Que pensez-vous des Community Notes ?

• Les Community Notes sont un outil de fact-checking qui ajoute du contexte aux tweets pour corriger la désinformation. Elles ont été introduites pour la première fois en janvier 2021 sous la forme d’un pilote appelé Birdwatch, avant d’être progressivement étendues
• N’importe qui peut rédiger et voter, et pas seulement un groupe d’experts. La décision d’afficher ou non une note est prise entièrement par un algorithme open source
• L’idée clé n’est pas une simple moyenne, mais de privilégier les notes évaluées positivement en même temps par des utilisateurs aux points de vue variés. Les notes faisant consensus au-delà des camps obtiennent donc un score élevé
• L’axe politique gauche-droite n’est pas codé en dur, mais émerge de l’analyse des utilisateurs et des notes. Il est possible de télécharger les données et le code pour vérifier directement les résultats
• L’objectif n’est pas de corriger tous les faux tweets, mais d’avoir de la valeur comme outil pédagogique rappelant l’existence de multiples points de vue, et de s’approcher de l’idéal d’une « neutralité crédible » (credible neutrality)

---

Contexte : une fonctionnalité qui a grandi au milieu des bouleversements de Twitter X

• Ces deux dernières années, après le rachat de Twitter par Elon Musk pour 44 milliards de dollars, l’entreprise a connu des changements majeurs touchant les effectifs, la modération des contenus et le modèle économique
• Au cœur de ces transformations controversées, une nouvelle fonctionnalité a rapidement pris de l’importance et a été bien accueillie quelle que soit l’orientation politique
  • Son lancement a coïncidé avec la phase d’expansion la plus rapide
  • Elle apparaît souvent sur des tweets atteignant une large audience, en particulier sur des sujets politiquement sensibles
• Lorsqu’une note est affichée, son caractère utile et précieux est reconnu par des personnes de sensibilités politiques diverses
• Bien qu’il ne s’agisse pas d’un « projet crypto », c’est considéré comme l’un des cas du monde grand public les plus proches des « valeurs crypto » (crypto values)
  • Ce ne sont pas des experts désignés de façon centrale : tout le monde peut rédiger et voter
  • La visibilité est déterminée entièrement par un algorithme open source

Fonctionnement de l’algorithme Community Notes

• Tout compte Twitter remplissant certains critères (activité depuis plus de 6 mois, aucune violation récente des règles, numéro de téléphone vérifié) peut demander à participer

  • Pour l’instant, les approbations se font lentement et aléatoirement, avec l’objectif final d’ouvrir à tous ceux qui remplissent les critères
  • Au départ, il n’est possible que d’évaluer des notes existantes, puis après avoir accumulé suffisamment de bonnes évaluations, il devient possible de rédiger directement des notes

• Les notes rédigées reçoivent un score sur la base des avis d’autres participants

  • Les avis prennent la forme d’un vote sur une échelle en 3 points — HELPFUL, SOMEWHAT_HELPFUL, NOT_HELPFUL — auquel s’ajoutent des tags
  • Si le score est supérieur à 0,40, la note est affichée ; sinon, elle ne l’est pas

• Originalité du calcul du score

  • Il ne s’agit pas d’une simple somme ou moyenne : l’algorithme favorise explicitement les notes évaluées positivement par des personnes ayant des points de vue différents
    • Si des personnes habituellement en désaccord convergent sur une note donnée, cette note reçoit un score particulièrement élevé
  • On construit une matrice utilisateur×note M, où chaque cellule Mi,j représente la manière dont l’utilisateur i a évalué la note j
    • La plupart des utilisateurs n’évaluent pas la plupart des notes, donc la matrice contient surtout des 0, mais cela ne pose pas problème
  • La matrice est prédite à l’aide d’un modèle à 4 colonnes attribuant aux utilisateurs « amabilité » (friendliness) et « polarité » (polarity), et aux notes « utilité » (helpfulness) et « polarité » (polarity)

