessine donc un ensemble de techniques et de méthodes de mise en données de nos affections et ressentis. Les ambitions des plateformes semblent à la (dé)mesure des discours sur les émotions qu’elles charrient au travers de ces diverses publications.

Datafication des émotions et instrumentalisations des affections : ce que les plateformes disent vouloir faire de nos émotions

27Nos différents corpus nous offrent une vision partielle, mais néanmoins précise, de ce que les plateformes que nous étudions revendiquent et ambitionnent de faire avec les affects de leurs usagers et usagères. Plutôt que d’en proposer une description puis une longue analyse systématique, nous choisissons ici de donner une vue d’ensemble des processus à l’œuvre dans ces stratégies de mise en données et de traitement de ce que les plateformes qualifient d’émotion.

  • 14 Notre traduction de « Emotion can be a mental state that is associated with physiological activity (...)

28Un premier constat est que ces entreprises ne s’embarrassent pas d’une définition précise des objets qu’elles prétendent pouvoir capter, mettre en données et traiter. La quasi-totalité des brevets ne définit pas ce qu’est une émotion, se contentant d’en citer la gamme (peur, joie, tristesse, etc.) ou de fournir une explication floue : « L’émotion peut être un état mental associé à une activité physiologique et peut être influencée par des conditions internes ou externes14 » (US20190197073A1). Si une approche aussi peu étayée peut favoriser le dépôt d’inventions au spectre applicatif très large, il est plus étonnant de ne pas trouver de discussion aboutie dans les publications scientifiques de ces entreprises. Par exemple, seuls dix articles sur trente publiés par les équipes de Google définissent les émotions (Kelley et al., 2021 ; Egelman et al., 2020 ; Lu et al., op. cit. ; Sun, Liu et Prasad, op. cit. ; Liu, Sosik et Singh, 2018 ; Ryokai, Raffle et Kowalski, 2012 ; Titov et McDonald, 2008 ; McDonald et al., op. cit. ; Cui, Mittal et Datar, 2006 ; Shafran et Mohri, op. cit.). Comme pour Meta (Kramer, 2012 ; Burke et Develin, op. cit. ; Wang, Burke et Kraut, 2016 ; Shukla, Petridis et Pantic, 2021 ; Rognon, Stephens-Fripp et al., 2022 ; Jegorova, Petridis et Pantic, 2023), les émotions y sont principalement discutées par le prisme des travaux de Paul Ekman et sont uniquement caractérisées par leur valence positive, négative ou neutre et leur intensité, ou arousal (Kreuk et al., 2021). Quant aux prescriptions des plateformes, elles tiennent pour acquis qu’une émotion est avant tout un effet produit sur les individus, dit autrement, une affection.

29En première lecture, les émotions apparaissent donc comme des données au sens le plus réducteur : elles sont universelles, leur description est univoque et elles ne prêtent pas à discussion ou à débat. Ne reste plus alors qu’à les structurer pour produire de la valeur. Nous allons dès lors discuter dans la partie suivante ce que pourrait être cette valeur, puis les moyens mis en œuvre pour la produire et les conséquences probables de cette production, avant de mettre en exergue des questionnements éthiques nécessaires.

Promesse et représentation des « données affectives »

30Suivre l’innovation depuis des articles et brevets jusqu’aux prescriptions faites aux marques, aux créateurs et créatrices de contenus ainsi qu’aux usagers et usagères nous permet d’élaborer la chaîne de valeur des technologies affectives telles que les imaginent les plateformes.

31Les émotions exprimées sur lesdites plateformes sont évidemment la donnée centrale. Parmi les brevets collectés, 51 % proposent de les identifier afin d’anticiper les réactions possibles et d’activer des recommandations personnalisées. Ces recommandations concernent les choix d’émoji ou de sticker à employer selon le texte en cours d’écriture, et plus largement les informations et autres contenus. Les modes de classification envisagés sont encore hétérogènes (par intensité, par polarisation binaire, par agrégation), mais les sources couvrent autant les publications en ligne que les messageries privées. Les brevets, dans 17 % des cas, visent l’analyse de contenus multimodaux (image, musique, vidéo) à des fins de sous-titrage, de recommandation de musique pour accompagner un texte ou d’élaboration de collections (playlist). Les émotions sont présentées comme un flux d’information reflétant des changements d’humeur chez l’usager et l’usagère, et 41 % des brevets visent à adapter l’interface ou le parcours-utilisateur selon ces variations. Enfin, un brevet sur quatre encourage l’expression émotionnelle individuelle dans la messagerie, lors de diffusion en direct (streaming), dans des événements virtuels, dans les fils personnalisés (newsfeed), par des indicateurs sémiotiques ou d’autres fonctionnalités.

  • 15 Tous les verbatims en français et en anglais, comme des liens menant aux pages analysées, sont disp (...)

32Les cas d’usage sont aussi variables, particulièrement dans les articles scientifiques. Les plateformes se positionnent sur des filières technologiques complémentaires, comme les technologies sensorielles chez Facebook et la robotique chez Google. Dans ce dernier cas, il s’agit de développer des robots thérapeutiques pour accompagner les personnes ayant un trouble du spectre autistique. De manière générale cependant, les finalités sont d’abord centrées sur l’expérience proposée aux utilisateurs des médias sociaux. Sur cette base individuelle, les plateformes envisagent aussi la production de données agrégées : les avis clients chez Google ou des statistiques sur le « Bonheur National Brut » chez Facebook. Twitter est la seule plateforme à inciter explicitement les marques à provoquer des émotions pour obtenir des données afin de mieux analyser les audiences (A2)15.

33Les créateurs de contenus restent la figure principale dans les préoccupations que les plateformes expriment au travers de leurs prescriptions d’usage. Il peut s’agir aussi bien de créateurs indépendants que d’employés dans des services ou agences de communication marketing. Les discours qui leur sont destinés dans des pages dédiées listent d’abord toutes les fonctionnalités affectives qu’ils peuvent mobiliser selon leurs objectifs. En tant qu’énonciateur, les émojis servent « à indiquer les émotions par rapport au contenu d’une publication » (A3), rappelle Facebook, tandis qu’ils offrent « la possibilité à [leur] audience de partager son ressenti » (A4) sur Instagram. Sur cette plateforme, les filtres visuels sont aussi mis de l’avant dans les prescriptions, afin d’« associer une humeur au contenu » (A5). Sur Twitter, les filtres apportent du « style et de l’humeur » (A6) aux photos. Le storytelling est aussi encouragé, et Meta prône le développement d’histoires (stories) de marque initiées par les émotions (emotion-led brand stories, A7). Facebook est encore plus explicite : il s’agit de faire du « storytelling avec son cœur » (A7).

34Dans cette veine, les créatrices et créateurs de contenus sont invités à voir les événements comme autant d’occasions émotionnelles de générer du profit. Au moment où nous écrivons cet article, c’est la saison de la Saint-Valentin (A8), et les conseils sont nombreux sur les pages consultées. La rentrée des classes ou les Jeux olympiques sont aussi des événements propices. L’invitation est claire chez Facebook : « Découvrez comment les équipes de marketing de performance peuvent parler le langage de l’amour et développer du contenu publicitaire qui suscite l’émotion et incite à l’action » (A9) (nous soulignons). « Love always », nous dit TikTok à cette occasion (A10). Le Mois des fiertés apporte aussi des possibilités. Elles sont essentiellement commerciales chez Meta, qui donne des conseils pour « tirer parti des fonctionnalités d’achat dans votre propre boutique pendant cette saison de la fierté » (A11). L’approche est plus communautaire chez TikTok, qui invite à le rejoindre lors de la « #ForYourPride TikTok celebration » (A12) ; la plateforme considère ainsi que les membres de la communauté LGBTQIA+ ou de #BlackTikTok sont les plus créatifs et les plus positifs (A13). Twitter/X tient un discours tout autant inclusif (au moment de notre collecte). TikTok se distingue dans ces discours en accordant — et en préconisant de faire — beaucoup de place aux témoignages de ses créateurs et créatrices : l’une d’entre elles déclare ainsi se sentir « plus confortable et moins seule » (A14) parce que TikTok lui permet de revendiquer son identité culturelle. Dans les pages consultées, depuis le Québec, les « French-speaking Canadians » (A15) sont aussi valorisés.

  • 16 Notre traduction de « To give people the power to build community and bring the world closer togeth (...)

35Le sentiment d’appartenance à une communauté est essentiel chez Meta, dont la mission est, depuis 2017, de « donner aux gens le pouvoir de construire des communautés et de rassembler le monde16 ». TikTok l’énonce de manière similaire : « Rassembler est le maître-mot » (A16). Pour y arriver, les auteurs des pages-conseils proposent un exercice simple de texte à trous (A9), dans une page intitulée « Du Cœur au Panier » d’achat (figure 5).

