Absence de preuve, preuve d’absence et simple possibilité
Une équipe cherche pendant plusieurs jours un objet perdu dans une grande forêt et ne trouve rien. Peut-elle conclure que l’objet n’est pas dans la forêt ? Pas nécessairement. Si la zone est immense et les recherches très partielles, ne rien trouver apporte peu d’information. Imaginons maintenant que l’objet recherché soit une voiture rouge garée dans un garage fermé de vingt mètres carrés, entièrement inspecté et parfaitement éclairé. Cette fois, ne pas voir la voiture constitue une raison très forte de penser qu’elle n’est pas là. Dans les deux cas, nous avons une absence d’observation. Pourtant, sa valeur probante est complètement différente. La formule souvent répétée :
« L’absence de preuve n’est pas une preuve d’absence »
contient donc une idée importante, mais elle devient trompeuse lorsqu’elle est transformée en règle absolue. Une absence de preuve peut simplement signifier :
« nous n’avons pas suffisamment cherché ».
Mais elle peut aussi signifier :
« nous avons cherché dans des conditions où l’hypothèse aurait très probablement produit une trace, et cette trace n’est pas apparue ».
Dans ce second cas, l’absence devient effectivement une preuve contre l’hypothèse. La question fondamentale est donc :
« Si cette hypothèse était vraie, quelles observations aurions-nous raisonnablement dû obtenir ? »
L’argument par ignorance
Une forme classique du sophisme consiste à raisonner :
Personne n’a prouvé que P est faux.
Donc P est vrai.
Ou, dans l’autre sens :
Personne n’a prouvé que P est vrai.
Donc P est faux.
C’est ce qu’on appelle généralement un argument par ignorance (*argumentum ad ignorantiam*). Exemple :
« Personne n’a démontré que cette substance provoque cette maladie. Elle est donc parfaitement sans danger. »
La conclusion ne suit pas nécessairement. L’absence de démonstration peut simplement refléter :
- un manque d’études ;
- des études trop petites ;
- un événement très rare ;
- une exposition trop récente ;
- une mauvaise surveillance ;
- ou une méthode incapable de détecter l’effet recherché.
Mais considérons maintenant :
« Nous avons plusieurs grandes études bien conçues, un suivi prolongé et une surveillance capable de détecter un effet de la taille qui nous préoccupait ; aucun signal de cette ampleur n’a été observé. »
Cette situation est différente. L’absence de résultat devient ici une information pertinente contre l’existence d’un effet suffisamment important pour être détecté dans ces conditions. L’erreur serait donc autant de dire :
« Aucun effet n’a été détecté, donc aucun effet n’existe »
que :
« Aucun effet n’a été détecté, mais cela ne nous apprend absolument rien. »
La force de l’inférence dépend de la capacité réelle de la recherche à détecter ce qui était supposé exister.
Quand l’absence de preuve n’apprend presque rien
Supposons qu’un médicament extrêmement rare provoque un effet indésirable chez une personne sur 100 000. Une étude portant sur 200 patients ne détecte aucun cas. Pouvons-nous conclure :
« Cet effet n’existe pas » ?
Non. Avec seulement 200 personnes, ne rien observer serait parfaitement compatible avec un événement réel mais très rare. L’absence de cas n’était pas surprenante même si l’effet existait. Dans ce contexte :
absence d’observation ≈ faible information.
C’est précisément le problème rappelé par le célèbre article statistique d’Altman et Bland : un résultat non statistiquement significatif ne permet pas à lui seul de conclure à l’absence d’effet. Une étude peut simplement manquer de puissance statistique. (PubMed Central (PMC))
Cette distinction reste particulièrement importante dans la recherche contemporaine : une étude de réplication publiée en 2024 souligne qu’obtenir deux résultats non significatifs ne suffit pas à démontrer une absence d’effet ; des études trop petites peuvent produire très facilement ce résultat même lorsqu’un effet existe réellement. (PubMed Central (PMC)) Quand l’absence devient réellement informative. Reprenons l’exemple de la voiture dans le garage. Supposons l’hypothèse :
H : une voiture rouge est garée dans ce garage.
