Associations et apprentissage statistique — comment l’expérience transforme les régularités en attentes
Un soignant qui travaille longtemps dans le même service finit par anticiper certaines situations avant même de pouvoir expliquer précisément pourquoi. Une combinaison de comportement, d’heure de la journée, de traitements, de mobilité ou de signes discrets peut rendre une complication plus plausible. Un conducteur apprend que certains mouvements d’un véhicule annoncent souvent un changement de voie. Un enfant découvre progressivement quelles syllabes ont tendance à se suivre dans sa langue. Dans chacun de ces cas, l’expérience modifie les attentes.
Une partie de cet apprentissage peut être décrite très simplement : lorsqu’un événement A est régulièrement associé à un événement B, la présence de A commence à rendre B plus attendu.
Mais la cognition humaine ne se contente pas d’enregistrer mécaniquement toutes les cooccurrences. Elle est sensible, à différents degrés et selon les mécanismes concernés, aux fréquences, aux contingences, aux probabilités conditionnelles, à l’ordre des événements et à des structures plus complexes.
Cette capacité est étudiée sous plusieurs traditions théoriques : apprentissage associatif, conditionnement, apprentissage implicite, apprentissage statistique. Leurs frontières ne sont pas toujours nettes et leurs modèles ne sont pas interchangeables. Elles partagent néanmoins une idée essentielle : nos attentes sont en partie façonnées par les régularités auxquelles nous sommes exposés.
C’est l’une des bases de l’intuition.
Un monde rempli de régularités
Notre environnement n’est pas une succession totalement imprévisible d’événements indépendants.
Certains sons annoncent certaines situations. Certains mots apparaissent fréquemment ensemble. Certaines expressions faciales précèdent certains comportements. Dans une langue, certaines syllabes se succèdent beaucoup plus souvent que d’autres. Dans un métier, certaines configurations de signes sont régulièrement associées à certains problèmes.
Apprendre ces régularités représente un avantage considérable.
Si nous devions attendre que chaque événement se produise avant de réagir, notre comportement serait constamment en retard sur le monde. En exploitant les relations apprises, nous pouvons anticiper ce qui risque d’arriver ensuite.
Cette prédiction ne prend généralement pas la forme d’un calcul conscient : « étant donné la fréquence observée de B après A, j’estime sa probabilité à 73 % ». Elle apparaît plutôt comme une attente, une impression de familiarité, une orientation de l’attention ou une préparation à certaines possibilités.
Nous faisons ainsi constamment quelque chose qui ressemble, de très loin, à une exploitation des statistiques de notre environnement sans avoir besoin d’être statisticiens.
Une association n’est pas seulement une répétition
Le cas le plus simple serait celui où deux événements apparaissent souvent ensemble. Mais compter leurs rencontres ne suffit pas toujours à déterminer si l’un prédit réellement l’autre.
Robert Rescorla a joué un rôle majeur dans cette évolution de la psychologie de l’apprentissage. Ses expériences de conditionnement ont contribué à montrer que la simple proximité entre deux événements ne suffit pas à expliquer l’apprentissage : la contingence, c’est-à-dire la différence entre la probabilité d’un événement lorsque le signal est présent et sa probabilité lorsqu’il est absent, est déterminante.
Prenons un exemple simplifié. Chaque fois qu’une alarme retentit, une panne survient peu après. Cela semble rendre l’alarme très informative. Mais si des pannes surviennent tout aussi souvent lorsque l’alarme ne retentit pas, celle-ci prédit finalement assez peu de choses.
À l’inverse, un événement assez rare peut devenir très informatif s’il modifie fortement la probabilité de ce qui va suivre.
Cette distinction annonce une règle fondamentale de l’esprit critique : ce qui compte n’est pas seulement combien de fois A et B apparaissent ensemble, mais ce que la présence de A nous apprend réellement sur B.
C’est déjà, sous une forme élémentaire, une question de comparaison.
Apprendre des probabilités sans les calculer consciemment
L’apprentissage statistique désigne une famille de phénomènes par lesquels les organismes deviennent sensibles aux régularités distributionnelles présentes dans leur environnement.
Le terme « statistique » peut être trompeur. Il ne signifie pas que le sujet construit consciemment un tableau de fréquences ni qu’il effectue mentalement des calculs probabilistes formels.
