Kevin Zollman : réseaux épistémiques, communication et diversité transitoire
Définition simple
Kevin J. S. Zollman est l’une des figures importantes de l’épistémologie sociale formelle, un courant qui utilise notamment des modèles mathématiques et des simulations informatiques pour étudier la manière dont des groupes produisent de la connaissance. Plutôt que de demander seulement comment un individu rationnel devrait mettre à jour ses croyances, Zollman s’intéresse à la structure des communautés épistémiques : qui communique avec qui, quelles informations circulent, à quelle vitesse et avec quelles conséquences sur la capacité collective à découvrir la vérité. Dans *The Communication Structure of Epistemic Communities* (2007), il formule explicitement ce problème comme une forme d’« épistémologie sociale orientée vers les systèmes ».
Ses résultats ont rendu célèbre une conclusion particulièrement contre-intuitive : davantage de communication n’améliore pas nécessairement la fiabilité collective. Dans certains modèles, des communautés moins densément connectées ont davantage de chances d’atteindre la bonne conclusion, précisément parce qu’une information initialement trompeuse se propage moins rapidement. La contrepartie est qu’elles apprennent plus lentement. Zollman met donc en évidence un compromis entre vitesse de convergence et probabilité de convergence correcte.
Il approfondit cette idée dans *The Epistemic Benefit of Transient Diversity* (2010). La diversité scientifique est utile lorsqu’elle empêche l’abandon prématuré d’une bonne piste ; mais si cette diversité persiste indéfiniment, elle peut empêcher la communauté de converger même lorsque les preuves deviennent suffisamment fortes. L’objectif épistémique n’est donc pas la diversité pour elle-même, mais une diversité transitoire : assez longue pour explorer sérieusement plusieurs possibilités, pas assez rigide pour empêcher l’apprentissage collectif.
L’idée essentielle peut être formulée ainsi :
Une communauté peut apprendre moins bien lorsqu’elle partage trop rapidement toutes ses informations, parce qu’une erreur précoce peut alors devenir une erreur collective avant que les alternatives aient eu le temps d’être testées.
Cette proposition ne signifie évidemment pas qu’il faudrait cacher les connaissances scientifiques. Elle révèle quelque chose de plus subtil : la structure temporelle et sociale de la circulation de l’information peut modifier la fiabilité d’un groupe.
De Kitcher à Zollman : ajouter le réseau
Avec Philip Kitcher, nous avions vu que la science rencontre un problème de division du travail cognitif. Plusieurs chercheurs doivent parfois poursuivre des programmes différents afin d’éviter qu’une communauté entière mise prématurément sur la même hypothèse. Zollman ajoute une question que le modèle de Kitcher laisse en partie ouverte :
Que se passe-t-il lorsque ces chercheurs commencent à échanger leurs résultats ?
Supposons que deux groupes étudient deux hypothèses, A et B. Une première expérience sur A donne un excellent résultat. Si toute la communauté en prend immédiatement connaissance, certains chercheurs travaillant sur B peuvent abandonner leur programme et rejoindre A.
Cela semble parfaitement rationnel. Mais supposons que le résultat favorable à A soit simplement dû au hasard. Si B est abandonnée avant d’avoir produit suffisamment de données, la communauté peut ne jamais découvrir qu’elle était en réalité supérieure.
Le problème n’est donc pas seulement :
combien de chercheurs travaillent sur chaque option ?
Il devient :
quelle architecture de communication permet aux différentes options d’être testées assez longtemps ?
C’est cette question que Zollman formalise au moyen de réseaux épistémiques.
Qu’est-ce qu’un réseau épistémique ?
Un réseau peut être représenté simplement par des nœuds et des liens. Chaque nœud représente un agent — par exemple un scientifique — et chaque lien indique que deux agents peuvent échanger certains résultats.
Dans un réseau complètement connecté, chacun reçoit immédiatement les informations de tous les autres. Dans un réseau plus clairsemé, un chercheur n’observe qu’une partie des résultats produits par la communauté.
Zollman reprend pour ses premiers travaux un modèle développé par les économistes Venkatesh Bala et Sanjeev Goyal, puis l’applique à des situations d’apprentissage scientifique. Les chercheurs choisissent entre plusieurs actions ou méthodes, observent les résultats de leurs propres expériences et ceux des scientifiques auxquels ils sont connectés, puis actualisent leurs croyances.
