Qu’est-ce que la guerre cognitive à l’ère des réseaux sociaux ?
L’influence numérique est souvent appréhendée à partir d’objets faciles à isoler, comme un compte, une campagne coordonnée, une vidéo virale, un cadrage stratégique ou un volume d’engagement. Cette entrée saisit les acteurs et les circulations, mais imparfaitement la continuité des formes symboliques qui organisent la réception.
Toutefois, pour bien saisir l’ampleur du phénomène de l’influence numérique, il est nécessaire d’identifier l’architecture interprétative dans laquelle ces objets numériques deviennent lisibles. Ce déplacement explique le regain d’intérêt pour les notions de récit, de cadrage, de sérialité, d’architexte et de communauté interprétative. Elles éclairent plusieurs propriétés que les seules métriques de circulation saisissent mal : la persistance de motifs, la reconnaissance immédiate d’une structure, la réactivation de contenus anciens, la cohérence affective d’énoncés pourtant contradictoires ou la stabilisation de certains régimes de plausibilité. Les espaces numériques apparaissent moins comme de simples infrastructures de diffusion que comme des milieux sémiotiques. Ils sélectionnent, hiérarchisent et réactivent des formes disponibles pour des publics déjà situés socialement et culturellement.
Ainsi, la guerre cognitive à l’ère des réseaux sociaux ne consiste pas seulement à diffuser de faux contenus ou à manipuler ponctuellement une opinion. Elle désigne plus largement l’ensemble des actions qui cherchent à peser sur la manière dont des individus, des groupes ou des organisations perçoivent une situation, hiérarchisent les informations disponibles et transforment ces informations en décisions.
Cette note est le second volet du diptyque portant sur l’influence numérique. La première partie intitulée, La bataille des récits, portait sur les enjeux d’influence numérique dans leur globalité. Cette deuxième note a pour ambition de prolonger notre analyse par une étude de cas sur la DARPA et son programme SocialSim.
SocialSim : ce que la DARPA a réellement voulu simuler
La DARPA (Defense Advanced Research Projects Agency1), agence de recherche avancée du département de la Défense des États-Unis, finance des programmes exploratoires destinés à lever des verrous scientifiques ou techniques. Dans le cadre de ses travaux, le département a achevé en 2021 SocialSim (Social Simulation for Evaluating Online Messaging Campaigns2), dans l’objectif de créer des outils de simulation informatique capables de modéliser la propagation et l’évolution des informations sur les réseaux sociaux. Ce programme répondait à une question précise : peut-on reproduire et prévoir l’activité de très grandes populations sur les plateformes numériques sans réduire tous les utilisateurs au même comportement ? Précisons que son objectif portait sur la propagation et l’évolution de l’information en ligne, non sur la reconstruction complète d’une société, d’une conscience humaine ou d’une chaîne de commandement.
Simuler la circulation d’une information : cascades, volumes, viralité
Le mot « simulation » désigne ici un modèle exécutable, c’est-à-dire un ensemble d’entités, d’états et de règles que l’ordinateur fait évoluer. Dans un modèle multi-agents, les entités sont des agents dotés de règles locales : publier, répondre, partager, rester inactif ou réagir à un événement extérieur. Le phénomène collectif résulte de leurs interactions. Une « cascade » est l’arbre formé par une publication initiale et les partages, réponses ou contributions qui en dérivent. Sa taille compte le nombre d’événements ; sa profondeur mesure la longueur des relais ; sa largeur indique combien de branches apparaissent au même niveau ; sa durée suit son développement dans le temps. Ces propriétés décrivent une circulation. Elles ne donnent pas le sens que les personnes attribuent au contenu.
Une simulation procède nécessairement par sélection. Cela implique qu’elle n’est pas une copie réduite du réel, mais une construction qui choisit certaines entités, certains états, certaines relations et certaines règles de transformation. Ce qui n’entre pas dans cette définition reste simplement hors du périmètre de l’expérience. La puissance de calcul permet ensuite d’explorer à grande échelle les conséquences des hypothèses retenues ; elle ne change pas, à elle seule, leur statut scientifique.
Prenons l’exemple d’une publication partagée mille fois. La trace est simple : mille événements de partage ont été enregistrés. Mais ces partages peuvent exprimer l’adhésion, l’indignation, la moquerie, la vérification, la volonté d’alerter, le travail d’un robot ou la réponse coordonnée d’une institution. La même action visible recouvre des significations contradictoires. Une cascade décrit comment un contenu circule ; elle ne dit pas automatiquement ce que les participants en ont compris ni ce qu’ils feront ensuite.
