Ideas without borders

Partage d’articles scientifiques

leafleafleafMan illustrationFlower illustration
Updated on décembre 10, 2025

Tous les modèles sont faux, mais la complexité est utile : une approche systémique en psychologie de la santé

Estimated reading: 54 minutes 85 views

Résumé

Cet article propose à la communauté francophone de psychologie de la santé une introduction à la théorie de la complexité. Nous montrons comment cette approche permet de conceptualiser les comportements de santé – activité physique, consommation de substances, adhésion thérapeutique – comme résultant de l’émergence d’interactions non linéaires entre des variables psychologiques, sociales et environnementales. Après un bref rappel historique, nous définissons précisément trois propriétés centrales : l’auto-organisation, la multi-stabilité et les transitions critiques, chacune illustrée par un exemple empirique. Nous décrivons ensuite trois méthodologies directement inspirées de ce cadre : (1) les analyses en réseau quantifiant la structure locale des interactions entre variables (appliquées aux données binaires via le modèle d’Ising, elles produisent une matrice d’interactions exploitable en physique statistique) ; (2) les modèles dynamiques intensifs (évaluation momentanée écologique, équations différentielles stochastiques) décrivant précisément les trajectoires comportementales intra-individuelles et leurs rétroactions temporelles ; (3) les analyses des signaux précoces permettant de détecter l’imminence d’un basculement comportemental. Pour articuler ces approches, nous mobilisons le Modèle des Paysages à Attracteurs (MPA). Celui-ci intervenant à trois niveaux : métaphore visuelle, heuristique méthodologique et instrument de quantification empirique. Enfin, nous discutons des limites actuelles (hypothèses méthodologiques restrictives, nécessité de séries temporelles intenses, contraintes éthiques liées aux données) et proposons des pistes concrètes pour gérer ces contraintes. Ainsi, cet article se structure autour de trois axes principaux : d’abord, une présentation des fondements théoriques de la complexité, puis un examen des méthodes qui en découlent, et enfin une discussion de leurs apports et limites.

Abstract

This article offers the French-speaking health psychology community an introduction to complexity theory. We show how this approach allows us to conceptualize health behaviors — physical activity, substance use, treatment adherence — as resulting from the emergence of nonlinear interactions between psychological, social, and environmental variables. After a brief historical overview, we precisely define three central properties: self-organization, multi-stability, and critical transitions, each illustrated by an empirical example. We then describe three methodologies directly inspired by this framework: (1) network analyses quantifying the local structure of interactions between variables (applied to binary data via the Ising model, they produce a matrix of interactions that can be used in statistical physics); (2) intensive dynamic models (ecological momentary assessment, stochastic differential equations) precisely describing intra-individual behavioral trajectories and their temporal feedback loops; (3) early warning signal analyses to detect the imminence of behavioral change. To articulate these approaches, we use the Attractor Landscape Model (ALM). This model operates on three levels: visual metaphor, methodological heuristic, and empirical quantification tool. Finally, we discuss the current limitations (restrictive methodological assumptions, the need for intensive time series, ethical constraints related to data) and propose concrete ways to manage these constraints. This article is structured around three main themes: first, a presentation of the theoretical foundations of complexity; second, an examination of the methods that derive from them; and finally, a discussion of their contributions and limitations.

1. Introduction et cadre théorique

1.1. La théorie de la complexité : origines historiques, concepts clés et articulation méthodologique

La théorie de la complexité émerge formellement au milieu du XXe siècle avec les travaux pionniers sur les systèmes dynamiques non linéaires et le chaos déterministe (Lorenz, 1963). Dans les décennies suivantes, ce cadre interdisciplinaire s’élargit aux phénomènes d’auto-organisation dans les systèmes biologiques et sociaux (Haken, 1977) et au domaine émergent des sciences cognitives et de la psychologie (Kelso, 1995 ; Van der Maas, 2024a).
Un système complexe désigne aujourd’hui un ensemble composé d’un grand nombre d’éléments hétérogènes interagissant de manière locale et non linéaire, produisant ainsi des phénomènes émergents impossibles à prédire par l’étude isolée de ses composants (Ladyman, Lambert & Wiesner, 2013). Parmi ces propriétés émergentes figurent notamment :

  • •
    l’auto-organisation (Van der Maas, 2024b, chap. 5, p. 125) : apparition spontanée d’un ordre global sans contrôle centralisé (ex., la synchronisation spontanée des cycles veille-sommeil dans des groupes sociaux ; Strogatz, 2003) ;
  • •
    la multi-stabilité : coexistence simultanée de plusieurs états stables possibles (ex., états alternatifs stables chez des personnes souffrant de troubles bipolaires ; Kelso, 2012) ;
  • •
    les transitions critiques (ou basculements) : changements soudains d’un état stable à un autre sous l’effet de perturbations minimes. Par exemple, l’analyse fine des pas quotidiens montre qu’une hausse de la variabilité quotidienne (jours très actifs et très sédentaires plus rapprochés) peut annoncer une chute brutale de l’activité physique (Chevance et al., 2021a, Fig. 1) (nous invitons lectrices et lecteurs à consulter cette figure, visuellement très explicite).

    1. Download: Download high-res image (385KB)
    2. Download: Download full-size image

    Fig. 1. Représentation d’un paysage à attracteurs.

    Figure issue de Heino et al., 2023.

