Pour répondre à cette question, j’ai téléchargé les bios des abonné·es de chaque président·e (vous savez, ces petits textes d’intro qui s’affichent en haut de nos comptes Twitter).
Voici le top 5 des mots que les abonné·es de chaque président·e utilisent pour se décrire 👇🏻
Si les abonné·es de Hedebouw sont clairement militants, à gauche et intéressés par la justice sociale, on retrouve des termes plus précis chez Nollet et Maouane quand il s’agit de climat. Les abonné·es de Maouane sont les seul·es à employer des termes liés à l’égalité de genre ou au féminisme. Le mot “migration” chez les abonné·es d’un candidat centriste pourrait surprendre, mais c’est peu étonnant chez De Smet, car il a été directeur du Centre Fédéral Migration.
A droite du spectre politique, on retrouve davantage de termes tournant autour du champ lexical du travail. A gauche, il y a une récurrence d’enjeux sociaux.
J’ai retiré les mots suivants : belge, politique, international, communication et journaliste, car ils étaient communs à toustes les politicien·nes et à fréquence similaire. Twitter étant un lieu d’échange privilégié entre la presse et les politicien·es, j’ai tout de même voulu creuser du côté des journalistes 👉 En ne gardant que les biographies qui contiennent le mot journaliste sans contenir le mot etudiant, on remarque une énorme disparité entre Magnette, star de la presse, et les les autres.
Une explication à cette différence ne peut qu’être spéculative, je m’abstiendrai donc d’émettre des hypothèses. Ceci dit, compte tenu du fait que ces sept personnes occupent désormais le même poste au sein de partis de notre gouvernement, même en tenant compte de certains facteurs comme l’ancienneté ou les parcours politiques, je trouve l’étendue de ces écarts surprenants.
Abonnés plutôt qu’abonné·es
Pour répondre à la question “qui sont leurs abonné·es”, j’ai aussi effectué une distribution par genre. Aucun des comptes étudiés n’est suivi par une quantité égale de femmes et d’hommes. Ces résultats ne sont pas étonnants vu la disparité générale présente sur la plateforme, qui n’a que 25% de femmes belges actives.
Les pourcentages sont similaires pour chaque compte. François De Smet est suivi par le plus de femmes, et Raoul Hedebouw arrive en dernière place, suivi de très près par Georges-Louis Bouchez.
Ielles n’ont pas les mêmes ami·es
Quitte à avoir écrit le script, j’ai également appliqué cette analyse aux ami·es des président·es de partis, c’est-à-dire aux comptes que les chef·fes de partis décident de suivre :
Ici, les résultats se démarquent un peu plus. Maouane est en tête, s’abonnant à presque 40% de femmes. Bouchez, Prévot, Magnette, Nollet et Hedebouw, quant à eux, suivent entre 74% et 78% d’hommes.
Les autres articles de la série #DataGames sont par ici !
Note sur la méthode employée
Twitter permet de déclarer son genre lors de l’inscription sur la plateforme : les utilisateurices peuvent choisir, dans leur profil, parmi les options suivantes : ‘homme’, ‘femme’ ou ‘indiquer son sexe’. En cochant la troisième option, il est possible d’écrire ce que l’on souhaite, avec une limite de 30 caractères. Cependant, l’API ne me permet pas de collecter ces informations. Déterminer le genre doit donc se faire sans cette auto-déclaration, qui aurait pourtant été la seule méthode fiable. En effet, à partir du moment où le genre est déterminé sans la personne concernée, il y a une marge d’erreur possible.
Parmi les informations disponibles, deux me paraissent exploitables pour distinguer le genre : le prénom et la photo de chaque utilisateurice. Pour identifier un genre à travers une photo, il faut que le visage soit clairement visible, ce qui est rare sur Twitter (sur un réseau social professionnel comme LinkedIn, cela aurait été plus commun). Quand bien même ce serait le cas, il ne me semble pas éthique d’opérer de la sorte : on ne choisit pas son apparence. Pour des personnes trans et/ou non-binaires, ce type d’algorithme peut s’avérer très violent. Par contre, on peut choisir le prénom qu’on indique sur la plateforme. Déterminer le genre à partir de cela m’a paru plus sensible, pour respecter une certaine forme d’autodétermination. Ceci dit, il reste primordial de noter que cette analyse ne permet qu’une classification binaire (un prénom masulin ou un prénom féminin, les prénoms androgynes restent indéfinis et sont exclus) et ne prend pas en compte les identités qui n’entrent pas dans cette catégorisation. Malgré ces limites, classer automatiquement une grande base de données par genre est, à mon sens, un outil utile et peut permettre de révéler et de quantifier des biais jusque-là invisibles.