Il signifie que certaines propriétés statistiques de l’expérience influencent progressivement le comportement.
L’une des démonstrations les plus célèbres vient des travaux de Jenny Saffran, Richard Aslin et Elissa Newport. Dans leur expérience publiée en 1996, des nourrissons de huit mois étaient exposés pendant quelques minutes à un flux continu de syllabes dans lequel aucune pause ne signalait explicitement les frontières entre les « mots ». La seule information disponible provenait des régularités de succession entre syllabes. Les nourrissons se montrèrent ensuite sensibles à ces structures, ce qui indiquait qu’ils avaient extrait des informations statistiques permettant de segmenter le flux sonore.
L’expérience est devenue célèbre parce qu’elle montre qu’un organisme peut exploiter rapidement la structure probabiliste de son environnement sans qu’on lui fournisse explicitement la règle à découvrir.
Cela ne signifie évidemment pas que l’acquisition du langage serait entièrement expliquée par ce seul mécanisme. Mais l’apprentissage statistique constitue manifestement l’un des outils disponibles pour apprendre à partir de l’exposition.
L’apprentissage statistique dépasse largement le langage
Le phénomène n’est pas limité aux syllabes.
József Fiser et Richard Aslin ont par exemple montré que des participants exposés à des scènes visuelles complexes peuvent devenir sensibles aux probabilités de cooccurrence entre certaines formes et à des structures spatiales d’ordre supérieur, même sans recevoir l’instruction explicite de rechercher ces régularités.
Des travaux apparentés ont depuis étudié l’apprentissage statistique dans la perception visuelle, l’audition, le langage et différentes formes d’apprentissage séquentiel.
Cela suggère une propriété très générale de la cognition : la répétition structurée transforme progressivement ce que nous attendons du monde.
Lorsque certaines configurations apparaissent régulièrement ensemble, elles commencent à former des unités. Lorsque certains événements suivent régulièrement d’autres événements, leur succession devient plus prévisible. Lorsqu’une structure inhabituelle survient, elle peut alors provoquer une surprise précisément parce qu’elle viole une régularité apprise.
La reconnaissance de motifs étudiée dans la fiche précédente repose en partie sur cette accumulation de structures.
Association, prédiction et causalité : trois choses différentes
C’est ici qu’une distinction absolument essentielle apparaît.
Apprendre que A est associé à B ne signifie pas avoir découvert que A cause B.
Supposons qu’un service hospitalier observe qu’un certain signe est souvent présent chez des patients dont l’état se dégrade. Ce signe peut devenir prédictif. Pourtant plusieurs explications restent possibles : il pourrait participer au mécanisme causal, être une conséquence précoce du même processus pathologique, être associé à une troisième variable ou n’être qu’un marqueur indirect.
De la même manière, voir régulièrement des parapluies lorsque les rues sont mouillées permet de prédire quelque chose sur la météo, mais les parapluies ne provoquent évidemment pas la pluie.
Cette séparation peut sembler triviale lorsque l’exemple est évident. Elle devient beaucoup plus difficile dans les domaines où les mécanismes sont complexes.
| Ce qui est appris ou observé | Ce que l’on peut raisonnablement conclure |
|---|---|
| A et B apparaissent souvent ensemble | Il existe une association à examiner |
| B est plus probable après A que sans A | A contient une information prédictive sur B |
| A précède régulièrement B | La causalité devient envisageable, mais n’est pas démontrée |
| Modifier A modifie B dans des conditions contrôlées | L’hypothèse causale est beaucoup mieux étayée |
| Un mécanisme plausible relie A à B | La compréhension causale se renforce |
Notre cognition associative est particulièrement efficace pour détecter des régularités. Elle ne dispose pas pour autant d’un détecteur automatique de causalité.
Le monde nous apprend des associations beaucoup plus facilement qu’il ne nous révèle leurs causes.
Les régularités apprises deviennent des attentes
Une fois qu’une relation a été suffisamment rencontrée, elle peut modifier la manière dont nous interprétons une nouvelle situation.
L’effet peut être très discret.
Une suite familière semble normale. Un élément inattendu attire davantage l’attention. Un événement devient plus facile à anticiper. Une possibilité particulière vient immédiatement à l’esprit.
