Simulation d'audience: les LLM peuvent-ils prédire le comportement humain ?

En marketing, évaluer dans quelle mesure les LLMs prédisent le comportement humain est crucial pour apprécier leur efficacité à anticiper les besoins du public et à reconnaître les risques de décalage, de communication inefficace ou d'influence non intentionnelle.

La simulation d'audience avec des LLM permet de modéliser des audiences virtuelles, aidant les organisations à anticiper les réactions à un contenu ou à un produit sans recourir à des enquêtes coûteuses ou à des groupes de discussion.

Nous avons testé dans quelle mesure les modèles d'IA peuvent prédire lequel de deux posts LinkedIn du même auteur obtiendra le plus d'engagement (likes, commentaires, partages), simulant ainsi le comportement du public humain.

Résultats du benchmark de simulation d'audience

Raisons des différences de performance entre les LLM

Les grands modèles de langage montrent des niveaux de précision différents pour prédire lequel de deux posts LinkedIn du même auteur recevra le plus d'engagement. Ces différences proviennent de la manière dont chaque modèle traite les entrées décrites dans le benchmark et de sa capacité à identifier les facteurs qui influencent les réactions du public.

Comprendre les signaux d'engagement

Le benchmark exige des modèles qu'ils évaluent des indices subtils qui prédisent l'engagement. Les modèles plus performants ont tendance à détecter ces indices avec plus de précision. Ces indices incluent si le post :

• Présente un aperçu ou une leçon personnelle
• Pose une question directe
• Est accessible à un large public
• Semble promotionnel
• La structure influence l'attention du lecteur

Des modèles tels que DeepSeek Chat V3 et Claude Opus 4 obtiennent de bons résultats parce qu'ils identifient ces indices avec une plus grande constance.

Utiliser les informations contextuelles

L'évaluation comprend plusieurs éléments de données contextuelles pour chaque post, et les modèles diffèrent dans leur capacité à les utiliser. Chaque modèle reçoit :

• Le texte du post
• Le type de média (texte, image, vidéo ou lien)
• La tranche d'abonnés de l'auteur

Une prédiction précise exige que le modèle combine ces entrées. Les modèles plus performants reconnaissent des motifs, comme un engagement plus faible pour les posts avec lien et un engagement plus élevé pour les récits réflexifs. Les modèles moins performants traitent souvent les entrées isolément ou négligent leurs interactions.

Interpréter le comportement humain

Prédire l'engagement nécessite de raisonner sur les préférences du public. Quelques modèles présentent une forte capacité dans ce domaine. De nombreux modèles restent proches de la ligne de base de 50% car le comportement du public est variable et dépend de facteurs psychologiques difficiles à déduire du seul texte.

Les modèles dont les performances se situent autour de 52% montrent une compréhension partielle de ces signaux. Ils peuvent identifier des tendances générales mais ont du mal dans les cas limites. Les modèles avec des scores faibles, comme o1, semblent mal évaluer les facteurs d'engagement standards et privilégient souvent l'option la moins engageante.

Influence des données d'entraînement

On note que les résultats des modèles reflètent les données sur lesquelles ils ont été entraînés. Si les données d'entraînement ne représentent pas une large gamme de styles de communication ou de groupes démographiques, le modèle peut mal interpréter certains types de contenu. Ces différences d'entraînement contribuent directement à la dispersion des résultats dans le benchmark.

Les modèles entraînés sur des jeux de données plus larges ou plus conversationnels tendent à mieux approximer les réactions des utilisateurs. Les modèles entraînés sur des jeux de données plus étroits s'appuient souvent sur des caractéristiques superficielles qui ne sont pas bien corrélées à l'engagement réel.

Généralisation entre auteurs

Le jeu de données comprend des posts de 50 auteurs avec divers nombres d'abonnés, préférences médiatiques et styles d'écriture. Les modèles doivent généraliser à travers ces différences. Les modèles plus forts forment des attentes cohérentes quant à ce qui génère l'engagement, indépendamment de l'auteur.

Les modèles moins performants appliquent des critères incohérents selon les auteurs et les posts.

Consultez notre méthodologie pour comprendre comment nous calculons ces mesures.

Qu'est-ce que la simulation d'audience ?

