Thèse Modèles Asynchrones Sensibles aux Biais pour la Dynamique des Opinions dans les Réseaux Sociaux H/F - Institut Polytechnique de Paris École polytechnique

Établissement : Institut Polytechnique de Paris École polytechnique
École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris
Laboratoire de recherche : LIX - Laboratoire d'informatique
Direction de la thèse : Frank VALENCIA ORCID 0000000248279157
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-15T23:59:59

Les réseaux sociaux jouent aujourd'hui un rôle central dans la formation et l'évolution des opinions collectives. Les interactions entre individus dans ces réseaux peuvent conduire à différents phénomènes tels que le consensus, la fragmentation ou la polarisation. Comprendre les mécanismes qui gouvernent ces dynamiques constitue un enjeu scientifique majeur à l'interface de l'informatique, de la science des réseaux et des sciences sociales computationnelles.
Le modèle de DeGroot est l'un des cadres mathématiques les plus influents pour étudier la formation des opinions dans les réseaux sociaux. Dans ce modèle, les individus mettent à jour leurs opinions en prenant des moyennes pondérées de celles de leurs voisins dans un réseau d'influence. Cependant, ce modèle repose sur des hypothèses simplificatrices importantes : les agents sont supposés mettre à jour leurs opinions de manière synchrone et les règles de mise à jour sont généralement linéaires et non biaisées. Ces hypothèses sont souvent incompatibles avec les comportements observés dans les systèmes sociaux réels.
L'objectif de cette thèse est de développer des modèles formels de dynamiques d'opinion intégrant à la fois des biais cognitifs et des interactions asynchrones dans les réseaux sociaux. Le projet visera à comprendre comment ces deux dimensions influencent les propriétés fondamentales des dynamiques collectives, notamment les conditions d'émergence du consensus, de la fragmentation ou de la polarisation.
Les travaux combineront modélisation mathématique, analyse théorique et simulations sur des réseaux complexes. Une attention particulière sera également portée à la validation des modèles sur des réseaux sociaux numériques à grande échelle, en reconstruisant les structures d'influence et les trajectoires d'opinion à partir de données générées par les utilisateurs. Cette étape mobilisera des techniques issues de l'analyse de réseaux, du traitement automatique du langage et de l'inférence causale.
Enfin, l'analyse de ces données soulève des enjeux importants de confidentialité et de protection de la vie privée, qui seront pris en compte dans la conception des méthodes d'analyse. Le projet vise ainsi à développer des modèles rigoureux et empiriquement pertinents pour mieux comprendre les dynamiques d'information et d'opinion dans les sociétés numériques.

Les réseaux sociaux jouent un rôle central dans la formation et la diffusion des opinions dans les sociétés contemporaines. Les interactions entre individus dans ces réseaux peuvent conduire à différents phénomènes collectifs tels que le consensus, la fragmentation ou la polarisation. Comprendre les mécanismes qui gouvernent ces dynamiques constitue un enjeu scientifique majeur à l'interface de l'informatique, de la science des réseaux et des sciences sociales computationnelles.
Parmi les cadres mathématiques proposés pour étudier ces phénomènes, le modèle de DeGroot occupe une place centrale. Dans ce modèle, les individus sont représentés par les noeuds d'un graphe d'influence et mettent à jour leurs opinions en prenant des moyennes pondérées des opinions de leurs voisins. Bien que ce modèle ait permis d'importantes avancées théoriques, il repose sur des hypothèses simplificatrices qui limitent sa capacité à rendre compte des comportements observés dans les réseaux sociaux réels.
En particulier, les modèles classiques supposent généralement que les agents mettent à jour leurs opinions de manière synchrone et selon des règles linéaires et non biaisées. Or, de nombreuses études empiriques montrent que les interactions sociales sont souvent asynchrones et que les individus présentent des biais cognitifs influençant la manière dont ils interprètent et intègrent l'information provenant de leur entourage.
Ces observations ont conduit au développement de modèles plus riches intégrant certains biais cognitifs ou certaines formes d'asynchronie. Toutefois, ces approches restent souvent limitées à des cas particuliers ou reposent sur des hypothèses restrictives concernant les interactions entre agents.
Dans ce contexte, cette thèse vise à développer un cadre formel général pour l'étude des dynamiques d'opinion intégrant simultanément des biais cognitifs et des interactions asynchrones dans les réseaux sociaux, et à analyser les propriétés théoriques et empiriques de ces modèles, notamment leur capacité à expliquer l'émergence du consensus, de la fragmentation et de la polarisation.

