Pourquoi l'algospeak cache de vraies conversations au monitoring de mots-clés

Qu'est-ce que l'algospeak ?

Remplacer par un mot codé un terme dont vous attendez qu'une plateforme le supprime ou l'enterre, voilà l'algospeak, et voilà pourquoi un sujet peut être discuté en masse pendant que votre liste de mots-clés exacts rapporte du silence. Le mécanisme est l'anticipation: l'auteur devine ce qu'un système de modération automatique va signaler, puis écrit autour de cette hypothèse en gardant le sens lisible pour le public qu'il vise. Cela fait de l'algospeak un problème de couverture pour le monitoring plutôt qu'une curiosité linguistique, parce que le mot de substitution porte la conversation et que le mot suivi n'apparaît jamais.

D'où vient le terme algospeak ?

Le mot s'est répandu grâce à l'enquête de Taylor Lorenz dans The Washington Post, publiée le 8 avril 2022 sous le titre Internet 'algospeak' is changing our language in real time, from 'nip nops' to 'le dollar bean'. L'expression "le dollar bean" de ce titre est elle-même une de ces substitutions et veut dire lesbian, c'est-à-dire lesbienne. L'article définit l'algospeak comme "code words or turns of phrase users have adopted in an effort to create a brand-safe lexicon that will avoid getting their posts removed or down-ranked by content moderation systems", soit des mots codés ou des tournures que les utilisateurs ont adoptés pour créer un lexique sans risque pour les marques, qui évite que leurs publications soient supprimées ou déclassées par les systèmes de modération. L'article est payant au-delà de la section d'ouverture, donc la définition et les premiers exemples cités ici sont ce qui est publiquement lisible sur la page du Post, et l'attribution est celle qui y est rapportée plutôt que celle du texte complet. Aucune source que je peux atteindre ne nomme une date de création ni un auteur unique, traitez donc avril 2022 comme le moment où le terme s'est diffusé, pas comme celui où il a été inventé.

La première étude évaluée par les pairs sur cette pratique est You Can (Not) Say What You Want: Using Algospeak to Contest and Evade Algorithmic Content Moderation on TikTok, d'Ella Steen, Kathryn Yurechko et Daniel Klug, publiée en accès libre dans Social Media + Society le 31 août 2023. Les auteurs ont interrogé 19 créateurs TikTok et affirment que leur article est le premier à analyser l'algospeak comme un phénomène propre aux réseaux sociaux. Leur conclusion compte pour le monitoring: les participants anticipaient la façon dont l'algorithme lirait une vidéo et choisissaient des substitutions qui échappaient à la modération tout en laissant leur public cible trouver la publication.

À quoi ressemble l'algospeak en pratique ?

Les exemples ci-dessous sont des substitutions documentées dans des sources de 2022 et 2023, pas un dictionnaire à jour. Steen et ses collègues décrivent l'algospeak comme le fait d'abréger, de mal orthographier volontairement ou de remplacer des mots, et les formes circulent entre plateformes et communautés.

Forme documentée	Sens rapporté	Documentée dans	Date
unalive	mort, décès	The Washington Post	avril 2022
SA	agression sexuelle, pour sexual assault	The Washington Post	avril 2022
spicy eggplant	vibromasseur, littéralement aubergine épicée	The Washington Post	avril 2022
le$bean	lesbienne, pour lesbian	Steen, Yurechko et Klug	août 2023
seggs	sexe, pour sex	Steen, Yurechko et Klug	août 2023
clock app	TikTok, littéralement application horloge	Steen, Yurechko et Klug	août 2023

Lisez ce tableau comme une illustration, pas comme une liste à coller dans un générateur de requêtes. Une bonne part de ce vocabulaire existe parce que les gens parlent d'automutilation, d'agression sexuelle, de sexualité, de travail du sexe et de maladie sous des systèmes de modération qui suppriment ces sujets, que la publication enfreigne une règle ou non. Steen et ses collègues nomment l'absence de contexte, l'aléatoire, l'imprécision et le biais contre les communautés marginalisées comme les échecs de modération qui alimentent la pratique.

Pourquoi l'algospeak casse-t-il le monitoring de mots-clés ?

Le monitoring par correspondance exacte mesure la présence d'une chaîne de caractères, et l'algospeak retire la chaîne en laissant la conversation intacte. La défaillance porte sur le recall, la part des publications pertinentes que vous attrapez réellement, pas sur la précision: les publications qui ont correspondu parlent toujours de votre sujet, donc rien ne paraît cassé dans le flux, et les publications manquantes ne laissent aucune trace dans le système. Mesurez le recall directement au lieu de le supposer.

