La sagesse des foules Francis Galton n’était pas un démocrate. Statisticien de génie, cousin de Darwin, inventeur de la corrélation, il fut aussi le fondateur de l’eugénisme. En 1907, il dépouille pourtant, pour la revue Nature, les 787 tickets d’un concours de foire tenu à Plymouth, où chacun devait deviner le poids d’un bœuf abattu : des bouchers, des éleveurs, et sans doute beaucoup de simples curieux. L’estimation médiane : 1 207 livres. Le poids réel annoncé : 1 198. L’écart : 0,8 %. Et Galton, beau joueur, conclut que la vox populi est « juste à 1 % près ».
Un siècle plus tard, un économètre de l’université de Warwick retourne aux archives. Le poids réel était de 1 197 livres ; la moyenne des 787 estimations tombe exactement dessus. Erreur nulle.
Ce n’est pas de la magie. C’est de l’arithmétique : chacun se trompe, mais pas dans le même sens, et les erreurs se compensent. Les statisticiens l’écrivent d’une ligne : l’erreur de la foule égale l’erreur moyenne de ses membres, moins leur diversité. Une foule ne peut donc pas faire pire que son membre moyen, et elle fait d’autant mieux que ses membres pensent différemment.
La médecine l’a vérifié là où l’erreur se paie en vies. Sur 1 572 cas cliniques, un médecin seul place le bon diagnostic parmi ses 3 premières hypothèses 62,5 fois sur 100 ; 9 médecins dont on combine les avis, 85,6 fois. Mieux : 2 médecins non spécialistes réunis (77,7 %) battent le spécialiste seul, dans sa propre spécialité (66,3 %).
Mais la même foule peut devenir troupeau. Montrez-lui la moyenne des autres, et elle s’y aligne sans gagner en justesse ; montrez-lui le compteur des téléchargements, et le succès d’une chanson devient une loterie. Ce n’est pas l’intelligence des gens qui flanche. C’est l’architecture.
Car une bonne architecture fait mieux encore que l’indépendance. En 2015, à Buenos Aires, des chercheurs font répondre seule une salle de 5 180 personnes, puis débattre des groupes de 5 pendant 1 minute : la moyenne de 4 groupes, soit 20 personnes, est plus juste que celle de 1 400 individus isolés, avec 49 % d’erreur en moins. En 2019, dans des réseaux entièrement républicains ou entièrement démocrates, l’échange bien organisé réduit l’erreur d’environ un tiers, et l’écart entre les 2 camps de 37 % à 46 %.
Les règles sont connues : se forger d’abord un avis seul ; débattre en petits groupes ; bannir la figure centrale ; agréger les groupes à poids égal ; choisir la bonne règle de calcul. L’Agora citoyenne du #PIC s’en inspire : groupes de 7 tirés au sort et anonymes, classements individuels d’abord, listes des groupes agrégées à poids égal. La foule n’est ni sage ni folle. Elle est ce que son organisation fait d’elle.
Pour répondre à ceux qui vous l’objectent, voyez l’Autodéfense : « Les gens sont trop bêtes : 50 abrutis l’emporteront toujours sur 10 esprits éclairés », « L’intelligence collective, c’est une utopie de start-up », « Les réseaux sociaux et les médias manipuleront les votes », « Les Français sont des veaux », « Les gens sont sur leurs écrans : ils n’ont plus l’attention pour décider ».
En 30 secondes
On vous dit : « La foule, c’est un troupeau : elle suit le premier qui crie. » Répondez :
1.En 1907, Galton publie les estimations de 787 visiteurs d’une foire qui devinaient le poids d’un bœuf : leur médiane tombe à moins de 1 % du poids réel.
2.En médecine, 9 praticiens dont on combine les avis passent de 62,5 % à 85,6 % de bons diagnostics, et 2 médecins non spécialistes réunis battent le spécialiste seul.
3.Une foule devient troupeau quand chacun copie les autres. Organisée, elle bat des milliers d’avis isolés : 4 groupes de 5 qui ont débattu 1 minute font mieux que 1 400 personnes seules.
