Twitter revient au retweet normal, après l’échec du « tweet cité »
Avant l'élection américaine, Twitter a mis en place une expérience autour de la manière dont les tweets sont partagés.
Résultat : cela n'a pas marché.
Les constats d'un échec
Dans une série de tweets, le support de Twitter a annoncé que l'expérience arrivait à son terme le 17 décembre. Le « retweet » redeviendra donc accessible en un clic. Mais alors, pourquoi, en pratique, le résultat de l'expérience n'a pas été en phase avec ce que Twitter imaginait en théorie ? « L'usage des retweets avec citation a augmenté, mais 45 % des textes entrés par les utilisateurs étaient des mots uniques, et 70 % avaient moins de 25 caractères. » Considérant ces données, on ne peut pas dire que la méthode a effectivement incité les utilisatrices et les utilisateurs à préciser leur pensée.
De plus, Twitter note que la manœuvre, qui ajoutait de la friction au partage d'un tweet, a fait baisser les retweets et les retweets avec citation de 20 % de manière générale. En bref, les retweets n'étaient pas plus informés et en plus, ils étaient moins nombreux. Ce changement avait été accueilli avec prudence par les utilisateurs de Twitter et les médias, car l'usage du « retweet avec citation » a souvent été utilisé pour lancer des campagnes de cyberharcèlement ou de dénonciation d'une personne à sa propre communauté -- pas vraiment pour élever le débat.
https://twitter.com/TwitterSupport/status/1339350334162890753
La mise à jour du billet de blog qui accompagne ces annonces précise que deux expériences prennent également fin le 17 décembre 2020. La première visait à enlever les recommandations de tweets « que vous pourriez aimer » ou « aimés par tel utilisateur » dans votre fil d'actualités ou vos mentions. L'expérience visait à minimiser la désinformation au sein de « bulles informationnelles », mais n'a pas du tout fonctionné. Ces recommandations vont donc revenir. La deuxième est la contextualisation des sujets en « trending ». Twitter voulait ajouter de l'humain à ces sujets, mais se rend compte que cela demande trop de travail à ses équipes. Les recommandations mélangeront donc des recommandations algorithmiques et humaines.