La simulation d'audience est la pratique consistant à utiliser des populations synthétiques pilotées par des modèles, parfois appelées audiences virtuelles, pour prédire comment les personnes réelles pourraient réagir à du contenu, des produits ou des idées politiques avant leur diffusion. Au lieu d'effectuer des tests en direct avec des enquêtes coûteuses ou des groupes de discussion, les organisations peuvent créer des personas proxy leur public cible et observer leurs réponses simulées.

La technique s'appuie sur des méthodes issues de la modélisation par agents, des grands modèles de langage et de la simulation de personas. Chaque agent ou persona simulé est conçu avec des attributs tels que la démographie, les préférences ou les tendances comportementales. Together, ces personas interagissent, produisant des données synthétiques qui se rapprochent du comportement d'un groupe de clients ou de citoyens réels dans la même situation.

Comment fonctionnent les outils de simulation d'audience ?

Le fonctionnement de la simulation d'audience dépend des outils utilisés, mais la plupart des approches partagent des composants standards :

• Conception des personas : les chercheurs définissent des personas en fonction de données démographiques, psychographiques ou de segments de marché spécifiques. Ces personas peuvent aller de simples agents basés sur des règles à des personas d'IA détaillés enrichis de biographies et de capacités conversationnelles.
• Génération de données synthétiques : les grands modèles de langage aident à simuler le dialogue, les réponses à des enquêtes ou le comportement de publication. Par exemple, Artificial Societies fait fonctionner 100–300 personas d'IA qui lisent, réagissent et repartagent des posts LinkedIn pour simuler la dynamique de réseau.
• Modélisation des interactions : les personas n'agissent pas isolément. Ils interagissent, s'influencent mutuellement et forment des motifs tels que des chambres d'écho, des cascades de repartages ou des changements d'opinion publique. Cela permet aux simulations de capturer à la fois les réactions individuelles et les phénomènes de groupe.
• Test de scénarios : en faisant varier les entrées telles que le cadrage du message, le type de média ou les questions d'enquête, les organisations peuvent observer comment les audiences simulées répondent à ces variations. Ces scénarios aident à générer des hypothèses et à tester des idées dans une phase de pratique sécurisée avant d'interagir avec de vraies personnes.
• Analyse des données : les résultats sont analysés à l'aide de techniques telles que les nuages de mots, l'analyse de sentiment et le scoring de précision. Les résultats peuvent montrer les gagnants probables entre deux variantes de post, les thèmes communs dans les retours ou la perspective d'un persona sur pourquoi une idée résonne plus qu'une autre.

Exemple réel : les simulations d'agents génératifs de Stanford

Une équipe de recherche de l'université Stanford a développé une architecture d'agent qui convertit les données d'entretien qualitatif en représentations de vraies personnes basées sur des LLM.

Plutôt que de construire des personas à partir de simples étiquettes démographiques, chaque agent est ancré dans un entretien de deux heures avec la personne qu'il représente. Testés par rapport à l'Enquête sociale générale, les agents ont correspondu aux réponses des individus sources presque aussi bien que ces mêmes individus ont correspondu à leurs propres réponses lorsqu'ils ont été réinterrogés deux semaines plus tard.

L'architecture a également montré un biais de prédiction réduit entre les groupes raciaux et idéologiques par rapport aux approches de personas spécifiques à la démographie, ce qui suggère qu'elle peut modéliser des populations diverses de manière plus fidèle que des méthodes plus simples.¹

Cas d'utilisation de la simulation d'audience

Marketing et publicité

Les marques peuvent tester des slogans de campagne, des visuels ou le positionnement d'un produit auprès d'une audience virtuelle avant de dépenser pour une distribution à grande échelle. Au lieu de se fier uniquement aux réponses d'enquêtes traditionnelles, elles peuvent générer des données synthétiques à partir de personas d'IA et comparer les performances entre les groupes.

Par exemple, les spécialistes du marketing peuvent déterminer si un produit résonne plus auprès de la génération Z que des professionnels plus âgés et ajuster leur stratégie créative en conséquence. Cette capacité à valider les campagnes au stade du test entraîne des économies et un ciblage plus précis.

