Un défi majeur auquel font face les réseaux sociaux en ligne tels que Facebook et Twitter est la croissance remarquable, ces dernières années, des comptes fictifs et automatisés, ou bots. Certains de ces comptes ont été signalés pour avoir participé à des activités indésirables telles que le spam, la campagne politique ou la diffusion de fausses informations sur la plateforme. Nous proposons une méthode pour détecter un comportement typique de bot parmi les comptes Twitter en analysant leur activité passée de publication. Nous nous appuyons sur une technique existante d’analyse des comptes Twitter appelée Digital DNA. Le Digital DNA modélise le comportement des comptes Twitter en codant l'historique des publications d'un compte utilisateur sous la forme d'une séquence de caractères analogue à une séquence d'ADN réel. Dans notre approche, nous appliquons un algorithme de compression sans perte à ces séquences Digital DNA et utilisons les statistiques de compression comme mesure de prévisibilité du comportement d’un groupe de comptes Twitter. Nous exploitons les informations fournies par ces statistiques de compression pour représenter visuellement le comportement de publication à l’aide d’un simple graphique en nuage de points à deux dimensions, et classer les comptes utilisateurs en bots ou utilisateurs authentiques à l’aide d’une implémentation standardisée de l’algorithme de classification par régression logistique.