Chapitre 8. Broadcast ou viralité ?

« Whenever nonlinear elements are hooked together in gigantic webs, the wiring diagram has to matter. It’s a basic principle: Structure always affects function. The structure of social networks affects the spread of information and disease; the structure of the power grid affects the stability of power transmission. The same must be true for species in an ecosystem, companies in the global marketplace, cascades of enzyme reactions in living cells. The layout of the web must profoundly shape its dynamics », Steven Strogatz, Sync: The Emerging Science of Spontaneous Order, 2003.

1Lorsque Mathieu Bastian, le lead developer de Gephi, reçut le Duke Award en 2010 au JavaOne, j’étais ravi de voir reconnu au niveau mondial tout le travail des jeunes ingénieurs et des membres du consortium1 créé à l’époque pour soutenir le développement de l’application. Ce premier prix dans la catégorie « Innovative Technical Data Visualization » venait récompenser nos efforts et quelques trouvailles en matière de visualisation de graphes. Je ne me lasse pas de revoir sur Vimeo2 les quatre minutes allouées à la prestation remarquable de Mathieu : il avait choisi de montrer quelques-unes des fonctionnalités clés de Gephi en prenant pour exemple le code Java lui-même (tous les packages du langage reliés entre eux) et la présentation de la timeline vint couronner l’exposé. Il laissa tourner l’algorithme Force Atlas 2 en continu et fit entrer dans le jeu de spatialisation l’ensemble des huit versions successives de Java de l’époque. Visuellement, l’effet était remarquable : les uns après les autres, des dizaines de nœuds vinrent se placer dans l’espace en cherchant leur position optimale, mus par le jeu de plus en plus complexe des forces d’attraction et de répulsion qu’imposait le Force Atlas 2 aux données. Enfin, le temps dans les graphes semblait maîtrisé ! Du moins, il était maintenant manipulable depuis une ligne en bas de l’écran qui fonctionnait comme le cinéma, et avec la même magie.

2Je me pris à rêver de pouvoir disposer d’archives exhaustives et de la puissance de calcul nécessaire pour admirer l’évolution globale du Web comme système depuis le big bang de départ, la première page HTML de Tim Berners-Lee3. On y verrait l’expansion du Web comme le renforcement de ses forces locales de gravité, la conservation d’un diamètre moyen faible pour le nombre de documents présents, l’existence continue d’un giant component où tout est (presque) relié à tout ce qui définit le Web comme un espace continu (ce qui rend possible l’existence de moteurs de recherche généraliste comme Google) jusqu’aux stratégies locales adoptées par les nouveaux entrants dans le système comme je l’ai fait avec mon blog personnel. On y verrait aussi, en toute probabilité, la spécialisation progressive de certains nœuds du système, comme ceux qui figurent dans sa couche haute avec les différents types de réseaux sociaux grands pourvoyeurs de connectivité globale et les évolutions particulières de certains agrégats (en pensant aux ressources web diffusées par les adeptes de l’Église de scientologie). Le Web serait-il sujet à une évolution progressive ou bien à une série de phases ou de crises intenses ? Quelles sont les lois qui en règlent le développement ? Pour une fois, l’évolution du système ne serait pas déduite de lois statistiques, mais d’une forme de rétrospective dynamique et visuelle, et contrôlable depuis la console cinématographique d’une timeline.

3Malheureusement, il n’existe pas d’archives de ce type (à ma connaissance), ni même de programme scientifique pour traiter de questions aussi « métaphysiques ». La timeline de Gephi ne fonctionnera donc que sur des jeux de données relativement restreints, et seulement s’ils contiennent des informations temporelles. Pour ceux qui ne sont pas ingénieurs, la timeline n’est qu’une fonction de plus dans Gephi. Pour ceux qui travaillaient sur l’application à l’époque, ce fut un redoutable défi technique. Lorsque je l’ai vue fonctionner pour la première fois, la timeline avait quelque chose de fascinant, car, avec les deux dimensions du plan ou de l’interface, elle semblait achever de nous donner le pouvoir sur l’ensemble des variables de l’univers des data. Elle a quelque chose à voir avec le cinéma et avec ce point de vue omniscient comme l’a construit la technique de la perspective en peinture. Les data ont trouvé avec elle le dernier élément de leur mise en scène, avec des solutions parfois magnifiques dans le domaine de l’interface et de la dataviz sous forme de curseurs, de sphères ou de points assurant le contrôle du « temps » dans les jeux de données.

