Navigation – Plan du site

AccueilLes numéros58VARIAMédias, relais et discussions sur...

VARIA

Médias, relais et discussions sur Twitter. Proximités et distances lexicales à propos du Covid-19

The media, relays and arguments on Twitter. Proximity and lexical distances about Covid-19
Pascal Moliner
p. 89-107

Résumés

Les messages d’un corpus recueilli sur Twitter et comportant le mot clé « covid » ont été classés en trois catégories selon qu’ils avaient été postés par des médias (Infos), par des usagers particuliers ayant intégré un lien dans leur message et l’ayant posté publiquement (Relais) ou par des usagers n’ayant pas intégré de lien dans leur message et l’ayant posté à destination d’autres usagers (Discussions). On constate une forte ressemblance entre les messages Infos et Relais qui se démarquent des Discussions. On note aussi plus de messages contenant une théorie conspirationniste dans les messages Discussions que dans les messages Relais. Ces résultats suggèrent une relative imperméabilité des discussions sur Twitter aux discours médiatiques.

Haut de page

Texte intégral

Introduction

1Dans sa théorie de l’opinion publique, Gabriel Tarde (1901) évoquait la « conversation » comme un processus qu’il jugeait fondamental dans l’émergence du phénomène. En effet, selon Tarde, le « public » ne peut se résumer à une collection d’individus recevant passivement l’information diffusée par les médias. Outre le fait que ce public est traversé ou segmenté par des normes et des valeurs communes (ce que Tarde appelait les « traditions »), il est également constitué d’individus qui commentent et discutent les informations auxquelles ils ont été exposés. Ces conversations, qui retravaillent, interprètent ou amplifient le discours médiatique deviennent alors le creuset duquel émergent finalement les tendances dominantes des opinions d’une société donnée, à un moment donné, sur une question qui la préoccupe ou qui la divise. Dans la théorie de Tarde, la conversation joue donc un rôle essentiel dans la formation de l’opinion publique et cette conversation ne se conçoit qu’à partir d’un discours médiatique qui vient la nourrir. Mais à l’heure où nous voyons émerger dans le public des « vérités alternatives », régulièrement dénoncées par les médias, sommes-nous sûrs que l’information divulguée par la presse constitue encore la source de la conversation ? C’est pour tenter d’apporter des éléments de réponse à cette question que nous avons réalisé la présente recherche à partir d’un corpus de messages postés sur la plateforme Twitter à propos de la pandémie de Covid-19. Dans une perspective strictement quantitative, basée sur le comptage des occurrences les plus fréquentes, nous avons donc analysé les contenus de ces messages afin de tenter de mettre en évidence des différences entre ceux qui relayaient des contenus médiatiques et ceux qui n’en relayaient pas.

Diversité des acteurs et des usages de Twitter

2La plateforme Twitter offre à chacun la possibilité de diffuser des contenus extrêmement variés. Dans le même mouvement, elle permet à chaque utilisateur de prendre connaissance des contenus qui y sont diffusés. Il en résulte que Twitter apparaît comme un « espace public » au sens premier de ce terme (Birkner & Mix, 2014), c’est-à-dire comme un lieu d’expression et de confrontation des informations et des opinions. Ainsi, à propos d’une question donnée, de très nombreux points de vue peuvent s’y côtoyer, en provenance de particuliers, d’entreprises, d’institutions, d’associations mais aussi d’acteurs médiatiques.

3À cette diversité des sources qui alimentent la plateforme en contenus répond une diversité des usages de Twitter (recherche d’information, conversation, diffusion ou relais d’opinion, etc…).

4Cette rapide description de la plateforme Twitter pourrait laisser penser qu’elle est à l’origine d’une écologie de la communication radicalement nouvelle (Marwick & Boyd, 2011). Pourtant, pour qui connaît un peu les problématiques de la communication de masse, Twitter apparaît finalement comme un espace d’échange qui présente beaucoup de similitudes avec des formes bien plus traditionnelles de communication collective. Même si les nuances qui émaillent ces comparaisons ont sans doute leur importance.

L’impact des discours médiatiques

5Pris dans leur ensemble, les médias constituent l’un des acteurs importants de la plateforme en raison du fait qu’ils l’alimentent en contenus. De par les spécificités de Twitter, ces contenus font l’objet de processus « d’infomédiation sociale » (Smyrnaios & Rebillard, 2011) qui participent à leur diffusion. De fait, une information originale publiée par un acteur médiatique touchera finalement d’autant plus d’usagers qu’elle aura été relayée par ces mêmes usagers. Or, les études qui s’intéressent aux pratiques de consommation de l’information médiatique montrent une tendance croissante des modes de consommation prioritaires via les réseaux socio numériques (Médiamétrie, 2019 ; Mercier & Pignard-Cheynel, 2018). Ce constat suggère donc qu’un grand nombre des usagers de Twitter s’informe prioritairement à partir des contenus qu’ils rencontrent sur la plateforme. Dans ces conditions, il est raisonnable de penser qu’ils sont régulièrement exposés aux contenus médiatiques qui y circulent. Classiquement, les effets de l’exposition aux messages médiatiques ont été étudiés selon trois cadres théoriques au moins.