Figure 5. Impression d’écran de la page Facebook Business Insights

Figure 5. Impression d’écran de la page Facebook Business Insights
  • 17 « We aim to fuel the creator economy by investing in creative solutions that spark joy, imagination (...)

36Les données émotionnelles sont aussi valorisées par des traitements algorithmiques peu explicités par les plateformes. Quand ces traitements sont mentionnés par TikTok, c’est à l’intérieur des solutions créatives que la plateforme dit offrir à l’industrie17. Finalement, ce sont surtout les actions de surface qui sont préconisées : les conseils dispensés insistent sur les effets des images (« Jouez sur la corde sensible avec des photos de produits captivantes », A8, Instagram), des vidéos (« connexion émotionnelle », A17, Twitter), du son (« a game changer », A18, TikTok).

  • 18 Notre traduction de « The last sunny corner of Internet »

37C’est donc bien la performance affective des usagers et usagères comme des annonceurs qui est visée ici, contrairement aux brevets et à la littérature scientifique qui décrivent les mécanismes permettant de stimuler ou de capter de manière massive et automatisée cette performance. Il nous apparaît que l’application de ByteDance est celle qui s’inscrit le plus dans cette démarche — discursivement en tout cas. En effet, TikTok se présente comme un « total mood booster » (A19) dont le seul objectif est la joie : « apporter la joie […] déclencher la joie […] trouver la joie » (A20, A21, A22). De même que Reddit se présentait comme la page d’accueil du Web, TikTok se voit comme le dernier coin de soleil d’Internet18. Nous interprétons cette posture comme une manifestation de l’idéologie de « l’énergie positive », une relecture contemporaine du confucianisme par le parti communiste chinois et qui se retrouve également dans d’autres applications comme WeChat (Rocher, 2024).

  • 19 Notre traduction de « transforming interest into awareness and desire into sales, with a success ra (...)

38L’objectif est le même, mais l’espace de réalisation est plus restreint chez Meta : « Grâce aux boutiques, nous voulons offrir aux gens un espace sur lequel découvrir les joies du shopping, loin des corvées de courses » (A23), peut-on lire sur Instagram. L’empathie est ainsi pensée comme un « sentiment essentiel [pour] attirer une nouvelle clientèle et la fidéliser » (A24). La surcouche émotionnelle viendrait conforter des effets de levier stratégique pour les marques. Les visions béhavioristes de l’émotion ressurgissent ici. Pour Meta, « les achats sont guidés par l’émotion et confirmés par la raison » (A25), sur Instagram il faut transformer l’intérêt en désir puis en vente19(A26). « Les émotions dirigent les ventes » (A27), selon Twitter, et « une découverte joyeuse mène à des achats inspirés » (A28).

  • 20 Ainsi, en 2016, on pouvait lire sur le blogue de Twitter : « We are proud of these efforts and hono (...)

39Ces intentions de positivité, d’expérience optimisée, de conversion d’achat, s’accompagnent d’une condition sine qua non spinoziste. Pour maintenir la joie, il faut réduire la haine. Ces efforts sont plus manifestes dans les brevets et les articles, où la reconnaissance des sentiments négatifs est largement explicitée. En surface, c’est d’abord la bienveillance qui est présentée afin de mieux accueillir et protéger non seulement les créateurs et créatrices de contenus, mais aussi les salariés20. À leur sujet, TikTok parle d’encapacitation (empowerment, A30), Twitter de santé mentale (A31), YouTube — pendant la pandémie — de soin de soi (self care, A32). Pour consolider l’espace sain qu’affichent les plateformes (safe space, A33), des fonctionnalités de dénonciation et de protection anticipée (safety mode, A34) sont mises à disposition des usagers et usagères (Address anti-Black sentiments when you see them, A35, Twitter), des campagnes anti-haine sont déployées (Swipe Out Hate, A36, TikTok) et les comptes promouvant des discours de haine sont « démonétisés ».

40S’agissant de promesses et de représentations, la stratégie affective des plateformes relève pour l’instant d’un discours destiné aux créateurs et créatrices de contenus pour les convaincre de la pertinence de stimuler et de faire circuler des affects, les leurs et ceux de leurs publics. Or c’est bien parce que la promesse — par la simplicité de sa formule — minore le processus de traitement des expressions émotionnelles et des affections que la datafication peut plus facilement être invisibilisée. Il nous apparaît alors nécessaire d’étudier plus en profondeur les traitements inhérents à cette mise en données des émotions.

Production et traitement des « données affectives »

41Dans nos corpus de publications scientifiques et de brevets, les moyens mis en œuvre dépendent du spectre affectif qui est mobilisé pour produire des données dites affectives à des fins de développement de dispositifs spécifiques. Deux grandes catégories de données sont utilisées : celles issues des productions des usagers et usagères de plateformes numériques et, dans une moindre mesure, celles biométriques en provenance de dispositifs portatifs (téléphones, casques de réalité virtuelle).

42Dans la première catégorie, les éléments collectés proviennent des plateformes dont les entreprises étudiées sont propriétaires. Les équipes de recherche vont ainsi constituer des corpus à partir de publications sur Facebook (Kramer, 2010 ; Burke, Marlow et Lento, op. cit. ; Kramer, 2012 ; Burke et Develin, op. cit.), d’avis et commentaires sur maps.google.com (Blair-Goldensohn et al., 2008) ou shopping.google.com (Cui, Mittal et Datar, op. cit.). Certains brevets décrivent plus précisément les données utilisées pour l’identification de sentiments, comme les émojis pour Twitter (US20200073485A1), les émoticônes pour Google (US20180059885A1) ou encore le croisement entre des éléments textuels et des « informations biographiques, démographiques et d’autres types d’informations descriptives, telles que l’expérience professionnelle, les antécédents scolaires, les loisirs ou les préférences, le lieu de résidence » pour Facebook (US20180165582A1). Mais ces entreprises ne se limitent pas à leurs plateformes. Des publications Reddit (Demszky et al., 2020 ; Dwivedi-Yu et Halevy, 2022), des critiques de films sur IMDB (Mesnil et al., 2015) ou de commerces sur TripAdvisor (Titov et McDonald, op. cit.) sont aussi collectées. Il en va de même avec la reconnaissance des émotions dans les images, les vidéos ou encore le son. Les données sont produites par les applications mobiles de ces plateformes. Par exemple, pour évaluer la réception affective d’une vidéo, TikTok propose dans un brevet de collecter « des informations vocales de l’utilisateur » et « une image du visage d’un utilisateur » (CN111443794A).

43Les données affectives apparaissent alors comme des données secondaires. Elles sont produites par l’agencement d’un grand volume de données primaires souvent hétérogènes, mais dont la qualification est nécessaire pour assurer par la suite une standardisation des processus de collecte, de production et d’analyse. Si, de 2010 à 2015, les travaux de recherche que nous avons étudiés mettent l’accent sur la capacité à produire une grande diversité de données sur les affects de leurs usagers et usagères, ceux qui suivent se concentrent particulièrement sur la nécessité de structurer ces jeux de données pour favoriser la reproductibilité et la standardisation des processus.

44Les entreprises vont utiliser pour leurs recherches des bases de données ouvertes proposant de grands volumes de données préqualifiées, c’est-à-dire annotées pour, par exemple, indiquer une intensité ou directement une émotion dans une image, un son, un texte. Spécifiquement constituées pour entraîner des algorithmes d’apprentissage, elles favorisent l’identification de contenus haineux (HateXplain, OffensEval), la reconnaissance des émotions sur les visages dans les images animées ou non (YouTube-8M, ImageNet) ou encore dans la voix (Interactive Emotional Dyadic Motion Capture). Le recours à ces bases de données reflète l’universalité supposée des émotions : puisqu’elles sont exprimées de manière similaire par toutes et tous, alors il est possible d’en proposer une qualification monosémique. Les bases de données sur les discours de haine sont élaborées à partir d’annotations produites avec la plateforme Amazon Mechanical Turk, les catégorisations sont basées sur la description des émotions issue des travaux de Picard et les données biométriques pour l’entraînement proviennent d’enregistrements avec des comédiens (motion capture). L’apprentissage machine se révèle alors utile pour industrialiser la production, puis le traitement de ces données secondaires qui sont qualifiées de « sentiments », « ressentis » ou « émotions ».

