Navigation – Plan du site

AccueilNuméros39Dossier. Mise en (in)visibilité d...La mise en visibilité des forces ...

Dossier. Mise en (in)visibilité des groupes professionnels

La mise en visibilité des forces de l’ordre sur Twitter pendant le mouvement des Gilets jaunes

Showing law enforcement on Twitter during the Yellow Vests movement
Edouard Bouté
p. 185-208

Résumés

Pendant le mouvement des Gilets jaunes, de nombreuses critiques des pratiques policières ont circulé sur les réseaux sociaux numériques (RSN). Cet article interroge la manière dont certaines représentations des forces de l’ordre deviennent plus visibles que d’autres, c’est-à-dire circulent plus que d’autres, sur Twitter. Cette réflexion articule les rôles des acteurs/actrices, du dispositif et des contenus, et se base sur un matériau empirique de 1 500 976 tweets et 31 698 images ayant été partagées 446 824 fois entre le 26 janvier 2019 et le 19 mars 2019. En analysant deux modes de circulation des contenus (le retweet et la citation), nous montrons que, si de nombreux·ses acteurs et actrices mobilisent des images pour produire des représentations des forces de l’ordre et du maintien de l’ordre sur le RSN, ce sont essentiellement celles et ceux qui produisent les plus critiques d’entre elles qui parviennent à les rendre visibles.

Haut de page

Texte intégral

  • 1 860 blessé·es et mutilé·es – dont 5 mains arrachées, 24 personnes éborgnées –, ainsi qu’un décès (...)

1Pendant le mouvement des Gilets jaunes en 2018 et 2019, de nombreuses critiques de la police ont circulé sur les réseaux sociaux numériques (RSN). Dans la rue, chaque « acte » de cette mobilisation a été le théâtre régulier d’importants affrontements entre manifestant·es et forces de l’ordre immédiatement relayés sur Internet, contribuant à documenter le phénomène1. Pour André Gunthert (2020), ces espaces numériques d’expression ont été le lieu par excellence de la critique des pratiques policières, quand les médias traditionnels se sont fait le relais – au moins dans un premier temps – d’une autre lecture des événements, mettant en avant une réponse proportionnée des forces de l’ordre face aux dégradations matérielles commises par les manifestant·es. Cette lecture favorable à l’action des forces de l’ordre prolonge le cadrage médiatique souvent proposé par les séries télévisées ou encore le « journalisme embarqué » qui véhiculent une image plutôt idéalisée, voire glorifiée et complaisante de ce groupe professionnel (Bryon-Portet, 2012 ; Chalvon-Demersay, 2004 ; Rafin, 2012 ; Thorel, 2013). À l’inverse, la lecture critique très présente sur les RSN s’inscrit dans la tradition des « médiactivistes » qui mobilisent les technologies de communication mobile pour proposer une alternative aux discours dominants (Cardon et Granjon, 2013).

2Si la recherche en sciences sociales a beaucoup insisté sur cette dimension contre-hégémonique des discours numériques, on a récemment pu observer que les RSN, et plus particulièrement Twitter, pouvaient également être des lieux d’échanges et d’affrontements, notamment autour d’images et de vidéos (Julliard, 2016). En témoignent les nombreux débats qui ont eu lieu sur Twitter autour des images de l’affaire Geneviève Legay – une militante blessée par la police en mars 2019 lors d’une manifestation des Gilets jaunes interdite à Nice –, lors desquels la responsabilité exacte des forces de l’ordre dans la chute de la victime a été discutée par des publics en désaccord (Bouté et Mabi, 2020). Les préfectures se sont par ailleurs engagées dans une « bataille de l’image » sur ce même RSN, calquée sur les stratégies de communication militante, pour faire valoir leur lecture des événements, en mettant par exemple en avant le courage des forces de l’ordre face à l’« ultraviolence » de « groupes hostiles » (Fillieule et Jobard, 2020). Du fait des règles de fonctionnement de l’espace public numérique calquées sur des dynamiques algorithmiques (Cardon, 2015), ces différentes analyses des pratiques policières ne semblent toutefois pas avoir bénéficié de la même visibilité. Comment, alors, expliquer que certaines représentations – en l’occurrence, les plus critiques envers les forces de l’ordre – deviennent plus visibles que d’autres, c’est-à-dire circulent plus que d’autres, au sein d’un même espace numérique ? Plusieurs éléments peuvent permettre d’expliquer cette différence.

3Un premier facteur est relatif au contexte. Le mouvement des Gilets jaunes s’est étendu pendant près d’un an et demi à partir du 17 novembre 2018. La récurrence des manifestations sur tout le territoire français en a fait un important sujet d’actualité. Cette récurrence a été propice à la multiplication des affrontements avec les forces de l’ordre, mais aussi à la multiplication des commentaires en ligne à propos de ces affrontements, en particulier sur Twitter où l’actualité y est largement partagée et discutée (Rebillard, 2012 ; Rieder et Smyrnaios, 2012). Cela explique pourquoi un grand nombre de représentations des forces de l’ordre ont été produites lors de cette période, mais cela n’explique pas pourquoi certaines représentations sont plus visibles que d’autres.

4Un deuxième facteur concerne la non-représentativité des profils sociologiques qui s’expriment sur ce RSN. Les travaux de Julien Boyadjian (2016) sur les publics qui y publient des messages à caractère politique rendent compte de l’existence d’une « très forte sélection sociale » qui se matérialise par une surreprésentation de publics jeunes « issus pour la plupart de milieux sociaux relativement aisés », masculins, fortement diplômés, cadres, parisiens et politisés. Il insiste également sur la surreprésentation de l’électorat de gauche et d’extrême gauche, et à l’inverse sur la sous-représentation de celui de droite et d’extrême droite. Or, selon une enquête Ifop réalisée en juin 2020, les publics ayant l’opinion la plus négative de la police correspondent aux publics les plus jeunes et situés le plus à gauche de l’échiquier politique2. Cela pourrait être un facteur explicatif de la plus importante visibilité des contenus critiques des pratiques policières sur Twitter. Toutefois, cette analyse de la composition sociologique et politique du RSN date de 2012. Des travaux plus récents, à propos de l’élection présidentielle française de 2017, rendent compte d’un nombre important de messages publiés par les comptes situés à droite et à l’extrême droite de l’échiquier politique – plus de 50 % de leurs corpus de tweets (Chavalarias et al., 2019 ; Ratinaud et al., 2019).