6Le plus ancien, qui reste néanmoins toujours pertinent aujourd’hui, est le modèle du two-step flow of communication proposé par Katz et Lazarsfeld (1955). Selon ce modèle, l’impact des messages médiatiques serait modulé par l’action de « guides d’opinion » qui, en commentant l’information reçue dans leur entourage proche, lui conféreraient une légitimité et une crédibilité variables (e.g. Nisbet & Kotcher, 2009). Dans ce cadre théorique, on comprend bien que les pratiques d’infomédiation sociale évoquées plus haut relèvent de l’action des guides d’opinion. Par exemple, dans une étude menée suite à l’élimination de O. Ben Laden (Hu & al., 2012), les auteurs identifient deux sous-groupes d’usagers contribuant largement à la dissémination des informations médiatiques relatives à l’événement : les abonnés des médias d’une part et des personnalités connues d’autre part. Cet exemple permet de saisir une des nuances évoquées plus haut à propos des comparaisons entre la communication via les réseaux socio numériques et des formes de communication collective plus traditionnelles. Dans le cas des réseaux socio numériques la notion « d’entourage proche » prend une nouvelle signification dans la mesure où cet entourage ne se résume plus à des individus se connaissant effectivement sur le plan personnel.

  • 1 Ici et plus loin, le terme « influence » ne renvoie pas à un processus de modification des opinions (...)

7Le modèle de l’agenda setting (McCombs & Shaw, 1972) aborde la question sous un autre angle en partant du principe que l’activité médiatique globale a pour effet de hiérarchiser, à moment donné, les questions à propos desquelles il convient d’avoir un avis. Ce serait donc autour des questions « mises à l’agenda » que se développerait prioritairement le débat public. Selon ce modèle les médias n’auraient pas d’influence1 directe sur leurs audiences dans la mesure où leur action ne consisterait pas à diffuser ce qu’il convient de penser à propos d’une question, mais plutôt à attirer l’attention des audiences sur les questions à propos desquelles il convient de penser quelque chose. Par exemple, dans une étude menée à propos des élections présidentielles américaines de 2012 (Vargo & al., 2014), les auteurs distinguent les médias « verticaux » (large audience indifférenciée) des médias « horizontaux » (audience de niche). Leurs résultats montrent que les questions prioritaires dont on retrouve la trace dans les tweets des supporters du candidat démocrate (i. e. Obama) s’alignent sur l’agenda des médias verticaux tandis que les questions prioritaires observées dans les tweets des supporters du candidat républicain (i.e. Romney) s’alignent plutôt sur l’agenda des médias horizontaux.

8Dans une perspective radicalement quantitative, le modèle du quantity of coverage (Mazur & Lee, 1993) postule que le contenu des messages médiatiques importe moins que leur nombre. Il explique donc les effets d’agenda par le nombre de messages relatifs à une question donnée. Par exemple, dans une étude consacrée à l’activité des opposants à la fracturation hydraulique entre 2010 et 2014 dans plusieurs pays, l’auteur (Mazur, 2018) établit un parallèle entre l’activité médiatique sur cette question et l’activité des groupes d’opposants. Les résultats suggèrent un lien entre les deux variables. Bien que la mesure de l’activisme des opposants soit indirecte et que cette étude ne porte pas sur des messages postés sur Twitter, elle montre quand même que lorsqu’une question est largement traitée par les médias, il semble qu’elle soit jugée suffisamment importante pour que des individus s’engagent à son propos.

9Quels que soient les processus qu’ils invoquent pour expliquer l’impact des médias sur leurs audiences, les trois modèles que nous venons de décrire brièvement postulent tous que cet impact est effectif. Pourtant certaines études laissent planer un doute sur cette conclusion. Ainsi, dans une étude sur des tweets relatifs au changement climatique, les auteurs (Kirilenko & al. 2015) se demandent si les gens parlent du changement climatique parce qu’ils font l’expérience d’événements climatiques extrêmes (tempêtes, canicules, vagues de froid, etc..) ou parce que les médias parlent de ces événements extrêmes. Leurs résultats suggèrent que les discours médiatiques n’ont finalement qu’une influence modérée sur les messages postés par les utilisateurs. Dans le même sens, dans une étude consacrée à la pratique du « retweet » de contenus médiatiques (An & al., 2011), les auteurs évoquent l’action de « filtres sociaux» qui pourraient expliquer que les thèmes dominants diffusés par les sources médiatiques ne sont pas nécessairement ceux qui sont les plus relayés. Toujours dans la même direction, on peut citer le travail de Ratinaud et Smyrnaios (2016), faisant suite à l’attentat de « Charlie Hebdo ». Cette recherche montre que les messages de certains groupes d’usagers (e.g. les sympathisants d’extrême droite notamment) se distinguent nettement des messages médiatiques postés par les principaux médias nationaux en France. Ce type de recherches suggère donc que la propagation progressive des messages médiatiques parmi les usagers de Twitter n’est pas systématique et que selon les sujets, les populations et peut-être les périodes, certains sous-groupes d’usagers restent relativement imperméables aux messages diffusés par les acteurs médiatiques actifs sur la plateforme. En d’autres termes, il se pourrait que parfois, le processus de conversation décrit par Tarde ne soit pas seulement alimenté par les médias, notamment lorsque la question qui motive le débat public est à la fois anxiogène, importante pour les individus et ambigüe. Il se trouve en effet que ces facteurs favorisent l’apparition de rumeurs (Brodin & Roux, 1990).

