Comment l’algorithme YouTube choisit ce que voient les enfants

Ce que l’algorithme cherche à optimiser

Un algorithme de recommandation, c’est un ensemble de règles et de modèles d’apprentissage automatique qui prédisent quelle vidéo une personne est la plus susceptible de regarder ensuite, puis placent ces vidéos là où elles sont faciles à toucher : le fil d’accueil, la barre latérale et l’emplacement qui se lance automatiquement à la fin de la vidéo en cours.

Le plus important, c’est l’objectif que le système doit atteindre. Dans un article rédigé par les ingénieurs de YouTube eux-mêmes, le moteur de recommandation est décrit comme explicitement optimisé pour le temps de visionnement prédit et l’engagement, plutôt que pour les seuls clics (Covington, Adams et Sargin, 2016). Le raisonnement des auteurs est pratique : une vidéo qui récolte beaucoup de clics mais qu’on ferme après quelques secondes est une moins bonne recommandation qu’une vidéo qui retient l’attention; le système apprend donc à favoriser ce qui garde les gens devant l’écran plus longtemps. À noter qu’il s’agit d’une description de la conception d’une plateforme pour un public général, pas d’une étude portant précisément sur les enfants.

Une fois l’objectif connu, une bonne partie du comportement cesse de paraître aléatoire. Le fil n’essaie pas d’instruire votre enfant, de s’ajuster à son âge ni de terminer la séance à un moment raisonnable. Il essaie de prédire la prochaine vidéo la plus susceptible d’être regardée, et d’aligner celle d’après. Chaque surface que voit un enfant — la grille de vignettes, la rangée à côté du lecteur, le compte à rebours vers le prochain clip — est façonnée par cette seule cible. Quand on dit que le fil est « conçu pour garder les enfants devant l’écran », c’est à cette cible d’optimisation qu’on fait référence concrètement.

Les signaux qu’il apprend de votre enfant

L’algorithme ne connaît pas votre enfant comme personne. Il construit un profil statistique à partir de comportements, et il met ce profil à jour constamment. En gros, les signaux se regroupent en quelques catégories.

**Le visionnement.** Quelles vidéos sont lancées, quelle proportion de chacune est regardée, et si la personne reste jusqu’à la fin ou abandonne tôt. Les visionnements longs et complets font monter le contenu semblable.

**Les clics et les touchers.** Ce qui est choisi dans le fil et, tout aussi important, ce qui est ignoré. Choisir une vignette plutôt qu’une autre est un vote que le système enregistre.

**Les gestes d’engagement.** Les mentions « j’aime », les abonnements, les visionnements répétés et les termes de recherche nourrissent tous le profil, même si, sur un compte d’enfant, ils sont parfois rares ou dictés par la personne qui a configuré l’appareil.

**Le contexte.** L’heure de la journée, l’appareil et les métadonnées de la vidéo — sujet, chaîne, durée, style de vignette — aident le système à regrouper le contenu et à deviner ce qui convient au moment présent.

**Les habitudes de personnes semblables.** Le système s’appuie aussi sur les comportements agrégés. Si les personnes qui ont regardé les mêmes clips que votre enfant ont ensuite regardé une vidéo en particulier, cette vidéo devient une candidate de choix.

Deux choses méritent d’être soulignées. D’abord, aucun signal distinct du genre « est-ce bon pour un enfant de cinq ans » n’oriente la machine; le profil est assemblé à partir de l’engagement, pas du jugement. Ensuite, la boucle est rapide. Quelques touchers sur un certain type de vidéo peuvent changer visiblement ce qui apparaît ensuite, parce que le modèle traite le comportement récent comme un indice fort de ce qu’il faut servir. C’est cette réactivité qui explique qu’un fil puisse dériver au cours d’une seule séance, et qu’on ait l’impression que le système a « changé d’idée » sur votre enfant du jour au lendemain.

Voir aussi : Pourquoi YouTube Kids recommande des vidéos étranges · Bloquer les recommandations YouTube pour les enfants

Recommandations, lecture automatique et spirale de vidéos

Les recommandations et la lecture automatique, c’est là que la cible d’optimisation se transforme en séance de visionnement. Les recommandations décident de ce qui est offert; la lecture automatique décide que l’offre est acceptée par défaut, sans que personne ne choisisse.