Ces propriétés s’avèrent particulièrement pertinentes pour appréhender et décrire des phénomènes étudiés en psychologie de la santé tels que les addictions, les troubles psychopathologiques ou l’adoption durable d’habitudes de vie saines (Butner et al., 2015 ; Heino et al., 2023). Dans ce manuscrit, nous mobilisons précisément plusieurs méthodes analytiques directement inspirées de ce cadre conceptuel :

  • •
    les analyses en réseau, destinées à identifier précisément les interactions locales entre symptômes ou comportements ;
  • •
    les signaux précoces, indicateurs statistiques annonçant la proximité d’un basculement comportemental (Scheffer et al., 2009) ;
  • •
    les approches dynamiques intensives, telles que l’Évaluation Momentanée Écologique (EMA) ou les équations différentielles stochastiques, permettant d’observer empiriquement les évolutions temporelles réelles des comportements dans ces paysages complexes (voir Hamaker, 2025, pour une revue méthodologique actualisée) ;
  • •
    le Modèle des Paysages à Attracteurs (MPA), permettant de visualiser intuitivement et de quantifier la stabilité des comportements et les risques de basculement (Heino et al., 2023). Récemment, les avancées en physique statistique appliquées aux réseaux psychologiques ont démontré comment les matrices d’interactions estimées via un modèle d’Ising peuvent être traduites mathématiquement en un paysage énergétique équivalent à celui du MPA. Cette approche permet ainsi une quantification rigoureuse des caractéristiques du paysage, comme la profondeur des attracteurs ou la hauteur des barrières comportementales (Cui et al., 2022 ; van der Maas et al., 2025).
Ainsi, la théorie de la complexité constitue un cadre intégrateur et opérationnel permettant d’articuler les concepts théoriques aux méthodes empiriques déployées dans notre manuscrit. Ce cadre conceptuel appelle désormais une relecture des modèles classiques de la psychologie de la santé.

1.2. Contexte : vers une nouvelle compréhension des comportements de santé

La recherche en psychologie de la santé a permis des avancées considérables dans notre compréhension des comportements de santé grâce à des modèles théoriques et analytiques éprouvés (Conner & Norman, 2017 ; Glanz et al., 2015). Ces approches ont notamment permis d’identifier des déterminants clefs des comportements de santé et de développer des interventions efficaces (Michie et al., 2018 ; Hagger et al., 2020). Néanmoins, la complexité croissante des questions de recherche et l’accumulation des données empiriques favorisent l’exploration de cadres théoriques capables de rendre compte du caractère dynamique et contextuel des phénomènes étudiés (Bolger & Zee, 2019 ; Scholz, 2019). Ainsi, la théorie de la complexité (TC) occupe une place grandissante. Elle propose de considérer les phénomènes (ici, les comportements de santé) comme des résultats émergents d’interactions multiples et non linéaires entre facteurs psychologiques, sociaux et environnementaux (Mitchell, 2012). L’objectif de cet article est de montrer en quoi la TC peut prolonger le regard actuel sur des comportements de santé en proposant une nouvelle approche pour comprendre, décrire, prédire et intervenir afin de modifier ces comportements (Fried, 2020). Cette perspective systémique suscite un intérêt croissant parmi les experts en sciences comportementales, comme en témoigne une étude récente auprès de spécialistes internationaux des politiques publiques (Puukko et al., 2024). Avant d’aller plus loin, il est essentiel de définir précisément ce que nous entendons par système complexe (Encadré 1).
Encadré 1

Qu’est-ce qu’un système complexe ?
Les points suivants résument les caractéristiques générales d’un système complexe. Un système complexe est un ensemble d’éléments interconnectés dont les interactions produisent des comportements collectifs qui ne peuvent être prédits par la seule analyse de ses composants individuels et qui ne résulte pas d’un processus ou d’un agent de contrôle central ou externe (Richardson et al., 2014 ; Estrada, 2023). Par exemple, en psychologie de la santé, un comportement comme l’activité physique émerge de la confluence de facteurs psychologiques, sociaux et environnementaux (Sallis et al., 2020). Cette complexité se manifeste notamment au sein d’un système par des phénomènes de rétroaction, où les résultats d’un processus influencent en retour les conditions initiales ou les frontières évolutives du dit système. Ces caractéristiques produisent des évolutions non linéaires de l’état du système par des mécanismes de transition de phase ou de bifurcation d’état du système rendant ainsi toute prédiction linéaire potentiellement incomplète (Mitchell, 2012).

1.3. Des fondements linéaires à la perspective complexe

Pour situer l’apport de la complexité, rappelons brièvement les limites des approches linéaires. Les modèles linéaires (p. ex. ANOVA, régression linéaire) (McCullagh & Nelder, 1989), encore très largement utilisés aujourd’hui (Judd et al., 2017), ont incontestablement contribué au développement de la psychologie appliquée. Ils permettent de formaliser et de tester des hypothèses causales via des relations linéaires entre variables (Fox, 2015 ; Cohen et al., 2013). Cette approche a mis en évidence des relations robustes entre déterminants cognitifs/comportementaux et adoption d’un comportement de santé (par ex. l’influence du sentiment d’auto-efficacité sur l’intention de faire du sport). Gardons cependant à l’esprit que les modèles (ici statistiques) ne sont « que » des approximations, une déformation de la réalité (Rozin, 2001, Fried, 2020). Autrement dit « tous les modèles sont faux, mais certains sont utiles »1 (Box, 1976). C’est-à-dire que dans la lignée de Smaldino (2023, p. 8), il nous semble raisonnable de considérer la modélisation statistique comme une simplification nécessaire — même si parfois il s’agit d’une « violence » productive. En effet, l’auteur indique que la modélisation « fait violence à la réalité » dans la mesure où elle laisse de côté de nombreux aspects et détails afin de produire une version simplifiée qui cherche à conserver des éléments clés. Cette version – simplifiée donc – est productive dans la mesure où elle permet d’identifier certains mécanismes essentiels expliquant la réalité. Toutefois, cela n’est pertinent que dans la mesure où il nous est « suffisamment » possible d’ignorer les éléments laissés de côté par la modélisation. Or, une des difficultés actuelles en recherche est de pouvoir modéliser des phénomènes plus complexes, potentiellement « laissés de côté » par des modélisations plus simples. C’est par exemple le cas des relations multiples entre de nombreux éléments interagissant ensemble ou encore de dynamiques spécifiques comme les boucles de rétroaction dans le cadre de phénomènes temporels où l’état du système au temps T est dynamiquement dépendante de l’état du système au temps T-1. (Pour plus de précision concernant la (non)linéarité dans les systèmes voir Encadré 2).
Encadré 2