5Nous proposons d’investiguer une troisième voie, techno-sémio-pragmatique : la visibilité accrue des représentations critiques dans un espace donné résulte d’un agencement d’acteurs/actrices – qui jouent un rôle dans le processus de sélection des images et dans la construction du sens attribué aux pratiques policières – et de dispositifs médiatiques – qui conditionnent les modes de circulation des images et du sens. Autrement dit, on observe que seul·es certain·es acteurs et actrices parviennent à activer le potentiel de visibilité offert par les RSN pour porter leurs messages, et ainsi donner à voir, d’une certaine manière, les forces de l’ordre. Cette hypothèse prend appui sur les travaux qui s’intéressent à la dimension matérielle des dispositifs d’écriture numérique, dimension « constitutive » (Cotte, 2004) de l’expression en ligne, et même contraignante, dans le sens où cette matérialité joue un « rôle dans la construction et la circulation des discours » (Mabi, 2016). Les espaces sociaux d’écriture sont ainsi structurants des dynamiques des conflits et des controverses en ligne en autorisant certaines formes d’expression aux dépens d’autres (Julliard, 2015 et 2017), et en accroissant ou limitant les possibilités d’appropriation et de recodage du sens des contenus qui circulent (Devars, 2015 ; Bastard, 2019). Cette approche permet d’aborder la visibilité par le prisme du design des technologies numériques – vu comme le processus à travers lequel les ressources techniques cadrent les pratiques des acteurs/actrices et organisent les relations entre eux (Badouard, 2014) – et par le prisme de ses affordances – pour insister sur la manière dont certaines pratiques s’adaptent aux caractéristiques communicationnelles des dispositifs numériques (Tufekci, 2019 ; Mabi, 2020).

  • 3 Le caractère « unique » des images est ici informatique et non pas sémiotique : c’est l’exacte cor (...)
  • 4 La captation, effectuée pendant une partie du mouvement des Gilets jaunes, a été réalisée de façon (...)

6Afin de travailler notre hypothèse, nous avons récolté automatiquement un matériau empirique de 1 500 976 tweets et 31 698 images uniques3 (photos, vidéos, schémas, etc.) ayant été partagées 446 824 fois entre le 26 janvier 2019 et le 19 mars 20194. Nous avons extrait de cet ensemble trois corpus que nous interrogeons de concert pour répondre à notre problématique.

7L’appareillage méthodologique complet est présenté en première partie de ce travail. Dans un deuxième temps, en nous intéressant aux internautes qui produisent, à partir d’images, des représentations des forces de l’ordre sur Twitter pendant le mouvement des Gilets jaunes, nous montrons que seul·es certain·es d’entre elles/eux parviennent à rendre visibles leurs propos. La troisième partie cherche à qualifier les représentations qui circulent. Nous montrons que si les représentations produites sont essentiellement critiques des forces de l’ordre, cette profession est loin d’être la seule concernée par une critique qui embarque avec elle des membres du gouvernement et des acteurs/actrices médiatiques traditionnel·les. La dernière partie s’intéresse au recodage de ces représentations par l’utilisation de la « citation » sur Twitter, qui permet de commenter un tweet que l’on partage. Nous montrons que cette pratique d’écriture est également majoritairement mobilisée pour produire des représentations critiques, mais que la direction dans laquelle l’information est recodée dépend moins du contenu des tweets d’origine en eux-mêmes que de qui les a publiés. Cette démarche permet de rendre compte de la complexité des logiques de circulation des différentes représentations des forces de l’ordre sur Twitter.

Analyser les représentations des forces de l’ordre sur Twitter

8Pour mener à bien notre enquête, nous avons mobilisé un appareillage méthodologique de captation automatisée des données nous permettant de constituer un important « proto-corpus » de tweets (Bottini et Julliard, 2017), réduit par la suite pour constituer un corpus analysable quali-quantitativement (Venturini et al., 2014). Ce choix s’inspire de la démarche de sémiologie interprétative quali-quantitative de Dario Compagno (2017 : 55), qui estime qu’« avec les instruments technologiques actuels, il n’y a plus d’opposition entre méthodes qualitatives et quantitatives, mais continuité et complémentarité ». Il invite ainsi à coupler des analyses sémiotiques (quali) et statistiques (quanti) pour observer des données numériques, ce qui implique d’opérer un changement d’échelle en « zoomant » à l’intérieur de grands corpus de données pour les analyser qualitativement. Virginie Julliard (2015) soutient une telle démarche pour l’analyse de controverses sur Twitter en défendant « l’intérêt d’articuler caractérisation quantitative du corpus et analyse qualitative en contexte d’un corpus restreint de tweets ». Pour mener cette analyse, Thomas Bottini et V. Julliard (2017 : 48-49) expliquent qu’il ne faut pas déléguer au seul dispositif informatique automatisé le pouvoir d’exploration de corpus contenant un nombre important de données :

« En cela qu’elle se caractérise par la volonté d’être au plus près des signes et de l’expérience des lecteurs et lectrices, spectateurs et spectatrices ou internautes, l’analyse sémiotique ne peut s’appuyer uniquement sur des résultats produits par un calcul ou sur des données disjointes de leur contexte de production qui se prêtent à des analyses automatiques […]. À la lumière des enjeux épistémologiques d’une informatisation de l’analyse sémiotique, il apparaît que le couplage optimal entre le dispositif technique et le chercheur ou la chercheuse relève d’une suppléance, et non d’une substitution (Gapenne, Lenay et Boullier, 2001). Il n’est pas question de produire des analyses, fussent-elles partielles, à la place du chercheur ou de la chercheuse, mais d’assister celui-ci ou celle-ci dans son exploration des inscriptions ».

9Nous avons ainsi mobilisé l’outil TOAST5 mis en place par T. Bottini et V. Julliard (2017) pour mener à bien notre recherche. TOAST permet notamment de reconstruire le « contexte sémiotique et social dans lequel les tweets s’inscrivent » (ibid., 49) afin de réaliser l’« enrichissement du “proto-corpus” » (ibid., 53) nécessaire « à l’appréhension du contexte plus général d’écriture et de lecture des tweets » (ibid., 53) et à « l’analyse des effets de sens » (ibid., 56). Or, pour saisir les effets de sens des messages publiés et mis en circulation, l’analyse de la relation texte-image et l’analyse du contexte de publication sont nécessaires (Julliard, 2016). Cela est particulièrement vrai sur Twitter où une part du sens de l’énoncé est délégué à l’image partagée avec le tweet en raison de la limite de caractères imposée par le RSN (Julliard, 2015). Cela l’est d’autant plus dans le cadre de notre étude, en raison de l’important usage des images pour donner à voir les forces de l’ordre en action lors des manifestations.

  • 6 Ce tableau rend compte des formes canoniques des mots et expressions réellement mobilisés, afin de (...)

10La captation réalisée repose sur la définition de mots clés faisant référence à notre problématique de recherche (Tableau 16) : vocabulaire associé aux professions mobilisées pour le maintien de l’ordre, aux actions des forces de l’ordre, à leurs armes et aux blessures qu’elles causent, aux manifestations, ainsi qu’aux slogans associés aux violences policières. Ces mots clés ont été définis à partir d’une observation des échanges se déroulant sur Twitter pendant les toutes premières mobilisations des Gilets jaunes. Ils ont ensuite été testés dans une pré-captation (non intégrée dans notre proto-corpus) pour vérifier qu’ils nous permettaient bien de récupérer des tweets au sujet de la confrontation entre les Gilets jaunes et les forces de l’ordre.

