Autonomie bayésienne — croire proportionnellement aux preuves disponibles
Le parcours commencé avec Bayes pourrait donner l’impression qu’il s’agissait surtout d’apprendre quelques règles de probabilités : ne pas confondre P(A|B) et P(B|A), tenir compte des taux de base, distinguer prior et posterior, comparer les vraisemblances, éviter de compter plusieurs fois la même preuve. Toutes ces notions sont importantes. Mais elles convergent vers une idée plus générale : nos croyances devraient être proportionnées à la quantité et à la qualité des preuves disponibles, et rester capables d’évoluer lorsque ces preuves changent.
C’est ce que l’on peut appeler ici une autonomie bayésienne.
L’expression ne signifie pas qu’il faudrait adopter le bayésianisme comme philosophie exclusive, transformer chaque opinion en pourcentage ou calculer mentalement des posteriors toute la journée. Elle désigne plutôt une discipline intellectuelle : apprendre à distinguer ce que nous savons de ce que nous supposons, exprimer l’incertitude lorsqu’elle existe, réviser sans sur-réagir, résister aux preuves faibles sans devenir dogmatique et reconnaître qu’un jugement rationnel peut rester provisoire.
La philosophie bayésienne part précisément de l’idée que la croyance n’est pas nécessairement binaire. Nous pouvons être plus ou moins confiants dans une proposition, et des normes peuvent gouverner la manière dont ces degrés de croyance doivent évoluer avec l’information disponible.
Croire n’est pas nécessairement choisir entre vrai et faux
Dans le langage ordinaire, nous disons facilement :
« j’y crois » ou « je n’y crois pas ».
Cette distinction est parfois nécessaire. Il faut décider si l’on agit, si l’on publie une information, si l’on recommande une politique ou si l’on considère un fait comme suffisamment établi pour poursuivre le raisonnement.
Mais avant cette décision existe souvent une situation plus riche.
Nous pouvons considérer une hypothèse comme très probable mais encore révisable, une autre comme plausible sans être privilégiée, une troisième comme peu probable mais suffisamment possible pour mériter une vérification.
Cette graduation évite deux excès. Le premier consiste à transformer toute incertitude en ignorance totale : « puisqu’on n’est pas certain, on ne sait rien ». Le second consiste à transformer une forte probabilité en certitude : « puisque toutes les preuves vont dans ce sens, il est impossible que ce soit faux ».
Entre les deux existe l’essentiel du raisonnement scientifique et quotidien.
L’autonomie intellectuelle commence donc par une capacité assez modeste : supporter l’existence d’un entre-deux entre savoir parfaitement et ne rien savoir.
Proportionner sa confiance à la preuve
Le principe général peut être formulé simplement :
plus un ensemble de preuves est solide, indépendant, discriminant et convergent, plus notre confiance peut être élevée.
À l’inverse, lorsque les données sont rares, dépendantes, ambiguës ou faciles à expliquer de plusieurs manières, notre confiance devrait rester plus limitée.
Ce principe ne demande pas d’attribuer artificiellement 73,4 % à toutes nos opinions.
Il demande surtout d’éviter les disproportions.
Une anecdote ne devrait pas recevoir le même poids qu’une série d’études robustes.
Une rumeur répétée par trente comptes dépendant de la même source ne vaut pas trente observations indépendantes.
Une théorie compatible avec un résultat ne mérite pas le même soutien qu’une théorie qui avait précisément prédit ce résultat alors que ses concurrentes ne l’attendaient pas.
Un test positif n’a pas la même signification lorsque le phénomène recherché touche une personne sur deux ou une personne sur dix mille.
La qualité de la croyance dépend moins de la quantité d’informations accumulées que de la manière dont ces informations modifient réellement les hypothèses en concurrence.
Être bien calibré plutôt qu’avoir toujours raison
Une conséquence importante du raisonnement probabiliste est que la rationalité ne peut pas être évaluée uniquement en demandant si une prédiction particulière s’est réalisée.
Supposons que deux personnes annoncent la pluie pour demain. La première dit :
« 60 % de chances de pluie ».
La seconde :
« je suis certain qu’il pleuvra ».
Il pleut.
Les deux ont obtenu le bon résultat si nous transformons leur prévision en simple verdict. Pourtant, leurs prévisions ne contenaient pas la même information.
Pour évaluer sérieusement des prévisions probabilistes, il faut pouvoir observer leur comportement sur une série de cas. Une personne bien calibrée qui annonce « 70 % » devrait voir l’événement se réaliser approximativement 70 % du temps parmi les situations comparables auxquelles elle attribue cette probabilité.