45Dans les recherches, les approches par self-supervised machine learning sont favorisées (Shukla, Petridis et Pantic, op. cit. ; Jegorova, Petridis et Pantic, op. cit.) avec des modèles répandus comme HuBERT (Kreuk et al., op. cit.), de même que les convolutional neural networks (Sun, Liu et Prasad, op. cit. ; Hickson et al., 2019 ; Attia et al., 2018 ; Marinoiu et al., 2018), notamment pour l’analyse du langage naturel (Demszky et al., op. cit. ; Lu et al., op. cit. ; Sun, Liu et Prasad, op. cit.). Dans une optique de standardisation et d’innovation ouverte (Chesbrough, Vanhaverbeke et West, 2006), ces entreprises mettent à disposition leurs bibliothèques logicielles (comme PyTorch pour Meta), des bases de données affectives annotées (Dwivedi-Yu et Halevy, op. cit.) ou leurs propres technologies d’apprentissage non supervisé (comme Transformer chez Google). Ces modèles informatiques favorisent par la suite la production de données affectives dans des contextes spécifiques que nous pouvons identifier au travers des brevets : par Google pour définir « l’humeur d’une musique » (US8977374B1), par TikTok pour obtenir une classification émotionnelle d’une vidéo (CN111767431A) ou encore par Twitter pour labéliser émotionnellement un tweet (WO2022256584A1).

46La datafication de nos affects mis en circulation sur les plateformes de médias sociaux repose donc avant tout sur des modèles qui s’autoalimentent, où les données qualifiées par l’un vont permettre de produire celles utiles à l’autre. Et c’est lorsque nous cliquons, nous écrivons, nous parlons, nous partageons nos photos que nous activons ces modèles qui vont alors déterminer ce que nous allons voir, avec qui nous allons interagir, ce qui doit et va nous affecter ou non. Zizi Papacharissi (2015) envisage les médias socionumériques comme des structures de sentiments où s’agrègent des publics affectifs par le biais de certaines fonctionnalités comme les hashtags. Les processus de mise en données des interactions et productions de ces publics affectifs nous permettent de dire qu’au-delà de ces structures de sentiments nous faisons bien face à des infrastructures affectives. La régulation même de leur fonctionnement repose en partie sur leur capacité à modéliser ce qui nous a affecté, va nous affecter ou pourrait le faire. Si un message nous est présenté sur Twitter ou Facebook, une image sur Instagram ou une vidéo sur TikTok, c’est que les termes qui y sont employés, les éléments représentés, la musique, font écho à des données primaires (textes, images, etc.) ou secondaires (sentiments, humeurs, etc.) déjà traitées. Ce qui nous affecte est donc le résultat de modélisations dont les tenants et les aboutissants sont invisibilisés. Cette invisibilisation est propre à toute forme de maintenance des infrastructures informatiques (Star et Strauss, 1999). La mise en données de nos affects repose donc sur le travail des usagers et usagères et sur l’interprétation de travailleurs des plateformes qui font usage de signes affectifs comme les émojis ou les likes, qui expriment des sentiments dans leurs commentaires ou encore qui sourient face à une caméra. C’est par l’agrégation de ces expressions intentionnelles ou non, en réponse à une injonction ou pas, qu’il devient par la suite possible de construire des modèles informatiques aptes à simuler des émotions et à stimuler des affections. Et, dans un mouvement circulaire, ces modèles sont ensuite utilisés pour construire de nouveaux dispositifs de propagation des affections et de mise en données des affects. En somme, la datafication des affects apparaît comme un moyen d’évaluer et d’orienter les affections des usagers et usagères. Ces affections étant un vecteur de notre puissance d’agir, les discours produits visent à souligner l’importance de leur activation continuelle.

47Ce recours aux données affectives ne se fait pas sans produire des effets de bord. Cela est donc particulièrement le cas lorsqu’elles sont utilisées non seulement pour stimuler des affections et orienter l’attention ou l’agir des usagers et usagères, mais aussi pour alimenter des « intelligences artificielles » qui vont par la suite automatiser la production de contenus et réguler les interactions afférentes (Stark et Hoey, 2021). La création de profils affectifs construits pour favoriser le ciblage publicitaire laisse entrevoir une question de privacy (McStay, op. cit.) : jusqu’à quel point ce qui relève de l’intime, voire de la corporalité, est utilisé dans un cadre commercial ou non ? Ensuite, la qualification même de ces données en sentiments, émotions ou ressentis laisse envisager une potentielle normalisation des expressions affectives, particulièrement lorsque celles-ci participent à la mise en visibilité algorithmique des contenus produits sur les plateformes. Les plateformes nous invitent à produire des données qui serviront à qualifier nos propres agirs, mais aussi ceux des autres. Présentées comme capables de décrire des émotions considérées comme universelles, ces données reçoivent, de la part de ces entreprises, un traitement qui réduit potentiellement la médiatisation des diversités de genre, de culture, etc., dont les expressions émotionnelles ne feraient pas écho aux standards techniques et aux présupposés épistémiques que nous avons identifiés dans nos corpus. C’est d’ailleurs pour cela qu’elles prescrivent les meilleures pratiques pour favoriser ces expressions minoritaires. Ce qui nous émeut doit s’inscrire dans les standards techniques des plateformes entraînant par là même une normalisation de nos affections, et une forme de confiscation de nos ressentis.

Ce que la datafication fait à nos affects : de la puissance d’agir à l’aliénation émotionnelle

48Dans notre recherche, nous abordons les stratégies pour opérer la datafication de nos affects comme des agencements complexes, aux multiples composantes techniques et technologiques, mais aussi discursives et idéologiques. Ces infrastructures affectives entraînent ultimement un processus d’aliénation des activités humaines, et plus spécifiquement du vécu émotionnel des individus, sous la forme de data. De fait, l’extraction des expériences intimes et affectives des individus en données à des fins de valorisation marchande et d’amélioration des services proposés induit une profonde distance quant à la richesse existentielle relative à ces expériences, c’est-à-dire une abstraction de leur dimension qualitative. Le terme d’agencement n’est pas anodin et renvoie au lexique de Gilles Deleuze et Félix Guattari, dont certains concepts apparaissent toujours d’actualité pour aborder les mutations et dynamiques du numérique.

49Nous proposons plus spécifiquement de nous appuyer sur le concept d’agencement. Pour Deleuze et Guattari, un agencement présente deux dimensions ou plutôt deux facettes qui nous semblent particulièrement adaptées pour penser le mouvement de datafication des affects. Deleuze et Guattari qualifient d’agencement machinique le mélange complexe « de corps, d’actions et de passions, mélange de corps réagissant les uns sur les autres » et d’agencement collectif d’énonciation ce qui se rapporte à une série « d’actes, et d’énoncés, transformations incorporelles s’attribuant au corps » (Deleuze et Guattari, 1980, p. 630). Pour simplifier, un agencement collectif d’énonciation ne renvoie pas seulement à un énoncé individuel, mais bien à différents systèmes de signes (langagiers, visuels, etc.) qui peuvent se traduire en discours, images, fictions, représentations de toute sorte. C’est la raison pour laquelle nous portons, dans notre recherche, notre regard sur les discours issus des brevets, des publications scientifiques et marketing qui visent comme on l’a vu à stimuler la production émotionnelle des utilisateurs, laquelle laisse des traces textuelles, sonores ou encore visuelles. Ces discours participent à la constitution d’un imaginaire scientifique, de normes, de prescriptions et d’usages, où l’émotion apparaît précisément comme quelque chose de fondamentalement calculable et profitable. Et les traces sont traitées et captées par des infrastructures affectives dont les configurations et le fonctionnement dérivent de cet agencement collectif d’énonciation que nous cherchons à analyser. Nous en venons à présent à l’autre face de l’agencement, soit la face machinique.

50À la différence de l’agencement collectif d’énonciation qui présente plus spécifiquement une dimension discursive et symbolique, l’agencement machinique porte à considérer les relations multiples et transversales entre des éléments matériels, techniques, humains, énergétiques en tant qu’ils agissent et réagissent les uns avec les autres. Le choix du terme de machine n’est pas anodin. Pour Deleuze et Guattari, la machine donne l’image d’un appareil mécanique constitué par des éléments hétérogènes, animés par des mouvements, des automatismes, des circulations énergétiques. Dans une telle configuration, l’humain est relégué à une position subalterne, pièce et rouage d’un agencement machinique plus large qui génère des automatismes et des répétitions ; un agencement machinique sur lequel il n’a par ailleurs aucune prise. Reprenant à plusieurs reprises les mots-clés de la cybernétique (feedback, contrôle, information), Deleuze et Guattari qualifient d’ailleurs cette relation humain-machine d’asservissement machinique pour souligner l’enrôlement et la mise au travail des fonctions perceptives, des valeurs affectives et des schèmes de pensée des individus pour assurer le fonctionnement d’ensemble. Dans notre recherche, l’agencement machinique concerne les liens et interactions entre les plateformes, les logiciels, les ingénieurs, les utilisateurs et les données que nous avons précisément voulu cartographier. À cet égard, les brevets sont riches d’enseignement. Leur analyse nous a permis d’observer le rôle majeur des technologies algorithmiques et des modèles d’apprentissage profond dans le processus de datafiction du vécu émotionnel des individus. Nous proposons d’analyser cette capture de « l’énergie affective » en données (sons, images, textes) jusqu’à leur traitement grâce à une gamme de techniques d’analyse d’émotions qui sert les intérêts de ces grandes firmes technologiques que sont Meta, Google, X ou ByteDance, comme un large processus d’aliénation émotionnelle.