Tableau 1. Mots clés utilisés pour capter les tweets publiés en temps réel et constituer le proto-corpus

Tableau 1. Mots clés utilisés pour capter les tweets publiés en temps réel et constituer le proto-corpus

11Nous avons ainsi récolté 1 500 976 tweets et 31 698 images uniques (photos, vidéos, schémas, etc.) partagées 446 824 fois entre le 26 janvier 2019 et le 19 mars 2019. Nous avons ensuite opéré plusieurs « zooms » pour réduire la taille de ce proto-corpus et le rendre analysable quali-quantitativement. Concrètement, nous avons construit trois corpus à partir de trois extractions de tweets et d’images (Tableau 2).

12Le premier corpus rend compte du paysage global des communautés d’acteurs et actrices qui mobilisent des images sur Twitter pour produire des discours à propos des forces de l’ordre. Il est constitué des comptes qui publient des images et de ceux qui les retweetent. Parmi les 446 824 images, 413 829 correspondent à ce critère de sélection. Nous nous sommes inspiré de la méthodologie employée par Pierre Ratinaud et al. (2019), et avons utilisé le logiciel libre Gephi afin de définir des communautés en fonction de l’intensité des interactions autour des images, et de spatialiser les comptes en fonction de cette intensité. Nous avons ensuite supprimé le bruit en évacuant du corpus les tweets hors sujet captés par nos mots clés, ainsi que les communautés les moins actives. Nous obtenons ainsi un premier corpus constitué de 72 366 comptes et 301 655 tweets qui partagent des images.

13Pour construire le deuxième corpus qui permet d’appréhender les représentations qui circulent le plus, nous avons extrait l’ensemble des tweets mobilisant des images partagées au moins 500 fois. Notre analyse s’est ainsi concentrée sur un ensemble de 89 images différentes répondant à ce critère, et mobilisées dans 89 305 tweets au total.

  • 7 Concrètement, citer, sur Twitter, consiste en la republication d’un tweet avec l’ajout d’un nouvea (...)

14Cependant, ce deuxième corpus est trop partiel pour étudier la construction du sens au sein d’un dispositif numérique où coexistent des « processus de production et d’interprétation de l’actualité [qui] sont diffus et corrélés car ils se réalisent quasiment en même temps » (Rieder et Smyrnaios, 2012), et où l’information décodée par les internautes peut être recodée en étant remise en circulation avec un nouveau texte, ce qui contribue à attribuer un nouveau sens au contenu qui circule (Bastard, 2019). Prenant acte de cette caractéristique du dispositif, nous avons construit un troisième corpus pour étudier les citations7 qui sont faites des images contenues dans le deuxième corpus – celles partagées au moins 500 fois – afin de comprendre plus complètement le processus de construction des représentations des forces de l’ordre sur Twitter. Ce corpus contient 35 750 citations de tweets et de retweets de ces citations.

15Cet appareillage méthodologique permet ainsi de prolonger le travail d’« investigation des images circulant sur Twitter » entrepris par T. Bottini et V. Julliard. Notre entrée par la question de la visibilité des représentations produites à partir d’images nous permet d’approcher qualitativement d’importants corpus, comme P. Ratinaud et al. (2019) invitent à le faire.

Tableau 2. Synthèse des extractions pour la constitution des trois corpus

Tableau 2. Synthèse des extractions pour la constitution des trois corpus

Les acteurs et les actrices de la construction des représentations des forces de l’ordre

16La première étape de notre enquête vise à mieux cerner les acteurs et les actrices qui s’investissent sur Twitter pendant le mouvement des Gilets jaunes, en publiant et retweetant des images en lien avec le maintien de l’ordre. Avec Gephi, nous avons spatialisé le premier corpus. Cette spatialisation des comptes Twitter est réalisée à l’aide de l’algorithme « ForceAtlas2 » (Jacomy et al., 2014) qui permet de rapprocher entre eux les comptes qui se retweetent beaucoup (Figure 3).

Figure 3. Communautés qui s’investissent autour d’images sur Twitter, à propos du maintien de l’ordre, pendant le mouvement des Gilets jaunes

Figure 3. Communautés qui s’investissent autour d’images sur Twitter, à propos du maintien de l’ordre, pendant le mouvement des Gilets jaunes

17La spatialisation permet de mieux qualifier les communautés qui partagent des images à propos des affrontements entre les Gilets jaunes et les forces de l’ordre. Nous en identifions dix (en enlevant les « comptes étrangers », peu intéressants pour notre étude). Cinq sont des communautés politiques. D’abord, celles de gauche/extrême gauche et de droite/extrême droite. Elles s’organisent toutes deux autour de politicien·nes (Alexis Corbière de La France insoumise versus Éric Ciotti des Républicains, par exemple) et de médias alternatifs qui partagent une ligne politique proche (Taha Bouhafs ou Gaspard Glanz versus Sputnik France par exemple). Deux autres communautés politiques se situent dans le graphe entre celles de gauche/extrême gauche et de droite/extrême droite. L’une est composée des quelques comptes de Gilets jaunes présents sur Twitter. L’autre rassemble les comptes critiques du gouvernement en place (tels que les comptes « EnModeMacaron » ou « Le Général », qui n’existe plus depuis notre collecte). Elles sont relayées par ces différentes sensibilités politiques. La dernière communauté politique est celle autour de La République en marche. Elle est éloignée des quatre autres, ce qui signifie qu’elle ne retweete pas les images qu’elles publient, et inversement.

18Quatre communautés relèvent du champ médiatique8. Trois d’entre elles – les médias traditionnels (BFM TV, l’AFP, franceinfo…), les comptes relayeurs d’informations9, et les agences de presse et photoreporters – voient leurs contenus relayés par les différentes communautés politiques. La dernière, qui regroupe les comptes de fact-checking, produit des contenus presque exclusivement partagés par les médias traditionnels et les sympathisant·es de La République en marche. Cette position dans le graphe s’explique car certains de leurs tweets exposent la fausseté d’images mobilisées par leurs opposant·es politiques en « appuis documentaires » (Rebillard, 2017) pour dénoncer la répression policière des Gilets jaunes10.

19Une dernière communauté s’organise autour de comptes en lien avec la police, tels ceux de « femme de flic » ou de Linda Kebbab (déléguée nationale du syndicat Unité SGP Police-Force ouvrière). Ils entretiennent une proximité importante avec La République en marche et les médias traditionnels. En revanche, les liens avec l’extrême droite sont faibles. Cela peut s’expliquer car l’extrême droite a cherché à récupérer politiquement le mouvement des Gilets jaunes (Geisser, 2019), l’amenant de fait à limiter son soutien public aux forces de l’ordre.

  • 11 Nous ne sommes pas parvenu à construire, à l’aide de Gephi, des communautés qui soient identiques (...)

20À l’issue de cette étape de cartographie, plusieurs points restent à explorer. D’abord, nous ne savons pas quelle quantité de tweets chaque communauté produit11. Ensuite, nous ne savons pas encore précisément ce que sont les contenus partagés, mais nous y reviendrons. Enfin, nous en savons encore peu sur le processus de visibilisation de ces images : ces différentes communautés parviennent-elles toutes à rendre visibles les représentations des forces de l’ordre qu’elles produisent, ou bien y a-t-il un processus de sélection différencié dans la circulation des contenus qui s’opère en fonction des communautés ?

