Publicités

Aller à l’essentiel : du fonctionnement des réseaux et la propagation

Aller à l’essentiel : du fonctionnement des réseaux et la propagation

Si vous avez passé du temps à réfléchir à des systèmes complexes, vous comprenez sûrement l’importance des réseaux.
Les réseaux régissent notre monde. Des voies de réaction chimique à l’intérieur d’une cellule, au réseau de relations dans un écosystème, aux réseaux commerciaux et politiques qui façonnent le cours de l’histoire.

Ou considérez cet article que vous êtes en train de lire. Vous l’avez probablement trouvé sur un réseau social, téléchargé à partir d’un réseau informatique et êtes en train de le déchiffrer avec votre réseau neuronal.

Mais bien que Kevin Simler de MeltingAsphalt ait pensé aux réseaux au fil des ans, il nous parle de l’importance de la simple diffusion : voici donc la façon dont les choses bougent et se répandent, de façon quelque peu chaotique, à travers un réseau.

Quelques exemples  :

  • Maladies infectieuses sautant d’un hôte à l’autre au sein d’une population
  • Les mèmes se répandent sur les médias sociaux
  • Un incendie de forêt s’est déclaré à travers un paysage
  • Diffusion des idées et des pratiques à travers une culture
  • Les neutrons en cascade à travers un morceau d’uranium enrichi

Son essai que je partage ici est interactif. Il y a des curseurs à tirer, des boutons à cliquer, et des choses qui danseront sur l’écran.

Un modèle simple

Tout le monde connaît les bases d’un réseau, c’est-à-dire les noeuds + les bords – nodes + edges.
Pour étudier la diffusion, il suffit d’ajouter un label à certains nœuds les déclarants actifs. Ou, comme les épidémiologistes aiment à le dire, infecté.

Cette activation ou infection est ce qui va se diffuser sur le réseau. Il se propage d’un nœud à l’autre selon les règles qui vont suivre ci-dessous.
Maintenant, les réseaux du monde réel sont généralement beaucoup plus grands que ce simple réseau à 7 nœuds. Ils sont aussi beaucoup plus désordonnés. Mais pour simplifier – nous construisons ici un modèle de jouet – nous allons examiner les réseaux en grille ou en treillis.
(Une grille manque de réalisme, mais elle est facile à dessiner)
Sauf indication contraire, les nœuds de la grille auront 4 voisins, comme ça :

Et nous devrions imaginer que ces grilles s’étendent à l’infini dans toutes les directions. En d’autres termes, nous ne nous intéressons pas aux comportements qui ne se produisent qu’en périphérie du réseau, ou à la suite de petites populations.
Étant donné que les réseaux de grille sont si réguliers, nous pouvons les simplifier en les dessinant sous forme de grilles de pixels. Ces deux images représentent le même réseau, par exemple :

D’accord, soyons interactifs.
Le réseau ci-dessous a des commandes de lecture en bas (mais j’ai fait des captures) :

Dans cette simulation, un nœud actif transmet toujours son infection à ses voisins (non infectés).
Mais c’est ennuyeux. Des choses beaucoup plus intéressantes se produisent lorsque la transmission est probabiliste.

SIR vs. SIS

Dans la simulation ci-dessous, vous pouvez faire varier la vitesse de transmission à l’aide du curseur en bas (captures) :

C’est ce qu’on appelle un modèle SIR. Les initiales représentent les trois différents états dans lesquels un nœud peut se trouver :

  • Sensible (fond gris)
  • Infecté (carré bleu)
  • Éliminé / retiré(carré gris foncé)

Voici comment ça marche :

  1. Les nœuds commencent comme sensibles, à l’exception de quelques nœuds (comme le nœud central ci-dessus) qui commencent comme infectés.
  2. A chaque étapes dans le temps, les nœuds infectés ont une chance de transmettre l’infection à chacun de leurs voisins sensibles, avec une probabilité égale au taux de transmission (j’ai pris 50%, 80%, puis 20%).
  3. Les « ganglions » infectés passent ensuite à l’état Éliminé, indiquant qu’ils ne sont plus capables d’infecter les autres ou d’être à nouveau infectés eux-mêmes.