• Sens des variables

  • μ est un paramètre de « climat général de l’opinion » reflétant la tendance globale des utilisateurs à donner de bonnes notes
  • iu correspond à la tendance d’un utilisateur donné à attribuer des notes élevées (amabilité)
  • in correspond à la tendance d’une note donnée à être bien évaluée (utilité), et c’est la variable d’intérêt ultime
  • fu/fn indiquent la position sur l’axe dominant de polarisation politique ; les valeurs négatives penchent globalement à gauche et les positives à droite
    • Mais là encore, la distinction gauche-droite n’est pas codée en dur : elle émerge de l’analyse

• Idée centrale

  • L’optimisation de la prédiction de la matrice se fait via une gradient descent standard, et l’utilité attribuée à une note devient son score final
  • Le terme de polarité absorbe les propriétés appréciées seulement par une partie des gens, tandis que le terme d’utilité ne mesure que les propriétés appréciées par tout le monde
    • Ainsi, la sélection par utilité identifie les approbations transpartisanes et écarte les notes applaudies par un seul camp

• Mécanismes supplémentaires ajoutés par-dessus ce noyau

  • Le système ajoute des « pseudo-votes » extrêmes aléatoires, relance le calcul plusieurs fois, puis compare la borne inférieure de l’intervalle de confiance obtenu à un seuil de 0,32
  • Si de nombreux utilisateurs de polarité similaire attribuent un Not Helpful avec le même tag (« formulation polémique ou biaisée », « les sources ne soutiennent pas la note », etc.), le seuil de publication passe de 0,4 à 0,5, ce qui est énorme en pratique
  • Une fois une note approuvée, elle n’est retirée que si son utilité descend 0,01 point en dessous du seuil d’approbation
  • Le système exécute aussi bien plus de fois des modèles multiples, ce qui peut faire monter des notes dont le score initial se situe entre 0,3 et 0,4
  • Au final, cela représente 6 282 lignes de code Python complexes réparties dans 22 fichiers, toutes publiques et directement exécutables pour vérification

Fonctionnement réel

• Le concept le plus important qui distingue le système d’une simple moyenne est la valeur de polarité (polarity), notée avec un f parce que les deux termes fu et fn sont multipliés

  • La polarité est attribuée à la fois aux utilisateurs et aux notes ; le lien entre les identifiants utilisateurs et les comptes réels est volontairement privé, alors que les notes sont publiques
  • Dans le jeu de données en anglais, la polarité correspond de très près au spectre politique gauche-droite

• Exemples de notes autour d’une polarité de -0,8

  • Une note affirmant que Lauren Boebert et d’autres élus conservateurs du Colorado ont amplifié une rhétorique anti-trans (-0,800)
  • Une note affirmant que Trump a explicitement sapé la confiance des Américains dans les résultats électoraux avant la présidentielle de 2020 (-0,825)
  • Une note affirmant que l’élection présidentielle de 2020 a été libre et équitable (-0,818)
  • Ces trois éléments ne sont pas choisis arbitrairement : ce sont les trois premières lignes d’une exécution locale avec une polarité (coreNoteFactor1) inférieure à -0,8

• Exemples de notes autour d’une polarité de +0,8

  • Beaucoup concernent la politique brésilienne lusophone ou des réponses aux critiques contre Tesla, donc seule une partie a été retenue
  • Une note affirmant qu’en 2021, 64 % des enfants « noirs » vivaient dans une famille monoparentale (+0,809)
  • Une note affirmant que le trafic d’enfants est un problème réel et important, et qu’Operation Underground Railroad y répond (+0,840)
  • Une note affirmant que des livres LGBTQ+ pour enfants interdits sont obscènes et ne sont pas protégés par la liberté d’expression constitutionnelle (+0,806)
  • Puisque la division gauche-droite n’est pas codée en dur mais découverte de façon émergente, le système peut aussi détecter et relier automatiquement les principales lignes de fracture politiques d’autres sociétés