Pour aller plus loin
Un bœuf, 787 tickets et une objection
Le concours se tenait à l’exposition annuelle des bêtes grasses et de la volaille de l’Ouest de l’Angleterre, à Plymouth. Environ 800 tickets vendus 6 pence, 13 écartés comme illisibles, 787 estimations classées. La moitié centrale tombait entre 3,7 % sous la médiane et 2,4 % au-dessus ; une estimation prise au hasard s’en écartait typiquement de 37 livres, soit 3,1 %. L’individu se trompe de 3 %. La foule, de moins de 1 %. Galton ouvrait son article par une phrase que nous pourrions graver au fronton de nos mairies (nous traduisons, ici et plus bas) : « En ces temps démocratiques, toute enquête sur la fiabilité et les particularités des jugements populaires présente de l’intérêt. »
L’objection est venue 3 semaines plus tard, dans la même revue. Un correspondant de Cornouailles, F. H. Perry-Coste, fait observer que les concurrents étaient surtout des bouchers et des éleveurs : on n’aurait donc pas affaire à une vox populi, mais à une « vox expertorum », une voix des experts. Galton répond qu’il ne peut le vérifier, mais que le nombre des tickets et la dispersion des réponses extrêmes trahissent la présence de nombreux profanes. La question était posée, et elle est décisive : la justesse vient-elle du nombre ou de la compétence ? La recherche contemporaine y a répondu, avec des foules contrôlées : étudiants, internautes, médecins en formation.
En 2014, l’économètre Kenneth Wallis rouvre les archives Galton à l’University College de Londres : feuilles de calcul, brouillons, correspondance. Le poids réel, d’après la lettre de l’organisateur, était de 1 197 livres ; la médiane exacte, de 1 208. Quant à la moyenne, que Galton n’avait livrée que dans une lettre ultérieure, elle valait 1 197. « Avec la valeur correcte du résultat, l’estimation moyenne a une erreur nulle », conclut Wallis. Corrigé, l’exemple fondateur devient plus fort encore.
L’arithmétique des erreurs
Prenez 3 personnes qui estiment une grandeur valant 100. L’une dit 80, l’autre 95, la 3e 125. Chacune se trompe, de 20, de 5 et de 25. Leur moyenne : 100. Erreur nulle. Voilà tout le secret, et il a une forme mathématique exacte : mesurée comme il convient, l’erreur collective égale l’erreur individuelle moyenne, moins la diversité des estimations. Une foule de gens qui pensent pareil cumule leurs erreurs ; une foule de gens qui pensent différemment les annule.
La règle de calcul compte autant que la foule. Quand les réponses s’étalent sur plusieurs ordres de grandeur (une population, une distance, une somme), la moyenne ordinaire se fait happer par quelques réponses délirantes. Dans l’expérience zurichoise de Jan Lorenz et ses collègues (2011), la moyenne arithmétique ne battait l’individu que dans 21,3 % des cas, contre 77,1 % pour la moyenne géométrique, qui neutralise les extrêmes. La sagesse des foules n’est pas une évidence : c’est une technique.
Le journaliste James Surowiecki a popularisé la notion en 2004 et en a dressé le cahier des charges : la diversité des opinions, l’indépendance des jugements, la décentralisation des savoirs, un mécanisme d’agrégation. Son livre est un ouvrage de vulgarisation, aux exemples choisis après coup. Mais il a posé les bonnes questions, et la recherche expérimentale des 20 dernières années les a testées, corrigées, précisées.
Des diagnostics aux fausses nouvelles
La preuve la plus parlante vient des hôpitaux. En 2019, des médecins de Harvard exploitent une plateforme de diagnostic en ligne : 2 069 utilisateurs, internes pour la plupart, résolvent 1 572 cas cliniques. Seul, un utilisateur place le bon diagnostic parmi ses 3 premières hypothèses 62,5 fois sur 100. Combinez les avis de 9 utilisateurs tirés au hasard : 85,6 fois. Les groupes de médecins non spécialistes atteignent 77,7 % dès 2 personnes, et battent le spécialiste seul dans sa spécialité (66,3 %).
En 2023, l’équipe de Ralf Kurvers, à l’Institut Max-Planck de Berlin, étend l’épreuve aux réponses libres : 1 333 cas, chacun diagnostiqué séparément par 10 praticiens, dont les réponses écrites avec leurs mots sont regroupées automatiquement. Un diagnosticien seul place le bon diagnostic parmi ses 3 premières hypothèses 46 fois sur 100 ; les 10 réunis, 76 fois. Le gain vaut pour toutes les spécialités et tous les niveaux d’ancienneté. Et l’on sait depuis 2016 à quelle condition le collectif bat le meilleur médecin du groupe : que les niveaux soient proches (voir Le théorème du jury de Condorcet).
Même la vérification des faits, chasse gardée des professionnels, cède au nombre bien organisé. En 2021, une équipe du MIT confronte les notes de véracité de 3 vérificateurs professionnels, qui ont enquêté, à celles de 1 128 Américains qui n’ont lu que le titre et la 1re phrase de chaque article. Les professionnels ne s’accordent entre eux qu’imparfaitement (corrélation de 0,62). La moyenne d’une petite foule de profanes politiquement équilibrée, 8 à 12 personnes, s’accorde avec eux aussi bien qu’ils s’accordent entre eux ; à 22 personnes, quand on leur indique aussi le site d’origine de l’article, mieux.