Dans le contexte d’une maladie, « Éliminé » peut signifier que la personne est décédée ou qu’elle a développé une immunité contre l’agent pathogène. Quoi qu’il en soit, nous disons qu’ils sont « retirés » de la simulation parce que rien ne leur arrivera plus jamais.
Maintenant, selon ce que nous essayons de simuler, nous pourrions avoir besoin de quelque chose d’autre qu’un modèle SIR.
Si nous simulons la propagation de la rougeole ou une épidémie d’incendie de forêt, le modèle SIR est parfait. Mais supposons que nous simulions l’adoption d’une nouvelle pratique culturelle, par exemple, la méditation. Au début, un nœud (personne) est Susceptible, parce qu’il ne l’a jamais fait auparavant. Ensuite, s’ils commencent à méditer (peut-être après en avoir entendu parler par un ami), nous les modéliserions comme des personnes infectées. Mais s’ils cessent de pratiquer, ils ne meurent pas ou n’abandonnent pas la simulation, car ils pourraient facilement reprendre l’habitude à l’avenir. Ils reviennent donc à l’état Susceptible.
Il s’agit d’une simulation SIS – qui (vous l’avez deviné) signifie Susceptible-Infecté-Susceptible. Voici à quoi ça ressemble sur une grille :

Discussion

Comme vous pouvez le voir, cela se passe très différemment du modèle SIR.
Comme les nœuds ne s’épuisent jamais (éliminés), même une grille très petite et finie peut supporter une infection SIS pendant une longue période. L’infection saute simplement d’un nœud à l’autre et finit par réapparaître.
Malgré leurs différences, le SIR et le SIS s’avèrent étonnamment interchangeables pour nos objectifs actuels (à savoir : développer l’intuition). Nous allons donc nous ancrer sur SIS pour le reste de cet essai – principalement parce qu’il fonctionne plus longtemps et est donc plus amusant.

Critique en cours

Maintenant, en jouant avec les simulations ci-dessus – SIR et SIS – vous avez peut-être remarqué quelque chose au sujet de la longévité de l’infection.
À des taux de transmission très faibles, comme 10 % (2ème expérience), l’infection a tendance à disparaître. Alors qu’à des valeurs plus élevées, comme 50%, l’infection reste active et s’empare de la majeure partie du réseau. Si le réseau était infini, nous pourrions l’imaginer continuer et qu’il s’étende vers l’extérieur pour toujours.
Cette diffusion illimitée a de nombreux noms : « devenir viral » ou « devenir nucléaire » ou devenir critique.
Il s’avère qu’il y a un point de basculement précis qui sépare les réseaux sous-critiques (ceux destinés à disparaître) des réseaux supercritiques (ceux qui sont capables d’une croissance sans fin). Ce point de basculement s’appelle le seuil critique, et c’est une caractéristique assez générale des processus de diffusion sur les réseaux habituels.
La valeur exacte du seuil critique diffère d’un réseau à l’autre. Ce qui est commun, c’est l’existence d’une telle valeur.
Voici un réseau SIS avec lequel jouer. Pouvez-vous trouver son seuil critique ?

Discussion

D’après mes tests, la valeur critique semble se situer entre 22 et 23 %.

À 22% (et moins), l’infection finit par disparaître. À 23% (et plus), l’infection initiale s’éteint parfois, mais dans la plupart des cas, elle réussit à survivre et à se propager assez longtemps pour survivre à jamais.
(Soit dit en passant, il y a une industrie artisanale universitaire qui se consacre à trouver ces seuils critiques pour différentes topologies de réseau. Pour un avant-goût, je vous recommande de faire défiler rapidement la page Wikipedia en anglais pour le seuil de percolation, ou Matièreevolution en français).

