IBI-000555 - Critiquepublie
Biais de viralité disproportionnée
Disproportionate Virality Bias
Score IBI
9.2
sur 10
Sévérité5_critique
Fréquencesystematique
Ampleur groupes5
Difficulté détection4
🇫🇷 Définition (FR)
Algorithmes de mise en avant favorisant les contenus émotionnels négatifs.
🇬🇧 Definition (EN)
Content promotion algorithms favoring negative emotional content.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L7
Déploiement
S
Spécifique
S02
Biais de feedback
💡
Exemple concret
Twitter amplifie les tweets colériques et polarisants, favorisant la désinformation.
📊 Métriques de détection
Feedback Loop RatioDemographic Parity Difference
⚙ Seuils d'alerte
Feedback Loop Ratio0.15
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Algorithmic amplification of politics on TwitterFerenc Husz�r, Sofia Ira Ktena, Conor O'Brien, Luca Belli, Andrew Schlaikjer, Moritz Hardt (2021)
- •The Spread of True and False News OnlineVosoughi, S., Roy, D., Aral, S. (2018)
🛡 Impact & Mitigation
🔬 Preuves documentées (Études & Incidents)
- Facebook Tried to Make Its Platform a Healthier Place. It Got Angrier Instead. (copie AIID du rapport 1534) : Source : https://incidentdatabase.ai/reports/1534
Impact :
🎯 Groupes vulnérables impactés
Aucun groupe spécifique.
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Médias et plateformes sociales (Risque: /5)
⚖ Réglementations applicables
🌍 International
- •ISO_42001 : ISO/IEC 42001:2023
- •UNESCO_2021 : UNESCO - Recommandation sur l'éthique de l'IA
- •OECD_AI_PRINCIPLES : OCDE - Principes IA
- •COE_AI_CONVENTION_INT : Conseil de l'Europe - Convention IA
🇪🇺 Europe
- •DSA_27 : Digital Services Act (UE) 2022/2065
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
ff83eb3c-0abc-4c33-a157-a6300b978288
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.