Quand la foule devient troupeau
Le revers existe, et il faut le connaître pour le déjouer. À l’École polytechnique fédérale de Zurich, 144 étudiants isolés en cabine estiment des grandeurs, rémunérés selon leur justesse. Dès qu’on leur montre ce que répondent les autres, leurs estimations convergent, leur confiance grimpe, et leur justesse collective ne progresse pas : « une influence sociale même légère peut saper l’effet de sagesse des foules ». Les auteurs ajoutent que la vérité glisse vers la périphérie de l’éventail des réponses. Le consensus rassure ; il ne prouve rien.
En 2006, des sociologues de l’université Columbia créent un marché musical artificiel : 14 341 internautes, 48 chansons inconnues de groupes inconnus. Dans un monde, personne ne voit les choix des autres ; dans 8 autres, chacun voit les compteurs de téléchargements. Résultat : l’influence sociale accroît l’inégalité des succès et les rend imprévisibles ; « les meilleures chansons échouaient rarement, les pires réussissaient rarement, mais tout autre résultat était possible ». Dans le monde indépendant, qui servait d’étalon de la qualité, les succès étaient moins inégaux et moins imprévisibles.
Le vote à la file est pire encore. Dans les expériences de Vincenz Frey et Arnout van de Rijt (2021), des groupes votent sur 30 questions à 2 options. Quand chacun voit les votes précédents sans avoir d’abord voté seul, les majorités se trompent plus souvent, alors même que l’information sociale améliore en moyenne chaque vote individuel ; et sur une question difficile, une erreur des tout premiers votants n’a jamais été corrigée, même après 100 votants. Joshua Becker et ses collègues (2022) ajoutent un résultat qui intéresse directement la démocratie : dans un choix binaire, l’échange d’informations fait grossir la majorité initiale, qu’elle ait raison ou tort. Les groupes partis dans l’erreur perdent 6,3 points d’exactitude ; ceux partis dans le vrai en gagnent 9,3. La conclusion pratique est nette : chacun forme et enregistre d’abord son avis seul, avant toute influence ; l’échange vient ensuite ; et le décompte final ne se fait jamais à la file, chacun voyant les votes déjà émis.
Organiser l’influence au lieu de la subir
Faut-il donc isoler les citoyens les uns des autres ? Non : il faut organiser leurs échanges. Damon Centola, à l’université de Pennsylvanie, l’a montré avec Joshua Becker et Devon Brackbill en 2017, sur 1 360 participants répartis en réseaux de 40. Dans un réseau décentralisé, où chacun a le même nombre de liens, l’échange réduit l’erreur individuelle de 23 % et celle de la médiane du groupe de 12 % ; ceux qui voient juste révisent moins leur avis, et pèsent donc davantage. Dans un réseau centralisé, autour d’une figure très visible, tout dépend de cette figure : si elle a raison, l’erreur de la moyenne baisse de 43 % ; si elle se trompe, elle augmente de 19 %. Un collectif organisé autour d’un chef n’est pas une intelligence collective. C’est un pari sur un seul homme.
En 2019, la même équipe, rejointe par le politiste Ethan Porter, s’attaque aux sujets qui fâchent : 1 120 Américains, en réseaux entièrement républicains ou entièrement démocrates, estiment des faits choisis pour leur fort biais partisan, comme le taux de chômage à la fin du mandat de Barack Obama. Dans ces chambres d’écho parfaites, l’échange réduit l’erreur de 35 %, puis de 31 % dans une réplication où l’on affiche les logos des partis ; et l’écart entre les 2 camps fond de 37 % et de 46 %. « Contrairement aux théories de la polarisation », écrivent les auteurs, l’échange entre gens du même bord a accru l’exactitude et réduit la polarisation. Le ressort : un réseau sans centre, et une incitation à la justesse plutôt qu’à la surenchère.
D’autres équipes confirment, par des chemins différents. À l’université de Pennsylvanie, Burcu Gürçay, Barbara Mellers et Jonathan Baron (2015) font estimer seul, discuter 90 secondes, puis réestimer : les groupes qui ont discuté sont plus justes que les individus restés seuls. À Toulouse, le biologiste Guy Theraulaz et le physicien Clément Sire (CNRS, 2017) montrent avec leurs collègues que l’influence sociale améliore la foule à proportion de l’information fiable qui circule, et pas du tout quand il n’en circule aucune : d’où l’importance de faire circuler des sources vérifiées, et pas seulement des opinions. Au MIT, Abdullah Almaatouq et ses collègues (2020) montrent que des réseaux qui peuvent se réorganiser en fonction des performances observées produisent des estimations plus justes que celles de leur meilleur membre.
