Si vous avez passé un certain temps à réfléchir à des systèmes complexes, vous comprenez sûrement l'importance des réseaux. Les réseaux dominent notre monde. Des réactions chimiques à l'intérieur d'une cellule, au réseau des relations dans un écosystème, en passant par les réseaux commerciaux et politiques qui façonnent le cours de l'histoire.

Ou considérons cet article que vous lisez. Vous l'avez probablement trouvé dans un réseau social, téléchargé depuis un réseau informatique et vous décryptez actuellement le sens à l'aide de votre réseau de neurones.

Mais peu importe le temps que j'ai passé à réfléchir aux réseaux au fil des ans, jusqu'à récemment, je ne comprenais pas l'importance de la simple diffusion.

C'est notre sujet du jour : comment et à quel point tout se déplace et se propage de manière chaotique. Quelques exemples pour aiguiser votre appétit :

• Les maladies infectieuses qui se propagent d'un porteur à l'autre au sein d'une population.
• Les mèmes qui circulent à travers le graphe des abonnés sur les réseaux sociaux.
• Un incendie de forêt.
• Les idées et les pratiques qui pénètrent dans la culture.
• Un cascade de neutrons dans de l'uranium enrichi.

Une brève remarque sur la forme.

Contrairement à tous mes travaux précédents, cet essai est interactif [v l'article original des exemples interactifs avec des curseurs et des boutons qui contrôlent des objets à l'écran — note du traducteur].

Alors commençons. La première tâche est de développer un dictionnaire visuel pour la diffusion à travers les réseaux.

Un modèle simple

Je suis sûr que vous connaissez tous les bases des réseaux, c'est-à-dire les nœuds + les arêtes. Pour étudier la diffusion, il suffit de marquer certains nœuds comme actifs. Ou, comme aiment le dire les épidémiologistes, infectés:

Cette activation ou infection se propage à travers le réseau de nœud à nœud selon les règles que nous développerons ci-dessous.

Les réseaux réels sont généralement beaucoup plus grands que ce simple réseau de sept nœuds. Ils sont également beaucoup plus complexes. Mais pour simplifier, nous allons construire un modèle jouet ici pour étudier la grille, c'est-à-dire un réseau en treillis (lattice network).

(Le fait que le réseau manque de réalisme est compensé par le fait qu'il est facile à dessiner 😉

À moins que cela ne soit précisé autrement, chaque nœud du réseau a quatre voisins, par exemple :

Et il faut imaginer que ces grilles s'étendent à l'infini dans toutes les directions. En d'autres termes, le comportement qui se produit uniquement aux bords du réseau ou dans de petites populations ne nous intéresse pas.

Étant donné que les grilles sont si bien ordonnées, elles peuvent être simplifiées en pixels. Par exemple, ces deux images représentent le même réseau :

Dans un des scénarios, le nœud actif transmet toujours l'infection à ses voisins (non infectés). Mais c'est ennuyeux. Des choses beaucoup plus intéressantes se produisent lorsque la transmission est probabiliste.

SIR et SIS

Dans modèles SIR (Susceptible-Infecté-Removed) un nœud peut se trouver dans trois états :

• Vulnérable (Susceptible)
• Infecté (Infected)
• Retiré (Removed)

Voici comment fonctionne la simulation interactive [dans l'article original vous pouvez choisir la vitesse de transmission de l'infection de 0 à 1, voir le processus étape par étape ou dans son intégralité — note du trad.]:

• Les nœuds commencent comme vulnérables, à l'exception de quelques nœuds qui commencent comme infectés.
• À chaque étape temporelle, les nœuds infectés ont la chance de transmettre l'infection à chacun de leurs voisins vulnérables avec une probabilité égale à la vitesse de transmission.
• Les nœuds infectés passent ensuite à l'état « retiré », c'est-à-dire qu'ils ne peuvent plus infecter d'autres ou être infectés eux-mêmes.

Dans le contexte d'une maladie, le retrait peut signifier qu'une personne est décédée ou qu'elle a développé une immunité au pathogène. Nous disons qu'ils sont « retirés » de la simulation, car il ne se passe plus rien pour eux.

Selon ce que nous essayons de modéliser, un autre modèle, différent du SIR, peut être nécessaire.