• Les notes les mieux classées en utilité

  • Elles sont effectivement visibles sur Twitter et peuvent être capturées directement
  • Le deuxième exemple traite plus directement d’un sujet partisan, mais il est évalué très haut parce qu’il est clair, de grande qualité et utile
  • L’algorithme semble fonctionner, et la possibilité de vérifier sa sortie en exécutant le code semble fonctionner elle aussi

Évaluation de l’algorithme

• L’élément le plus impressionnant de l’analyse est sa complexité : il existe une version de type article académique (gradient descent sur une équation vectorielle/matricielle à 5 termes) et une version réelle remplie de coefficients ad hoc

  • Même la version académique masque déjà de la complexité : à cause du terme quadratique fu∗fn et de la fonction de coût en erreur quadratique, on obtient une équation du quatrième degré
  • Une équation du quatrième degré peut avoir plusieurs solutions ; la gradient descent peut donc converger vers une réponse différente à chaque fois
    • De petites variations de l’entrée peuvent faire basculer entre des minima locaux et modifier fortement la sortie

• Algorithme d’économiste vs algorithme d’ingénieur

  • Par rapport à des travaux comme le quadratic funding, la différence évoque une distinction entre algorithme d’économiste et algorithme d’ingénieur
    • Algorithme d’économiste : simple, facile à analyser, avec des propriétés mathématiques démontrant l’optimalité et les limites des abus, et qui ne s’effondre pas complètement dans des situations inattendues
    • Algorithme d’ingénieur : produit pratique issu d’itérations et d’essais-erreurs, qui fonctionne concrètement
  • L’« esthétique theorycel » de la crypto est nécessaire pour distinguer les protocoles qui n’exigent réellement pas de confiance de ceux qui ont l’air corrects mais nécessitent en interne de faire confiance à une entité centralisée, voire relèvent de l’arnaque
  • Le deep learning fonctionne quand il fonctionne, mais il est vulnérable aux attaques adversariales en machine learning ; la question est donc de savoir si Community Notes peut être rapproché d’un algorithme davantage « d’économiste »

• Le cas du pairwise-bounded quadratic funding

  • Il s’agit d’une conception visant à empêcher qu’avec un quadratic funding classique, deux participants puissent colluder et siphonner l’ensemble du fonds via un faux projet
  • Un budget limité M est alloué à chaque paire de participants ; les subventions à un projet soutenu ensemble par A et B sont déduites du budget de la paire (A,B)
    • Même si k personnes colludent, le montant maximal détournable est limité à k∗(k−1)∗M
  • Mais dans Community Notes, chaque utilisateur vote très peu, donc deux utilisateurs ont rarement beaucoup de votes en commun, ce qui empêche d’appliquer l’idée telle quelle
    • L’objectif même du modèle de machine learning est de compléter la matrice à partir de données clairsemées, et il faut un effort supplémentaire pour éviter qu’un petit nombre de votes malveillants rende le résultat instable

• Community Notes réduit-il réellement la polarisation ?

  • Même un vote naïf réduit un peu la polarisation (un post avec 200 pour et 100 contre sera classé plus bas qu’un post avec 200 pour seulement)
  • En théorie, il est difficile de trancher, donc une implémentation simplifiée a été exécutée manuellement sur 100 rounds
    • Groupe 1 (bon) : 0,300 ; groupe 2 (bon mais plus polarisé) : 0,217 ; groupe 3 (neutre) : 0,094 ; groupe 4 (mauvais) : -0,152
    • « Bon » correspond à +2 dans son propre camp et +0 dans le camp opposé ; « bon mais plus polarisé » correspond à +4 et -2, soit la même moyenne mais une polarité différente
  • En pratique, les notes « bonnes » obtiennent bien une utilité moyenne plus élevée que les notes « bonnes mais plus polarisées »
  • Plus on se rapproche d’un algorithme d’économiste, plus le principe de pénalisation de la polarisation devient facile à expliquer clairement