4Mais le temps sur le Web reste encore une question si complexe qu’un livre ne suffirait pas à en examiner tous les aspects4. Une fois passé ce moment de fascination pour les pouvoirs de la timeline, je me rendis compte à quel point nous ne faisions qu’effleurer la question du temps dans les graphes avec son cortège de problèmes théoriques et technologiques. Un point en particulier me semblait central pour comprendre les différentes dimensions du temps sur le Web (et donc pour imaginer des instruments de contrôle de la temporalité efficaces dans le cadre de notre projet de recherche technologique). La vue dynamique présentée par Mathieu Bastian lors du JavaOne permettait d’apercevoir l’évolution de la structure en termes d’apparition/disparition de nœuds et de liens (ce que l’on appelle aussi information IN the net en désignant par-là la structure elle-même du réseau), mais ne pouvait pas rendre compte de la façon dont peut circuler une information sur ce réseau (ce que l’on désigne par information ON the net). Autrement dit, la timeline de Gephi portant sur les évolutions de structure devait être clairement considérée comme un premier pas dans la quête d’une représentation plus exhaustive du temps et de ses différentes dimensions, et non comme une finalité. La cartographie de cette sorte de « temps interne » ou de la dynamique de la circulation de l’information devint donc un second objectif. Ce qu’il reste toujours aujourd’hui.

*****

5À l’examen, ces questions émergent dès que l’on utilise des graphes qui produisent d’eux-mêmes une forme de temps qui n’est pas réductible à la vue cinétique et extérieure de la structure en évolution. Je ne sais pas ce que vaut la distinction qui suit, mais elle me semble éclairer certaines particularités des graphes appliqués aux réseaux comme le Web : ces graphes ouvrent un espace particulier dans lequel le calcul des chemins entre les nœuds à travers leurs liens, donc des distances et des différentes propriétés d’une topologie, est aussi un calcul du temps. La distance topologique entre A et B, c’est aussi le temps d’aller de A vers B (sans parler du retour de B vers A qui rend alors l’espace réversible, une figure essentielle des liens hypertextes). La structure dessinée par l’ensemble des nœuds et des liens d’un graphe (de pages web, mais pas seulement) peut donc être considérée sous l’angle des chemins, donc des déplacements. Nous sommes alors dans une logique de flux. Je peux aussi élargir le principe et considérer le lien de A vers B comme une transaction commerciale (par exemple en pondérant les liens) ou comme l’expression d’un système d’interactions sociales. L’image de la circulation de produits financiers « nocifs » dans le réseau des transactions permises par une infrastructure mondialisée me semble correspondre au principe.

Image 8.1

6Dans tous ces cas de figure, la topologie du réseau semble contenir une forme de temps traduite des distances, et donc des propriétés statistiques connues dans le cas du Web. Par exemple, quand je calcule des mesures de diamètre moyen d’un réseau, ou d’autres propriétés comme sa densité (nombre réel de liens/nombre possible de liens) ou des degrés de centralité pour chacune de ses composantes, les liens constituent mon unité de mesure de l’espace, mais aussi du temps du déplacement entre les nœuds. Le temps est d’ailleurs potentiellement inscrit dans certaines figures statistiques déjà rencontrées, par exemple avec la mesure du caractère d’authority d’une page web avec HITS qui, comme le souligne Kleinberg, tend à se renforcer au cours du temps. À vrai dire, la plupart des travaux scientifiques en web mining contiennent une réflexion potentielle sur l’évolution temporelle du système, en particulier quand il s’agit de questionner la conservation de lois statistiques calculées pour l’essentiel sur des jeux de données statiques5.

7Dans cette perspective, il faut considérer que cette dynamique des flux est contrainte, presque produite par la topologie. Envisagé sous l’angle des flux, comme système transactionnel ou comme un immense terrain d’interaction sociale (via des documents ou des informations), le réseau retrouve une dimension dynamique que les graphes « à plat », et la cartographie, ont peut-être trop rapidement figée dans une forme statique. Ainsi, dans l’étude de processus distribués comme les flux physiques, les charges électriques, les transactions commerciales, des contaminations virales, le lien entre A et B peut figurer l’événement-réseau élémentaire dont A et B sont les bornes. Appliqué à grande échelle, le principe ouvre des perspectives fascinantes en matière de gestion des transports, de l’énergie ou d’épidémiologie. Sous l’angle de ce type de dynamique, il faut désormais considérer le Web comme on le fait en biologie à propos du cerveau humain : une structure topologique de neurones et de connexions, mais aussi la dynamique de l’activation de certaines configurations neuronales via des messages chimiques ou électriques. De nombreux projets de cartographie interactive existent aujourd’hui fondés sur l’étude des flux et de la circulation de l’information et qui ont pour vertu (affichée ou non) de révéler la morphologie globale des réseaux (notamment des réseaux sociaux de tous types)6.