Si nous simulons la propagation de la rougeole ou une épidémie de feu de forêt, le SIR convient parfaitement. Mais supposons que nous simulons la diffusion d'une nouvelle pratique culturelle, telle que la méditation. D'abord, le nœud (personne) est vulnérable, car il ne l'a jamais fait auparavant. Ensuite, s'il commence à méditer (peut-être en entendant parler de cela par un ami), nous le modéliserons comme infecté. Mais s'il cesse la pratique, il ne mourra pas et ne sortira pas de la simulation, car il peut facilement reprendre cette habitude à l'avenir. Ainsi, il retourne à l'état vulnérable.

C'est modèle SIS (Susceptible–Infected–Susceptible). Dans le modèle classique, il y a deux paramètres : la vitesse de transmission et la vitesse de guérison. Cependant, dans les simulations pour cet article, j'ai décidé de simplifier en omettant le paramètre de vitesse de guérison. Au lieu de cela, un nœud infecté revient automatiquement à l'état susceptible au prochain instant, à moins qu'il ne soit infecté par l'un de ses voisins. De plus, nous permettons à un nœud infecté à l'étape n d'infecter lui-même à l'étape n+1 avec une probabilité égale à la vitesse de transmission.

Discussion

Comme vous pouvez le voir, c'est très différent du modèle SIR.

Étant donné que les nœuds ne sont jamais supprimés, même une grille très petite et limitée peut maintenir une infection SIS pendant une longue période. L'infection saute simplement de nœud en nœud et revient.

Malgré les différences, SIR et SIS s'avèrent étonnamment interchangeables pour nos objectifs. Par conséquent, pour le reste de l'article, nous nous concentrerons sur SIS — principalement parce qu'il est plus résistant et donc plus intéressant à travailler.

Niveau critique

En jouant avec les modèles SIR et SIS, vous avez peut-être remarqué quelque chose au sujet de la longévité de l'infection. À des vitesses de transmission très faibles, comme 10%, l'infection a tendance à s'éteindre. Tandis qu'à des valeurs plus élevées, comme 50%, l'infection reste vivante et envahit une plus grande partie du réseau. Si le réseau était infini, nous pourrions imaginer qu'il continue à se propager éternellement.

Cette diffusion illimitée a de nombreux noms : « virale », « nucléaire » ou (dans le titre de cet article) critique.

Il s'avère qu'il existe un point de rupture qui sépare les réseaux subcritiques (destinés à s'éteindre) des réseaux supercritiques (capables de croître indéfiniment). Ce point de rupture est appelé seuil critique, et c'est un trait assez général des processus de diffusion dans des réseaux ordinaires.

La valeur précise du seuil critique varie entre les réseaux. Ce qui est commun, c'est la présence cette valeur.

[Dans la démonstration interactive de l'article original, vous pouvez essayer de trouver manuellement le seuil critique du réseau en ajustant la valeur de la vitesse de transmission. Elle se situe entre 22% et 23% — note de l'éditeur.]

À 22 % (et moins), l'infection finit par s'éteindre. À 23 % (et plus), l'infection initiale s'éteint parfois, mais dans la plupart des cas, elle parvient à survivre et à se propager suffisamment longtemps pour garantir son existence éternelle.

(Au fait, il existe tout un domaine scientifique consacré à la recherche de ces seuils critiques pour différentes topologies de réseaux. Pour une introduction rapide, je recommande de parcourir rapidement l'article Wikipédia sur le seuil de passage).

En gros, voici comment cela fonctionne : en dessous du seuil critique, toute infection terminale dans le réseau finit par s'éteindre (avec une probabilité de 1). Mais au-dessus du seuil critique, il existe une probabilité (p > 0) que l'infection dure éternellement et se propage arbitrairement loin de son point d'origine.

Cependant, notez qu'un réseau supercritique ne garantit, que l'infection dure éternellement. En réalité, elle s'éteint souvent, surtout aux premiers stades de la modélisation. Voyons comment cela se produit.

Supposons que nous avons commencé avec un seul nœud infecté et quatre voisins. À la première étape de la modélisation, l'infection a 5 chances indépendantes de se propager (y compris la chance de « se propager » à elle-même à l'étape suivante) :

Maintenant, supposons que le taux de transmission est de 50 %. Dans ce cas, à la première étape, nous lançons la pièce cinq fois. Et si nous obtenons cinq faces, l'infection sera anéantie. Cela se produit environ 3 % du temps — et cela uniquement à la première étape. Pour une infection qui a survécu à la première étape, il y a une certaine (généralement plus faible) probabilité qu'elle s'éteigne à la deuxième étape, une certaine (encore plus faible) probabilité qu'elle s'éteigne à la troisième étape, etc.