Si H était vraie, quelle serait la probabilité de regarder attentivement tout le garage sans voir la voiture ? Pratiquement nulle. Nous observons pourtant :
aucune voiture visible.
Cette observation est donc beaucoup plus compatible avec :
« la voiture n’est pas dans le garage »
qu’avec :
« la voiture est dans le garage ».
L’absence de détection constitue ici une véritable preuve d’absence. On peut généraliser ce principe :
Plus une observation aurait été probable si l’hypothèse était vraie, plus son absence affaiblit cette hypothèse.
C’est une idée fondamentalement probabiliste. Nous ne demandons pas simplement :
« avons-nous trouvé une preuve ? »
Nous demandons :
« À quel point l’absence de cette preuve serait-elle surprenante si l’hypothèse était vraie ? »
Un test médical illustre très bien le problème
Supposons une maladie M et un test extrêmement sensible. Si une personne est atteinte de M, le test est positif dans 99,9 % des cas. La personne obtient un résultat négatif. Ce résultat ne rend pas logiquement impossible la maladie. Mais il constitue une forte preuve contre elle, toutes choses égales par ailleurs, parce qu’un résultat négatif aurait été très inhabituel chez une personne réellement malade. Comparons avec un test très mauvais, positif dans seulement 55 % des cas chez les malades. Un résultat négatif nous apprend beaucoup moins. La même absence :
« aucun signal détecté »
peut donc avoir des significations très différentes selon la sensibilité du dispositif d’observation. C’est pourquoi une absence devient probante seulement lorsqu’on comprend ce que notre méthode aurait dû détecter. La question bayésienne. On peut formuler l’idée de manière très simple avec un raisonnement bayésien. Nous voulons comparer deux hypothèses :
H : le phénomène existe.
¬H : il n’existe pas.
Nous observons :
E : aucune trace du phénomène.
La question importante est alors :
À quel point E est-il probable si H est vraie ?
et :
À quel point E est-il probable si H est fausse ?
Si :
P(E | H)
est presque aussi élevée que :
P(E | ¬H),
l’absence de trace nous apprend peu. Mais si :
P(E | H)
est très faible tandis que :
P(E | ¬H)
est élevée, cette absence constitue une preuve importante contre H. Prenons :
Si le phénomène existe, nous aurions 95 % de chances de le détecter.
Donc :
P(absence de détection | phénomène réel) = 5 %.
Ne rien voir devient alors relativement surprenant sous l’hypothèse de présence. Ce raisonnement permet de remplacer le slogan :
« absence de preuve ≠ preuve d’absence »
par une question beaucoup plus utile :
« Quelle était la probabilité de ne rien trouver si quelque chose était réellement là ? »
Un résultat non significatif n’est pas une preuve d’égalité. Cette distinction est particulièrement importante en statistique. Supposons un essai comparant deux traitements. Le résultat donne :
p = 0,18.
On lit parfois :
« Il n’y a aucune différence entre les traitements. »
Ce n’est pas ce que démontre automatiquement le test. Un résultat non significatif signifie essentiellement que les données n’ont pas permis de rejeter l’hypothèse nulle selon le seuil et le modèle utilisés. Plusieurs situations restent possibles :
- il n’existe effectivement presque aucune différence ;
- il existe une petite différence ;
- il existe même une différence importante mais l’étude est trop imprécise pour la détecter.
La largeur de l’intervalle de confiance devient alors beaucoup plus informative. Un article du *BMJ* montre par exemple comment certains essais non significatifs conservaient des intervalles compatibles avec des bénéfices cliniquement importants ; ils ne permettaient donc pas de conclure que le traitement était sans effet. (PubMed Central (PMC)) La règle est donc :
« non significatif » ne signifie pas automatiquement « absence d’effet ».
Prouver l’absence demande souvent une méthode différente. Si la véritable question scientifique est :
« pouvons-nous raisonnablement exclure un effet d’une importance cliniquement pertinente ? »
il faut utiliser des outils adaptés à cette question. Par exemple :
- tests d’équivalence ;
- tests de non-infériorité dans certains contextes ;
- intervalles de confiance suffisamment précis ;
- facteurs de Bayes ;
- ou autres méthodes permettant de quantifier directement la compatibilité des données avec de petits effets ou leur absence.