Rumeurs et théories conspirationnistes

10Le phénomène de rumeur renvoie à la fois à un contenu (une information non vérifiée, non vérifiable ou effectivement fausse) et au processus de transmission de ce contenu (Renard, 2009 ; Rouquette, 1985). Dans la majorité des cas, le contenu de la rumeur a un caractère négatif voire anxiogène (Knapp, 1944). Le processus de transmission s’opère de personne à personne (de bouche à oreille), mais il peut parfois être relayé par les médias. Depuis les travaux pionniers d’Allport et Postman (1947), on sait que lors de ce processus, l’information transmise subit un certain nombre d’ajustements aux croyances ou aux préjugés des personnes qui la transmettent (voir notamment Rouquette, 1985). On devine évidemment que les réseaux socio numériques pourraient être d’excellents terrains de propagation des rumeurs dans la mesure où leurs acteurs peuvent simultanément toucher un grand nombre de personnes. De fait, plusieurs travaux ont documenté le phénomène sur Twitter (e.g. Starbird & al., 2014). Par exemple, dans une étude réalisée à propos de rumeurs de prise d’otage faisant suite à l’attentat de juillet 2016 à Nice (Alloing & Vanderbiest, 2018), les auteurs montrent que si les médias opérant sur Twitter peuvent participer à l’apparition de rumeurs, les démentis qu’ils effectuent ensuite ont un impact considérable sur l’extinction de ces mêmes rumeurs. En d’autres termes, plus les usagers de la plateforme sont exposés aux discours médiatiques et plus ils ont de chances de ne finalement plus adhérer aux rumeurs qui y circulaient avant que les acteurs médiatiques ne les démentent. Cette étude nous paraît importante car elle suggère qu’une sous exposition aux discours médiatiques diffusés sur Twitter pourrait être un des facteurs favorisant la propagation de rumeurs sur cette plateforme.

11La plupart des chercheurs s’accordent à définir les théories du complot comme des récits révélant l’action secrète que mène un groupe dans le but d’atteindre un objectif illicite ou malveillant (voir à ce propos la somme la plus complète et la plus récente, Butter & Knight, 2020). Comme les rumeurs, les théories du complot se développent et prospèrent dans des situations de crise où les individus éprouvent à la fois un sentiment d’incertitude et de peur (Van Prooijen & Douglas, 2017 ; Van Prooijen & Jostmann, 2013). Plus généralement, lorsqu’ils sont confrontés à des circonstances ou à des événements à la fois perçus comme menaçants et mal expliqués (Douglas & al., 2019 ; Van Prooijen, Klein & Milosevic Dordevic, 2020). Ces contextes d’émergence, dont les formes peuvent varier (catastrophe naturelle, épidémie, attentat, changement politique, etc…), permettent de comprendre les fonctions remplies par les explications conspirationnistes : une fonction épistémique, une fonction de contrôle et une fonction que l’on pourrait qualifier d’identitaire (Douglas, Sutton & Cichocka, 2017).

12La fonction épistémique répond à l’incertitude des situations rencontrées par les individus. Dans la mesure où les théories du complot suggèrent une explication, y adhérer permet d’avoir le sentiment de mieux comprendre le flot des événements.

13La fonction de contrôle découle de la fonction précédente. En effet, ainsi qu’Heider en avait eu l’intuition (Heider, 1958), le fait de disposer d’une explication plausible à propos d’un événement qui nous implique en tant qu’acteur ou en tant que spectateur nous donne le sentiment de pouvoir exercer une meilleure maîtrise sur notre environnement. Notamment parce que l’explication dont nous disposons peut nous guider vers un comportement perçu comme adapté.

14Ajoutons enfin que de façon quasi systématique, l’explication conspirationniste va à l’encontre d’une vérité « officielle » (Raab & al., 2013), portée par des autorités (politiques, scientifiques, sanitaires, etc…) et relayée par des médias.

Problématique et objectifs

15Dans le cas de la présente étude, nous avons choisi de nous intéresser à un thème anxiogène, la pandémie du Covid-19 survenue en 2020. D’autre part, nous nous sommes intéressés à deux types d’acteurs et à trois types de messages correspondant à trois usages différents de la plateforme. On a donc distingué des messages postés par des médias (Infos), des messages contenant un lien url et postés par des usagers particuliers (Relais) et des messages ne contenant aucun lien url, postés publiquement par des usagers particuliers à destination d’autres usagers particuliers (Discussions). En considérant ces trois types de messages, notre objectif était d’observer la plus ou moins forte diffusion des messages médiatiques dans les messages Relais et Discussions.

16Notre première hypothèse (H1) était que cette diffusion serait plus forte dans les messages Relais que dans les messages Discussions. On supposait en effet que, puisque les messages Discussions ne relayaient pas d’autres contenus, on pouvait s’attendre à ce que, relativement aux messages Relais, ils traitent de thèmes ou de questions plus souvent étrangers aux discours médiatiques.

17Notre seconde hypothèse (H2) était que l’on rencontrerait davantage de messages à caractère conspirationniste dans les messages Discussions que dans les messages Relais. La méfiance à l’égard des médias peut en effet être considérée comme une des causes d’adhésion aux théories conspirationniste (Renard, 2015). On supposait donc que globalement les messages Discussions manifestaient plus de méfiance que les messages Relais - puisque justement ils ne relayaient pas d’informations médiatiques- et qu’ils exprimeraient donc plus souvent des théories conspirationnistes.

Méthodologie

Constitution du corpus

18Le corpus initial est constitué de 16 279 messages. Les conditions de collecte de ces messages étaient qu’ils contiennent le terme « covid », qu’ils soient originaux (messages non « retweetés ») et qu’ils soient rédigés en français. Les messages recueillis avaient été postés entre le 26 mai 2020 à 17 h 20 et le 27 mai 2020 à 14 h 42.

19Un premier tri a consisté à supprimer les messages dont la localisation en France ne pouvait pas être établie. En effet, compte tenu des spécificités nationales de la pandémie, nous voulions éviter la présence dans notre corpus de messages localisés dans des pays francophones où les problèmes soulevés par la situation pouvaient être très différents de ceux rencontrés en France (e.g. Afrique, Maghreb, Canada).

  • 2 Compte tenu de notre hypothèse initiale, les messages Infos retenus ont été postés entre le 26 mai (...)

20Un second tri a consisté à distinguer les messages postés par des médias (Infos), les messages postés par des usagers particuliers, sans destinataires désignés et contenant un lien url (Relais), les messages postés par des usagers particuliers avec destinataire(s) désigné(s) et sans lien (Discussions)2. Les spécificités de ces différents messages sont exposées dans le tableau 1.