Ainsi, même lorsque le réseau est supercritique — si le taux de transmission est de 99 % — il y a une probabilité que l'infection disparaisse.

Mais il est important de noter qu'elle ne ont toujours s'éteindra pas. Si l'on additionne la probabilité d'extinction à toutes les étapes jusqu'à l'infini, le résultat est inférieur à 1. En d'autres termes, avec une probabilité non nulle, l'infection continuera éternellement. Voilà ce que signifie pour un réseau d'être supercritique.

SISa : activation spontanée

Jusqu'à présent, toutes nos simulations ont commencé avec un petit morceau de nœuds déjà infectés au centre.

Mais que se passerait-il si nous commencions à zéro ? Modélisons ensuite l'activation spontanée — le processus par lequel un nœud réceptif est infecté aléatoirement (pas par l'un de ses voisins).

C'est appelé modèle SISa. La lettre “a” signifie « automatique ».

Dans la simulation SISa, un nouveau paramètre apparaît — la vitesse d'activation spontanée, qui modifie la fréquence d'apparition des infections spontanées (le paramètre de vitesse de transmission, que nous avons vu auparavant, est également présent).

Que faut-il pour que l'infection se propage à travers le réseau ?

Discussion

Peut-être avez-vous remarqué dans la simulation que l'augmentation de la vitesse d'activation spontanée ne change pas si l'infection couvre ou non tout le réseau. Seul la vitesse de transmission détermine si le réseau est subcritique ou supercritique. Et quand le réseau est subcritique (vitesse de transmission inférieure ou égale à 22 %), aucune infection ne peut se propager à l'ensemble de la grille, peu importe à quelle fréquence elle commence.

C'est comme allumer un feu dans un champ humide. Vous pouvez mettre le feu à quelques feuilles sèches, mais la flamme s'éteindra rapidement, car le reste du paysage n'est pas assez inflammable (subcritique). Alors que dans un champ très sec (supercritique), une seule étincelle peut suffire à déclencher un incendie.

Des choses similaires peuvent être observées dans le domaine des idées et des inventions. Souvent, le monde n'est pas prêt pour une idée, et dans ce cas, elle peut être inventée encore et encore, mais elle ne touche pas les masses. D'un autre côté, le monde peut être complètement prêt pour une invention (une forte demande cachée), et dès qu'elle apparaît, elle est acceptée par tous. Au milieu se trouvent des idées qui sont inventées à plusieurs endroits et se répandent localement, mais pas suffisamment pour qu'une version distincte couvre tout le réseau simultanément. Dans cette dernière catégorie, nous trouvons, par exemple, l'agriculture et l'écriture, qui ont été indépendamment inventées par différentes civilisations humaines environ dix fois et trois fois, respectivement.

Immunité

Supposons que nous rendions certains nœuds complètement invulnérables, c'est-à-dire insensibles à l'activation. C'est comme s'ils étaient à l'origine dans un état distant, tandis que le modèle SIS(a) est exécuté sur les nœuds restants.

Le curseur «immunité» contrôle le pourcentage de nœuds écartés. Essayez de modifier sa valeur (pendant le fonctionnement du modèle !) et voyez comment cela affecte l'état du réseau, s'il sera sous critique ou non.

Discussion

Modifier le nombre de nœuds non réceptifs change complètement la situation, que le réseau soit sous critique ou surcritique. Il est facile de comprendre pourquoi. Avec un grand nombre de nœuds non réceptifs, l'infection a moins d'opportunités pour se propager vers de nouveaux hôtes.

Il s'avère que cela entraîne une série de conséquences pratiques très importantes.

