« Depuis trois ans, le nombre de crises digitales est en baisse ! »

Nicolas Vanderbisest est spécialiste de l’analyse des mouvements d’opinion sur les réseaux sociaux par triangulation. Le 28 février dernier, à l’occasion d’un Midicom consacré aux crises digitales, il a détaillé pour l’UPMC les changements majeurs qui ont mené à la complexité des crises numériques. A partir d’une méthode analytique qu’il a mise en place, Nicolas pose le constat que les crises digitales sont à la baisse. Explications sur sa méthode…

Nicolas, pourquoi le nombre de crises digitales risque-t-il d’augmenter dans les années à venir ?

Après avoir connu une augmentation constante, la tendance montre que le nombre de crises numériques est en stagnation voire qu’il baisse légèrement depuis 3 ans.

Au niveau de leur typologie, quels sont les types de crises digitales les plus fréquentes ?

Ce sont toujours les crises communicationnelles qui sont les plus fréquentes avec près de 60 % des cas observés. Suivent ensuite les pratiques des organisations et les problématiques concernant les produits.

Tu as mis en place une méthode de Social Network Analysis, en quoi consiste-t-elle ?

La Social Network Analysis est l’analyse des réseaux. Chaque point est un compte Twitter et chaque lien est soit une interaction (mentions ou retweets) soit une relation (following-follow. Nous comptons mathématiquement le nombre d’interactions ou de relations. Cette mesure s’appelle le degré. Prenons une discussion entre deux personnes. Ils échangent chacun 8 tweets. Cela fait donc 8 degrés. Les échanges peuvent avoir un sens. Lorsqu’un individu mentionne quelqu’un sur Twitter, l’individu donne quelque chose et un autre reçoit. Nous séparons dès lors le degré interne (le fait d’être mentionné, retweeté ou suivi) et le degré externe (le fait de mentionner, retweeter ou de suivre). Or, sur les réseaux sociaux, ce sont les personnes qui ont un haut degré interne qui sont les plus influentes. En effet, ceux-ci reçoivent beaucoup, car ils sont mentionnés (@), retweetés (RT) ou suivis (followers). Nous choisissons donc la taille d’un nœud selon le fait qu’il ait beaucoup de degrés internes. Nous pouvons également attribuer une couleur à ce point. Pour ce faire, nous utilisons un autre algorithme explicité ci-dessus à savoir l’algorithme de Louvain. Celui-ci arrive à détecter les différentes communautés à l’œuvre. Il y parvient en identifiant les communautés qui partagent beaucoup de liens entre elles, mais peu avec l’extérieur. Cet algorithme est capable de réaliser cela également sur de gros corpus d’individus. Enfin, nous utilisons un dernier algorithme de spatialisation qui va faire en sorte que chaque point va s’attirer ou se repousser selon le principe des aimants en fonction du fait qu’ils partagent beaucoup de choses ou pas. L’algorithme va faire permuter les nœuds jusqu’à ce que ceux-ci se stabilisent. Cela permet ainsi d’appréhender des réseaux de discussions ou de personnes.

Interview : Olivier Moch
Photo : Philippe Donneaux