L’intérêt du modèle est que personne n’est supposé stupide ou malhonnête. Les chercheurs mettent rationnellement leurs croyances à jour à partir des informations qu’ils reçoivent.
Et pourtant : le groupe peut se tromper.
Voilà ce qui rend le résultat philosophique intéressant.
Comment une communauté rationnelle peut-elle converger vers l’erreur ?
Zollman propose un exemple stylisé de chercheurs étudiant un nouveau traitement médical. Le traitement ancien est bien connu ; le nouveau pourrait être meilleur ou moins bon. Certains chercheurs sont suffisamment optimistes pour tester le nouveau traitement. Or, même s’il est réellement supérieur, les premières expériences peuvent par malchance produire des résultats décevants.
Si ces mauvais résultats sont immédiatement communiqués à tout le monde, tous les chercheurs peuvent devenir suffisamment pessimistes pour abandonner le nouveau traitement. Comme plus personne ne le teste, aucune donnée nouvelle ne pourra ensuite corriger l’erreur. La communauté reste bloquée sur l’ancienne option.
Le phénomène dépend donc de deux propriétés essentielles. Premièrement, les chercheurs doivent agir pour obtenir les informations : les preuves n’arrivent pas indépendamment de leurs choix. Deuxièmement, abandonner une piste peut couper la source même des données qui auraient permis de découvrir que son abandon était prématuré.
C’est très différent d’un problème où toutes les données existeraient déjà dans une base qu’il suffirait d’analyser.
Dans la recherche réelle :
ce que nous croyons influence ce que nous décidons de tester, et ce que nous décidons de tester influence les preuves dont nous disposerons demain.
Nous retrouvons ici une boucle entre :
croyances → recherche → données → nouvelles croyances.
Pourquoi un réseau moins connecté peut-il être plus fiable ?
Supposons maintenant que les résultats décevants obtenus par une équipe ne soient connus que de ses voisins immédiats. D’autres groupes continuent à explorer la nouvelle piste parce qu’ils n’ont pas encore été convaincus de l’abandonner.
Ces chercheurs produisent de nouvelles expériences.
Si les premiers mauvais résultats étaient simplement malchanceux, les nouvelles données peuvent finir par montrer que le traitement est effectivement supérieur.
La moindre connectivité a donc joué le rôle d’un pare-feu épistémique : elle a empêché une erreur locale de contaminer instantanément toute la communauté.
Dans les simulations présentées par Zollman, les réseaux moins connectés résistent mieux à certaines séries de mauvais résultats précisément parce que l’information trompeuse reste temporairement confinée à une partie du réseau. Cette inertie maintient une diversité des comportements suffisante pour permettre aux données ultérieures de corriger l’erreur.
Cela produit le résultat surprenant :
l’ignorance partielle peut parfois protéger l’apprentissage collectif.
Mais uniquement dans certaines structures de problème et pendant un certain temps.
Le prix : apprendre plus lentement
Il ne faut surtout pas retenir seulement :
Moins d’information = mieux.
Les simulations de Zollman montrent également que les réseaux densément connectés apprennent généralement plus vite lorsqu’ils convergent correctement. Une bonne information circule aussi plus rapidement qu’elle ne le ferait dans un réseau clairsemé.
La connectivité produit donc deux effets symétriques :
elle accélère la diffusion :
des bonnes informations,
mais aussi :
des mauvaises informations.
Un réseau dense est rapide mais peut être vulnérable à une première série trompeuse de données. Un réseau plus clairsemé est plus lent mais maintient davantage de trajectoires indépendantes.
Zollman insiste donc sur un véritable compromis :
vitesse contre fiabilité.
Le bon choix dépend du problème. Si une décision rapide est essentielle, une structure très connectée peut être préférable. Si éviter une conclusion erronée est beaucoup plus important que parvenir rapidement au consensus, une certaine limitation de la diffusion peut, dans son modèle, améliorer la fiabilité.
Ce résultat ne dit pas que la science devrait cacher ses données
C’est probablement l’erreur la plus facile à commettre.
