succ`es ou de l’´echec d’une innovation, ainsi que des variables d´ecisionnelles de l’institu-tion. Or, l’´etude des mod`eles existants, computationnels ou non, r´ev`ele une simplifica-tion importante de ces processus. La communicasimplifica-tion est souvent consid´er´ee comme un processus ´epid´emique, dans lequel la recherche d’information est n´eglig´ee. Les mod`eles orient´es agents simplifient g´en´eralement les croyances sous forme de quelques variables, qui peuvent difficilement ˆetre rattach´ees aux croyances complexes, subjectives, ob-serv´ees sur le terrain. Cette simplification sur un point estim´e aussi important dans le ph´enom`ene r´eel nous a conduits `a d´ecrire de fa¸con plus r´ealiste les croyances et leur communication dans la diffusion d’innovations.
Cette probl´ematique soul`eve de nombreuses questions auxquelles nous chercherons `a r´epondre dans cette th`ese. Comment repr´esenter les croyances de fa¸con plus r´ealiste, tout en conservant un mod`ele lisible et param´etrable ? Comment les manipuler, et com-ment d´ecrire leur communication par bouche `a oreille ? Quels outils doit-on d´evelopper pour collecter ces croyances sur le terrain, de fa¸con `a param´etrer et valider un tel mod`ele ? Comment observer une dynamique d’information quand cette information est repr´esent´ee avec un niveau de d´etail ´elev´e ? Avant toute chose, une description plus r´ealiste des croyances et de la communication permet-elle d’´elargir le champ des ph´enom`enes descriptibles ? Permet-elle de mieux reproduire les observations de ter-rain ? Peut-elle nous aider `a g´en´erer de la connaissance pour la diffusion d’innovations et le marketing ?
1.4 Plan du m´ emoire
Dans le chapitre 2, nous revenons sur le processus de mod´elisation, et r´esumons les r`egles m´ethodologiques identifi´ees en simulation orient´ee agents. Notre travail de mod´elisation s’appuiera non seulement sur les observations de diffusion d’innovation, mais aussi d’autres domaines comme la psychologie sociale ou le marketing. Les faits stylis´es que nous nous attacherons `a reproduire sont identifi´es dans ces domaines au chapitre 3. Le chapitre 4 dresse une analyse des apports et limites des mod`eles existants. Les chapitres 5 et 6 d´ecrivent respectivement la repr´esentation des croyances et le mod`ele de communication adapt´e. Nous verrons qu’une repr´esentation des croyances sous forme de r´eseau associatif permet de d´ecrire des ph´enom`enes au niveau individuel, tels que la compr´ehension ou la l’incompr´ehension, la recherche motiv´ee d’information, ainsi que certaines des heuristiques utilis´ees par les adoptants pour ´evaluer une innovation. Nous testerons
´egalement une m´ethodologie d’entretien permettant de collecter des croyances r´eelles chez des adoptants. Le mod`ele de communication d´ecrit la communication motiv´ee de croyances sur des objets sociaux. Le chapitre 7 propose les principaux r´esultats d’exp´erimentation. La recherche active d’information se r´ev`elera jouer un rˆole tr`es diff´erent de l’´emission proactive, remettant en question la plausibilit´e de l’approche
´epid´emique de l’information. Nous constaterons que le mod`ele permet de d´ecrire l’´echec d’une diffusion par manque de compr´ehension, le marketing ´ev`enementiel ou la
diffusion d’innovations li´ees. Ces exp´erimentations nous m`eneront `a questionner quelques ´el´ements de l’´etat de l’art, comme les promesses du marketing viral, ou la segmentation des adoptants par leur innovativit´e propos´ee par Rogers.
Notre mod`ele se r´ev`elera tr`es sensible au “r´eseau social” utilis´e pour d´ecrire les in-teractions au sein de la population. Un constat similaire est d’ailleurs dress´e pour la plupart des simulations individu-centr´ees. Faute d’une structure descriptive des interac-tions dans de grandes populainterac-tions, l’espoir de d´evelopper un jour un mod`ele descriptif ou pr´edicif de dynamiques sociales `a grande ´echelle semble vain. Dans le chapitre 8, nous reprendrons cette probl´ematique `a ses racines, en traitant la g´en´eration de r´eseaux d’interaction comme un probl`eme de mod´elisation. Nous montrerons qu’il existe un grand nombre de donn´ees sur les interactions au sein d’une population, dis-ponibles sous forme de statistiques ´eparses et d’observations qualitatives. Nous envi-sagerons une formalisation de ces diverses donn´ees sous la forme unique de r´eseaux Bay´esiens, et proposerons un g´en´erateur de r´eseaux inspir´e des processus de formation des liens sociaux. Nous illustrerons le fonctionnement de ce g´en´erateur en d´ecrivant la structure d’interactions dans le Kenya rural, telle qu’elle est d´ecrite par les ´etudes de terrain sur la pilule contraceptive. Dans le r´eseau g´en´er´e, chaque agent est posi-tionn´e dans son environnement familial, professionnel et g´eographique en fonction de ses caract´eristiques socio-d´emographiques.
