À propos

1. Vision scientifique de l’équipe/consortium sur les thèmes du défi

Les distinctions entre collectif et individuel d’une part, cognitif et social de l’autre, sont deux organisateurs des frontières entre domaines scientifiques. Les disciplines constituées tendent à associer l’étude de la cognition à l’individu et celle du social au collectif. Par exemple, on définit la sociologie par son intérêt pour le fonctionnement collectif alors que la psychologie cognitive est caractérisée par sa centration sur les processus de traitement de l’information dans l’esprit de l’individu.

Bien que plusieurs champs disciplinaires manifestent des croisements entre sciences sociales et sciences cognitives, une ligne de partage subsiste entre deux traditions (Kaufmann & Clément, 2011). D’une part, les approches sociales de la cognition (par ex. sociologie cognitive) sont tournées vers les sciences sociales à travers leurs méthodes – observation directe, questionnaire, corpus – et leurs objets – les représentations collectives partagées par une communauté et ancrées dans son histoire. D’autre part, les approches cognitives du social (par ex. neurosciences cognitives) sont typiques des sciences cognitives du fait de leur dispositifs méthodologiques – expérimentation, imagerie cérébrale – et de leur objet – le traitement de l’information sociale par l’esprit individuel lors d’interactions ponctuelles. Ainsi, ces deux courants tentent une articulation entre le social et le cognitif, mais aucun d’eux ne considère simultanément les aspects individuels et collectifs. Pour les approches cognitives, le social est individuel et réduit aux processus de traitement de l’information situés dans l’individu. Pour les approches sociales, le cognitif est collectif, présent sous la forme de représentations partagées à l’identique entre individus de la même communauté (Chevrot & Nardy, sous presse).

L’objectif de CO3i est une meilleure compréhension de la notion de « comportement humain collectif » à travers une réflexion interdisciplinaire visant à renouveler l’articulation des dimensions social-cognitif et collectif-individuel.

Plusieurs disciplines des SHS confrontées à cette double opposition se répartissent de part et d’autre de la frontière entre approches cognitives du social et approches sociales de la cognition. Parmi celles qui contribueront au projet CO3i, la linguistique et la sociologie représente la première option alors que la cognition sociale est typique de la seconde. Récemment, un nouvel acteur a pris pied dans ce débat. Il s’agit de la science des réseaux, qui fournit de nouveaux outils conceptuels et analytiques pour modéliser les interactions entre les niveaux individuel et collectif. Ce champ prend comme objet les systèmes composés de nombreuses unités interconnectées, qu’ils soient de nature biologique, physique ou sociale (Barabàsi, 2015). Sa montée en puissance au début du 21ème siècle repose sur quatre principes : 1/ Favoriser l’interdisciplinarité par des outils et un langage communs. 2/ Concevoir et valider des outils conceptuels, computationnels et formels à partir des données (data driven approach). 3/ Utiliser les outils formels de la théorie des graphes, de la modélisation et de la physique statistique. 4/ Relever des défis computationnels majeurs (fouille, simulation) résultant de la multidimensionnalité et de la taille gigantesque des bases de données.

La science des réseaux contribue au mouvement émergent des sciences sociales computationnelles (Lazer et al., 2009), produit de notre capacité nouvelle à effectuer des recueils automatiques, permanents et non supervisés de données massives sur les comportements individuel et collectif, grâce à l’utilisation de capteurs ad hoc (enregistreurs de proximité pour reconstituer les contacts face à face) ou l’exploitation des traces de la communication numérique (blogs, médias sociaux, terminaux portables, plateformes de service, etc.). En outre, la science des réseaux renouvelle l’étude de la complexité qui semblait s’essouffler du fait de l’incertitude de ses buts, de la multiplicité de ses outils théoriques (auto-organisation, fractales, chaos, etc.) et de la diversité des sciences censées l’incarner. Elle aborde la complexité à travers des outils (langages formels, simulations computationnelles) qui permettent de comprendre comment l’interaction itérative de nombreuses entités simples produit des effets complexes au niveau collectif (Phelan, 2001). Du fait des nouvelles possibilités pour recueillir des données massives, cet usage des outils de la complexité est empiriquement inspiré et empiriquement validé (Barabási, 2011). Le travail sur la communication numérique permet aussi d’interroger certains  postulats des sciences sociales, par exemple en revisitant la notion de monade de Gabriel Tardes, qui atténue l’opposition entre individu et collectif (Latour et al., 2012).

