Méthodologie

Cette étude mesure le pluralisme, l'équité de traitement et l'orientation idéologique des programmes du service public audiovisuel (Radio France & France Télévisions) du 1ᵉʳ septembre au 30 novembre 2025.

Les résultats sont fondés sur :

  • l'analyse automatisée de plusieurs milliers de prises de parole,
  • l'évaluation de la tonalité des mentions politiques,
  • l'analyse de l'orientation idéologique des contenus,
  • et une comparaison de l'agenda médiatique aux priorités de l'opinion.

Les données, les prompts IA et les modèles utilisés sont publiés pour garantir la transparence et la reproductibilité.

Pourquoi l'IA ?

Dans un contexte de manque d'outils fiables pour mesurer la neutralité politique, le pluralisme et l'équité de traitement dans les programmes du service public, les avancées récentes de l'intelligence artificielle dans le traitement automatique du langage offrent de nouvelles perspectives.

L'IA permet d'analyser l'équité de traitement et l'orientation politique avec fiabilité car elle ne s'intéresse pas aux intentions, mais aux propos réellement prononcés. Elle applique les mêmes critères à chaque citation : tonalité, lexique évaluatif, cohérence idéologique, sans préférence pour un invité ou une famille politique. Là où un observateur humain sélectionne des extraits isolés ou projette ses biais, l'IA mesure l'ensemble du discours et rend les résultats vérifiables et reproductibles. Afin de ne pas biaiser les résultats, l'IA établit ces classifications en parfaite autonomie, sur la base de l'ensemble des connaissances humaines dont elle dispose.

Procédé d'analyse

  1. Comment les données ont été produites

    Les flux audios des émissions retenues sont récupérés à partir des programmes mis en ligne par Radio France et France Télévision. Chaque émission est horodatée et indexée par chaîne, date et intervenants.

    Les enregistrements audio sont transcrits à l'aide de modèles de reconnaissance vocale (OpenAI – Whisper Medium).

    Les entités politiques (personnalités et formations) sont automatiquement identifiées. Des corrections ciblées sont apportées sur les noms propres.

  2. Mesure du pluralisme et de l'équité de traitement

    Pour chaque mention politique, un modèle IA attribue un score de -10 (très hostile) à +10 (très bienveillant) en fonction de la tonalité du propos, du vocabulaire évaluatif, des émotions ou jugements exprimés.

    Chaque score est accompagné d'une justification textuelle courte générée par l'IA.

    Ces scores sont ensuite agrégés par personnalité, famille politique et par entité (chaîne, émission).

  3. Mesure de l'orientation politique

    Chaque prise de parole est positionnée par l'IA sur un spectre idéologique gauche-droite (ou neutre). Elle attribue également une note, liée à cette orientation, qui permet d'évaluer l'intensité du biais éditorial sur une échelle allant de 0 à 100. Afin de pouvoir visualiser ces notes, celles-ci sont ensuite réorientées spatialement, négativement pour la gauche et positivement pour la droite.

    Aucune consigne n'est donnée à l'IA pour qualifier une orientation idéologique « de droite » ou « de gauche ». Il lui est demandé de tenir compte des faits et thématiques mis en avant, des éléments de langage et des outils rhétoriques (ton, ironie, satire) pour déterminer l'orientation réelle du propos.

  4. Analyse thématique

    Les segments éditoriaux sont classés selon une grille de 19 thèmes issus d'un référentiel indépendant (Balise d'opinion Ifop), qui mesure la hiérarchie des préoccupations au sein de la population générale et selon les proximités politiques.

    Les chroniques qui ne pouvaient être rattachées de manière robuste à l'une de ces thématiques ont été regroupées dans une catégorie résiduelle (« Autre »). Afin de permettre une comparaison pertinente avec les résultats du sondage Ifop, les analyses thématiques comparatives sont conduites hors catégorie « Autre ».

    Pour chaque thème, le traitement médiatique est identifié, comptabilisé, et évalué selon son orientation éditoriale (gauche, droite ou neutre) afin de le comparer aux priorités de l'opinion publique.

Limites et précautions d'interprétation

  • La reconnaissance vocale automatique peut comporter des erreurs ponctuelles.
  • La compréhension de l'ironie, du second degré ou de l'humour reste imparfaite.
  • Les modèles IA sont formés sur de grands corpus textuels qui peuvent eux-mêmes refléter certains biais.

En combinant un corpus large et des outils IA de traitement du langage naturel, cette étude propose un instrument original de mesure de la neutralité et du pluralisme sur le service public. Elle ne prétend pas épuiser la complexité du travail journalistique, ni réduire le pluralisme à un indicateur unique, mais fournit des indicateurs de tendances pour objectiver un débat souvent limité à des impressions ou à des cas isolés.