21Pour répondre, nous avons analysé le deuxième corpus, celui contenant les tweets qui mobilisent des images partagées au moins 500 fois. Nous avons retracé le chemin parcouru par chacune de ces images lorsque cela était possible. C’est-à-dire que nous avons recherché qui est à l’origine de la photographie ou de la vidéo mobilisée, et qui est à l’origine de l’intense circulation de l’image – c’est-à-dire de sa viralité. Enfin, nous avons catégorisé et réuni ces différents comptes Twitter dans un tableau afin de mieux saisir leur rôle dans la mise en visibilité des représentations des forces de l’ordre (Figure 4).

Figure 4. Typologie des producteurs/productrices et des diffuseur·ses d’images

Figure 4. Typologie des producteurs/productrices et des diffuseur·ses d’images
  • 12 Cette catégorie correspond aux photographes professionnel·les qui ont réalisé des images en dehors (...)
  • 13 Il s’agit là des photographes ou vidéastes de terrain professionnel·les, sans qu’elles et ils soie (...)

22Ce tableau révèle que, dans l’essentiel des cas, celles et ceux qui produisent des images ne sont pas celles et ceux qui les font accéder à la visibilité. Les publics amateurs sont surreprésentés dans la première catégorie – sans être pour autant en majorité. Sur les 89 images de notre corpus, ils en ont produit 25 en se saisissant de leur smartphone lors d’une mobilisation Gilets jaunes pour photographier ou filmer l’événement. De nombreuses images sont également issues du champ médiatique : 17 sont produites par des médias alternatifs (comme Brut, RT, ou Le Média), 9 par des médias traditionnels (comme BFM TV ou CNews), 9 par des professionnel·les de l’image12, et 8 par des photoreporters professionnel·les13, dont 7 par Stéphanie Roy qui a enregistré et publié sur Twitter un grand nombre de vidéos pendant le mouvement des Gilets jaunes.

  • 14 Il y a dix sources de viralité de plus que d’images dans le corpus, car certaines images ont plusi (...)
  • 15 Nous qualifions de personnalités médiatiques les personnalités ayant au moins 10 000 followers sur (...)

23Dans la majorité des cas, ce sont d’autres comptes qui sont parvenus à donner de la visibilité à ces images sur Twitter. Il n’y a correspondance entre la production et la diffusion d’images qu’à 17 reprises, pour 99 sources de viralité différentes14. Les comptes amateurs, qui ont peu de followers, ne sont présents qu’à 7 reprises. Les médias alternatifs, traditionnels, les professionnel·les de l’image et les photoreporters ne sont au total présent·es que 11 fois dans le corpus. En revanche, de nouveaux acteurs et de nouvelles actrices font leur apparition dans cette étape de mise en circulation des images : les journalistes (3 fois), les personnalités médiatiques (6 fois), les influenceurs et influenceuses15 (21 fois), ou encore les comptes relayeurs d’informations (11 fois). Ajoutons également la présence de David Dufresne (7 fois) qui a eu une place centrale pendant le mouvement des Gilets jaunes – comme en témoigne la figure 3, dans laquelle il apparaît sous le pseudo de « davduf » – en relayant des centaines d’images de violences policières sur Twitter après les avoir contextualisées. Au sein de ces différentes catégories, seuls trois comptes sont en lien avec la police : le syndicat de police Vigi (un syndicat critique des pratiques de maintien de l’ordre), Christophe Castaner (ministre de l’Intérieur pendant le mouvement des Gilets jaunes) et Linda Kebbab. La faible présence de comptes en lien avec la police ici est ainsi un facteur explicatif de l’absence de représentations favorables aux forces de l’ordre pendant le mouvement des Gilets jaunes sur Twitter.

24La visibilité des contenus nous apparaît donc moins être le résultat d’un phénomène de sélection aléatoire ou hasardeux des images par les membres de la plateforme, que le résultat d’un agencement d’acteurs et d’actrices aux rôles distribués. D’un côté, des acteurs et des actrices présent·es sur le terrain, formé·es ou non à la captation d’images. De l’autre, des comptes Twitter aux nombreux·ses abonné·es qui vont mobiliser ces images produites par autrui et les associer à des textes avant de les publier. Plus le nombre d’abonné·es est important, plus la capacité à rendre visibles des images apparaît alors conséquente. Et certain·es ont bien compris ce fonctionnement du dispositif : plutôt que publier par elles et eux-mêmes leurs images, elles et ils contactent les comptes Twitter qui ont un grand nombre d’abonné·es afin de maximiser le potentiel de visibilité de leur contenu. Cela est typiquement exemplifié par le cas de D. Dufresne qui est régulièrement contacté pour publier et contextualiser sur son compte des images présentant des scènes de violences policières. Toutefois, cette articulation entre producteurs/productrices et diffuseur·ses est le plus souvent non intentionnellement coordonnée. Les diffuseur·ses vont alors récupérer par leurs propres moyens les images ailleurs sur le Web ou sur Twitter, puis construire leurs propres représentations à partir de ces contenus.

Twitter, l’hégémonie des représentations critiques

25Si les acteurs/actrices directement en lien avec la police ne parviennent pas à rendre visibles leurs propos, il se pourrait cependant tout à fait que des représentations produites par autrui proposent une lecture positive de la profession (les publics amateurs ou encore les influenceurs et influenceuses ne sont pas, par essence, critiques de la police). C’est pourquoi nous devons désormais observer plus finement ce que sont les représentations qui deviennent visibles sur Twitter.

26Pour répondre à cette question, nous avons produit des catégories dans lesquelles nous avons rangé les images et les textes qui leur sont associés. Ce travail de caractérisation et de catégorisation a été réalisé manuellement, c’est-à-dire que nous avons regardé les 89 images de ce corpus pour définir ce qui y est montré, tout comme nous avons lu les 89 305 tweets mobilisant ces images pour en analyser le sens. En réalité, de nombreux tweets sont des retweets que nous avons pu synthétiser dans un tableur en les qualifiant (tweet, retweet, réponse à un tweet, etc.) et en les quantifiant (tel texte avec telle image a été retweeté 1 000 fois, tel texte avec cette même image 500 fois, etc.). Finalement, ce sont donc 668 tweets uniques que nous avons analysés ici.

  • 16 Si certains tweets correspondent à plusieurs catégories, nous les y avons inscrits plusieurs fois, (...)

27Huit catégories d’images et six catégories de textes ont émergé de l’analyse (Figure 5). Ce niveau de granularité permet de faire remarquer que certaines images sont plus propices à qualifier d’une certaine manière les pratiques de maintien de l’ordre que d’autres. Pour remplir ce tableau, nous nous sommes intéressé aux associations textes-images retweetées au moins 10 fois. Les tweets sans rapport avec le maintien de l’ordre ont également été mis de côté. En résulte un ensemble de 80 771 tweets rangés dans ce tableau. Dans chaque case, nous avons indiqué le nombre de fois qu’un tweet apparaît dans les catégories correspondantes16.