Une analyse de 2024 consacrée aux réplications de résultats nuls recommande précisément l’usage de tests d’équivalence ou de facteurs de Bayes lorsque l’objectif est de distinguer une véritable preuve d’absence d’un simple manque de preuve. (PubMed Central (PMC)) Cette différence est essentielle :
ne pas avoir détecté un effet
et :
avoir suffisamment d’information pour exclure un effet important
ne sont pas la même chose.
La précision de la conclusion doit correspondre à la précision de la recherche
Supposons qu’une étude permette raisonnablement d’exclure une augmentation de risque supérieure à 50 %. Peut-on conclure :
« Aucun risque supplémentaire n’existe » ?
Non. L’étude peut être compatible avec une augmentation plus faible de 5 %, 10 % ou 20 %. Une formulation plus fidèle serait :
« Les données rendent peu probable une augmentation du risque aussi importante que 50 %, mais des effets plus faibles restent compatibles avec les résultats. »
Le raisonnement critique ne cherche donc pas nécessairement une opposition :
présence / absence.
Il cherche souvent à déterminer :
quelles tailles d’effet restent plausibles ?
Cette manière de raisonner est plus informative qu’un simple classement :
« positif » / « négatif ».
L’absence d’un événement attendu peut réfuter fortement une hypothèse. Imaginons une hypothèse géologique prédisant qu’une roche devrait contenir une structure particulière dans pratiquement tous les cas si le mécanisme proposé est correct. On analyse de nombreux échantillons appropriés et la structure n’apparaît jamais. Cette absence peut constituer une objection sérieuse à l’hypothèse. De même, une théorie historique peut prédire qu’un événement majeur aurait nécessairement laissé :
- des documents ;
- des vestiges ;
- des traces démographiques ;
- ou des témoignages indépendants.
Si aucune trace n’apparaît malgré des recherches capables de les détecter, l’hypothèse devient moins plausible. Mais ici encore, tout dépend du processus de conservation. L’absence de documents concernant un événement survenu dans une société où presque rien n’était écrit n’a pas la même valeur que l’absence d’un acte administratif supposé avoir été produit par milliers et conservé dans plusieurs archives. La question reste :
« Quelle trace l’hypothèse aurait-elle dû laisser, et quelles chances avions-nous de la retrouver ? »
Sherlock Holmes et le chien qui n’aboie pas. Un exemple célèbre de raisonnement à partir d’une absence apparaît dans *Silver Blaze* de Conan Doyle : le fait qu’un chien n’ait pas aboyé pendant un événement devient informatif. Pourquoi ? Parce que l’on suppose :
si un étranger était entré, le chien aurait probablement aboyé.
Le silence du chien constitue donc une information en faveur d’une autre possibilité :
l’intrus était peut-être quelqu’un que le chien connaissait.
Le raisonnement n’est valable que si la prémisse est justifiée. Si le chien aboie rarement, est sourd ou dormait dans un autre bâtiment, son silence ne nous apprend pratiquement rien. Cet exemple résume parfaitement le mécanisme :
une absence est informative lorsqu’une présence aurait probablement produit un signal.
« Personne n’a jamais prouvé le contraire ». Cette formule apparaît fréquemment dans les débats.
« Personne n’a prouvé que les extraterrestres ne visitent pas la Terre. »
« Personne n’a prouvé que ce phénomène paranormal n’existe pas. »
« Personne n’a prouvé que ce produit n’aura jamais aucun effet à long terme. »
Toutes ces affirmations peuvent être littéralement vraies. Mais elles ne fournissent pas automatiquement de soutien à l’hypothèse proposée. La possibilité logique :
« on ne peut pas exclure absolument X »
est extrêmement faible. Pour pratiquement toute hypothèse empirique, nous pouvons imaginer une possibilité résiduelle. L’esprit critique ne demande donc pas :
« Peut-on exclure X avec une certitude absolue ? »
mais :
« Quelle quantité de preuve possède-t-on réellement en faveur de X ou contre X ? »
L’absence de réfutation n’est pas une confirmation. Mais l’absence prolongée de confirmation peut finir par compter. Supposons qu’une hypothèse fasse régulièrement des prédictions précises :
le phénomène devrait apparaître mercredi ;
puis :
le mois prochain ;
puis :
lors de la prochaine expérience.