51Prenons l’exemple d’un usager de Facebook. Son énergie affective et son vécu émotionnel vont éventuellement transparaître sur son visage ou dans ses commentaires. Des techniques d’apprentissage automatique vont détecter de la joie ou de la colère, de la peur ou de la surprise. Ces émotions circulent et s’affranchissent des situations singulières, des contextes culturels, des relations intersubjectives au cours desquels elles ont pu s’exprimer. Elles sont capturées par des dispositifs que nous avons identifiés dans les brevets et les publications scientifiques : entraînement de l’intelligence artificielle pour l’amélioration d’agents conversationnels, surveillance pour identifier les comportements toxiques et dangereux, pour prédire et suggérer des articles et services par de la publicité ciblée. Cette capture concerne l’agencement machinique d’abord, notamment lorsque cette aliénation émotionnelle sert à améliorer la performance financière de ces firmes, des technologies algorithmiques qu’elles développent, des savoirs des scientifiques qu’elles emploient, de l’activité des usagers et usagères qu’elles exploitent et qu’elles asservissent. Et l’agencement collectif d’énonciation ensuite, lorsque l’analyse et le traitement automatisés des émotions viennent nourrir une vision du social qui légitime et banalise cette surveillance intime des expressions faciales des usagers et usagères, de leurs commentaires et autres likes venant nourrir un « territoire émotionnel », pour reprendre l’expression de Meta.

52Au sein de ces discours, les régulations juridiques et les normes éthiques pèsent peu. Dans les brevets et articles scientifiques analysés, nous n’avons observé que très peu, voire aucune considération éthique approfondie sur la production et le traitement des données affectives (Alloing et al., 2025). Tout se passe comme si cette surveillance de l’intime systématiquement associée à nos usages et communications en ligne ne posait aucun problème dans la mesure où elle se présente comme une condition nécessaire à l’amélioration du fonctionnement des plateformes et au contrôle des comportements, positifs ou négatifs, c’est selon. Lorsque le terrain de l’éthique est investi, c’est généralement sous l’angle managérial de la vie privée qui amène son lot de mots-clés passe-partout, série de signifiants flottants constitutifs des agencements collectifs d’énonciation analysés : transparence, gestion responsable, principe d’explicabilité, mécanisme de gouvernance, etc. Or, suivant une perspective spinoziste, l’éthique commande de réfléchir aux conditions de possibilité d’une vie bonne et aux causes qui en bloquent l’accès par une limitation de la puissance d’agir. Dans la terminologie de Spinoza, il y a une force désirante, un pur élan, mais qui n’a cependant aucune direction donnée. C’est un désir sans objet. Dès lors, les objets que l’on essaie de poursuivre ne peuvent que venir du dehors, d’une rencontre avec des choses, des corps, des représentations. La force désirante institue des choses comme objet de désir, investissements qui sont entièrement déterminés par le jeu des affects. Comme l’a bien montré Lordon (2010), chaque société se donne des objets de désir licites. Plus précisément, les structures sociales, déterminées par des rapports de production capitaliste, configurent les désirs et prédéterminent les stratégies pour les atteindre. Dans notre recherche, on observe que les usagers et usagères de ces plateformes entretiennent un rapport d’enrôlement avec ces firmes technologiques qui ont besoin de leur puissance d’agir affective et émotionnelle. L’enrôlement fonctionne par le désir de rejoindre ces infrastructures affectives qui multiplient les occasions de joie par l’accès aux marchandises émotionnelles comme promesse d’expériences affectives fortes et mémorables. Ces expériences constituent des moments joyeux du rapport affectif des usagers et usagères aux plateformes. Or, comme on l’a vu, ces expériences émotionnelles circulent dans un agencement machinique complexe et opaque qui tire profit de la puissance d’agir individuelle et collective. Plutôt que de servitude volontaire, il faudrait plus spécifiquement parler de servitude passionnelle pour souligner ici l’idée que les usagers et usagères de ces plateformes s’activent joyeusement sur ces plateformes pour servir un désir qui n’est pas le leur. Autrement dit, tout le problème de l’aliénation émotionnelle que nous avons cherché à étudier se présente dans les discours scientifiques, marketing et technologiques comme une forme d’aliénation joyeuse et stimulante.

Conclusion

53Vous êtes témoin d’une scène qui vous semble injuste et que vous voulez partager au plus grand nombre : quelle plateforme pourrait accueillir votre indignation ? Sachant que des algorithmes peuvent décomposer ce sentiment en colère et dégoût, dans quelle mesure TikTok, plateforme de la joie, va-t-elle prioriser la circulation de votre témoignage ? Quel accompagnement musical viendra proposer Instagram pour maximiser les interactions ? Dans quelle boucle de recommandation YouTube enfermera-t-il votre vidéo ? Qualifiant votre discours de haineux, quel autre contenu proposera Facebook à vos abonnés pour modérer votre indignation ? Comment seront qualifiés à leur tour vos commentateurs tout aussi indignés que vous, plus virulents peut-être, ou désabusés, aigris, cyniques ? Finalement, quelle sera la légitimité sociale de votre indignation au regard de la qualification algorithmique des émotions exprimées dans votre message ? Si vous voulez que votre message porte loin, lisez les manuels des plateformes du Web social et apprenez à sourire, quelle que soit l’intensité de votre colère ou de votre dégoût. Au sens de Spinoza, même la Joie devient Tristesse, dans la mesure où les plateformes la rendent inadéquate.

54Dans notre article, nous montrons en effet qu’au travers de leurs publications, les quatre plus grandes entreprises détentrices de plateformes dites de médias sociaux font des innovations affectives un levier de leur croissance économique. Plus que ça même, les émotions exprimées permettent la régulation des usages et de la circulation des contenus. Pour ce faire, elles déploient des stratégies de R-D visant à mettre en données nos affects pour favoriser nos affections. Cette datafication suppose la collecte de données primaires principalement produites par les usagers et usagères, par leurs écrits, leurs interactions, mais aussi leurs corps, puis leur traitement par des algorithmes d’apprentissage pour produire des données secondaires qui seront qualifiées de sentiments, d’émotions, d’humeurs ou encore de ressentis. Ces données affectives sont à la fois des données secondaires, puisqu’elles n’existent que par l’agencement d’autres données, et des métadonnées, puisqu’elles sont nécessaires pour affiner la description de certains objets (au sens informatique du terme).

  • 21 Voir : « Meta revoit sa politique de modération de contenus et se rapproche de Donald Trump » par C (...)

55Le choix assumé d’une appréhension universalisante des émotions, c’est-à-dire qui se défait de tout contexte, ne répond pas seulement aux impératifs techniques de leur mise en données. Il permet aux plateformes d’invisibiliser leurs modes de gouvernance. Qualifier tel propos de haineux ou tel autre de positif a une incidence directe sur sa médiatisation, sa circulation, sa discussion, et bien entendu sur la manière dont il va affecter certains individus. Il y a par conséquent lieu de s’interroger sur les implications des nouvelles politiques de modération par Twitter/X depuis son rachat ou par Meta depuis les élections présidentielles aux États-Unis en 202421. La définition même de ce qui est négatif y évolue pour laisser place à des expressions autrefois qualifiées de haineuses, et les prises de parole de certains usagers et usagères autrefois fêtés pour leurs diversités sont qualifiées négativement. Ce faisant, ce qui nous affecte ne nous permet plus de persévérer dans notre être, mais uniquement de renforcer la puissance d’agir des plateformes. La mise en données de nos affects va de pair avec l’accroissement du pouvoir de celles et ceux qui l’opèrent à l’échelle industrielle.

Haut de page

Bibliographie

ALLOING Camille et Julien PIERRE (2017), Le Web affectif. Une économie numérique des émotions, Créteil, Institut national de l’audiovisuel (INA).

ALLOING Camille et Julien PIERRE (2020), « Le tournant affectif des recherches en communication numérique. Présentation », Communiquer. Revue de communication sociale et publique, 28, p. 1-17.