Comme nous le discuterons dans le chapitre 9, une repr´esentation des croyances plus d´etaill´ee ´elargit le spectre des ph´enom`enes descriptibles. Elle permet de mieux tenir compte des strat´egies mises en oeuvre par l’institution pour promouvoir son inno-vation. Elle d´ecrit l’alt´eration de la dynamique de diffusion due `a l’incompr´ehension, `a l’existence de croyances pr´ealables ou `a la nature priv´ee d’une innovation. Le protocole de collecte de donn´ees, associ´e au g´en´erateur de r´eseaux d’interactions, permet de limi-ter la distance entre mod`ele et limi-terrain. Le processus de mod´elisation nous a permis de g´en´erer de la connaissance pour la diffusion d’innovations et le marketing, tandis que le g´en´erateur de r´eseaux d’interactions pourrait int´eresser le domaine de la simulation orient´ee agents. Nous ne pouvions toutefois pr´etendre, en trois ans de recherches, fina-liser un mod`ele impliquant de nombreux facteurs individuels et humains ; ce premier pas n´ecessite maintenant un travail pluridisciplinaire de terrain, dans le double objectif de confirmer certaines composantes du mod`ele et de rapporter le mod`ele `a des cas de diffusion r´eels.
Chapitre 2
Mod´ elisation de dynamiques sociales
We all know that Art is not truth.
Art is a lie that makes us realize truth, at least the truth that is given us to understand.
Pablo Picasso
2.1 Mod´ eliser
2.1.1 Qu’est-ce qu’un mod`ele ?
Un mod`ele est une simplification du monde r´ealis´ee dans un objectif pr´ecis. Avant d’ˆetre un domaine scientifique, la mod´elisation est un processus que chacun utilise quo-tidiennement. Nos d´ecisions et actions reposent, non sur le monde r´eel, mais sur des mod`eles mentaux de ce monde bas´ees sur notre compr´ehension de notre environne-ment (voir par exemple [Johnson-Laird, 1980, Johnson-Laird et al., 1996]). En plani-fiant votre itin´eraire en voiture, vous utilisez un mod`ele mental qui rassemble le plan de la ville, les sens de circulation des rues, l’existence des travaux temporaires et la charge habituelle de chaque route. Ces mod`eles mentaux sont individuels, approxima-tifs et inconscients. Ils sont tr`es puissants pour permettre `a un individu de r´esoudre ses probl`eme quotidiens, mais ne conduisent pas `a des connaissances objectives v´erifiables sur le monde.
Le processus de mod´elisation dans la recherche est repr´esentatif de la d´emarche scien-tifique. Il s’agit de ramener toute connaissance `a l’explicite, en utilisant (et/ou en abou-tissant `a) un mod`ele explicite d’un syst`eme ou ph´enom`ene r´eel. Marvin Minky d´efinit ainsi un mod`ele :“To an observer B, an object A* is a model of an object A to the extent that B can use A* to answer questions that interest him about A” [Minsky, 1965]. Un mod`ele est donc une abstraction qui permet de r´epondre `a des questions sur l’objet r´eel.
