L'Illusion du Jumeau Numérique : capacités et limites d'un agent LLM dans la simulation des choix de navigation sur YouTube

Details

Supervisors

Vande Kerckhove, Corentin

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

frL’omniprésence des systèmes de recommandation algorithmiques soulève des préoccupations majeures quant à la formation de «bulles de filtre» et à l’enfermement informationnel des utilisateurs. Pour auditer ces algorithmes, les approches existantes se limitent soit à des sock puppets (Haroon, 2023) sans modélisation du processus décisionnel, soit à des counter factual bots Hossein mardi, 2024 jamais confrontés à un comportement humain réel. Ce mémoire comble ce gap en évaluant empiriquement la fidélité comportementale d’un agent LLM paramétré comme «bot miroir» d’un utilisateur réel sur YouTube. Une approche expérimentale within-subject est déployée auprès de 34 participants ,classés selon leur profil idéologique vis-à-vis de l’IA (Pro-IA ou Anti-IA). Leurs trajectoires de navigation récoltées via une interface web reproduisant l’environnement YouTube sont confrontées à celles de leurs jumeaux numériques, animés par le modèle MistralSmall3.2 via l’infrastructure TRACE. Les deux agents sont exposés aux mêmes listes de recommandations et comparés sur sept dimensions de fidélité comportementale surcinq étapes de navigation. L’analyse des 170 observations révèle une dichotomie marquée. D’un côté, le bot miroir reproduit fidèlement les heuristiques ergonomiques de l’utilisateur : il partage un biais de position de même amplitude et sélectionne la même vidéo que l’humain dans 14,7 % des cas, soit significativement au-dessus du hasard pondéré (≈7,4 %). L’appartenance idéologique modère la simulation : le bot imite mieux les profils Anti-IA (20,0%) que Pro-IA(11,4%), illustrant un effet de caricature propre aux données d’entraînement du LLM. De l’autre, le bot échoue à reproduire la diversité exploratoire humaine : frappé d’un biais de cohérence interne, il s’enferme dans un répertoire de créateurs restreint (UCR=0,58 contre 0,79 pour l’humain; 𝑝<0,001). Ces résultats conduisent à identifier un biais de la sonde : dans les audits algorithmiques reposant sur des LLMs, il devient méthodologiquement impossible de distinguer la bulle de filtre produite par l’algorithme de celle générée par le biais de cohérence du modèle lui-même. Ce mémoire recommande de requalifier l’agent LLM non pas comme un jumeau numérique de l’utilisateur,maiscommeunsimulateurdescénarioextrême,etproposedespistescorrectives: hybridation avec du machine learning comportemental, pénalités de répétition et variation dynamique de la température du modèle.