Simulation en socio-ethnologie

Retour à la page principale

La simulation en socio-ethnologie cherche à modéliser certains phénomènes que l’on peut observer au sein d’une société. L’application des systèmes multi-agents à la simulation de phénomènes sociaux est généralement associée au courant sociologique de l’individualisme [1] [2], qui considère l’individu comme unité élémentaire : on retrouve ici le principe de modélisation bottom-top des SMA, où la définition de règles au niveau individuel fait apparaître des phénomènes émergents au niveau global.

Comment les individus parviennent-ils à former un groupe ? Comment sont-ils contraints par des règles prédéfinies, et comment font-ils émerger de nouvelles règles sociales ? Pourquoi une population décide-t-elle de migrer, et où va-t-elle s’installer ? Comment évolue une opinion au sein d’un groupe, et comment peut-on influencer cette évolution ? Voici, entre autres, les questions qui se posent dans le domaine de la simulation sociale et ethnologique, et que l’on peut exprimer selon les termes suivants :

« Comment se créent et fonctionnent des structures collectives à partir d’agents qui ont de plus ou moins grandes capacités de représentations, qui échangent entre autres des informations, des services ou des biens, qui élaborent des contrats et qui sont plongés dans un environnement dynamique qui réagit à leurs actions ? ».[3]

Après une présentation des origines de la simulation sociale, je décrirai les principaux enjeux de la simulation en socio-ethnologie à base de systèmes multi-agents, avec à l’appui trois exemples détaillés de modèles cherchant à simuler des phénomènes observés au sein de population réelles. Je conclurai finalement sur l’actualité de la recherche concernant ce type de simulations, et les perspectives envisageables pour de tels systèmes.

1- Les origines de la simulation sociale

La volonté de simuler les interactions sociales grâce à des systèmes multi-agents remonte au Jeu de la Vie de Conway : puisqu’on était capable de capturer des phénomènes émergents complexes à partir de règles très simples, peut-être pourrions-nous de même modéliser les interactions entre êtres humains, et faire apparaître de complexes échanges sociaux à partir de règles de survie très simples. Deux précurseurs des futures simulations sociales à base de SMA furent James Sakoda et Thomas Schelling, qui dès les années 70 réalisèrent des simulations de phénomènes sociaux, sans leur donner le nom de modélisation.

a) L’échiquier de James Sakoda

Avant même les simulations de vol d’oiseaux réalisées par Craig Reynolds, James Sakoda réalisait les premières simulations sociales à base d’automates cellulaires. Son modèle fut publié dans The Checkerboard Model of Social Interaction en 1971 [4], mais les bases de sa conception étaient déjà présentes dans une dissertation non publiée datant de 1949 [5]. Le but de ce modèle était de comprendre comment se forment les regroupements d’individus.

Dans le modèle de Sakoda, les membres de deux groupes vivent sur un échiquier. Ils ont une attitude positive, négative ou neutre les uns envers les autres, attitude donnée par un entier V_ij : attitude de l’individu i envers l’individu j. Les individus peuvent se déplacer dans leur voisinage proche, c'est-à-dire les cellules qui touchent un de leurs côtés ou de leurs coins. Si aucune cellule n’est vide, un individu est autorisé à sauter par-dessus une cellule occupée, mais la migration doit toujours rester locale. Un individu i doit maximiser la fonction de migration :

où d est la distance euclidienne entre i et j, et w détermine à quel point la distance modifie la perception de l’autre (plus w est grand, moins la force de l’attitude est amoindrie par la distance). La maximisation de cette fonction conduit donc chaque individu à s’éloigner au maximum des individus pour lesquels il a une attitude négative, tout en se rapprochant des individus pour lesquels il a une attitude positive.

Le monde de Sakoda est un échiquier 8 x 8 occupé par deux groupes, les carrés et les croix, chacun ayant 6 membres. Sakoda analyse différents types d’attitudes, dont la ségrégation et la suspicion. Ces attitudes sont définies comme suit :

Dans une attitude de ségrégation, les individus d’un groupe donné ont donc une attitude négative envers les membres de l’autre groupe, et une attitude positive envers les membres de leur propre groupe.

Dans une attitude de suspicion, les individus d’un groupe donné ont une attitude négative envers les membres de l’autre groupe, mais restent neutres face aux individus de leur propre groupe.