La notion de calibration permet ainsi de vérifier si nos niveaux de confiance correspondent raisonnablement aux fréquences observées.
Glenn Brier a proposé dès 1950 une méthode devenue classique pour évaluer quantitativement les prévisions exprimées sous forme de probabilités. Son travail est à l’origine du score de Brier, qui pénalise à la fois les prévisions erronées et la confiance excessive avec laquelle elles ont été formulées.
Cette approche possède une leçon philosophique simple : il ne suffit pas d’avoir raison ; il faut apprendre à savoir à quel point nous avons de bonnes raisons de penser que nous avons raison.
L’excès de confiance coûte plus cher qu’il n’y paraît
Supposons que nous attribuions 55 % de probabilité à une hypothèse et qu’elle se révèle finalement fausse.
Notre erreur était limitée : nous reconnaissions une forte incertitude.
Si nous lui avions attribué 99,9 %, la même erreur révèle un problème beaucoup plus important dans notre calibration.
C’est pourquoi les méthodes d’évaluation des prévisions probabilistes pénalisent particulièrement les erreurs commises avec une grande confiance.
Cette intuition devrait également s’appliquer à nos croyances ordinaires.
Dire :
« je pense que cette explication est probablement la meilleure »
n’est pas équivalent à :
« il est évident que quiconque pense autrement refuse les faits ».
Le contenu de l’hypothèse peut être identique, mais le deuxième énoncé contient une affirmation supplémentaire sur la force des preuves.
Nous pouvons donc avoir raison sur une conclusion tout en étant trop certains d’avoir raison.
Inversement, une personne qui conserve indéfiniment 50 % de doute face à un dossier extrêmement robuste n’est pas nécessairement plus humble. Elle peut être sous-confiante.
La bonne calibration exige de corriger les deux directions.
L’humilité intellectuelle n’est pas l’indécision permanente
L’expression « garder l’esprit ouvert » peut facilement devenir un slogan vide.
Faut-il rester ouvert à l’idée que la Terre soit plate ? À l’idée que fumer n’augmente peut-être pas le risque de cancer ? À toutes les hypothèses possibles simplement parce qu’aucune connaissance empirique n’atteint la certitude logique ?
Non.
L’humilité intellectuelle ne consiste pas à distribuer artificiellement la même crédibilité à toutes les propositions.
Elle consiste à maintenir une relation proportionnée entre confiance et preuve.
Lorsque plusieurs lignes de recherche robustes, indépendantes et convergentes soutiennent une conclusion, une confiance élevée est parfaitement compatible avec l’humilité.
Nous pouvons dire :
« compte tenu de l’ensemble des données disponibles, cette conclusion est extrêmement bien établie »
tout en ajoutant implicitement :
« comme toute conclusion empirique, elle reste révisable si de nouvelles preuves suffisamment fortes apparaissent ».
L’alternative au dogmatisme n’est donc pas le relativisme.
C’est la révisabilité proportionnée.
Une croyance devrait savoir ce qui pourrait la faire changer
Une bonne manière de tester notre propre rapport à une conviction consiste à demander :
« quelles observations pourraient réellement me conduire à la réviser ? »
Une croyance bien établie peut exiger beaucoup : plusieurs résultats indépendants, une explication alternative capable de rendre compte de ce que la théorie actuelle explique déjà, une réplication robuste d’une anomalie.
Ce seuil élevé peut être rationnel.
Mais si aucune donnée imaginable ne peut jamais compter contre notre croyance, nous ne sommes plus dans la même situation.
La théorie est devenue immunisée.
À l’inverse, si la moindre information contradictoire nous fait immédiatement changer de camp, notre croyance n’était peut-être pas proportionnée au corpus antérieur.
L’autonomie bayésienne demande donc de savoir à la fois ce qui pourrait nous faire bouger et de combien.
Ne pas confondre ouverture et symétrie artificielle
Cette discipline est particulièrement importante dans les controverses.
Lorsque deux positions s’affrontent, l’esprit critique est parfois réduit à une règle grossière :
« écouter les deux côtés ».
Mais deux côtés ne possèdent pas nécessairement le même poids probatoire.
Si une hypothèse est soutenue par plusieurs décennies de résultats convergents et qu’une autre repose principalement sur quelques témoignages ou sur une littérature très fragile, les placer artificiellement à 50/50 ne constitue pas une neutralité.
Ce serait ignorer les priors et l’accumulation des preuves.
Inversement, la forte crédibilité initiale de l’hypothèse dominante ne doit pas rendre les preuves contraires invisibles.