L'objectif principal de cette thèse est de développer un cadre formel pour l'étude des dynamiques d'opinion dans les réseaux sociaux intégrant à la fois des biais cognitifs et des interactions asynchrones, deux caractéristiques essentielles des systèmes sociaux réels mais encore insuffisamment prises en compte dans les modèles classiques.
Plus précisément, la thèse poursuivra les objectifs suivants :
Développer des modèles formels de dynamiques d'opinion étendant les modèles de type DeGroot afin d'intégrer différents biais cognitifs dans les règles de mise à jour des opinions.
Étudier l'impact de l'asynchronie des interactions sur les propriétés des dynamiques collectives, notamment les conditions d'émergence du consensus, de la fragmentation ou de la polarisation.
Analyser théoriquement et expérimentalement ces modèles à l'aide de simulations sur réseaux complexes.
Valider les modèles sur des réseaux sociaux numériques à grande échelle, en reconstruisant structures d'influence et trajectoires d'opinion à partir de données issues des plateformes sociales.
Ces travaux visent à mieux comprendre les mécanismes de propagation de l'information et de formation des opinions dans les sociétés numériques.

La thèse combinera modélisation formelle, analyse théorique et expérimentation computationnelle afin d'étudier les dynamiques d'opinion dans les réseaux sociaux.
Dans un premier temps, un cadre formel sera développé pour étendre les modèles classiques de type DeGroot en intégrant des biais cognitifs dans les règles de mise à jour des opinions ainsi que des mécanismes d'interaction asynchrones, reflétant des situations où les agents n'interagissent pas simultanément ou peuvent s'abstenir de participer à certaines interactions.
Ces modèles seront ensuite étudiés à l'aide d'outils issus de la théorie des systèmes multi-agents, de la théorie des graphes et des systèmes dynamiques, afin d'analyser leurs propriétés fondamentales, notamment les conditions de convergence vers le consensus, la fragmentation des opinions ou l'émergence de la polarisation.
En complément de l'analyse théorique, des simulations sur réseaux complexes seront développées afin d'explorer le comportement des modèles dans différentes structures de réseaux et sous différents paramètres de biais et d'interaction.
Enfin, une attention particulière sera portée à la validation empirique des modèles sur des réseaux sociaux numériques à grande échelle. Cela impliquera la reconstruction de structures d'influence et de trajectoires d'opinion à partir de données générées par les utilisateurs, en mobilisant des techniques issues de l'analyse de réseaux, du traitement automatique du langage, de l'inférence causale et de l'analyse longitudinale des interactions. Les enjeux liés à la confidentialité et à la protection de la vie privée seront également pris en compte dans l'analyse et l'utilisation de ces données.

Le candidat ou la candidate devra être titulaire d'un Master (ou équivalent Bac +5) en informatique, mathématiques appliquées, intelligence artificielle ou domaines connexes. Une solide formation en algorithmique, structures de données, mathématiques discrètes et modélisation formelle est attendue.
Le profil recherché combine des compétences en modélisation théorique et analyse de données. Une expérience ou un intérêt marqué pour les domaines suivants sera particulièrement apprécié :
Systèmes multi-agents et dynamiques d'opinion,
science des réseaux et analyse de graphes,
apprentissage automatique et analyse de données,
méthodes formelles et modélisation mathématique,
traitement de données issues de réseaux sociaux.
Le candidat devra également posséder de bonnes compétences en programmation scientifique (par exemple Python ou langages similaires), ainsi qu'une expérience avec des outils d'analyse de données ou de visualisation de réseaux.
Une expérience préalable en recherche, par exemple à travers un mémoire de master, un stage de recherche ou une participation à un projet scientifique, constituera un atout important.
Le projet impliquant l'analyse de données à grande échelle et le développement de modèles formels, le candidat devra faire preuve de rigueur scientifique, autonomie, curiosité intellectuelle et capacité à travailler dans un environnement de recherche international.