Débattre à 5, puis additionner les débats
L’expérience la plus frappante a eu lieu dans une salle de spectacle. Le 24 septembre 2015, lors d’une conférence TEDx à Buenos Aires, les neuroscientifiques Joaquin Navajas et Mariano Sigman demandent à 5 180 spectateurs d’estimer, seuls et en 20 secondes, des grandeurs comme la hauteur de la tour Eiffel. Puis ils les font débattre par groupes de 5, 1 minute par question, jusqu’à un consensus. La moyenne de toute la salle réduisait déjà l’erreur de moitié par rapport aux individus. Mais la moyenne de 4 consensus seulement, soit 20 personnes, bat celle des 1 400 estimations initiales analysées, avec une erreur inférieure de 49,2 %. 1 ou 2 consensus n’y suffisent pas : ce n’est donc pas l’effet d’une seconde chance, c’est l’effet du débat. Le débat réduit la diversité à l’intérieur des groupes, mais l’accroît entre les groupes. D’où la règle d’or : débattre en petit comité, puis additionner les débats.
Le mécanisme intime a été observé dès 2010, à l’University College de Londres, par Bahador Bahrami et Chris Frith, l’un des neuroscientifiques les plus cités au monde. Des paires d’observateurs doivent détecter un signal visuel à peine perceptible. Quand les 2 ont une sensibilité voisine et peuvent se parler librement, la paire fait mieux que le meilleur des 2, même sans jamais apprendre qui avait raison : « 2 têtes valaient nettement mieux qu’une ». Ce qui circule entre elles, c’est le degré de certitude de chacun. Mais quand l’un est nettement moins sensible que l’autre, la paire fait moins bien que le meilleur. L’honnêteté sur ce que l’on sait, et sur ce que l’on ignore, est la monnaie de l’intelligence collective.
Écouter la minorité qui sait
Une majorité peut se tromper par un biais partagé : demandez si Philadelphie est la capitale de la Pennsylvanie, la majorité dit oui, à tort. Dražen Prelec (MIT) et ses collègues ont montré en 2017 qu’il suffit de demander aussi à chacun ce que répondront les autres : la réponse « plus populaire que prévu » démasque la minorité informée, et réduit les erreurs de 21,3 % sur 490 questions. La méthode a ses limites : appliquée aux pronostics sportifs ou électoraux, elle ne fonctionne bien que chez des répondants qui connaissent le sujet (Rutchick et ses collègues, 2020). Mais la leçon demeure : le problème n’est souvent pas la foule, c’est le mode de dépouillement.
Prévoir l’avenir en équipe
Le test le plus exigeant porte sur l’avenir. Au début des années 2010, l’agence de recherche du renseignement américain a organisé un tournoi de prévision géopolitique entre équipes universitaires. Celle de Philip Tetlock et Barbara Mellers, le Good Judgment Project, y a produit les meilleures prévisions 2 années de suite. Sur 2 ans et 199 questions réelles, la formation (un module de 45 minutes aux probabilités), le travail en équipe et la mise en évidence des meilleurs ont chacun réduit l’erreur. Les équipes ont battu ceux qui connaissaient l’opinion de la foule, qui ont battu les isolés : « les résultats démentent nettement les attentes des théoriciens de l’indépendance ».
La suite est plus nuancée, et nous la donnons telle quelle : en 2025, la même équipe montre qu’une petite foule d’élite, sélectionnée sur ses performances passées dans le même tournoi, bat une grande foule ordinaire. Ce n’est pas un plaidoyer pour l’élite de naissance ou de diplôme. C’est une méritocratie de la preuve, ouverte à tous, où l’on gagne du poids en ayant eu raison, et où on le perd en s’étant trompé. Le contraire exact des carrières politiques. Le #PIC n’en tire pas une pondération des voix des citoyens, qui restent égales ; il en retient la leçon pour les experts : « Les avis et les prévisions que les experts formulent devant les Formulateurs sont conservés et publiés sous leur nom, afin d’être confrontés à l’événement » (Titre II, article 7).
6 règles d’architecture, et leur traduction
De ces travaux se dégagent 6 règles, que l’on retrouve d’une équipe à l’autre :
- Recueillir chaque avis seul, avant toute discussion : le vote à la file propage les premières erreurs.
- Débattre en petits groupes, puis agréger les conclusions des groupes plutôt que celles des individus.
