Skip to main content

​
Situation

À la suite de l’apparition de la COVID-19, on a constaté une hausse des incidents haineux visant les Américains d’origine asiatique et les habitants des îles du Pacifique (AAPI). Si certains de ces incidents ont été couverts dans les médias, des milliers de personnes déposaient des signalements auprès du centre national de signalement Stop AAPI Hate, qui répond à ces incidents haineux et les traite grâce à la recherche, aux actions de plaidoyer et au renforcement des capacités. C’est durant cette période que la American Asian Foundation (TAAF) a été fondée. Cette organisation est devenue la force motrice derrière l’équipe qui a décidé de tirer parti de X pour offrir un nouvel éclairage sur la façon dont ces incidents touchent personnellement les personnes visées.

​
Solution

La petite équipe composée de deux ingénieurs s’est tournée vers X comme source de données sur les incidents. Elle a choisi cette plateforme pour deux raisons : d’abord, elle contient des informations riches et diverses, comme des actualités, les idées et réflexions des gens, des événements de la vie quotidienne et ce qui se passe dans leurs communautés. Pour cette raison, X offre un échantillon unique et intime de diverses populations. X est également la seule plateforme disposant d’une API véritablement ouverte à laquelle les développeurs de TAAF pouvaient accéder et qui propose des outils avancés pour collecter et analyser ces données. En utilisant les endpoints search Tweets et Tweets lookup de la X API v2, l’équipe a pu rechercher des statuts de publications et identifier les moments où des personnes signalaient un incident motivé par la haine (et même les hashtags qu’elles utilisaient). Cela a aidé l’équipe à concevoir une requête de recherche de 1023 caractères qui a permis de réduire des milliards de publications à un volume avec lequel l’équipe pouvait travailler. Vint ensuite la tâche de vérifier que les publications portaient bien sur des incidents haineux. L’équipe a développé un outil de traitement automatique du langage naturel pour l’aider à passer au crible des milliers de publications afin de trouver celles qui étaient pertinentes pour le projet. Après l’application de leur modèle d’apprentissage automatique entraîné, les publications étaient ensuite vérifiées par un humain pour augmenter encore la précision. En 2021, TAAF a également co‑rédigé le Documenting Anti-AAPI Hate Codebook avec la coalition Stop AAPI Hate. Cette ressource comprend des normes et pratiques préliminaires pour la collecte de données communautaires, qui ont aidé l’équipe à classifier les incidents que les gens partageaient sur X. À partir de là, le défi suivant consistait à présenter ces données d’une manière facilement assimilable. TAAF a créé un outil de visualisation de données, Decoding Hate, qui affiche leur vaste volume de données de manière interactive. Avec l’aide d’un studio de visualisation de données, ils ont pu prendre les données X annotées et transformer des milliers de publications en récits riches en enseignements qui révèlent la vérité sur ce qui se passait au sein des communautés AAPI.

​
Impact

Le projet Decoding Hate a permis de détecter des milliers d’incidents liés à la haine qui, autrement, n’auraient pas été signalés, et il continue de le faire aujourd’hui. Ce projet est devenu un outil pérenne pour sensibiliser aux expériences individuelles vécues au sein de la communauté AAPI. Pour la prochaine phase de travail, TAAF s’associera à Stop AAPI Hate pour tester des réponses humaines individualisées aux personnes qui signalent des incidents haineux sur X. Pendant cette phase, Stop AAPI Hate dialoguera activement avec de nombreuses personnes qui publient des Publications décrivant la haine dont elles ont été victimes et les encouragera à signaler ces incidents via le Stop AAPI Hate Reporting Center. Plus il y a de personnes qui signalent à Stop AAPI Hate, mieux la coalition et ses partenaires peuvent comprendre la nature des incidents haineux qui se produisent et plaider en faveur des solutions politiques les plus efficaces. En plus de mettre en lumière les incidents liés à la haine qui touchent les communautés AAPI, le projet souligne également la valeur de l’API de X. Ce cas montre que, lorsqu’ils exploitent les bonnes données avec les bons outils, les développeurs peuvent utiliser X pour innover au service d’une bonne cause.