La bonne attitude est asymétrique lorsque les preuves sont asymétriques, mais révisable lorsque cette asymétrie change.
Autonomie ne signifie donc ni croire automatiquement le consensus, ni valoriser automatiquement la dissidence. Elle consiste à examiner pourquoi un consensus existe, quelles preuves le soutiennent, quelles possibilités d’erreur subsistent et ce que les nouvelles données apportent réellement.
Déléguer rationnellement fait partie de l’autonomie
Nous ne pouvons pas personnellement vérifier toutes les affirmations auxquelles nous devons accorder du crédit.
Nous n’avons ni le temps ni les compétences pour reproduire chaque expérience médicale, auditer chaque statistique économique, contrôler chaque image satellite ou retracer chaque événement historique.
Une autonomie intellectuelle réaliste doit donc inclure la délégation épistémique.
Nous devons parfois croire parce que des institutions, des chercheurs, des journalistes ou des spécialistes ont effectué un travail que nous ne pouvons pas reproduire nous-mêmes.
La question devient alors :
à quelles sources déléguer, et avec quel degré de confiance ?
La réputation, la compétence, la transparence des méthodes, l’existence de contrôles indépendants, la convergence entre équipes et la possibilité de corriger les erreurs deviennent autant de preuves indirectes.
Une personne autonome n’est donc pas celle qui refuse toute autorité.
C’est celle qui apprend à choisir ses autorités, comprendre les limites de leur fiabilité et éviter de transformer cette délégation en obéissance intellectuelle absolue.
Le désaccord doit parfois produire une mise à jour
Découvrir qu’une personne compétente n’est pas d’accord avec nous constitue également une information.
Si un spécialiste sérieux, disposant de connaissances que nous n’avons pas, juge une hypothèse beaucoup moins probable que nous, nous devrions au minimum nous demander ce qui explique cette divergence.
Peut-être connaît-il des données que nous ignorons.
Peut-être utilise-t-il de meilleurs modèles.
Peut-être aussi possède-t-il ses propres biais, des informations incomplètes ou un cadre théorique discutable.
L’existence du désaccord ne dicte donc pas automatiquement la conclusion.
Mais l’attitude :
« je sais déjà qu’il se trompe puisqu’il n’est pas d’accord avec moi »
annule précisément l’information que le désaccord pourrait apporter.
L’autonomie n’exige pas de moyenner toutes les opinions. Elle exige de reconnaître que la compétence et l’information d’autrui font elles-mêmes partie des éléments susceptibles de modifier notre propre jugement.
Agir exige parfois davantage que connaître une probabilité
Supposons qu’un événement indésirable possède seulement 1 % de probabilité.
Est-ce suffisamment faible pour l’ignorer ?
Impossible de répondre sans connaître les conséquences.
Nous acceptons quotidiennement certains risques de 1 % lorsqu’ils sont bénins. Nous pouvons refuser un risque beaucoup plus faible lorsqu’il menace une catastrophe irréversible.
Bayes permet d’améliorer notre estimation de la probabilité. Mais la décision dépend également des valeurs, des coûts, des bénéfices et de notre attitude face au risque.
Deux personnes peuvent donc être parfaitement d’accord sur :
P(H) = 10 %
et choisir des actions différentes parce qu’elles évaluent différemment les conséquences.
Il faut distinguer :
désaccord sur les faits
et
désaccord sur ce qu’il faut faire compte tenu des faits.
Cette séparation est particulièrement importante dans les débats publics, où des divergences de valeurs sont souvent présentées à tort comme des désaccords purement scientifiques — ou inversement.
Une probabilité n’abolit pas le jugement
Le rêve d’une rationalité entièrement automatisée serait séduisant : suffisamment de données, un bon prior, un modèle, une formule, puis la bonne décision tomberait mécaniquement.
Mais nous avons vu pourquoi ce rêve ne tient pas.
Il faut choisir les hypothèses.
Il faut décider quelles données sont fiables.
Il faut déterminer si plusieurs sources sont indépendantes.
Il faut vérifier le modèle.
Il faut distinguer association et causalité.
Il faut choisir ce que nous considérons comme une conséquence importante.
Et nous devons parfois raisonner lorsque les probabilités elles-mêmes sont mal connues.
Bayes ne supprime donc pas le jugement humain.
Il fournit plutôt des contraintes et des questions permettant de rendre ce jugement moins arbitraire.
L’incertitude peut être informative
Une conclusion comme :
« nous ne savons pas encore »
est parfois considérée comme un échec.