En général, voici comment cela fonctionne : En dessous du seuil critique, toute infection finie sur le réseau est garantie (avec une probabilité de 1) de disparaître à terme. Mais au-delà du seuil critique, il est possible (p > 0) que l’infection se prolonge indéfiniment et, ce faisant, s’étende arbitrairement loin du site initial.
Notez, cependant, qu’une infection sur un réseau supercritique n’est pas garantie pour durer éternellement. En fait, l’infection s’estompe fréquemment, surtout dans les toutes premières étapes de la simulation.
Pour le voir, supposons que l’on commence avec un seul nœud infecté et ses 4 voisins. Lors de la première étape de la simulation, l’infection a 5 chances indépendantes de se propager (y compris la chance de se « propager » à elle-même lors de l’étape suivante) :

Supposons maintenant que le taux de transmission soit de 50 %. Dans ce cas, la première étape de la simulation consiste à faire 5 tours de pièces. Et s’ils ont tous des queues, l’infection s’éteindra. Cela se produit environ 3 % du temps – et ce n’est que la première étape. Une infection qui survit à la première étape aura alors une certaine probabilité (généralement plus faible) d’extinction à la deuxième étape, et une certaine probabilité (encore plus faible) de mourir à la troisième étape, etc.
Ainsi, même lorsque le réseau est supercritique – même si le taux de transmission est de 99 % – il y a un risque que l’infection s’estompe.
Mais l’important, c’est qu’il ne s’éteint pas toujours. Si l’on additionne les probabilités d’éclatement vers l’infini, le résultat est inférieur à 1, c’est-à-dire qu’avec une probabilité non nulle, l’infection se poursuit indéfiniment. C’est ce que cela signifie pour un réseau d’être supercritique.

SISa : activation spontanée

Jusqu’à présent, toutes nos simulations ont commencé avec un petit lot de nœuds préinfectés au centre.
Mais que se passerait-il si nous décidions de commencer avec rien ? Ensuite, nous aurions besoin de modéliser l’activation spontanée – le processus par lequel un nœud sensible devient infecté de façon aléatoire (sans attraper l’infection d’un de ses voisins).
C’est ce qu’on a appelé le modèle SISa. Le « a » signifie « automatique ».
Ci-dessous vous pouvez jouer avec une simulation SISa. Il y a un nouveau paramètre, le taux d’activation spontanée, qui change la fréquence à laquelle une infection spontanée se produit. (Le paramètre de vitesse de transmission, que nous avons vu plus haut, est également présent.)
Que faut-il pour que l’infection se propage dans tout le réseau ?

Discussion

Comme vous l’avez peut-être remarqué, l’augmentation du taux d’activation spontanée ne change pas le fait que l’infection envahisse ou non le réseau. Dans cette simulation, seule la vitesse de transmission détermine si le réseau est sous-critique ou supercritique. Et lorsque le réseau est sous-critique (taux de trans. ≤ 22%), aucune infection ne peut s’attraper et se propager, quelle que soit sa fréquence.
C’est comme essayer d’allumer un feu dans un champ humide. Vous pourriez avoir quelques feuilles sèches à attraper, mais la flamme s’éteindra rapidement parce que le reste du paysage n’est pas assez inflammable (sous-critique). Alors que dans un champ très sec (supercritique), une seule étincelle peut suffire pour déclencher un incendie de forêt.
Nous pouvons voir des choses similaires se produire dans le paysage pour les idées et les inventions. Souvent, le monde n’est pas prêt pour une idée, auquel cas on peut l’inventer encore et encore sans qu’elle ne soit saisie. A l’autre extrême, le monde peut être totalement prêt pour une invention (beaucoup de demande latente), et donc dès sa naissance, elle est adoptée par tous. Entre les deux, il y a des idées qui sont inventées à de multiples endroits et qui se répandent localement, mais pas assez pour qu’une version individuelle de l’idée s’empare de tout le réseau en une seule fois. Dans cette dernière catégorie, on trouve par exemple l’agriculture et l’écriture, qui ont été inventées ~10 et ~3 fois respectivement.