Le modèle montre qu’une diminution de la circulation de l’information peut avoir certains avantages épistémiques sous des hypothèses particulières. Cela ne fournit pas automatiquement une recommandation politique du type :
empêchons les scientifiques de communiquer.
Les travaux ultérieurs ont fortement souligné cette différence entre résultat formel et politique scientifique. Sarita Rosenstock, Justin Bruner et Cailin O’Connor ont montré en 2017 que l’avantage des réseaux peu connectés n’est pas robuste à toutes les variations des paramètres du modèle. Selon la difficulté du problème et d’autres hypothèses, davantage de connexion peut être préférable.
Plus récemment, Jingyi Wu et Cailin O’Connor ont également insisté sur le coût considérable que pourrait avoir une politique consistant réellement à ralentir la communication scientifique : le bénéfice d’une diversité plus longue peut être acheté au prix d’une perte importante d’efficacité, et une isolation excessive peut favoriser une polarisation durable plutôt qu’une saine exploration. Elles considèrent donc qu’il existe souvent de meilleurs moyens d’entretenir une diversité transitoire que de restreindre artificiellement les communications.
La conclusion raisonnable est donc beaucoup plus prudente :
plus d’information est généralement précieuse, mais l’effet collectif de sa circulation dépend de la manière dont elle modifie les choix futurs de recherche.
Le problème du premier résultat spectaculaire
Prenons un domaine très nouveau. Une équipe publie une expérience impressionnante en faveur de l’hypothèse A. Immédiatement : les médias scientifiques en parlent, les financements se dirigent vers A, les jeunes chercheurs choisissent A, les laboratoires développent les outils nécessaires à A.
Le résultat initial ne produit donc pas seulement une nouvelle croyance. Il transforme : l’écosystème de recherche.
S’il est correct, cette concentration accélère énormément le progrès.
S’il était un faux positif, la concentration peut retarder la découverte de l’erreur parce que : les alternatives ne sont plus suffisamment testées.
Le modèle de Zollman montre en miniature ce type de mécanisme. Il nous oblige à distinguer diffusion de l’information et : conséquences de cette diffusion sur la production des prochaines informations.
De la diversité à la diversité transitoire
Dans son article de 2010, Zollman généralise la leçon. Il s’intéresse explicitement à la raison pour laquelle plusieurs scientifiques doivent parfois continuer à tester des approches différentes alors même qu’une option paraît momentanément supérieure. Son modèle montre que la diversité peut être maintenue par un accès partiel aux informations ou par des croyances initiales suffisamment fortes. Mais lorsque ces deux mécanismes deviennent trop puissants, les groupes peuvent rester indéfiniment divisés et échouer à converger vers la bonne option.
D’où le concept essentiel :
diversité transitoire.
La bonne situation n’est ni :
consensus immédiat
ni :
désaccord permanent.
Il faut : une phase de pluralité suffisamment longue pour tester les alternatives, suivie d’une convergence lorsque les preuves deviennent suffisamment discriminantes.
Ce concept permet de réconcilier :
Kuhn,
Kitcher,
Solomon
et : une conception cumulative du progrès scientifique.
La diversité est nécessaire au début de l’exploration. Mais la capacité à abandonner progressivement les mauvaises pistes fait elle aussi partie : de l’apprentissage.
Trop peu de diversité : fermeture prématurée
Une communauté excessivement homogène risque : d’atteindre trop tôt un consensus.
Une première série de données trompeuses peut décourager les expériences alternatives.
Le consensus semble alors fort, mais sa force provient partiellement : du fait que personne ne produit plus de données susceptibles de le contester.
C’est une distinction essentielle :
absence de contradiction n’est pas toujours preuve que toutes les alternatives ont échoué ; elle peut aussi signifier que certaines alternatives ne sont plus sérieusement explorées.
Cette idée complète très bien Helen Longino : une communauté doit non seulement permettre la critique, mais aussi conserver assez longtemps les pratiques capables de produire les données nécessaires à cette critique.
Trop de diversité : polarisation et stagnation
Mais une communauté peut aussi conserver trop longtemps plusieurs camps.
Si les scientifiques possèdent des croyances initiales extrêmement rigides et ne reçoivent qu’une fraction des informations produites par les autres groupes, ils peuvent former des sous-communautés qui continuent indéfiniment à renforcer leurs propres pratiques.