Image 8.2

8Cette quête est aujourd’hui à peine entamée en raison des verrous techniques et théoriques qui l’accompagnent. En particulier, l’un des problèmes réside dans les méthodes et les instruments que nous pouvons déployer pour photographier les traces de cette dynamique sous forme de configurations topologiques actives, tout comme les assemblées de neurones dans le déclenchement d’une tâche cognitive. J’aime à considérer ce type d’objectif comme une quête des empreintes dont la collection permettrait d’évaluer en quoi un phénomène dynamique éclaire tout ou partie d’un graphe et selon quel(s) type(s) de propagation à travers une structure qui lui imprime ses propres contraintes. En d’autres termes, que nous apprend la structure sur le temps et, simultanément, que nous apprennent les phénomènes de propagation sur la structure ?

9Ce que j’appelle des empreintes topodynamiques livrera des informations précieuses sur les durées différentes des phénomènes observés, de la plus courte (A- > B distance 1 ou intervalle temporel 1) à la plus vaste en calculant tous les chemins possibles dans un graphe (par exemple, si l’on imagine un ensemble de nœuds contaminés de proche en proche par un virus, étape après étape). En d’autres termes, les nœuds d’un graphe s’allument-ils tous d’un seul coup ou bien par vagues successives, jusqu’à contaminer l’ensemble de la structure ? Et d’où vient le signal de départ, quel(s) type(s) de nœuds entame-t-il le processus ? Et au-delà, se posent toutes les questions (déjà connues) du type de réseau et de nœuds auquel on a affaire : les éléments d’une structure en réseau (du simple relais électrique dans un réseau de distribution de l’énergie à l’individu engagé sur les réseaux sociaux) ne sont pas passifs et une alchimie complexe se joue en chacun d’eux pour transmettre à leurs voisins une information, la transformer, voire la retenir sans la diffuser. Ces empreintes pourraient ainsi révéler l’amplitude ou la « surface » des phénomènes dynamiques si l’on considère le nombre de nœuds et de liens impliqués dans un phénomène dynamique en rapport avec le nombre total de liens et de nœuds du graphe. Un événement peut ainsi concerner seulement quelques nœuds locaux d’un agrégat ou bien l’ensemble du système. Pour comprendre la dynamique de l’information sur le Web, il faudrait donc pouvoir adosser des scénarios de propagation aux propriétés de structure, une clef méthodologique et théorique.

*****

10À ma connaissance, il n’existe pas encore de bibliothèque accessible de cas argumentés sur ce genre de phénomènes (notamment des chemins parcourus par une information sur le Web ou les réseaux sociaux), qui pourraient faire émerger des modèles d’empreintes topodynamiques ou valider des modèles théoriques à travers des jeux de données nombreux et divers. Pour être franc, je ne possède pas encore ce genre d’appareil photographique puissant qui m’ouvrirait sur des archives suffisamment riches et diverses pour établir des modèles de circulation ou de propagation de l’information sur le Web.

11Mais des pistes d’expérimentations ont été ouvertes ces dernières années, notamment sous l’angle de l’étude des phénomènes sociaux propagatoires que l’on rapproche souvent de la notion de viralité ou d’epidemics. Dans ce champ des web studies, on considère le Web comme un média social dont s’emparent les internautes qui le transforment en espace d’interactions multiples à travers la production et la diffusion d’informations. Parmi tous les jeux d’interaction possibles, celui de la production ou de la recherche d’influence a particulièrement retenu l’attention des chercheurs en sciences sociales, notamment les sociologues et les économistes qui se sont plongés dans l’étude de la diffusion de l’innovation, des opinions et des croyances, des communautés sociales sous l’angle du partage des valeurs idéologiques. Je n’oublie pas non plus le cortège d’experts en marketing, en stratégies d’influence, en communication publique, en community management ou en influence des marques qui ont l’œil rivé sur ce champ de recherche depuis l’avènement du Web 2.0. Et on comprend cet intérêt : une étude exhaustive des mécanismes de la diffusion d’une idée ou d’une information éclairerait la nature ou la forme de la structure sociale, mais constituerait aussi le premier pas sur la possibilité de l’orienter ou de la contrôler. Cependant, nous en sommes encore loin et il faut accorder un crédit très relatif à ceux qui font commerce de leurs capacités à « agir » ou à « prévenir » sur des phénomènes aussi dynamiques que la rumeur ou la réputation, des phénomènes qui restent encore mystérieux à bien des égards.

