Description du sujet de thèse

Objectif : comprendre à partir de modèles confrontés à des données empiriques, la manière dont les opinions et les préférences des individus interagissent avec la structuration des réseaux et groupes sociaux pour engendrer des comportements collectifs et des dynamiques sociales.

Mots clés : science sociales computationnelles, dynamiques d'opinions, modélisation des systèmes complexes, web-mining & deep learning, sciences cognitives.

La modélisation formelle des phénomènes sociaux a connu plusieurs apports interdisciplinaires depuis les travaux fondateurs de John Nash sur les jeux non-coopératifs avec les apports de la psychologie sociale, la sociologie, l'économie cognitive ou l'anthropologie. Des modèles théoriques stylisés basés sur la physique statistique et la théorie des systèmes dynamiques, ont abordé la question centrale de l'articulation entre individus et collectif. Ces travaux, qui ont formalisé de manière stylisée les concepts d'opinions, de normes et de valeurs, n'ont été confrontés aux systèmes réels que de façon qualitative, par manque de données à grande échelle sur ces phénomènes.

L'accessibilité aux données massives permise par les réseaux sociaux en ligne a changé la donne. Ainsi, et malgré les questionnements relatifs à la segmentation sociale des utilisateurs de ces plateformes, il devient néanmoins possible de les utiliser pour aborder plusieurs questions concernant des dynamiques sociales. Par exemple, il est possible d'étudier la formation de consensus, ou de polarisation autour d'un sujet de d'intérêt social ou encore d'évaluer des phénomènes de diffusion des rumeurs ou des fausses nouvelles.

Ce projet de thèse visera à développer des formalismes susceptibles de faire le pont entre différentes approches de la modélisation sociale (théorie des jeux, physique statistique, systèmes dynamiques, et réseaux complexes) en intégrant de manière multi-niveaux les questions de formation d'opinion, de valeurs et de normes, intrinsèquement reliées à la personnalité des acteurs sociaux, et les structures sociales dans lesquelles ils évoluent (modélisées comme des réseaux complexes). En particulier, nous proposons d'étudier la dynamique de couplage entre les processus de morphogenèse des propriétés intrinsèques aux acteurs sociaux et ceux des réseaux d'interactions qu'ils forment, par des approches théoriques et empiriques.

La personne recrutée pour ce projet aura pour mission de développer des nouveaux formalismes pour l'étude de la dynamique d'opinion, à l'interface entre la physique statistique, la théorie des jeux, les modèles agents, la modélisation des réseaux complexes et la science des données. Ces modèles devront être nourris par les connaissances issues des principales théories de l'individu (sciences cognitives) et du social (sociologie / anthropologie) et seront validés en s'appuyant sur la solide masse des données et reconstructions issues des macroscopes de l'Institut des Systèmes Complexes de Paris Île-de-France (ISC-PIF) sur des sujets tels que la politique française, le climat et la pandémie de COVID-19.

Cette thèse s'inscrit dans un projet interdisciplinaire financé par l'appel 80PRIME du CNRS, qui vise à mieux appréhender les impacts sociétaux sur le long terme des crises telles que les pandémies ou le réchauffement climatique sur nos sociétés, en modélisant les processus d'attention collective, d'évolution des valeurs et d'opinions et plus globalement, de changement de mode d'interaction en société.

Liens utiles : http://politoscope.org, http://climatoscope.org ; https://iscpif.fr/recherche/projets

Contexte de travail

L'Institut des Systèmes Complexes de Paris Île-de-France est une unité du Centre National de la Recherche Scientifique, l'un des plus grands et prestigieux organismes de recherche français. L'ISC-PIF est en partenariat avec plus d'une douzaine d'autres universités et organismes de recherche français, ainsi qu'avec la ville de Paris et l'Île-de-France. L'ISC-PIF est un lieu dédié au développement de recherches innovantes et interdisciplinaires sur les systèmes complexes à la croisée de la modélisation, du calcul haute performance et des mégadonnées. Il catalyse, depuis 2005, l'émergence de pratiques communes et interdisciplinaires, facilitant l'accès aux compétences, aux méthodologies et à la mise en commun de moyens pour la recherche. Outre les personnels CNRS qui pilotent et animent la recherche et développement, l'ISC-PIF a un programme de résidences scientifiques qui permet à des chercheurs d'établissements partenaires de mener des projets en bénéficiant des [plateformes et services](https://iscpif.fr/services) de l'ISC-PIF. La/le doctorant.e bénéficiera pour la partie machine learning IA d'un environnement de calcul exceptionnel incluant grille de calcul, cloud computing (avec surcouche Spark/Hadoop), serveurs multicoeurs (1To Ram) et Cluster GPU.

La personne recrutée, bénéficiera aussi du statut de membre du LPTM de CYU..

École Doctorale : formation doctorale « Sciences de la Société » co-accréditée EHESS / ENS-PSL.

Informations complémentaires

Formation et compétences attendues : Master en Mathématiques Appliquées, Physique, Informatique ou apparenté. Maîtrise des langages de programmation permettant la réalisation des simulations extensives ainsi que l'analyse des données massives. Intérêt pour l'approche interdisciplinaire.

Modalités de candidature : Envoyer votre CV, lettre de motivation, relevé de notes (L1-M2) et deux lettres de recommandation aux co-encadrants de préférence avant le 15 juin 2023. La sélection se fera sur entretien après sélection sur dossier d'ici fin juin 2023.