Dans le modèle de Zollman, certaines combinaisons de faible communication et de croyances extrêmes peuvent maintenir la diversité pour toujours ; la communauté ne converge alors jamais, même lorsque l’un des choix est objectivement supérieur.
Nous pouvons donc représenter trois régimes :
convergence trop rapide → risque d’erreur collective ;
diversité transitoire → exploration puis apprentissage ;
fragmentation permanente → impossibilité de convergence.
L’objectif est le deuxième.
Une histoire réelle : l’ulcère et *Helicobacter pylori*
Zollman illustre son analyse par l’histoire de la recherche sur les ulcères gastroduodénaux. Des hypothèses bactériennes existaient bien avant les travaux de Robin Warren et Barry Marshall, mais certaines études négatives contribuèrent à discréditer cette piste pendant une longue période. Zollman utilise notamment le cas des travaux d’Eddie Palmer dans les années 1950 : le choix d’une technique de coloration peu adaptée à la détection de *H. pylori* contribua à produire un résultat négatif qui influença largement le domaine. Des décennies plus tard, Warren et Marshall contribuèrent à établir le rôle majeur de la bactérie dans la maladie ulcéreuse.
Le but philosophique n’est pas de dire que cette histoire correspond exactement au modèle mathématique. Zollman l’utilise comme exemple d’une situation dans laquelle une conclusion négative largement diffusée peut orienter les choix ultérieurs de recherche, réduisant ainsi la quantité de travaux capables de remettre cette conclusion en cause.
C’est un excellent rappel historique :
les erreurs scientifiques peuvent persister sans complot, fraude ni irrationalité flagrante.
Il suffit parfois : d’une mauvaise expérience convaincante, d’une communauté qui en tire raisonnablement les conséquences, et d’une diminution ultérieure de l’exploration.
L’information peut-elle réellement être « nocive » ?
La formulation demande une grande prudence. L’information elle-même n’est pas mauvaise au sens où une donnée correcte deviendrait nuisible. Le problème apparaît lorsque :
- certaines données expérimentales sont bruitées ou temporairement trompeuses ;
- les agents mettent correctement à jour leurs croyances ;
- leurs nouvelles croyances déterminent ce qu’ils décident ensuite de tester ;
- certaines décisions interrompent la production des données qui auraient permis de corriger l’erreur.
Dans ce type de système, connaître immédiatement les résultats de tout le monde peut contribuer à coordonner trop rapidement les comportements.
Le résultat de Zollman ne constitue donc pas une réfutation du principe :
il vaut mieux être informé.
Il révèle plutôt un problème de feedback collectif :
une information peut modifier l’environnement informationnel futur.
Voilà pourquoi l’épistémologie des groupes ne peut pas être réduite à l’épistémologie de plusieurs individus placés côte à côte.
Une intuition bayésienne importante
Les agents des modèles de Zollman sont souvent décrits comme mettant leurs croyances à jour de manière bayésienne. Ce détail est conceptuellement intéressant : le problème ne vient donc pas nécessairement d’une mauvaise règle individuelle de révision des croyances.
Chaque personne peut raisonner correctement : à partir des données disponibles. Mais les données disponibles elles-mêmes dépendent : de la structure du réseau et : des expériences que les agents choisissent de réaliser.
La rationalité bayésienne individuelle ne garantit donc pas : l’optimalité épistémique collective.
C’est un résultat profond, car il montre que :
une communauté peut avoir besoin de bonnes institutions même si ses membres sont individuellement de bons raisonneurs.
Nous retrouvons exactement le passage de l’épistémologie individuelle à l’épistémologie systémique.
La vitesse du consensus n’est donc pas toujours une vertu
Nous valorisons spontanément : une communauté capable de parvenir vite à une conclusion. Mais Zollman nous apprend à distinguer vitesse de convergence et : qualité de convergence.
Un groupe peut parvenir très rapidement : à une réponse fausse.
À l’inverse, un désaccord persistant quelque temps peut être le prix à payer pour explorer correctement : plusieurs possibilités.
Le nombre de débats encore ouverts n’est donc pas à lui seul : un bon indicateur de mauvaise santé scientifique.