Tableau 1. Type et caractéristiques des messages du corpus.

Info

Relais

Discussion

Source

Médias

Usagers particuliers

Lien https

oui

oui

Non

Destinataire désigné

non

non

oui

Nombre de messages

375

986

1 073

Source des tableaux : auteur.

Limites méthodologiques

21Les problèmes posés par la constitution de corpus à partir des réseaux socio numériques ont été discutés par de nombreux chercheurs (pour une revue voir Van Hove, 2019). Globalement deux grandes questions ont été soulevées.

22La première concerne la représentativité phénoménologique des corpus (Rieder et Smyrnaios, 2012). En effet, différentes limitations techniques font que le chercheur ne peut jamais être certain que le corpus qu’il a constitué reflète de façon fidèle la réalité des échanges qui ont eu lieu sur le réseau dont il a extrait ses matériaux.

23La seconde concerne la représentativité des corpus. En effet, la relative pauvreté (ou le manque de fiabilité) des informations socio démographiques et topographiques relatives aux usagers d’un réseau interdit la constitution de corpus dont les sources pourraient être représentatives de tel ou tel segment d’une population parente (voir Alloing et Vanderbiest, 2018).

24Face à ces difficultés on pourrait être tenté de penser que les réseaux socio numériques ne sont finalement pas des terrains d’étude aussi prometteurs qu’on aurait pu le penser. En tout état de cause il est évident que les phénomènes que l’on peut observer à partir des matériaux extraits de ces réseaux doivent être analysés avec beaucoup de prudence. Mais il reste cependant une posture qui consiste à penser que des messages échangés sur un réseau sont des « contenus manifestes » (Van Hove, 2019) qui peuvent être analysés du point de vue de leur dimension discursive dans le contexte où ils apparaissent. Dans cette perspective, la constitution d’un corpus de messages relatifs à un thème donné, à propos d’une question donnée, peut nous renseigner sur la manière dont cette question a été envisagée par les différents acteurs en présence, au moment où ils ont échangé à propos de cette question.

Résultats

25Dans la mesure où nous nous intéressions aux contenus des messages recueillis, nous n’avons retenu dans nos analyses que les mots du type nom propre et nom commun (tableau 2).

Tableau 2. Occurrences, formes et hapax dans les 4 sous corpus.

Info

Relais

Discussion

Occurrences

2815

6603

9163

Formes

1129

2239

3807

Hapax

716

1420

2741

Diversité

63.41 %

63.42 %

71.99 %

Diversité = Hapax/Formes

Propriétés formelles des messages

26Sur le plan formel, on constate (tableau 2) une plus grande diversité lexicale des messages du type Discussion par rapport aux messages Infos et Relais. En effet, la proportion d’Hapax par rapport au nombre de mots différents dans le sous corpus Discussions est significativement supérieure à celle observée dans le sous corpus Infos (71.99 % vs 63.41 %, chi carré = 30.55, p<.001) et dans le sous corpus Relais (71.99 % vs 63.42 %, Chi carré =48.34, p<.001).

Similarités lexicales des sous corpus

27L’indice d’Ellegård (Ellegård, 1959) permet de comparer deux corpus lexicaux. Il se calcule à partir du nombre de mots communs aux deux corpus. Lorsque l’on dispose de plusieurs corpus, il est possible de les comparer deux à deux pour finalement obtenir une matrice de similitude qui fera l’objet d’une analyse de classification hiérarchique (Moliner & Lo Monaco, 2017). Sur la figure 1 on peut constater une nette proximité des sous corpus Infos et Relais qui se détachent du sous corpus Discussions. En d’autres termes, le lexique de ce dernier sous corpus diffère sensiblement de celui des deux autres.

Figure 1. Analyse de classification hiérarchique (distance euclidienne, méthode de Ward) à partir de la matrice des indices de Ellegård entre les trois sous corpus.

Figure 1. Analyse de classification hiérarchique (distance euclidienne, méthode de Ward) à partir de la matrice des indices de Ellegård entre les trois sous corpus.

Source des figures : auteur.

Contenus des messages

28Pour nous intéresser aux contenus des messages, nous avons choisi de ne retenir que les occurrences apparaissant avec une fréquence d’au moins .001 (soit 1/1000) dans au moins l’un des trois sous corpus.

Tableau 3. Nombre et fréquence des 38 mots de fréquence => à .001 dans au moins un des trois sous corpus (si aucune lettre commune entre deux cases d’une même ligne = chi carré, p<.05)