Voici l’évolution de l’organisation des deux groupes lorsque le déplacement de chaque individu est déterminé par une attitude de ségrégation :

En très peu de temps, les individus se sont répartis à deux extrémités de l’échiquier. Plus surprenant est l’organisation induite par une attitude de suspicion généralisée :

Comme on peut le voir, les individus ayant une attitude neutre envers les individus de même groupe forment néanmoins un groupe isolé, mais ce regroupement est uniquement dû à une attitude négative envers les individus d’un autre groupe, et non à une attitude positive envers les individus de son propre groupe. Cependant Sakoda découvrit quelque chose d’encore plus surprenant : une attitude négative envers l’autre groupe combinée à une indifférence envers son propre groupe mène à un regroupement plus massif qu’une attitude positive envers son propre groupe. Pour observer cet effet, il est nécessaire de simuler l’organisation de groupes plus importants sur un échiquier plus grand : on obtient les résultats suivants sur un échiquier 40 x 40 avec 180 individus par groupe :

A gauche, le regroupement obtenu avec une attitude de ségrégation, à droite le regroupement obtenu avec une attitude de suspicion. La population de départ est répartie au hasard, avec la même distribution pour les deux simulations. Les résultats obtenus s’expliquent grâce à la fonction à maximiser : dans le cas de la ségrégation, les points de rencontre entre individus de même groupe deviennent des pôles d’attraction, puisque les individus sont attirés par ceux de leur groupe. Dans le cas de la suspicion, le seul moyen de maximiser la fonction est de s’éloigner le plus possible des individus de l’autre groupe, ce qui conduit à ce regroupement maximal.

b) La ségrégation selon Thomas Schelling

Thomas Schelling, en 1971 [6], a également cherché à modéliser ce processus de ségrégation. La règle de déplacement des individus dépend de leur seuil de tolérance à la différence de groupe de leur voisinage. Un individu décidera par exemple de se déplacer si son groupe est en minorité dans son voisinage.

Les résultats de Schelling sont édifiants : avec cette simple règle, il démontre que les individus d’un quartier doivent avoir une préférence pour leur propre groupe inférieure à 20% de leurs voisins pour qu’il n’y ait pas d’effet de ségrégation :

Comme dans le cas des simulations de Sakoda, on constate que les règles appliquées au niveau micro peuvent produire des effets au niveau macro, effets surprenants pour le chercheur et inattendus du point de vue de l’agent.

Ni Sakoda ni Schelling n’ont cherché à reproduire la réalité, ils ne parlaient d’ailleurs même pas de simulation à base d’automates cellulaires, cette notion n’étant pas encore connue à l’époque de leurs démonstrations. Cependant ils ont déjà établi les bases de la simulation sociale par système multi-agents.

c) Les nouveaux modèles de simulation sociale

La simulation sociale verra son essor durant les années 90, où l’on voit apparaître les modèles NetLogo et Sugarscape.

NetLogo est une plateforme multi-agents disponible sur Internet [i], utilisable pour la simulation par système multi-agents ; de nombreux modèles sont basés sur cette plateforme, parmi lesquels des simulations sociales, telles que l’étude de la propagation d’une dépendance à une drogue au sein d’une population, de la propagation du virus de sida par relations sexuelles (on peut agir sur la tendance de la population à pratiquer l’abstinence, le temps moyen que passera ensemble un couple au sein de la population, la propension des individus à utiliser le préservatif, et la fréquence des tests HIV au sein de la population), ou bien encore une simulation de votants à très courte mémoire (ils changent d’opinion tous les jours, après une visite à leurs voisins).

Sugarscape est le résultat d’une question que se sont posés Joshua M. Epstein et Robert L. Axtell : Comment les structures sociales et les comportements de groupe émergent-ils de l’interaction entre individus ? [7] Pour essayer d’y répondre ils ont réalisé ce système multi-agents, qui simule le comportement de personnes artificielles (les agents), sur une terre étant elle-même intégralement une ressource (le sucre). Les agents de Sugarscape naissent avec une vision, un métabolisme, une certaine vitesse, et d’autres attributs génétiques. La règle qui les gouverne est extrêmement simple : regarde autour de toi, trouve l’endroit où il y a le plus de sucre et mange le. Avec cette unique règle et en jouant sur l’environnement, par exemple en introduisant des saisons, on peut observer des comportements de migration et d’hibernation. Epstein et Axtell complexifièrent ensuite leur modèle, afin de prendre en compte davantage de règles, et de pouvoir simuler divers phénomènes sociaux émergents, tels que des réseaux sociaux, des conflits, des sociétés marchandes.

Sur la base de ces modèles, et en travaillant au carrefour de plusieurs communautés (sociologues, ethnologues, informaticiens, …), les chercheurs ont commencé à s’intéresser à divers aspects de la simulation sociale à partir de systèmes multi-agents. Ils ont pour cela utilisé différents types de modèles, selon leurs objectifs, et se sont intéressés à la modélisation de différents phénomènes émergents au sein de populations réelles.