Exemple réel : Focus Agent

Des chercheurs de la KU Leuven ont construit un système multi-agents qui reproduit entièrement par logiciel la structure d'un groupe de discussion traditionnel, y compris les participants et le rôle de modérateur.

Le système a été validé en organisant cinq sessions de groupe de discussion réelles avec 23 participants humains sur les mêmes sujets de discussion, puis en comparant les résultats à ceux générés par les seuls participants IA. Les opinions générées par l'IA correspondaient étroitement à celles des répondants humains.

Au-delà du remplacement des participants, le modérateur LLM a également offert des avantages pratiques par rapport à la modération humaine, comme une orientation plus cohérente des sujets et une meilleure gestion du temps.²

Médias et édition

Les entreprises de médias peuvent simuler comment différents formats de contenu (par exemple, des posts courts, des articles longs, des vidéos explicatives) performeront auprès de leurs audiences.

La simulation de personas permet également de tester comment les titres influencent les clics ou comment le ton affecte les partages. En anticipant les réactions, les éditeurs peuvent prioriser les histoires les plus susceptibles de se propager, plutôt que d'attendre les métriques post-publication.

Politiques publiques et recherche

Les gouvernements et les think tanks peuvent utiliser la simulation d'audience pour tester des idées de recherche politique. Des populations synthétiques modelées d'après des données démographiques spécifiques peuvent illustrer comment différentes communautés pourraient réagir à une nouvelle taxe, une réglementation de santé ou une initiative climatique. Des chercheurs ont appliqué des simulations génératives pour explorer des questions comme la polarisation et la désinformation.

Cette approche facilite la génération d'hypothèses et offre un environnement plus sûr pour anticiper les conséquences imprévues avant d'interagir avec de vraies personnes.

Développement de produits

Les entreprises peuvent simuler comment des personas proxy des données démographiques spécifiques parlent d'une nouvelle fonctionnalité ou d'un nouvel appareil. Par exemple, une entreprise technologique pourrait comparer si les propriétaires de petites entreprises, les étudiants ou les responsables d'entreprise trouvent plus de valeur dans une nouvelle mise à jour logicielle.

Les enseignements de la simulation peuvent éclairer les décisions de conception et atténuer le risque de lancer des fonctionnalités qui ne trouvent pas d'écho auprès du public visé.

Formation et éducation

Les universités et les entreprises peuvent utiliser des simulations pour créer des environnements de pratique où les apprenants interagissent avec des personas d'IA. Un négociateur stagiaire pourrait s'exercer avec des interlocuteurs simulés, ou un étudiant en médecine pourrait tester des stratégies de communication avec des patients synthétiques.

Ces scénarios de formation offrent une gamme réaliste de réponses, permettant aux apprenants de perfectionner leurs compétences avant de rencontrer de vraies personnes.

Agences d'études de marché

Les enquêtes et les groupes de discussion traditionnels peuvent être coûteux et lents. Les agences d'études de marché peuvent les compléter par la simulation d'audience pour générer des données synthétiques fournissant des informations directionnelles rapides.

Bien que les simulations ne remplacent pas l'engagement avec de vrais clients, elles peuvent réduire la dépendance à des panels coûteux et accélérer les tests en phase précoce.

Outils de simulation d'audience

Si vous cherchez un outil dédié à la simulation d'audience plutôt que d'utiliser des LLMs, voici quelques options :

Artificial Societies

Artificial Societies permet aux utilisateurs de décrire un public cible en langage clair ou de le générer à partir d'interactions sur les réseaux sociaux. Il construit ensuite une « société » de personas et exécute des simulations pilotées par l'IA.

Chaque simulation comprend des tests A/B automatiques, qui génèrent des variantes d'un message dans le style de l'utilisateur et les testent auprès de l'audience. Les résultats sont présentés avec des scores, des commentaires et des résumés, permettant une interprétation rapide. Les cas d'utilisation couvrent les relations publiques, le développement de produits, le branding, le marketing, le journalisme et les réseaux sociaux.

Figure 1 : Tableau de bord de simulation d'Artificial Societies.