Info

Relais

Discussions

France

65

0,0231a

138

0,0209a

50

0,0055b

hydro

58

0,0206a

194

0,0294b

55

0,0060c

cas

27

0,0096a

26

0,0039b

37

0,0040b

crise

24

0,0085ab

86

0,0130a

51

0,0056b

hôpital

24

0,0085a

14

0,0021b

5

0,0005c

stop

19

0,0067a

34

0,0051a

23

0,0025b

pandémie

19

0,0067a

27

0,0041a

4

0,0004b

traitement

14

0,0050a

28

0,0042a

50

0,0055a

santé

14

0,0050a

31

0,0047a

17

0,0019b

soignant

14

0,0050a

13

0,0020b

0

0,0000c

application

12

0,0043a

32

0,0048a

4

0,0004b

décès

12

0,0043a

14

0,0021a

6

0,0007b

mort

11

0,0039a

40

0,0061a

51

0,0056a

école

11

0,0039a

13

0,0020a

4

0,0004b

semaine

11

0,0039a

9

0,0014b

19

0,0021ab

entreprise

10

0,0036a

31

0,0047a

5

0,0005b

pays

10

0,0036a

19

0,0029a

41

0,0045a

gouvernement

10

0,0036a

12

0,0018a

15

0,0016a

jour

9

0,0032a

24

0,0036a

25

0,0027a

épidémie

8

0,0028ab

32

0,0048a

13

0,0014b

étude

8

0,0028a

21

0,0032a

29

0,0032a

monde

8

0,0028a

24

0,0036a

49

0,0053a

décret

8

0,0028a

14

0,0021a

4

0,0004b

masque

7

0,0025a

19

0,0029a

25

0,0027a

face

6

0,0021a

38

0,0058b

9

0,0010a

Raoult

6

0,0021a

22

0,0033a

134

0,0146b

cause

6

0,0021ab

7

0,0011a

44

0,0048b

test

6

0,0021a

16

0,0024a

29

0,0032a

direct

6

0,0021a

26

0,0039a

1

0,0001b

prime

5

0,0018ab

7

0,0011a

24

0,0026b

confinement

5

0,0018a

11

0,0017a

18

0,0020a

virus

5

0,0018a

16

0,0024a

32

0,0035a

macron

4

0,0014a

15

0,0023a

50

0,0055b

médecin

4

0,0014a

11

0,0017a

24

0,0026a

vie

4

0,0014ab

21

0,0032a

13

0,0014b

état

3

0,0011ab

13

0,0020a

2

0,0002b

gens

0

0,0000a

5

0,0008a

42

0,0046b

nouveau

0

0,0000ab

24

0,0036a

0

0,0000b

  • 3 Il s’agit du nom commun « homme ».

29Il faut ici préciser que dans la base de données Frantext, le nom le plus fréquent du français contemporain apparaît avec une fréquence de .0006 (soit 6/10000)3. Les mots retenus pour la présente analyse (tableau 3) peuvent donc être considérés comme des mots à « très haute fréquence » dans l’un ou l’autre de nos sous corpus.

30L’examen des corrélations entre les fréquences des 38 mots du tableau 3 pour les trois types de messages montre une nette ressemblance entre les messages du type Infos et les messages du type Relais (r =.87, p<.001). En revanche, on ne note aucune corrélation significative entre les messages du type Infos et les messages du type Discussions (r =.13), ni entre les messages du type Relais et ceux du type Discussions (r =.31). Ces résultats vont dans le sens de ce qui a été vu précédemment avec l’indice d’Ellegård.

  • 4 Infectiologue et directeur de l’Institut Hospitalo-Universitaire de Marseille. Il a proposé un trai (...)

31L’analyse des correspondances réalisée sur les données du tableau 3 (Chi carré ddl74 =750.905, p<.0001) permet de détailler les résultats précédents. On note tout d’abord (figure 2) que les messages Relais se distinguent des messages Info, notamment parce qu’ils évoquent plus fréquemment l’hydroxychloroquine, ce qui renvoie au processus d’infomédiation évoqué plus haut. Par ailleurs, on remarque que les mots les plus fréquents apparaissant dans les messages Infos et Relais (à gauche du graphique) s’opposent clairement aux mots les plus fréquents apparaissant dans les messages Discussions (à droite du graphique). En d’autres termes, les messages du type Discussions n’apparaissent que très faiblement inspirés par les contenus médiatiques publiés ou relayés sur la plateforme dans la même période. Ils évoquent significativement (tableau 3) moins la France, ils parlent moins de pandémie, de santé et de décès ou de l’application « stop covid », mais ils parlent davantage des gens en général, d’Emmanuel Macron en particulier et surtout du professeur Raoult4.

Figure 2. Analyse des correspondances du tableau 3. Inertie dimension 1 (axe horizontal) = 84.42 % ; Inertie dimension 2 (axe vertical) = 15.58 %. Le point noir plus gros que les autres indique le centre du système de coordonnées

Figure 2. Analyse des correspondances du tableau 3. Inertie dimension 1 (axe horizontal) = 84.42 % ; Inertie dimension 2 (axe vertical) = 15.58 %. Le point noir plus gros que les autres indique le centre du système de coordonnées

La polémique autour du professeur Raoult

32Les messages contenant le nom du professeur Raoult sont représentatifs de l’écart constaté dans nos données entre les messages médiatiques et les discussions entre usagers. C’est pourquoi nous nous y attarderons. Le nom propre « Raoult » apparaît 134 fois dans le sous corpus Discussions et dans 118 messages. Lorsqu’on examine ces messages on constate qu’ils reflètent une polémique entre usagers. En effet, 38 d’entre eux (soit 32.20 %) expriment sans ambiguïté une position défavorable au professeur Raoult et à son traitement tandis que 42 expriment une position favorable (35.84 %).

33Dans les messages défavorables on trouve trois types d’arguments.

34Le premier est d’ordre scientifique ou médical (e.g « … la chloroquine n’est pas efficace contre le covid-19, voire même aggrave d’après l’étude du the Lancet... »).

35Le second type d’arguments renvoie à une mise en cause de la compétence ou de la personnalité du professeur Raoult (e.g. « C’est Raoult qui a dit au début de l’épidémie que le Covid ferait autant de morts que les accidents de trottinette… », « Il n’y a rien eu de scientifique dans la démarche de @raoult_didier dans cet épisode du Covid, juste une prise de confiance démesurée qu’il l’a amené à oublier que la star mondiale du domaine n’était pas lui… »).

36Enfin un troisième type d’arguments relève du raisonnement contrefactuel et consiste à postuler que l’hydroxychloroquine est inutile puisqu’on guérit du covid-19 sans en prendre (e.g. « J’ai eu le Covid pas soigné par Raoult ni son protocole et je suis guérie… »).

37Dans les messages favorables on rencontre deux types d’arguments.