- Bannir la figure centrale dont chacun voit l’avis : le collectif ne vaut alors que ce que vaut cette figure.
- Échanger des raisons et des estimations plutôt que des votes ; et, si l’on vote, voter avant de s’influencer.
- Choisir la règle de calcul adaptée : médiane, moyenne géométrique, réponse « plus populaire que prévu ».
- Former, mesurer, et rendre visibles les résultats, pour que le collectif apprenne de ses erreurs.
La Constitution d’urgence les a traduites en institutions. Dans l’Agora citoyenne, chaque membre dépose d’abord ses doléances et ses propositions ; il délibère ensuite « en groupes de sept, formés par tirage au sort, au sein desquels nul ne connaît l’identité des autres » ; la liste d’un groupe « résulte de l’agrégation des classements individuels de ses membres » ; puis les listes de tous les groupes sont agrégées « selon une méthode publique qui donne à chaque groupe un poids égal ». Les outils automatisés peuvent résumer les échanges, mais « ne peuvent ni classer, ni écarter, ni reformuler une proposition ». C’est l’architecture que suggèrent, par analogie, les expériences de Buenos Aires et celles de l’équipe de Damon Centola : des avis d’abord individuels, de petits groupes sans chef, une agrégation entre groupes. Ces expériences portaient sur des estimations chiffrées ; l’Agora, elle, classe des priorités, et c’est à l’usage qu’on le vérifiera. Et parce que les votations reviennent 4 fois par an, le collectif peut apprendre de ses erreurs, au lieu de les payer pendant 5 ans.
Ce que la science ne dit pas
Ces preuves portent presque toutes sur des questions de fait, dont la réponse se vérifie : un poids, un diagnostic, un événement daté. Elles établissent qu’un collectif bien organisé connaît le réel mieux que la plupart de ses membres, et parfois mieux que ses experts. Elles ne prouvent pas, à elles seules, qu’il choisit mieux entre des valeurs ; là, la majorité ne découvre pas une vérité, elle tranche un conflit, et c’est la délibération qui l’éclaire (voir Le sondage délibératif). Beaucoup de ces expériences ont été menées en laboratoire ou en ligne, sur des échantillons qui ne représentent pas la population. Et la foule brute n’est pas toujours la meilleure : quand les niveaux sont trop inégaux, le meilleur fait mieux que le groupe.
Galton voulait éprouver la fiabilité du jugement populaire ; il en a mesuré la justesse. Notre époque a fait l’expérience inverse : elle a construit, avec les réseaux sociaux, la machine la plus efficace jamais inventée pour changer des foules sages en troupeaux. Compteurs affichés, figures centrales, votes à la file, colère récompensée : tout ce que la science désigne comme poison y est la règle. Le #PIC propose de reconstruire l’autre machine.
Références utiles
Les ouvrages, les études et les documents sur lesquels reposent cette entrée et sa démonstration, avec leurs sources. Pour vérifier, approfondir, et aller lire par vous-même.
Francis Galton, « Vox Populi », Nature, vol. 75, 7 mars 1907, p. 450-451 (scan de galton.org) : In these democratic days, any investigation into the trustworthiness and peculiarities of popular judgments is of interest. […] It appears then, in this particular instance, that the vox populi is correct to within 1 per cent. of the real value (« En ces temps démocratiques, toute enquête sur la fiabilité et les particularités des jugements populaires présente de l’intérêt. […] Il apparaît donc, dans ce cas particulier, que la vox populi est juste à 1 % près de la valeur réelle » ; trad. IA). consulter la source
F. H. Perry-Coste et Francis Galton, « The Ballot-Box », Nature, vol. 75, 28 mars 1907, p. 509-510 : Now the point of all this is that, in so far as this state of things prevails, we have to deal with, not a vox populi, but a vox expertorum. (« Or ce qui importe en tout ceci, c’est que, dans la mesure où cet état de choses prévaut, nous n’avons pas affaire à une vox populi, mais à une vox expertorum. » ; trad. IA). consulter la source
Kenneth F. Wallis, « Revisiting Francis Galton’s Forecasting Competition », Statistical Science, vol. 29, n° 3, 2014, p. 420-424 : Indeed, using the correct value of the outcome, the mean estimate has zero error. (« De fait, avec la valeur correcte du résultat, l’estimation moyenne a une erreur nulle. » ; trad. IA). consulter la source
James Surowiecki, The Wisdom of Crowds, New York, Doubleday, 2004, chap. 1 (extrait publié par l’éditeur ; trad. française : La Sagesse des foules, JC Lattès, 2008) : They were making individual guesses, which were aggregated and then averaged. This is exactly what Galton did, and it is likely to produce excellent results. (« Ils formulaient des estimations individuelles, qui étaient agrégées puis moyennées. C’est exactement ce qu’avait fait Galton, et cela a toutes les chances de produire d’excellents résultats. » ; trad. IA). consulter la source