Exemple réel : Teneo

Teneo, une entreprise de relations publiques, s'apprêtait à lancer une nouvelle stratégie technologique et avait besoin de tester si son message résonnerait auprès des parties prenantes clés avant de l'annoncer publiquement. Cependant, l'entreprise était confrontée à plusieurs contraintes :

• La stratégie était confidentielle, ce qui limitait les méthodes de recherche traditionnelles.
• Le délai était court, rendant les enquêtes à grande échelle difficiles.
• Des audiences importantes, telles que les décideurs politiques, les leaders de l'industrie et les parties prenantes spécialisées, étaient presque impossibles à atteindre via les panels d'études de marché conventionnels.

Pour relever ces défis, Teneo s'est associé à Artificial Societies. Le processus a inclus :

• Création de personas d'IA : Plus de 5,000 personas d'IA ont été générés. Ces personas étaient basés sur des profils démographiques et psychographiques réels, informés par l'écoute sociale et la recherche qualitative.
• Construction de « sociétés » spécialisées : Des sociétés d'IA distinctes représentaient différents groupes de parties prenantes, notamment :
  • Les consommateurs
  • Les pairs de l'industrie
  • Les décideurs politiques, les lobbyistes et les influenceurs politiques.
• Test des récits de messagerie : Les chercheurs ont testé six récits technologiques concurrents en utilisant des enquêtes et des expériences au sein de chaque société d'IA.
• Analyse des réactions : Les réponses ont été analysées à la fois au niveau agrégé et au niveau individuel des personas, permettant à l'équipe de comparer les réactions entre les segments d'audience.

La simulation a produit des informations à grande échelle plus rapidement que les méthodes de recherche traditionnelles. Les principaux résultats comprenaient :

• 189,756 réponses uniques générées à partir des simulations d'IA.
• Des enseignements basés sur 30 questions de recherche approfondies sur six récits.
• Identification du récit le plus efficace et de messages adaptés pour chaque segment d'audience.
• Livraison des résultats via une plateforme d'analyse interactive et un rapport écrit.³

Ask rally

Ask Rally est un simulateur d'audience virtuelle qui permet aux utilisateurs de tester des questions, du contenu et des idées avec des personas d'IA conçus pour ressembler à de vraies audiences.

Les utilisateurs créent ou modifient des personas, ou les clonent à partir de données existantes telles que des entretiens ou des enquêtes. Après avoir défini une audience, ils peuvent poser des questions et recevoir des réponses générées par les personas, allant de 5 à 100. La plateforme agrège les réponses, fournit des informations clés et permet aux agents de voter sur des options.

Les principales fonctionnalités incluent :

• Réponses multi-agents avec des résumés et des informations agrégées.
• La mémoire des personas alimentée par Mem0 permet aux personas de conserver le contexte et les schémas comportementaux, aidant à simuler des réactions d'audience plus cohérentes et réalistes.
• Quatre niveaux de sophistication d'audience permettent aux utilisateurs de modéliser des audiences avec différents niveaux d'expertise ou de familiarité avec un sujet.
• La simulation de réactions vidéo permet aux équipes de tester comment les audiences pourraient réagir à du contenu vidéo tel que des publicités, du matériel de campagne ou des présentations.
• L'accès à l'API permet aux équipes d'intégrer le simulateur dans les flux de travail de recherche, les outils internes ou les pipelines de test automatisés.
• Environnements de test pour sites web, campagnes et médias.
• Capacités supplémentaires telles que les jumeaux numériques, les environnements de simulation et le calibrage par rapport aux données réelles.
• Plan gratuit pour l'expérimentation et les tests précoces.

Generative Audiences by Dentsu

Generative Audiences est un outil d'intelligence marketing IA qui crée des audiences de consommateurs simulées à partir de données réelles. Il aide les marques à améliorer le ciblage d'audience, la planification média et la performance des campagnes en permettant aux spécialistes du marketing d'interagir avec ces personas d'IA et d'analyser leurs réponses.⁴