Utilité dans des situations à haut risque

• Il y a environ un mois, Ian Bremmer a soulevé le problème d’une note critique accolée à un tweet d’un responsable du gouvernement chinois qui avait été supprimée

  • Contrairement à une petite expérience menée dans la communauté Ethereum, il s’agit ici de questions politiques et géopolitiques affectant des millions de personnes, où tout le monde suppose le maximum de mauvaise foi
  • Elon ayant d’importants intérêts commerciaux en Chine, cela alimente naturellement les soupçons d’une manipulation centralisée

• Vérification directe grâce à l’open source

  • En prenant l’identifiant du tweet source 1676157337109946369, on trouve dans les données téléchargées la ligne correspondant à la note, ce qui donne l’identifiant de note 1676391378815709184
  • Une recherche dans scored_notes.tsv et note_status_history.tsv montre que son statut actuel est NEEDS_MORE_RATINGS, alors qu’il était auparavant CURRENTLY_RATED_HELPFUL
    • L’algorithme a donc d’abord affiché la note puis l’a retirée après une baisse de sa note, sans signe d’intervention centralisée
  • En triant ratings-00000.tsv par ordre chronologique et en observant les 50 premiers votes, on obtient 40 votes HELPFUL et 9 votes NOT_HELPFUL
    • Le public initial était plus favorable que le public ultérieur, d’où une note d’abord élevée puis en baisse
  • Le changement d’état ne s’explique pas par un simple franchissement de seuil : une majorité de NOT_HELPFUL a déclenché une condition d’outlier, augmentant le score d’utilité requis
    • Si un algorithme de neutralité crédible veut réellement être perçu comme digne de confiance, il doit rester simple et offrir des explications simples et claires aux changements d’état

• Vulnérabilité au brigading

  • Des personnes hostiles à une note peuvent mobiliser une communauté très engagée ou de nombreux faux comptes pour lui infliger une avalanche de NOT_HELPFUL : c’est le brigading
    • Il ne faudrait peut-être pas tant de votes que cela pour faire passer une note de « utile » à « polarisée »
  • Une piste d’amélioration serait d’empêcher chacun de voter sur n’importe quelle note, et de distribuer aléatoirement les notes via un fil « For you » afin que les participants n’évaluent que celles qui leur sont assignées

• Community Notes n’est-il pas assez « courageux » ?

  • La critique principale est qu’il n’en fait pas assez, comme l’ont souligné deux articles récents
    • Pour qu’une note soit publiée, il faut un consensus idéologique à travers le spectre politique ; dans un environnement toujours plus partisan, un « consensus transpartisan sur la vérité » paraît presque impossible
  • Malgré cela, l’idée défendue est qu’il vaut mieux laisser passer dix faux tweets qu’afficher une seule note injuste
    • Un fact-checking « courageux » fondé sur l’idée que « nous connaissons la vérité et qu’un camp ment plus souvent » finit par produire une défiance généralisée envers le fact-checking lui-même
    • Il y a de la valeur à construire une institution transcamp que tout le monde respecte un minimum ; comme dans la maxime de William Blackstone, un système doit commettre davantage de péchés par omission que par action pour conserver ce respect
  • L’objectif n’est pas que tous, ou même la plupart, des faux tweets reçoivent une note corrective
    • Même si moins de 1 % des faux tweets reçoivent une note, le service reste très précieux comme outil pédagogique
    • Le but est de rappeler l’existence de multiples points de vue, de montrer qu’un message apparemment convaincant peut être faux, et qu’une vérification par recherche directe est possible
  • Ce n’est pas un remède miracle à tous les problèmes d’épistémologie publique, et d’autres mécanismes — comme les prediction markets ou des organisations dotées d’équipes spécialisées — peuvent combler les lacunes

