Soutenance de thèse — Diversité, recommandation et algorithmes : l’exemple des services de musique en ligne

Direction de thèse :

Joëlle FARCHY, Professeure des universités, Directrice de la Chaire PcEn, Université Paris 1 Panthéon-Sorbonne

Membres du jury :

• Marc-Arthur DIAYE (Président), Professeur, Université Paris 1 Panthéon-Sorbonne
• Luis AGUIAR (Rapporteur), Professeur, University of Zurich
• François MOREAU (Rapporteur), Professeur, Université Sorbonne Paris Nord
• Marc BOURREAU (Examinateur), Professeur, Télécom Paris
• Joëlle FARCHY (Examinatrice), Professeure, Université Paris 1 Panthéon-Sorbonne

Résumé :

Cette thèse porte sur le rôle de la recommandation (éditoriale ou algorithmique) sur la diversité des plateformes de streaming musical. Elle est divisée en trois Chapitres, chacun correspondant à une étude empirique distincte. Le premier et le deuxième Chapitres traitent de la diversité induite par la stratégie d’offre, tandis que le troisième porte sur les comportements de la demande. Le premier chapitre examine la relation entre la curation musicale éditoriale et la diversité acoustique sur les services de streaming. À partir d’un ensemble de données comportant 122 playlists françaises gérées par Spotify et les Majors, observées entre octobre 2021 et septembre 2024, on construit des indicateurs de diversité, les indices kα et kβ Rao-Stirling, qui capturent la diversité acoustique dans ses trois dimensions : variété, distribution et disparité. L’analyse statique montre que la distinction attendue entre la curation par genre et par ambiance est faible, ce qui suggère que la curation par ambiance renforce la similitude acoustique. Les résultats dynamiques sur la période de trois ans montrent que la diversité acoustique a généralement augmenté, bien que son évolution diffère selon le type de playlist et l’indicateur de diversité. Les playlists par ambiance font augmenter l’indice kα Rao-Stirling, tandis que tous les types de playlists contribuent de manière égale à kβ . Enfin, les playlists gérées par Spotify voient leur diversité augmenter plus rapidement au cours de la période que les Top Charts et que les playlists gérées par les Majors, ces dernières ayant une stratégie axée sur le catalogue plutôt que sur une diversification active. Les résultats montrent l’importance d’une approche multidimensionnelle pour mesurer la diversité et ont des implications significatives pour les stratégies des plateformes et le cadre réglementaire dans l’écosystème du streaming musical.

Le deuxième Chapitre examine comment les playlists éditoriales influencent la visibilité et les performances des artistes émergents par rapport aux artistes confirmés sur les plateformes de streaming musical. À partir d’un ensemble de données couvrant trois ans (d’octobre 2021 à septembre 2024) provenant des playlists éditoriales de Spotify et des Majors, nous documentons l’évolution de la part des artistes émergents et évaluons si l’inclusion dans les playlists a des effets hétérogènes sur les performances en matière de streaming. Nous identifions les artistes émergents à l’aide de deux critères : un critère d’ancienneté de deux ans et un critère de distributeur (Major ou indépendant). Notre analyse descriptive révèle une présence déclinante des artistes émergents sur l’ensemble de la période, tous curateurs confondus, ainsi qu’une visibilité systématiquement plus faible en termes de classement dans les playlists, de popularité des playlists et de durée de placement. Nous appliquons ensuite une méthodologie d’étude d’événement, robuste à une adoption différée, afin d’estimer l’effet causal de l’inclusion et du retrait des playlists. Si les gains proportionnels en termes d’écoutes résultant de l’inclusion (et les pertes résultant du retrait) sont similaires pour les deux types d’artistes, les artistes établis en tirent davantage profit en termes absolus en raison d’une audience de base plus importante, ce qui se traduit par une augmentation plus importante de leurs revenus. Nos résultats mettent en évidence un « biais de popularité » persistant dans la curation éditoriale, avec des implications pour la diversité des plateformes, les politiques culturelles et les stratégies de promotion des artistes émergents.

Pour finir, le troisième Chapitre examine le rôle des explications dans le contexte des recommandations algorithmiques. Les services de streaming musical utilisent massivement des algorithmes dans leurs systèmes de recommandation musicale (music recommendation systems, MRS) pour guider les utilisateurs vers des morceaux qu’ils sont susceptibles d’apprécier. Cependant, la nature opaque de ces algorithmes rend leur fonctionnement et leurs prédictions difficiles à comprendre pour les utilisateurs. Les politiques publiques, en particulier au niveau européen, ont introduit l’obligation pour les plateformes de streaming de fournir des explications sur les résultats de leurs MRS. Ce Chapitre vise à observer, à l’aide d’une expérience en laboratoire, et en s’appuyant sur la littérature XAI, si les explications d’un algorithme MRS induisent des changements de comportements de découverte sur les services de streaming musical. Dans un cadre théorique, nous modélisons deux types de comportements de découverte des utilisateurs, à savoir les comportements de « consommation » et d’« exploration ». Nous testons ensuite en laboratoire les effets des explications sur ces comportements, en expliquant un MRS « semi-personnalisé » simplifié et en mesurant le temps d’écoute relatif des morceaux. Dans l’ensemble, nous n’observons pas d’effet moyen des explications sur les comportements de découverte. Les résultats montrent un impact différencié des explications en fonction de l’auto-exposition au traitement (c’est-à-dire le temps passé à les lire). Plus les individus recueillent des informations sur la recommandation, plus ils écoutent les morceaux, ce qui renforce le comportement de « consommation ».