À chaque fois, rien ne se produit. Son défenseur répond :
« Vous n’avez toujours pas démontré que le phénomène n’existe pas. »
Logiquement, c’est peut-être vrai. Épistémiquement, cependant, l’accumulation des échecs prédictifs devient importante. Si la théorie prédisait réellement que les événements devraient être observés avec une forte probabilité, leurs absences successives constituent des preuves croissantes contre elle. Autrement dit :
une hypothèse peut survivre logiquement tout en devenant progressivement très improbable.
C’est pourquoi exiger une réfutation absolue peut devenir une manière abusive de déplacer la charge de la preuve. Simple possibilité et plausibilité réelle. Une autre erreur fréquente consiste à raisonner :
« X est possible. »
Donc :
« X doit être sérieusement envisagé comme explication. »
Mais une possibilité logique ou imaginable ne possède pas nécessairement une probabilité significative. Supposons qu’une personne ne retrouve plus ses clés. Il est possible :
qu’elles soient tombées derrière le canapé ;
qu’elles soient dans sa voiture ;
qu’un voisin les ait prises ;
qu’un singe évadé d’un zoo soit entré chez elle et les ait emportées.
Les quatre scénarios sont peut-être logiquement possibles. Ils ne méritent évidemment pas le même degré d’attention. La raison est que nous possédons des probabilités antérieures, des mécanismes et des fréquences de base très différents. La simple phrase :
« Vous ne pouvez pas prouver que ce scénario est impossible »
n’est donc presque jamais suffisante pour le rendre plausible. Un scénario extraordinaire reste possible après presque toutes les observations. Ce point est important parce que des hypothèses peuvent être construites pour échapper à toute observation contraire. Supposons :
« Une civilisation invisible vit dans cette pièce, mais elle retire systématiquement toute trace juste avant chaque mesure. »
On peut toujours ajouter :
« Vos instruments ne peuvent pas la détecter. »
Puis :
« Elle évite volontairement toutes les expériences. »
Il devient impossible de produire une observation contraire. Mais cette immunité à la réfutation n’est pas une force épistémique. Une hypothèse qui explique :
les observations positives ;
les observations négatives ;
et l’absence complète d’observation
ne gagne pas nécessairement en crédibilité. Il faut distinguer :
compatibilité avec les données
et :
soutien fourni par les données.
Beaucoup d’hypothèses sont compatibles avec une observation. Très peu sont réellement favorisées par elle. Le cas des événements rares. L’absence de détection doit être maniée avec encore plus de prudence pour les phénomènes rares. Supposons qu’un événement survienne en moyenne une fois pour un million d’expositions. Même une surveillance portant sur 100 000 expositions peut n’en observer aucun. Cette absence ne constitue donc pas une preuve forte que le risque est nul. Mais si l’on observe dix milliards d’expositions correctement surveillées et aucun événement, la situation change considérablement. La valeur probante de l’absence dépend ainsi notamment de :
- la fréquence supposée ;
- la taille de l’échantillon ;
- la durée d’observation ;
- la sensibilité de la détection ;
- la qualité du suivi ;
- et la quantité de données manquantes.