Là où la simulation s’arrête : de l’action visible à l’interprétation humaine
Une simulation comme SocialSim peut très bien modéliser qu’un contenu est publié, partagé, commenté, repris ou intégré dans une cascade. Elle peut aussi mesurer la vitesse de diffusion, la profondeur d’un relais, la taille d’un réseau ou la proximité temporelle avec un événement extérieur. Mais ces opérations décrivent d’abord des traces observables. Elles disent qu’une action a eu lieu ; elles ne disent pas encore ce que cette action signifie pour celui qui l’a produite, ni ce qu’elle transforme dans une organisation.
Ainsi, un partage n’est pas nécessairement une adhésion. Entre la trace enregistrée et la décision organisationnelle, six couches doivent être distinguées : l’existence d’un signal, sa circulation, sa réception, son interprétation, sa transformation en communication décisionnelle, puis sa reprise dans une chaîne de décisions.
SocialSim est efficace pour représenter les premières couches (traces, circulation, parfois réception technique) mais les couches suivantes exigent des preuves complémentaires comme des comptes rendus, des arbitrages ou des traces internes de décision. Autrement dit, SocialSim montre très bien comment un signal circule mais il ne démontre pas comment ce signal est compris, repris, transformé et converti en décision.
Ce que l’audit scientifique a vérifié
SocialSim n’est pas un logiciel unique. Plusieurs équipes ont développé des modèles et des outils différents dans le cadre du programme. Notre audit porte sur les quatre dépôts publics associés à Deep Agent, projet de l’Université de Central Florida. Dans un souci de clarté, nous précisons qu’un dépôt est une archive versionnée de code : il conserve les fichiers, leur historique et, lorsqu’elles existent, les instructions nécessaires pour reproduire une expérience. Les quatre dépôts étudiés couvrent quatre fonctions complémentaires : générer des actions, représenter les règles propres aux plateformes, rechercher des événements extérieurs et comparer les simulations aux données observées. Les quatre dépôts mobilisent trois univers techniques. MACM utilise Python, langage courant de la science des données, et CUDA, technologie de NVIDIA qui exécute des calculs sur une carte graphique. RHPC_SMPLE repose sur C++, MPI, standard permettant à plusieurs ordinateurs ou processeurs d’échanger pendant un calcul et Repast HPC, cadre de simulation multi-agents distribué. GDELT_GA_SEARCH est écrit en Java. Socialsim_package utilise Python et des bibliothèques telles que NumPy et Pandas pour manipuler des tableaux de données. Ces précisions importent parce qu’un modèle peut rester scientifiquement intéressant alors que son environnement historique est devenu difficile à reconstruire.
Le résultat d’ensemble met en valeur quatre réussites complémentaires : SocialSim représente des actions hétérogènes, simule à grande échelle, intègre plusieurs sources de dynamique et compare ses sorties à des données futures. Les artefacts publics examinés ont été conçus pour cet objet. Leur extension à la cohérence d’une organisation demanderait un autre niveau de représentation, qui n’était pas le cœur du programme.
MACM offre l’idée la plus féconde : une action visible peut être produite par la pression du réseau, un choc extérieur ou une activité spontanée. Cette décomposition évite d’attribuer automatiquement toute activité à la propagation. Son implémentation publique correspond à un environnement de recherche daté : dépendances partielles, scénario minimal tributaire de données externes, sélection directe d’un périphérique CUDA, opérations Pandas devenues obsolètes et interprétation de certaines entrées textuelles par eval, fonction qui exécute du texte comme du code. L’inspection a aussi localisé plusieurs chemins qui méritent une vérification isolée : une variable de choc apparemment confondue avec celle de l’influence endogène, une boucle vide avec les valeurs par défaut et un possible accès hors limites lors du mélange de la mémoire. Ces observations ne remettent pas en cause les résultats scientifiques publiés ; elles délimitent ce qui peut être réexécuté directement à partir du dépôt public. La décomposition entre réseau, choc et activité interne demeure clairement identifiable et constitue un apport central.
RHPC_SMPLE fournit la description la plus développée des plateformes comme environnements distincts. Il sépare utilisateurs, contenus, actions, stratégies de sélection et flux de visibilité. Cette distinction est capitale : publier sur Twitter, répondre sur Reddit, modifier GitHub ou commenter YouTube ne crée ni la même trace ni la même temporalité. Le moteur C++ s’appuie sur une pile de calcul distribué associant MPI, Repast HPC, NetCDF et Boost. Son image de construction repose sur Ubuntu 16.04 et sa documentation publique laisse certaines sections ouvertes ; la reconstruction demande donc de retrouver un environnement historique précis. Quelques règles de sélection et de gestion de mémoire appellent également des tests isolés. L’apport conceptuel reste net : la plateforme n’est pas un simple graphe, mais un environnement qui configure ce que les acteurs voient et peuvent faire.