ALLOING Camille et Julien PIERRE (2021), « Nudges ou affordances ? Tisser la toile d’une affection distribuée », Actes sémiotiques, 124, DOI : https://doi.org/10.25965/as.6751.

ALLOING Camille, Elsa FORTANT, Julien PIERRE, Fabien RICHERT et Rémi PALISSER (2025), « Knowing your users by heart: A critical examination of the scientific research on emotions conducted by social media platforms », Social Media + Society, 11(3), DOI : https://doi.org/10.1177/20563051251355.

ARVIDSSON Adam (2011), « General sentiment: How value and affect converge in the information economy », The Sociological Review, 59, p. 39-59.

ATTIA Mohammed, Younes SAMIH, Ali ELKAHKY et al. (2018), « Multilingual multi-class sentiment classification using convolutional neural networks », Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018), European Language Resources Association, Miyazaki, https://aclanthology.org/L18-1101/, page consultée le 10 octobre 2025.

BELLI Jill (2016), « Unhappy? There’s an app for that: Tracking well-being through the quantified self », Digital Culture & Society, 2(1), DOI : https://doi.org/10.14361/dcs-2016-0107.

BERGER Jonah et Katherine MILKMAN (2013), « Emotion and virality: What makes online content go viral? », NIM Marketing Intelligence Review, 5(1), p. 18.

BERNARD Julien (2015), « Les voies d’approche des émotions », Terrains/Théories, 2, DOI : https://doi.org/10/ggwrbb.

BLAIR-GOLDENSOHN Sasha, Kerry HANNAN, Ryan MCDONALD et al. (2008), « Building a sentiment summarizer for local service reviews », WWW Workshop on NLP in the Information Explosion Era, p. 339-348.

BURKE Moira et Mike DEVELIN (2016), « Once more with feeling: Supportive responses to social sharing on Facebook », Proceedings of the 19th ACM Conference on Computer-Supported Cooperative Work & Social Computing, 27 février au 2 mars, San Francisco, p. 1462-1474, https://research.facebook.com/file/373780360921794/once-more-with-feeling-supportive-responses-to-social-sharing-on-facebook.pdf, page consultée le 8 octobre 2025.

BURKE Moira, Justin CHENG et Bethany DE GANT (2020), « Social comparison and Facebook: Feedback, positivity, and opportunities for comparison », Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 20 au 25 avril, Honolulu, p. 1-13, https://research.facebook.com/file/3068383903380990/Social-Comparison-and-Facebook-Feedback-Positivity-and-Opportunities-for-Comparison.pdf, page consultée le 8 octobre 2025.

BURKE Moira, Cameron MARLOW et Thomas LENTO (2010), « Social network activity and social well-being », Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 10 au 15 avril, Atlanta, p. 1909-1912, https://research.facebook.com/file/205729714945323/social-network-activity-and-social-well-being.pdf, page consultée le 8 octobre 2025.

CHESBROUGH Henry, Wim VANHAVERBEKE et Joel WEST (2006), Open Innovation: Researching a new paradigm, Oxford, Oxford University Press.

CHIGNARD Simon et Louis-David BENYAYER (2015), Datanomics. Les nouveaux business models des données, Limoges, FYP Éditions.

CORBIN Alain, Jean-Jacques COURTINE et Georges VIGARELLO (dir.) (2016a), Histoire des émotions. 1. De l’Antiquité aux Lumières, Paris, Seuil.

CORBIN Alain, Jean-Jacques COURTINE et Georges VIGARELLO (dir.) (2016b), Histoire des émotions. 2. Des Lumières à la fin du xixe siècle, Paris, Seuil.

CORBIN Alain, Jean-Jacques COURTINE, Georges VIGARELLO (dir.) (2017), Histoire des émotions. 2. De la fin du xixe siècle à nos jours, Paris, Seuil.

COULDRY Nick (2019), « Capabilities for what? Developing sen’s moral theory for communications research », Journal of Information Policy, 9, p. 43-55, DOI : https://doi.org/10.5325/jinfopoli.9.2019.0043.

COUNCILL Isaac, Ryan MCDONALD et Leonid VELIKOVICH (2010), « What’s great and what’s not: learning to classify the scope of negation for improved sentiment analysis », Proceedings of the Workshop on Negation and Speculation in Natural Language Processing, Association for Computational Linguistics, Uppsala, p. 51-59.

CUI Hang, Vibhu MITTAL et Mayur DATAR (2006), « Comparative experiments on sentiment classification for online product reviews », Association for the Advancement of Artificial Intelligence, https://cdn.aaai.org/AAAI/2006/AAAI06-198.pdf, page consultée le 8 octobre 2025.

DAGIRAL Éric, Séverine DESSAJAN, Tomas LEGON, Olivier MARTIN, Anne-Sylvie PHARABOD et Serge PROULX (2019a), « Faire place aux chiffres dans l’attention à soi », Réseaux, 4(216), DOI : https://doi.org/10/ggjn85.

DAGIRAL Éric, Christian LICOPPE, Olivier MARTIN et Anne-Sylvie PHARABOD (2019b), « Le quantified self en question(s). Un état des lieux des travaux de sciences sociales consacrés à l’automesure des individus », Réseaux, 4(216), DOI : https://doi.org/10.3917/res.216.0017.

DELEUZE Gilles (1988), Spinoza Philosophie pratique, Paris, Minuit.

DELEUZE Gilles et Félix GUATTARI (1980), Mille plateaux. Capitalisme et schizophrénie 2, Paris, Minuit.

DEMSZKY Dorottya, Dana MOVSHOVITZ-ATTIAS, Jeongwoo KO et al. (2020), « GoEmotions: A dataset of fine-grained emotions », arXiv preprint arXiv:2005.00547, Cornell University, DOI : https://doi.org/10.48550/arXiv.2005.00547.

DWIVEDI-YU Jane et Alon Y. HALEVY (2022), « “That’s so cute!”: The CARE dataset for affective response detection », arXiv preprint arXiv:2201.11895, https://arxiv.org/pdf/2201.11895, page consultée le 8 octobre 2025.

EGELMAN Carolyn D., Emerson MURPHY-HILL, Elizabeth KAMMER et al. (2020), « Predicting developers’ negative feelings about code review », Proceedings of the ACM/IEEE 42nd International Conference on Software Engineering, 23 au 29 mai, Séoul, DOI : https://doi.org/10.1145/3377811.3380414.

EKMAN Paul (1992), « An argument for basic émotions », Cognition & Emotion, 6(3-4), p. 169-200.

EKMAN Paul et Wallace V. FRIESEN (1969), « The repertoire of nonverbal behavior: Categories, origins, usage, and coding », semiotica, 1(1), p. 49-98.

GILROY-WARE Marcus (2017), Filling the void: Emotion, capitalism and social media, Londres, Duncan Baird Publishers.

GROVER Rohan, Josh WIDERA et Mike ANANNY (2025), « Data disaffection: Toward a relational and affective understanding of datafication », New Media & Society, 37(2), p. 115-127, DOI : https://doi.org/10.1177/14614448241310901.

HALLINAN Blake (2019), Like! feelings and friendship in the age of algorithms, thèse de doctorat, Boulder, University of Colorado.

HARZING Anne-Will (2007), « Publish or perish », Harzing.com, 6 février, https://harzing.com/resources/publish-or-perish, page consultée le 9 octobre 2025.

HICKSON Steven, Nick DUFOUR, Avneesh SUD et al. (2019), « Eyemotion: Classifying facial expressions in VR using eye-tracking cameras », 2019 IEEE Winter Conference on Applications of Computer Vision (WACV), Waikoloa, p. 1626-1635, DOI : https://doi.org/10.1109/WACV.2019.00178.

HILLIS Ken, Susanna PAASONEN et Michael PETIT (2015), Networked affect, Cambridge, MIT Press.

IZARD Caroll (1977), Human Emotions, New York, Springer US.

JAIN Anuj, Debasis PRADHAN, Abishek KUANR et Shiwangi SINGH (2025), « Self‐quantification and consumer well‐being: A meta‐analytic review », Psychology & Marketing, 42(2), p. 514-538, DOI : https://doi.org/10.1002/mar.22141.

JANASIK-HONKELA Nina (2018), « Reclaiming melancholy by emotion tracking? Datafication of emotions in health care and at the workplace », Open Cultural Studies, 1(1), p. 549-558, DOI : https://doi.org/10.1515/culture-2017-0052.

JEGOROVA Marija, Stavros PETRIDIS et Maja PANTIC (2023), « SS-VAERR: self-supervised apparent emotional reaction recognition from video », 2023 IEEE 17th International Conference on Automatic Face and Gesture Recognition (FG), Waikoloa Beach, p. 1-8, DOI : 10.1109/FG57933.2023.10042638.