12Si les interrogations théoriques demeurent aujourd’hui, les data arrivent. L’étude du Web considéré comme un espace d’interaction sociale a permis depuis quelques années le développement d’une infrastructure de recherche. C’est le cas notamment d’une foule de start-up dans le monde qui produisent jour après jour de grands corpus de data selon leurs domaines d’activité, là où les laboratoires publics de recherche ne peuvent rivaliser. De cet univers de l’observation du Web comme système social (notamment par les industriels de l’information) commencent à émerger au plan théorique et méthodologique des CSS dont se réclame aujourd’hui Duncan Watts notamment7. Comme le précise l’auteur dans ses plus récentes conférences8, le coût, l’échelle et la rapidité des expérimentations à partir des données d’usage ou les traces générées sur le Web par les activités en ligne renouvellent profondément les formes de l’expérimentation en sciences sociales. Ces données, et au-delà le big data, permettent de balayer aussi bien les niveaux macro que micro d’un phénomène et comportent souvent des informations temporelles. Une aubaine pour un data scientist, du moins si vous travaillez dans l’univers des start-up.

13Ces avancées en termes d’ingénierie de captation ont démultiplié nos capacités d’observation, mais, pour le moment, sans avancée notable en termes de modèles théoriques, voire de prédiction. Duncan Watts rappelle d’ailleurs la faiblesse théorique de ce champ émergent des CSS9. Pour le dire autrement, nous n’en sommes qu’au début de la (longue) quête des empreintes topodynamiques qui pourraient alimenter en retour un ou plusieurs modèles théoriques. Les chercheurs de ce domaine et des équipes de R&D des start-up spécialisées dans l’étude du Web comme média social concentrent aujourd’hui leurs efforts sur une question centrale : quelle(s) forme(s) structurale(s) peut revêtir la diffusion d’une opinion, la propagation d’un virus informatique, l’adoption d’une innovation ? S’agit-il de phénomènes qui supposent une propagation comme on l’imagine pour des virus dans la société humaine ou bien d’un changement d’état rapide et instantané ? Modèle de diffusion de l’information de type broadcast ou modèle de type viral ? À l’évidence, il s’agit d’une question massive, mais centrale, notamment pour tous ceux qui considèrent les mécanismes de l’influence comme l’un des moteurs du Web sous l’angle de sa dynamique. À certains égards, c’est une évidence : le Web joue un rôle manifeste et puissant dans la propagation des idées (nouvelles ou anciennes), des mobilisations politiques (comme dans le cas des partisans du « non » au projet de Constitution européenne en 2005) ou des campagnes marketing ou publicitaires (les communautés de fans de produits Apple en ligne). Mais ces certitudes n’éclairent pas la question de la forme de la diffusion ou de la propagation dont on peut supposer qu’elle est contrainte par la structure du réseau. Si quelque chose devient populaire sur le Web, comment cela le devient-il ? Encore une fois, la nécessité de photographier la dynamique d’un processus de propagation s’impose.

14C’est là que l’accès à de grandes bases de données devient capital. À moins d’être devin, il est toujours aussi difficile (voire impossible) de prévoir la diffusion à grande échelle sur le Web d’un phénomène informationnel, et donc de mettre en place par avance un dispositif d’observation. Dans certains cas, comme un événement majeur programmé (par exemple une coupe du monde de football ou des élections présidentielles, on peut s’attendre à des phénomènes massifs issus des grands médias et de la couche haute du Web qui vont « communiquer » et/ou à l’effervescence générée dans certaines communautés déjà identifiées et impliquées par nature. C’est un scénario, mais il en est d’autres à identifier : quelle histoire et quelle forme ont pu prendre, par exemple, la mobilisation des internautes contre le projet de Constitution européenne (2005), les parabènes dans les cosmétiques (2008) ou la peur de la grippe aviaire (2009) ? Prévisibles ou non, de tels événements doivent pouvoir être traduits, interprétés ou analysés en fonction des dessins que la structure leur imprime.