• Données déterministes et pilotées par l'IA : Combine des données déterministes basées sur les personnes avec des signaux comportementaux pilotés par l'IA pour modéliser avec précision le comportement de l'audience.
• Informations consommateurs interactives : Les spécialistes du marketing peuvent interagir avec des personas simulés pour explorer les motivations et les comportements, par exemple, pour tester comment les audiences pourraient réagir à de nouveaux messages, idées de produits ou événements d'actualité.
• Intégration de données multi-sources : Synthétise plusieurs sources de données (statiques et en temps réel) et s'intègre aux données client existantes.
• Planification média et activation : Les informations issues des audiences IA peuvent être utilisées pour élaborer des stratégies média ciblées et activer des campagnes.
• Modélisation d'audience respectueuse de la vie privée : Parce qu'elle utilise des simulations statistiques plutôt que de s'appuyer fortement sur des identifiants personnels, la solution peut étendre le ciblage d'audience tout en restant plus conforme aux réglementations sur la vie privée.

Electric Twin

Electric Twin est une plateforme d'audience synthétique qui crée des populations numériques à partir de données du monde réel.⁵

• Modélisation d'audience synthétique : Crée des populations numériques qui représentent des groupes démographiques réels et simulent le comportement humain.
• Retour d'audience en temps réel : Les utilisateurs peuvent poser des questions et recevoir des réponses immédiates de personas simulés, plutôt que de lancer des enquêtes.
• Test de scénarios et de messages : Les équipes peuvent évaluer des concepts de produits, des campagnes, des stratégies de prix et des propositions politiques avant de les lancer.
• Enquêtes et groupes de discussion simulés : Prend en charge les sondages rapides, les entretiens et les discussions de type groupe de discussion avec des personas d'IA.
• Audiences personnalisées et prédéfinies : Les organisations peuvent créer des audiences en utilisant leurs propres données d'enquête ou utiliser des populations démographiques prêtes à l'emploi dans plusieurs pays.
• Moteur de prédiction : Évalue les résultats par rapport aux données d'enquête du monde réel pour estimer les réponses probables des consommateurs.
• Environnement de recherche préservant la vie privée : Les populations synthétiques permettent de tester des idées sans exposer de données sensibles ou personnelles.

Simile IA

Construit par des chercheurs de Stanford, Simile vise à simuler de grands groupes, voire des sociétés entières, pour prédire comment les gens pourraient réagir à des produits, des politiques ou des décisions d'entreprise.⁶

• Personas jumeaux numériques : Crée des agents IA qui représentent de vraies personnes sur la base de données comportementales et d'entretiens.
• Simulations de comportement humain à grande échelle : Modélise les interactions entre des milliers d'agents pour prédire les décisions des consommateurs ou les résultats sociaux.
• Prévision de scénarios : Les entreprises peuvent anticiper des événements tels que des changements dans la demande des consommateurs ou les questions des analystes lors des appels de résultats.
• Architecture d'agents génératifs : Les agents IA planifient des actions, forment des opinions et interagissent les uns avec les autres pour produire des dynamiques comportementales réalistes.

Méthodologie du benchmark de simulation d'audience

Notre question de recherche pour ce benchmark était « Les modèles d'IA peuvent-ils prédire quel post LinkedIn obtiendra le plus d'engagement avant sa publication ? » À cette fin, nous avons évalué dans quelle mesure les modèles d'IA peuvent prédire lequel de deux posts LinkedIn du même auteur générera le plus d'engagement total (likes + commentaires + partages) dans les 7 jours suivant la publication.

Nous avons utilisé les posts de 50 auteurs pour notre jeu de données. Chaque ligne contient une paire de posts du même auteur avec ces caractéristiques :

• Contenu du post : Texte brut des deux posts
• Type de média : texte/image/vidéo/lien pour chaque post
• Contexte de l'auteur : Tranche d'abonnés (par exemple, « 1k-5k », « 5k-20k »)
• Vérité terrain : Chiffres d'engagement réels et étiquette du gagnant (A ou B)

Exemple de données :

Post A (Gagnant – 156 d'engagement) : « Après trois échecs de startups, voici ce que j'aurais aimé que quelqu'un me dise sur le product-market fit : Arrêtez de construire des fonctionnalités demandées par vos cinq utilisateurs bêta. Commencez à vous obséder du problème auquel est confronté 95% de votre marché cible. J'ai fait cette erreur pendant 2 ans. Ne la répétez pas. Quelle est la plus grande leçon produit que vous avez apprise à la dure ? »

• Média : texte
• Abonnés : 5k-20k

Post B (84 d'engagement) : « Ravi de partager notre nouveau tableau de bord analytique alimenté par l'IA ! Découvrez la démo et dites-nous ce que vous en pensez. »

• Média : lien
• Abonnés : 5k-20k

Analyse : Le post A a gagné car il fournit des conseils spécifiques et exploitables tirés d'un échec personnel, pose une question engageante et offre un contenu auquel on peut s'identifier. Le post B est une promotion générique avec un potentiel d'engagement moindre.