2- La simulation en socio-ethnologie à base de système multi-agents

On peut distinguer deux grandes familles de simulations sociales à base de systèmes multi-agents : d’un côté des simulations numériques, où les phénomènes sont intégralement représentés par des fonctions mathématiques, et où on ne cherche pas à reproduire un phénomène observé dans la réalité ; d’un autre, les simulations à base de règles choisies pour simuler la réalité au plus proche.

a) Simulations numériques

Dans ces simulations, les interactions entre agents sont définies mathématiquement, et ces interactions restent très théoriques. Il est difficile d’arriver à leur associer un phénomène réel, ce qui leur donne peu de pouvoir explicatif.

Cependant ces simulations peuvent démontrer l’apparition de phénomènes émergents inattendus, et difficiles à simuler par des modèles mathématiques linéaires classiques. Le thème de la dynamique de la formation d’une opinion au sein d’un groupe, par exemple, a été largement exploré, à la fois par des modèles linéaires [8] [9] [10], souvent extrêmement complexes, et par des modèles à base d’agents. Ces derniers permettent une modélisation non linéaire des phénomènes, et une simplification des règles utilisées.

Rainer Hegselmann, dans son article Opinion Dynamics and Bounded Confidence : Models, Analysis, and Simulations, décrit un modèle permettant de simuler la dynamique d’opinion au sein d’un groupe de 100 agents. L’objectif de ce modèle est de comprendre les phénomènes de fragmentation d’opinion, de polarisation et de consensus. Au début de la simulation, chaque agent possède son opinion propre, représentée par une valeur numérique entre 0 et 1. Il peut réviser son opinion initiale en tenant compte de l’opinion formulée par certains individus au sein du groupe. On exprime par une valeur ε la confiance que chaque individu a en ses voisins. Un agent i prendra en compte uniquement les opinions des individus ayant une opinion proche de la sienne, dans un intervalle [opinion_i-ε_l, opinion_i+ε_r]. Si ε_l = ε_r = 0.01, c'est-à-dire qu’un agent donné harmonisera son opinion avec un agent ayant une opinion égale à la sienne à 0.01 près, on obtiendra exactement 38 opinions différentes à la fin de la simulation. Lorsque ε_l = ε_r = 0.15, on obtient deux camps finaux, et si ε_l = ε_r = 0.25, le résultat de la simulation est un consensus final.

On peut également choisir deux valeurs différentes pour ε_l et ε_r, ce qui conduit à un déplacement des opinions polarisées ou du consensus vers l’opinion 0 ou l’opinion 1.

On parvient donc grâce à ce modèle à mettre en rapport une notion de « confiance en ses voisins », et la dynamique d’opinions qui en résulte : fragmentation, polarisation ou consensus. Mais comment utiliser ces résultats pour expliquer une dynamique d’opinions au sein d’une population par exemple, ou bien dans une foule ? Il est impossible d’associer aux 100 opinions de départ une centaine d’opinions réelles, et il est difficile de comprendre à quoi correspond cette valeur ε : elle symbolise l’étendue de la confiance d’un individu, mais elle ne peut pas expliquer comment un individu ayant une certaine opinion peut se laisser convaincre par un discours bien argumenté pour une opinion contraire.

b) Simulations à base de règles

Pour résoudre ce type de problèmes, la seconde famille de simulations est plus adaptée : on définit en effet des règles d’interactions entre les agents, qui permettent une plus grande souplesse dans l’évolution de la simulation. Ces modélisations sont donc plus représentatives de la simulation en socio-ethnologie, car l’utilisation de règles d’interactions entre les agents permet de reproduire le comportement des individus au sein d’une population donnée. Comme on l’a vu avec les simulations de ségrégation et de suspicion réalisées par J. Sakoda, ces règles sont souvent à base de fonctions mathématiques à optimiser, mais les arguments de ces fonctions représentent des paramètres explicitables, tels qu’une antipathie, un besoin de ressources, ou un niveau de santé.

Les simulations à base de systèmes multi-agents peuvent modéliser diverses situations sociales ; je présenterai ici les trois principales voies d’étude, et trois modèles représentatifs, dont l’objectif est de simuler le fonctionnement d’un aspect réel de la société, ce qui les rend particulièrement exemplaires de la simulation en socio-ethnologie :

• La coopération entre être humains au sein d’un groupe

Les systèmes multi-agents cherchent ici à modéliser la coopération entre agents au sein du système, et son effet sur l’évolution du groupe. Dans ces modèles, la population d’agents est généralement hétérogène : il existe plusieurs types de personnalités, avec un jeu d’interactions adaptées à ces personnalités. Lors du déroulement de la simulation, on s’intéresse à la fois à l’évolution des agents individuellement (y a-t-il multiplication d’un type donné d’individu ? un agent choisit-il une action donnée de préférence aux autres ?) et à l’évolution du groupe (y a-t-il division du groupe, ou bien au contraire une expansion ?). On observe également l’émergence de certains phénomènes, tels que la mise en place de règles sociales.