KARPPI Tero, Lotta KÄHKÖNEN, Mona MANNEVUO et al. (2016), « Affective capitalism », Ephemera: Theory and Politics in Organization, 16(4), p. 1-13.

KELLEY Patrick Gage, Yongwei YANG, Courtney HELDRETH et al. (2021), « “Mixture of amazement at the potential of this technology and concern about possible pitfalls”: Public sentiment towards AI in 15 countries », IEEE Data Eng. Bull., 44(4), p. 28-46.

KENNEDY Helen (2018), « Living with data: Aligning data studies and data activism through a focus on everyday experiences of datafication », Krisis : Journal for Contemporary Philosophy, 38(1), https://krisis.eu/article/view/37184, page consultée le 27 février 2025.

KRAMER Adam D.I. (2010), « An unobtrusive behavioral model of “gross national happiness” », Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, New, York, p. 287-290, DOI : https://doi.org/10.1145/1753326.1753369.

KRAMER Adam D.I. (2012), « The spread of emotion via Facebook », Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 5 au 10 mai, Austin, p. 767-770, https://research.facebook.com/file/2916163195290181/the-spread-of-emotion-via-facebook.pdf, page consultée le 9 octobre 2025.

KRAMER Adam D.I., Jamie E. GUILLORY et Jeffrey T. HANCOCK (2014), « Experimental evidence of massive-scale emotional contagion through social networks », Proceedings of the National Academy of Sciences, 111(24), p. 8788-8790.

KREUK Felix, Adam POLYAK, Jade COPET et al. (2021), « Textless speech emotion conversion using discrete and decomposed representation », arXiv preprint arXiv:2111.07402, Cornell University, DOI : https://doi.org/10.48550/arXiv.2111.07402.

LI Fangtao, Sheng WANG, Shenghua LIU et al. (2014), « Suit: A supervised user-item based topic model for sentiment analysis », Proceedings of the AAAI Conference on Artificial Intelligence, 27 au 31 juillet, Québec, DOI : https://doi.org/10.1609/aaai.v28i1.8947.

LIU Ariel, Victoria Schwanda SOSIK et Khadine SINGH (2018), « Building empathy: Scaling user research for organizational impact », Extended Abstracts of the 2018 CHI Conference on Human Factors in Computing Systems, 21 au 26 avril, Montréal, DOI : http://dx.doi.org/10.1145/3170427.3174352.

LORDON Fréderic (2010), Capitalisme, désir et servitude : Marx et Spinoza, Paris, La Fabrique Éditions.

LU Zhiyun, Liangliang CAO, Yu ZHANG et al. (2020), « Speech sentiment analysis via pre-trained features from end-to-end ASR models », ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 4 au 8 mai, Barcelone, p. 7149-7153, DOI : 10.1109/ICASSP40776.2020.9052937.

MCDONALD Ryan, Kerry HANNAN, Tyler NEYLON et al. (2007), « Structured models for fine-to-coarse sentiment analysis », Proceedings of the 45th Annual Meeting of the Association of Computational Linguistics, juin, Prague, p. 432-439, https://aclanthology.org/P07-1055.pdf, page consultée le 9 octobre 2025.

MCSTAY Andrew (2020), « Emotional AI, soft biometrics and the surveillance of emotional life: An unusual consensus on privacy », Big Data & Society, 7(1), DOI : https://journals.sagepub.com/doi/10.1177/2053951720904386.

MEJIAS Ulises et Nick COULDRY (2019), Datafication, Internet Policy Review, 8(4), https://www.econstor.eu/handle/10419/214090, page consultée le 27 février 2025.

MESNIL Grégoire, Tomas MIKOLOV, Marc’Aurelio RANZATO et Yoshua BENGIO. (2014), « Ensemble of generative and discriminative techniques for sentiment analysis of movie reviews », arXiv preprint arXiv:1412.5335, DOI : https://doi.org/10.48550/arXiv.1412.5335.

METCALF Jacob et Kate CRAWFORD (2016), « Where are human subjects in big data research? The emerging ethics divide », Big Data & Society, 3(1), DOI : https://doi.org/10.1177/2053951716650211.

NORMAN Don (2007), Emotional design: Why we love (or hate) everyday things, New York, Basic Books.

MARINOIU Elisabeta, Mihai ZANFIR, Vlad OLARU et al. (2018), « 3d human sensing, action and emotion recognition in robot assisted therapy of children with autism », Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, p. 2158-2167, DOI : 10.1109/CVPR.2018.00230.

PAPACHARISSI Zizi (2015), Affective publics: Sentiment, technology, and politics, Oxford, Oxford University Press.

PAPACHARISSI Zizi et Maria DE FATIMA OLIVEIRA (2012), « Affective news and networked publics: The rhythms of news storytelling on #Egypt », Journal of Communication, 62(2), p. 266-282.

PHARABOD Anne-Sylvie, Véra NICKOLSKI et Fabien GRANJON (2013), « La mise en chiffres de soi : une approche compréhensive des mesures personnelles », Réseaux, 1(177), https://www.cairn.info/revue-reseaux-2013-1-page-97.htm, page consultée le 27 février 2025.

PICARD Rosalind W., Elias VYZAS et Jennifer HEALEY (2001), « Toward machine emotional intelligence: Analysis of affective physiological state », IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(10), p. 1175-1191.

PICARD Rosalind W. (2000), Affective computing, Cambridge, MIT Press.

PORIA Soujanya, Erik CAMBRIA et Alexander GELBUKH (2015), « Deep convolutional neural network textual features and multiple kernel learning for utterance-level multimodal sentiment analysis », Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, septembre, Lisbonne, p. 2539-2544, DOI : 10.18653/v1/D15-1303.

REYMOND David et Jean-Max NOYER (2022), « Se former aux humanités numériques par les données ouvertes : les chaînes infométriques de Patent2Net (P2N) », Humanités numériques, 5, DOI : https://doi.org/10.4000/revuehn.3014.

ROCHER Jean-Maurice (2024), Le dispositif participationnel d’étudiants sur Moments de WeChat : révélateur de micro-relations avec leur environnement universitaire chinois ?, thèse de doctorat en sciences de l’information et de la communication, Lyon, Université Lyon 2.

ROGNON Carine, Benjamin STEPHENS-FRIPP, Jess HARTCHER-O’BRIEN et al. (2022), « Linking haptic parameters to the emotional space for mediated social touch », Frontiers in Computer Science, 4, DOI : https://doi.org/10.3389/fcomp.2022.826545.

RYOKAI Kimiko, Hayes RAFFLE et Robert KOWALSKI (2012), « StoryFaces: Pretend-play with ebooks to support social-emotional storytelling », Proceedings of the 11th International Conference on Interaction Design and Children, p. 125-133, DOI : https://doi.org/10.1145/2307096.2307111.

SCISSORS Lauren, Moira BURKE et Steven WENGROVITZ (2016), « What’s in a like? Attitudes and behaviors around receiving likes on Facebook », Proceedings of the 19th ACM Conference on Computer-Supported Cooperative Work & Social Computing, 27 février au 2 mars, San Francisco, p. 1501-1510, DOI : http://dx.doi.org/10.1145/2818048.2820066.

SHAFRAN Izhak et Mehryar MOHRI (2005), « A comparison of classifiers for detecting emotion from speech », Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP). Volume 1, 23 mars 2025, Philadelphie, p. I/341-I/344.

SHUKLA Abhinav, Stavros PETRIDIS et Maja PANTIC (2021), « Does visual self-supervision improve learning of speech representations for emotion recognition? », IEEE Transactions on Affective Computing, 14(1), p. 406-420.

SPINOZA Baruch (1677), L’éthique, Chicoutimi, Les classiques des sciences sociales, https://classiques.uqam.ca/classiques/spinoza/ethique/ethique.html, page consultée le 9 octobre 2025.

SRNICEK Nick (2017), Platform capitalism, New York, John Wiley & Sons.

STAR Susan Leigh et Anselm STRAUSS (1999), « Layers of silence, arenas of voice: The ecology of visible and invisible work », Computer Supported Cooperative Work (CSCW), 8, p. 9-30.

STARK Luke et Kate CRAWFORD (2015), « The conservatism of emoji: Work, affect, and communication », Social Media+ Society, 1(2), DOI : https://doi.org/10.1177/2056305115604853.

STARK Luke (2020), « The emotive politics of digital mood tracking », New Media & Society, 22(11), p. 2039-2057.

STARK Luke et Jesse HOEY (2021), « The ethics of emotion in artificial intelligence systems », Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, p. 782-793, DOI : https://doi.org/10.1145/3442188.3445939.