Recall = correspondances du terme suivi / toutes les publications sur le sujet

Supposons que vous lisiez les publications d'une communauté, que vous en jugiez 200 comme portant sur votre sujet, et que votre terme suivi apparaisse dans 140. Le recall vaut 140 / 200 = 0.70, donc 30 pour cent de cette conversation n'atteint jamais votre tableau de bord. Ces valeurs servent d'illustration, ce n'est pas un point de référence publié, et votre propre chiffre variera selon la plateforme, la communauté et le sujet.

Vérification du rappel dans une communauté

Mentions détectées140 sur 200

Manquées par la liste de mots-clés60 sur 200 (30 %)

Comment l'algospeak fausse-t-il le volume et le sentiment ?

Les publications manquantes biaisent à la fois les comptages et le ton, parce que l'algospeak ne se répartit pas uniformément dans la conversation. La substitution se concentre là où la pression de modération est la plus forte, ce qui veut dire que les fils de crise, les plaintes de santé et les publications sur de mauvaises expériences sont les plus touchés, tandis que le bavardage produit neutre garde les mots ordinaires. Une analyse de sentiment menée sur cet échantillon déformé se lit plus positive que la vraie conversation, et une courbe de volume sous-estime chaque pic qui coïncide avec un sujet modéré.

C'est une défaillance différente des deux reproches les plus courants faits au monitoring. Les mots-clés négatifs corrigent les faux positifs, et la détection de quasi-doublons corrige les copies répétées d'une même histoire. Ni l'un ni l'autre ne récupère une publication que votre requête n'a jamais captée.

Que peut vraiment faire une équipe de monitoring ?

Rien ne restaure une couverture complète, et tout fournisseur qui promet un dictionnaire complet de l'algospeak vous vend une liste qui se périme. Un preprint de Jan Fillies, Ronald E. Robertson et Jeffrey Hancock, Algospeak, Hiding in the Open, modélise la pratique comme une coévolution entre ceux qui contournent et ceux qui détectent, et c'est pourquoi une liste figée vieillit: le vocabulaire bouge en réaction à sa détection. Le même article nomme la limite de ce mouvement: une substitution assez obscure pour battre tous les détecteurs cesse d'être comprise par les gens pour qui elle a été écrite.

Cinq choses aident vraiment, par rendement décroissant:

Surveillez des communautés et pas seulement des chaînes de caractères. Suivre tout le flux d'un subreddit attrape des publications où votre terme suivi n'apparaît jamais, et c'est à cela que servent le chercheur de subreddits et le monitoring de mots-clés sur Reddit de RedReplier quand vous les associez.

Lisez des échantillons selon un calendrier. Tirez un échantillon aléatoire de publications dans les communautés qui comptent pour vous, jugez la pertinence à la main et calculez le recall ci-dessus. C'est ainsi que vous apprenez quelles substitutions sont vivantes en ce moment, et cela sert aussi de contrôle qualité sur votre monitoring de marque.

Notez le sens, pas l'orthographe. La notation de pertinence par IA évalue si une publication porte sur votre sujet plutôt que si elle contient votre chaîne de caractères, et RedReplier explique pourquoi chaque mention a été signalée pour que vous puissiez auditer le jugement.

Datez votre liste de mots-clés. Inscrivez-y une date de revue, ajoutez les substitutions trouvées par votre échantillonnage et retirez les termes devenus froids. Vos opérateurs de recherche booléens méritent d'être réglés, et ce réglage n'est jamais terminé.

Rapportez l'écart honnêtement. Quand vous présentez du volume ou du sentiment à un décideur, dites quels sujets vous savez sous-comptés. C'est un meilleur résultat qu'un graphique assuré bâti sur une requête que vous n'avez jamais testée.

En quoi l'algospeak diffère-t-il des autres argots d'internet ?

L'algospeak est une réponse à un système de modération, et les autres argots en ligne sont une réponse à une communauté. Steen et ses collègues tracent cette ligne explicitement: le leetspeak, le LOLspeak, le textspeak et les variations semblables existent pour signaler une identité ou l'appartenance à un groupe, tandis que l'algospeak est employé en réaction au fait de subir la modération de contenu sur une plateforme. La conséquence pour qui fait du social listening, l'écoute des conversations sociales, est que l'algospeak avance à l'horloge des règles de plateforme et non à celle de la culture, si bien qu'un terme codé le trimestre dernier peut être en clair ce trimestre.

Ceux qui croient leur compte étouffé changent leur façon d'écrire avant de changer ce qu'ils disent, et c'est le même réflexe que celui des théories populaires de l'entrée sur le shadowban Reddit.