Linéarité et non-linéarité dans les systèmes
Dans un système linéaire, les effets sont proportionnels aux causes, facilitant la prédiction (Strogatz, 2015). À l’inverse, les systèmes non linéaires présentent des relations plus complexes où cette proportionnalité n’est pas respectée. Par exemple, le retentissement d’une intervention en santé peut varier considérablement selon le moment et le contexte de son application (Riley et al., 2015). Cette non-linéarité constitue une caractéristique fondamentale des phénomènes psychologiques et comportementaux (Butner et al., 2015), rendant parfois délicates les approches de causalité traditionnelle (Encadré 2). Toutefois, les modélisations par régressions logistiques permettent d’approcher les mécaniques de non-linéarité en identifiant la valeur seuil d’une variable linéaire sur le changement d’état d’une variable catégorielle binaire. En revanche, la difficulté se pose lorsque que l’on considère un ensemble complexe d’interrelations entre plusieurs éléments au sein d’un système. Ce cas se retrouve en psychologie pour des phénomènes pouvant être qualifiés de « massivement multifactoriels » (Borsboom et al., 2019). Dans ce cadre, un système peut se situer dans un état dit d’équilibre instable dont les évolutions ou bifurcations non linéaires sont dépendantes non seulement des composants du système et de leurs inter-relations mais aussi de l’état d’organisation du système en tant qu’ensemble (Heino et al., 2023).

1.4. L’illustration du réseau : la dépression

Pour rendre plus tangibles ces notions abstraites, prenons l’exemple de la dépression pour illustrer ce tournant vers la complexité. Historiquement, l’approche factorielle considère la dépression comme une variable latente causant l’apparition de symptômes (fatigue, humeur triste, insomnie, etc.) (Fried & Nesse, 2015). En d’autres mots, c’est parce que l’on souffre d’une pathologie dépressive que l’on présente des symptômes dépressifs. Dans ce cas de figure, les symptômes n’ont aucune inter-relation autre que par le biais de leur cause commune qu’est la présence de la pathologie dépressive. L’approche en réseau (Borsboom, 2017 ; Cramer et al., 2016), quant à elle, fait l’hypothèse que la pathologie dépressive serait une propriété émergente du système causée par les inter-relations des symptômes : par exemple, l’insomnie peut augmenter la fatigue, qui influe sur les ruminations, etc. (Fried et al., 2017). Dans cette perspective, la prévention et l’intervention sur ce système peut se focaliser sur des élements clefs (certains symptômes), susceptibles de maintenir ou de faire revenir le système dans un état d’ordre non pathologique (Lunansky et al., 2022 ; Olthof et al., 2023). Si le modèle de la cause commune peut se traduire classiquement par des modélisations en régression où des variables (les symptômes) sont expliqués par (régressés sur) une variable latente (la présence supposée de la pathologie dépressive). Dans le cadre d’une modélisation émergente, il est nécessaire de modéliser l’ensemble des relations potentielles entre les éléments du système ce qui nécessite un plus grand nombre de régressions mais également l’utilisation de techniques de régularisation (Epskamp & Fried, 2018). Cet exemple illustre parfaitement le concept d’émergence (Encadré 3).
Encadré 3

Émergence en psychologie
L’émergence décrit l’apparition de propriétés nouvelles et inattendues à un niveau supérieur ou global du système qui ne peuvent être facilement décrites, expliquées ou prédites à partir des propriétés des composants de niveau inférieur de ce dernier (Boehnert, 2018). En psychologie de la santé, ce concept peut être mobilisé pour décrire la façon dont des comportements (ex., l’abandon du tabac, l’initiation d’un dépistage) résultent d’interactions complexes et multiples entre cognitions, émotions, relations sociales et environnement (Resnicow & Page, 2008). Il implique que l’analyse de chaque facteur isolé peut être insuffisante pour comprendre le phénomène global.
Si nous avons évoqué la différence de modélisation en réseau par rapport à des analyses en variables latentes à l’aide de techniques de modélisation par équations structurelles (MES), il convient également de préciser que des modélisations de structures complexes sont également possibles en MES à l’aide des analyses en pistes causales ou encore à l’aide de techniques appelées « Directed Acyclic Graph » (DAG). Une des spécificités des analyses en réseau est de pouvoir identifier plus facilement un « squelette » de structure du système dans la mesure où les relations modélisées n’incluent pas de directionnalité, contrairement aux analyses en piste causale. Cela permet d’éviter le problème connu de l’équivalence de modèles multiples en piste causale qui ne peuvent être distingués par leurs indices d’adéquation aux données. À nouveau l’intérêt de l’approche en réseau est de pouvoir identifier et modéliser les caractéristiques d’un système « complexe » (Ryan et al., 2022). Enfin, si l’intérêt des analyses en réseau apparaît ici sur des données « transversales » (au même moment du temps), dans le cadre d’analyses temporelles, les modélisations par équations structurelles dynamiques (DSEM) permettent elles aussi de modéliser des structures dynamiques et des boucles de rétroactions entre différents composants d’un système (Epskamp et al., 2018a).
Forts de ces bases théoriques, nous pouvons maintenant examiner les méthodes concrètes qui permettent d’étudier empiriquement ces systèmes complexes.

2. Approches méthodologiques inspirées par la théorie de la complexité

Dans cette section, nous proposons de distinguer, d’une part, les méthodes de modélisation et d’analyse issues de la théorie de la complexité et, d’autre part, les heuristiques conceptuelles permettant de mieux comprendre la dynamique des comportements.