Figure 5. Typologie des représentations produites à partir des textes et des images

Figure 5. Typologie des représentations produites à partir des textes et des images
  • 17 À la différence de la dénonciation de l’illégitimité des pratiques policières, ou bien de la dange (...)

28Le premier enseignement à tirer est que les représentations les plus visibles correspondent à une représentation critique des forces de l’ordre en elles-mêmes. La critique énoncée met notamment en avant l’usage illégitime de la force : « VIOLENCES POLICIÈRES GRAVES […] sans aucune raison » (Figure 6). Cette manière de donner à voir les forces de l’ordre est la plus présente du corpus (59 %). Mais la critique produite passe également par le dénigrement des forces de l’ordre dans 7 % du corpus17. La profession est ici tournée en dérision ou bien qualifiée de vulnérable : « Le peuple n’a pas peur de la lacrymo ou des LBD ! » (Figure 6). Dans ces deux catégories, les forces de l’ordre sont disqualifiées, et c’est l’aspect répressif de la profession qui est quasi exclusivement mis en avant dans la critique produite.

Figure 6. Exemple de tweets critiques des pratiques des forces de l’ordre

Figure 6. Exemple de tweets critiques des pratiques des forces de l’ordre

29Toutefois, cette représentation critique des forces de l’ordre embarque d’autres acteurs et actrices que les seul·es agent·es de terrain. Dénoncer le maintien de l’ordre, c’est également mettre en lumière la responsabilité de l’État : « Macron Castaner les criminels de l’Élysée rappelez vos chiens » ou encore « Macron, casseur de la République » (Figure 7). Le maintien de l’ordre est présenté comme une profession asservie au gouvernement, qui serait le premier responsable des violences lors des manifestations. Cette représentation critique, qui opère un glissement depuis l’idée de violences policières vers celle de violences d’État, est présente dans 14 % du corpus.

Figure 7. Exemple de tweets mettant en cause l’État dans le problème des violences policières

Figure 7. Exemple de tweets mettant en cause l’État dans le problème des violences policières
  • 18 « GJ » est l’abréviation de « Gilets jaunes ».

30Les médias traditionnels sont eux aussi embarqués dans la critique du maintien de l’ordre en raison du cadrage qu’ils opèrent des événements. Ils sont accusés de ne pas en montrer les aspects les plus problématiques, ce que les images publiées sur les RSN permettraient de corriger : « Vidéo Importante […] qui ridiculise la version des médias de Macron (BFM ..)! […] Partagez cette vidéo svp! », « La BAC qui tabasse des journalistes + GJ18 pacifistes […] ça ne passera jamais en boucle sur BFMTV CNEWS !! » (Figure 8). Cette critique du cadrage médiatique des événements est présente dans 10 % du corpus.

  • 19 L’image est absente de la capture d’écran car le tweet original a été supprimé de Twitter.

Figure 8. Exemple de tweets critiques du traitement médiatique des affrontements entre forces de l’ordre et Gilets jaunes19

Figure 8. Exemple de tweets critiques du traitement médiatique des affrontements entre forces de l’ordre et Gilets jaunes19

31Les discours favorables à l’action des forces de l’ordre sont peu nombreux (7 % du corpus). Parmi les trois acteurs/actrices en lien direct avec la profession policière, seulement deux produisent un propos visant à rétablir une image positive des forces de l’ordre. D’abord en justifiant de la légitimité de l’usage de la force, comme l’a fait C. Castaner en renvoyant la primauté de la violence du côté des manifestant·es, mais aussi en montrant les blessures des forces de l’ordre pour appeler à une juste compassion avec l’ensemble des blessé·es (Figure 9). Le troisième acteur, le syndicat de police Vigi, participe à l’inverse à une critique des pratiques de la profession en mettant en avant la non-adéquation de l’usage du lanceur de balles de défense (LBD) au contexte de la manifestation (Figure 10).

Figure 9. Exemple de tweets en défense ou en soutien des forces de l’ordre et de leur action

Figure 9. Exemple de tweets en défense ou en soutien des forces de l’ordre et de leur action

Figure 10. Tweet du syndicat policier Vigi, critique de l’usage du LBD

Figure 10. Tweet du syndicat policier Vigi, critique de l’usage du LBD

32Ainsi, ce sont les représentations les plus critiques des forces de l’ordre qui trouvent, de loin, le plus de visibilité sur la plateforme, en étant largement retweetées. Toutefois, l’expression de la critique ne concerne pas que les agent·es de terrain : disqualifier les pratiques de maintien de l’ordre, c’est aussi dénoncer l’État (qui orchestre son action et qui est protégé par son action) et les cadrages médiatiques traditionnels proposés. Donner à voir le maintien de l’ordre, c’est donc donner à voir d’autres professions que les seules forces de l’ordre. De même, la production de représentations des forces de l’ordre ne passe pas que par le partage d’images du maintien de l’ordre en train de se faire : cela se fait aussi en donnant à voir les conséquences de ce travail (les blessures) ou encore ses outils (les armes). Charles Gadea (2016) parle d’« idiomes figuratifs » pour qualifier les représentations de groupes professionnels effectuées par de telles métonymies.

Un recodage différencié des représentations en fonction du statut des acteurs/actrices

33L’analyse des représentations visibles des forces de l’ordre ne peut cependant se limiter à l’analyse de ce corpus. Celui-ci ne recouvre effectivement qu’une couche des représentations produites, qui ne sont pas les seules à circuler sur Twitter. Par le principe de citation des tweets, le RSN autorise de recoder (Bastard, 2019) ou de resignifier (Paveau, 2019) les représentations présentes sur la plateforme, c’est-à-dire de les refaire circuler tout en leur attribuant un nouveau sens. Nous avons donc analysé notre troisième corpus, composé des 35 750 citations des tweets contenus dans le corpus précédent, dans le but de comprendre si l’usage de ce mode d’écriture numérique particulier joue un rôle sur le type de représentations produites. En rendant compte de l’existence de trois modes de recodage des représentations (validation-prolongation du sens, correction du sens, négation-inversion du sens), nous montrons que les représentations critiques restent celles qui circulent le plus, mais que le processus de recodage dépend moins du contenu des tweets en eux-mêmes que des acteurs et actrices qui les publient.