Parfois :
le désaccord est simplement le coût temporaire de l’exploration.
C’est une leçon particulièrement importante pour comprendre les sciences jeunes.
Mais un consensus rapide peut aussi être excellent
Il faut immédiatement ajouter le correctif. Lorsque : le problème est simple, les preuves sont fortes, les expériences sont très informatives, maintenir artificiellement plusieurs camps peut seulement ralentir l’apprentissage.
Rosenstock, Bruner et O’Connor ont précisément montré que les bénéfices de la faible connectivité dépendent fortement des paramètres et deviennent beaucoup moins nets dans certains problèmes faciles.
Wu et O’Connor insistent également sur ce point : la quantité optimale de diversité dépend de la structure du problème, et nous ne savons souvent pas à l’avance à quel type exact de problème scientifique nous sommes confrontés.
Il n’existe donc pas : un degré idéal universel de communication.
Voilà une conséquence presque feyerabendienne obtenue cette fois : par modélisation formelle.
Les modèles ne sont pas des plans d’architecture pour la science réelle
C’est une limite absolument centrale. Zollman lui-même énumère plusieurs hypothèses simplificatrices de son premier modèle : choix entre un petit nombre d’options, certaines actions plus informatives que d’autres, agents choisissant à chaque étape l’option qu’ils estiment actuellement la meilleure, etc. Il présente précisément ces modèles comme des moyens d’isoler certains mécanismes institutionnels, non comme des reproductions complètes des communautés scientifiques réelles.
Un modèle formel peut montrer :
sous ces hypothèses, ce mécanisme produit cet effet.
Il ne suffit pas pour conclure :
la politique réelle doit être X.
Il faut ensuite demander :
Les hypothèses pertinentes ressemblent-elles suffisamment au domaine scientifique réel ?
C’est la même prudence que nous avions rencontrée avec Nancy Cartwright :
validité interne d’un modèle ≠ transport automatique vers le monde réel.
Pourquoi « ralentir Internet » serait une mauvaise conclusion
Une lecture superficielle pourrait dire :
Puisque moins de communication peut être bénéfique, empêchons les scientifiques de partager leurs données.
C’est précisément le genre d’extrapolation que les travaux ultérieurs invitent à éviter. Retarder l’information peut réduire la propagation d’erreurs, mais il ralentit simultanément celle des bonnes preuves, crée des duplications inutiles et peut favoriser des sous-groupes durablement isolés.
Wu et O’Connor suggèrent des moyens plus prometteurs de produire une diversité transitoire : utiliser le financement pour soutenir temporairement des recherches exploratoires ou minoritaires sérieuses, favoriser des communautés démographiquement et épistémiquement diverses, et améliorer la circulation de certains résultats aujourd’hui retenus dans des contextes industriels.
La bonne leçon institutionnelle n’est donc pas réduire l’information.
Elle est :
préserver l’exploration sans sacrifier inutilement les bénéfices de la communication.
Application à l’esprit critique : ne pas partager trop vite toutes ses conclusions ?
À l’échelle individuelle, la transposition doit rester prudente. Le modèle de Zollman ne démontre pas que chacun devrait volontairement ignorer des informations. Mais il suggère une technique intéressante lorsque plusieurs personnes cherchent indépendamment une solution : il peut être utile qu’elles effectuent une première analyse séparément avant de comparer leurs conclusions.
Pourquoi ?
Parce qu’une première opinion très persuasive peut créer un effet d’ancrage.
Les analyses suivantes deviennent alors moins indépendantes.
Par exemple, si trois personnes doivent examiner un document complexe, une méthode peut être :
chacun réalise d’abord sa propre analyse,
puis :
mise en commun.
Nous préservons temporairement : trois chemins cognitifs. Cette logique n’est pas une conséquence expérimentale directe du modèle de Zollman appliquée à tous les groupes, mais elle correspond à l’intuition générale de l’indépendance informationnelle : une convergence est plus informative lorsqu’elle résulte de plusieurs trajectoires réellement distinctes.
Deuxième application : cinq sources peuvent n’en faire qu’une
Supposons cinq articles affirmant : la même chose.