STURM WILKERSON Heloisa, Martin J. RIEDL et Kelsey N. WHIPPLE (2021), « Affective affordances: Exploring Facebook reactions as emotional responses to hyperpartisan political news », Digital Journalism, 9(8), p. 1040-1061.

SUN Jennifer J., Ting LIU et Gautam PRASAD (2019), « Gla in mediaeval 2018 emotional impact of movies task », arXiv preprint arXiv:1911.12361, DOI : https://doi.org/10.48550/arXiv.1911.12361.

TÄCKSTRÖM Oscar et Ryan MCDONALD (2011a), « Discovering fine-grained sentiment with latent variable structured prediction models », European Conference on Information Retrieval, Berlin, Springer, p. 368-374.

TÄCKSTRÖM Oscar et Ryan MCDONALD (2011b), « Semi-supervised latent variable models for sentence-level sentiment analysis », The 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies, juin, Portland, Association for Computational Linguistics, p. 569-574.

TELLIS Gerard J., Deborah J. MACINNIS, Seshadri TIRUNILLAI et al. (2019), « What drives virality (sharing) of online digital content? The critical role of information, emotion, and brand prominence », Journal of Marketing, 83(4), p. 1-20.

THOMAS David R. (2006), « A general inductive approach for analyzing qualitative evaluation data », American Journal of Evaluation, 27(2), p. 237-246.

TITOV Ivan et Ryan MCDONALD (2008), « A joint model of text and aspect ratings for sentiment summarization », Proceedings of ACL-08: HLT, Columbus, Association for Computational Linguistics, p. 308-316.

TOMKINS Sylvan (1962), Affect imagery consciousness. Volume I: The positive affects, Berlin, Springer Publishing Company.

VAN ECK Nees Jan et Ludo WALTMAN (2011), « Text mining and visualization using VOSviewer », ISSI Newsletter, 7(3), p. 50-54

WANG Yi-Chia, Moira BURKE et Robert KRAUT (2016), « Modeling self-disclosure in social networking sites », Proceedings of the 19th ACM Conference on Computer-Supported Cooperative Work & Social Computing, 27 février au 2 mars, San Francisco, p. 74-85, DOI : http://dx.doi.org/10.1145/2818048.2820010.

Brevets

US20190197073A1
LIU Eric HC et Charles GORAN (2024), « Methods, systems, and media for personalizing computerized services based on mood and/or behavior information from multiple data sources », U.S. Patent No 12,050,655, 30 juillet 2024.

US20200073485A1
AL-HALAH Ziad, Andrew P. AITKEN, Wenzhe SHI et Alexander GELBUKH (2020), « Emoji prediction and visual sentiment analysis », U.S. Patent Application No 16/561,629, 5 mars 2020. 

US20180059885A1
GONNEN Lior et Iddo TAL (2020), « System for and method of accessing and selecting emoticons, content, and mood messages during chat sessions », U.S. Patent No 10,824,297, 3 novembre 2020. 

US20180165582A1CHA Meeyoung (2018), « Systems and methods for determining sentiments in conversations in a chat application », U.S. Patent Application No 15/373,415, 14 juin 2018.

CN111443794A
不公告发明人 (2015), « Reading interaction method, device, equipment, server and storage medium », CN Patent No 111443794, 10 mars 2015. 

US8977374B1
ECK Douglas et Jay YAGNIK (2015), « Geometric and acoustic joint learning », U.S. Patent No 8,977,374, 10 mars 2015.

CN111767431A
朱延东, 袁泽寰 et 王长虎 (2020), « Method and device for video dubbing », CN Patent No 111767431, 13 octobre 2020. 

WO2022256584A1
ABHIJIT C. MEHTA Mateusz Dzwonek, Gloria LIU, David CARVER, David CARR, Sabrina TARDIO, Arpith VARGHESE, Sara BEYKPOUR, Smita Mittal GUPTA et Timothy MARKS (2022), « Labeling messages on a social messaging platform using message response information », W.O. Patent No 2022256584, 8 décembre 2022.

Haut de page

Annexe

Annexe A

A1. TikTok What’s Next 2024 Shopping Trend Report, https://ads.tiktok.com/​business/​library/​TikTok_Whats_Next_Shopping_Trend_Report_2024.pdf, page consultée le 27 février 2025.

A2. Emotion — the holy grail of customer insight, https://blog.x.com/​en_us/​topics/​insights/​2019/​but-how-do-you-really-feel, page consultée le 27 février 2025.

A3. À propos des réactions à votre publicité, https://www.facebook.com/​business/​help/​368656903954046?ref=search_new_1, page consultée le 27 février 2025.

A4. Novos recursos que tornam a criação de vídeos do Instagram Reels ainda mais fácil, https://creators.instagram.com/​blog/​instagram-reels-new-features-creators-audio-sound-effects-stickers-templates, page consultée le 27 février 2025.

A5. Edit like a pro with these new features, https://creators.instagram.com/​edit-like-a-pro-5-new-tools?locale=en_US, page consultée le 27 février 2025.

A6. More ways to share photos on Twitter, https://blog.x.com/​en_us/​a/​2014/​more-ways-to-share-photos-on-twitter, page consultée le 27 février 2025.

A7. Abbott Philippines. Telling emotion-led brand stories with Facebook and Instagram video ads, https://www.facebook.com/​business/​success/​abbott-philippines, page consultée le 27 février 2025.

A8. Cinq idées pour préparer votre boutique sur Instagram pour la Saint-Valentin, https://business.instagram.com/​blog/​instagram-prepare-shop-valentines-day-gifts, page consultée le 27 février 2025.

A9. De l’émotion à l’action : pourquoi les campagnes à la performance devraient s’inspirer de la Saint-Valentin, https://www.facebook.com/​business/​news/​insights/​from-heart-to-cart, page consultée le 27 février 2025.

A10. Feeling the love this Valentine’s Day on TikTok, https://newsroom.tiktok.com/​en-gb/​feeling-the-love-this-valentines-day-on-tiktok, page consultée le 27 février 2025.

A11. How Can Businesses Celebrate LGBTQ+ Culture and Community Year Round?, https://www.facebook.com/​business/​news/​how-businesses-can-celebrate-lgbtq-pride-all-year-round, page consultée le 27 février 2025.

A12. You Belong Here: Celebrating the LGBTQIA+ Community on TikTok, https://newsroom.tiktok.com/​en-us/​you-belong-here-celebrating-the-lgbtqia-community-on-tiktok, page consultée le 27 février 2025.

A13. Celebrating #BlackTikTok this October, https://newsroom.tiktok.com/​en-ie/​celebrating-ie-blacktiktok-this-october, page consultée le 27 février 2025.

A14. Black Music Month x Pride: Hear From TikTok’s Black LGBTQ+ Music Creators, https://newsroom.tiktok.com/​en-us/​black-music-month-x-pride-celebrating-tiktoks-black-lgbtq-music-creators?lang=en, page consultée le 27 février 2025.

A15. Unlocking the French-speaking Community, https://www.tiktok.com/​business/​library/​CA_Canadians_on_TikTok_Unlocking_the_French_speaking_Community.pdf, page consultée le 27 février 2025.

A16. Découvrez TikTok for Business, https://newsroom.tiktok.com/​fr-fr/​tiktok-for-business-french, page consultée le 27 février 2025.

A17. Create a video views campaign, https://business.x.com/​en/​help/​campaign-setup/​create-a-video-views-campaign, page consultée le 27 février 2025.

A18. TikTok Follow Me. Best Practices Playbook, https://www.tiktok.com/​business/​library/​TikTok_Follow_Me_Best_Practices_Playbook_EN.pdf, page consultée le 27 février 2025.

A19. Time Well Spent: Users on TikTok stay longer, engage often & feel happier, https://www.tiktok.com/​business/​en-US/​blog/​time-well-spent?ab_version=experiment_1, page consultée le 27 février 2025.

A20. How Community Generated Entertainment connects communities, culture & brands, https://www.tiktok.com/​business/​en-US/​blog/​move-aside-ugc, page consultée le 27 février 2025.

A21. Meet Symphony Avatars: TikTok’s New Creative AI Tool, https://newsroom.tiktok.com/​en-us/​announcing-symphony-avatars, page consultée le 27 février 2025.

A22. Furthering our safety and privacy commitments for teens on TikTok, https://newsroom.tiktok.com/​en-ie/​furthering-our-safety-and-privacy-commitments-for-teens-on-tiktok-ire, page consultée le 27 février 2025.

A23. Introducing: Shops on Instagram, https://business.instagram.com/​blog/​introducing-shops-on-instagram, page consultée le 27 février 2025.

