Conclusion

Bilan et Références

Conclusion Générale

L'analyse des algorithmes de recommandation à travers quatre cadres éthiques (vertus, conséquences, devoirs et Ubuntu) fait apparaître une même tension : ces systèmes ne sont jamais neutres, et leurs effets touchent à la fois la personne et le collectif.

L'éthique des vertus, héritée d'Aristote, rappelle qu'un outil bien conçu devrait soutenir la sagesse pratique de l'utilisateur et l'aider à trouver le juste milieu entre des positions extrêmes. Or l'algorithme fait l'inverse : il polarise pour capter l'attention, et freine ainsi l'exercice du discernement.

L'éthique des conséquences déplace le regard vers les effets observables. Radicalisation idéologique, amplification des contenus polémiques, diffusion de discours haineux : ces résultats sont aujourd'hui documentés. Indépendamment des intentions des concepteurs, le bilan pèse lourd.

L'éthique des devoirs, dans la lignée de Kant, pose la question de la dignité. Réduire l'utilisateur à un profil de données ou à un temps d'attention monétisable, c'est le traiter comme un moyen et non comme une fin. Le Bestand d'Heidegger rejoint ici l'impératif catégorique : on ne dispose pas d'une personne comme on dispose d'une ressource.

Enfin, l'éthique Ubuntu, résumée par « je suis parce que nous sommes », interroge la dimension collective. Un algorithme qui isole et fragmente abîme ce qui nous fait humains ensemble. Une technologie bonne, dans cette perspective, est celle qui relie plutôt que celle qui divise.

La neutralité des algorithmes est un mythe. Aucun des quatre cadres mobilisés ne valide leur fonctionnement actuel. Agir pour la transparence, la responsabilité éditoriale et l'éducation des utilisateurs n'est plus une option : c'est un devoir partagé pour préserver notre autonomie et le lien social.

Références Bibliographiques

  1. Algorithms of Oppression (Wikipedia)
  2. Gestell (Wikipedia)
  3. Whittaker, J. (2022) Recommendation Systems and Extremism: What Do We Know?, 17th August, published on Insight.
  4. Martin Heidegger et la question de la technique (Wikipedia FR)
  5. Définition CNRTL : Eudémonisme
  6. Yousfi, L. (2019) L'éthique des vertus selon Aristote. Disponible sur Cairn.
  7. Gantier, S. (2022) Comment construire un algorithme de recommandation alternatif aux modèles dominants chez les GAFAM. Disponible sur Cairn.
  8. Haroon, M., et al. (2022) YouTube, The Great Radicalizer? Auditing and Mitigating Ideological Biases in YouTube Recommendations. arXiv.
  9. Carnovalini, F., Rodà, A., & Wiggins, G. A. (2025) Popularity Bias in Recommender Systems: The Search for Fairness in the Long Tail. Information, 16(2), 151.
  10. Algorithmic Drift: A simulation framework to study the effects of recommender systems on user preferences (2025). ScienceDirect.
  11. Stinson, C. (2022) Algorithms are not neutral: Bias in collaborative filtering. AI and Ethics.