Nous avons l’impression : de posséder cinq preuves. Mais s’ils reprennent tous : la même étude initiale, nous avons surtout : une seule preuve largement diffusée.
Une communauté très connectée peut produire une impression analogue : consensus apparent sans indépendance des données.
Il faut donc demander :
Combien de voies indépendantes conduisent réellement à cette conclusion ?
C’est une question plus pertinente que :
Combien de fois ai-je lu cette affirmation ?
Le réseau épistémique permet ainsi de comprendre pourquoi : répétition et : confirmation indépendante sont deux choses très différentes.
Troisième application : protéger les alternatives suffisamment sérieuses
Supposons que nous considérions A comme fortement probable et B comme moins plausible mais encore raisonnable.
Une bonne stratégie n’est pas forcément :
50 % A / 50 % B.
Elle peut être :
90 % de confiance dans A,
mais : un effort disproportionnellement intéressant pour identifier le test qui pourrait sauver B ou l’éliminer réellement.
Nous retrouvons Kitcher allocation de croyance et : allocation de recherche doivent être distinguées.
Zollman ajoute :
l’environnement informationnel doit laisser à cette exploration le temps de produire des données.
Quatrième application : ne pas prendre un consensus précoce pour un consensus mature
Deux consensus numériquement identiques peuvent avoir des histoires très différentes.
Premier cas : 95 % des experts adoptent A après plusieurs décennies, de nombreuses méthodes indépendantes et des tests approfondis des alternatives.
Second cas : 95 % adoptent A quelques mois après une première expérience spectaculaire, alors que peu d’alternatives ont réellement été étudiées.
Le nombre :
95 %
est le même.
La force épistémique : ne l’est pas.
Nous devons donc demander :
Quelle quantité d’exploration précède le consensus ?
C’est une idée particulièrement importante pour l’évaluation des domaines émergents.
Cinquième application : information rapide n’est pas connaissance rapide
Les environnements numériques permettent une diffusion presque instantanée. C’est généralement un immense avantage.
Mais la vitesse de circulation ne raccourcit pas automatiquement : le temps nécessaire aux expériences, aux réplications, à l’exploration des alternatives.
Nous pouvons donc avoir une information mondiale en quelques heures sur un phénomène dont : la compréhension fiable prendra plusieurs années.
Le risque est alors de confondre vitesse médiatique et : maturité épistémique.
Les travaux de Zollman fournissent une raison formelle de traiter cette distinction comme importante.
Sixième application : un désaccord durable peut être bon… jusqu’à un certain point
Une communauté critique doit éviter deux excès :
fermeture prématurée
et :
dissidence perpétuelle.
Si une hypothèse alternative continue à produire des résultats, identifier des anomalies, ouvrir des tests nouveaux, son maintien peut être bénéfique.
Si elle survit uniquement parce que ses défenseurs : ignorent les preuves contraires et ne modifient jamais leurs convictions, nous ne sommes plus devant : une diversité transitoire productive.
Nous sommes devant : une fragmentation épistémique. Cette distinction est essentielle pour ne pas transformer le pluralisme scientifique en relativisme.
Erreurs fréquentes
La première erreur consiste à dire que Zollman a démontré que moins de communication rend toujours la science meilleure. Ses modèles montrent un avantage de réseaux moins connectés dans certaines configurations, avec un compromis entre rapidité et fiabilité. Des travaux ultérieurs ont montré que cet avantage dépend fortement des paramètres.
La deuxième serait de conclure que les données devraient être cachées. Les modèles montrent un mécanisme théorique ; les propositions concrètes consistant à limiter artificiellement la circulation scientifique présentent d’importants coûts et sont aujourd’hui considérées avec beaucoup de prudence.
La troisième erreur serait de penser que diversité signifie absence de consensus. Chez Zollman, l’idéal est précisément une diversité transitoire, suivie d’une convergence lorsque les preuves deviennent suffisantes.
La quatrième serait de dire que le consensus est mauvais. Un consensus correctement établi est l’un des résultats attendus de l’apprentissage collectif ; le problème est le consensus prématuré.
La cinquième erreur serait de croire que les chercheurs du modèle sont irrationnels. Dans les versions classiques, ils mettent à jour leurs croyances à partir des résultats accessibles ; l’échec peut apparaître malgré ce comportement individuellement raisonnable.