34Intéressons-nous d’abord aux citations des tweets proposant une lecture favorable à l’action des forces de l’ordre. De ce point de vue, ce que nous nommons « validation-prolongation du sens » renvoie au fait que le sens initial est approuvé, voire appuyé, parfois avec un supplément de sens ajouté, mais qui ne transforme en rien l’esprit initial du propos : la violence de la part des forces de l’ordre est légitime car les manifestations organisées par les Gilets jaunes sont violentes. La « correction du sens » signifie que le propos n’est pas entièrement remis en cause, mais qu’un point de détail est soulevé : les citations sont alors l’occasion d’opérer une distinction entre les Gilets jaunes pacifiques et les « casseurs » extérieurs au mouvement, voire envoyés par l’État pour discréditer le mouvement. Mais la violence des forces de l’ordre n’est pas jugée illégitime. Enfin, la « négation-inversion du sens » correspond ici à la remise en cause de l’action du gouvernement et des forces de l’ordre : la première violence, à laquelle les Gilets jaunes ne font que réagir, vient de l’État et/ou des forces de l’ordre. Le tweet qui a suscité le plus de citations (10 081 fois) est ici celui de C. Castaner (Figure 11). Le recodage opéré est majoritairement une négation-inversion du sens.

Figure 11. Validation-prolongation du sens, correction du sens, et négation-inversion du sens du tweet de C. Castaner

Figure 11. Validation-prolongation du sens, correction du sens, et négation-inversion du sens du tweet de C. Castaner

35Il est toutefois important de noter que le ministre de l’Intérieur n’est pas la seule personne à avoir mobilisé la vidéo qu’il a publiée, et à y avoir adjoint le même texte. C’est-à-dire qu’un tweet identique, mais publié par un autre compte, existe. La répartition des types de citations est ici totalement différente : sur 51 citations, 50 sont réalisées dans le but de prolonger le sens. De son côté, le tweet de Linda Kebbab (Figure 9), cité 531 fois, suscite des reprises réparties de manière plus équilibrée entre validation-prolongation, correction et négation-inversion.

36Les représentations les plus critiques des forces de l’ordre, quant à elles, suscitent dans la majorité des cas une validation-prolongation de leur sens. Mais cela n’est pas vrai pour quelques acteurs et actrices en particulier. D. Dufresne, qui s’est attelé à décrire méticuleusement les blessures provoquées par les forces de l’ordre, est devenu une personnalité médiatique importante pendant les Gilets jaunes. Ses tweets ont ainsi suscité de plus amples négations-inversions de sens que d’autres, mais cela reste très minoritaire sur l’ensemble des citations de ses tweets. Dans deux cas cependant, la négation-inversion du sens est le type de reprise le plus important. Le premier est un tweet publié par CNews, qui présente un extrait d’un entretien de Jérôme Rodrigues mentionnant de la « mutilation de guerre » (Figure 12). Le second est un tweet de Jean-Luc Mélenchon relayant la blessure du président de l’UNL, un syndicat lycéen (Figure 12).

Figure 12. Exemple de négation-inversion du sens de tweets initialement publiés pour produire une représentation critique des forces de l’ordre

Figure 12. Exemple de négation-inversion du sens de tweets initialement publiés pour produire une représentation critique des forces de l’ordre

37Excepté certains cas précis, les représentations favorables des forces de l’ordre ont donc plutôt tendance à être recodées ou resignifiées en représentations défavorables, et les représentations défavorables à le rester. Les quelques cas qui empêchent de tirer une règle générale du fonctionnement du recodage sont intéressants car ils permettent d’interroger ce qui fait que le recodage va dans une direction plutôt qu’une autre. Certains types d’acteurs et d’actrices semblent effectivement plus propices à voir leurs représentations critiquées (les politicien·nes), et d’autres à voir leurs représentations susciter des reprises plus diversifiées, à savoir les comptes Twitter les plus médiatisés de chaque camp (D. Dufresne du côté de la thèse des violences policières, Linda Kebbab du côté de la thèse des violences manifestantes).

38S’il nous apparaît donc que les acteurs/actrices jouent un rôle important sur ce point, qu’en est-il du contenu publié ou du propos tenu ? Notre observation tend à montrer qu’ils jouent un rôle moindre. Effectivement, certains tweets initialement critiques sont particulièrement propices à être cités pour produire des propos plus positifs à l’endroit des forces de l’ordre. Ce sont, par exemple, les tweets publiés dans le but de les dénigrer, telle la vidéo donnant à voir des agent·es humilié·es en étant attaqué·es par des Gilets jaunes au « cacatov » (Figure 13). Pourtant, ces tweets sont repris en grande majorité dans une perspective de prolongation-validation du sens, et non de négation-inversion.

  • 20 L’image est absente de la capture d’écran car le tweet original a été supprimé de Twitter.

Figure 13. Exemple de représentations critiques (dénigrement des forces de l’ordre) propices à la négation-inversion du sens, pourtant reprises en validation-prolongation du sens20

Figure 13. Exemple de représentations critiques (dénigrement des forces de l’ordre) propices à la négation-inversion du sens, pourtant reprises en validation-prolongation du sens20

Conclusion

39À partir d’un appareillage méthodologique qui nous a permis de construire différents corpus articulés entre eux, nous avons donc pu rendre compte du paysage global des acteurs et actrices qui s’expriment sur Twitter à propos des forces de l’ordre et de la question du maintien de l’ordre pendant le mouvement des Gilets jaunes, et nous avons pu chercher à comprendre quelles sont les représentations les plus visibles et pourquoi. En analysant les deux modes de circulation des contenus autorisés par la plateforme (le retweet et la citation), nous avons montré que, dans les deux cas, les représentations qui circulent le plus sont les plus critiques des forces de l’ordre (à travers la mobilisation d’images ne montrant pas forcément cette profession en action) et plus largement de la pratique du maintien de l’ordre (à travers une critique d’autres groupes professionnels que la seule police). En particulier, nous avons montré la prédominance du rôle des acteurs et actrices sur le rôle des contenus eux-mêmes dans la fabrique de la visibilité. Ce travail révèle par ailleurs que les personnes critiques du maintien de l’ordre ne sont pas essentiellement des publics amateurs, la capacité à générer de la visibilité se situant plutôt du côté des comptes Twitter aux nombreux·ses followers. Ainsi les discours critiques des forces de l’ordre ne sont-ils pas des « contre-discours », dans le sens où ils ne sont pas que le fait de « contre-publics », subalternes et en marge de l’espace public (Fraser, 2001 [1992]). Sur Twitter, ces discours sont même plutôt qualifiables d’hégémoniques.

40Cela dit, il y a là une première limite à ce travail : la visibilité observée se limite aux représentations qui circulent sur la plateforme. Cette hégémonie est donc très circonscrite et n’implique pas la possibilité d’une visibilité plus globale, la capacité des contenus à accéder à la sphère publique traditionnelle étant conditionnée par différents rapports de pouvoir (Riboni, 2019). Dans quelle mesure cette critique est-elle donc toujours visible dans d’autres espaces ? Comment se reconfigure-t-elle en circulant vers d’autres espaces médiatiques ? Une perspective de travail serait ainsi de se focaliser sur les acteurs et actrices transmédiatiques – c’est-à-dire qui s’expriment dans différents espaces (autant sur Twitter que sur des plateaux de télévision, dans la presse, etc.) – afin de saisir la mise en visibilité des forces de l’ordre à plus grande échelle. Une deuxième limite de ce travail concerne notre approche de la visibilité, qui se limite à l’analyse des logiques de circulation des contenus, en isolant ceux qui « buzzent », ceux dont l’audience est élevée. Une telle démarche rend invisibles des propos qui peuvent être présents en quantité importante, même si peu relayés. Enfin, une dernière limite concerne l’usage de mots clés pour construire notre « proto-corpus » : certains propos concernant les forces de l’ordre peuvent nous avoir échappé s’ils ont été produits avec d’autres textes.