Évaluation du benchmark de simulation d'audience

Pour l'évaluation, chaque modèle reçoit ces informations pour les deux posts :

• Texte du post
• Type de média
• Tranche du nombre d'abonnés de l'auteur

Avec ces informations, les modèles sont censés prédire si le post A ou B est le plus performant. Ils peuvent nous montrer leur raisonnement, mais nous n'avons pas évalué leur raisonnement dans ce benchmark.

Étant donné que les modèles ont une probabilité de 50% d'être exacts quant au meilleur performant (il y a deux choix), nous envisageons de rechercher à l'avenir un « gain par rapport au hasard (Précision moins 50%, qui est la ligne de base de la supposition aléatoire) ».

Cependant, dans ce jeu de données, nous n'avons pas observé de supposition aléatoire ; tous les modèles ont expliqué leur raisonnement, que leurs réponses soient correctes ou non.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Quels sont les défis potentiels de la simulation d'audience ?

Malgré ses promesses, la simulation d'audience doit être abordée avec prudence.

Validation auprès de vrais clients

Les prédictions des audiences virtuelles doivent être comparées aux résultats réels. Sans benchmarks, les résultats peuvent créer une fausse confiance. La validation est cruciale pour s'assurer que les personas synthétiques reflètent fidèlement le comportement des personnes réelles.

Biais dans les modèles de langage

Les personas d'IA sont façonnés par les données qui ont entraîné les modèles de langage sous-jacents. Si ces données sous-représentent certains groupes, les personas résultants peuvent déformer la manière dont des groupes démographiques spécifiques sont dépeints. Cela peut affecter la manière dont les réponses aux enquêtes ou l'opinion publique sont simulées.

Interprétabilité

Bien que les conversations de personas ou les nuages de mots puissent montrer des thèmes communs, il n'est pas toujours clair pourquoi des résultats spécifiques émergent. La complexité des réponses des LLM peut rendre difficile l'explication ou la validation du comportement du public.

Lignes directrices éthiques

L'utilisation de données synthétiques pour la recherche client ou la recherche politique exige de la transparence. Les organisations doivent s'assurer qu'elles ne présentent pas les simulations comme un substitut aux vrais clients et doivent respecter les limites éthiques dans la définition des personas.

Généralisabilité

Les simulations dépendent fortement de la portée de la conception des personas. Un modèle entraîné sur des fondateurs technologiques basés aux États-Unis ne peut pas prédire automatiquement les réponses de la génération Z en Asie. La surgénéralisation est un risque lorsqu'on étend les résultats à des populations qui n'étaient pas représentées dans la simulation.

Coût computationnel

L'exécution de simulations détaillées avec des milliers de personas peut nécessiter des ressources importantes. Bien que les outils d'IA améliorent l'efficacité, les expériences à grande échelle exigent encore du temps, des connaissances techniques et une infrastructure.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Simulation d'audience: les LLM peuvent-ils prédire le comportement humain ?}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/audience-simulation}},
  note   = {AIMultiple. Consulté le 28 Avril 2026}
}

Liens de référence

1.

https://arxiv.org/pdf/2411.10109

2.

https://arxiv.org/pdf/2409.01907

3.

Artificial Societies

Artificial Societies

4.

Dentsu Launches Generative Audiences: AI-Powered Growth Intelligence That Thinks Like Consumers  | News | dentsu

5.

Electric Twin - Synthetic Audiences for Instant Consumer Insights

Electric Twin

6.

Home | Simile

Sıla Ermut

Analyste Sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple, spécialisée dans le marketing par email et les vidéos de vente. Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d'un Master of Science en psychologie sociale et d'un Bachelor of Arts en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire