Biais computationnels dans les modèles de peuplements d'agents

La résolution de modèles conceptuels par des modèles multi-agents requiert des hypothèses en termes de discrétisation de l'espace, du temps et en agents. Celles-ci peuvent induire des biais sur les résultats et rendre les modèles computationnels non conformes aux modèles conceptuels. Il s'agit ici d'identifier ces hypothèses et la sensibilité de modèles aux biais correspondants au travers d'une démarche expérimentale systématique. Les modèles étudiés sont des modèles de peuplements d'agents particuliers, mais parcimonieux en paramètres, dans une perspective de pouvoir abstraire les résultats obtenus. Ceux-ci montrent qu'une implémentation se pose en termes de précision et que les outils de simulation doivent permettre 1? aux thématiciens d'expliciter leur modèle (dépendances entre comportements, initialisations, discrétisations) et 2? des analyses systématiques des biais computationnels. Solving conceptual models with multi-agent models requires assumptions in terms of discretizations of space, time and in agents. Such assumptions can induce biases in results and have computational models non conform to conceptual models. The point here is to identify those assumptions and the models' sensitivities to the corresponding biases through a systematic and experimental survey. The studied models are specific agent communities, yet parsimonious in parameters, in a perspective of abstracting away the results. Those results show that an implementation is formulated in terms of precision and that simulation tools must enable 1? thematicians to explicit their models (dependencies between behaviors, initializations, discretizations) and 2? systematic analysis of computational biases.