Le raisonnement :
« Nous n’avons jamais observé X »
n’est donc interprétable qu’avec :
« combien d’occasions pertinentes avions-nous de l’observer ? »
Cas pratique : effet indésirable d’un médicament
Une personne affirme :
« Aucun essai n’a détecté cet effet secondaire, donc le médicament ne peut pas le provoquer. »
Diagnostic : Première question : combien de participants ont été étudiés ? Si 2 000 personnes ont été exposées, l’étude peut être incapable de détecter correctement un événement survenant chez une personne sur 50 000. Deuxième question : combien de temps ont-elles été suivies ? Un effet apparaissant après cinq ans ne sera pas détecté dans une étude de six mois. Troisième question : l’événement était-il activement recherché ? Une surveillance passive peut manquer davantage de cas qu’une recherche systématique. La conclusion :
« aucun effet n’existe »
est donc trop forte. Mais imaginons maintenant plusieurs millions de patients suivis pendant de nombreuses années avec un système de surveillance performant et aucun signal. Nous pourrons progressivement dire :
« Si l’effet existe, il est probablement plus rare ou plus faible que certaines hypothèses initiales. »
L’absence devient informative sans devenir une certitude absolue. Cas pratique : recherche archéologique. Quelqu’un affirme qu’une immense cité de plusieurs centaines de milliers d’habitants aurait existé pendant plusieurs siècles dans une région bien étudiée. Une cité de cette taille devrait vraisemblablement laisser de nombreuses traces :
- bâtiments ;
- déchets ;
- sépultures ;
- outils ;
- modifications du paysage ;
- infrastructures ;
- objets commerciaux.
Si des décennies de fouilles systématiques appropriées ne produisent rien, cette absence compte contre l’hypothèse. Comparons avec l’hypothèse :
« Une petite communauté nomade est passée brièvement dans cette région. »
Son passage peut laisser très peu de traces détectables. L’absence archéologique est alors beaucoup moins informative. Même terrain, même absence. Mais les deux hypothèses ne prédisaient pas la même quantité de traces. Le problème du « je ne vois pas comment ». Il faut distinguer l’absence de preuve de l’argument d’incrédulité personnelle :
« Je ne vois pas comment ce phénomène pourrait fonctionner, donc il est impossible. »
Ici, l’absence n’est pas celle d’un signal empirique. Elle est :
l’absence d’explication disponible pour la personne qui raisonne.
Ce n’est pas la même chose. Ne pas connaître un mécanisme peut légitimement réduire notre confiance dans une proposition, surtout si elle contredit fortement les connaissances existantes. Mais :
« je ne connais pas d’explication »
ne permet généralement pas de conclure :
« aucune explication possible n’existe ».
Cette question sera intégrée ici plutôt que traitée comme un sophisme totalement indépendant, car le mécanisme général est semblable : transformer trop rapidement une lacune dans notre information en information positive sur le monde. Incrédulité personnelle : parfois pertinente, jamais décisive à elle seule. Supposons qu’un ingénieur expérimenté entende une affirmation qui semble violer un principe physique extrêmement bien établi. Son incrédulité n’est pas dépourvue de valeur. Elle peut signaler :
« Cette proposition entre en tension avec un ensemble considérable de connaissances antérieures. Elle nécessite donc des preuves particulièrement fortes. »
C’est rationnel. Ce qui serait fallacieux serait :
« Je ne comprends pas comment cela pourrait être vrai ; c’est donc faux. »
La formulation plus correcte est :
« Je ne connais actuellement aucun mécanisme compatible avec les connaissances établies ; cela diminue la plausibilité de l’hypothèse, mais ne constitue pas à lui seul une démonstration de sa fausseté. »
Cette nuance évite de transformer une critique légitime en certitude injustifiée. La charge de la preuve ne disparaît pas parce qu’une proposition est difficile à réfuter. Supposons qu’une personne affirme :
« Un dispositif invisible et indétectable modifie actuellement vos pensées. »
Puis :
« Prouvez que ce n’est pas vrai. »
La proposition a été formulée de manière telle qu’aucune observation ne peut facilement la réfuter. Mais cela ne transfère pas automatiquement la charge de la preuve à celui qui doute. Une hypothèse ne gagne pas en crédibilité simplement parce qu’elle est difficile à exclure. C’est précisément pourquoi l’argument par ignorance et la charge de la preuve sont étroitement liés. La fiche suivante examinera ce problème plus directement. Pour le moment, retenons :
« Vous ne pouvez pas démontrer que X est faux » n’est pas équivalent à « nous avons des raisons de croire X ».
Une absence peut être un résultat positif au sens épistémique. L’expression « résultat négatif » prête parfois à confusion. Supposons qu’une théorie prédise un effet supérieur à 20 unités. Une étude extrêmement précise montre que l’effet est probablement compris entre -1 et +1. Il n’y a pas « rien ». Nous avons appris quelque chose d’important :
un effet de 20 unités est très difficilement compatible avec les données.