La sixième serait de croire qu’un réseau peu connecté est toujours plus fiable. Une faible connectivité ralentit également la diffusion des bonnes informations et, poussée trop loin, peut favoriser la polarisation.
La septième erreur serait d’identifier pluralité des opinions et indépendance des preuves. Plusieurs personnes peuvent avoir la même opinion parce qu’elles utilisent toutes la même source ; inversement, une seule conclusion obtenue par plusieurs méthodes indépendantes peut être extraordinairement robuste.
La huitième serait de transformer un modèle formel en recommandation politique immédiate. Les modèles épistémiques simplifient volontairement la réalité afin d’isoler des mécanismes ; leur application institutionnelle demande des arguments supplémentaires.
La neuvième serait de croire que plus longtemps le désaccord persiste, meilleure est la science. Lorsque les preuves permettent d’éliminer une option, maintenir artificiellement la diversité peut précisément empêcher la communauté de progresser.
La dixième serait de conclure que l’ouverture scientifique est globalement mauvaise. Rien dans ces modèles ne justifie une telle conclusion générale ; la véritable question est de savoir comment combiner ouverture, indépendance des recherches et exploration suffisante.
Pourquoi Kevin Zollman est important dans l’histoire de l’épistémologie
Avec Zollman, l’épistémologie sociale acquiert une dimension nouvelle : la structure du réseau devient une variable épistémique.
Nous étions partis avec une question classique :
Un individu possède-t-il de bonnes raisons de croire P ?
Puis nous avons ajouté :
Longino : quelles institutions permettent la critique ?
Solomon : comment répartir les engagements et les programmes ?
Kitcher : comment organiser la division du travail cognitif ?
Zollman : comment la structure des communications modifie-t-elle ce que le groupe finit par croire ?
La connaissance collective apparaît désormais comme un phénomène dynamique produit par agents + données + choix expérimentaux + réseau de communication. Ce déplacement est considérable.
Il signifie qu’une communauté composée de chercheurs individuellement compétents peut être :
plus ou moins fiable
selon :
l’architecture de leurs relations.
L’épistémologie rejoint ainsi : théorie des réseaux, modélisation multi-agents, théorie de la décision.
Zollman lui-même a ensuite décrit cette famille de recherches sous le terme de network epistemology, c’est-à-dire l’étude de la manière dont les structures de communication affectent la génération collective de connaissances.
À retenir
Les modèles de Kevin Zollman montrent qu’une intuition apparemment évidente — « plus les scientifiques partagent rapidement leurs résultats, mieux la communauté apprend » — n’est pas universellement vraie. Lorsque les chercheurs doivent choisir quelles pistes explorer et que les premiers résultats comportent du bruit, une forte connectivité peut diffuser si rapidement une information trompeuse que toute la communauté abandonne prématurément la meilleure option. Des réseaux moins connectés peuvent préserver temporairement plusieurs stratégies et améliorer, dans certains modèles, la probabilité d’une convergence correcte, au prix d’une convergence plus lente.
Cette dynamique conduit à la notion de diversité transitoire : la diversité scientifique possède une valeur lorsqu’elle maintient assez longtemps plusieurs pistes pour permettre leur exploration, mais elle cesse d’être bénéfique si les groupes restent indéfiniment séparés malgré l’accumulation des preuves.
Le résultat ne doit cependant pas être transformé en doctrine de la fermeture informationnelle. Des analyses ultérieures montrent que l’avantage de la faible connectivité dépend de la difficulté du problème et des paramètres du modèle ; restreindre réellement la communication scientifique peut produire de fortes inefficacités et favoriser la polarisation.
La leçon la plus solide est donc plus générale :
une communauté fiable doit parvenir à combiner trois propriétés qui entrent parfois en tension : circulation de l’information, indépendance suffisante des recherches et capacité finale à converger.
Trop peu de communication : fragmentation.
Trop d’influence commune trop tôt : conformité prématurée.
Le bon fonctionnement collectif demande :
communiquer sans éliminer trop vite l’exploration indépendante.