L'une d'elles est la prévention de la propagation des incendies de forêt. À un niveau local, chaque personne doit prendre ses propres précautions (par exemple, ne jamais laisser une flamme ouverte sans surveillance). Mais à grande échelle, des flambées individuelles sont inévitables. Ainsi, une autre méthode de protection consiste à garantir un nombre suffisant de «ruptures» (dans le réseau de matériaux inflammables) afin qu'une flambée ne couvre pas l'ensemble du réseau. Cette fonction est remplie par les coupes :

Une autre flambée qu'il est important d'arrêter est une maladie infectieuse. Ici entre en jeu le concept de l'immunité de groupe. C'est l'idée que certaines personnes ne peuvent pas être vaccinées (par exemple, en raison de problèmes immunitaires), mais si suffisamment de personnes sont immunisées contre l'infection, la maladie ne pourra pas se propager indéfiniment. En d'autres termes, il faut vacciner une partie suffisante de la population pour faire passer celle-ci d'un état surcritique à un état sous critique. Lorsque cela se produit, un patient peut encore être infecté (par exemple, après un voyage dans une autre région), mais sans un réseau surcritique où se développer, la maladie n'infectera qu'une petite poignée de personnes.

Enfin, le concept de nœuds non réceptifs explique ce qui se passe dans un réacteur nucléaire. Dans la réaction en chaîne, un atome de uranium-235 se décomposant libère environ trois neutrons, qui provoquent (en moyenne) la fission de plus d'un atome de U-235. De nouveaux neutrons provoquent ensuite la fission d'autres atomes, et ainsi de suite de manière exponentielle :

Lors de la création d'une bombe, tout le sens réside dans la capacité à assurer une poursuite sans entrave de la croissance exponentielle. Mais dans une centrale électrique, l'objectif est de produire de l'énergie sans tuer tout le monde autour. Pour cela, on utilise des barres de contrôle, fabriquées à partir de matériaux capables d'absorber des neutrons (comme l'argent ou le bore). En les absorbant et non en les libérant, elles agissent dans notre simulation comme des nœuds insensibles, empêchant ainsi le noyau radioactive d'atteindre un état supercritique.

Ainsi, l'astuce d'un réacteur nucléaire consiste à maintenir la réaction près du seuil critique en déplaçant les barres de contrôle d'avant en arrière, garantissant que chaque fois que quelque chose ne va pas, les barres descendent dans le noyau et l'arrêtent.

Le degré

Le degré d'un nœud est le nombre de ses voisins. Jusqu'à présent, nous avons examiné des réseaux de degré 4. Mais que se passe-t-il si nous changeons ce paramètre ?

Par exemple, nous pouvons connecter chaque nœud non seulement à quatre voisins immédiats, mais aussi à quatre voisins diagonaux. Dans un tel réseau, le degré sera de 8.

Les réseaux avec des degrés 4 et 8 sont bien symétriques. Mais avec un degré de 5 (par exemple), un problème se pose : quels cinq voisins choisir ? Dans ce cas, nous choisissons les quatre voisins les plus proches (N, E, S, O) puis sélectionnons au hasard un voisin parmi l'ensemble {NE, SE, SO, NO}. Le choix est fait indépendamment pour chaque nœud à chaque instant.

Discussion

Encore une fois, ce qui se passe ici est facile à comprendre. Lorsque chaque nœud a plus de voisins, les chances de propagation de l'infection augmentent — et, de ce fait, le réseau a plus de chances de devenir critique.

Cependant, les conséquences peuvent être inattendues, comme nous le verrons ci-dessous.

Villes et densité du réseau

Jusqu'à présent, nos réseaux étaient complètement homogènes. Chaque nœud ressemble à n'importe quel autre. Mais que se passe-t-il si nous modifions les conditions et permettons différents états pour les nœuds dans tout le réseau ?

Par exemple, essayons de modéliser des villes. Pour cela, nous allons augmenter la densité dans certaines parties du réseau (degré plus élevé des nœuds). Nous le faisons sur la base des données selon lesquelles les citadins ont un cercle social plus large et plus d'interactions sociales, que les personnes vivant en dehors des villes.

Dans notre modèle, les nœuds sensibles sont colorés en fonction de leur degré. Les nœuds en « zone rurale » ont un degré de 4 (et sont peints en gris clair), tandis que les nœuds en « ville » ont des degrés plus élevés (et sont colorés de manière plus foncée), allant du degré 5 à la périphérie et atteignant 8 au centre de la ville.

Essayez de trouver une telle vitesse de propagation que l'activation couvre les villes sans dépasser leurs limites.