Jan Lorenz, Heiko Rauhut, Frank Schweitzer et Dirk Helbing, « How social influence can undermine the wisdom of crowd effect », PNAS, vol. 108, n° 22, 2011, p. 9020-9025 (résumé) : we demonstrate by experimental evidence ( N = 144) that even mild social influence can undermine the wisdom of crowd effect in simple estimation tasks. (« Nous démontrons par des données expérimentales (N = 144) qu’une influence sociale même légère peut saper l’effet de sagesse des foules dans de simples tâches d’estimation. » ; trad. IA). consulter la source
Matthew J. Salganik, Peter Sheridan Dodds et Duncan J. Watts, « Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market », Science, vol. 311, 2006, p. 854-856 (résumé) : Increasing the strength of social influence increased both inequality and unpredictability of success. Success was also only partly determined by quality: The best songs rarely did poorly, and the worst rarely did well, but any other result was possible. (« Accroître la force de l’influence sociale a accru à la fois l’inégalité et l’imprévisibilité du succès. Le succès n’était par ailleurs que partiellement déterminé par la qualité : les meilleures chansons échouaient rarement, les pires réussissaient rarement, mais tout autre résultat était possible. » ; trad. IA). consulter la source
Vincenz Frey et Arnout van de Rijt, « Social Influence Undermines the Wisdom of the Crowd in Sequential Decision Making », Management Science, vol. 67, n° 7, 2021, p. 4273-4286 ; propos d’Arnout van de Rijt rapportés par l’Institut universitaire européen, 2020 : Our experiments show that the positive effect of social information turns negative if group members do not first contribute an independent vote, but instead cast their votes sequentially such that early mistakes can cascade across strings of decision makers. (« Nos expériences montrent que l’effet positif de l’information sociale devient négatif si les membres du groupe n’émettent pas d’abord un vote indépendant, mais votent les uns après les autres, de sorte que les erreurs initiales peuvent se propager en cascade le long de la chaîne des décideurs. » ; trad. IA). consulter la source
Joshua Becker, Douglas Guilbeault et Edward Bishop Smith, « The Crowd Classification Problem: Social Dynamics of Binary-Choice Accuracy », Management Science, vol. 68, n° 5, 2022, p. 3949-3965 (résumé) : For binary choice judgments, also known as classification tasks […] social influence is most likely to grow the majority vote share, regardless of the accuracy of that opinion. (« Pour les jugements à choix binaire, aussi appelés tâches de classification […], l’influence sociale tend le plus souvent à accroître la part de voix de la majorité, indépendamment de l’exactitude de cette opinion. » ; trad. IA). consulter la source
Joshua Becker, Devon Brackbill et Damon Centola, « Network dynamics of social influence in the wisdom of crowds », PNAS, vol. 114, n° 26, 2017, p. E5070-E5076 (résumé) : We present theoretical predictions and experimental results showing that, in decentralized communication networks, group estimates become reliably more accurate as a result of information exchange. (« Nous présentons des prédictions théoriques et des résultats expérimentaux montrant que, dans des réseaux de communication décentralisés, les estimations des groupes deviennent de manière fiable plus exactes à la suite de l’échange d’informations. » ; trad. IA). consulter la source
Joshua Becker, Ethan Porter et Damon Centola, « The wisdom of partisan crowds », PNAS, vol. 116, n° 22, 2019, p. 10717-10722 (résumé) : In contrast to polarization theories, we found that social information exchange in homogeneous networks not only increased accuracy but also reduced polarization. (« Contrairement aux théories de la polarisation, nous avons constaté que l’échange d’informations sociales dans des réseaux homogènes non seulement accroissait l’exactitude, mais réduisait aussi la polarisation. » ; trad. IA). consulter la source
Burcu Gürçay, Barbara A. Mellers et Jonathan Baron, « The Power of Social Influence on Estimation Accuracy », Journal of Behavioral Decision Making, vol. 28, n° 3, 2015, p. 250-261 (conclusion) : Aggregate estimates from interacting groups were more accurate than aggregate estimates of individuals working alone. The benefits of information sharing within groups outweighed the costs of greater dependencies in errors. (« Les estimations agrégées des groupes en interaction étaient plus exactes que celles d’individus travaillant seuls. Les bénéfices du partage d’information au sein des groupes l’emportaient sur le coût d’une plus grande dépendance des erreurs. » ; trad. IA). consulter la source
