CHAPITRE 1 REVUE DE LITTÉRATURE
1.3 Les réseaux sociaux
1.3.1 Les mesures et caractéristiques réseaux
Cette section traite des différentes mesures6 utilisées dans le cadre de cette analyse. Le choix des mesures utilisées a été lié au développement du logiciel d’automatisation détaillé à la section 2.4.3.
L’analyse des réseaux permet de regrouper les chercheurs entre eux et d’étudier les caractéristiques selon différentes perspectives. L’importance des réseaux autant du point de vue économique que pour leur rôle de diffusion des connaissances codifiées n’est plus à prouver (Aharonson et al., 2004). Plusieurs auteurs utilisent cette approche notamment pour étudier les caractéristiques des groupes de chercheurs (Bonaccorsi & Thoma, 2007). C’est la combinaison judicieuse de l’ensemble de ces informations qui permet de comprendre la structure des réseaux de collaboration et des influences possibles sur la création de connaissance.
Le réseau sur lequel les mesures sont prises est basé sur les publications scientifiques. Il faut noter que celles-ci représentent un des moyens pour avoir une visibilité accrue au sein de la communauté scientifique et par le fait même accroître sa réputation en tant que chercheur.
La notion d’information est essentielle dans les réseaux sociaux. Celle-ci permet d’évaluer l’importance des sommets selon leur capacité à gérer un flux d’informations qui peut autant être entrant que sortant dans le cas de réseaux non-dirigés.
Une autre notion importante est la diffusion des connaissances dont on présume être présente entre les chercheurs qui collaborent mais dont on ne peut être certain.
Lorsque deux ou plusieurs chercheurs publient annuellement plus d’un article, les liens entre ces individus du réseau sont plus forts. Cette collaboration qu’on peut lier à la force des liens du réseau (Burt, 2001) permet une augmentation du flux de connaissances générées par l’expérience acquise entre ces collaborateurs pouvant mener à une collaboration plus efficace.
6
L’ensemble des mesures discutées dans cette section s’appliquent à un réseau non-dirigé, car pour les liens entre les co-auteurs, soit des articles, la notion de direction de l’information n’existe pas.
1.3.1.1 Concept de grappe (« cluster »)
Le concept de grappe utilisé dans ce travail est un ensemble d’une ou plusieurs universités et des centres de recherche affiliés.
1.3.1.2 Concept de composante (« component »)
Dans un réseau non dirigé, un sous-groupe de sommets (les chercheurs pour notre étude) connectés ensembles forment une composante. Il n’existe pas de liens entre deux composantes d’un réseau, chacune existe comme une entité isolée. C’est donc une mesure de cohésion du réseau. Les singletons sont un type de composante de degré un.
1.3.1.3 Concept de centralité (« degree centrality »)
La centralité est une caractéristique individuelle liée à un chercheur (un sommet précis) et fait référence sa position dans le réseau (Wouter, Andrej & Vladimir, 2004). On mesure la centralité par le degré d’un sommet, soit le nombre de voisins directs. Plus le scientifique a de voisins, plus il est en contact avec des sources d’informations et plus l’information a des chances de se rendre rapidement, il est donc dit plus central.
1.3.1.4 Concept de centralisation (« centralization »)
La centralisation est une caractéristique globale du réseau. L’étendu d’un réseau aura évidemment une influence sur ses propriétés de diffusion (Schilling & Phelps, 2007) ainsi un réseau très centralisé en est un où la majorité des liens passent par un nombre restreints de sommets diminuant la distance entre les sommets et permettant un transfert d’information plus efficace. Ce concept permet d’évaluer la relation entre le centre du réseau et sa périphérie en termes de transfert d’information (Wouter et al., 2004). Il permet aussi de différencier les réseaux entre eux (Gulati & Gargiulo, 1999).
1.3.1.5 Degré de centralisation d’une composante (« component degree centralization »)
Le concept de degré de centralisation est adapté de la formule générale de Freeman (1979) pour la centralisation des graphes. Cette mesure nous permet de mesurer l’étendue ou la variabilité des mesures des individus (sommets) pour une composante en comparant chacune des mesures avec la valeur maximale atteinte. Le degré de centralisation calculé pour chacune des composantes est
donc la centralisation des composantes. Nous utilisons donc l’Équation 1.1 tirée de Wasserman & Faust (1994) :
* 1(
)
(
)
(
1)(
2 )
g i D D i Dn
n
g
g
C
C
C
Équation 1.1 Degré de centralisation d'une composante
Où g représente l’ensemble des sommes de la composante; ( )i
D n
C
représente le degré de centralité du sommet i;*
( ) D n
C
représente la plus grande valeur de la centralité de la composante;La valeur maximale de 1 représente la situation du graphe étoile où un sommet est connecté avec l’ensemble des autres. La valeur minimale de 0 signifie que tous les degrés des sommets sont égaux, soit celui du graphe circulaire.
