🧬 biology

Learning epidemics: a compartmental and network approach to how artificial intelligence literacy spreads inside organizations

Cet article recadre la propagation de la littératie en intelligence artificielle au sein des organisations comme un processus de contagion, démontrant, par l'épidémiologie des réseaux et l'apprentissage automatique, que la rétention de l'apprentissage est principalement pilotée par les propriétés structurelles du réseau de communication et la position d'un individu au sein de celui-ci, plutôt que par de simples attributs personnels.

Auteurs originaux : Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Publié 2026-07-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez votre entreprise comme une ville géante et bouillonnante. Habituellement, lorsqu'un nouvel outil comme l'Intelligence Artificielle (IA) arrive, la direction pense que l'apprentissage est une école formelle : ils envoient une note de service, organisent une session de formation et attendent que tout le monde apprenne en même temps.

Mais cet article soutient que ce n'est pas ainsi que l'apprentissage se produit réellement. Au lieu de cela, l'apprentissage se propage comme une contagion ou une rumeur à travers les rues de la ville. Il passe d'une personne à l'autre lors des pauses café, des discussions rapides et des moments du type « hey, regarde ça ».

Les chercheurs ont traité la propagation des compétences en IA comme une épidémie. Ils se sont demandé : Si nous traitons le fait de « savoir utiliser l'IA » comme un virus, à quelle vitesse se propage-t-il dans le bureau, et pourquoi reste-t-il bloqué dans certains endroits alors qu'il décolle dans d'autres ?

Voici l'histoire de ce qu'ils ont découvert, décomposée en concepts simples :

1. Les trois villes (Organisations)

L'étude a examiné trois entreprises différentes (appelons-les Ville A, Ville B et Ville C) à trois moments différents. Ils ont cartographié qui parlait à qui au sujet de l'IA.

La Ville A était comme une métropole bien connectée. La plupart des gens se connaissaient et il y avait un immense « centre-ville » où presque tout le monde était connecté.
La Ville B était un peu plus dispersée, avec quelques pôles très actifs et de nombreux quartiers calmes.
La Ville C était une collection d'îles isolées. Les gens ne parlaient généralement qu'à un ou deux collègues spécifiques, et ces groupes ne parlaient à personne d'autre.

2. Le « Nombre de reproduction » (R0)

En épidémiologie, les scientifiques utilisent un nombre appelé R0 pour prédire si une maladie va se propager.

Si le R0 est inférieur à 1, la maladie disparaît (une personne malade en infecte moins d'une autre).
Si le R0 est supérieur à 1, la maladie se propage (une personne malade en infecte plus d'une autre).

Les chercheurs ont calculé un « R0 d'apprentissage » pour chaque ville. Ce nombre indiquait si le réseau de communication de l'entreprise était efficace pour diffuser de nouvelles compétences.

La Ville A avait un R0 élevé (2,92). Le réseau était parfait pour diffuser les idées.
La Ville B était au milieu (1,93).
La Ville C était à peine au-dessus de la ligne de danger (1,14). Le réseau était tellement brisé que les idées peinaient à voyager.

Le Résultat : L'entreprise ayant le meilleur réseau (Ville A) a maintenu le plus de personnes engagées dans l'apprentissage. L'entreprise au réseau brisé (Ville C) a perdu presque tout le monde. La structure du réseau a mieux prédit le succès du programme d'apprentissage que le contenu de la formation lui-même.

3. Le groupe qui rétrécit et se densifie

Voici la partie surprenante. Au fil du temps, tout le monde a perdu des membres. Les gens ont cessé de répondre aux sondages ou de parler de l'IA. Les réseaux sont devenus plus petits.

Mais les personnes qui sont restées ont commencé à se parler plus souvent.

Imaginez une grande fête informelle où les gens s'éloignent. Les personnes qui restent finissent par se regrouper en un cercle serré, discutant intensément.
Le « réseau d'apprentissage » n'a pas grandi ; il s'est consolidé. Il s'est rétréci pour devenir un noyau dense et soudé.
Dans la ville brisée (Ville C), le réseau s'est tellement réduit qu'il est devenu quelques petits groupes isolés. Dans la ville connectée (Ville A), le noyau est resté fort et dense.

4. Qui reste ? Ce n'est pas seulement une question de personne

Les chercheurs ont utilisé des modèles informatiques pour comprendre qui est resté engagé et qui est parti. Ils s'attendaient à ce que ce soit peut-être les personnes les plus intelligentes, les plus expérimentées ou les plus instruites qui restent.