Le modèle que j’ai choisi de présenter simule l’évolution de la coopération dans une population d’agents hétérogènes, constituée d’agents dits « Coopérateurs », « Surveillants » et « Egoïstes ». Chaque groupe d’agents a sa « personnalité » propre : certains travaillent, d’autres cherchent à éviter de travailler, d’autres encore surveillent les tire-au-flanc. On peut alors observer l’évolution de chacune de ces personnalités, et l’évolution globale du groupe. Ce modèle voit l’apparition d’une règle sociale émergente, que l’on peut retrouver dans la plupart des sociétés primitives : chacun doit contribuer à l’effort fourni pour l’obtention de ressources, et certains individus n’hésitent pas à en punir d’autres afin de maintenir un bon niveau de vie au sein du groupe.

• Le changement d’opinion au sein d’un groupe

Contrairement aux modèles exclusivement mathématiques présentés précédemment, ces modèles cherchent à reproduire les changements d’opinion qui peuvent survenir dans la réalité au sein d’une population. La population peut être homogène ou hétérogène, d’opinions variées au départ, les agents cherchant à s’influencer au cours de la simulation afin de modifier l’opinion majoritaire au sein du groupe. On s’intéresse dans ces modèles à observer la dynamique du changement d’opinion au sein d’un groupe, et les conditions d’obtention d’une opinion majoritaire.

Dans la simulation présentée ici, l’objectif est de modéliser les intentions de vote au sein d’une population, un an avant un vote. On modélise pour cela une population d’agents, deux partis politiques émettant des messages persuasifs, et un ensemble nommé média, émettant lui aussi des messages politiques pour l’un ou l’autre des deux partis. Les agents peuvent également chercher à se persuader entre eux. Chaque agent a, au début de la simulation, une intention de vote, un niveau de conviction et un taux d’implication dans la campagne (correspondant à un taux d’intérêt). Selon son niveau de conviction et son taux d’implication, il prendra ou non en compte les messages persuasifs pour les deux partis. Selon les messages persuasifs reçus, son opinion évoluera au cours de la simulation. Le modèle cherche en fait à déterminer quelle est la meilleure stratégie de campagne pour un parti politique, et fait ainsi varier la distribution des messages persuasifs au cours du temps. Le modèle est, là encore, assez fidèle à la réalité : les conclusions obtenues quant à la meilleure stratégie de campagne sont conformes à ce que les partis réalisent spontanément !

• Les déplacements d’une population selon les variations de son environnement

Cette dernière voie d’étude cherche à modéliser les migrations de population. Elle est assez peu explorée, les migrations d’animaux étant plus couramment modélisées.

L’article le plus intéressant que j’aie pu lire sur ce sujet est typiquement une simulation en socio-ethnologie : il s’agit de la modélisation de l’évolution d’une population d’indiens Anasazi en Amérique du Sud, sur une période allant de 400 à 1300 ap. J.-C.. Le modèle prend en compte les caractéristiques déterminantes de l’environnement de cette population : la richesse du sol (déterminant la quantité potentielle de maïs par hectare), et l’accès à l’eau. Il impose des règles en fonction de ces caractéristiques : nécessité d’une richesse du sol minimum pour le cultiver, zone de résidence proche de la zone de travail, accès à l’eau déterminant dans le cas d’un choix entre plusieurs lieux, impossibilité de s’installer sur une terre déjà cultivée ou habitée. En suivant ces quelques règles, les agents évoluent dans leur environnement virtuel, et on observe leurs déplacements. Etonnamment, les choix des agents quant à leur lieu de résidence sont très semblables à ceux des indiens Anasazi.