15L’interrogation des données déjà archivées est donc aujourd’hui incontournable pour essayer de repérer un « événement » informationnel remarquable (ou une succession d’événements) et examiner son empreinte topodynamique. Et c’est le travail auquel se livre Duncan Watts dans son analyse des motives générés par toutes ces marques produites par les internautes dans leurs activités quotidiennes (tweets et retweets, like, liens hypertextes de citations, tags, signalement de messages sur les plates-formes sociales ou de jeux…). Dans un premier temps, il examine différents silos d’information (dont Twitter) pour constater… qu’il ne se passe presque rien de notable (« much of the time, nothing happens »). À l’évidence, le Web n’est pas cette grande machinerie d’interactions sociales où chacun serait à l’écoute de ses voisins, et tout le temps ! La dynamique sociale attendue laisse place à ce qui apparaît plutôt comme une multitude de solitudes. Il note que dans 99 % des cas, un message émis n’est pas repris (cité, tagué, lié…) ou alors qu’une seule fois. Autrement dit, le temps ou la distance moyenne de l’empreinte topodynamique type est soit de 0 soit de 1, parfois 2. Sous cet angle, le temps sur le Web se donne d’abord comme d’innombrables microévénements qui n’ont guère de retentissement. Duncan Watts établit la synthèse des types de chemins parcourus par une information ou par l’établissement d’une connexion dans laquelle il fait figurer tous ces little motives qui semblent peupler majoritairement le Web social :

Image 8.3

16Tous ces motifs communicationnels extrêmement réduits, et largement majoritaires sur le Web, ne permettent pas d’éclairer de façon plus large le réseau en cartographiant des phénomènes dynamiques plus vastes. C’est pourquoi, dans un second temps, Duncan Watts construit une étude plus étendue avec des données massives : 1,4 milliard de tweets associés à 65 millions de comptes et concentrés sur des milliers d’événements informationnels comme la circulation d’une vidéo, des propos politiques repris et « faisant le buzz », la relation d’une catastrophe ou d’actes terroristes de grande échelle, des rencontres sportives… L’idée que poursuit Duncan Watts est de constituer une bibliothèque de cas à partir des différents types d’empreintes topodynamiques qu’il isole dans les data sets (« diffusion paths in a structural way »). La synthèse qu’il en fait retranscrit les différents modes de propagation de l’information à travers les réseaux sociaux :

Image 8.4

17Dans ce tableau, le premier et le dernier cas représentent deux extrêmes ou, si l’on veut, deux scénarios types de propagation de l’information. Dans le premier, la totalité des nœuds « touchés » (reprises, signalements, retweets, tags comme les like sur Facebook…) le sont directement à partir d’une source qui semble rayonner en touchant d’un seul coup son public, de façon large et massive. C’est le modèle broadcast, attesté ici en termes d’empreintes topodynamiques. À l’opposé, dans le dernier cas, les données valident un modèle de type viral avec une « contamination » de proche en proche, d’individu à individu (ou de communauté à communauté) par proximité structurale. Entre l’un et l’autre extrêmes se déclinent tous les autres scénarios qui semblent hybrider les modèles broadcast et viral. La façon dont un phénomène informationnel se propage éclaire donc la structure du réseau sous différents angles, mais dans un champ de possibles fixé par deux extrêmes (propagation massive et globale ; propagation de proche en proche au niveau local). Les données de Duncan Watts ne disent rien sur la durée réelle des phénomènes observés, ni même d’ailleurs sur les détails de la propagation (par exemple, dans le cas du scénario broadcast, les nœuds « touchés » le sont-ils simultanément ou bien successivement ?). En revanche, elles indiquent clairement, dans la typologie des chemins parcourus, que les nœuds impliqués jouent différents types de rôle dans la structure globale du système. Dans le cas d’un scénario de type broadcast, les nœuds qui diffusent en premier l’information (les déclencheurs si l’on veut) sont topologiquement reliés à beaucoup d’autres de façon directe, correspondant à des hubs très connectés de la couche « haute ». Dans le cas d’un scénario de type viral, le modèle de diffusion ferait plutôt penser à la façon dont peut circuler une information dans la couche médiane des agrégats ou des communautés épistémiques qui élaborent de façon plus collective leurs savoirs, leurs valeurs ou leurs informations.

*****

18Le rapprochement que j’opère ainsi entre les données de l’observation et le modèle en couches du Web10 peut paraître trop rapide, presque arbitraire. Cependant j’en reste convaincu : ce modèle peut éclairer la forme du Web, mais aussi les dynamiques temporelles qui l’animent, à partir des mêmes patterns topologiques.