Je trouve cette simulation à la fois évidente et étonnante. Bien sûr, les villes soutiennent mieux le niveau culturel que les zones rurales - tout le monde le sait. Ce qui me surprend, c'est qu'une partie de cette diversité culturelle émerge simplement sur la base de la topologie du réseau social.

C'est un point intéressant, je vais essayer d'expliquer plus en détail.

Ici, nous traitons des formes de culture qui se transmettent simplement et directement d'une personne à l'autre. Par exemple, les manières, les jeux de salon, les tendances de mode, les tendances linguistiques, les rituels de petits groupes et des produits qui se propagent de bouche à oreille, plus des ensembles d'informations entiers que nous appelons des idées.

(Remarque : la diffusion d'informations entre les gens est extrêmement compliquée par les médias. Il est plus facile d'imaginer un environnement technologiquement primitif, comme la Grèce antique, où presque chaque étincelle de culture se transmettait par des interactions dans l'espace physique).

De la simulation présentée, j'ai appris qu'il existe des idées et des pratiques culturelles qui peuvent s'enraciner et se propager en ville, mais elles ne peuvent tout simplement pas se propager dans les zones rurales (mathématiquement incapables). Ce sont les mêmes idées et les mêmes personnes. Ce n'est pas que les ruraux soient « naïfs » : lorsqu'ils interagissent avec la même idée, ils ont exactement les mêmes chances de l'adopter, que les citadins. C'est juste que l'idée elle-même ne peut pas devenir virale en milieu rural, car il n'y a pas suffisamment de connexions par lesquelles elle peut se répandre.

C'est sans doute le plus facile à voir dans le domaine de la mode - vêtements, coiffures, etc. Dans le réseau de la mode, nous pouvons observer l'arête de la grille lorsque deux personnes remarquent les tenues de l'autre. Dans un centre urbain, chaque personne peut voir quotidiennement plus de 1000 autres personnes - dans la rue, dans le métro, dans un restaurant bondé, etc. À la campagne, en revanche, chaque individu ne peut voir que quelques dizaines d'autres. En se basant uniquement sur cette différence, une ville peut soutenir plus de tendances de mode. Et seules les tendances les plus convaincantes - avec le plus haut taux de transmission - pourront se maintenir en dehors de la ville.

Nous avons tendance à penser que si une idée est bonne, elle finira par atteindre tout le monde, et si une idée est mauvaise, elle disparaîtra. Cela est certainement vrai dans les cas extrêmes, mais entre les deux, il existe une multitude d'idées et de pratiques qui peuvent devenir virales uniquement dans certains réseaux. C'est vraiment incroyable.

Non seulement les villes

Nous examinons ici l'influence de la densité du réseau. Elle est définie pour un ensemble donné de nœuds comme le nombre d'arêtes réelles, divisé par le nombre d'arêtes potentielles. C'est-à-dire le pourcentage de connexions possibles qui existent réellement.

Donc, nous avons vu que la densité du réseau dans les centres urbains est plus élevée que dans les zones rurales. Mais les villes ne sont pas le seul endroit où nous trouvons des réseaux denses.

Un exemple intéressant est celui des lycées. Par exemple, pour un district spécifique, comparons le réseau qui existe parmi les élèves avec le réseau qui existe parmi leurs parents. La même zone géographique et la même population, mais un réseau est de loin plus dense que l'autre. Il n'est donc pas surprenant que les tendances de mode et linguistiques se propagent beaucoup plus rapidement parmi les adolescents.

De la même manière, les réseaux d'élite sont généralement beaucoup plus denses que les réseaux non élitaires — ce fait est, à mon avis, sous-estimé (les personnes qui sont populaires ou influentes passent plus de temps à créer des réseaux, et par conséquent, elles ont plus de « voisins » que les personnes ordinaires). En nous basant sur les simulations ci-dessus, nous nous attendons à ce que les réseaux d'élite soutiennent certaines formes culturelles qui ne peuvent pas être supportées par le mainstream, tout cela en raison des lois mathématiques appliquées au degré moyen des réseaux. Je vous laisse réfléchir à ce que ces formes culturelles pourraient être.