Conclusion

• Community Notes est une expérience intéressante de social media, ainsi qu’un exemple d’un nouveau genre de design de mécanismes qui privilégie l’identification de la polarisation et la création de ponts entre les divisions
  • Parmi les autres exemples de cette catégorie : le pairwise quadratic funding utilisé dans Gitcoin Grants, et Polis, un outil de débat qui cherche via clustering les prises de position suscitant une adhésion large
  • On peut espérer davantage de recherches académiques dans ce domaine
• La transparence algorithmique de Community Notes ne correspond pas à un social media totalement décentralisé : même si l’on n’est pas d’accord avec l’algorithme, il n’existe pas de moyen de voir le même contenu avec un autre algorithme
  • Cela reste néanmoins la forme la plus proche que de très grandes applications pourraient atteindre dans les prochaines années, avec une grande valeur déjà tangible à la fois pour prévenir les manipulations centralisées et pour permettre à une plateforme qui ne manipule pas d’être reconnue à sa juste valeur

[GN⁺]

Avis sur Hacker News

• Article intéressant. Community Notes semble, à première vue, avoir été construit sur un modèle mathématiquement assez solide
  Il paraît bien moins vulnérable aux comportements de groupe biaisés que les systèmes classiques de vote pour/contre, même s’il n’y est sans doute pas totalement immunisé. Comme le « biais » dépend du point de vue de celui qui regarde, il est irréaliste d’attendre d’un système d’évaluation de contenu qu’il soit totalement exempt de biais
  Community Notes et les cryptomonnaies ont en commun d’être « très puissants grâce à des maths complexes, mais complètement opaques pour 95 % des gens ». Cela dit, le lien paraît assez faible au regard de la place que l’article lui consacre. Vitalik écrivant un blog sur les cryptomonnaies, c’est sans doute adapté à son lectorat, mais l’article restait très bon

  • Le lien avec les cryptomonnaies ne tient pas seulement aux mathématiques, mais aussi aux principes de vérification open source de l’algorithme et de neutralité crédible

• J’aime vraiment beaucoup Community Notes. Au Brésil, on s’en sert depuis un moment pour vérifier les publications de responsables politiques qui mentent sans cesse ou tentent de réécrire l’histoire
  Cela donne l’impression d’une petite étiquette de honte accolée aux publications, et jusqu’ici cela semble s’appliquer à des responsables politiques de tout l’échiquier politique

  • C’est vraiment triste que ces responsables politiques cherchent à réguler toutes sortes de sources d’information sous prétexte de lutter contre la désinformation, c’est-à-dire les « fake news »

• « Deep learning vs crypto is a clear rotator vs wordcel divide. The former offends theorycel aesthetics but empirically produces insane miracles. The latter is an endless series of crazy nerd traps and sky-high abstraction ladders but is mostly scams »
  Quelqu’un peut traduire en anglais cette phrase saturée de mèmes ?
  En plus, venant de Vitalik, ça semble être une formulation assez anti-crypto