Le projet CO3i bénéficiera de la collaboration interdisciplinaire de chercheurs qui analysent les dimensions social-cognitif et collectif-individuel de trois points de vue : 1/ l’approche sociale de la cognition, représentée par la linguistique et la sociologie ; 2/ l’approche cognitive du social, représentée par la cognition sociale ; 3/ l’approche systèmes complexes, représentée la science des réseaux. Les représentants de ces trois approches travailleront en relations avec des philosophes des sciences qui proposent des solutions conceptuelles à la question posée.

2. Les acquis scientifiques dans le domaine

La prise de risque inhérente à CO3i résulte de la confrontation de traditions de pensée différentes. L’approche sociale de la cognition est fondée sur l’observation et l’induction. L’approche cognitive du social repose sur la validation expérimentale d’hypothèses déduites de modèles. L’approche systèmes complexes privilégie la formalisation et la modélisation empiriquement fondées à partir de techniques de fouille de données. Pour faciliter les échanges, nous avons préalablement fait l’inventaire des cinq pistes de solutions disciplinaires esquissées pour articuler cognitif et social, collectif et individuel.

2.1 La piste de l’individualisme méthodologique complexe

L’approche cognitive des faits sociaux et l’approche sociale de la cognition souffrent de la même limitation : les liens de causalité sont simples et unidirectionnels, soit du collectif vers l’individuel, soit l’inverse. L’individualisme méthodologique complexe (Dupuy, 2004) est une troisième voie fondée sur la volonté de situer l’explication dans l’interaction et la causalité réciproque entre le social et le cognitif, le collectif et l’individuel. Il s’agit de tenir ensemble deux propositions : « 1) ce sont les individus qui font, ou plutôt « agissent », les phénomènes collectifs (individualisme); 2) les phénomènes collectifs sont […] plus complexes que les individus qui les ont engendrés, ils n’obéissent qu’à leurs lois propres (auto-organisation). » (p. 322). De la résolution de ce paradoxe découle la possibilité de maintenir l’autonomie du social, non-réductible au cognitif, sans toutefois considérer les entités collectives (« la bourgeoisie », « les ouvriers ») comme des « sujets » autonomes.

2.2 La piste computationnelle

L’exploration des interactions entre individuel et collectif, cognitif et social est facilitée par le recours aux concepts (non-linéarité) et aux modélisations (systèmes multi-agents) de la science des systèmes complexes, qui rendent compréhensible le résultat d’interactions multiples et réciproques entre de nombreux paramètres dont l’action se déroule dans le temps (Chavalarias, 2007). On peut concevoir des systèmes multi-agent simulant l’interaction d’individus dotés de caractéristiques sociocognitives, dans le cadre de contraintes matérialisées par ces caractéristiques individuels ou par la forme du réseau de relations entre eux. Les interactions entre agents modifient leurs caractéristiques et font émerger de nouvelles formes collectives de pensée ou de comportement. Ces formes collectives peuvent à leur tour influencer les caractéristiques des agents, le réseau de relations entre eux et donc les contraintes qui s’exercent sur eux (Hruschka et al., 2009).

2.3 La piste évolutionnaire

Comme le note Levinson (2012) et le développe Andler (2016, chapitre 4), des disciplines nouvelles appliquent depuis deux décennies les théories de l’évolution à des objets des sciences humaines, au niveau de l’individu (psychologie évolutionniste) ou du collectif (anthropologie sociale et culturelle, éthologie cognitive et comportementale). Il peut s’agir de rendre compte de caractéristiques cognitives ou comportementales de l’individu par leur efficacité pour la survie et la reproduction, ou bien de rendre compte de la coévolution de deux instances : l’individu, ses structures mentales et ses gènes d’une part, la société, son organisation et ses normes, d’autre part. Puisqu’elles admettent que l’évolution des formes culturelles et l’évolution des propriétés biologiques s’inscrivent dans des processus couplés de sélection réglés par des propriétés analogues (variation, sélection, rétention), les théories co-évolutionnaires sont une tentative de fonder un système explicatif sur l’interaction entre le social et le cognitif, le collectif et l’individuel.