Image 8.5

19Entre le modèle broadcast (un grand média diffuse une information reprise par une multitude d’internautes, immédiatement) et le modèle viral (par contamination successive des nœuds au niveau médian), tous les scénarios d’hybridation sont possibles. Et ils correspondent aux premières données analysées par Duncan Watts. Broadcast ou viralité ? La réponse est probablement entre les deux dans différentes formes d’hybridation. Par exemple, c’est le cas quand un internaute diffuse un document, repris ou cité dans sa communauté (techniquement, au sein de son agrégat), puis repris et cité par un ou plusieurs médias et enfin repris et cité dans de multiples agrégats sur le Web. Les cas me semblent nombreux de ce cheminement : un militant diffuse une vidéo sur les pratiques inacceptables des abattoirs en matière de respect de la vie animale, le succès local de la vidéo entraînant sa « publicisation » dans un hub de la couche haute (par exemple, tweeté par une agence de presse ou repéré par un journaliste pour sa réception massive sur YouTube) et, de là, commentée, reprise, citée, pointée par une multitude d’internautes dans les heures qui suivent. Et le processus inverse est tout aussi vérifiable selon moi : une campagne orchestrée par les médias et différents pouvoirs en place peut très bien ne pas trouver d’écho dans les communautés épistémiques constitutives des agrégats de la couche médiane du Web. Elle peut même engendrer des formes de rejet massif, comme en 2005 lors de la campagne pour le projet de constitution européenne soumis au référendum en France. La mobilisation des acteurs de cinéma, des sportifs, des hommes politiques, des dirigeants d’entreprise, des artistes, sur le Web et ailleurs, n’avait pas suffi à convaincre la nation. Elle avait même abouti à un contre-mouvement, qui lui-même avait généré à l’époque ses propres hubs (dont le site web d’Étienne Chouard, une référence depuis lors11). Évidemment, le référentiel commun du temps ne permet guère de rendre compte de la nature de ce qui se joue dans un réseau comme le Web : la multitude de scénarios hybrides possibles entre broadcast et viralité se déploie-t-elle à l’échelle des secondes, des heures, des jours, des semaines ? D’une certaine façon, peu importe. Seule compte, pour le moment, la façon dont s’enchaînent les événements dont la fameuse cascade est l’une des figures essentielles et les plus étudiées (par exemple, les pannes en cascade dans des systèmes techniques complexes comme les réseaux de distribution de l’énergie, les télécommunications ou les grands systèmes d’information). Je suis aujourd’hui convaincu que les événements s’enchâssent dans la topologie du Web et que les données de l’observation en portent l’empreinte. Sur ce point, mon référentiel est le modèle en couches du Web que nous avons élaboré, et il semble éclairer singulièrement les figures centrales que découvrent petit à petit les chercheurs comme Duncan Watts12.

Image 8.6

20Il paraît logique d’imputer les phénomènes broadcast, ou de diffusion massive sur le Web, aux différents rôles que joue la couche haute du réseau, la seule à générer la connectivité nécessaire à la fulgurance et à l’universalité d’une diffusion générale. On peut inscrire dans la couche haute l’ensemble des grands hubs du Web, soit parce qu’ils diffusent de l’information au sens des médias « verticaux » classiques soit parce qu’ils organisent la distribution de la connectivité (les fameuses plateformes du Web 2.0). Il me semble d’ailleurs que la limite entre les deux familles tend de plus en plus à se confondre, notamment parce que les plateformes avancent ou publicisent certains contenus et, inversement, parce que les grands médias d’information cherchent, eux, à fédérer leurs auditoires via de nombreux instruments d’échanges (notamment, je lis souvent attentivement les commentaires des internautes suite à la publication d’articles de presse en ligne). Pour donner un aperçu de la vitalité de cette couche haute, voici les statistiques du trafic que génèrent quelques-uns des principaux « super hubs » de la couche haute du système :

21De façon complémentaire, l’idée, voire l’idéologie, de la viralité (empruntée à l’épidémiologie dans ses modèles) me semble rendre compte de cette dynamique liée aux formes sociales d’organisation de communautés, souvent synonyme « d’engagement » de leurs acteurs. À ce niveau du Web, la circulation de l’information est alimentée par des phénomènes de proximité, des liens tissés de longue date, des proximités locales ou des réseaux de confiance en termes d’identification des sources.