Enfin, nous pouvons appliquer cette idée à Internet, en le modélisant comme une immense et très dense ville. Il n'est pas surprenant qu'Internet soit le terreau de nombreux nouveaux types de culture qui ne peuvent tout simplement pas être soutenus dans des réseaux purement spatiaux : des hobbies de niche, de meilleurs standards de design, une plus grande sensibilisation à l'injustice, etc. Et cela ne concerne pas seulement des choses agréables. Tout comme les premières villes étaient des foyers de maladies qui ne pouvaient se propager à faible densité de population, Internet est un milieu fertile pour des formes culturelles malveillantes, telles que le clickbait, les fausses nouvelles et l'incitation à une fausse indignation.

Connaissances

« Attirer le bon expert au bon moment est souvent la ressource la plus précieuse pour trouver une solution créative à un problème. » — Michael Nielsen, « Inventer des découvertes »

Nous pensons souvent que la découverte ou l'invention est un processus qui se déroule dans l'esprit d'un seul génie. Il est frappé par une illumination et — eureka ! — tout à coup, nous avons un nouveau moyen de mesurer le volume. Ou l'équation de la gravité. Ou une ampoule.

Mais si l'on adopte le point de vue de l'inventeur solitaire au moment de la découverte, alors nous regardons le phénomène du point de vue d'un nœud. Il serait plus juste d'interpréter l'invention comme un phénomène de réseau. Le réseau est important à au moins deux égards. Tout d'abord, des idées déjà existantes doivent pénétrer

dans la conscience de l'inventeur. Ce sont des citations d'un nouvel article, la section bibliographique d'un nouveau livre — des géants sur lesquels Newton s'appuyait. Deuxièmement, le réseau est crucial pour faire revenir une nouvelle idée en arrière. en retour Dans le monde; une invention qui ne s'est pas répandue ne peut guère être qualifiée d'« invention ». Ainsi, pour ces deux raisons, il est pertinent de modéliser l'invention — ou, au sens large, l'accroissement des connaissances — comme un processus de diffusion.

Dans un instant, je vais présenter une simulation grossière de la façon dont les connaissances peuvent se répandre et croître au sein d'un réseau. Mais d'abord, je dois expliquer.

Au début de la modélisation, chaque quadrant de la grille contient quatre experts disposés comme suit :

L'expert 1 a la première version de l'idée — appelons-la Idée 1.0. L'expert 2 est la personne qui sait comment transformer l'Idée 1.0 en Idée 2.0. L'expert 3 sait comment convertir l'Idée 2.0 en Idée 3.0. Et enfin, le quatrième expert sait comment peaufiner l'Idée 4.0.

Cela ressemble à une technique semblable à l'origami, où des méthodes sont développées et combinées avec d'autres méthodes pour créer des constructions plus intéressantes. Ou cela peut être un domaine de connaissance, comme la physique, où le travail ultérieur repose sur le travail fondamental des prédécesseurs.

L'essence de cette simulation est que nous avons besoin de la contribution des quatre experts pour obtenir la version finale de l'idée. Et à chaque étape, l'idée doit être transmise à l'expert approprié.

Quelques réserves. La simulation est codée avec de nombreuses hypothèses irréalistes. En voici quelques-unes :

1. Il est supposé que les idées ne peuvent être conservées et transmises autrement que d'une personne à l'autre (c'est-à-dire qu'il n'y a pas de livres ni de médias).
2. Il est supposé qu'il y a des experts constants dans la population capables de générer des idées, bien qu'en réalité, de nombreux facteurs aléatoires influencent l'émergence d'une découverte ou d'une invention.
3. Pour les quatre versions de l'idée, le même ensemble de paramètres SIS (vitesse de transmission, pourcentage d'immunité, etc.) est utilisé, bien qu'il soit probablement plus réaliste d'utiliser des paramètres différents pour chaque version (1.0, 2.0, etc.)
4. Il est supposé que l'idée N+1 remplace toujours complètement l'idée N, bien qu'en pratique, les anciennes et nouvelles versions circulent souvent simultanément, sans vainqueur catégorique.

… et bien d'autres.

Discussion

C'est un modèle ridiculement simplifié de la manière dont les connaissances croissent réellement. De nombreux détails importants sont laissés de côté (voir ci-dessus). Néanmoins, il reflète l'essence importante du processus. Et donc, nous pouvons, avec des réserves, discuter de la croissance des connaissances en utilisant notre compréhension de la diffusion.