  • Le fait qu’une bonne partie des publications sur les cryptomonnaies en général relèvent de l’arnaque est presque une évidence, et Vitalik a toujours été critique envers les projets qui ne cherchent qu’à faire de l’argent. Le projet de Vitalik, Ethereum, a beaucoup souffert des « shit coins », c’est-à-dire des cryptomonnaies alternatives dont le seul but est de rapporter de l’argent
    Si l’utilisateur moyen pouvait savoir comme par magie quelles technologies crypto apportent une vraie valeur au domaine et lesquelles n’en apportent pas, tout l’écosystème serait bien plus sain
    Le reste de la phrase relève plutôt d’une autodérision amusée. Par exemple, il semble lui-même conscient des terriers de recherche et des abstractions mathématiques dans lesquels l’équipe Ethereum s’est enfoncée pour faire fonctionner le staking
    Si Ethereum ne figurait pas en haut du classement de toutes les plateformes d’échange de cryptomonnaies et si Vitalik n’était pas une personnalité relativement connue, je me demande à quel point il serait difficile, pour une personne moyenne intéressée par les cryptomonnaies, de distinguer les « crazy nerd traps and sky-high abstraction ladders » d’Ethereum d’une arnaque
  • « Deep learning vs crypto is a clear rotator vs wordcel divide » peut se comprendre à peu près comme « le deep learning face aux cryptomonnaies, c’est une opposition nette entre profil matheux et profil littéraire »
    « The former offends theorycel aesthetics but empirically produces insane miracles » signifie que, pour les personnes très attachées à la théorie, le deep learning ne devrait pas fonctionner, mais qu’il produit malgré tout d’excellents résultats
    « The latter is an endless series of crazy nerd traps and sky-high abstraction ladders but is mostly scams » signifie que les cryptomonnaies regorgent de problèmes techniques fascinants, mais que la plupart des résultats sont des arnaques
  • Heureusement, il existe un site qui explique ça : https://knowyourmeme.com/memes/wordcel-shape-rotator-mathcel
    Un shape rotator est quelqu’un capable de faire tourner des formes dans sa tête, ce qui sert de proxy pour l’intelligence. C’est quelqu’un doué en maths ou en STEM, mais qui a le sentiment que cette valeur n’est pas reconnue
    Un wordcel est quelqu’un doué avec les mots ou la rhétorique, mais qui a le sentiment que cette compétence n’est pas suffisamment reconnue ou ne l’aide pas vraiment dans la vie
  • Cela veut dire : « ChatGPT, invente-moi un peu de jargon qui fera se sentir initiés ceux qui y croient déjà, et qui maintiendra à distance de sécurité les gens moins crédules^W^W, pardon, les haters »

• Community Notes aura probablement, dans une certaine mesure, des avantages et inconvénients similaires à ceux de Wikipedia
  Community Notes n’est pas rédigé ou curé par un groupe d’experts sélectionnés de manière centralisée : n’importe qui peut écrire et voter. Ce n’est pas parfait, mais cela se rapproche étonnamment de l’idéal de neutralité crédible
  Si c’est l’avantage optimiste, l’inconvénient est que, si certains groupes démographiques sont davantage attirés par la rédaction de ces notes ou finissent par dominer Twitter lui-même, on pourrait voir apparaître les mêmes problèmes de biais que sur les sujets sociaux et culturels de Wikipedia. Quel que soit le résultat, ce ne serait pas de la « neutralité crédible »

  • Wikipedia est bien pire. Elle institutionnalise de fait certains éditeurs sur des ensembles de pages précis, en particulier les pages politiques, de sorte que les modifications n’aillent que dans le sens voulu par ces personnes
    Avec Community Notes, n’importe qui peut examiner une note et indiquer si elle est utile ou non
  • Je ne sais pas si Community Notes en tient compte, mais on pourrait attribuer un poids de biais aux contributeurs en fonction de leurs votes passés et médianiser les sorties afin d’empêcher les raids d’un camp ou les votes organisés
  • Les utilisateurs peuvent évaluer Community Notes

• Plusieurs Community Notes que j’ai vues étaient assez bonnes. J’aime le fait qu’on puisse aussi en mettre sur les publicités
  Beaucoup de publicités actuellement publiées sur Twitter ont des Community Notes, parce que la pub promet une chose alors que le produit réel fait tout autre chose

  • C’était étonnamment impressionnant. La première fois que j’ai vu quelque chose de ce genre, c’était le fact-checking d’Instagram, et je me souviens que c’est devenu absurde presque immédiatement, parce que des gens ajoutaient des vérifications de faits à des blagues évidentes ou à des mèmes
    À l’inverse, Community Notes apparaît au bon endroit, est assez informatif, et dans certains cas paraît étonnamment détaillé
  • Waouh, c’est excellent. Des utilisateurs qui regardent une publicité, la visionnent jusqu’au bout et écrivent même à son sujet : pour un annonceur, c’est une situation de rêve. Un engagement incomparable