L’étude apporte donc de l’information précisément parce qu’elle est suffisamment précise pour éliminer une grande partie des possibilités. Des travaux contemporains sur les résultats dits nuls insistent sur cette distinction entre un résultat simplement non concluant et un véritable résultat négatif soutenu par une conception expérimentale assez sensible et des analyses appropriées. (PubMed Central (PMC)) Autrement dit :
l’absence elle-même peut être une découverte lorsqu’on avait les moyens de détecter ce qui était attendu.
Comment diagnostiquer un argument fondé sur l’absence de preuve ? Lorsqu’une personne affirme :
« On n’a jamais trouvé X, donc X n’existe pas »,
ou :
« On n’a jamais réfuté X, donc X existe »,
plusieurs questions permettent d’analyser l’argument. Qu’aurions-nous dû observer si X existait ? Avons-nous réellement cherché cette observation ? Avec quelle sensibilité ? Sur combien de cas ou pendant combien de temps ? Quelle fréquence ou taille d’effet étions-nous capables de détecter ? Existe-t-il des mécanismes pouvant masquer le signal ? L’absence observée serait-elle surprenante si l’hypothèse était vraie ? La conclusion affirme-t-elle une absence totale, ou seulement l’absence d’un effet important ? Confond-on “non détecté” avec “inexistant” ? Ces questions transforment une formule abstraite en problème empirique.
Une règle simple : chercher le signal attendu
On peut résumer la démarche ainsi :
Hypothèse H.
Puis :
Si H était vraie, nous devrions probablement observer S.
Nous cherchons S. Deux situations deviennent possibles.
S n’est pas observé, mais notre recherche était faible
Nous avions peu de chances de détecter S même s’il existait. Conclusion :
l’absence nous apprend peu.
S n’est pas observé malgré une excellente capacité de détection
Nous aurions presque certainement observé S si H était vraie. Conclusion :
l’absence constitue une preuve contre H.
Cette structure est beaucoup plus précise que le slogan :
« absence de preuve n’est jamais preuve d’absence ».
Comment réparer les arguments trop forts ?
Prenons :
« Aucune étude n’a trouvé d’effet, donc l’effet n’existe pas. »
Une formulation plus rigoureuse serait :
« Les études disponibles n’ont pas détecté d’effet. Leur précision permet d’exclure raisonnablement des effets supérieurs à X, mais des effets plus faibles restent compatibles avec les données. »
Ou, si les études sont faibles :
« Les recherches existantes n’ont pas détecté d’effet, mais elles sont trop petites ou trop imprécises pour distinguer une véritable absence d’effet d’un manque de puissance. »
Inversement :
« Personne n’a prouvé que X n’existe pas, donc X reste plausible »
peut devenir :
« X n’est pas logiquement exclu, mais nous devons encore examiner les preuves positives disponibles et la probabilité attendue du phénomène avant de lui accorder une confiance significative. »
Ces formulations conservent l’incertitude sans transformer l’ignorance en certitude.
Cas pratique : « aucune étude ne montre que cela fonctionne »
Supposons qu’un nouveau traitement soit très peu étudié. Une personne affirme :
« Aucune étude solide ne montre son efficacité, donc nous savons qu’il ne fonctionne pas. »
La conclusion est trop forte. Une absence d’étude de qualité signifie principalement :
nous ne disposons pas actuellement de preuves suffisantes d’efficacité.
Cela peut parfaitement justifier de ne pas recommander le traitement, surtout si le bénéfice n’est pas établi et que des coûts ou risques existent. Mais la conclusion épistémique doit rester distincte :
« efficacité non démontrée »
n’est pas identique à :
« inefficacité démontrée ».
Cette distinction est classique en médecine fondée sur les preuves. Altman et Bland insistaient déjà sur la différence entre ne pas montrer une différence et montrer l’absence de différence. (PubMed Central (PMC)) L’absence de preuve peut néanmoins justifier l’inaction. Il faut distinguer :
ce que nous croyons
et :
ce que nous décidons de faire.
