Problème 3397

Livraisons d'armes. Sanctions de l'UE. Minorités ethniques. Ce sont les trois sujets dont les médias hongrois ont le plus parlé entre l’automne 2021 et le printemps 2022, selon deux chercheurs qui ont analysé des milliers d’articles publiés par les médias hongrois. Benjamin Novak, doctorant à l'Université Johns Hopkins et ancien journaliste du New York Times en Hongrie jusqu'en 2022, et Martin Wendiggensen, politologue et également doctorant à l'Université Johns Hopkins, ont travaillé ensemble pour déterminer si les récits des médias hongrois correspondaient ceux des publications de propagande russe – et a constaté que c’était en grande partie le cas.

Le sentiment national a changé et des messages soutenant les objectifs russes sont apparus en Hongrie à la mi-septembre 2021, des mois avant que les troupes russes n’envahissent réellement l’Ukraine.

"Nous ne pouvons que spéculer sur la motivation des médias hongrois à régurgiter de plus en plus de propagande russe à partir de ce moment-là", déclare Wendiggensen, qui a présenté les résultats de l'enquête lors de la récente [conférence sur la sécurité de la LabsCon](https://www.labscon. io/).

Ce qui est sûr, dit-il, c'est qu'à partir de l'automne 2021, non seulement le nombre d'articles couvrant les trois domaines a augmenté rapidement, mais les sujets à partir de ce moment ont toujours suivi les mêmes schémas narratifs : les livraisons d'armes sont mauvaises parce qu'elles prolongent guerres, l'Ukraine traite mal les minorités ethniques et les sanctions de l'Union européenne sont mauvaises pour l'économie hongroise.

Formation du modèle ML

Les recherches de Novak reposaient sur l'analyse manuelle des articles, tandis que Wendiggensen formait un modèle d'apprentissage automatique (ML) pour analyser le corpus des articles. Ce qui est frappant dans leurs recherches, c’est que l’homme et la machine sont arrivés au même résultat sans consultation préalable, ce qui suggère que le ML peut être une méthode fiable pour identifier les campagnes de désinformation.

Wendiggensen a appris à la machine à capturer la fréquence d'ensembles de sujets - pas seulement des mots individuels - et à les analyser pour déterminer le ton de la nation. Son application utilisait des blocs de code fournis par son collègue et spécialiste du ML Kohei Watanabe. Dans un premier temps, le logiciel a capturé indépendamment, sans intervention humaine, tous les articles de presse précédemment téléchargés et décomposés en composants, tels que le titre, la date et le corps du texte. L’application a ensuite associé chacun des 26 millions de mots collectés à un vecteur géométrique multidimensionnel. Les relations entre les termes ont été établies en fonction des angles auxquels les vecteurs étaient positionnés et des distances entre les vecteurs, explique Wendiggensen.

Pour augmenter la précision des relations, cet espace n'est pas limité aux trois dimensions habituelles. Au lieu de cela, le logiciel suit les vecteurs à travers des centaines de dimensions.

"Ainsi, au bout d'un certain temps, le modèle reconnaît que, par exemple, 'sanctions' et 'Bruxelles' et 'négatif' sont étroitement liés", explique Wendiggensen. "En calculant les vecteurs de relation, nous pouvons appliquer les mathématiques aux mots."

À la fin de cette phase, le modèle ML a identifié les trois mêmes sujets principaux que ceux trouvés par Novak.

"L'objectif de l'élaboration du modèle d'apprentissage automatique était de rendre les similitudes mathématiquement exprimables et donc statistiquement fiables", explique Wendiggensen.

Poutine est bon, l'UE est mauvaise

Dans la deuxième phase de ses recherches, Wendiggensen a donné au logiciel des mots opposés, tels que « bon » et « mauvais » ou « mal » et « bénin ». Sur la base de cette dimension cible notée introduite par l'homme, le modèle ML a attribué une note à chaque article. Le modèle ML n'a pas examiné les mots individuels pour calculer le score ; il travaillait plutôt avec des phrases pour établir des relations entre elles. Le modèle conserve les déclarations des phrases individuelles sous forme de méta-informations, de sorte que même les pensées s'étendant sur plusieurs phrases peuvent être capturées et notées dans leur intégralité.

Le point de bascule pour la couverture médiatique pro-russe est arrivé à la mi-septembre 2021, selon Wendiggensen. Le logiciel ne prend que 15 minutes pour évaluer la polarité, ce qui permet aux chercheurs de continuer à surveiller le paysage médiatique.

"Même aujourd'hui, ces trois sujets dominent", déclare Wendiggensen. "Aucun autre sujet abordé dans les médias hongrois ne représente plus de 15 % de tous les articles sur l'Ukraine."

L’une des raisons pour lesquelles les messages pro-russes ont pu s’enraciner à ce point est que la Hongrie manque de pluralisme médiatique, c’est-à-dire de capacité à obtenir des points de vue différents de la part des différents médias. Le gouvernement actuel contrôle directement et indirectement tous les reportages – la société holding médiatique publique MTVA contrôle par exemple toutes les stations de radiodiffusion publiques. Les entreprises favorables au gouvernement possèdent des organes de presse régionaux et une société holding centrale coordonne l’ensemble des quelque 500 sociétés de médias pro-gouvernementales.

À suivre : vidéos, surveillance à long terme

Alors que les discours sur la fourniture d’armes et les minorités ethniques correspondent en grande partie à la propagande russe, les médias hongrois ont ajouté une touche locale au thème des sanctions. Les sanctions éventuelles et réelles contre la Russie ont été utilisées pour expliquer le mauvais état de l’économie hongroise.

Dans une prochaine étape, les chercheurs souhaitent également traiter les vidéos publiées par les chaînes de télévision hongroises. Ils disposent déjà de 8 000 bonnes heures d’images animées, avec des scripts de narration retranscrits par logiciel. Cela a augmenté la collection de mots de 60 millions.

Par la suite, Novak et Wendiggensen souhaitent se tourner vers des reportages transnationaux sur les réseaux paneuropéens de droite. Cela ne restera pas une simple analyse médiatique. Les discours anti-européens diffusés par des représentants politiques seront également pris en compte.

"Notre objectif ultime est de créer un ensemble de données que d'autres chercheurs peuvent analyser à volonté", explique Wendiggensen.

Sur la base d’une telle collection structurée de mots et d’expressions publiés, il serait possible, par exemple, de suivre l’évolution des messages au fil du temps. Ou bien des réponses pourraient être trouvées à des questions telles que : « Les médias perdent-ils leur libéralité lorsque l'économie nationale se porte mal ?

"Nous voulons rendre les relations théoriques mesurables", explique Wendiggensen.