• Community Notes est la seule bonne chose arrivée à X dans tout ce processus

  • Community Notes a été lancé en janvier 2021 sous le nom de « Birdwatch » ; il existait donc avant le rachat par Musk

• Quelqu’un l’a aussi suggéré ici dans les commentaires, mais cela ressemble fortement à une version bien plus sophistiquée du mode de modération de Slashdot
  C’était mon système de modération de site préféré. Le fait d’ajouter un jugement méta ou un commentaire à quelque chose ressemblait à un privilège, pas à un droit allant de soi.

• Le plus gros problème, à mon avis, est de traiter la « polarité » comme un axe unique. En réalité, beaucoup de sujets se rangent ainsi, mais ceux qui ne le font pas sont importants
  C’est bien de voir un effort vers une modération distribuée, mais cela reste encore trop centralisé pour réaliser ce rêve.

• L’article s’efforce à plusieurs reprises de rassurer le lecteur en disant que la dichotomie gauche/droite n’est pas codée en dur, mais apparaît « de manière émergente » ; pourtant, il n’entre pas du tout dans les détails sur la façon exacte dont cela se produit
  Le fait que la distinction gauche/droite apparaisse me semble étrange. Pourquoi précisément gauche/droite, et pas croyants/non-croyants, autoritarisme/libéralisme, etc. ? N’y a-t-il pas de données publiques permettant de vérifier que c’est correct, et doit-on simplement croire l’organisation sur parole ?

  • Cela s’explique facilement si l’on tient compte du fait que le sens de gauche/droite change sans cesse avec le temps. Par exemple, comment classer quelqu’un qui est favorable à la liberté d’expression, opposé à la guerre, opposé à l’hégémonie, favorable à l’égalité des chances et favorable à une société qui ne tient pas compte de la race ? Il y a 20 ans, cela aurait été un libéral tout à fait typique, mais aujourd’hui ce n’est plus le cas
    Donc, quand nous parlons de gauche et de droite, nous ne désignons pas des valeurs fixes ni des valeurs fondamentales elles-mêmes. Tout se déplace en permanence, souvent de manière contradictoire. Ces termes deviennent donc des substituts des lignes de fracture qui évoluent constamment dans la société. En ce sens, si l’on échantillonne équitablement la société, il est presque tautologique qu’elle finisse par se diviser selon ces termes.
  • À première vue, cette distinction ne semble pas être réellement gauche/droite. Si je comprends bien, l’algorithme réduit l’« alignement » de haute dimension des utilisateurs/notes à une « polarité » unidimensionnelle, qui recoupe par hasard, dans une certaine mesure, la séparation partisane américaine
    Avec un système politique bipartite, c’est un résultat presque prévisible. Chaque parti cherchant à s’aligner avec autant d’électeurs que possible, on peut tout à fait s’attendre à ce que la séparation républicains/démocrates constitue une « bonne » coupe dans l’espace d’alignement
    En gros, l’algorithme cherche explicitement l’axe de polarité « optimal » qui contient le plus d’informations sur ce qu’un utilisateur est susceptible de trouver acceptable, et un système politique bipartite s’aligne implicitement sur un tel axe comme propriété émergente de la dynamique partisane.
  • Ce n’est pas une réponse directe, mais un ami a mené une expérience similaire il y a quelques années. Il a rassemblé plusieurs questions controversées et appliqué une analyse en composantes principales aux réponses. Deux axes en sont ressortis ; mathématiquement, il y en avait davantage, mais les autres avaient peu d’importance. Le principal axe ressemblait beaucoup à « gauche/droite »
    http://politics.beasts.org/scripts/eigenvectors
    Il serait intéressant de refaire cela aujourd’hui avec les mêmes questions ou avec d’autres.
  • Je ne sais pas si cela constitue une preuve, mais la dichotomie gauche/droite a aussi « émergé » dans la plupart des pays du monde réel. Ce n’est pas le seul axe de variation que l’on observe, mais c’est l’un des axes dominants
    Twitter faisant aussi partie du monde réel, les utilisateurs y sont peut-être déjà arrivés avec une tendance à se regrouper en tribus gauche/droite, puis les mécanismes de formation de bulles des réseaux sociaux ont pu accélérer le processus de polarisation.
  • Le code est open source : https://github.com/twitter/communitynotes
    Les notes et les données d’évaluation sont également publiées chaque jour : https://twitter.com/i/communitynotes/download-data
    Il suffit d’exécuter soi-même le code de factorisation de matrices sur les données, puis d’interpréter les dimensions latentes découvertes. Et en lisant le code, on peut aussi vérifier qu’il n’y a pas de distinction gauche/droite particulière codée en dur : il effectue bien une factorisation de matrices.