Immunité

Supposons que nous rendions certains nœuds complètement résistants ou « immunisés » contre l’activation. C’est comme les mettre dans l’état Supprimé/éliminé, puis exécuter SIS(a) sur les nœuds restants.
Vous pouvez jouer avec ci-dessous. Le curseur « Immunité » contrôle le pourcentage de nœuds qui sont supprimés. Essayez de faire varier le curseur (pendant que la simulation est en cours !) pour voir son effet sur le caractère supercritique ou non du réseau :

En jouant avec SIS(a) :

En baissant le SIS(a) et augmentant la propagation :

Sans modifier les paramètres précédents mais en augmentant l’immunité :

Discussion

Changer le nombre de nœuds immunisés change absolument si le réseau est sous-critique ou supercritique. Et ce n’est pas difficile de comprendre pourquoi. Lorsque de nombreux nœuds sont immunisés, chaque infection a moins de chances de se propager à un nouvel hôte.
Il s’avère que cela a un certain nombre d’implications pratiques très importantes.
L’un d’eux est la prévention de la propagation des feux de forêt. Maintenant, les individus devraient toujours prendre leurs propres précautions locales (p. ex. ne jamais laisser une flamme nue sans surveillance). Mais à plus grande échelle, de petites épidémies sont inévitables. Une autre technique d’atténuation consiste donc à s’assurer qu’il y a suffisamment de  » lacunes  » (dans le réseau de matières inflammables) pour qu’une éclosion ne puisse pas s’étendre à l’ensemble du réseau. Ainsi, les pare-feux et les coupe-feux :

Une autre forme d’épidémie qu’il est important d’enrayer est celle des maladies infectieuses. Entrez ici le concept de l’immunité de troupeau. C’est l’idée que, même si certaines personnes ne peuvent pas être vaccinées (p. ex. parce qu’elles ont un système immunitaire affaibli), tant qu’un nombre suffisant de personnes seront immunisées, la maladie ne pourra pas se propager indéfiniment. En d’autres termes, la vaccination d’un nombre suffisant de personnes peut faire passer une population de supercritique à sous-critique. Lorsque cela se produit, un seul patient peut encore attraper la maladie (p. ex. en se rendant dans une autre région et en rentrant chez lui), mais sans un réseau supercritique dans lequel grandir, la maladie ne se développera pas, seulement à une petite poignée de personnes.
Enfin, nous pouvons utiliser le concept de nœuds immunitaires pour comprendre ce qui se passe dans un réacteur nucléaire. Dans une réaction en chaîne nucléaire, un atome d’uranium 235 en désintégration libère ~3 neutrons, qui déclenchent (en moyenne) plus d’un autre atome d’uranium 235 qui va se séparer. Les nouveaux neutrons qui sont libérés déclenchent alors d’autres atomes qui vont se séparer, et ainsi de suite de façon exponentielle :

Maintenant, quand on fabrique une bombe, le but est de laisser la croissance exponentielle se poursuivre sans contrôle. Mais dans une centrale électrique, l’objectif est de produire de l’énergie sans tuer tout le monde dans le quartier. Pour ce faire, nous utilisons des barres de contrôle, qui sont fabriquées dans un matériau capable d’absorber les neutrons (comme l’argent ou le bore). Parce qu’ils absorbent les neutrons plutôt que de les libérer, les barres de contrôle agissent comme des nœuds immunitaires dans notre simulation ci-dessus, empêchant ainsi le cœur radioactif de devenir supercritique.
L’astuce pour faire fonctionner un réacteur nucléaire, alors, est de maintenir la réaction juste au seuil critique, tout en faisant TOUT, TOUT, TOUT pour que chaque fois que quelque chose tourne mal, les tiges de contrôle s’enfoncent dans le noyau et y mettent un terme. (au passage, regardez la série Chernobyl de HBO, elle est GENIALE !!!!)

Le degré d’un nœud est le nombre de voisins qu’il a. Jusqu’à présent, nous nous sommes penchés sur les réseaux de degré 4, mais que se passe-t-il lorsque nous modifions ce paramètre ?
Par exemple, nous pourrions connecter chaque noeud non seulement à ses 4 voisins immédiats, mais aussi à ses 4 voisins diagonaux. Dans un tel réseau, le degré serait de 8.
Vous pouvez jouer avec ce paramètre ci-dessous :

Discussion

Encore une fois, ce n’est pas difficile de comprendre ce qui se passe ici. Lorsque chaque nœud a plus de voisins, il y a plus de chances qu’une infection se propage – et le réseau est donc plus susceptible de devenir critique.
Cela peut toutefois avoir des implications surprenantes, comme nous le verrons plus loin.