2.1. Méthodes de modélisation et d’analyse

2.1.1. Analyses en réseaux

L’analyse en réseaux constitue une approche méthodologique permettant de conceptualiser et d’étudier des systèmes complexes dans lesquels différentes composantes interagissent (Borsboom et al., 2021). Cette méthodologie modélise divers éléments (symptômes, attitudes, croyances, indicateurs physiologiques) comme des nœuds interconnectés dans un système dynamique ainsi qu’une estimation de l’importance de leurs inter-relations (Borsboom et al., 2021). Pour analyser ces structures, plusieurs modèles statistiques sont employés. Les données transversales sont traitées via les modèles d’Ising (van Borkulo et al., 2023) pour les variables binaires, les modèles graphiques gaussiens (GGM) pour les variables continues (Friedman et al., 2019), et les modèles mixtes (MGM) combinant les deux types de données ainsi que des données de comptage (Haslbeck & Waldorp, 2020). L’étude des dynamiques temporelles s’appuie sur des modèles à vecteur autorégressif tels que le gVAR ou le mlVAR (Epskamp, 2020).
Cette méthodologie permet notamment d’identifier des nœuds centraux qui exercent une influence substantielle sur la dynamique globale du système – qu’il s’agisse d’une attitude centrale dans un réseau de croyances (Dalege et al., 2016) ou d’un symptôme pivot dans un réseau psychopathologique (Robinaugh et al., 2020). À travers l’analyse des inter-relations, elle permet également de cartographier les boucles de rétroaction qui maintiennent ou modifient l’état du système. Dans les réseaux temporels, la modélisation des relations réciproques et des boucles de rétroaction repose sur l’idée que les influences entre variables s’exercent de manière dirigée et successive au fil du temps, évitant ainsi toute circularité instantanée. Ainsi, une variable A au temps T peut influencer à la fois sa propre valeur au temps T + 1 et celle d’une variable B à ce même temps T + 1 ; à son tour, cette variable B au temps T + 1 pourra influencer la variable A au temps T + 2 (Epskamp et al., 2018b).
Dans le cadre des analyses de réseaux appliquées à des données ponctuelles (c.-à-d., non temporelles), le modèle d’Ising demeure actuellement l’approche privilégiée pour étudier des systèmes caractérisés par une bi-stabilité, c’est-à-dire susceptibles d’adopter spontanément l’un de deux états stables opposés. Les paramètres du modèle – poids des inter-relations (arêtes) et seuils d’activation des nœuds – sont généralement estimés par des régressions logistiques pénalisées de type LASSO (Finnemann et al., 2021). La dynamique associée à ce modèle repose ensuite sur une formalisation énergétique spécifique (Finnemann et al., 2021, Eq. 1, p. 595). Cette formalisation énergétique conduit typiquement à une distribution bimodale du nombre de nœuds activés, ce qui met en évidence l’existence de deux états stables opposés (Haslbeck et al., 2021, Fig. 2, p. 307). Plusieurs études confirment la pertinence clinique de cette bi-stabilité dans des réseaux psychopathologiques, par exemple en montrant deux états opposés dans des réseaux de symptômes dépressifs (Cramer et al., 2016), ou en proposant des simulations permettant de cibler les symptômes les plus centraux afin d’orienter le système vers l’état le moins pathologique possible (Lunansky et al., 2021). Cette bi-stabilité peut être étendue à une véritable multi-stabilité grâce à l’utilisation de modèles à plusieurs états, notamment le modèle de Potts étendu, adapté aux variables catégorielles comportant plusieurs niveaux intermédiaires (Dalege et al., 2024), ou encore le modèle de Blume-Capel qui introduit explicitement un état intermédiaire ou neutre (van der Maas et al., 2025). Ces modèles multi-états permettent également d’identifier les éléments clés à cibler dans les interventions afin d’orienter le système vers un état souhaitable (Dalege et al., 2024). Enfin, il est également possible d’identifier des communautés ou sous-systèmes via des algorithmes spécialisés (notamment Louvain et Walktrap), qui s’appuient sur les patterns de corrélations ou covariances partielles entre nœuds. Cette détection dépend néanmoins de la qualité des données, du modèle utilisé et des techniques de clustering utilisées (Christensen et al., 2024).

  1. Download: Download high-res image (244KB)
  2. Download: Download full-size image

Fig. 2. Illustration des différentes causes du changement de comportement selon le modèle des paysages à attracteurs.

Figure issue de Heino et al., 2023.

Nous venons d’évoquer les réseaux temporels qui font partie des modélisations dynamiques. Nous en proposons une description plus précise ci-dessous.

2.1.2. Modélisation dynamique

Dans le domaine de la psychologie de la santé, la modélisation dynamique permet de mieux comprendre les processus qui mènent à l’adoption ou la cessation d’un comportement, en s’intéressant à des trajectoires plus fines, parfois considérées à l’échelle intra-individuelle, plutôt que centrée uniquement sur les effets de groupe (Molenaar & Campbell, 2009 ; Borsboom & Haslbeck, 2024). Cela consiste à recueillir des mesures répétées de manière intense sur un même individu (p. ex. plusieurs données journalières sur plusieurs semaines relatives à l’humeur, la motivation ou l’activité physique) afin de détecter des changements de phase ou des basculements de trajectoire. L’enjeu principal est de saisir les mécanismes internes et les boucles de rétroaction qui peuvent s’installer au fil du temps : par exemple, la fatigue accumulée un jour peut influer sur la motivation le lendemain, laquelle peut à son tour affecter le comportement observé le surlendemain, et ainsi de suite (Dunton et al., 2020 ; Chevance et al., 2021b). Cette perspective temporelle ouvre également la voie à l’identification de signaux précurseurs de changements comportementaux.