*****

22On peut donc supposer que les scénarios de diffusion ou de propagation (d’une information, mais aussi d’un flux ou d’une valeur) se situent quelque part entre broadcast et viralité, et en fonction de la topologie du réseau qui imprime alors au temps ses formes propres. Le principe de l’hybridation, ce quelque part, relève de la nécessité structurale si l’on se réfère au modèle du Web en couches : peut-on imaginer une dynamique informationnelle se développer sans inclure à la fois l’infrastructure de grands systèmes (notamment de connexion sociale) et les propriétés locales et particulières des communautés d’acteurs regroupés en agrégats ? Là aussi, c’est l’accumulation des cas d’observation, éventuellement organisés en bibliothèque, qui permettra de développer un appareil conceptuel et méthodologique efficient pour classer les types topodynamiques « d’événements » propagatoires, les repérer dans les data et, peut-être un jour, apercevoir des « cycles » ou des formes de périodicité typiques jusqu’à leurs prémisses sous forme de « signaux faibles ». Mais nous en sommes loin et la difficulté de la tâche nous avertit du danger des simplifications que suppose le « marketing viral », les méthodes et les instruments de e-réputation, du flou qui entourent certains concepts comme ceux « d’influenceurs » ou de « communautés actives ».

23Les modèles théoriques balancent eux aussi entre deux scénarios types, dont l’un et l’autre sont proches du principe de la diffusion virale et de la diffusion broadcastée13. Le premier consiste à supposer que les idées, les innovations, les news, les idéologies se propagent sur le Web comme le font les virus dans une population, par contamination de proche en proche. C’est notre façon spontanée d’envisager les phénomènes informationnels, presque indépendamment de la forme du réseau qui nous relie, en empruntant aux grandes épidémies toute une imagerie impressionnante (comme celle de l’Europe contaminée par la peste noire au Moyen Âge, par vagues successives). Ce principe de contamination par contiguïté physique dans le cas des virus (biologiques) nourrit l’idée largement répandue qu’il en va de même avec l’information à travers les réseaux où compteraient, plus que tout, le nombre d’individus exposés et la surface occupée par le phénomène, dessinant les frontières d’un disease front. C’est là que le modèle viral, en marketing par exemple, puise quelques-uns de ses arguments, comme parfois aussi la communication politique, comme si les « agents » ou les « acteurs » ne produisaient pas d’inférences sur la forme et les méandres du réseau qui les relie. Le principe de la diffusion de proche en proche n’est pas niable, notamment à l’échelle des agrégats entre acteurs d’une communauté (ce que l’on appelle aussi les peer-to-peer models), mais il faut en situer la mécanique dans le cadre plus large des connexions possibles avec les communautés voisines et, surtout, avec la couche « haute » du Web.

Image 8.7

24Au principe de la contagion (sociale, informationnelle) et de la viralité supposée de certains éléments locaux (innovations, idéologies, révélations…) qui se propagent petit à petit à l’échelle d’un système, il faut pouvoir associer des modèles d’analyse plus globaux qui rendraient compte de phénomènes massifs comme des mutations globales ou la logique d’enchaînements inéluctables comme les « cascades » (particulièrement en cas de défaillances d’un système distribué). Les jeux de données massives que l’on pourrait traiter sous forme     d’empreintes topodynamiques ne sont guère accessibles aujourd’hui (du moins, à ma connaissance), leur traitement supposant par ailleurs une infrastructure de calcul significative et hors de portée du cartographe que je suis. À cette échelle, ce sont plutôt les modèles théoriques qui dominent, avec leurs cortèges de concepts issus des sciences physiques notamment comme ceux de transition de phase, de seuil critique (ou de tipping point) ou de percolation. Ces concepts, bien au-delà des sciences du Web, ont marqué l’histoire des modèles d’évolution des systèmes complexes et distribués, en particulier dans les domaines de la sécurité industrielle (le tipping point dans le cas des catastrophes industrielles), de la biologie (mutations génétiques rapides), de l’histoire (les révolutions), de la chimie (passages progressifs ou fulgurants des états solides-liquides-gazeux), de l’économie (crises financières). Dans une perspective de graphes appliqués à ce type de système, l’investigation scientifique repose sur l’idée de prendre en compte l’ensemble des paramètres d’un réseau ouvert et distribué (comme le Web), notamment celui du diamètre et des chemins les plus courts, celui du seuil de tolérance ou de résistance des nœuds du système (qui « filtrent » l’information et la rendent acceptable) et, enfin, l’hypothèse que l’évolution globale de vastes systèmes complexes est réglée par une série d’« événements », voire de crises qui aboutissent à sa mutation, à son évolution, à son adaptation. Duncan Watts, Albert-László Barabási ou Steven Strogatz en ont étudié certains aspects sous forme de modèles abstraits et complexes mathématiquement à calculer. Duncan Watts, en particulier, essaie de concevoir des scénarios globaux de diffusion en croisant les propriétés topologiques d’un réseau (distribution des liens en loi de puissance entre les éléments, diamètres courts…) avec différents seuils de résistance pour chacun des nœuds. Dans ce type de modèle, les nœuds du graphe (donc les acteurs-diffuseurs-relayeurs d’informations) sont considérés comme des agents connaissants effectuant des inférences sur leur environnement et qui tiennent compte des externalités (comme l’« état » de leurs voisins). En effet, dans le cas de la diffusion d’informations politiques, idéologiques, religieuses ou qui touchent plus généralement à la décision et aux valeurs, le nombre de voisins d’un acteur avec lesquels il est relié comme leurs différents seuils de résistance (qui peuvent être très variables) entrent comme variables d’un modèle de diffusion (ce qu’ont noté les économistes quand ils étudient la diffusion des innovations).