Bertrand Jayles, H.-R. Kim, R. Escobedo, S. Cezera, A. Blanchet, Tatsuya Kameda, Clément Sire et Guy Theraulaz, « How social information can improve estimation accuracy in human groups », PNAS, vol. 114, n° 47, 2017, p. 12620-12625 : We find that social influence helps the group improve its properly defined collective accuracy. […] As expected, when ρ = 0 %, no significant improvement is observed in the collective performance. (« Nous constatons que l’influence sociale aide le groupe à améliorer son exactitude collective, correctement définie. […] Comme prévu, lorsque aucune information fiable n’est injectée, aucune amélioration significative de la performance collective n’est observée. » ; trad. IA). consulter la source
Abdullah Almaatouq, A. Noriega-Campero, A. Alotaibi, P. M. Krafft, Mehdi Moussaïd et Alex Pentland, « Adaptive social networks promote the wisdom of crowds », PNAS, vol. 117, n° 21, 2020, p. 11379-11386 (résumé) : Our results reveal that, in the presence of plasticity and feedback, social networks can adapt to biased and changing information environments and produce collective estimates that are more accurate than their best-performing member. (« Nos résultats révèlent qu’en présence de plasticité et de rétroaction, les réseaux sociaux peuvent s’adapter à des environnements informationnels biaisés et changeants, et produire des estimations collectives plus exactes que celles de leur meilleur membre. » ; trad. IA). consulter la source
Joaquin Navajas, Tamara Niella, Gerry Garbulsky, Bahador Bahrami et Mariano Sigman, « Aggregated knowledge from a small number of debates outperforms the wisdom of large crowds », Nature Human Behaviour, vol. 2, 2018, p. 126-132 (résumé de la prépublication) : We found that averaging consensus decisions was substantially more accurate than aggregating the initial independent opinions. Remarkably, combining as few as four consensus choices outperformed the wisdom of thousands of individuals. (« Nous avons constaté que la moyenne des décisions de consensus était nettement plus exacte que l’agrégation des opinions indépendantes initiales. Fait remarquable, combiner aussi peu que 4 choix consensuels surpassait la sagesse de milliers d’individus. » ; trad. IA). consulter la source
Bahador Bahrami, K. Olsen, P. E. Latham, A. Roepstorff, G. Rees et Chris D. Frith, « Optimally Interacting Minds », Science, vol. 329, 2010, p. 1081-1085 (résumé) : For two observers of nearly equal sensitivity, two heads were definitely better than one, provided that they were given the opportunity to communicate freely, even in the absence of any feedback about decision outcomes. But for observers with very different sensitivities, two heads were worse than the better one. (« Pour 2 observateurs de sensibilité presque égale, 2 têtes valaient nettement mieux qu’une, à condition qu’ils puissent communiquer librement, et même sans aucun retour sur l’issue de leurs décisions. Mais pour des observateurs de sensibilités très différentes, 2 têtes valaient moins que la meilleure des 2. » ; trad. IA). consulter la source
Dražen Prelec, H. Sebastian Seung et John McCoy, « A solution to the single-question crowd wisdom problem », Nature, vol. 541, 2017, p. 532-535 : Here we propose the following alternative to a democratic vote: select the answer that is more popular than people predict. (« Nous proposons ici l’alternative suivante au vote démocratique : retenir la réponse qui est plus populaire que les gens ne le prédisent. » ; trad. IA). consulter la source
Abraham M. Rutchick, Bryan J. Ross, Dustin P. Calvillo et Catherine C. Mesick, « Does the “surprisingly popular” method yield accurate crowdsourced predictions? », Cognitive Research: Principles and Implications, vol. 5, article 57, 2020 : We found that the “surprisingly popular” method indeed yielded the most accurate collective predictions, but only when the people making the predictions were knowledgeable about the subject. (« Nous avons constaté que la méthode de la réponse “étonnamment populaire” produisait effectivement les prédictions collectives les plus exactes, mais seulement lorsque les personnes qui prédisaient connaissaient le sujet. » ; trad. IA). consulter la source