Villes et densité du réseau

Jusqu’à présent, nos réseaux étaient totalement homogènes. Chaque nœud est identique à tous les autres. Mais que se passerait-il si nous faisions fi de cette hypothèse et que nous laissions les choses varier d’un réseau à l’autre ?
Par exemple, essayons de modéliser les villes. Pour ce faire, nous allons créer des correctifs du réseau qui sont plus denses en connexions (ont un degré plus élevé) que le reste du réseau. Ceci est motivé par des données qui suggèrent que les gens dans les villes ont des cercles sociaux plus larges et plus d’interactions sociales que les gens en dehors des villes.
Dans la simulation ci-dessous, nous colorions les nœuds sensibles en fonction de leur degré. Les nœuds situés dans la « campagne » ont un degré 4 (et sont colorés en gris clair), tandis que les nœuds situés dans les « villes » ont des degrés plus élevés (et sont colorés de façon correspondante plus foncée), commençant au degré 5 à la périphérie et culminant à 8 au centre-ville.
Pouvez-vous faire en sorte que l’activation initiale se propage dans les villes, et ensuite reste seulement dans les villes ?

Discussion

Cette simulation à la fois évidente et surprenante.
Bien sûr, les villes peuvent soutenir plus de culture que les zones rurales – tout le monde le sait. Ce qui est étonnant, c’est qu’une partie de cette variété culturelle peut naître à partir de rien d’autre que de la topologie du réseau social.
Cela vaut la peine de s’y attarder :
Il s’agit ici de formes de culture qui se transmettent simplement et directement d’une personne à l’autre. Par exemple, les bonnes manières, les jeux de société, les tendances de la mode, les tendances linguistiques, les rituels en petits groupes et les produits qui se répandent par le bouche à oreille – plus plusieurs des paquets d’information que nous appelons idées.
(Note : La diffusion de personne à personne est extrêmement compliquée par les médias de masse. Ainsi, lorsque vous réfléchissez à ces processus, il peut être utile d’imaginer un environnement plus primitif sur le plan technologique, par exemple la Grèce archaïque, où presque toutes les scintilla de la culture sont transmises pendant les interactions dans l’espace des marchés).
Ce qu’on apprend de la simulation ci-dessus, c’est qu’il y a des idées et des pratiques culturelles qui peuvent prendre racine et se répandre dans une ville qui ne peut tout simplement pas se répandre dans la campagne. (Mathématiquement, c’est impossible) Ce sont les mêmes idées et les mêmes types de personnes. Ce n’est pas que les ruraux sont par exemple « étroits d’esprit » ; lorsqu’ils sont exposés à l’une de ces idées, ils sont exactement aussi susceptibles de l’adopter que quelqu’un de la ville. C’est plutôt que l’idée elle-même ne peut pas être virale à la campagne parce qu’il n’y a pas autant de connexions le long desquelles elle peut se propager.
C’est peut-être plus facile à voir dans le domaine de la mode – vêtements, coiffures, etc. Dans le réseau de la mode, on pourrait dire qu’il y a un avantage quand deux personnes remarquent les tenues de l’autre. Dans un centre urbain, chaque personne pouvait voir jusqu’à 1000 autres personnes chaque jour – dans la rue, dans le métro, dans un restaurant bondé, etc. Dans une zone rurale, en revanche, chaque personne peut n’en voir qu’une vingtaine d’autres. Sur la base de cette seule différence, la ville est capable de soutenir plus de tendances de la mode. Et seules les tendances les plus séduisantes – celles qui ont les taux de transmission les plus élevés – pourront s’imposer à l’extérieur de la ville.
Nous avons tendance à penser que si quelque chose est une bonne idée, elle finira par atteindre tout le monde, et si quelque chose est une mauvaise idée, elle se dissipera. Et même si c’est certainement vrai aux extrêmes, entre les deux, il y a un tas d’idées et de pratiques qui ne peuvent devenir virales que dans certains réseaux. Je trouve cela fascinant.