Haut de page

Bibliographie

Badouard R., 2014, « La mise en technologie des projets politiques. Une approche “orientée design” de la participation en ligne », Participations, 8, p. 31‑54.

Bastard I., 2019, « Coder / décoder / recoder. La construction sociale de la réception des informations sur Facebook », Terminal [en ligne], 125‑126, mis en ligne le 1er déc. 2019. http://journals.openedition.org/terminal/5292

Bottini T. et Julliard V., 2017, « Entre informatique et sémiotique. Les conditions techno-méthodologiques d’une analyse de controverse sur Twitter », Réseaux, 204, p. 35-69.

Bouté É. et Mabi C., 2020, « Des images en débat : de la blessure de Geneviève Legay à la répression des Gilets Jaunes », Études de communication, 54, p. 29-52.

Boyadjian J., 2016, « Les usages politiques différenciés de Twitter. Esquisse d’une typologie des “twittos politiques” », Politiques de communication, 6, p. 31‑58.

Bryon-Portet C., 2012, « La dimension politique de la série Plus belle la vie. Mixophilie, problématiques citoyennes et débats socioculturels dans une production télévisuelle de service public », Mots. Les langages du politique, 99, p. 97‑112.

Cardon D., 2015, À quoi rêvent les algorithmes. Nos vies à l’heure des big data, Paris, Éd. Le Seuil.

Cardon D. et Granjon F., 2013 [2010], Médiactivistes, Paris, Presses de Sciences Po.

Chalvon-Demersay S., 2004, « Fiction policière et identité sociale virtuelle », dans P. Beylot et G. Sellier (dirs), Les séries policières, Paris, INA Éd./Éd. L’Harmattan, p. 305‑326.

Chavalarias D., Gaumont N. et Panahi M., 2019, « Hostilité et prosélytisme des communautés politiques. Le militantisme politique à l’ère des réseaux sociaux », Réseaux, 214‑215, p. 67‑107.

Compagno D., 2017, « Signifiant et significatif. Réflexions épistémologiques sur la sémiotique et l’analyse des données », Questions de communication, 31, p. 49‑70.

Cotte D., 2004, « Écrits de réseaux, écrits en strates. Sens, technique, logique », Hermès, La Revue, 39, p. 109-115.

Devars T., 2015, « Les vidéos politiques au prisme de la trivialité », Communication & langages, 185, p. 89‑106.

Fillieule O. et Jobard F., 2020, Politiques du désordre. La police des manifestations en France, Paris, Éd. Le Seuil.

Fraser N., 2001 [1992], « Repenser la sphère publique : une contribution à la critique de la démocratie telle qu’elle existe réellement », Hermès, La Revue, 31, p. 125‑156.

Gadea C., 2016, « L’idiome figuratif des groupes professionnels », Images du travail, travail des images [en ligne], 1, mis en ligne le 1er févr. 2016. https://journals.openedition.org/itti/1278

Geisser V., 2019, « Les gilets jaunes et le triptyque “islam, banlieues, immigration” : une machine à produire des fantasmes identitaires », Migrations Société, 175, p. 5-16.

Gunthert A., 2020, « L’image virale comme preuve. Les vidéos des violences policières dans la crise des Gilets jaunes », Communications, 106, p. 187-207.

Jacomy M., Venturini T., Heymann S. et Bastian M., 2014, « ForceAtlas2, a Continuous Graph Layout Algorithm for Handy Network Visualization Designed for the Gephi Software », Plos One, 9 (6).

Julliard V., 2015, « Les apports de la techno-sémiotique à l’analyse des controverses sur Twitter », Hermès, La Revue, 73, p. 191‑200.

Julliard V., 2016, « #Theoriedugenre : comment débat-on du genre sur Twitter ? », Questions de communication, 30, p. 135‑157.

Julliard V., 2017, « “Théorie du genre”, #theoriedugenre : stratégies discursives pour soustraire la “différence des sexes” des objets de débat », Études de communication, 48, p. 111‑136.

Mabi C., 2016, « Luttes sociales et environnementales à l’épreuve du numérique : radicalité politique et circulation des discours », Études de communication, 47, p. 111‑130.

Mabi C., 2020, « Comment saisir la qualité politique des technologies numériques ? Réflexions critiques sur les affordances démocratiques des dispositifs numériques », dans A. Saemmer et S. Jehel (dirs), Éducation critique aux médias et à l’information en contexte numérique, Villeurbanne, Presses de l’Enssib, p. 75‑86.

Paveau M.-A., 2019, « La resignification. Pratiques technodiscursives de répétition subversive sur le web relationnel », Langage et société, 167, p. 111‑141.

Rafin N., 2012, « Plus belle la police ? Ou comment la série Plus belle la vie dépeint l’institution policière », dans M. Meyer (dir.), Médiatiser la police, policer les médias, Lausanne, Éd. Antipodes, p. 71-83.

Ratinaud P. et al., 2019, « Structuration des discours au sein de Twitter durant l’élection présidentielle française de 2017. Entre agenda politique et représentations sociales », Réseaux, 214‑215, p. 171‑208.

Rebillard F., 2012, « Présentation », Réseaux, 176, p. 9‑25.

Rebillard F., 2017, « La rumeur du PizzaGate durant la présidentielle de 2016 aux États-Unis. Les appuis documentaires du numérique et de l’Internet à l’agitation politique », Réseaux, 202‑203, p. 273‑310.

Riboni U. L., 2019, « Images anonymes, registres de visibilité et espace(s) public(s) », Questions de communication, 35, p. 153‑169.

Rieder B. et Smyrnaios N., 2012, « Pluralisme et infomédiation sociale de l’actualité : le cas de Twitter », Réseaux, 176, p. 105‑139.

Thorel J., 2013, Attentifs ensemble ! L’injonction au bonheur sécuritaire, Paris, Éd. La Découverte.

Tufekci Z., 2019, Twitter & les gaz lacrymogènes. Forces et fragilités de la contestation connectée, trad. de l’anglais (États-Unis) par A. Lemoine, Caen, C&F Éd.

Venturini T., Cardon D. et Cointet J.-P., 2014, « Présentation », Réseaux, 188, p. 9‑21.

Haut de page

Notes

1 860 blessé·es et mutilé·es – dont 5 mains arrachées, 24 personnes éborgnées –, ainsi qu’un décès ont été recensé·es par le journaliste D. Dufresne (chiffres au 10 sept 2019. Accès : https://static.mediapart.fr/files/2019/09/10/allo.png). Le nombre de victimes comptabilisées du côté des manifestant·es est de 2 495 selon le ministère de l’Intérieur (chiffres au 4 oct. 2019).