A24. Nos conseils pour concilier les attentes de la clientèle et les incertitudes commerciales pendant la période des fêtes, https://www.facebook.com/​business/​news/​balancing-consumer-demands-holiday-tips, page consultée le 27 février 2025.

A25. Comment vendre vos produits sur Instagram, https://business.instagram.com/​blog/​how-to-sell-your-products-on-instagram?locale=fr_FR, page consultée le 23 septembre 2024.

A26. Inspiring the Explorers, https://business.instagram.com/​blog/​inspiring-the-explorers?locale=en_GB, page consultée le 27 février 2025.

A27. « Emotions drive sales », The top 10 brands that make people happier on Twitter, https://blog.x.com/​en_us/​topics/​insights/​2019/​the-top-10-brands-that-make-people-happier-on-twitter, page consultée le 27 février 2025.

A28. « Joyful discovery leads to spirited shopping », Holidays for you 2024, https://www.tiktok.com/​business/​library/​SMB_2024_Holiday_Playbook_AUNZ.pdf, page consultée le 27 février 2025.

A29. #LoveIsLove — Celebrating LGBTQ Pride Month, https://blog.x.com/​en_us/​a/​2016/​loveislove-celebrating-lgbtq-pride-month, page consultée le 27 février 2025.

A30. Holidays for you 2024, https://www.tiktok.com/​business/​library/​CA_Holiday_2024_Vertical_Playbook.pdf, page consultée le 27 février 2025.

A31. 18 trends that highlight fundamental shifts in culture, https://blog.x.com/​en_us/​topics/​insights/​2019/​18-trends-that-highlight-fundamental-shifts-in-culture, page consultée le 27 février 2025.

A32. Watching The Pandemic. What YouTube trends reveal about human needs during COVID-19, https://www.youtube.com/​trends/​articles/​covid-impact/​, page consultée le 27 février 2025.

A33. Celebrating Instagram’s Creators of Tomorrow, https://creators.instagram.com/​blog/​instagram-creators-of-tomorrow, page consultée le 27 février 2025.

A34. Strengthening how we protect and secure our platform in the US, https://newsroom.tiktok.com/​en-us/​strengthening-how-we-protect-and-secure-our-platform-in-the-us, page consultée le 27 février 2025.

A35. Allyship right now: #BlackLivesMatter, https://blog.x.com/​en_us/​topics/​company/​2020/​allyship-right-now-black-lives-matter, page consultée le 27 février 2025.

A36. TikTok puts women’s rugby centre stage for the 2023 TikTok Women’s Six Nations, https://newsroom.tiktok.com/​en-gb/​womens-six-nations-2023, page consultée le 27 février 2025.

Haut de page

Notes

1 Notre traduction de « Online messages influence our experience of emotions, which may affect a variety of offline behaviors ».

2 La BET a été principalement développée par Ekman et Friesen, en 1969. D’autres auteurs comme Tomkins (1962) ou Izard (1977) sont fréquemment associés à cette théorie.

3 Selon certains auteurs, voire entre les articles d’un même auteur, le nombre d’émotions basiques peut varier : la surprise ou le mépris sont parfois intégrés, tantôt rejetés (le premier étant juste un schéma attentionnel, tandis que le second s’exprime avec trop de variations culturelles).

4 Notre traduction de « The sine qua non for emotion should not be a unique pan-cultural signal ».

5 Notre traduction de « Cluster individuals into categories ».

6 Notre traduction de « There are of course, many more applications; these are just a sample of what is possible now and in the future ».

7 Voir Alphabet Announces Fourth Quarter and Fiscal Year 2024 Results, https://www.abc.xyz/assets/a3/91/6d1950c148fa84c7d699abe05284/2024q4-alphabet-earnings-release.pdf, page consultée le 27 février 2025.

8 Voir Meta Reports Fourth Quarter and Full Year 2024 Results, https://s21.q4cdn.com/399680738/files/doc_financials/2024/q4/Meta-12-31-2024-Exhibit-99-1-Final.pdf, page consultée le 27 février 2025.

9 Notre traduction de « the requirement, not just the possibility, that every variation in the texture of human experience be translated into data for counting and processing ».

10 Quatrième trimestre 2024 : 13 116 millions chez Alphabet, 12 180 millions chez Meta (ibid.).

11 Les brevets sont en effet déposés au nom de Google Inc., et non d’Alphabet.

12 Pour Facebook : https://www.facebook.com/business, https://investor.fb.com, https://fr-fr.workplace.com/. Pour Instagram : https://business.instagram.com, https://creators.instagram.com/. Pour TikTok : https://newsroom.tiktok.com, https://www.tiktok.com/business.Pour Twitter/X : https://business.x.com, https://blog.x.com. Pour YouTube : https://support.google.com/youtube/, https://www.youtube.com/ads/, https://blog.youtube/, https://www.youtube.com/trends/, pages consultées le 10 avril 2025.

13 Par exemple, TikTok a créé le néologisme Newstalgia (voir annexe A1).

14 Notre traduction de « Emotion can be a mental state that is associated with physiological activity and can be influenced by internal or external environmental conditions ».

15 Tous les verbatims en français et en anglais, comme des liens menant aux pages analysées, sont disponibles dans l’annexe A en fin d’article. Ceux-ci sont référencés par la lettre A et numérotés par ordre d’apparition dans le texte.

16 Notre traduction de « To give people the power to build community and bring the world closer together ».

17 « We aim to fuel the creator economy by investing in creative solutions that spark joy, imagination and action ».

18 Notre traduction de « The last sunny corner of Internet »

19 Notre traduction de « transforming interest into awareness and desire into sales, with a success rate that can be measured ».

20 Ainsi, en 2016, on pouvait lire sur le blogue de Twitter : « We are proud of these efforts and honored to receive a perfect 100 % score from the Human Rights Campaign as a Best Place to Work for LGBT Equality » (A29).

21 Voir : « Meta revoit sa politique de modération de contenus et se rapproche de Donald Trump » par Christophe Dansette sur le site de France 24. En ligne : https://www.france24.com/fr/%C3%A9missions/info-%C3%A9co/20250108-meta-revoit-sa-politique-de-mod%C3%A9ration-de-contenus-et-se-rapproche-de-donald-trump, page consultée le 27 février 2025.

Haut de page

Table des illustrations

Titre Figure 1. Regroupements (clusters) des 22 termes et expressions les plus redondants dans le corpus d’articles scientifiques Meta selon VOSviewer
URL http://journals.openedition.org/communication/docannexe/image/20997/img-1.png
Fichier image/png, 10k
Titre Figure 2. Regroupements (clusters) des 22 termes et expressions les plus redondants dans le corpus d’articles scientifiques Google selon VOSviewer
URL http://journals.openedition.org/communication/docannexe/image/20997/img-2.png
Fichier image/png, 15k
Titre Figure 3. Principaux concepts discutés dans les brevets déposés par les quatre entreprises de notre corpus (43,5 % des brevets traitent des émotions)
URL http://journals.openedition.org/communication/docannexe/image/20997/img-3.png
Fichier image/png, 8,5k
Titre Figure 4. Cartographie lexico-sémantique des 36 expressions et termes les plus redondants dans le corpus de brevets
URL http://journals.openedition.org/communication/docannexe/image/20997/img-4.png
Fichier image/png, 547k
Titre Figure 5. Impression d’écran de la page Facebook Business Insights
URL http://journals.openedition.org/communication/docannexe/image/20997/img-5.png
Fichier image/png, 49k
Haut de page

Pour citer cet article

Référence électronique

Camille Alloing, Ambre Marionneau, Julien Pierre et Fabien Richert, « Pour l’amour de la donnée »Communication [En ligne], Vol. 42/2 | 2025, mis en ligne le 01 décembre 2025, consulté le 13 février 2026. URL : http://journals.openedition.org/communication/20997 ; DOI : https://doi.org/10.4000/15bo3

Haut de page

Auteurs

Camille Alloing

Camille Alloing est professeur à l’Université du Québec à Montréal — Labfluens — LabCMO. Courriel : alloing.camille@uqam.ca

Articles du même auteur

Ambre Marionneau

Ambre Marionneau est doctorante à l’Institut national de la recherche scientifique. Courriel : ambre.marionneau@inrs.ca

Julien Pierre

Julien Pierre est professeur agrégé, membre du Département de communication à l’Université de Sherbrooke et Labfluens. Courriel : julien.pierre@usherbrooke.ca

Articles du même auteur

Fabien Richert

Fabien Richert est professeur à l’Université du Québec à Montréal. Courriel : richert.fabien@uqam.ca

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont susceptibles d’être soumis à des autorisations d’usage spécifiques.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search