Pas seulement les villes

Ce que nous explorons ici, ce sont les effets de la densité du réseau. Ceci est défini, pour un ensemble donné de nœuds, comme le nombre de bords réels divisé par le nombre de bords potentiels. C’est-à-dire le pourcentage de connexions possibles qui existent réellement.
Ainsi, comme nous l’avons vu, les centres urbains ont des densités de réseau plus élevées que les zones rurales. Mais les villes ne sont pas le seul endroit où l’on trouve des réseaux denses.
Les écoles secondaires en sont un exemple intéressant. Considérons, dans un quartier donné, le réseau qui existe entre les élèves et celui qui existe entre leurs parents. Même zone géographique et même taille de population, mais un réseau est beaucoup plus dense que l’autre. Il n’est donc pas surprenant que la mode et les tendances linguistiques prolifèrent chez les adolescents et se répandent beaucoup plus lentement chez les adultes.
De même, les réseaux d’élite sont généralement beaucoup plus denses que les réseaux non élites – un fait sous-estimé. (Les gens qui sont populaires ou puissants passent plus de temps en réseau, et donc ils ont plus de « voisins » que les gens ordinaires.) D’après les simulations ci-dessus, on s’attendrait à ce que les réseaux d’élite soutiennent certaines formes culturelles qui ne peuvent pas être soutenues par le courant dominant, en se basant uniquement sur le degré moyen du réseau. Je vous laisse le soin de spéculer sur ce que pourraient être ces formes.
Enfin, nous pouvons appliquer cet objectif à l’Internet, en choisissant de le modéliser comme une ville immense et très dense en réseau. Il n’est pas surprenant de constater qu’il existe de nombreux nouveaux types de culture en ligne qui ne pourraient tout simplement pas être maintenus dans des réseaux purement axés sur l’espace vital. La plupart d’entre eux sont des choses que nous voulons célébrer : des passe-temps de niche, de meilleures normes de conception, une plus grande sensibilisation aux injustices, etc. Mais ce n’est pas que de la sauce. Tout comme les premières villes ont été un foyer de maladies qui ne pouvaient pas se propager à des densités de population plus faibles, Internet est aussi un terreau fertile pour des formes culturelles malignes comme les appâts au clic, les fakes news nouvelles et l’indignation performative.

Connaissances

« L’attention du bon expert au bon moment est souvent la ressource la plus précieuse qu’on puisse avoir pour résoudre des problèmes. » –  Michael Nielsen, Reinventing Discovery

Nous pensons souvent à la découverte ou à l’invention comme à un processus qui se déroule dans l’esprit d’un génie singulier. Un éclair d’inspiration se fait entendre et – eureka ! – tout à coup, nous obtenons une nouvelle façon de mesurer le volume. Ou les équations de la gravité. Ou l’ampoule.
Mais prendre le point de vue de l’inventeur solitaire et se concentrer sur le moment de la découverte, c’est prendre le point de vue du nœud sur le phénomène. Alors que, correctement interprétée, l’invention est quelque chose qui se passe sur un réseau.
Le réseau est important d’au moins deux façons. Premièrement, les idées préexistantes doivent se frayer un chemin dans l’esprit de l’inventeur. Ce sont les citations d’un nouvel article, la section bibliographique d’un nouveau livre – les géants sur les épaules desquels se tenait Newton. Deuxièmement, le réseau est crucial pour le retour d’une nouvelle idée dans le monde ; une invention qui ne se répand pas ne vaut guère la peine d’être appelée une « invention ». C’est pourquoi, pour ces deux raisons, il est logique de modéliser l’invention – ou, plus largement, la croissance des connaissances – comme un processus de diffusion.
A suivre, une simulation grossière de la façon dont les connaissances peuvent se diffuser et se développer au sein d’un réseau.
Au début de la simulation, il y aura 4 experts positionnés dans chaque quadrant de la grille, comme ça :

Expert 1 a la première version de l’idée – appelons-la Idea 1.0. Expert 2 est le genre de personne qui sait comment transformer l’idée 1.0 en idée 2.0. Expert 3 sait comment transformer l’idée 2.0 en idée 3.0. Enfin, Expert 4 sait mettre la touche finale à l’idée de créer Idea 4.0.