Ils ont trouvé quelque chose de différent :

C'est votre « adresse » dans le réseau : Le facteur le plus important était la Centralité de Proximité (Closeness Centrality). C'est une façon sophistiquée de dire : À quel point êtes-vous proche de tous les autres dans le bureau ? Si vous êtes au milieu du flux de conversation, vous êtes plus susceptible de continuer à apprendre.
C'est votre « quartier » : Le Département dans lequel vous travaillez importait plus que votre titre de poste. Certaines équipes avaient une culture de partage, d'autres non.
Le puzzle de l'ancienneté : La durée de votre présence dans l'entreprise (ancienneté) n'avait pas de relation simple de type « plus c'est long, mieux c'est ». Elle était non linéaire. Cela signifie que les employés très nouveaux et les employés très anciens se comportaient différemment de ceux qui étaient au milieu. Les modèles informatiques pouvaient voir ce schéma complexe, mais une simple ligne mathématique ne le pouvait pas.

5. La grande conclusion

L'article conclut que l'apprentissage est une propriété structurelle.

Vous ne pouvez pas simplement acheter une nouvelle technologie et espérer qu'elle s'installe. Si votre bureau ressemble à la Ville C (des îles isolées), aucun entraînement ne servera à rien car les « routes » entre les gens sont brisées. Vous devez d'abord construire des ponts.

Si votre bureau ressemble à la Ville A (une ville connectée), l'apprentissage se propagera naturellement, mais vous devez protéger le « centre-ville » (les connecteurs centraux) car s'ils partent, tout le système pourrait s'effondrer.

En bref : Pour faire apprendre votre organisation, ne vous concentrez pas uniquement sur l'employé individuel. Concentrez-vous sur la carte de qui parle à qui. Si la carte est brisée, l'apprentissage ne voyagera pas. Si la carte est connectée, l'apprentissage se propagera comme une bonne rumeur.

Résumé Technique : L'apprentissage des épidémies – Une approche compartimentale et par réseaux de la diffusion de la littératie en IA

Énoncé du problème
Les organisations dépendent de plus en plus de la diffusion rapide de nouvelles compétences, pourtant les modèles traditionnels d'apprentissage en milieu de travail traitent souvent l'individu comme l'unité de changement, négligeant les structures de communication qui facilitent le transfert de connaissances. Cette lacune est particulièrement aiguë avec l'intelligence artificielle (IA) générative, où la littératie n'est pas un curriculum fixe mais une cible mouvante acquise par des interactions informelles et latérales. Les auteurs soutiennent que la propagation de la littératie en IA fonctionne comme une « contagion complexe », nécessitant un renforcement provenant de multiples sources plutôt qu'une exposition unique. La littérature existante manque d'un traitement empirique intégré qui mesure les réseaux de communication réels, ajuste des modèles épidémiques explicites à la diffusion des compétences et dérive des nombres de reproduction ( $R_0$ ) interprétables à travers plusieurs organisations pour comparer les résultats structurels.

Méthodologie
L'étude emploie un design longitudinal multi-organisationnel impliquant trois institutions (Institutions 1, 2 et 3) de tailles variables (de 1 000 à 7 124 employés). Les données ont été collectées à trois moments : une base de référence (T0), un point médian (T1) et une fin de période (T2).

Construction du réseau : Les participants ont rempli un instrument de générateur de noms égocentrique, listant jusqu'à dix collègues avec lesquels ils ont discuté de l'IA au cours des 30 derniers jours. Les liens dirigés étaient pondérés par la fréquence des conversations.
Analyse de réseaux sociaux (SNA) : En utilisant Python (NetworkX), les auteurs ont calculé les descripteurs standards (densité, regroupement, réciprocité, taille de la composante géante) et les mesures au niveau des nœuds (degré, mesures de centralité).
Modélisation compartimentale (SEIR) : Les auteurs ont adapté le modèle SEIR (Susceptible–Exposed–Infectious–Recovered) à l'apprentissage :
- Susceptible (Susceptible) : Non informé / ne s'engage pas.
- Exposed (Exposé) : A rencontré le sujet mais ne l'utilise pas.
- Infectious (Infectieux) : Applique activement et transmet.
- Recovered (Guéri/Consolidé) : Utilisation habituelle / consolidée.
- Les paramètres de transmission ( $\beta$ ) et de récupération ( $\gamma$ ) ont été fixés ( $\beta=0,3, \gamma=0,2$ ) pour assurer la comparabilité entre les institutions.
Estimation du nombre de reproduction ( $R_0$ ) : Au lieu d'ajuster le modèle aux courbes d'adoption, le $R_0$ a été estimé de manière analytique à partir de la topologie du réseau en utilisant l'expression du modèle de configuration : $R_0 = \tau(\langle k^2 \rangle - \langle k \rangle)/\langle k \rangle$ , où $\tau$ est la transmissibilité et $\langle k \rangle$ représente les moments de la distribution des degrés.
Apprentissage automatique pour la rétention : Pour prédire quels individus restaient engagés à travers toutes les vagues, les auteurs ont regroupé les données ( $N=770$ ) et entraîné des classifieurs Random Forest et Gradient Boosting. Les prédicteurs incluaient les données socio-démographiques (ancienneté, département, rôle) et la position de base dans le réseau. L'importance des caractéristiques a été analysée parallèlement à des corrélations linéaires point-biseriales pour détecter les relations non linéaires.
Simulation et Visualisation : Une console de recherche basée sur un navigateur a été développée pour permettre aux parties prenantes de visualiser la dynamique des réseaux, de lancer des simulations SEIR sur des topologies réelles et synthétiques, et d'explorer des scénarios contrefactuels (ex: rotation du personnel, intégration).