Supposons qu’un médicament n’ait encore aucune preuve convaincante d’efficacité. Dire :
« Nous ne savons pas s’il fonctionne »
est une conclusion épistémique. Décider :
« Nous ne le remboursons pas avant que son efficacité soit suffisamment démontrée »
peut être une décision institutionnelle raisonnable. L’absence de preuve d’efficacité peut donc justifier une absence d’adoption sans être elle-même une preuve d’inefficacité. Cette nuance est essentielle. Les règles de décision comportent des coûts, risques et charges de preuve qui dépassent la simple estimation de vérité. Nous retrouverons ce problème dans la fiche suivante.
À retenir
La formule :
« L’absence de preuve n’est pas une preuve d’absence »
est utile lorsqu’elle rappelle qu’un échec à détecter un phénomène peut simplement résulter d’une recherche insuffisante. En statistique notamment, un résultat non significatif ne permet pas automatiquement de conclure à l’absence d’effet. (PubMed Central (PMC)) Mais la formule devient fausse lorsqu’elle est transformée en règle absolue. L’absence de preuve devient une preuve d’absence lorsque l’hypothèse aurait dû, avec une probabilité suffisamment élevée, produire une observation que nous étions capables de détecter. La question fondamentale est donc :
« Si cette hypothèse était vraie, quelle probabilité avions-nous d’observer ce qui manque ? »
Si cette probabilité était faible, l’absence nous apprend peu. Si elle était très élevée, l’absence affaiblit fortement l’hypothèse. Il faut également distinguer :
non détecté ;
non démontré ;
compatible avec zéro ;
effet important raisonnablement exclu ;
et absence démontrée dans les limites de précision disponibles.
Enfin, la simple possibilité d’une hypothèse ne constitue pas une preuve en sa faveur. Le fait que personne ne puisse l’exclure absolument ne nous dit presque rien sur sa probabilité. La meilleure manière de raisonner n’est donc ni :
« Nous n’avons rien trouvé, donc il n’y a rien »,
ni :
« Nous n’avons rien trouvé, mais cela ne comptera jamais comme preuve ».
Elle consiste à demander :
« Qu’aurions-nous dû trouver si quelque chose était réellement là, et notre recherche était-elle assez bonne pour le voir ? »
Sources principales
Altman, Douglas G. & Bland, J. Martin (1995), « Absence of evidence is not evidence of absence », *BMJ*, 311, 485. Article classique rappelant qu’un résultat statistiquement non significatif ne démontre pas l’absence d’effet ; une étude peut simplement être incapable de détecter une différence réelle. (PubMed Central (PMC))
Alderson, Phil (2004), « Absence of evidence is not evidence of absence: We need to report uncertain results and do it clearly », *BMJ*, 328, 476–477. Développe la distinction entre manque de preuve et preuve négative et insiste sur la nécessité de représenter correctement l’incertitude des résultats. (PubMed Central (PMC))
Pawel, Samuel, Heyard, Rachel, Micheloud, Charlotte & Held, Leonhard (2024), « Replication of null results: Absence of evidence or evidence of absence? », *eLife*, 12, RP92311. Analyse récente montrant qu’une succession de résultats non significatifs peut rester inconclusive. Les auteurs présentent notamment les tests d’équivalence et les facteurs de Bayes comme moyens plus adaptés pour quantifier une véritable preuve en faveur de l’absence d’un effet. (PubMed Central (PMC))
Joffe, Michael (2003), « “Evidence of absence” can be important », *BMJ*, 326, 1267. Souligne que certaines données permettent effectivement d’apporter une preuve d’absence ; le slogan « absence de preuve n’est pas preuve d’absence » ne doit donc pas être interprété comme interdisant toute inférence négative. (PubMed Central (PMC))
Bunce, Catey et al. (2014), « Ophthalmic statistics note 2: absence of evidence is not evidence of absence », *British Journal of Ophthalmology*, 98, 703–705. Présentation pédagogique des erreurs d’interprétation des résultats non significatifs et de la nécessité d’examiner puissance et précision avant de conclure à l’absence d’effet. (PubMed Central (PMC))