GDELT_GA_SEARCH apporte un rappel méthodologique indispensable : une poussée d’activité peut être liée à un événement extérieur plutôt qu’à une contagion interne. Le dépôt cherche par algorithme génétique des requêtes GDELT dont les séries temporelles sont corrélées à l’activité sociale. Comme toute exploration d’un grand nombre de requêtes, cette méthode rencontre un risque de surajustement : le motif qui correspond le mieux au passé n’est pas nécessairement celui qui se maintiendra ensuite. L’usage d’un générateur aléatoire sans graine contrôlée, les chemins locaux absolus et certaines particularités du traitement temporel rendent la reproduction exacte plus délicate. Le dépôt établit solidement la pertinence d’un contexte exogène ; l’attribution causale relève d’un protocole complémentaire.
Socialsim_package est l’élément le plus directement réutilisable sur le plan scientifique. Il calcule la taille, la profondeur, la largeur, la durée et la viralité des cascades, mais aussi la concentration de l’activité, les composantes des réseaux, la modularité – degré auquel un réseau se divise en sous-groupes -, les groupes persistants, les rafales et plusieurs distances entre simulation et réalité. Son environnement Python historique demande quelques adaptations dans les versions récentes des bibliothèques. L’enjeu de l’audit consiste alors à vérifier que le portage moderne conserve exactement les définitions d’origine.
Nous avons alors écrit un noyau indépendant limité à cinq mesures élémentaires : taille, profondeur, largeur maximale, durée et viralité structurelle. La viralité structurelle ne mesure pas la popularité d’un contenu; elle décrit la forme de sa propagation en calculant la distance moyenne entre les nœuds d’une cascade. Avant toute interprétation, nous avons calculé les résultats attendus sur des cas simples : cascade vide, nœud unique, chaîne de quatre nœuds, étoile de cinq nœuds et arbre binaire équilibré de sept nœuds. Cinq autres tests contrôlent l’ordre des entrées et le rejet des structures invalides. Les dix tests ont réussi. Ce résultat est volontairement borné. Il prouve que cinq calculs sont corrects dans un périmètre défini. Il ne valide ni la psychologie d’un agent, ni l’effet d’une information, ni une architecture décisionnelle.
La portée volontairement étroite de ce test en fait une preuve intelligible. Une implémentation historique et une implémentation indépendante peuvent être comparées sur les mêmes micro-cascades ; une divergence devient alors localisable. En revanche, ce résultat ne se propage pas aux mécanismes de MACM, aux états attribués aux agents ou aux effets d’un choc extérieur. Il vérifie une famille de calculs, non une théorie du comportement. Cette séparation entre preuve analytique locale et validité générale constitue l’un des résultats les plus importants de l’audit.
Les limites observées se rangent ainsi en trois catégories. La première concerne la reproductibilité immédiate des dépôts publics : dépendances anciennes, documentation inégale, environnements historiques et couverture de tests partielle. La deuxième concerne l’étendue de la vérification : les dix tests indépendants consolident cinq métriques de cascade, pas l’ensemble des mécanismes comportementaux. La troisième concerne la portée de l’inférence : les traces et les corrélations décrivent puissamment l’activité numérique, sans établir seules l’interprétation humaine, la causalité d’une intervention ou la décision collective. Ces limites sont réelles, mais elles ne forment pas un réquisitoire contre SocialSim. La première tient largement à la nature d’un code de recherche archivé ; les deux autres relèvent des règles ordinaires de la preuve et du périmètre même du programme. SocialSim demeure une contribution de premier plan à la modélisation des événements visibles et de leur circulation, avec une ambition rare de comparaison à grande échelle. Ses spécifications, ses métriques, ses distinctions causales et ses cas de référence conservent une portée durable.
Mesurer un « effet » : pourquoi la baisse d’un volume ne prouve pas l’influence
La difficulté centrale tient au fait qu’un effet ne se mesure jamais uniquement par l’observation d’un changement après une action. Dire qu’une communication a été publiée, puis que le volume de messages a diminué, ne suffit pas à établir que cette communication a produit la baisse. La dynamique pouvait déjà être en train de s’épuiser ; un autre événement a pu détourner l’attention ; la plateforme a pu modifier la visibilité du contenu ; ou encore les acteurs les plus actifs ont pu se déplacer vers un autre espace. La succession temporelle ne suffit donc pas à démontrer la causalité.