Cet objet peut ˆetre un processus (la perception d’informations), un syst`eme (syst`eme 11
social ou m´ecanique) ou un ph´enom`ene (s´egr´egation urbaine). Lorsque l’on construit cette abstraction A*, il faut d´efinir lafronti`ere du mod`ele de fa¸con `a d´etailler suffisam-ment A* pour r´epondre aux questions pos´ees sur A, tout en ´evitant une description trop d´etaill´ee qui limiterait la manipulation du mod`ele et irait finalement `a l’encontre de l’objectif du mod´elisateur (voir 2.4.5). Le mod`ele demeurant une construction r´ealis´ee dans un objectif pr´ecis, il existe potentiellement une infinit´e de mod`eles A* d’un mˆeme ph´enom`ene A. Par exemple, pour pr´edire le d´eplacement d’un objet sur un r´ef´erentiel terrestre, la m´ecanique Newtonnienne est pertinente ; par contre, l’astrophysique repose sur la th´eorie de la relativit´e. La lumi`ere est ´etudi´ee comme particule ou comme onde, deux constructions qui permettent de d´ecrire son comportement dans des conditions pr´ecises. Tout comme le dit Pablo Picasso `a propos de l’Art, un mod`ele n’est pas la r´ealit´e ; il est juste une construction qui nous permet de comprendre la r´ealit´e, ou plutˆot la r´ealit´e qu’il nous est offert de comprendre.
Les mod`elesdescriptifs, explicatifs et pr´edictifs [Edmonds, 2005b, Bulle, 2005]
diff`erent par le but du mod´elisateur et la question pos´ee au mod`ele. Un mod`ele des-criptif vise `a d´ecrire et parfois reproduire le ph´enom`ene observ´e. La question pos´ee est
“Comment ?”. Dans le cas de la diffusion d’innovations, n’importe quel mod`ele apte `a reproduire une courbe en “S” d´ecritcommentune innovation est adopt´ee dans le temps.
Unmod`ele explicatif cherche `a comprendrepourquoi ce ph´enom`ene se produit ainsi, en d´egageant desfacteurs explicatifs. Un mod`ele qui tient compte des interactions sociales faisant ´emerger la courbe en “S” est potentiellement explicatif. Un mod`ele explicatif est n´ecessairement, dans une certaine mesure, descriptif ; s’il s’av´erait incapable de d´ecrire le r´esultat du processus, il ne pourrait ˆetre dit explicatif de ce processus.
Un mod`ele suffisamment descriptif peut potentiellement devenir pr´edictif. Il devient alors apte `a pr´edire le comportement du syst`eme dans un cas donn´e, r´epondant `a la question “Quel sera... ?”. S’il inclut les variables d´ecisionnelles, il peut devenir un outil d’aide `a la d´ecision. En diffusion d’innovations, les variables d´ecisionnelles comprennent les param`etres de l’innovation elle-mˆeme, ainsi que les efforts de communication de l’institution. Un mod`ele normatif donne des indications sur la meilleure fa¸con d’agir (“Comment faire pour que... ?”). Un mod`ele normatif n’est pas n´ecessairement pr´edictif ou descriptif ; il peut simplement reproduire certains aspects qualitatifs du ph´enom`ene r´eel [Mahajanet al., 2000]. En diffusion d’innovations, un mod`ele normatif expliquera comment mieux faciliter la diffusion d’une innovation. Parmi les mod`eles normatifs qui se sont r´ev´el´es utiles pour la collectivit´e, on compte les mod`eles ´epid´emiologiques ou encore les mod`eles de trafic [Axtell, 2006].
Notons que l’observateur B qui utlise le mod`ele A* n’est pas n´ecessairement le mod´elisateur. On peut d´efinir une notion de “client” du mod`ele [Ferrand, 2006]
[Haradjiet al., 2004]. Le mod`ele doit ˆetre adapt´e `a ce “client final”, notamment en terme de lisibilit´e et de manipulabilit´e. Utilis´e pour la pr´ediction ou pour ´emettre des recommandations, le mod`ele s’adresse davantage `a des d´ecideurs. Quand l’objectif est de d´ecrire ou expliquer le ph´enom`ene, le client est g´en´eralement le mod´elisateur lui-mˆeme, et au del`a la communaut´e scientifique.
2.1. MOD ´ELISER 13 2.1.2 Le mod`ele, outil de communication et support du
raisonnement
Un mod`ele, en tant qu’abstraction d’un ph´enom`ene r´eel, est d´ecrit dans un forma-lisme (langage, ou symboforma-lisme [Ostrom, 1988]) donn´e. Un mod`ele descriptif ou expli-catif constitue au d´epart un outil du mod´elisateur pour satisfaire un but. S’il s’av`ere descriptif, explicatif ou pr´edictif, il devient un ´el´ement de connaissance, une conclusion justifi´ee sur le monde ; il fait donc partie int´egrante des connaissances g´en´er´ees par la re-cherche, et se doit d’ˆetre transmissible au reste de l’humanit´e (ou de fa¸con plus r´ealiste, aux chercheurs de diverses communaut´es de recherche). Cette communication est in-dispensable `a la mise `a l’´epreuve du mod`ele par d’autres chercheurs, notamment par la r´eplication des exp´eriences. Mais si le langage de formalisation permet de transmettre le mod`ele, il induit ´egalement des contraintes sur ce que l’on peut repr´esenter. Plus un langage est contraint, plus il est facile `a transmettre, mais plus il limite le pouvoir de repr´esentation. On trouve `a la fois des formalismes en langage naturel, math´ematique, et plus r´ecemment sous forme algorithmique (2.1.3).