Il peut s’agir d’un artisanat (technê) comme l’origami (ma passion), dans lequel des techniques sont élaborées et combinées à d’autres techniques pour produire des constructions plus intéressantes. Ou il peut représenter un champ de connaissances (épistémê) comme la physique, dans lequel les travaux ultérieurs s’appuient sur des travaux plus fondamentaux établis par des physiciens antérieurs.
L’idée de cette simulation est que nous avons besoin des quatre experts pour contribuer à la version finale de l’idée. Et à chaque phase de développement, l’idée doit être diffusée à l’expert concerné.
Voici à quoi ça ressemble en action :

Discussion

C’est un modèle ridiculement simplifié de la façon dont le savoir grandit réellement. Il omet un grand nombre de détails importants. Néanmoins, il saisit tout de même une essence importante du processus. Nous pouvons donc, à titre provisoire, utiliser ce que nous avons appris jusqu’à présent (sur la diffusion) pour raisonner sur la croissance des connaissances.
En particulier, le modèle de diffusion nous donne une intuition sur la façon d’accélérer les choses : faciliter le partage d’idées entre les nœuds experts. Cela pourrait signifier éliminer les noeuds morts qui entravent la diffusion. Ou encore, cela pourrait signifier mettre tous les experts dans une ville, où les idées se répandent rapidement. Ou les mettre dans la même pièce :

Plutôt parlante cette démonstration : ce qui explique si bien les succès des start-ups que nous connaissons.
Parlons un peu de la croissance (et de la stagnation) des connaissances dans les communautés scientifiques. Ce sera un changement de ton et de contenu par rapport à tout ce qui précède.

Sur les réseaux scientifiques

La boucle ci-dessous est l’une des boucles de rétroaction positive les plus importantes au monde (et ce, depuis un certain temps déjà) :

La montée de la boucle (K ⟶ T) est relativement simple : nous utilisons les nouvelles connaissances pour concevoir de nouveaux outils. Par exemple, comprendre la physique des semi-conducteurs nous permet de construire des ordinateurs.
Comment la croissance technologique mène-t-elle à la croissance des connaissances ?
L’une des façons – peut-être la plus directe – est lorsque les nouvelles technologies nous donnent de nouvelles façons de percevoir le monde. Par exemple, de meilleurs microscopes nous permettent de regarder plus profondément à l’intérieur de la cellule, ce qui nous permet de mieux comprendre la biologie moléculaire. Les traqueurs GPS nous montrent où les animaux se déplacent. Le sonar nous permet d’explorer les océans. Et ainsi de suite.
Ce mécanisme est sans doute vital, mais il y a au moins deux autres voies entre la technologie et le savoir. Elles sont peut-être moins simples, mais je pense qu’elles sont au moins aussi importantes :

  • La première : La technologie entraîne un surplus économique (c.-à-d. la richesse), et plus de surplus, à son tour, permet à plus de gens de se spécialiser dans la production du savoir.
    Si 90% de votre pays est engagé dans l’agriculture de subsistance, et que la plupart des 10% restants font du commerce (ou font la guerre), cela ne laisse pas beaucoup de gens avec le temps libre pour réfléchir aux lois de la nature. C’est peut-être la raison pour laquelle la plupart de la science des temps pré-modernes a été faite par les enfants de familles riches.
    Aujourd’hui, les États-Unis produisent plus de 50 000 doctorats chaque année. Au lieu d’obtenir un emploi à l’âge de 18 ans (ou avant), un étudiant en doctorat doit être subventionné pendant une bonne partie de sa vingtaine, voire de sa trentaine – et même là, il n’est pas certain qu’il produira quelque chose qui aura une véritable valeur économique. Mais c’est ce qu’il faut pour amener les gens à la frontière du savoir, surtout dans des domaines difficiles comme la physique ou la biologie.
    Le fait est que, du point de vue des systèmes, les spécialistes ne sont pas bon marché. Et la source ultime de la richesse sociétale qui finance ces spécialistes est la nouvelle technologie ; la charrue subventionne la plume.
  • La deuxième : Les nouvelles technologies, en particulier dans le domaine des voyages et des communications, modifient la structure des réseaux sociaux sur lesquels s’appuient les connaissances. Il permet notamment aux experts et aux spécialistes de travailler en réseau plus étroitement les uns avec les autres.
    Parmi les inventions notables, mentionnons la presse à imprimer, les navires à vapeur et les chemins de fer (qui facilitent les déplacements et le courrier sur de longues distances), le téléphone, l’avion et Internet. Toutes ces technologies servent à accroître la densité du réseau, en particulier au sein des communautés spécialisées (c’est là que se produit la grande majorité de la croissance des connaissances). Par exemple, les réseaux de correspondance qui ont vu le jour parmi les chercheurs européens à la fin du Moyen Âge, ou la façon dont les physiciens modernes utilisent arXiv.
    En fin de compte, ces deux voies sont similaires. Les deux entraînent une plus grande densité de réseaux de spécialistes, ce qui, à son tour, entraîne une croissance des connaissances :