2.1.3. Signaux précoces et basculements

Un autre aspect intéressant qu’ouvrent les mesures longitudinales intenses est la possibilité de détecter certains signaux précoces (early warning signals), tels qu’un ralentissement critique (van de Leemput et al., 2014), pouvant indiquer qu’un changement soudain du système est imminent. Il s’agit d’un phénomène où, après une petite perturbation (une journée de forte fatigue, par exemple), le retour à l’état d’équilibre (comportement habituel) s’avère de plus en plus lent, suggérant une perte de stabilité du système (Sterman, 2006). Cela peut se traduire par la présence d’un point de bascule (tipping points) (Strogatz, 2015) se manifestant lorsqu’un seuil est franchi, entraînant une reconfiguration parfois rapide et drastique du système (bifurcation).
Les signaux précoces peuvent servir à :

  • •
    détecter le risque de rechute : une recrudescence d’hésitations ou de fluctuations négatives (faible motivation, augmentation de la sédentarité) peut signaler qu’une personne est proche de retomber dans un état de non-pratique ou de désengagement (Dunton et al., 2020) ;
  • •
    identifier une fenêtre d’opportunité : à l’inverse, l’approche par signaux précoces peut révéler qu’un nouveau comportement (par ex. adopter un régime alimentaire équilibré) est en train de se stabiliser. Une intervention ciblée (conseils, soutien social, dispositifs e-santé) à ce moment précis peut aider à consolider le basculement dans l’état souhaité (Riley et al., 2015 ; Sterman, 2006).
Au-delà de ces méthodes analytiques spécifiques, la théorie de la complexité propose également des cadres conceptuels intégratifs tel que le modèle des paysages à attracteurs.

2.2. Cadres conceptuels et heuristiques : l’exemple du Modèle des Paysages à Attracteurs

Au-delà des méthodes d’analyse et de simulation précédemment présentées, il existe des heuristiques permettant d’organiser plus globalement la réflexion sur la dynamique complexe des comportements. Le Modèle des Paysages à Attracteurs (MPA) (Butner et al., 2015 ; Heino et al., 2023) constitue à ce titre un exemple, notamment parce qu’il propose une vision dynamique du changement comportemental tout en restant compatible avec les perspectives plus classiques et largement mobilisées en psychologie de la santé (Conner & Norman, 2017 ; Glanz et al., 2015). Le MPA permet en effet d’articuler différents niveaux d’analyse en psychologie de la santé dans un même cadre visuel et conceptuel. Il se décline à trois niveaux complémentaires.
Tout d’abord, il fonctionne comme une métaphore visuelle intuitive : dans ce modèle, le comportement (ou l’état d’une personne) est représenté par un « point » qui évolue dans un paysage composé de vallées (attracteurs, états stables) et de crêtes (barrières, obstacles au changement) (Fig. 1, librement accessible sur https://doi.org/10.31234/osf.io/3rxyd). Cette représentation rend particulièrement visible la notion abstraite de (ins)stabilité comportementale ou de transition d’un comportement à un autre.
Ensuite, le MPA joue un rôle d’heuristique2 conceptuelle guidant la réflexion méthodologique : ainsi, dans les exemples d’analyses en réseau que nous présentons, le modèle permet d’interpréter comment la densité et l’intensité des interactions entre symptômes ou comportements influencent la profondeur ou l’aplanissement de ces vallées comportementales. De même, la détection de signaux précoces est facilitée par cette image topographique : les signaux précoces annoncent qu’un état comportemental se rapproche d’une crête critique pouvant mener à une rechute ou à une transition majeure vers un nouvel état.
En outre, lorsque les données le permettent, le MPA peut aussi devenir un objet empirique mesurable. À partir de variables binaires (présence/absence de symptômes par exemple), des modèles mathématiques précis issus de la physique statistique comme le modèle d’Ising permettent d’obtenir un véritable « paysage d’énergie », dont les caractéristiques (profondeur des attracteurs, hauteur des barrières, etc.) sont quantifiées précisément (Ezaki et al., 2017 ; Masuda et al., 2024). Cette correspondance précise entre analyses en réseau et paysage d’énergie a été formalisée rigoureusement par van der Maas et al. (2025), qui montrent que chaque paramètre du modèle d’Ising utilisé dans les analyses en réseau (poids d’arête entre symptômes, seuil d’activation) possède un homologue direct dans la topographie du paysage (respectivement : pente locale, profondeur de vallée). Cette équivalence mathématique justifie l’usage conjoint des analyses en réseau et du Modèle des Paysages à Attracteurs pour une étude potentiellement plus complète de la dynamique comportementale en psychologie de la santé (Encadré 4).
Encadré 4

Comprendre le lien entre réseau et paysage : l’exemple de l’activité physique3
L’idée de base en une image
Imaginez une bille sur un terrain vallonné. Elle roule naturellement vers les creux (les vallées) et y reste coincée. Pour la faire sortir d’une vallée, il faut lui donner de l’énergie pour franchir les bosses (les collines). Les analyses en réseau nous permettent de « sculpter » mathématiquement ce terrain à partir des connexions entre symptômes ou comportements. Voici comment, avec un exemple concret (Encadré 4).
Le réseau : des dominos qui se font tomber
Prenons quatre comportements liés à l’activité physique :

  • •
    sédentarité (rester assis toute la journée) ;
  • •
    fatigue (se sentir épuisé) ;
  • •
    démotivation (perdre l’envie de bouger) ;
  • •
    évitement (reporter l’exercice à demain).
Ces comportements sont comme des dominos disposés en cercle : quand l’un tombe, il fait tomber les autres. L’analyse en réseau mesure la « force » avec laquelle chaque domino pousse le suivant. Par exemple : la sédentarité entraîne souvent la fatigue, la fatigue diminue la motivation, le manque de motivation conduit à éviter l’exercice et l’évitement renforce la sédentarité. C’est un cercle vicieux où chaque comportement en active un autre.
Du réseau au paysage : la magie mathématique
Les mathématiques nous permettent de transformer ce réseau de connexions en un « paysage » avec des vallées et des collines. Le principe est simple :

  • •
    les comportements qui s’activent ensemble forment des vallées :