En particulier, le modèle de diffusion fournit une compréhension de la manière de accélérer le processus: il faut faciliter l'échange d'idées entre les nœuds d'expertise. Cela peut signifier nettoyer le réseau des nœuds morts qui entravent la diffusion. Ou cela peut signifier rassembler tous les experts dans une ville ou un cluster à haute densité de réseau, où les idées se propagent rapidement. Ou simplement les rassembler dans une même pièce :

Donc… c'est tout ce que je peux dire sur la diffusion.

Mais j'ai une dernière pensée, et elle est très importante. Il s'agit de la croissance (et de la stagnation) des connaissances dans les communautés scientifiques. Cette idée diffère par son ton et son contenu de tout ce qui a été dit ci-dessus, mais j'espère que vous me pardonnerez.

Sur les réseaux scientifiques

L'illustration montre l'un des cycles de rétroaction positive les plus importants au monde (et il l'a été pendant longtemps) :

Le parcours ascendant du cycle (K ⟶ T) est assez simple : nous utilisons de nouvelles connaissances pour développer de nouveaux outils. Par exemple, la compréhension de la physique des semi-conducteurs nous permet de créer des ordinateurs.

Cependant, le parcours descendant nécessite quelques explications. Comment le développement technologique conduit-il à la croissance des connaissances ?

L'un des moyens — peut-être le plus direct — est que les nouvelles technologies nous donnent de nouvelles façons de percevoir le monde. Par exemple, de meilleurs microscopes permettent d'explorer plus profondément l'intérieur d'une cellule, en suscitant des idées pour la biologie moléculaire. Les traceurs GPS montrent comment les animaux se déplacent. Les sonars permettent d'explorer les océans. Et ainsi de suite.

Sans aucun doute, c'est un mécanisme vital, mais il existe au moins deux autres voies de la technologie vers la connaissance. Peut-être qu'elles ne sont pas aussi simples, mais je pense qu'elles sont tout aussi importantes :

Premier. La technologie mène à l'abondance économique (c'est-à-dire à la richesse), ce qui permet à un plus grand nombre de personnes de s'engager dans la production de connaissances.

Si 90 % de la population de votre pays est engagée dans l'agriculture et que les 10 % restants sont dans le commerce (ou la guerre), il reste peu de temps pour réfléchir aux lois de la nature. Cela explique peut-être pourquoi, dans le passé, la science était principalement avancée par des enfants de familles riches.

Les États-Unis produisent chaque année plus de 50 000 doctorats. Au lieu que quelqu'un commence à travailler en usine à 18 ans (ou avant), un étudiant en doctorat doit être financé jusqu'à 30 ou même 40 ans, et même alors on ne sait pas si son travail aura un véritable impact économique. Mais c'est nécessaire pour qu'il atteigne les frontières avancées de sa discipline, en particulier dans des domaines complexes comme la physique ou la biologie.

Le fait est qu'en termes de systèmes, les spécialistes coûtent cher. Et la source ultime de la richesse publique qui finance ces spécialistes est la nouvelle technologie : une charrue subventionne une plume.

Deuxième. Les nouvelles technologies, en particulier dans le domaine des voyages et des communications, modifient la structure des réseaux sociaux où croît le savoir. En particulier, cela permet aux experts et aux spécialistes d'interagir plus étroitement les uns avec les autres.

Parmi les inventions remarquables figurent l'imprimerie, les bateaux à vapeur et les chemins de fer (qui facilitent les voyages et/ou l'envoi de courrier sur de longues distances), les téléphones, les avions et Internet. Toutes ces technologies favorisent une augmentation de la densité des réseaux, en particulier au sein de communautés spécialisées (où se produit presque toute la croissance des connaissances). Par exemple, les réseaux de correspondance qui ont émergé parmi les savants européens à la fin du Moyen Âge, ou comment les physiciens modernes utilisent arXiv.

En fin de compte, ces deux voies sont similaires. Toutes deux augmentent la densité des réseaux de spécialistes, ce qui à son tour conduit à une augmentation des connaissances :

Pendant de nombreuses années, j'ai eu une attitude plutôt désinvolte envers l'enseignement supérieur. Mon bref passage en doctorat a laissé un goût amer. Mais maintenant, en regardant en arrière et en réfléchissant (en me distanciant de tous mes problèmes personnels), je dois conclure que l'enseignement supérieur est toujours extrêmement important.