Un mod`ele discursif est d´ecrit en langue naturelle. Le champ des repr´esentables est donc tr`es vaste ; c’est pourquoi les mod`eles en sciences humaines (philosophie, psy-chologie, sociologie, etc) sont g´en´eralement d´ecrits de cette fa¸con. Le langage naturel permet d’exprimer des ph´enom`enes trop mal connus ou trop complexes pour ˆetre d´ecrits actuellement de fa¸con plus formelle ; il permet de transmettre les observations qualita-tives et les facteurs explicatifs du ph´enom`ene. Les observations d’Edwards Rogers sur la diffusion d’innovations, pr´esent´ees en chapitre 3, constituent un mod`ele discursif de ce ph´enom`ene.
L’un des d´efauts du langage naturel est le champ laiss´e `a l’interpr´etation [Eco, 1994] ; il n´ecessite un volume de texte important pour limiter ces interpr´etations. La tra-duction d’un mod`ele discursif d´enature souvent son contenu. Les travaux en sciences humaines sont notamment cit´es et ´etudi´es dans leur langue originale, seule capable de v´ehiculer pleinement les subtilit´es transmises par le mod´elisateur. Les mod`eles discur-sifs sont donc assez difficilement transmissibles, mais contraignent tr`es peu le champ des repr´esentables. Notons que mˆeme les domaines scientifiques qui utilisent tradi-tionnellement des formalisations math´ematiques, comme la physique, accompagnent ce symbolisme d’explications discursives (la th´eorie des cordes est un parfait exemple de mod`ele difficile `a communiquer, qui joint les deux types de formalisation).
L’extrˆeme oppos´e est bien sˆur la mod´elisation math´ematique. Ce symbolisme rigou-reux permet d’´echanger et de r´efl´echir sur un mod`ele ind´ependamment des langues locales, des domaines de recherche, et ne laisse que peu de place `a l’interpr´etation. Par ailleurs, le langage math´ematique d´epasse le strict champ de la description et se pose en support du raisonnement. Il permet d’inf´erer de nouvelles connaissances en r´eutilisant les outils et connaissances d´ej`a formalis´es et prouv´es. Il permet ´egalement de mettre
`
a l’´epreuve la v´eracit´e du mod`ele en testant sa compatibilit´e avec les connaissances pr´e-existantes. Par exemple, la th´eorie de la relativit´e g´en´erale d’Einstein devait ˆetre compatible avec la m´ecanique de Newton, qui faisait partie des observations valid´ees
[Hoffmann, 1985]. Toutefois, l’int´erˆet r´ecent pour les syst`emes complexes a mis en relief d’autres limites des math´ematiques (voir 2.1.3).
Un mod`ele ´etant un moyen d´evelopp´e pour atteindre une fin, il joue plus ou moins ex-plicitement le rˆole desupport du raisonnement. Une fois les intuitions (qu’on les nomme hypoth`eses ou th´eories) du mod´elisateur traduites dans un formalisme quelconque, celles-ci peuvent ˆetre test´ees et mises `a l’´epreuve. Toutefois, si le mod`ele est `a la base un outil qui aide le mod´elisateur, on doit souligner ´egalement le risque d’ali´enation du mod´elisateur `a son mod`ele. Geroski ´ecrira : “Nous utilisons des mod`eles pour nous aider
`
a ´eclairer des ph´enom`enes que nous trouvons difficiles `a comprendre, ou pour r´esoudre des probl`emes qui sont trop difficiles `a d´emˆeler. Ces b´en´efices proviennent du fait que les mod`eles simplifient la r´ealit´e, et la rendent suffisamment accessible pour nos capacit´es limit´ees de compr´ehension. Ces b´en´efices, toutefois, impliquent des coˆuts. Les mod`eles deviennent facilement des prisons. Ils peuvent limiter s´erieusement la fa¸con dont nous pensons les choses, limitant ainsi l’´eventail des actions que nous pourrons choisir quand nous avons termin´e notre analyse.” [Geroski, 2000]. Un mod`ele, une fois accept´e par une communaut´e scientifique, devient un ´el´ement de r´ef´erence autour duquel se pola-risent les recherches. L’esprit, entraˆın´e et orient´e par ces th´eories, ne parvient plus `a observer d’un oeil neuf l’objet d’´etude. Un mod`ele, en tant que connaissance partag´ee, peut devenir ce que Bachelard appelait un obstacle ´epist´emologique [Bachelard, 1938].