38Le premier type englobe des arguments renvoyant à la compétence du professeur Raoult, à l’efficacité de son traitement et à l’innocuité de la chloroquine (e.g. « Je fais plus confiance à @raoult_didier qui maîtrise les maladies tropicales » ; « La Russie fabrique et traite à l’hydroxychloroquine, 3 500 morts pour 140 millions d’h. Nous devrions avoir 1 750 morts avec la même proportion… »).

39Le second type d’arguments mêle ceux qui reposent sur l’évocation de raisons peu avouables qui expliqueraient les critiques à l’encontre du professeur Raoult et ceux qui font état d’informations prétendument cachées. Il s’agit d’arguments dont la connotation conspirationniste paraît évidente (tableau 4).

– Je n’ai aucun avis sur les traitements Covid ou autres. Mais ce que je sais, c’est que l’excitation contre Raoult est très suspecte.
– Encore LaREM qui ne cherche pas du tout à se défausser et à jeter la responsabilité de tous les morts du COVID sur quelqu’un d’autre ! Tant qu’on sera sur Raoult, on tentera d’oublier toutes les plaintes contre LaREM.
– A croire qu’ils sont tous idiots.
– L’objectif est de dédouaner Macron Olivier Veran #gouvernement de la mauvaise gestion de la crise.
– Ils veulent nous vendre un vaccin ça peut pas plaire à l’état, donc ils font passer Raoult et d’autres pour des fous, mais avant le covid c’était en vente libre et à 5 euros.
– Il ne faut pas les lâcher et dévoiler leur corruption avec les lobbys pharmaceutiques…
– Le débat chloroquine pour moi c’est un faux débat ... pour faire oublier les chiffres du covid les chiffres réels qui finiront pas sortir comme l’explique Raoult quand il dit « on verra les chiffres ».

Tableau 4. Exemples d’arguments conspirationnistes favorables au professeur Raoult et à son traitement

40On voit donc se dessiner ici un foyer conspirationniste favorable au professeur Raoult. Sur les 1073 messages du sous corpus Discussions, nous avons dénombré un total de 40 messages à caractère conspirationniste, soit 3.72 %. Mais sur les 118 messages contenant le nom « Raoult », nous en avons dénombré 13.55 %. On doit également noter que certains messages du corpus Relais adoptent aussi le mode conspirationniste. Nous en avons dénombré 22 (soit 2.23 %), mais cette proportion est significativement inférieure à celle observée dans les messages Discussions (2.23 % vs 3.72 %, chi carré =3.94, p<.05).

41Du fait qu’un message peut être adressé à plusieurs destinataires, les messages échangés dans le sous corpus Discussions impliquaient 2305 comptes. La figure 3 montre la représentation graphique du réseau de cette conversation. On constate que ce réseau est très éparpillé puisque plus on s’éloigne de son centre et plus on rencontre des petits groupes d’usagers non reliés à l’ensemble. Au centre du réseau, on remarque une densité des liens bien plus importante. Enfin, les points noirs plus gros que les autres correspondent aux 33 usagers qui sont à l’origine des 40 messages à caractère conspirationniste que nous avions précédemment identifiés. On constate alors que la majorité de ces individus (21 sur 33, soit 63.33 %) se trouvent au centre ou très proches du centre du réseau. Ainsi, bien qu’ils ne soient finalement qu’une très petite minorité, les individus diffusant des messages conspirationnistes occupent dans le réseau de cette conversation une position qui fait que leurs messages ont de bonnes chances de toucher un grand nombre de personnes.

Figure 3. Réseau des Discussions (Algorithme Open Ord). Les points correspondent aux usagers et les lignes aux messages. Les points plus gros que les autres correspondent aux usagers ayant envoyé des messages à caractère conspirationniste

Figure 3. Réseau des Discussions (Algorithme Open Ord). Les points correspondent aux usagers et les lignes aux messages. Les points plus gros que les autres correspondent aux usagers ayant envoyé des messages à caractère conspirationniste

Discussion

42Les résultats dont nous venons de faire état vont dans le sens de nos hypothèses. Comme prédit (H1), il y a plus de ressemblance entre les messages Infos et Relais qu’il n’y en a entre ces deux types de messages et les messages Discussions. Probablement parce que les usagers qui relaient des informations médiatiques s’approvisionnent en premier lieu aux sources médiatiques elles-mêmes présentes sur la plateforme, même si cette activité de relais laisse place à un processus d’infomédiation qui amplifie la diffusion des informations relatives à l’hydroxychloroquine (cf. tableau 3). Par ailleurs, comme prédit (H2), on rencontre davantage de messages à caractère conspirationniste dans les messages Discussions que dans les messages Relais. Deux explications au moins peuvent être ici convoquées. On peut d’abord supposer qu’en négligeant les sources médiatiques présentes sur la plateforme, les usagers impliqués dans les discussions se trouvent finalement dans une situation de déficit d’information qui favorise l’apparition de théories conspirationnistes. On peut aussi supposer qu’une certaine défiance à l’égard de médias « officiels » (Lalancette & al., 2020) pousse des usagers à s’exposer à d’autres sources médiatiques, extérieures à la plateforme. Mais, compte tenu de notre dispositif de recueil, il nous est impossible de trancher entre ces deux voies d’explication. Ceci étant dit, et compte tenu des limites méthodologiques de cette recherche (cf. supra), deux remarques peuvent être faites.

43En premier lieu, on doit remarquer que si l’absence de corrélation entre l’agenda médiatique que nous observons et l’agenda des discussions est effective, il n’en reste pas moins vrai que sur un plan qualitatif, il n’y a pas de thème qui, dans les discussions, n’ait été traité par les médias présents sur la plateforme. Cela ne signifie pas que les discussions se nourrissent principalement aux sources médiatiques, mais cela montre qu’elles restent dans un cadre qui correspond presque exactement à celui choisit par les médias. Très exactement on note (tableau 3) qu’il n’y a qu’un seul mot totalement absent des discours médiatiques qui est présent dans le sous corpus Discussions (i.e. le mot « gens »).