Image 8.8

25C’est de ce type de dispositif expérimental que Duncan Watts tire par exemple son modèle de propagation en cascade14. Bien que dans cette démarche mathématique les réseaux soient souvent produits de façon aléatoire et non issus de données réelles, certaines conclusions qu’en tire Watts semblent précieuses. Une diffusion globale « en cascade » n’est envisageable qu’à deux conditions. La première est que l’on trouve dans le réseau un nombre suffisant de nœuds ayant des seuils de résistance peu élevés (ou, si l’on veut, qu’il y ait un public « à convaincre »). La seconde est que le nombre de liens par nœud (la densité) soit suffisamment important (pour « faire réseau », au sens par exemple des graphes de données web), mais pas trop élevé non plus. En effet, dans un univers massivement connecté (donc très dense), sachant que chacun des nœuds produit des inférences sur l’état de ses innombrables voisins immédiats, l’activation d’un seul ne suffirait pas à enclencher la moindre propagation. Par contre, quand le phénomène apparaît, il est fulgurant et massif puisque ce sont les nœuds les plus densément connectés au réseau qui entament le processus. C’est ce que les physiciens appellent une transition de phase discontinue. Et la description que fait Duncan Watts de cette configuration abstraite semble correspondre assez bien à ce que nous avions défini comme une « couche haute » du Web. Et l’auteur poursuit en notant que plus on diminue statistiquement le nombre de liens par nœuds (diminution de la densité), plus la propagation à l’échelle du réseau prend du temps, de cluster à cluster, comme s’il s’agissait d’un phénomène de diffusion lente et latérale d’agrégat en agrégat. Au niveau le plus bas, en imaginant que chaque nœud n’est relié qu’à un seul autre, le succès ou l’échec de la propagation dépend donc essentiellement de la distribution des seuils de résistance à l’échelle du réseau.

26Notre capacité à saisir la dynamique temporelle sur les réseaux dépendra donc de la façon dont les données valideront, selon les cas, des modèles de propagation locale ou globale, instantanée ou successive et toujours en articulant la forme des empreintes recueillies aux propriétés topologiques. Le principe du modèle du Web en couches indique, à lui seul, combien les figures du temps varient suivant le type de topologie hypertexte dans lequel on se trouve. C’est une piste parmi d’autres et d’autres concepts mériteraient d’être interrogés à la lumière des premières hypothèses produites par les scientifiques. Parmi eux, Steven Strogatz se distingue pour avoir fait de la synchronie une « science », interrogeant inlassablement différents systèmes distribués pour leurs propriétés évolutives15. Le point de départ de sa quête réside dans l’hypothèse qu’il n’existe pas d’horloge centrale dans les grands systèmes distribués comme les écosystèmes, le Web ou les cellules et que le temps est inscrit dans la forme du réseau étudié. En suivant Steven Strogatz dans son investigation des réseaux (dont ses travaux communs avec Duncan Watts) et de leurs différents modèles scientifiques, on comprend la fascination du chercheur pour la synchronie, un phénomène où toutes les dimensions d’une topologie (nœuds, liens, couches…) fonctionnent à l’unisson sans laisser apercevoir la moindre dilatation, la moindre durée. Mais il y a loin des réseaux techniques de capteurs ou de transformateurs électriques (comme souvent en recherche technologique) aux réseaux humains et à leurs interactions, numériques ou non : peut-on imaginer tous les hommes agir de façon synchrone, penser le monde d’une façon unique et se connecter de façon prévisible dans un espace social où chacun serait, en quelque sorte, à sa place ?