2 Accès : https://www.ifop.com/wp-content/uploads/2020/06/117000-Rapport-CN-SR-N101.pdf.

3 Le caractère « unique » des images est ici informatique et non pas sémiotique : c’est l’exacte correspondance, pixel par pixel, entre deux images qui caractérise leur unicité.

4 La captation, effectuée pendant une partie du mouvement des Gilets jaunes, a été réalisée de façon discontinue. Des bugs ont pu arrêter le programme de récolte des tweets pendant plusieurs heures, ou bien l’ordinateur mobilisé pour ce travail, devant être connecté à Internet, n’était pas disponible ou en état de réaliser sa mission. Sur la période de 53 jours, la collecte a été réellement active pendant environ 20 jours. Elle l’était systématiquement pendant les week-ends de mobilisation des Gilets jaunes.

5 Accès : https://github.com/Amleth/TOAST-outils-pour-l-analyse-semiotique-de-Twitter.

6 Ce tableau rend compte des formes canoniques des mots et expressions réellement mobilisés, afin de simplifier la lecture du tableau.

7 Concrètement, citer, sur Twitter, consiste en la republication d’un tweet avec l’ajout d’un nouveau texte en sus du texte initial.

8 Ces communautés médiatiques sont incomplètes car elles ne comprennent pas certains automédias ou médias alternatifs inclus dans les communautés politiques desquelles ils sont proches.

9 Nous qualifions de relayeurs d’informations les comptes Twitter dont la spécialité est de relayer des informations produites par autrui (comme le compte PureTele).

10 Accès : https://twitter.com/AfpFactuel/status/1067070012043726848.

11 Nous ne sommes pas parvenu à construire, à l’aide de Gephi, des communautés qui soient identiques aux dix communautés que nous avons fait émerger en observant avec précision le graphe. En conséquence, quantifier le nombre de tweets publiés par les différents groupes à partir des valeurs obtenues avec Gephi serait trop éloigné de la réalité.

12 Cette catégorie correspond aux photographes professionnel·les qui ont réalisé des images en dehors du terrain (portraits d’E. Macron ou de C. Castaner, par exemple).

13 Il s’agit là des photographes ou vidéastes de terrain professionnel·les, sans qu’elles et ils soient pour autant nécessairement envoyé·es sur le terrain par un média en particulier.

14 Il y a dix sources de viralité de plus que d’images dans le corpus, car certaines images ont plusieurs sources de viralité.

15 Nous qualifions de personnalités médiatiques les personnalités ayant au moins 10 000 followers sur Twitter mais s’étant fait connaître par un autre biais au préalable (comme Michel Onfray). Nous qualifions d’influenceurs et influenceuses les personnalités ayant au moins 10 000 followers sur Twitter mais n’ayant pas d’existence médiatique en dehors de Twitter (comme les comptes EnModeMacaron ou Le Général).

16 Si certains tweets correspondent à plusieurs catégories, nous les y avons inscrits plusieurs fois, mais nous avons divisé le nombre d’apparitions par le nombre de catégories correspondantes, afin de ne pas fausser le nombre de fois où le tweet apparaît réellement dans le corpus.

17 À la différence de la dénonciation de l’illégitimité des pratiques policières, ou bien de la dangerosité des armes utilisées dans le maintien de l’ordre, ce que nous avons nommé « dénigrement » correspond au fait de minorer le rôle des forces de l’ordre (elles ne font pas peur), de montrer leurs faiblesses et leurs erreurs (elles craquent et se battent entre elles), ou encore de montrer qu’on peut les humilier (en les attaquant avec un « cacatov »).

18 « GJ » est l’abréviation de « Gilets jaunes ».

19 L’image est absente de la capture d’écran car le tweet original a été supprimé de Twitter.

20 L’image est absente de la capture d’écran car le tweet original a été supprimé de Twitter.

Haut de page

Table des illustrations

Titre Tableau 1. Mots clés utilisés pour capter les tweets publiés en temps réel et constituer le proto-corpus
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-1.png
Fichier image/png, 825k
Titre Tableau 2. Synthèse des extractions pour la constitution des trois corpus
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-2.png
Fichier image/png, 390k
Titre Figure 3. Communautés qui s’investissent autour d’images sur Twitter, à propos du maintien de l’ordre, pendant le mouvement des Gilets jaunes
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-3.png
Fichier image/png, 3,1M
Titre Figure 4. Typologie des producteurs/productrices et des diffuseur·ses d’images
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-4.png
Fichier image/png, 255k
Titre Figure 5. Typologie des représentations produites à partir des textes et des images
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-5.png
Fichier image/png, 463k
Titre Figure 6. Exemple de tweets critiques des pratiques des forces de l’ordre
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-6.png
Fichier image/png, 227k
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-7.png
Fichier image/png, 317k
Titre Figure 7. Exemple de tweets mettant en cause l’État dans le problème des violences policières
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-8.png
Fichier image/png, 391k
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-9.png
Fichier image/png, 310k
Titre Figure 8. Exemple de tweets critiques du traitement médiatique des affrontements entre forces de l’ordre et Gilets jaunes19
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-10.png
Fichier image/png, 105k
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-11.png
Fichier image/png, 93k
Titre Figure 9. Exemple de tweets en défense ou en soutien des forces de l’ordre et de leur action
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-12.png
Fichier image/png, 484k
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-13.png
Fichier image/png, 387k
Titre Figure 10. Tweet du syndicat policier Vigi, critique de l’usage du LBD
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-14.png
Fichier image/png, 196k
Titre Figure 11. Validation-prolongation du sens, correction du sens, et négation-inversion du sens du tweet de C. Castaner
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-15.png
Fichier image/png, 373k
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-16.png
Fichier image/png, 318k
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-17.png
Fichier image/png, 361k
Titre Figure 12. Exemple de négation-inversion du sens de tweets initialement publiés pour produire une représentation critique des forces de l’ordre
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-18.png
Fichier image/png, 293k
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-19.png
Fichier image/png, 354k
Titre Figure 13. Exemple de représentations critiques (dénigrement des forces de l’ordre) propices à la négation-inversion du sens, pourtant reprises en validation-prolongation du sens20
URL http://journals.openedition.org/questionsdecommunication/docannexe/image/25524/img-20.png
Fichier image/png, 97k
Haut de page

Pour citer cet article

Référence papier

Edouard Bouté, « La mise en visibilité des forces de l’ordre sur Twitter pendant le mouvement des Gilets jaunes »Questions de communication, 39 | 2021, 185-208.

Référence électronique

Edouard Bouté, « La mise en visibilité des forces de l’ordre sur Twitter pendant le mouvement des Gilets jaunes »Questions de communication [En ligne], 39 | 2021, mis en ligne le 10 décembre 2021, consulté le 17 mai 2025. URL : http://journals.openedition.org/questionsdecommunication/25524 ; DOI : https://doi.org/10.4000/questionsdecommunication.25524

Haut de page

Auteur

Edouard Bouté

Université de technologie de Compiègne, Costech, F-60200 Compiègne, France

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