2.4 La piste « réseau social »

La notion de réseau social est par elle-même un levier important pour renouveler la réflexion sur l’articulation entre individuel et collectif, social et cognitif. Comme le note (Mercklé, 2011), la notion de réseau « restitue aux comportements individuels la complexité des systèmes de relations sociales dans lesquels ils prennent sens, auxquels ils donnent sens ». Mais cette restitution ne dissimule pas la complexité des caractéristiques individuelles, qu’elles soient linguistiques, cognitives ou sociales. C’est parce que la notion de réseau décrit les relations sociales (les arrêtes) sans perdre l’information sur les unités (les nœuds) qu’elle rend compte de l’influence du réseau sur les individus et de l’influence, sur le réseau, d’individus qui ne sont pas réduits à des cellules vides transmettant des processus de diffusion (Degenne & Forsé, 2004).

2.5 La piste méthodologique

Un enjeu méthodologique important pour articuler individuel et collectif, social et cognitif est d’optimiser simultanément deux dimensions des échantillons collectés : 1/ leur taille, c’est-à-dire le nombre d’individus observés, afin de permettre la description des phénomènes collectifs, la généralisation des résultats et le croisement de facteurs multiples ; 2/ leur profondeur, c’est-à-dire la quantité et la complexité des informations recueillies sur chaque individu, qui documentent ses caractéristiques individuelles, notamment cognitives, et leur contextualisation sociale (Wang, 2013). Certaines méthodologies novatrices tentent d’optimiser ces deux dimensions. Tel est le cas du projet DyLNet (Nardy, 2016, Language Dynamics, Linguistic Learning, and Sociability at Preschool: Benefits of Wireless Proximity Sensors in Collecting Big Data) auxquels participent plusieurs membres de CO3i. Il étudie la relation entre sociabilité enfantine et langage dans une école maternelle, dont tous les adultes et enfants (N≈200) sont suivis pendant trois années à l’aide de capteurs enregistrant les proximités entre eux toutes les cinq secondes. Certains capteurs sont munis de microphones et les capacité langagières et dispositions sociales individuelles sont examinées régulièrement à l’aide de tests et de questionnaires.

L’état des lieux des réflexions sur l’articulation des dimensions individuel-collectif et social-cognitif fait apparaitre cinq pistes de solutions qui seront approfondies : l’individualisme méthodologique complexe,  la piste computationnelle,  la pistes évolutionnaire, la piste réseau social, la piste méthodologique.

 3. Les verrous scientifiques et les axes de recherche à moyen terme

La prise de risque interdisciplinaire est ici augmentée du fait de la distance entre les traditions scientifiques représentées dans le projet. L’approche sociale de la cognition est fondée sur l’observation et l’induction. L’approche cognitive du social repose sur la validation expérimentale d’hypothèses déduites de modèles. L’approche systèmes complexes privilégie la formalisation et la modélisation empiriquement fondées à partir de techniques de fouille de données. L’’interdisciplinarité que nous visons doit être comprise comme la volonté d’harmoniser des domaines pour tendre vers un corps de savoir cohérent dont l’adéquation explicative et descriptive est supérieure à la somme des parties qui le constituent (Choi & Pak, 2006). Des éléments conceptuels et méthodologiques de chacune des disciplines doivent donc être modifiés (Chevrot, 2016).

Trois atouts du projet CO3i favorisent cette convergence.

D’abord, lors de la préparation de cette proposition, nous sommes parvenus à dégager des thèmes transversaux susceptibles de fédérer les efforts réflexifs disciplinaires : 1/ comportements collectifs et individus dans les relations d’apprentissage ; 2/ traitement de l’information dans l’esprit individuel et la circulation de l’information entre les individus : existe-t-il une cognition collective ? 3/ croyances, émotions et interactions: entre le «social», le «collectif» et le «public» ; 4/ données individuelles et données collectives : taille, profondeur, multidimensionnalité.