Comme nous le verrons plus loin (chapitre 4), cette inertie peut effectivement limiter les voies de recherche explor´ees pour d´ecrire ou expliquer un ph´enom`ene.
2.1.3 Syst`emes complexes et mod`eles computationnels
On d´efinit comme syst`eme complexe, un ensemble d’entit´es en interaction (un syst`eme) qui comme un tout exhibe une ou plusieurs propri´et´es qui n’´etaient pas attendues sachant les interactions locales. Un syst`eme complexe n’est pas n´ecessairement compliqu´e, au sens o`u les r`egles qui font apparaˆıtre un ph´enom`ene complexe peuvent ˆetre extrˆemement simples. On qualifie d’´emergence cette apparition de ph´enom`enes collectifs complexes issus de r`egles simples [Gilbert, 1995].
Lesautomates cellulaires constituent une excellente illustration de l’´emergence. Pre-nons une grille de taille arbitraire. Chaque cellule de cette grille peut prendre deux ´etats (ou plus). La cellule change d’´etat en fonction de l’´etat de ses voisines. La dynamique
´emergeant de ces r`egles triviales peut faire apparaˆıtre des comportements extrˆemement complexes, notamment des structures qui se d´eplacent dans l’espace de la grille et se maintiennent dans le temps, qui peuvent don ˆetre assimil´ees `a une vie artificielle [Langton, 1995, Rennard, 2002].
Comme le d´emontre Stephen Wolfram dans “A new kind of Science”
[Wolfram, 2002], les math´ematiques ne peuvent capturer ce type de dynamique complexe, pourtant issue de r`egles extrˆemement simples ; ´etant donn´e l’´etat du syst`eme `a temps t0, on ne peut pas calculer l’´etat du syst`eme `a un temps tx. Il n’existe pas d’heuristique, de formule simple pour ´etudier l’´evolution du syst`eme dans
2.1. MOD ´ELISER 15 le temps. En d’autres termes, le syst`eme n’est plus r´eductible `a la somme de ses parties. Pour connaitre l’´etat du syst`eme `a un temps tx, il faut n´ecessairement calculer toutes les ´etapes interm´ediaires t1, t2...tx−1. Les mod`eles m´et´eorologiques constituent un bon exemple de cette simulation incr´ementale de l’´evolution du syst`eme dans le temps. Les math´ematiques restent n´eanmoins pr´ecieuses pour d´efinir le calcul d’un temps t `a t+ 1 (par exemple, par des ´equations diff´erentielles) ou pour d´ecrire le ph´enom`ene ´emergent - sans toutefois permettre de l’expliquer.
Lorsque l’on d´ecrit un syst`eme complexe, et notamment des ph´enom`enes sociaux, on est souvent amen´e `a utiliser des variables al´eatoires. On utilise le hasard pour re-connaˆıtre, dans le mod`ele, notre manque de connaissance sur le ph´enom`ene ou notre volont´e de ne pas compliquer le mod`ele. Dans le cas de l’ˆetre humain, il est rare que l’on puisse affirmer qu’un individu donn´e r´eagisse d’une fa¸con d´etermin´ee face `a un stimulus.
Au mieux, on peut d´efinir une loi de probabilit´e qui exprime la vraisemblance plus ou moins importante des comportements de l’individu. Un mod`ele qui utilise des variables al´eatoires est unmod`ele stochastique, qui s’oppose auxmod`eles d´eterministes. Les outils
Au mieux, on peut d´efinir une loi de probabilit´e qui exprime la vraisemblance plus ou moins importante des comportements de l’individu. Un mod`ele qui utilise des variables al´eatoires est unmod`ele stochastique, qui s’oppose auxmod`eles d´eterministes. Les outils