des Biais Cognitifs Individuels aux Comportements Collectifs sur les Réseaux Sociaux en Ligne H/F CNRS

Depuis l'invention de l'imprimerie, l'influence des médias sur l'opinion publique a suscité des débats à chaque avancée technologique, devenant un champ de bataille pour les forces politiques et économiques qui cherchent à exercer leur contrôle. Les réseaux sociaux en ligne, désormais largement utilisés comme principaux canaux d'information et outils d'interaction, ne font pas exception. Ils se distinguent par la vitesse de communication sans précédent et le volume considérable de données échangées, créant ainsi une vaste arène publique avec des règles d'interaction virtuelle en constante évolution. Ces règles émergent d'une dynamique complexe, mêlant motivations individuelles, progrès technologiques rapides et contraintes économiques.

Cette proposition de thèse est liée au projet COBCOD ANR (2025-2029) et repose sur l'hypothèse que ce nouveau paysage façonne non seulement notre vision du monde, mais influence également la manière dont nous percevons et construisons nos identités sociales. Les algorithmes qui régissent l'exposition au contenu et suggèrent des connexions sociales jouent un rôle clé, fonctionnant souvent à huis clos en raison des droits de propriété industrielle. Les données disponibles suggèrent qu'ils amplifient les biais cognitifs tels que la négativité et le biais de confirmation, conduisant à des phénomènes collectifs tels que le mimétisme, la polarisation et les chambres d'écho. De plus, les modèles basés sur des agents indiquent que même sans filtrage algorithmique, le biais de confirmation peut à lui seul conduire à une polarisation des opinions.

À la lumière de ces résultats, l'une des hypothèses centrales de ce projet est que les effets globaux observés dans les réseaux sociaux en ligne sont en partie dus à des biais cognitifs bien connus. En raison des caractéristiques uniques des plateformes en ligne, telles que la vitesse de diffusion élevée, l'exposition sélective, les limitations de taille des messages et les biais algorithmiques potentiels, ces biais influencent considérablement la dynamique des interactions au sein du réseau, conduisant à des phénomènes qui ne sont pas observés hors ligne.
L'objectif principal du COBCOD est de mieux comprendre comment les biais cognitifs sont amplifiés et potentiellement modifiés par des interactions en ligne répétées. Plus précisément, nous cherchons à identifier les mécanismes à l'origine de l'émergence de modèles dynamiques propres aux environnements en ligne et à explorer comment ces dynamiques collectives influencent à leur tour les individus.

Notre deuxième objectif consiste à étudier des stratégies visant à atténuer ces effets et à les tester à l'aide de modèles et d'expériences. Nous explorerons deux approches : examiner le comportement des utilisateurs lorsqu'ils sont informés des biais cognitifs et de leurs effets, et évaluer l'impact des modifications apportées à l'interface utilisateur lors des interactions en ligne.
Le projet adoptera une approche multidisciplinaire pour atteindre ces objectifs, qui comprend la modélisation individuelle, des simulations informatiques complexes utilisant à la fois des modèles standard et des modèles génératifs basés sur des agents (ABM et G-ABM) pour étudier les effets des agents biaisés dans les réseaux en ligne, l'analyse théorique des phénomènes émergents, l'analyse à grande échelle des données des réseaux sociaux, des expériences en ligne avec des utilisateurs volontaires et des expériences en laboratoire entièrement contrôlées.
Le programme s'articule autour de la synergie d'équipe, où des expériences à l'échelle individuelle alimentent des modèles théoriques d'agents en interaction, dont les propriétés sont validées par ces expériences. La dynamique qui en résulte sera comparée à des observations phénoménologiques, et l'approche inverse sera également explorée afin d'identifier d'éventuelles boucles de rétroaction.
Le poste de doctorat sera axé sur l'exploration de données et la modélisation : reconstruction de la dynamique réelle des opinions à partir de données empiriques à grande échelle et modélisation de la dynamique des opinions calibrée sur ces reconstructions.
Plus précisément, le doctorat sera axé sur les axes de recherche suivants :
- Comment développer des espaces métriques pour mesurer les opinions individuelles et leur évolution, reconstruire la dynamique mondiale des opinions à partir de données Twitter à grande échelle et identifier les changements au sein des groupes sociaux ainsi que leurs causes potentielles. Cette recherche s'appuiera sur des ensembles de données Twitter longitudinales déjà capturées par CYU et CNRS/ISC-PIF, partenaires du projet, couvrant la politique américaine et française (depuis 2016), les débats sur le changement climatique (depuis 2016) et la pandémie de COVID-19 (depuis 2020). Avec plus de six ans de données et jusqu'à un demi-milliard de tweets par ensemble de données, elle offre une occasion unique de suivre l'évolution des opinions au sein de grands groupes sociaux lors de crises majeures (par exemple, les gilets jaunes, le climat, les pandémies).
- Comment développer des méthodes permettant de dériver des échelles et des valeurs numériques à partir de messages textuels et d'autres interactions (retweets, likes, etc.), spécifiquement pour chaque biais : valence émotionnelle pour le biais de négativité, extrême des opinions (entre extrêmement favorable et extrêmement défavorable) pour le biais de confirmation , sentiments envers les autres pour le biais intra-groupe.
- Comment produire des indicateurs et des visualisations pour qualifier quantitativement et
qualitativement ces dynamiques.
Dans l'ensemble, le doctorat abordera la question de l'identification des causes des changements d'opinion à grande échelle à partir de méthodes quantitatives et qualitatives.

Contexte de travail
Le/la doctorant.e mènera sa thèse sous la direction de David Chavalarias (HDR) et travaillera à l'ISC-PIF au sein de l'équipe de sciences sociales computationnelles, en collaboration avec les autres partenaires du projet COBCOD. Le lieux de travail sera situé à l'Institut des Systèmes Complexes de Paris Île-de-France, 113 rue Nationale 75013. Il sera inscrit à l'Ecole Doctorale de l'EHESS «Sciences de la Société»

L'Institut des Systèmes Complexes de Paris Île-de-France (ISC-PIF, http://iscpif.fr) est une Unité d'Appui à la Recherche du CNRS comportant une vingtaine de personnes (titulaires et contractuels). Conjuguant les efforts de 12 EPST franciliens autour de recherches interdisciplinaires sur les systèmes complexes, l'ISC-PIF fonctionne comme un centre de ressources mutualisées et un hôtel à projets. Il donne accès à des moyens, hors d'atteinte dans le cadre des approches disciplinaires classiques, par la mutualisation de compétences et de ressources (bases de données, moyens de calcul, plateformes partagées, algorithmes, etc). Les plates-formes technologiques de l'ISC-PIF sont au coeur de plusieurs communautés d'utilisateurs internationales et dynamiques.

L'ISC-PIF héberge de nombreux services mutualisés dans le domaine de l'analyse de données (en particulier concernant l'analyse de grands corpus textuels) et le calcul haute performance. Ces services sont accessibles à distance depuis des interfaces ad hoc; ils utilisent et génèrent des masses de données importantes. Le/la doctorant.e travaillera notamment sur les bases de données des plateformes Politoscope et Climatoscope.