Pourtant, elle peut représenter le résultat intellectuellement le plus solide.
Supposons que plusieurs priors raisonnables produisent des posteriors très différents, que les données disponibles soient rares et que plusieurs modèles expliquent également bien les observations.
La bonne conclusion peut être :
« les preuves ne permettent pas actuellement de départager suffisamment ces hypothèses ».
Cette incertitude nous apprend quelque chose : nous savons où se trouve notre ignorance.
Elle peut orienter la recherche vers l’expérience qui permettrait le mieux de distinguer les scénarios concurrents.
L’incertitude explicitée n’est donc pas nécessairement une faiblesse.
L’ignorance qui s’ignore est beaucoup plus dangereuse.
La calibration suppose d’accepter de mesurer ses erreurs
Nous pouvons parler toute notre vie d’ouverture d’esprit sans jamais vérifier si nous sommes réellement bien calibrés.
Une pratique plus exigeante consiste à produire parfois des prévisions probabilistes dont le résultat pourra être observé.
La géopolitique a fourni un terrain particulièrement intéressant pour ce type de recherche. Dans le tournoi étudié par Barbara Mellers, Philip Tetlock et leurs collègues, des participants devaient attribuer des probabilités à des événements futurs. Les chercheurs ont observé que formation au raisonnement probabiliste, travail en équipe et suivi des performances amélioraient la calibration et la capacité à distinguer les événements plus ou moins probables.
L’idée possède une application beaucoup plus générale : pour apprendre à mieux estimer son propre degré de confiance, il faut parfois accepter que la réalité nous donne une note.
Noter certaines prévisions, revenir ensuite sur ses erreurs et observer si nos « 80 % » se réalisent réellement beaucoup plus souvent que nos « 60 % » constitue un excellent entraînement intellectuel.
Une erreur peut améliorer le modèle mental
Lorsqu’une prévision échoue, notre premier réflexe est souvent de chercher pourquoi cette erreur particulière n’était pas vraiment notre faute :
événement exceptionnel, mauvaise information, circonstances imprévisibles.
Ces explications peuvent être vraies.
Mais si nous les utilisons systématiquement, nous perdons la principale valeur d’une prévision enregistrée : la possibilité de corriger notre manière de raisonner.
L’échec devrait déclencher plusieurs questions. Notre prior était-il trop extrême ? Avons-nous donné trop de poids à une source ? Avons-nous considéré plusieurs informations dépendantes comme indépendantes ? Avons-nous oublié une hypothèse concurrente ? Le modèle était-il trop simple ? Avons-nous été victimes d’un raisonnement motivé ?
Une erreur devient alors plus qu’une mauvaise réponse.
Elle devient une donnée sur notre propre méthode de jugement.
Une confiance élevée doit être gagnée progressivement
L’un des meilleurs garde-fous contre le dogmatisme consiste à traiter la certitude comme une ressource coûteuse.
Attribuer une confiance très élevée à une proposition devrait généralement exiger soit une preuve extrêmement discriminante, soit une accumulation robuste de preuves relativement indépendantes.
Cela ne signifie pas qu’il faille rester éternellement prudent sur tout.
Au contraire, certaines connaissances méritent une confiance immense.
Mais cette confiance devrait être le résultat du processus, non son point de départ.
Une croyance devient solide parce qu’elle a survécu à des tests, convergé avec d’autres données, expliqué des observations difficiles et résisté à des alternatives sérieuses.
Cette solidité est très différente de la certitude psychologique que nous pouvons ressentir immédiatement.
Le sentiment de certitude est un état mental. La justification d’une forte confiance est une propriété du dossier de preuves.
L’autonomie bayésienne protège également contre le scepticisme
Après avoir étudié les biais, les faux positifs, les témoignages faillibles, les modèles imparfaits et le raisonnement motivé, une conclusion pessimiste serait possible :
« puisqu’on peut toujours se tromper, on ne peut rien savoir ».
Ce serait exactement l’erreur que le raisonnement probabiliste permet d’éviter.
La faillibilité n’implique pas l’équivalence de toutes les croyances.
Un témoignage isolé et contaminé n’a pas le même poids que vingt sources indépendantes.
Une étude fragile ne vaut pas un corpus répliqué.
Une hypothèse incapable de prédictions discriminantes ne vaut pas nécessairement un modèle dont les prédictions risquées réussissent régulièrement.
Les preuves peuvent être imparfaites et néanmoins fortement inégales.
Nous n’avons pas besoin de certitude pour distinguer une conclusion très bien établie d’une simple possibilité.