    • ∘
      plus les connexions sont fortes entre des comportements, plus la vallée est profonde,
    • ∘
      c’est pourquoi « sédentaire + fatigué + démotivé + évitant » forme une vallée très profonde ;
  • •
    les situations où certains comportements sont actifs et d’autres non forment des collines :

    • ∘
      c’est instable : soit on bascule vers « tout actif » (vallée sédentaire), soit vers « rien d’actif » (vallée active) ;
  • •
    deux vallées principales émergent :

    • ∘
      la vallée active : aucun comportement problématique n’est actif,
    • ∘
      la vallée sédentaire : tous les comportements problématiques sont actifs.
L’asymétrie qui explique tout
Une caractéristique essentielle du paysage est qu’il n’est pas symétrique.
→ Tomber dans la sédentarité est facile (pente douce) :

  • •
    un peu de stress au travail → moins de temps pour bouger ;
  • •
    un peu moins d’activité → un peu plus fatigué ;
  • •
    un peu plus fatigué → moins motivé ;
  • •
    moins motivé → on saute une séance ;
  • •
    et hop, on glisse doucement vers la vallée sédentaire.
→ En sortir est difficile (pente raide) :

  • •
    il faut combattre tous les comportements en même temps ;
  • •
    chaque progrès est « tiré en arrière » par les autres comportements encore actifs ;
  • •
    c’est comme essayer de faire remonter tous les dominos en même temps.
Ce que cela signifie concrètement
Cette transformation réseau → paysage nous apprend que :

  • •
    la prévention est centrale : il est beaucoup plus facile de maintenir quelqu’un actif que de le faire redevenir actif ;
  • •
    les petits efforts ne suffisent pas : pour sortir de la sédentarité, il faut un effort important et soutenu, pas juste « un peu de volonté » ;
  • •
    cibler les bonnes connexions : si on peut « casser » certains liens du réseau (par exemple, empêcher que la fatigue ne détruise la motivation), on peut modifier le paysage.
En résumé
Les analyses en réseau identifient comment les symptômes ou comportements s’influencent mutuellement. Les modèles de paysages transforment ces influences en un terrain avec des vallées (états stables) et des collines (barrières à franchir). Cette transformation mathématique révèle pourquoi certains changements sont si difficiles : non pas par manque de volonté, mais parce que la structure même du système crée des « pièges » dont il est objectivement difficile de sortir. C’est la force de cette approche : elle transforme une intuition (« c’est dur de reprendre le sport ») en compréhension structurelle (« voici précisément pourquoi c’est dur et ce qu’on peut faire »).
Notons également que, lorsque les données empiriques s’y prêtent, le MPA peut devenir un objet quantifiable mathématiquement (par exemple via un paysage d’énergie dérivé d’un modèle Ising pour des variables binaires ; Ezaki et al., 2017 ; Cui et al., 2023 ; Masuda et al., 2024). Pour des variables continues mesurées via des protocoles intensifs longitudinaux, la théorie indique la possibilité de calculer un « quasi-potentiel » (Freidlin & Wentzell, 2012), bien que cette application reste encore essentiellement théorique en psychologie de la santé à ce jour (Heino et al., 2023).
Deux mécanismes non exclusifs permettent d’expliquer comment un individu peut changer de comportement (Fig. 2, librement accessible sur https://doi.org/10.31234/osf.io/3rxyd) :

  • •
    basculement induit par la bifurcation (B-tipping) : le paysage lui-même se transforme lentement ou brusquement, rendant l’attracteur initial moins profond ou moins stable, voire faisant apparaître un nouvel attracteur plus favorable. Par exemple, une évolution progressive des normes sociales et des politiques publiques de santé peut, à terme, modifier la « topographie » motivationnelle et encourager l’adoption d’un comportement (ex. le dépistage systématique ou l’activité physique régulière) (Butner et al., 2015) ;
  • •
    basculement induit par le bruit (N-tipping) : dans ce cas, le paysage demeure globalement identique, mais une perturbation ponctuelle suffisamment forte (un événement de vie marquant, un test médical imposé, un soutien financier exceptionnel, etc.) « propulse » le système hors de son attracteur. Sans changer la structure globale, l’individu peut alors se trouver dans un nouvel attracteur (par exemple une habitude plus saine), même si le risque de retour à l’état précédent demeure élevé tant que le paysage lui-même n’a pas été altéré (Heino et al., 2023).
Cette conception diffère des modèles plus classiques de la psychologie de la santé, centrés sur des relations entre variables (croyances, intentions et comportements) (Ajzen, 1991 ; Michie et al., 2018) en se focalisant sur les propriétés du système. Là où les approches sociocognitives proposent généralement une progression graduelle (stades de changement, prise de décision rationnelle, etc.), le MPA insiste sur la non-linéarité et la possibilité de basculements soudains, ainsi que sur la nécessité de considérer les multiples boucles de rétroaction (individuelles, sociales, environnementales) qui façonnent la « topographie » du paysage. Au lieu de viser un contrôle strict des déterminants (par ex. augmenter la motivation X pour obtenir l’effet Y), on met l’accent sur la configuration globale du système et l’identification de moments clés où une intervention ponctuelle ou progressive sur un ou plusieurs éléments du système et/ou sur la relations entre certains éléments du systèmes, peut déplacer durablement le système vers un bassin d’attraction plus vertueux pour l’individu (Encadré 5).
Encadré 5

Auto-organisation et équilibre dynamique
« L’auto-organisation, ou ordre spontané, est un processus dans lequel un ordre global émerge des interactions locales entre les parties d’un système complexe initialement désordonné » (Van der Maas, 2024, Chap. 5, p. 125). Dans les comportements de santé, on observe parfois des configurations stables (ex., maintien d’un mode de vie sédentaire) qui peuvent soudainement se transformer (Resnicow & Vaughan, 2006). Cet équilibre dynamique fait que des comportements paraissent immuables jusqu’à ce qu’une perturbation — interne ou externe — enclenche un changement drastique.
Après avoir présenté ces différentes approches, il est nécessaire d’examiner de manière critique leurs apports, leurs limites et leurs implications pratiques.

3. Discussion

La théorie de la complexité et son application en psychologie de la santé enrichissent l’analyse des comportements de plusieurs manières : elles mettent en lumière les processus d’émergence au sein d’un système, la temporalité et les boucles de rétroaction, autant d’éléments susceptibles de compléter les modélisations classiques en psychologie, comme les régressions linéaires. À travers cette réflexion, plusieurs axes de recherche ou de mise en pratique méritent d’être discutés.
Ces nouvelles approches, bien que prometteuses, comportent plusieurs limites qu’il est essentiel de comprendre. Dans le cas des analyses de réseaux sur données ponctuelles (non temporelles), seul le modèle d’Ising permet actuellement de détecter des états stables alternatifs dans lesquels un système peut se maintenir (Haslbeck et al., 2022). La caractérisation de ces états stables et des conditions de passage de l’un à l’autre demeure un champ de recherche actif (Cui et al., 2023). Par ailleurs, ces analyses reposent souvent sur l’hypothèse que les connexions importantes entre éléments sont relativement peu nombreuses (hypothèse dite de « sparsité »). Si elle s’avère incorrecte — par exemple dans le cas de nombreux éléments fortement interconnectés — les résultats risquent d’être biaisés, certaines relations importantes pouvant être considérées à tort comme négligeables (Burger et al., 2022). Un défi supplémentaire concerne l’analyse de données issues d’échelles ordinales (du type « jamais-parfois-souvent-toujours »), très fréquentes en psychologie, mais dont le traitement statistique optimal fait encore débat (Haslbeck et al., 2023).
Pour les analyses portant sur l’évolution temporelle des phénomènes, les modèles actuels supposent généralement une certaine stabilité statistique (hypothèse de « stationnarité »), c’est-à-dire que les variables fluctuent autour d’une moyenne constante au cours du temps. Cette hypothèse peut se révéler problématique lors d’interventions psychologiques visant précisément à induire des changements durables (Haslbeck et al., 2021). Un intérêt croissant s’est porté sur l’identification de signes précoces (« Early Warning Signals ») annonçant un changement important du système depuis leur observation dans le cadre d’une rechute dépressive chez un patient suivi à l’aide d’un protocole de suivi longitudinal intense appelé EMA (Ecological Momentary Assessment) (Wichers et al., 2016). Ainsi, les signaux précoces de déstabilisation permettraient d’identifier le basculement vers un nouvel état d’équilibre conformément au MPA. Pour autant, même avec l’utilisation de ce type de dispositif d’évaluation (protocole EMA), l’identification de ces signaux nécessite beaucoup de prudence. En effet, des difficultés de mesure persistent notamment en ce qui concerne la capacité à identifier ces signaux précoce de déstabilisation qui nécessitent une idée précise des variables à mesurer mais également de leur résolution temporelle pour pouvoir les détecter. Et si même si un protocole est en capacité de « bien mesurer » ces variables aux « bons moments », un changement psychologique significatif peut toutefois survenir sans aucun signe avant-coureur détectable et, à l’inverse, une déstabilisation apparente ne débouche pas toujours sur un réel changement d’état (Helmich et al., 2024). La modélisation de phénomènes s’inscrivant à différentes échelles temporelles — comme l’influence réciproque entre les émotions quotidiennes et des traits de personnalité plus — requiert par ailleurs des modèles particulièrement sophistiqués tels que des modélisations en réseau multicouche (Lunansky et al., 2020) dont la mise en œuvre demeure techniquement complexe (Kivelä et al., 2014).
Sur le plan éthique et pratique, le développement de méthodes de suivi intensif (questionnaires multiples par jour, capteurs, smartphones) et d’études de réseau à grande échelle (traçage numérique, géolocalisation) soulève des questions majeures. La protection de la vie privée, le consentement éclairé et la transparence des modèles prédictifs constituent désormais des enjeux cruciaux pour une recherche responsable. L’utilisation croissante de modèles complexes, permettant de simuler virtuellement l’effet d’interventions, exige également une vigilance particulière quant à la rigueur scientifique et à la clarté envers les participants.
Ces différentes limites ne remettent pas en cause la pertinence de ces nouvelles approches, mais soulignent plutôt la nécessité de les employer de manière réfléchie et rigoureuse. Elles invitent aussi à poursuivre les développements méthodologiques pour mieux tenir compte des spécificités des données psychologiques et des processus temporels complexes. La formation des chercheurs à ces approches, y compris la compréhension de leurs possibilités et de leurs limites, constitue donc un enjeu majeur pour en faire un usage adéquat en psychologie de la santé. L’application des approches systémiques rencontre cependant d’autres défis pratiques. Puukko et al. (2024) soulignent notamment la pression exercée pour obtenir des résultats rapides, l’attrait de solutions de communication très simples et une vision parfois trop réductrice des sciences comportementales. De manière ironique, on peut également s’interroger sur l’attrait que suscitent de nouvelles techniques d’analyses sans pour autant maîtriser pleinement les méthodes actuelles. Cette situation illustre la difficulté à concilier la complexité inhérente aux phénomènes de santé et la demande, souvent pressante, de solutions immédiates et faciles à communiquer.
L’objectif de notre article était de présenter un tour d’horizon actuel sur l’intérêt des approches en système complexe dans le champ de la psychologie de la santé. Cependant, l’engouement actuel pour les analyses en réseaux comme modélisation de cette approche nous incite également à communiquer sur les hypothèses auxiliaires qui sous-tendent ces modèles. Ces dernières peuvent constituer des limites quant à la vraisemblance des modélisations à prendre en compte la complexité du réel. C’est aux chercheurs que nous sommes de nous rappeler l’utilité de l’approximation faite par les modèles en nous référant au célèbre adage de Georges Box qui a inspiré le titre de cet article. Par ailleurs, si le lecteur souhaite consulter des références récentes qui illustrent non seulement les différentes analyses que nous avons présentées brièvement, mais qui explicitent les enjeux actuels, nous recommandons les articles en anglais de Borsboom et al. (2021) et de Briganti et al. (2024). Pour les lecteurs francophones, il existe également une ressource à visée didactique librement accessible (Morvan, 2024).
Il convient également de rappeler que l’intérêt de l’approche en système complexe n’est pas nouveau pour la psychologie, notamment dans le champ de la psychologie cognitive et du développement (Smith & Thelen, 1993). Dès 2005, des travaux francophones présentent les travaux de Van der Maas et Molinaar sur la théorie des catastrophes dans le cadre de changements d’état de systèmes bi-stables (Juhel, 2005). Toutefois, le développement des approches en systèmes complexes pour la psychologie est en grande partie dû à la possibilité d’effectuer ces modélisations grâce au développement de différents packages R depuis 2012 (Golino et al., 2022).
En outre, nous appelons, à des collaborations (sous-)multidisciplinaires qui mobilisent chercheurs et praticiens mais également entre différents domaines des sciences et de la psychologie : par exemple des approches plus spécialisées sur les questions de mesures et de modélisations et d’autres davantage sur les questions d’évaluation et de prise en charge. De manière plus générale, les collaborations interdisciplinaires entre psychologie, physique statistique, sciences de la donnée, et de la complexité sont souhaitables pour tirer le meilleur parti de la théorie de la complexité et contribuer à la compréhension des comportements de santé.

4. Conclusion

Les comportements de santé, tels qu’envisagés par la théorie de la complexité, ne se réduisent pas à la somme de déterminants individuels. Ils sont perçus comme des processus dynamiques et multifactoriels, sensibles à l’environnement et à des rétroactions parfois inattendues. Ainsi, chaque changement, même minime, peut susciter un nouvel état d’équilibre ou, au contraire, précipiter une rupture.
Le recours à la complexité ne consiste toutefois pas seulement à relever des défis analytiques ou à proposer un nouveau paradigme théorique. Il engage avant tout à concevoir des approches ancrées dans la réalité multiscalaire des comportements de santé, en tenant compte des changements contextuels rapides, de la dynamique de facteurs supposés stables et des questions éthiques liées aux données sensibles.
Les analyses en réseau et les modèles d’attracteurs constituent des méthodes prometteuses pour affiner l’observation, la compréhension et l’intervention, en complément des techniques déjà éprouvées en psychologie. Notre propos n’est pas de substituer la complexité aux cadres d’analyse plus traditionnels, mais bien de les prolonger. De même que d’autres méthodes (modélisations en équations structurelles, analyses multiniveaux) mettent en évidence l’importance du temps, de la variabilité intra et interindividuelle, les modélisations en réseau soulignent tout particulièrement la complexité, l’émergence et des configurations potentiellement moins prévisibles, comme les phénomènes d’attracteurs et de bifurcations.
Dans ce sens, la célèbre remarque de George Box selon laquelle « tous les modèles sont faux, mais certains sont utiles »1 (Box, 1976) résonne tout particulièrement : elle nous rappelle la nécessité de reconnaître la part d’approximation inhérente à tout modèle et de choisir avec soin les modèles qui permettent de mieux saisir la dynamique complexe des comportements. À ce titre, les travaux de Ryan et al. (2024) illustrent l’efficacité des modèles computationnels pour la compréhension de certains troubles mentaux, en montrant que des approches formalisées, telles que la modélisation en réseau, peuvent révéler des aspects cruciaux des phénomènes psychologiques complexes. Les recherches futures pourraient donc se concentrer sur l’identification des contextes et des configurations dans lesquels ce type de modélisations en réseau se révèle particulièrement adéquat, en vue de favoriser à la fois une meilleure compréhension des mécanismes sous-jacents (van Rooij & Baggio, 2021) et l’optimisation d’interventions ciblées.
Naturellement, ces travaux, susceptibles d’aboutir à des interventions, doivent conserver à l’esprit la question de l’implémentation concrète et de la protection des personnes. Cette voie, exigeante mais riche en innovations, ouvre un espace fertile de collaborations entre la psychologie de la santé, les sciences de la complexité et d’autres disciplines (santé publique, data science, sciences humaines, physique statistique), afin de concevoir et d’évaluer de nouveaux dispositifs à même d’influencer durablement les comportements de santé.

Déclaration de liens d’intérêts

Les auteurs déclarent ne pas avoir de liens d’intérêts.

Remerciements

Les auteurs souhaitent remercier les relecteurs de la revue pour la qualité de leurs remarques qui ont permis d’améliorer le manuscrit initial.

Références

Cited by (0)

3
Cet exemple constitue une simplification pédagogique destinée à illustrer le principe général de la correspondance réseau-paysage. Pour une présentation technique complète, voir, notamment, Cui et al. (2023) et van der Maas et al. (2025).
1
La citation exacte de Box est : « Since all models are wrong, the scientist cannot obtain a ‘correct’ one by excessive elaboration. On the contrary, following William of Occam, he should seek an economical description of natural phenomena. » Ce résumé paraphrase son argument que bien que tous les modèles soient fondamentalement incorrects, ils restent essentiels et utiles pour comprendre la complexité des phénomènes naturels.
2
Nous entendons par heuristique une démarche « qui sert à la découverte », c’est-à-dire, un principe directif permettant de générer et d’explorer des hypothèses sans prétendre fournir un algorithme exhaustif (CNRTL, n.d.).
Share this Doc

Tous les modèles sont faux, mais la complexité est utile : une approche systémique en psychologie de la santé

Or copy link

CONTENTS

Copyright Sahel Lib