Vers une modélisation plus réaliste de la diffusion d'innovations à l'aide de la simulation multi-agents

Diffusion of innovations is defined as the communication process by which a new practice, idea or product spreads within a social system. For example, an innovation could be the adoption of a new contraceptive solution, practicing water boiling or buying new ergonomic handphones. Institutions and firms search to understand and predict whether their innovations will diffuse, in what extend, or fail. They are also interested in decreasing communication costs and attach an increasing interest in viral marketing. Agent-based modeling is a powerfull approach for studying such a collective process. However, existing models oversimplify adopters' beliefs and information content, despite the evidence of their central role in diffusion. Indeed, beliefs and information content explain diffusion failure due to misunderstanding of institutional messages, and they constitute decisionnal variables of institutions. In this thesis, we challenge the feasability and utility of a more realistic representation of beliefs. Such a model should nevertheless remain simple enough to be parametered, manipulated and validated against field data. We propose to represent adopters' beliefs as associative networks and define in what ways these beliefs are manipulated. We propose and test an interview protocol, which enables to parameterize and validate the model against real diffusion cases. We also define a communication protocol describing proactive communication and active information search. Associative networks improve the model's descriptivity, as illustrated by the simulations of event marketing, or of diffusion failure caused by information-beliefs inadequacy. The exploration of the model's parameter space highlights the importance of active search in information dynamics, and leads to question several expectations from viral marketing. Our agent-based model, like most others, reveals a strong sensitivity to the interaction network (also called ``social network''). As a consequence, the lack of descriptive large-scale networks forbids rigourous validation of agent-based models and limits their prediction potential. The wide use of trivial networks generators is justified by the untractability of data collection for large-scale networks. Hence, we highlight the existence of scattered statistics and qualitative knowledge about these networks, which may be used to constraint interaction graphs. We propose to formalize these statistics using Bayesian networks, and define an algorithm inspired by social choice theories. To illustrate this generator functionnality, we create a large interaction network for rural Kenya in which family links, colleagues and friendships links are generated in a spatialized environement. This generator opens the way to an intuitive and low-cost generation of interaction networks, probably leading to more descriptive simulations of innovation diffusion and other social phenomena.La diffusion d'innovations est définie comme le processus de communication par lequel une idée, pratique, ou produit perçu comme nouveau se propage dans une population. Une innovation peut être une solution contraceptive, la décontamination de l'eau, ou l'achat de téléphones à l'ergonomie novatrice. Les institutions, tout comme les entreprises, cherchent à comprendre et prévoir le succès ou l'échec d'une innovation; elles espèrent aussi faciliter sa diffusion à moindre coût, notamment en facilitant le bouche à oreille. Une approche de modélisation-simulation permet de mieux comprendre ce processus social et de répondre à ces questions. La simulation multi-agents offre une approche puissante pour modéliser un tel processus social. Toutefois, les modèles actuels simplifient fortement les croyances et informations représentées dans le modèle; ces éléments sont pourtant reconnus comme centraux dans le processus de diffusion, puisqu'ils expliquent le succès ou l'échec de la diffusion, et constituent des variables décisionnelles de l'institution. Afin d'améliorer la descriptivité et l'utilité potentielle d'un modèle de diffusion d'innovations, nous explorons dans cette thèse une représentation des croyances plus réaliste. Le modèle se doit néanmoins de demeurer assez simple pour être paramétré et comparé à des diffusions réelles. Nous proposons de représenter les croyances des adoptants potentiels sous forme de réseaux associatifs, et définissons les mécanismes de manipulation de croyances adaptés. Un protocole d'entretien est proposé, qui rend le modèle paramétrable et validable. Le protocole de communication décrit la recherche et l'émission motivée de ces croyances sur des objets sociaux. L'exploration par simulation des paramètres du modèle permet notamment de mieux comprendre l'importance de la recherche d'information dans la dynamique d'information, et de remettre en cause certaines attentes du marketing viral. Le modèle développé exhibe un gain en descriptivité important, permettant notamment de décrire le marketing évènementiel ou l'échec de la diffusion d'innovation dû à l'incompréhension des messages institutionnels. Comme la plupart des modèles orientés agent, celui-ci s'avère extrêmement sensible à la structure des interactions (``réseau social'') définie dans le modèle. Faute de structure d'interaction réaliste, aucune validation du modèle, ni prédiction sérieuse, ne peuvent être envisagées. Les réseaux sociaux sont généralement considérés comme non collectables à grande échelle. Nous soulignons l'existence de statistiques et d'observations qualitatives sur ces liens, et proposons de formaliser ces connaissances sous forme de réseau bayésiens, ainsi qu'un algorithme générateur de réseaux d'interaction inspiré des théories actuelles sur les processus de sélection sociale. L'utilisabilité de ce générateur est illustrée par la génération d'un réseau d'interaction pour le Kenya rural, dans lequel est représentée la structure familiale, les liens entre collègues et amis, dans un environnement spatialisé. Ce générateur ouvre la voie à l'utilisation de réseaux d'interactions plus plausibles, susceptibles d'améliorer la descriptivité des modèles de phénomènes sociaux, diffusion d'innovations incluse