La lecture automatique compte plus qu’il n’y paraît. Dans une expérience contrôlée menée auprès de 76 adultes sur une interface de diffusion comparable, des chercheurs ont constaté que désactiver la lecture automatique réduisait significativement le temps passé à regarder — une indication que la lecture automatique augmente causalement le temps de visionnement, et ne fait pas que l’accompagner (Schaffner et coll., 2025). L’échantillon était adulte et la plateforme différente, alors il ne faut pas y voir une mesure du tort causé aux enfants. Mais le mécanisme est général et mérite d’être pris au sérieux : le réglage par défaut où « la prochaine vidéo se lance toute seule » supprime la petite pause où une personne, ou un enfant, pourrait s’arrêter. Enlevez le point de décision et la séance s’allonge d’elle-même.

Ajoutez à cela un moteur de recommandation qui vise le temps de visionnement et vous obtenez la « spirale » que décrivent les parents. Chaque vidéo passe le relais à une vidéo semblable ou encore plus captivante, le compte à rebours démarre avant que votre enfant puisse détourner les yeux, et un plan de dix minutes devient tranquillement une heure.

Là où les deux se combinent, le contenu lui-même peut dériver d’une manière que les parents n’anticipent pas. Une analyse de contenu descriptive du visionnement YouTube chez les enfants de 0 à 8 ans a révélé que ce que les jeunes enfants regardaient réellement était largement dominé par le consumérisme — publicités, déballages de jouets et vidéos axées sur des produits — et que certaines des vidéos les plus vues contenaient du matériel inapproprié pour leur âge (Common Sense Media, 2020). Il s’agit d’un rapport descriptif de ce à quoi ressemblait le visionnement, pas d’une affirmation causale voulant que l’algorithme cause du tort. Cela dit, ça concorde avec la conception : un système qui optimise l’engagement fera remonter tout ce qui retient l’attention, et le contenu très produit, très commercial ou un peu provocant fait souvent exactement ça.

Voir aussi : Réinitialiser l’algorithme YouTube pour les enfants

Désactiver complètement l’algorithme : une bibliothèque choisie par vous

Vous pouvez influencer l’algorithme — effacer l’historique, cliquer sur « je n’aime pas », resserrer les paramètres — mais vous ne pouvez pas l’empêcher d’optimiser le temps de visionnement, parce que c’est exactement ce pour quoi il est conçu. La seule façon de retirer le moteur de l’équation, c’est de ne plus utiliser de moteur du tout.

C’est le modèle sur lequel Watchly Player est bâti. Watchly Player fonctionne avec une liste de vidéos approuvées : aucun algorithme de recommandation, aucune barre latérale de suggestions, aucune lecture automatique vers du contenu sans rapport. Seule la bibliothèque que vous approuvez apparaît, et après chaque vidéo l’application revient à cette bibliothèque au lieu de mettre autre chose en file. Rien n’essaie de prédire le prochain toucher de votre enfant ni d’étirer la séance, parce qu’aucune prédiction de prochaine vidéo n’a lieu.

Pour garder la bibliothèque approuvée appropriée, Watchly Player effectue une analyse par IA qui vérifie les vidéos selon 21 types de contenu avant qu’elles se retrouvent devant un enfant. En plus, chaque enfant a son propre profil — prénom, émoji, NIP à 4 chiffres et année de naissance — pour que les bibliothèques et les limites collent à l’enfant en question. Vous pouvez fixer une limite quotidienne avec des pauses intégrées, et consulter un historique de visionnement clair pour voir exactement ce qui a été regardé, sans fil mystérieux à reconstituer. Des bibliothèques de départ par groupe d’âge donnent un bon point de départ, et tout est sans publicité. Watchly Player offre un essai gratuit de 7 jours, sans carte de crédit.

Recherche et sources

• Covington, P., Adams, J., & Sargin, E. (2016). Deep Neural Networks for YouTube Recommendations. RecSys ’16, 191–198. Lien
• Schaffner, B., et coll. (2025). An Experimental Study of Netflix Use and the Effects of Autoplay on Watching Behaviors. Proceedings of the ACM on Human-Computer Interaction, 9(2), CSCW030. Lien
• Common Sense Media (2020). Young Kids and YouTube: How Ads, Toys, and Games Dominate Viewing. Common Sense Media (rapport de recherche, non révisé par les pairs). Lien