Propagation de rumeurs sur des hypergraphes

Pourquoi les discussions de groupe comptent pour les rumeurs

Chaque jour, des millions de messages circulent dans des discussions de groupe sur des applications comme WhatsApp et Telegram. Un seul lien ou une seule capture d’écran peut sauter d’un groupe à l’autre et devenir rapidement une rumeur qui influe sur les opinions des gens à propos de la politique, de la santé ou d’événements quotidiens. Pourtant, la plupart des modèles scientifiques de diffusion de l’information traitent encore la communication comme un échange entre pairs — une personne qui parle à une autre — plutôt que comme une interaction de groupe. Cet article pose la question suivante : qu’est-ce qui change lorsque l’on prend les groupes au sérieux, et comment cela transforme-t-il notre compréhension de la manière dont les rumeurs s’enflamment ou s’éteignent ?

Des liens simples à des réseaux de groupes complexes

Sur les plateformes de messagerie, les gens ne conversent pas seulement en tête‑à‑tête — ils participent à de nombreux groupes qui se chevauchent. Pour rendre cela, les auteurs utilisent une structure mathématique appelée hypergraphe, où une seule « arête » peut relier plusieurs personnes à la fois, représentant un groupe de discussion. Dans leur modèle, chaque personne peut se trouver dans l’un des trois états suivants : ignorante d’une rumeur, en train de la répandre activement, ou l’ayant entendue mais ne la relayant plus. Une rumeur se propage au sein d’un groupe seulement quand suffisamment de membres la propagent déjà, reflétant la pression sociale qui s’exerce lorsque de nombreux contacts répètent la même histoire. À ce moment, tous les membres du groupe qui étaient ignorants peuvent soudainement devenir des diffuseurs, imitant les sursauts d’activité observés dans les discussions populaires.

Comment les rumeurs s’essoufflent

Les rumeurs ne se diffusent pas indéfiniment. Les gens finissent par perdre de l’intérêt ou estiment que « tout le monde est déjà au courant », et cessent de transférer les messages. L’apport clé de ce travail est la manière dont il traite ce ralentissement. Au lieu de supposer que les personnes s’arrêtent de manière aléatoire, les auteurs laissent cela se produire par saturation liée aux groupes. Lorsqu’une personne appartient à suffisamment de groupes où la rumeur a déjà largement circulé, elle devient un « étouffeur » qui ne la transmet plus. Cette règle simple donne naissance à deux façons très différentes pour les rumeurs de décroître. Dans certains cas, le nombre de diffuseurs actifs chute rapidement selon une loi exponentielle, similaire à de nombreux modèles épidémiques standard. Dans d’autres cas, le déclin est beaucoup plus lent et suit une loi de puissance, ce qui rend possibles des cascades de rumeurs rares mais très durables.

Points de basculement critiques dans les cascades de rumeurs

En exécutant de vastes simulations informatiques, les chercheurs cartographient les situations où les rumeurs s’éteignent, où elles explosent, et la façon dont elles approchent les points de basculement entre ces comportements. Ils montrent que l’équilibre entre la facilité d’allumage des groupes (le seuil de propagation) et la vitesse à laquelle les gens se saturent (le seuil d’arrêt) détermine le régime observé. Fait intéressant, sur une large gamme de structures de réseau — depuis des collections de groupes relativement uniformes jusqu’à des configurations très inégales avec de nombreuses petites discussions et quelques très grands canaux — les transitions qu’ils observent sont continues. Il n’y a pas de saut brutal entre « presque aucune rumeur » et « tout le monde est informé », mais plutôt un glissement progressif où les cascades de rumeurs grandissent graduellement et deviennent plus persistantes près du point critique.

Confrontation de la théorie aux données réelles de Telegram

Pour tester si leur modèle abstrait capture un comportement réel, les auteurs s’appuient sur un large ensemble de données de chaînes publiques Telegram contenant des centaines de millions de messages. Ils construisent un réseau basé sur les groupes où les utilisateurs appartiennent à une ou plusieurs chaînes, puis suivent des cascades de messages partageant le même lien web, traitant chaque lien comme une rumeur distincte. Pour chaque cascade, ils mesurent la durée de vie de la rumeur et la fréquence de ses retransmissions. Lorsqu’ils simulent leur modèle directement sur ce réseau Telegram, ils constatent que les statistiques des cascades simulées — leur ampleur et leur durée — correspondent le mieux aux données réelles lorsque le système est réglé près du point critique. Des résultats similaires obtenus sur un jeu de données de communications par e‑mail renforcent ce constat.

Ce que cela implique pour l’information en ligne

Globalement, l’étude suggère que la propagation des rumeurs dans les systèmes de groupes en ligne réels tend à fonctionner près d’un point d’équilibre délicat : les rumeurs n’explosent ni ne s’éteignent systématiquement, mais se situent plutôt à proximité d’un régime critique où coexistent de petites et de grandes cascades. En modélisant explicitement les conversations de groupe plutôt que de simples liens individuels, et en liant l’extinction d’une rumeur à la saturation des groupes d’une personne, les auteurs proposent un cadre plus réaliste pour comprendre le contenu viral dans les applications de messagerie. Pour les décideurs et les concepteurs de plateformes, ce travail suggère que de petits changements dans la façon dont les groupes se forment, se chevauchent ou transmettent des messages pourraient éloigner la dynamique des rumeurs de ce bord critique et aider à freiner la diffusion de la désinformation sans avoir à surveiller chaque message individuel.

Citation: Oliveira, K.A., Traversa, P., Ferraz de Arruda, G. et al. Rumor propagation on hypergraphs. Nat Commun 17, 3253 (2026). https://doi.org/10.1038/s41467-026-70096-w

Mots-clés: propagation de rumeurs, groupes sur les réseaux sociaux, réseaux hypergraphiques, cascades d'information, criticalité