Cette idée est particulièrement précieuse pour l’autonomie critique. Elle montre pourquoi nous devons rechercher non seulement :
plus de sources,
mais :
des sources réellement indépendantes ;
non seulement :
un consensus,
mais :
un consensus ayant survécu à une exploration suffisante des alternatives ;
non seulement :
une circulation rapide de l’information,
mais :
des institutions capables de transformer cette information en connaissance robuste.
Les modèles de Zollman vont toutefois ouvrir une question encore plus inquiétante. Jusqu’ici, les scientifiques et leurs interlocuteurs cherchaient globalement à apprendre. Mais que se passe-t-il lorsqu’un acteur extérieur souhaite manipuler délibérément le réseau, en sélectionnant les études qu’il diffuse ou en amplifiant seulement certains résultats ?
Cette question conduit directement aux travaux de Cailin O’Connor et James Owen Weatherall sur la propagande dans les réseaux épistémiques, notamment leur modélisation de la « stratégie du tabac » : comment un acteur peut exploiter les mécanismes ordinaires d’une communauté rationnelle pour produire artificiellement du doute.
Pour aller plus loin
Kevin J. S. Zollman, « The Communication Structure of Epistemic Communities » (2007). Le texte fondateur pour comprendre la logique des réseaux épistémiques. Zollman y étudie comment différentes structures de communication modifient la vitesse et la fiabilité de l’apprentissage collectif. L’intérêt majeur de l’article est son résultat contre-intuitif : dans certaines simulations, des réseaux moins connectés sont plus fiables parce que les résultats trompeurs restent localisés, tandis que les réseaux très connectés convergent plus rapidement.
Kevin J. S. Zollman, « The Epistemic Benefit of Transient Diversity » (2010). Le prolongement indispensable. Zollman y développe explicitement la notion de diversité transitoire : une communauté doit conserver assez longtemps plusieurs méthodes ou théories pour permettre une véritable exploration, mais une diversité permanente peut empêcher l’apprentissage. L’article s’appuie notamment sur l’histoire de la recherche concernant les ulcères et *Helicobacter pylori*.
Kevin J. S. Zollman, « Network Epistemology: Communication in Epistemic Communities » (2013). Une bonne vue d’ensemble du programme de recherche qui s’est développé autour de ces modèles. Zollman y présente plus largement la question de savoir comment les structures internes de communication peuvent rendre un groupe meilleur ou pire dans sa production de connaissances.
Sarita Rosenstock, Justin Bruner et Cailin O’Connor, « In Epistemic Networks, Is Less Really More? » (2017). Une critique indispensable. Les auteurs montrent que certains résultats favorables aux réseaux peu connectés ne sont pas robustes à toutes les modifications des paramètres. C’est une excellente lecture pour comprendre comment utiliser correctement les modèles formels : leur intérêt réside dans les mécanismes qu’ils révèlent, pas dans des slogans politiques simples comme « moins communiquer est mieux ».
Jingyi Wu et Cailin O’Connor, « How Should We Promote Transient Diversity in Science? » (2023). Un prolongement particulièrement utile parce qu’il passe des modèles à la question des institutions réelles. Les auteures examinent à la fois les bénéfices et les coûts de la diversité transitoire et se montrent sceptiques envers une restriction artificielle de la communication. Elles privilégient notamment des mécanismes de financement permettant de soutenir l’exploration et des politiques favorisant certaines formes de diversité scientifique.
Philip Kitcher, « The Division of Cognitive Labor » (1990). À relire parallèlement à Zollman. Kitcher s’intéresse principalement à la distribution des scientifiques entre plusieurs programmes ; Zollman ajoute la structure des communications entre ces chercheurs. Ensemble, les deux travaux fournissent les bases de l’épistémologie sociale formelle contemporaine.
Pour la suite : Cailin O’Connor, James Owen Weatherall et la propagande dans les réseaux épistémiques. Les réseaux étudiés jusqu’ici pouvaient produire collectivement une erreur sans qu’aucun acteur ne cherche à tromper les autres. Les travaux suivants ajoutent un propagandiste capable de sélectionner les données qu’il communique aux décideurs ou au public. Ils montrent alors quelque chose d’essentiel pour comprendre la désinformation moderne : on peut parfois tromper des agents parfaitement rationnels sans fabriquer aucune donnée fausse, simplement en contrôlant les informations vraies auxquelles ils ont accès.