Ensuite, la grande majorité des membres de CO3i sont coutumiers de la participation à des projets collaboratifs impliquant des disciplines de secteurs différents : STIC et SHS, SDV et SHS, etc.

Enfin, le travail réflexif se fondera sur trois démarches empiriques en cours ou récentes (financées par ailleurs) dans lesquels sont impliqués les membres du projet. Notre pari est que le projet CO3i fournira un cadre réflexif général commun à ces démarches empiriques, qui fourniront en retour des cas d’étude nourrissant la réflexion théorique.

 

Titre Equipes Porteur Financement
SoSweet : a Sociolinguistics of Twitter: Social Networks and Linguistic Variation (2015-2018) ICAR, Alpage, DANTE, Lidilem Jean-Philippe Magué ANR
DyLNet : Language Dynamics, Linguistic Learning, and Sociability at Preschool: Benefits of Wireless Proximity Sensors in Collecting Big Data (2016-2019) Lidilem, DANTE Aurélie Nardy ANR
Licorne : Les interfaces entre culture, organisme, nature et société (2013-2015) Dominique Guillo (CNRS), Laurence Kaufmann (UNIL), Fabrice Clément (UniNe) Dominique Guillo (CNRS) ANR

Trois atouts du projet CO3i minimisent la prise de risque inhérente à l’entreprise interdisciplinaire : 1/ le dégagement préalable des thèmes transversaux fédérateurs ; 2/ la familiarité de la majorité des participants avec le travail interdisciplinaire ; 3/ l’ancrage du travail réflexif sur des projets empiriques fournissant des cas d’étude.

 

4. Les différentes disciplines impliquées et leurs contributions respectives au projet.

Ces disciplines et les chercheurs qui les représentent dans le projet apparaissent dans le tableau ci-dessous.

Discipline Participants           Rattachement institutionnel Thèmes de recherche
Cognition sociale Clément, Fabrice, PR Centre de Sciences Cognitives, Univ. de Neuchâtel Sciences cognitives et philosophie
Muller, Dominique LIP : PC2S, Université Grenoble Alpes Automaticité des processus
Smeding, Annique, MC LIP : PC2S, Université Savoie Mont-Blanc Régulation sociale de la cognition
Linguistique Chevrot, Jean-Pierre, PR DANTE, Laboratoire de l’Informatique du parallélisme, ENS Lyon & CNRS) et Lidilem, Université Grenoble Alpes Sociolinguistique et cognition
Lund, Kris, IR Laboratoire ICAR, CNRS et ENS Lyon Interaction et collaboration
Magué, Jean-Philippe, MC Laboratoire ICAR, CNRS et ENS Lyon Sociolinguistique computationnelle
Nardy, Aurélie, MC Lidilem, Université Grenoble Alpes  

Sociolinguistique et cognition

Rossi, Caroline, MC ILCEA4, Université Grenoble Alpes Linguistique de corpus
Philosophie Andler, Daniel, PR Université Paris-Sorbonne & Académie des sciences morales et politiques Philosophie des sciences cognitives
Perrin, Denis, MC Philosophie, Pratiques, Langages, Université Grenoble Alpes Philosophie de l’esprit
Sociologie Kaufmann, Laurence, PR Centre d’Etude des Mouvements Sociaux, Univ. de Lausanne Culture et communication
Mercklé, Pierre, PR Centre Max Weber, CNRS & ENS Lyon Etude des réseaux sociaux
Systèmes complexes & Fleury, Eric, PR DANTE, Laboratoire de l’Informatique du parallélisme, CNRS & ENS Lyon Etude des réseaux sociaux

 

science des réseaux Grumbach, Stephane, DR Institut Institut rhônalpin des systèmes complexes (directeur) Economie des données
Jensen, Pablo, DR Laboratoire de Physique, CNRS & ENS Lyon
Karsai, Márton, MC DANTE, Laboratoire de l’Informatique du parallélisme, CNRS & ENS Lyon Etude des réseaux sociaux
Theraulaz, Guy, DR Centre de Recherches sur la Cognition Animale, CNRS & Université Paul Sabatier Comportements collectifs dans les sociétés animales et humaines/Phénomènes d’intelligence collective
Venturini, Tommaso, CR DANTE, Laboratoire de l’Informatique du parallélisme, CNRS & ENS Lyon Études des sciences et technologies

