Inférer la structure interne des groupes par l’intégration de l’apprentissage statistique et du raisonnement causal

Voir la toile cachée de la vie sociale

Arrivé dans un nouvel environnement professionnel, une nouvelle classe ou une équipe sportive, on comprend vite qui tire les ficelles, qui sont des amis proches et qui conseille discrètement les autres. Pourtant, on n’observe en général qu’une poignée d’échanges brefs. Cet article examine comment, à partir de ces aperçus rares et bruités du comportement, les personnes parviennent à reconstruire la carte sociale invisible qui façonne la vie quotidienne — et montre que notre esprit pourrait réaliser, en coulisses, une forme de traitement de données et de raisonnement causal étonnamment sophistiquée.

Comment nous lisons la structure à partir d’indices ténus

Les auteurs soutiennent que les humains ne se contentent pas de suivre qui interagit avec qui ; nous combinons apprentissage statistique et « sociologie populaire » pour inférer une structure plus profonde. Du côté statistique, nous remarquons des motifs dans la fréquence et les modalités des interactions, et nous regroupons mentalement les individus en sous-ensembles selon ces motifs. Du côté sociologique, nous portons des attentes intuitives sur des relations telles que l’autorité, l’amitié et le mentorat — qui a tendance à donner des directives, qui invite habituellement qui à socialiser, et qui est susceptible de demander ou d’offrir des conseils. En combinant ces deux capacités, nous pouvons deviner non seulement quelles relations existent, mais aussi comment elles influenceront les comportements futurs.

De vidéos bruitées aux cartes sociales cachées

Pour tester cette idée, les chercheurs ont montré à des participants en ligne de courtes vidéos stylisées de cinq silhouettes colorées interagissant dans un cadre de bureau. Dans chaque clip, une silhouette s’approchait d’une autre, envoyait un symbole représentant un ordre, une invitation sociale ou une demande de conseil, puis recevait une réponse positive ou négative. Après seulement quelques interactions de ce type, les spectateurs devaient juger lequel, parmi plusieurs diagrammes candidats, rendait le mieux compte de la structure interne du groupe — par exemple une chaîne de commandement particulière, un schéma de cliques amicales ou un réseau de mentorat. Malgré l’information limitée et des interactions parfois contradictoires, les participants choisissaient de manière cohérente des diagrammes correspondant aux motifs sous-jacents, et ils exprimaient une confiance graduée lorsque plus d’une structure semblait plausible.

Prédire ce qui va se passer ensuite

L’équipe a ensuite examiné si les gens utilisent ces structures inférées pour prévoir des comportements futurs. Dans une deuxième série d’études, les participants regardaient encore des séquences d’interaction, puis on leur disait, par exemple, qu’un travailleur était absent et qu’un autre devait assigner une tâche, inviter quelqu’un après le travail ou demander un conseil. Les participants notaient la probabilité que chaque collègue restant soit choisi. Leurs prédictions n’étaient pas bien expliquées par des règles simples comme « choisir la personne qui a le plus souvent interagi ». Au contraire, elles concordaient étroitement avec un modèle computationnel qui infère d’abord une structure sociale sous-jacente, puis, compte tenu de cette structure et des attentes de sens commun relatives aux ordres, invitations ou conseils, détermine qui est le partenaire le plus naturel dans la nouvelle situation.

Suivre le flux de l’influence sociale

Une expérience finale a rendu la situation plus réaliste en mélangeant les trois types d’interaction — ordres, invitations et demandes de conseil — au sein du même groupe. Ensuite, on demandait aux participants qui pourrait le mieux influencer les plans de week-end d’une personne donnée : la persuader de faire un shift supplémentaire, d’aller au cinéma ou de suivre un cours facultatif. Différentes questions mobilisaient différents types de relations : les shifts supplémentaires suivaient plutôt les lignes d’autorité, les projets de cinéma reflétaient l’amitié, et les décisions de cours reflétaient le mentorat. Là encore, les réponses des personnes étaient mieux expliquées par un modèle qui s’appuyait sélectivement sur le type de relation approprié pour chaque décision, plutôt que par une règle universelle telle que « le contact le plus fréquent ».

Pourquoi cela compte pour comprendre l’intelligence sociale

Ensemble, ces études suggèrent que des adultes ordinaires construisent rapidement des cartes internes riches de la structure de groupe à partir d’indices minimes, puis utilisent ces cartes pour expliquer, prédire et planifier des comportements sociaux. Ce travail montre que nous allons au-delà du simple savoir qui appartient à quel groupe : nous inférons aussi qui domine qui, qui est proche de qui et qui guide les choix de qui, même lorsque les preuves sont fragmentaires. En termes quotidiens, notre cerveau transforme constamment des interactions éparses en un modèle opérationnel de la politique de bureau, des réseaux d’amitié et des chaînes de mentorat qui nous entourent — un modèle suffisamment puissant pour orienter nos décisions sur qui approcher, qui fréquenter et comment s’intégrer.

Citation: Davis, I., Jara-Ettinger, J. & Dunham, Y. Inferring the internal structure of groups through the integration of statistical learning and causal reasoning. Nat Commun 17, 1959 (2026). https://doi.org/10.1038/s41467-026-68754-0

Mots-clés: réseaux sociaux, hiérarchies, apprentissage statistique, raisonnement causal, cognition sociale