• Pour le résumer de façon un peu sévère : la plupart des gens aiment Community Notes, et Vitalik veut qu’une partie de cette sympathie rejaillisse sur les cryptomonnaies. Comme les cryptomonnaies manquent cruellement de cette sympathie, il insiste pour dire qu’elles ont une filiation philosophique ou fonctionnelle commune
  À mon avis, cela n’a pas de sens et ressemble à une tentative d’attacher une vache morte à une vache vivante. Mais bon, c’est son blog, il fait ce qu’il veut.

  • Vu plus charitablement, Vitalik a une curiosité intellectuelle pour les domaines où les maths/systèmes et la gouvernance se rencontrent, et cet intérêt l’a conduit à la fois vers les cryptomonnaies et vers l’écriture de cet article
    Je suis totalement sceptique vis-à-vis des cryptomonnaies, mais je n’ai pas eu l’impression que le bref passage qui les mentionne diminuait la valeur du reste de l’article.
  • Vitalik écrit depuis des années des textes philosophiques sur les systèmes techniques et économiques. L’idée qu’il serait une éminence grise machiavélique essayant d’aspirer de la sympathie au moyen d’un billet de blog d’analyse technique excessivement détaillé est ridiculement inexacte.
  • C’est une lecture beaucoup trop sévère. Je ne suis pas partisan des cryptomonnaies, mais Vitalik explore depuis longtemps les idées qu’il trouve intéressantes dans ce domaine, et cet article paraît sincère, pas comme une tentative « d’attacher une vache morte à une vache vivante »
    La majeure partie de l’article n’a absolument rien à voir avec les cryptomonnaies.
  • On peut lire l’article en faisant abstraction des passages sur les cryptomonnaies, et il reste utile. Pour ma part, je ne savais pas que Community Notes fonctionnait de cette manière
    Le financement quadratique est également intéressant en soi, et il n’est pas nécessaire d’utiliser des cryptomonnaies pour le mettre en œuvre.
  • En tant que personne travaillant dans ce domaine, voici mon point de vue : Vitalik est un leader d’opinion. Les développeurs crypto le respectent énormément
    Le blog vitalik.ca traite généralement des cryptomonnaies et de sujets adjacents, car c’est actuellement le centre d’intérêt de la R&D de Vitalik. Il écrit sur les cryptomonnaies depuis plus de dix ans
    S’il veut attirer l’attention sur Community Notes sur son propre blog, c’est probablement surtout parce qu’il aime réfléchir et écrire à ce sujet. Cela dit, il ne verrait sans doute pas d’un mauvais œil l’effet secondaire positif que des développeurs crypto s’inspirent de Community Notes, en particulier lorsqu’ils créent des réseaux sociaux crypto-natifs.