Ces phénomènes contribuent à ce que nous appelons intuitivement « sentir ce qui va arriver ».
Un professionnel expérimenté ne déroule pas nécessairement consciemment toutes les probabilités lorsqu’il anticipe la suite d’une situation familière. Son expérience a progressivement construit des attentes conditionnelles : dans ce genre de situation, certaines évolutions sont beaucoup plus plausibles que d’autres.
C’est l’un des grands avantages de l’expérience.
Mais cela crée également une difficulté épistémique : nous n’avons pas toujours accès à la statistique réelle qui a façonné l’attente.
Une impression peut donc être parfaitement authentique tout en reposant sur un échantillon d’expérience trompeur.
Le cerveau apprend les données qu’on lui donne
Imaginons qu’un professionnel voie principalement les situations qui se terminent mal.
Il peut progressivement apprendre une association très forte entre certains signes et certaines issues, même si cette relation est beaucoup plus faible dans la population générale. Il ne commet pas nécessairement une erreur dans l’enregistrement de son expérience : son expérience elle-même est sélectionnée.
Ce problème apparaît dans de nombreux métiers.
Les policiers rencontrent de manière disproportionnée certaines situations problématiques. Les médecins voient davantage de personnes malades que de personnes en bonne santé. Les magistrats rencontrent une fraction très particulière des conflits sociaux. Les journalistes spécialisés dans la criminalité voient quotidiennement des événements extrêmement rares à l’échelle de la population. Les modérateurs de plateformes sont exposés à une concentration exceptionnelle de contenus toxiques.
Ces expériences peuvent produire des intuitions très fortes sur « la fréquence habituelle » d’un phénomène.
Mais la fréquence dans notre expérience personnelle n’est pas nécessairement la fréquence dans le monde.
C’est une raison profonde pour laquelle les statistiques externes peuvent parfois corriger une intuition pourtant sincèrement fondée sur l’expérience.
Les médias constituent aussi un environnement d’apprentissage
Nous n’apprenons pas seulement par l’expérience directe.
Une part considérable de nos représentations du monde provient d’informations indirectes : journaux, télévision, réseaux sociaux, films, récits, témoignages et conversations.
Ces environnements possèdent eux aussi leurs distributions particulières.
Les événements extraordinaires ont davantage de chances de devenir des nouvelles précisément parce qu’ils sont extraordinaires. Un accident spectaculaire, un crime particulièrement violent ou une déclaration politique choquante sera davantage diffusé qu’une journée durant laquelle rien d’exceptionnel ne s’est produit.
Notre cerveau peut néanmoins apprendre à partir de cette distribution médiatique comme s’il s’agissait d’un échantillon ordinaire du monde.
Il finit alors par rencontrer certains événements beaucoup plus souvent dans les médias qu’ils ne surviennent dans la vie réelle.
Cette asymétrie aide à comprendre pourquoi la perception intuitive de certains risques peut s’éloigner fortement des fréquences objectives. Ce n’est pas nécessairement parce que nous « refusons les statistiques ». C’est aussi parce que notre système d’apprentissage dispose de milliers d’exemples saillants dans une direction et de presque aucun exemple visible dans l’autre.
Une absence d’événement fait rarement la une.
Apprendre le monde ou apprendre un environnement particulier ?
Une intuition peut être remarquablement calibrée dans l’environnement où elle s’est formée et devenir trompeuse ailleurs.
Prenons un professionnel ayant appris pendant vingt ans que certains indices annoncent généralement une certaine situation. Si les procédures, la population, les technologies ou les pratiques changent, les anciennes associations peuvent perdre progressivement leur valeur prédictive.
Ce phénomène est crucial dans les environnements évolutifs.
Les régularités apprises ne sont jamais garanties pour l’éternité.
Un conducteur arrivant dans un pays où les conventions routières diffèrent doit inhiber certains automatismes. Un professionnel confronté à une nouvelle population peut découvrir que des indices autrefois très informatifs le sont moins. Un investisseur peut apprendre pendant une décennie une régularité qui disparaît lorsqu’elle devient connue ou lorsque le contexte économique change.
L’expertise exige donc parfois une compétence paradoxale : savoir désapprendre.