Chaque discipline représentera une façon de combiner les distinctions social-cognitif et collectif-individuel (voir section 1). Dans la mesure où le projet ne consiste pas à mettre en œuvre des démarches empiriques, le rôle des disciplines et moins différencié. A part la philosophie des sciences qui proposera un cadre général et une perspective historique, les autres disciplines devront suivre les règles de la communication interdisciplinaire : efforts d’explicitation, exposés synthétiques et construits, ouvertures et curiosité vis-à-vis des perspectives des autres champs.

5. Références

Andler, D. (2016). La silhouette de l’humain: Quelle place pour le naturalisme dans le monde d’aujourd’hui ? Paris: Gallimard.

Barabási, A.-L. (2011). The network takeover. Nature Physics, 8(1), 14–16.

Barabàsi, A.-L. (2015). Network Science. Retrieved November 18, 2015, from http://barabasi.com/networksciencebook/

Chavalarias, D. (2007). L’articulation individu/collectif dans les sciences des systèmes complexes : quels apports pour la sociologie ? Sociétés, 98(4), 41-51.

Chevrot, J.-P. (2016). What do we mean by interdisciplinary research? Workshop Bridging gaps: Conceptual and epistemological approaches, Center for Multilingualism in Society across the Lifespan (MultiLing), 2-3 June, University of Oslo, Norway

Chevrot, J.-P. & Nardy, A. (à paraître). Sociolinguistique et sciences cognitives : promesses d’une rencontre inattendue. In Côté, M.-H., Durand, J., Lyche, C., Peuvergne, J. (eds). Dynamiques linguistiques : variation, changement et cognition, Presses universitaires de Paris Ouest.

Degenne, A., & Forsé, M. (2004). Les réseaux sociaux (2e édition). Paris: Armand Colin.

Dupuy, J.-P. (2004). Vers l’unité des sciences sociales autour de l’individualisme méthodologique complexe. Revue du MAUSS, 24(2), 310–328.

Hruschka, D. J., Christiansen, M. H., Blythe, R. A., Croft, W., Heggarty, P., Mufwene, S. S., … Poplack, S. (2009). Building social cognitive models of language change. Trends in Cognitive Sciences, 13(11), 464–469. Kaufmann, L., & Clément, F. (2011). L’esprit des sociétés. Bilan et perspectives en sociologie cognitive. In L. Kaufmann & F. Clément, La sociologie cognitive, Ophrys, pp. 7–40).

Latour, B., Jensen, P., Venturini, T., Grauwin, S., & Boullier, D. (2012). “The whole is always smaller than its parts” – a digital test of Gabriel Tardes’ monads: “The whole is always smaller than its parts.” The British Journal of Sociology, 63(4), 590–615.

Lazer, D., Pentland, A. (Sandy), Adamic, L., Aral, S., Barabasi, A. L., Brewer, D., … Van Alstyne, M. (2009). Life in the network: the coming age of computational social science. Science (New York, N.Y.), 323(5915), 721–723.

Levinson, S. C. (2012). The Original Sin of Cognitive Science. Topics in Cognitive Science, 4(3), 396–403.

Mercklé, P. (2011). Sociologie des réseaux sociaux, La Découverte, Paris.

Nardy, A. (2016). DyLNet – Language Dynamics, Linguistic Learning, and Sociability at Preschool: Benefits of Wireless Proximity Sensors in Collecting Big Data, Projets financé par l’ANR, ANR-16-CE28-0013-0 [https://hal.archives-ouvertes.fr/hal-01396652v1]

Phelan, S. E. (2001). What Is Complexity Science, Really? Emergence: Complexity and Organization, 3(1), 120–136.

Wang, T. (2013). Why Big Data Needs Thick Data, Ethnography Matter [https://medium.com/ethnography-matters/why-big-data-needs-thick-data-b4b3e75e3d7]