Les réseaux sociaux académiques (par exemple, les communautés de recherche) sont l'une des structures les plus sophistiquées et précieuses que notre civilisation ait créées. Nulle part ailleurs nous n'avons accumulé une plus grande concentration de spécialistes axés sur la production de connaissances. Nulle part les gens n'ont développé une plus grande capacité à comprendre et critiquer les idées des uns et des autres. C'est le cœur battant du progrès. C'est dans ces réseaux que la flamme de l'illumination brûle le plus intensément.

Mais nous ne pouvons pas considérer le progrès comme acquis. Si la crise de la non-reproductibilité des expériences nous a appris quelque chose, c'est que la science peut rencontrer des problèmes systémiques. C'est, en quelque sorte, une dégradation du réseau.

Supposons que nous distinguons deux façons de faire de la science : la vraie science et le carriérisme. La vraie science est une pratique qui produit des connaissances de manière fiable. Elle est motivée par la curiosité et se caractérise par l'honnêteté (Feynman : « Vous voyez, j'ai juste besoin de comprendre le monde »). Le carriérisme, en revanche, est motivé par des ambitions professionnelles et se caractérise par des manœuvres politiques et des étiquettes scientifiques. Il peut sembler et agir comme de la science, mais ne produit des connaissances peu fiables.

(Oui, c'est une dichotomie exagérée. Juste un exercice de pensée. Ne soyez pas fâché.)

Le fait est que lorsque des carriéristes occupent une place dans la véritable communauté de recherche, cela perturbe le travail. Ils cherchent à s'avancer, tandis que le reste de la communauté tente d'acquérir de nouvelles connaissances et de les partager. Au lieu de viser la clarté, les carriéristes compliquent et embrouillent tout, afin de paraître plus impressionnants. Ils s'engagent dans (comme dirait Harry Frankfurt) des absurdités scientifiques. Par conséquent, nous pourrions les modéliser comme des nœuds morts, insensibles à l'échange d'informations de bonne foi, nécessaire à la croissance des connaissances :

Peut-être que le meilleur modèle est celui dans lequel les nœuds carriéristes ne sont pas seulement insensibles aux connaissances, mais propagent activement de fausses connaissances. Les fausses connaissances peuvent inclure des résultats insignifiants dont l'importance est artificiellement gonflée, ou de véritables résultats erronés qui surviennent à cause de manipulations ou de données falsifiées.

Peu importe comment nous les modélisons, les carriéristes peuvent certainement étouffer nos communautés scientifiques.

C'est comme une réaction nucléaire en chaîne dont nous avons désespérément besoin — nous avons besoin d'une explosion de connaissances — seulement que dans notre U-235 enrichi, il y a trop de mélange de l'isotope inerte U-238 qui supprime la réaction en chaîne.

Bien sûr, il n'y a pas de distinction claire entre les carriéristes et les véritables scientifiques. Chacun de nous a un peu de carriérisme en lui. La question est de savoir combien de temps le réseau tiendra avant que la diffusion des connaissances ne s'éteigne.

Oh, vous avez lu jusqu'à la fin. Merci pour votre lecture.

Licence

CC0 tous droits non réservés. Vous pouvez utiliser ce travail comme bon vous semble :),

Remerciements

• Kevin Kwok et Niki Case pour leurs commentaires réfléchis et leurs suggestions sur différentes versions de ce brouillon.
• Nick Barb — pour le soutien moral tout au long du processus et pour les retours les plus utiles sur mon travail.
• Kit A. pour m'avoir fait remarquer le phénomène de percolation et le seuil d'écoulement.
• Jeff Lonsdale pour le lien vers cet essai, qui (malgré ses nombreux défauts) a été le principal moteur de mon travail sur ce post.

Exemples d'essais interactifs

• Tous les travaux de Niki Case, en particulier «La fable des polygones» (avec Vi Hart) et «Développer un meilleur bulletin de vote». C'est une haute barre pour ce qu'un essai interactif peut être.
• Distill.pub: des descriptions interactives de haute qualité sur l'apprentissage automatique.
• Le travail classique de Bret Victor «Monter et descendre l'échelle des abstractions». Je n'ai pas très bien réussi à monter l'échelle, mais il y a toujours une autre tentative.

Source : habr.com