3- Conclusion et perspectives

Les systèmes multi-agents sont de formidables outils de modélisation, qui permettent de faire émerger des phénomènes sociaux complexes à partir de règles de comportement individuel, et qui possèdent ainsi un grand pouvoir explicatif. Les modèles existants en socio-ethnologie sont souvent fascinants, car la simplicité des règles du modèle permet l’émergence d’un phénomène constaté dans le monde réel : on se dit alors que la complexité d’une société pourrait tout simplement être basée sur les règles d’interactions entre individus…

La simulation sociale est de plus en plus présente dans le monde de la simulation à base de système multi-agents. Les équipes de recherche cherchent à simuler le fonctionnement d’une ville (software UrbanSim [ii]), l’évolution d’une population entièrement virtuelle (projet NewTies [iii]), ou bien encore les conflits internationaux (groupe de recherche ETH Zurich [iv]). Plusieurs associations ou centres de recherche cherchent à regrouper différentes capacités nécessaires à la modélisation sociale : le CRESS (Centre for Research in Social Simulation), par exemple, est un centre de recherche européen basé dans le département de Sociologie de l’Ecole de Sciences Humaines de l’Université de Surrey [v] ; son objectif est de rassembler les sciences sociales, l’ingénierie logicielle et la simulation multi-agents, afin de promouvoir l’utilisation de la simulation sociale dans la recherche en sciences humaines. On citera également les trois grandes associations de promotion de la simulation sociale par système multi-agents : la NAACSOS (North American Computational Social and Organization Science), en Amérique du Nord, la PAAA (Pacific Asian Association for Agent-based Approach in Economic & Social Complex Systems), en Asie, et l’ESSA (European Social Simulation Association), en Europe, formée en 2003. Ces associations de professionnels de la simulation sociale organisent régulièrement des conférences, et travaillent conjointement afin de promouvoir le développement de la simulation sociale dans le monde.

Les enjeux de leurs recherches sont multiples : ils se répartissent en deux grands thèmes :

• La validation théorique des simulations à base de SMA : il s’agit de formaliser le passage d’une théorie du comportement aux propriétés d’un agent, d’améliorer les processus de validation d’un modèle et leur crédibilité aux yeux des industriels, de déterminer les facteurs permettant l’utilisation d’un modèle à base de SMA pour la prise de décision.

• Les applications des simulations sociales : il s’agit par exemple de simuler les phénomènes sociaux qui émergent de l’intéraction d’une multitude d’agents (ex : l’évolution des normes sociales), de prévoir des mesures de sécurité (ex : évacuation d’un bâtiment), ou bien encore de simuler des comportements dans des environnements complexes (ex : trafic urbain).

La simulation en socio-ethnologie profite donc des trois qualités prépondérantes des systèmes multi-agents : le SMA fournit une description naturelle du système, il est donc très facile de modéliser les règles d’interactions entre agents qui semblent nécessaires ; un SMA est flexible, on peut donc ajouter de nouvelles règles ou un élément perturbateur au modèle, et observer le résultat sur l’évolution de la simulation ; enfin, et surtout, un SMA est le théâtre de phénomènes émergents, qui sont les objectifs de la simulation sociale. Les systèmes multi-agents sont ainsi l’outil le plus efficace dans la modélisation en socio-ethnologie, et permettront, à termes, de mieux comprendre l’évolution de notre société.

Références

1. Articles

[1] Havelange, V. (1994). “Sciences cognitives et tradition sociologique.” Revue internationale de systémique.

[2] Lenay, C. (1994). “Introduction.” Revue internationale de systémique.

[3] Bousquet, F. (2001) Modélisation d’accompagnement, Simulations multi-agents et gestion des ressources naturelles et renouvelables.

[4] SAKODA, J M (1949) Minidoka: An analysis of changing patterns of social interaction. Unpublished doctoral dissertation, University of California: Berkeley.

[5] SAKODA, J M (1971) “The checkerboard model of social interaction”. Journal of Mathematical Sociology 1. pp. 119-132.

[6] SCHELLING, T (1971) “Dynamic models of segregation”. Journal of Mathematical Sociology 1. pp. 143-186.

[7] Epstein, J. and Axtell, R. (1996) Growing Artificial Societies : Social Science From the Bottom Up. Brookings Institution Press MIT Press

[8] French, J. R. P. (1956) “A formal theory of social power”. Psychological Review 63. pp. 181-194.

[9] De Groot, M. H. (1974) "Reaching a consensus". J. Amer. Statis. Assoc. 69. pp. 118-121.

[10] Lehrer, K. (1975) "Social consensus and rational agnoiology". Synthese 31. pp. 141-160.

b) Sites web

[i] Site web de NetLogo : http://ccl.northwestern.edu/netlogo/

[ii] Site web de UrbanSim : http://www.urbansim.org/

[iii] Site web de NewTies : http://www.new-ties.org/tiki/tiki-index.php

[iv] Site web du groupe de recherche ETH : http://www.icr.ethz.ch/

[v] Site web du CRESS : http://cress.soc.surrey.ac.uk/cress.html

Retour à la page principale