Michael L. Barnett, Dhruv Boddupalli, Shantanu Nundy et David W. Bates, « Comparative Accuracy of Diagnosis by Collective Intelligence of Multiple Physicians vs Individual Physicians », JAMA Network Open, vol. 2, n° 3, 2019, e190096 (résumé) : Collective intelligence was associated with increasing diagnostic accuracy, from 62.5% (95% CI, 60.1%-64.9%) for individual physicians up to 85.6% (95% CI, 83.9%-87.4%) for groups of 9 (« L’intelligence collective était associée à une exactitude diagnostique croissante, de 62,5 % pour un médecin seul jusqu’à 85,6 % pour des groupes de 9 » ; trad. IA). consulter la source
Ralf H. J. M. Kurvers, A. G. Nuzzolese, A. Russo, G. Barabucci, Stefan M. Herzog et V. Trianni, « Automating hybrid collective intelligence in open-ended medical diagnostics », PNAS, vol. 120, n° 34, 2023, e2221473120 (résumé) : While single diagnosticians achieved 46% accuracy, pooling the decisions of ten diagnosticians increased this to 76%. Improvements occurred across medical specialties, chief complaints, and diagnosticians’ tenure levels. (« Alors que les diagnosticiens seuls atteignaient 46 % d’exactitude, la mise en commun des décisions de 10 diagnosticiens l’a portée à 76 %. Les améliorations s’observaient dans toutes les spécialités, pour tous les motifs de consultation et à tous les niveaux d’ancienneté. » ; trad. IA). consulter la source
Jennifer Allen, Antonio A. Arechar, Gordon Pennycook et David G. Rand, « Scaling up fact-checking using the wisdom of crowds », Science Advances, vol. 7, n° 36, 2021, eabf4393 (résumé) : We find that the average rating of a small politically-balanced crowd of laypeople is as correlated with the average fact-checker rating as the fact-checkers’ ratings are correlated with each other. (« Nous constatons que la note moyenne d’une petite foule de non-spécialistes politiquement équilibrée est aussi corrélée à la note moyenne des vérificateurs que les notes des vérificateurs le sont entre elles. » ; trad. IA). consulter la source
Barbara Mellers, L. Ungar, Jonathan Baron et al. (dont Philip E. Tetlock), « Psychological Strategies for Winning a Geopolitical Forecasting Tournament », Psychological Science, vol. 25, n° 5, 2014, p. 1106-1115 (discussion) : Results strongly disconfirm the expectations of pro-independence theorists. Team forecasters were more accurate than crowd-belief forecasters, and crowd-belief forecasters outperformed independent forecasters. (« Les résultats démentent nettement les attentes des théoriciens de l’indépendance. Les prévisionnistes en équipe étaient plus exacts que ceux qui connaissaient l’opinion de la foule, et ceux-ci surpassaient les prévisionnistes indépendants. » ; trad. IA). consulter la source
Pavel Atanasov, Jens Witkowski, Barbara Mellers et Philip Tetlock, « Crowd prediction systems: Markets, polls, and elite forecasters », International Journal of Forecasting, vol. 41, n° 2, 2025, p. 580-595 (résumé de la prépublication) : Each of these two systems uses inputs from either a large, sub-elite or a small, elite crowd. We find that small, elite crowds outperform larger ones, whereas the two systems are statistically tied. (« Chacun de ces 2 systèmes s’appuie soit sur une foule nombreuse hors élite, soit sur une petite foule d’élite. Nous constatons que les petites foules d’élite surpassent les plus nombreuses, tandis que les 2 systèmes font statistiquement jeu égal. » ; trad. IA). consulter la source
#PIC, Constitution d’urgence, Titre II, article 8, 3° et 4° : « Chaque groupe arrête, à partir des doléances recueillies, une liste de douze questions au plus, classées par ordre de priorité. La liste d’un groupe résulte de l’agrégation des classements individuels de ses membres selon la méthode publique prévue au 4° […] Des outils automatisés peuvent résumer les échanges ; ils ne peuvent ni classer, ni écarter, ni reformuler une proposition ». consulter la source
Version 1 du 21 octobre 2026 : première publication.
Le versant sombre, dans le Lexique du Pouvoir : La chambre d’écho · La spirale du silence · Les sondages · L’astroturfing · L’influence
La riposte, dans l’Autodéfense : « Les gens sont trop bêtes : 50 abrutis l’emporteront toujours sur 10 esprits éclairés » · « L’intelligence collective, c’est une utopie de start-up » · « Les réseaux sociaux et les médias manipuleront les votes » · « Les gens sont sur leurs écrans : ils n’ont plus l’attention pour décider »
Ce que nous instituons : Constitution, titre II, art. 8 : l’Agora citoyenne · Constitution, titre II, art. 7 : les Formulateurs
Pour agir : les questions au peuple · l’Université populaire de l’intelligence collective · rejoindre le #PIC
Le doute, bienvenu : une erreur, un contre-exemple, une source plus solide ? Dites-le en commentaire. Notre Protocole fait du doute un canal, non une faute.
Vous commentez et notez cette entrée ci-dessous. Vos objections et vos exemples nourriront les versions suivantes.
Ces mots ne valent que par ceux qui les font vivre.
0 commentaire