Et si l'algorithme
amplifiait silencieusement les biais raciaux ?
L'analyse complète sur humbolo time
humbolo-time.comCe que les données montrent avec précision
En 2009, OKCupid publie une étude interne couvrant des dizaines de millions d’interactions. Conclusion : les femmes noires reçoivent significativement moins de sollicitations que les femmes de toutes les autres origines. En 2014, le cofondateur Christian Rudder republie une mise à jour. Résultat : les biais raciaux n’avaient pas diminué. Ils s’étaient légèrement renforcés.
La même année, une étude sur Facebook “Are You Interested ?” portant sur 2,4 millions d’interactions hétérosexuelles donnait des résultats similaires. Ces données sont réelles, replicables sur plusieurs plateformes, et méritent une analyse sérieuse.
La “discrimination préventive” (Kevin Lewis, PNAS 2013) : les utilisateurs évitent ceux d’une autre ethnie parce qu’ils pensent que ces personnes ne seront pas intéressées. Ce n’est pas nécessairement du racisme déclaré : c’est un biais systémique d’anticipation du rejet.
Les explications structurelles
Les stéréotypes raciaux dans les médias. Des chercheuses comme Patricia Hill Collins, bell hooks et Kimberlé Crenshaw ont théorisé comment les représentations stéréotypes (la “mammy” asexuée, la “sapphire” agressive, la “Jezebel” hypersexualisée) créent des filtres de perception qui affectent la désirabilité perçue.
Le colorisme. Au sein des communautés noires elles-mêmes, une hiérarchie de désirabilité liée à la couleur de peau est documentée, les femmes au teint plus clair étant statistiquement plus sollicitées. Ce phénomène reflète l’intériorisation de normes esthétiques héritées de périodes coloniales.
Les boucles algorithmiques. Si les premiers comportements des utilisateurs montrent des biais raciaux, les algorithmes tendent à les renforcer en recommandant davantage de profils similaires à ceux qui reçoivent plus de réponses. Une boucle qui amplifie le déséquilibre initial.
Ce que les données ne disent pas
Les données de dating en ligne ne mesurent pas la désirabilité globale. Elles mesurent un comportement spécifique sur un support particulier, influencé par des facteurs multiples dont la race n’est que l’un d’entre eux.
Les biais initiaux s’atténuent. Kevin Lewis (UC) a observé que les interactions cross-raciales augmentent après un premier échange. Cela suggère que ces biais sont en partie liés au contexte de l’application plutôt qu’à des préférences fixes.
La désirabilité n’équivaut pas à la valeur. être moins sollicitée sur une application dominée par des logiques de marché et des biais algorithmiques n’est pas une mesure de la valeur d’une personne, ni de sa capacité à construire des relations épanouissantes.