Le probabilisme offre précisément une troisième voie entre dogmatisme et scepticisme : des degrés de confiance justifiés par des degrés de preuve.
Ne pas faire de Bayes une nouvelle doctrine identitaire
Il existe enfin un dernier piège : sortir de cette rubrique convaincu que toute personne rationnelle devrait désormais se définir comme « bayésienne ».
Ce serait paradoxal.
Nous avons vu que le fréquentisme possède des outils importants pour contrôler les erreurs répétées, que l’inférence causale exige des structures qui ne se réduisent pas au théorème de Bayes, qu’un mauvais modèle peut produire un posterior très précis et que les priors soulèvent de véritables problèmes méthodologiques.
Bayes est un cadre extrêmement puissant.
Il n’est pas un certificat automatique de rationalité.
Une personne peut effectuer un calcul bayésien sophistiqué sur un modèle absurde. Une autre peut raisonner très correctement sur les preuves sans jamais écrire le théorème.
L’objectif est donc de devenir plus sensible à la structure probabiliste des preuves, pas de remplacer une identité intellectuelle par une autre.
Une discipline de pensée en quelques réflexes
Au terme de ce parcours, le raisonnement bayésien peut être ramené à quelques réflexes suffisamment simples pour accompagner presque n’importe quelle enquête.
D’où est-ce que je pars ? Quelle connaissance antérieure rend certaines hypothèses plus plausibles que d’autres ?
Qu’est-ce que cette preuve distingue réellement ? Est-elle beaucoup plus attendue sous une hypothèse que sous ses concurrentes ?
Quelles alternatives ai-je oubliées ? Une autre explication rend-elle l’observation presque aussi naturelle ?
Cette information est-elle réellement nouvelle ? Plusieurs sources sont-elles indépendantes ou répètent-elles la même origine ?
De combien dois-je bouger ? La preuve justifie-t-elle une petite correction ou une révision majeure ?
Mon modèle est-il adéquat ? Une réponse mathématiquement correcte peut-elle être donnée à une mauvaise question ?
Puis-je avoir tort ? Quelle observation devrait faire diminuer ma confiance ?
Suis-je correctement calibré ? Mes degrés de confiance correspondent-ils réellement à mes performances lorsqu’ils peuvent être vérifiés ?
Ces questions ne forment pas une recette automatique de vérité.
Elles forment une hygiène de l’incertitude.
Croire proportionnellement aux preuves
L’autonomie intellectuelle ne signifie finalement pas « penser seul ». Nous dépendons des connaissances produites par d’autres, de méthodes que nous n’avons pas inventées, d’institutions que nous devons apprendre à évaluer et de modèles toujours imparfaits.
Elle signifie davantage ne pas abandonner la responsabilité de calibrer notre confiance.
Ne pas croire parce qu’une information est répétée.
Ne pas rejeter parce qu’elle contrarie notre identité.
Ne pas transformer un résultat compatible en preuve décisive.
Ne pas demander une certitude impossible avant d’accepter une conclusion très bien établie.
Ne pas donner à une hypothèse extraordinaire 50 % simplement parce que nous sommes incapables de démontrer son impossibilité.
Ne pas confondre une très forte probabilité avec l’infaillibilité.
Et surtout : laisser nos croyances évoluer lorsque le monde nous donne de bonnes raisons de les réviser.
Le théorème de Bayes est une formule. Le raisonnement bayésien est une méthode de mise à jour. Mais l’autonomie bayésienne est quelque chose de plus général : une manière de considérer nos croyances comme des positions provisoires, plus ou moins solidement ancrées, dont la force doit rester proportionnée à celle des preuves disponibles.
Il ne s’agit pas de croire moins.
Il s’agit de croire mieux.
Pour aller plus loin
- Lin, H. (2022). « Bayesian Epistemology », *Stanford Encyclopedia of Philosophy*. Présentation générale du bayésianisme épistémologique, des degrés de croyance et des normes gouvernant leur révision en fonction des preuves.
- Brier, G. W. (1950). « Verification of Forecasts Expressed in Terms of Probability ». *Monthly Weather Review*, 78(1), 1–3. DOI : 10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2. Article fondateur sur l’évaluation de prévisions probabilistes et origine du score de Brier.
- Mellers, B., Ungar, L., Baron, J., et al. (2014). « Psychological Strategies for Winning a Geopolitical Forecasting Tournament ». *Psychological Science*, 25(5), 1106–1115. DOI : 10.1177/0956797614524255. Étude sur la prévision probabiliste montrant notamment des améliorations de calibration et de résolution associées à la formation, au travail collectif et au suivi des performances.