Plus précisément, il faut être capable de remarquer que les prédictions fondées sur l’ancien modèle commencent à échouer.
C’est l’une des fonctions essentielles du feedback.
Les erreurs de prédiction nous permettent d’apprendre
Lorsqu’une attente est déçue, une information nouvelle devient disponible.
Je pensais que B suivrait A ; B ne s’est pas produit.
Cette erreur peut conduire à modifier progressivement l’association.
Les différentes théories de l’apprentissage ne décrivent pas toutes ce mécanisme de la même manière, mais l’idée d’un ajustement à partir de la différence entre ce qui était attendu et ce qui survient réellement occupe une place importante dans plusieurs familles de modèles.
Cela explique pourquoi un environnement où les prédictions peuvent être confrontées rapidement aux résultats est particulièrement favorable à la formation de bonnes intuitions.
À l’inverse, si nous ne découvrons jamais ce qui serait arrivé autrement, l’apprentissage peut être très mauvais.
Prenons une décision dont nous pensons qu’elle a empêché une catastrophe. Si la catastrophe ne survient pas, nous pouvons y voir la confirmation que la décision était nécessaire. Mais nous ignorons ce qui se serait passé sans notre intervention.
C’est le problème du contrefactuel.
L’expérience personnelle ne donne accès qu’à ce qui s’est effectivement produit. Or évaluer une relation causale demande souvent de savoir ce qui se serait produit dans une situation comparable où l’intervention n’aurait pas eu lieu.
C’est précisément l’une des raisons pour lesquelles l’expérimentation contrôlée a une valeur épistémique que l’expérience brute ne peut pas toujours remplacer.
Pourquoi l’expérience peut renforcer une croyance fausse
Certaines croyances possèdent une propriété particulièrement dangereuse : presque tout résultat peut être interprété comme une confirmation.
Imaginons une personne persuadée qu’une certaine méthode permet systématiquement d’améliorer une situation. Lorsque l’état s’améliore, la méthode reçoit le mérite. Lorsqu’il ne s’améliore pas, on peut conclure que le cas était exceptionnellement grave ou que l’intervention n’a pas commencé assez tôt. Lorsque rien n’est fait et que la situation se détériore, l’absence de méthode reçoit la responsabilité.
Un tel environnement produit un feedback extrêmement pauvre.
Le cerveau continue pourtant d’enregistrer des associations.
C’est ainsi que l’expérience seule ne garantit pas l’autocorrection. Pour apprendre correctement, il faut que l’environnement permette réellement de distinguer les hypothèses concurrentes.
Les statistiques, groupes de comparaison, essais contrôlés, enregistrements systématiques et audits ne sont donc pas des raffinements intellectuels superflus. Ils construisent artificiellement un environnement d’apprentissage plus informatif que celui fourni spontanément par la mémoire individuelle.
Cas pratique — « Dans mon expérience, c’est toujours comme ça »
Cette phrase mérite une réponse plus subtile qu’un simple appel aux statistiques.
L’expérience professionnelle constitue parfois une source d’information irremplaçable. Elle peut révéler des régularités que les études générales mesurent mal ou permettent de détecter rapidement des anomalies locales.
Mais lorsqu’une intuition repose principalement sur l’expérience, quelques questions deviennent utiles : quels cas ai-je effectivement vus ? Quels cas n’arrivent jamais jusqu’à moi ? Est-ce que je connais les résultats de mes prédictions ? Ai-je enregistré mes erreurs avec autant d’attention que mes réussites ? Existe-t-il des données permettant de comparer mon impression aux fréquences réelles ?
Ces questions ne visent pas à discréditer l’expérience.
Elles servent à déterminer ce que cette expérience était réellement capable d’enseigner.
Un expert dont les intuitions sont régulièrement confrontées à des résultats vérifiables possède une base d’apprentissage très différente d’une personne dont les impressions ne rencontrent jamais de véritable test.
Construire de meilleures attentes
Puisque nos intuitions apprennent les régularités de leur environnement, améliorer notre jugement implique en partie d’améliorer cet environnement.
Cela peut passer par des mécanismes simples : enregistrer ses prédictions avant de connaître le résultat, conserver une trace des erreurs, comparer les cas qui ont réussi avec ceux qui ont échoué, rechercher les taux de base et demander régulièrement un retour extérieur.