1.3.1.6 Concept de centralité de relation d'intermédiaire (« betweenness centrality »)
La relation d’intermédiaire (« betweenness ») est une propriété structurelle d’un réseau et provient de la théorie des graphes. Le concept, défini par Freeman (1977), est applicable aux réseaux connectés ainsi qu’aux réseaux non connectés. Il est lié au contrôle du flux d’information dans le réseau et vient palier le problème observé par Moxley & Moxley (1974) quant au besoin d’avoir un réseau connecté pour obtenir des mesures de centralité significatives.
Cette mesure est basée sur la capacité d’un chercheur à « contrôler » le flux d’informations en fonction de sa position dans le réseau. C’est donc l’importance d’une personne pour la
transmission des informations dans un réseau. Un chercheur qui fait parti du plus grand nombre
de lignes géodésiques7 entre les paires de sommets a donc une position plus centrale. Comme suggéré par Bavelas (1947), cette position centrale permet d’influencer les communications qui
7
passent par cet individus. On peut ainsi parler du « potentiel » (Cohn & Marriott, 1958) de ces sommets centraux. De son côté, Goldfarb (2008) parle de chercheurs de catégorie « mid-level » et « high-ability » pour catégoriser l’importance des chercheurs dans le réseau. Schilling & Phelps (2007) utilisent cette mesure pour contrôler la possibilité qu’une firme occupant une position centrale générera plus d’innovations que celle qui est située en périphérie. On applique ce concept à la position des chercheurs où on s’attend à ce que les plus centraux publient plus.
1.3.1.7 Concept de relation d'intermédiaire de centralisation («betweenness centralization»)
Pour un réseau, c’est la variation de la relation d’intermédiaire de centralité des sommets divisé par les variations maximales des relations d’intermédiaire de centralité possibles d’un réseau de la même taille (Wouter et al., 2004). Un réseau considéré structurellement centralisé s’approche du modèle « étoile » de réseau tandis qu’un réseau décentralisé est un ensemble de canaux (« all- channel ») (Mackenzie, 1966). La Figure 1.2 présente les deux modèles de réseaux mentionnés précédemment.
1.3.1.8 Coefficient de groupement local (« local clustering coefficient »)
La mesure de coefficient de groupement local a été introduite par (Watts & Strogatz, 1998) sous la forme d’un coefficient qui quantifie à quel point les voisins d’un sommet peuvent constituer une clique (graphe complet). C’est une mesure de sommet représentant la fraction des liens possibles entre ses sommets voisins. Elle représente l’interconnexion du réseau et on peut parler de « cliquishness » ou « egocentric density ».
Les valeurs possibles de cette mesure varient entre 0 et 1. Une valeur de 0 représente un sommet où chacun de ses voisins ne sont pas liés entre eux (aucun lien entre les voisins). À l’autre extrême, une valeur de 1 représente un graphe complet, c'est-à-dire où tous ses voisins sont liés entre eux.
1.3.1.9 Coefficient de groupement global (« global clustering coefficient »)
Le coefficient de groupement global pour le réseau complet a été défini par (Watts & Strogatz, 1998) comme étant la moyenne des coefficients de groupement local pour l’ensemble des sommets.
1.3.1.10 Concept de « small world »
Cowan & Jonard (2004) étudient la relation entre la structure du réseau et la performance de la diffusion de la connaissance pour trouver que les systèmes dits « small world » sont les plus performants. Un système est dit « small world » lorsque la plupart des liens entre les sommets sont locaux. Une étude des « small world » permet de déterminer à quel point les relations entre les individus sont basées sur les individus communs mais aussi sur les individus intermédiaires (les individus intermédiaires font partis de la chaîne liant deux individus du réseau). Les échanges de connaissances sont plus élevés entre les sommets situés dans la région « small world ». Un lien pourra évidemment être établi entre les collaborations entre chercheurs et leur « performance » de publication.