44En second lieu, on peut s’interroger sur la présence d’individus diffusant des messages conspirationnistes au cœur du réseau des conversations (figure 3). Cette présence peut être regardée à l’aune de la théorie du SIDE (Social Identity Deinviduation Effect ; Reicher, Spears, & Postmes, 1995). Selon cette théorie, l’anonymat, souvent présent dans les communications médiatisées par internet, aurait un double effet sur les individus. D’une part, il contribuerait à les polariser sur leurs appartenances (sociales ou idéologiques) plus que sur leurs spécificités individuelles. D’autre part, il favoriserait des stratégies d’affirmation identitaire conduisant à adopter des positions extrêmes, perçues comme efficaces dans le processus de différenciation sociale (Deschamps & Moliner, 2012). On pourrait alors se demander si l’anonymat très fréquent sur la plateforme n’encouragerait pas certains usagers à diffuser des messages conspirationnistes.

Haut de page

Bibliographie

ALLOING Camille, VANDERBIEST Nicolas, 2018, « La fabrique des rumeurs numériques. Comment la fausse information circule sur Twitter ? », Le Temps des médias, (1), 105-123.

AN Jinsun, CHA Meeyoung, GUMMADI Krishna & CROWCROFT Jon, 201, “Media landscape in Twitter : A world of new conventions and political diversity”, Fifth International AAAI Conference on Weblogs and Social Media.

BIRKNER Nina, MIX York-Gothart, 2014, « Qu’est-ce que l’espace public : Histoire du mot et du concept », Dix-huitième siècle, 46(1), 285-307.

BRODIN Olivianne, ROUX Elyette, 1990, « Les recherches sur les rumeurs : courants, méthodes, enjeux managériaux », Recherche et Applications en Marketing (French Edition), 5(4), 45-70.

BUTTER Michael & KNIGHT Peter, (Eds.), 2020, “Routledge handbook of conspiracy theories”, London and New-York, Routledge.

DESCHAMPS Jean-Claude, MOLINER Pascal, 2012, L’identité en psychologie sociale : Des processus identitaires aux représentations sociales, Paris, Armand Colin.

DOUGLAS Karen, SUTTON Robbie & CICHOCKA Aleksandra, 2017, “The psychology of conspiracy theories”, Current directions in psychological science, 26(6), 538-542.

DOUGLAS Karen, USCINSKI Joseph, SUTTON, Robbie, CICHOCKA, Aleksandra, NEFES Turkey, ANG Chee Siang & DERAVI Farzin, 2019, “Understanding conspiracy theories”, Advances in political psychology, 40(1), 3-35.

Ellegård Alvar, 1959, “Statistical measurement of linguistic relationship”, Language, 35(2), 131-156.

HEIDER Fritz, 1958, “The psychology of interpersonal relations”, New-York, Wiley.

HU Mengdie., LIU Shixia., WEI Furu, WU Yingcai., STASKO John., & MA Kwan-Liu, 2012, “Breaking news on twitter”, Proceedings of the SIGCHI Conference on Human Factors in Computing Systems 2751-2754.

KIRILENKO Andrei, MOLODTSOVA Tatiana & STEPCHENKOVA Svetlana, 2015, “People as sensors : Mass media and local temperature influence climate change discussion on Twitter”, Global Environmental Change, 30, 92-100.

KNAPP Robert, 1944, “A psychology of rumor”, Public Opinion Quarterly, n° 8, 22-37.

LALANCETTE Mireille, YATES Stéphanie & ROUILLARD Carol-Ann, 2020, « Participation des contre-publics minoritaires et médias socionumériques. Les débats sur Twitter dans le cadre de l’adoption de la loi sur l’aide médicale à mourir au Canada. », Terminal. Technologie de l’information, culture & société, (127).

MARWICK Alice, BOYD Danah, 2011, “I tweet honestly, I tweet passionately : Twitter users, context collapse, and the imagined audience”, New Media & Society vol. 13(1), 114-133.

MAZUR Allan, 2018, “Birth and Death ( ?) of the Anti-Fracking Movement : Inferences from Quantity of Coverage Theory”, Society, 55(6), 531-539.

MAZUR Allan, LEE Jinling, 1993, “Sounding the global alarm : Environmental issues in the US national news”, Social studies of science, 1993, 23(4), 681-720.

MEDIAMETRIE, 2019, « Audience internet global en France en novembre 2018» .

MERCIER Arnaud, PIGNARD-CHEYNEL Nathalie, 2018, #Info. Commenter et partager l’actualité sur Twitter et Facebook, Paris, Éditions de la Maison des sciences de l’homme.

MOLINER Pascal, LO MONACO Grégory, 2017, Méthodes d’association verbale pour les sciences humaines et sociales, Grenoble, Presses Universitaires de Grenoble.

NISBET Matthew, KOTCHER John, 2009, “A two-step flow of influence ? Opinion-leader campaigns on climate change.”, Science Communication, 30(3)3, 328-354.

RAAB Marius, ORTLIEB Stefan, AUER Nikolas, GUTHMANN Klara & CARBON Claus-Christian, 2013, “Thirty shades of truth : conspiracy theories as stories of individuation, not of pathological delusion”, Frontiers in Psychology, 4 :406.

RATINAUD Pierre, SMYRNAIOS Nikos, 2016, “La Web Sphère De# CharlieHebdo : Une Analyse Des Réseaux Et Des Discours Sur Twitter Autour D’Une Controverse Politique (The Web Sphere of# CharlieHebdo : A Network and Discourse Analysis of a Political Controversy on Twitter)”, ESSACHESS-Journal for Communication Studies, 9(2), 18.