Pour parler d’effet, il faut disposer d’un contrefactuel, c’est-à-dire d’une estimation crédible de ce qui se serait produit en l’absence de l’action étudiée. La question n’est pas seulement : « que s’est-il passé après le message ? », mais : « que se serait-il passé sans ce message, ou avec un message différent ? ». Sans cette comparaison, la baisse observée reste ambiguë. Elle peut correspondre à une influence réelle, mais aussi à une tendance naturelle, à une saturation de l’attention, à un changement d’actualité ou à une réorganisation des échanges.
L’expérimentation aléatoire constitue le cas le plus solide, parce qu’elle permet de comparer des groupes exposés et non exposés de manière contrôlée. Mais dans les situations réelles (crise politique, opération militaire, communication publique, controverse en ligne) cette assignation est souvent impossible ou contraire aux contraintes éthiques et opérationnelles. On doit alors construire des comparaisons plus prudentes : périodes similaires, groupes comparables, fenêtres temporelles décalées, scénarios simulés, contrôles synthétiques ou tests de sensibilité. Ces méthodes ne recréent pas parfaitement le monde sans intervention, mais elles réduisent le risque de confondre simple évolution temporelle et effet causal.
Dans le cas de SocialSim, cela signifie que le programme peut aider à formuler des scénarios et à comparer des trajectoires de circulation, mais qu’il ne suffit pas, à lui seul, à prouver l’influence d’une intervention organisationnelle. Il peut montrer qu’un volume baisse, qu’une cascade se raccourcit, qu’un réseau se fragmente ou qu’un contenu circule moins vite. Mais pour conclure que cette évolution résulte d’une action déterminée, il faut un protocole causal supplémentaire : définition précise de l’intervention, identification de la population exposée, comparaison avec une trajectoire alternative et prise en compte des facteurs extérieurs. Autrement dit, une baisse de volume est un indice, non une preuve.
Ce que cela change pour les décideurs : renseignement, gestion de crise, communication stratégique
SocialSim permet de mieux voir la circulation d’un signal. En revanche, il ne doit pas être utilisé comme une machine à conclure automatiquement sur l’intention, l’adhésion ou l’effet stratégique. Pour les décideurs, son intérêt n’est donc pas de remplacer le jugement humain, mais aider à repérer ce qui circule, par quels canaux, à quelle vitesse, avec quels relais et selon quelles formes de cascade. Ensuite c’est au rôle de l’analyse humaine d’établir ce que ces circulations signifient, comment elles sont interprétées et si elles modifient une chaîne de décision.
La note est disponible ci-dessous
- Home | DARPA. (2026). darpa.mil. https://www.darpa.mil/ ↩︎
- Computational Simulation of Online Social Behavior. (2026). https://www.darpa.mil/research/programs/computational-simulation-of-online-social-behavior ↩︎
La guerre cognitive est comprise comme un champ qui ne se limite pas à la circulation d’informations en ligne. Il s’agit d’analyser comment des signaux, messages ou perturbations peuvent affecter les interprétations, les degrés de confiance, les seuils d’action, les communications décisionnelles et la capacité d’une organisation à produire des décisions cohérentes. Le cœur de l’analyse est donc de savoir comment une perturbation informationnelle peut modifier la manière dont une organisation interprète une situation et enchaîne ses décisions.
La DARPA (Defense Advanced Research Projects Agency), agence de recherche avancée du département de la Défense des États-Unis, finance des programmes exploratoires destinés à lever des verrous scientifiques ou techniques. Dans le cadre de ses travaux, le département a achevé en 2021 SocialSim (Social Simulation for Evaluating Online Messaging Campaigns), dans l’objectif de créer des outils de simulation informatique capables de modéliser la propagation et l’évolution des informations sur les réseaux sociaux.
Oui, il est possible de simuler des traces, des actions visibles, des cascades, des vitesses de diffusion, des formes de propagation et des dynamiques de plateforme. Mais simuler la propagation d’une information ne signifie pas simuler son interprétation, son influence réelle ou ses effets décisionnels. Une cascade montre qu’un contenu circule ; elle ne dit pas automatiquement si les personnes y adhèrent, le contestent ou agissent ensuite à partir de lui.
La désinformation désigne surtout un contenu informationnel faux, trompeur ou manipulé. Elle porte sur la nature du message (une rumeur ou une fausse affirmation). Tandis que, la guerre cognitive ne se limite pas au contenu faux. Elle vise les conditions de l’interprétation et de la décision.
Une simulation peut aider à prévoir des comportements numériques ou des conditions qui influencent une décision, mais elle ne prédit pas directement une décision humaine ou organisationnelle sans preuves complémentaires.