Résultats clés

Hétérogénéité structurelle : Les trois organisations présentaient des topologies de réseau de base distinctes. L'Institution 1 a formé une grande composante géante connectée (79,6 % des nœuds) ; l'Institution 2 était plus distribuée avec un noyau plus petit ; l'Institution 3 était hautement fragmentée, dominée par des paires réciproquées isolées.
Contraction et consolidation du réseau : Dans les trois organisations, les réseaux de discussion ont rétréci en taille (moins de nœuds et de liens) au fil du temps, mais sont devenus plus denses. Cela suggère que si la population globale se désengageait, les participants restants formaient des clusters plus serrés et plus cohérents.
Corrélation entre $R_0$ et rétention : Les valeurs de $R_0$ de base étaient de 2,92 (Inst. 1), 1,93 (Inst. 2) et 1,14 (Inst. 3). Cet ordre correspondait parfaitement aux taux de rétention des participants à travers les trois vagues (44,4 %, 28,3 % et 11,4 %, respectivement). Les organisations possédant une plus grande capacité structurelle à diffuser l'apprentissage retenaient davantage d'apprenants.
Prédicteurs de la rétention : Les modèles d'apprentissage automatique ont identifié le Département et la Centralité de proximité (Closeness Centrality) comme les prédicteurs les plus forts de la rétention. Notamment, l'Ancienneté a montré une corrélation linéaire quasi nulle avec la rétention ( $r = -0,001$ ) mais a été une caractéristique majeure dans les modèles d'arbres non linéaires, indiquant une relation complexe et non monotone où les employés très nouveaux et très expérimentés peuvent se comporter différemment de ceux du milieu.
Mesures de centralité : La centralité de proximité a été la mesure de réseau la plus informative. La centralité de vecteur propre (Eigenvector centrality) s'est révélée peu informative en raison de la fragmentation du réseau, s'effondrant vers zéro dans les composantes déconnectées.

Contributions clés

Recadrage de l'apprentissage comme contagion : L'étude applique avec succès les outils d'épidémiologie des réseaux à l'apprentissage organisationnel, traitant la littératie en IA comme une contagion complexe dépendant de la cohésion et de la redondance du réseau.
$R_0$ topologique pour l'apprentissage : Les auteurs fournissent une méthode pour estimer un nombre de reproduction de base pour l'apprentissage directement à partir de la topologie du réseau sans avoir besoin d'ajuster des courbes d'adoption, offrant ainsi une métrique structurelle pour la capacité d'apprentissage d'une organisation.
Perspectives non linéaires : En combinant l'apprentissage automatique basé sur les arbres avec les corrélations linéaires, l'étude révèle que des attributs individuels comme l'ancienneté influencent la rétention de l'apprentissage de manières non linéaires que les méthodes statistiques traditionnelles pourraient manquer.
Outils interactifs : Le développement d'une console de recherche autonome permet aux parties prenantes non techniques d'interagir avec les données de réseau, de lancer des simulations et de visualiser les dynamiques de diffusion sans exécuter le pipeline analytique sous-jacent.

Signification et affirmations
L'article affirme que la capacité d'une organisation à utiliser une nouvelle technologie dépend, dans une large mesure, d'une propriété structurelle de son réseau de communication plutôt que d'un simple agrégat d'efforts individuels. L'alignement entre le $R_0$ topologique de base et la rétention finale suggère que la structure du réseau dicte le plafond de la diffusion de l'apprentissage.

Les auteurs soutiennent que ce cadre permet aux organisations de passer d'intuitions diffuses sur la culture à des quantités mesurables. Plus précisément, le $R_0$ peut servir d'outil de diagnostic : dans les réseaux fragmentés (faible $R_0$ ), la priorité doit être de construire des ponts entre les groupes isolés avant d'ajouter du contenu ; dans les réseaux cohérents (haut $R_0$ ), l'accent doit être mis sur la protection du noyau connecté. L'étude conclut que si les attributs individuels comptent, ils opèrent souvent à travers des interactions avec la position dans le réseau et le contexte local, nécessitant des approches capables de capturer les relations structurelles non linéaires. Les auteurs restent modestes, notant que l'alignement $R_0$ -rétention est basé sur trois organisations et doit être traité comme une hypothèse pour des tests ultérieurs, compte tenu notamment des limites liées aux différences de couverture des enquêtes dans l'échantillon.

1. Les trois villes (Organisations)

2. Le « Nombre de reproduction » (R0)

3. Le groupe qui rétrécit et se densifie

4. Qui reste ? Ce n'est pas seulement une question de personne

5. La grande conclusion

Articles similaires