En vrai l’université est toujours extrêmement importante.
Les réseaux sociaux universitaires (p. ex. les communautés de recherche scientifique) comptent parmi les structures les plus raffinées et les plus précieuses que notre civilisation ait produites. Nulle part ailleurs nous n’avons amassé une plus grande concentration de spécialistes concentrés à plein temps sur la production du savoir. Nulle part ailleurs les gens n’ont développé une plus grande capacité à comprendre et à critiquer les idées des autres. C’est le cœur battant du progrès. C’est dans ces réseaux que le feu des Lumières brûle le plus fort.
Mais nous ne pouvons pas tenir les progrès pour acquis. Si la crise de la reproductibilité nous a appris quelque chose, c’est que la science peut avoir des problèmes systémiques. Et une façon d’examiner ces problèmes est la dégradation du réseau.
Supposons que l’on distingue deux façons de pratiquer la science : La vraie science contre la science carriériste.

  • La vraie science, c’est ce que les habitudes et les pratiques produisent de façon fiable des connaissances. Elle est motivée par la curiosité et caractérisée par l’honnêteté. (Feynman : « Je n’ai qu’à comprendre le monde, voyez-vous. »)
  • La science carriériste, en revanche, est motivée par l’ambition professionnelle, et caractérisée par le jeu politique et la prise de raccourcis scientifiques. Elle peut sembler et agir comme la science, mais elle ne produit pas de connaissances fiables.
    (Oui, c’est une dichotomie exagérée mais un exercice de réflexion)
    Le fait est que lorsque les carriéristes prennent de la place dans une vraie communauté de recherche en sciences, ils mettent le feu aux poudres. Ils cherchent à faire leur propre promotion pendant que le reste de la communauté essaie d’apprendre et de partager ce qui est vrai. Au lieu de rechercher la clarté, ils se compliquent et s’obscurcissent pour donner un son plus impressionnant. Ils s’engagent dans (ce que Harry Frankfurt pourrait appeler) des conneries scientifiques. Et par conséquent, nous pourrions les modéliser comme des nœuds morts, à l’abri des échanges d’informations de bonne foi nécessaires à la croissance de la connaissance :

Peut-être un meilleur modèle est celui où les nœuds carriéristes ne sont pas seulement imperméables à la connaissance, mais répandent activement de fausses connaissances. Les fausses connaissances peuvent comprendre, par exemple, des résultats mineurs qui sont surenchéris et sur-vendus, ou des résultats réellement faux qui résultent d’un piratage informatique ou de données fabriquées de toutes pièces.
Mais quelle que soit la façon dont nous les modélisons, les carriéristes ont certainement le potentiel d’étouffer nos communautés scientifiques.
C’est comme une réaction nucléaire dont nous avons grand besoin – une explosion de connaissances – sauf que notre U-235 enrichi est salé avec trop d’U-238, l’isotope non réactif qui réprime la réaction en chaîne.
Bien sûr, il n’y a pas de distinction catégorique entre les carriéristes et les vrais scientifiques. Nous avons tous un peu de carriérisme en nous. La question est de savoir combien le réseau peut transporter avant de se taire.

MeltingAsphalt

Publicités

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

%d blogueurs aiment cette page :