Dans les domaines complexes, des outils collectifs deviennent indispensables. Les bases de données permettent d’agréger des milliers de cas. Les statistiques mettent en évidence des relations invisibles à l’expérience individuelle. Les études contrôlées construisent des comparaisons que la vie quotidienne fournit rarement. Les procédures de retour d’expérience empêchent certaines erreurs de disparaître avec le souvenir de l’événement.
Nous retrouvons ici une idée importante de notre « Système 3 » pédagogique : la régulation de nos intuitions peut être externalisée.
Une base de données peut se souvenir mieux que nous. Une statistique peut corriger un échantillon personnel trompeur. Une procédure peut nous obliger à comparer ce que notre intuition aurait spontanément négligé.
L’autonomie intellectuelle ne signifie donc pas apprendre à se passer de tous ces outils. Elle consiste aussi à savoir quand notre expérience personnelle ne suffit plus.
De l’association à l’autonomie critique
L’apprentissage associatif et statistique révèle pourquoi certaines impressions nous semblent si naturelles.
Nous avons passé notre vie à absorber des régularités. Certaines correspondent remarquablement bien à la structure du monde. D’autres reflètent surtout la structure particulière de notre famille, de notre profession, de nos médias, de notre époque ou de notre environnement social.
Ces apprentissages deviennent ensuite des attentes qui orientent notre perception avant même que nous ayons commencé à raisonner consciemment.
L’esprit critique arrive donc parfois tard : la situation nous paraît déjà familière, plausible ou suspecte avant que nous ayons formulé le moindre argument.
Il serait impossible et probablement nuisible de supprimer ce mécanisme. Sans lui, nous perdrions une part considérable de notre capacité à apprendre et à anticiper.
Le véritable objectif est d’ajouter une compétence supplémentaire : reconnaître que nos attentes sont des hypothèses apprises, et non une copie transparente de la réalité.
Lorsqu’un environnement est régulier, que l’échantillon d’expérience est pertinent et que les erreurs sont correctement signalées, ces attentes peuvent devenir extraordinairement performantes.
Lorsque les données sont sélectionnées, les relations instables ou le feedback trompeur, exactement le même mécanisme peut produire des certitudes profondément mal calibrées.
La bonne question devient alors : « Quelle expérience a appris à mon intuition à attendre cela, et cette expérience représentait-elle réellement le phénomène que j’essaie de juger ? »
Pour aller plus loin
Jenny R. Saffran, Richard N. Aslin & Elissa L. Newport (1996), « Statistical Learning by 8-Month-Old Infants », *Science*, 274(5294), 1926–1928. Une expérience fondatrice montrant que des nourrissons peuvent exploiter les relations statistiques entre syllabes pour segmenter un flux de parole après une exposition très brève. DOI : 10.1126/science.274.5294.1926.
Robert A. Rescorla (1968), « Probability of Shock in the Presence and Absence of CS in Fear Conditioning », *Journal of Comparative and Physiological Psychology*, 66(1), 1–5. Un texte classique ayant contribué à déplacer l'étude du conditionnement de la simple contiguïté vers la notion de contingence entre événements. DOI : 10.1037/h0025984.
József Fiser & Richard N. Aslin (2001), « Unsupervised Statistical Learning of Higher-Order Spatial Structures from Visual Scenes », *Psychological Science*, 12(6), 499–504. Une démonstration de l’apprentissage de régularités statistiques complexes dans le domaine visuel. DOI : 10.1111/1467-9280.00392.
Pierre Perruchet & Sébastien Pacton (2006), « Implicit Learning and Statistical Learning: One Phenomenon, Two Approaches », *Trends in Cognitive Sciences*, 10(5), 233–238. Une synthèse particulièrement utile pour comprendre les liens et les différences théoriques entre les traditions de l’apprentissage implicite et de l’apprentissage statistique. DOI : 10.1016/j.tics.2006.03.006.
Arthur S. Reber (1993), *Implicit Learning and Tacit Knowledge: An Essay on the Cognitive Unconscious*, Oxford University Press. Un ouvrage classique pour replacer l’apprentissage de régularités dans l’histoire plus large des recherches sur les connaissances implicites.