Accurate mean-field predictions for cognitively grounded social influence dynamics with confirmation bias

Résumé Technique : Prédictions de Champ Moyen Précises pour la Dynamique d'Influence Sociale Fondée sur la Cognition avec Biais de Confirmation

Énoncé du Problème
La dynamique des opinions collectives est fréquemment modélisée à l'aide de modèles basés sur des agents (ABM) cognitivement détaillés, tels que les modèles de persuasion par l'argumentation (PAT), qui simulent la manière dont les individus échangent des arguments plutôt que des opinions brutes. Bien que ces modèles offrent un haut degré de réalisme et de flexibilité pour intégrer des données de discours, leur haute dimensionnalité et leurs non-linéarités empêchent souvent toute tractabilité analytique. Cela limite la capacité à dériver des enseignements théoriques généraux, à effectuer des analyses de stabilité ou à intégrer ces mécanismes cognitifs dans des cadres à l'échelle de la population (par exemple, des modèles épidémiologiques ou climatiques). Il existe un manque spécifique dans les traitements analytiques capables de capturer à la fois le réalisme cognitif des modèles d'agents et les dynamiques continues de formation d'opinions, particulièrement concernant le rôle du biais de confirmation dans la transition du consensus vers la polarisation.

Méthodologie
Les auteurs proposent un « pipeline de réduction KIT » qui transforme un modèle PAT de haute dimension, fondé sur la cognition, en un système de champ moyen (MF) de faible dimension et analytiquement tractable. Le processus comprend deux étapes principales :

1. Projection du PAT vers une Fonction de Réponse d'Influence (IRF) :
   Les auteurs dérivent une formulation continue de la dynamique d'opinion à partir du modèle PAT discret d'échange d'arguments. Dans le modèle PAT original, les agents détiennent des croyances binaires sur $2M$ arguments (pro et con), et leur opinion $o_i$ est le compte net des arguments pro par rapport aux con. Les agents échangent des arguments, les acceptant avec une probabilité régie par le biais de confirmation ($\beta$).
   En calculant le changement d'opinion attendu $E[\Delta o_i | o_i, o_j]$ étant donné les opinions de deux agents en interaction, les auteurs dérivent une Fonction de Réponse d'Influence (IRF), $f(o_i, o_j)$. Cette fonction cartographie les interactions par paires vers une dérive attendue de l'opinion, moyennant efficacement les chaînes de croyances sous-jacentes. L'IRF résultante est :
   $$\Delta o_i = \frac{1}{4M} \left[ (o_j - o_i) + \tanh\left(\frac{\beta o_i}{2}\right)(1 - o_i o_j) \right]$$
   Cette formulation capture les effets non linéaires du biais de confirmation tout en dépendant uniquement des opinions actuelles des agents, et non de leurs configurations d'arguments spécifiques.

2. Agrégation de l'IRF vers le Champ Moyen (MF) :
   En supposant un mélange homogène, les dynamiques de l'IRF continue sont agrégées en un système dynamique à deux compartiments. La population est divisée en deux groupes, A et B, avec des opinions moyennes $o_A$ et $o_B$. Le système évolue selon :
   $$\dot{o}_A = (1-p)f(o_A, o_A) + p f(o_A, o_B)$$
   $$\dot{o}_B = p f(o_B, o_A) + (1-p)f(o_B, o_B)$$
   où $p$ représente la probabilité de contact croisé (fixée à $1/2$ pour des tailles de groupes égales). Cela réduit le système à un espace de phase bidimensionnel. Les auteurs utilisent le Jacobien de ce système pour séparer la dynamique en un « mode moyen » et un « mode de polarisation », permettant un test de stabilité simple des équilibres.

Contributions Clés

• Réduction Analytique des Modèles Cognitifs : L'article démontre qu'un modèle PAT complexe, fondé sur la cognition, avec un biais de confirmation, peut être rigoureusement réduit à un système de champ moyen bidimensionnel sans perdre les caractéristiques dynamiques fondamentales de l'ABM original.
• Analyse de Stabilité et de Bifurcation : Le système réduit permet une analyse complète de la stabilité. Les auteurs identifient deux seuils critiques pour le biais de confirmation ($\beta$) :
  1. $\beta^*_1 = 2$ : une bifurcation de type fourche (pitchfork) où l'équilibre de consensus $(0,0)$ perd sa stabilité, et où des équilibres de polarisation émergent (initialement comme des cols instables).
  2. $\beta^*_2 \approx 2.6$ : une seconde bifurcation où les équilibres de polarisation deviennent des attracteurs pleinement stables, permettant la coexistence d'un consensus extrême et d'états polarisés.
• Pont Basé sur les Mécanismes : Le cadre établit un pont explicite micro-macro, reliant le traitement de l'information motivé au niveau individuel aux motifs d'opinion au niveau agrégé. Il fournit une « image globale, au niveau des mécanismes » des points fixes et des bifurcations, faisant abstraction de la topologie spécifique des réseaux.

Résultats

• Précision de la Prédiction : Des simulations étendues comparant l'ABM PAT original, l'ABM basé sur l'IRF réduit, et le système MF montrent un accord remarquable. Le système MF reproduit avec précision la dynamique agrégée et la transition du consensus vers la polarisation observées dans les ABM complets.
• Stabilité de la Polarisation : Dans le modèle PAT original, la bipolarisation est souvent un état métastable qui finit par s'effondrer en un consensus extrême sur de longues échelles de temps. Dans les modèles IRF et MF réduits, l'état polarisé devient un attracteur stable une fois que $\beta > \beta^*_2$. Les auteurs notent que le modèle réduit converge vers un consensus modéré nettement plus rapidement lorsque $\beta=0$, offrant ainsi une efficacité de calcul accrue.
• Conditions Initiales et Effets de Taille Finie : En projetant des conditions initiales aléatoires de l'ABM (chaînes d'arguments aléatoires) dans l'espace de phase MF, les auteurs expliquent pourquoi les populations finies convergent souvent vers la polarisation même lorsque le consensus est théoriquement stable. L'initialisation aléatoire tombe généralement dans le bassin d'attraction de l'état polarisé. L'analyse montre également qu'augmenter le nombre d'arguments ($M$) déplace le seuil de transition vers des valeurs de $\beta$ plus élevées.

Signification et Revendications
L'article affirme fournir une « perspective générale, basée sur les mécanismes » de la manière dont les biais cognitifs influencent les résultats collectifs. Sa principale signification réside dans la démonstration que des processus d'influence sociale complexes peuvent présenter des structures d'espace de phase simples et tractables.

• Utilité Théorique : Le cadre offre un test de stabilité compact (dérivé directement des dérivées de l'IRF) qui sert de langage commun pour comparer différents modèles d'influence sociale, répondant ainsi à une frontière du domaine.
• Intégration Méthodologique : Les auteurs soutiennent que cette réduction facilite l'intégration de modèles d'opinion fondés sur la cognition dans des modèles de compartiments à l'échelle de la population utilisés en épidémiologie et en sciences climatiques. En fournissant un module analytiquement traitable, cela permet d'étudier comment la polarisation des opinions et la propagation de la désinformation interagissent avec d'autres systèmes dynamiques (par exemple, la transmission de maladies) sans la charge de calcul des ABM complets.
• Limites : Les auteurs reconnaissent que l'approche repose sur un mélange homogène et une partition en deux groupes, faisant abstraction de l'hétérogénéité des réseaux du monde réel et des espaces d'opinion multidimensionnels. Ils suggèrent que des travaux futurs étendront le cadre aux topologies structurées et à des cartographies de conditions initiales plus nuancées.