Questions fréquentes

Qui a inventé le terme algospeak ?

Aucune source que je peux vérifier ne nomme un auteur unique. L'enquête de Taylor Lorenz dans The Washington Post du 8 avril 2022 est le texte crédité d'avoir popularisé le mot, et Steen, Yurechko et Klug citent cet article quand ils relient le phénomène à TikTok. L'affirmation sûre est que le terme s'est répandu en 2022, pas qu'une seule personne l'a inventé.

L'algospeak existe-t-il seulement sur TikTok ?

Non. Steen et ses collègues écrivent que l'algospeak existe sur beaucoup de plateformes sociales tout en étant largement lié à TikTok, à cause du format audiovisuel de TikTok et de sa modération algorithmique. Un preprint de 2026 sur la détection du langage codé a annoté des publications de TikTok et de Bluesky, ce qui prouve que la pratique n'est pas confinée à une seule application.

L'algospeak touche-t-il le monitoring de marque ou seulement celui des sujets ?

Le monitoring de sujets encaisse le plus gros. Les systèmes de modération surveillent des sujets, pas des noms de marque, donc votre marque survit en clair pendant que le sujet autour d'elle est remplacé. L'exception est la publication qui associe votre marque à un sujet supprimé, précisément celle que vous voulez le plus voir.

Puis-je simplement ajouter des termes d'algospeak à ma liste de mots-clés ?

Vous pouvez ajouter ceux que votre propre échantillonnage trouve, et vous devriez le faire. Ce que vous ne pouvez pas faire, c'est rester à jour, parce que le vocabulaire se déplace en réaction à la détection et varie selon la communauté. Traitez toute liste que vous construisez comme un plancher qui se périme et qui a besoin d'une date de revue.

Écrire sur l'algospeak revient-il à aider les gens à contourner la modération ?

Non. Décrire que la substitution existe, et mesurer quelle part d'une conversation elle cache, est une question de recherche et de mesure. Publier un tableau tenu à jour des substitutions actuelles est un autre acte, avec d'autres conséquences, et c'est pourquoi les exemples ci-dessus sont des citations datées et non une liste de travail.

Comment savoir si l'algospeak est un vrai problème pour mes mots-clés ?

Faites le test de recall. Prenez un échantillon aléatoire de publications dans une communauté qui discute de votre sujet, jugez à la main la pertinence de chacune, et divisez le nombre que vos termes suivis ont attrapé par le nombre qui portait réellement sur le sujet. Si ce rapport est proche de 1, l'algospeak n'est pas votre goulot d'étranglement. S'il ne l'est pas, vous connaissez maintenant la taille de l'écart au lieu de la deviner.

Pourquoi les mots-clés négatifs ou la détection de quasi-doublons ne comblent-ils pas le trou de l'algospeak ?

Les mots-clés négatifs retirent les faux positifs de vos correspondances existantes, et la détection de quasi-doublons regroupe les copies d'une même histoire. Aucun des deux outils ne vous ajoute une publication que votre chaîne n'a jamais captée, et c'est exactement ce trou que crée l'algospeak.

Pourquoi une liste d'algospeak devient-elle obsolète si vite ?

Un preprint de Fillies, Robertson et Hancock modélise l'algospeak comme une coévolution entre ceux qui évitent la modération et ceux qui la détectent, si bien que le vocabulaire se déplace en réaction à sa détection. La même étude pointe la limite de ce mouvement : une substitution assez obscure pour tromper tous les détecteurs finit par devenir incompréhensible pour le public auquel elle s'adressait. Toute liste que vous construisez est un plancher qui se dégrade et qui a besoin d'une date de révision.

Quels sujets subissent le plus la substitution de l'algospeak ?

Steen, Yurechko et Klug relient la pratique à des sujets que les systèmes de modération suppriment qu'un post enfreigne une règle ou non, comme l'automutilation, l'agression sexuelle, la sexualité, le travail du sexe et la maladie. La substitution se concentre là où la pression de modération est la plus forte, donc les fils de crise, les plaintes de santé et les publications sur des expériences négatives sont les plus touchés, tandis que les échanges neutres sur des produits gardent des mots clairs.

L'algospeak a-t-il un lien avec les théories sur le shadowban ?

Les deux viennent du même réflexe : celui qui croit qu'une plateforme agit contre lui change son comportement pour la contourner. L'article sur le shadowban Reddit documente ce même réflexe dans les théories populaires que les gens construisent autour d'une suppression supposée. L'algospeak applique ce réflexe au choix des mots plutôt qu'à la fréquence de publication ou au comportement du compte.