REICHER Stephen, SPEARS Russel & POSTMES Tom, 1995, “A social identity model of deindividuation phenomenon”, European Review of Social Psychology, 6, 161-198.

RENARD Jean-Bruno, 2009, « L’étude des rumeurs », dans Michel-Louis Rouquette, La pensée sociale, Toulouse, ERES, 137-157.

RENARD Jean-Bruno, 2015, « Les causes de l’adhésion aux théories du complot », Diogene, (1), 107-119.

RIEDER Bernhard, SMYRNAIOS Nikos, 2012, « Pluralisme et infomédiation sociale de l’actualité : le cas de Twitter », Réseaux, 176(6), 105-139.

ROUQUETTE Michel-Louis, 1985, Les rumeurs, Paris, Presses universitaires de France.

SMYRNAIOS Nikos, REBILLARD Frank, 2011, « Entre coopération et concurrence : Les relations entre infomédiaires et éditeurs de contenus d’actualité », Concurrences 3, 7-18.

STARBIRD Kate, MADDOCK Jim, ORAND Mania, ACHTERMAN Peg & MASON Robert, 2014, “Rumors, false flags, and digital vigilantes : Misinformation on twitter after the 2013 bostonmarathon bombing”, iConference 2014 Proceedings.

TARDE (de) Gabriel, 1901, L’opinion et la foule, Paris, Alcan, (Edition électronique http://classiques.uqac.ca/classiques/tarde_gabriel/opinion_et_la_foule/opinion_et_foule.html

VAN HOVE Florence, 2019, Médias d’actualité, journalistes et publics sur Twitter, thèse, Université de Fribourg.

VAN PROOIJEN Jan-Willem & DOUGLAS Karen, 2017, “Conspiracy theories as part of history : The role of societal crisis situations”, Memory studies, 10(3), 323-333.

VAN PROOIJEN Jan-Willem & JOSTMANN Nils, 2013, “Belief in conspiracy theories : the inuence of uncertainty and perceived morality”, European Journal of Social Psychology, 43(1) : 109–15.

VAN PROOIJEN Jan-Willem, KLEIN Olivier & MILOSEVIC DORDEVIC Jasna, 2020, “Social-cognitive processes underlying belief in conspiracy theories” In M. Butter & P. Knight (Eds.), Routledge handbook of conspiracy theories, London and New-York, Routledge, 168-180.

VARGO Chris, GUO Lei, McCOMBS Maxwell & SHAW Donald, 2014, “Network issue agendas on Twitter during the 2012 US presidential election”, Journal of Communication, 64(2), 296-316.

Haut de page

Notes

1 Ici et plus loin, le terme « influence » ne renvoie pas à un processus de modification des opinions ou des attitudes, mais plutôt au fait que des contenus médiatiques sont repris, discutés ou commentés par les individus qui y sont exposés.

2 Compte tenu de notre hypothèse initiale, les messages Infos retenus ont été postés entre le 26 mai à 17 h 40 et le 27 mai à 14 heures, tandis que les messages Relais et Discussion ont été postés entre le 26 mai à 18 heures et le 27 mai à 14 h 42. Ce décalage temporel a été introduit afin de tenir compte du temps nécessaire au relais d’un message nécessairement apparu sur la plateforme avant que le relai n’ait lieu.

3 Il s’agit du nom commun « homme ».

4 Infectiologue et directeur de l’Institut Hospitalo-Universitaire de Marseille. Il a proposé un traitement du Covid-19 (hydroxychloroquine) dont l’efficacité et l’innocuité ont été mises en doute.

Haut de page

Table des illustrations

Titre Figure 1. Analyse de classification hiérarchique (distance euclidienne, méthode de Ward) à partir de la matrice des indices de Ellegård entre les trois sous corpus.
Crédits Source des figures : auteur.
URL http://journals.openedition.org/communicationorganisation/docannexe/image/9417/img-1.jpg
Fichier image/jpeg, 123k
Titre Figure 2. Analyse des correspondances du tableau 3. Inertie dimension 1 (axe horizontal) = 84.42 % ; Inertie dimension 2 (axe vertical) = 15.58 %. Le point noir plus gros que les autres indique le centre du système de coordonnées
URL http://journals.openedition.org/communicationorganisation/docannexe/image/9417/img-2.jpg
Fichier image/jpeg, 326k
Titre Figure 3. Réseau des Discussions (Algorithme Open Ord). Les points correspondent aux usagers et les lignes aux messages. Les points plus gros que les autres correspondent aux usagers ayant envoyé des messages à caractère conspirationniste
URL http://journals.openedition.org/communicationorganisation/docannexe/image/9417/img-3.jpg
Fichier image/jpeg, 634k
Haut de page

Pour citer cet article

Référence papier

Pascal Moliner, « Médias, relais et discussions sur Twitter. Proximités et distances lexicales à propos du Covid-19 »Communication et organisation, 58 | 2020, 89-107.

Référence électronique

Pascal Moliner, « Médias, relais et discussions sur Twitter. Proximités et distances lexicales à propos du Covid-19 »Communication et organisation [En ligne], 58 | 2020, mis en ligne le 03 janvier 2023, consulté le 24 avril 2024. URL : http://journals.openedition.org/communicationorganisation/9417 ; DOI : https://doi.org/10.4000/communicationorganisation.9417

Haut de page

Auteur

Pascal Moliner

Pascal Moliner est professeur de psychologie sociale à l’Université Paul Valéry – Montpellier 3. Il est actuellement membre du laboratoire Epsylon (EA4556) et directeur du Master « Dynamiques cognitives et sociocognitives». Son dernier ouvrage, Social Psychology of Pictures (Cambridge Scholar Publishing), traite du lien entre les représentations et les images, notamment les images médiatiques.

Articles du même auteur

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 « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search