Bayes et méthode scientifique — comparer des hypothèses plutôt que chercher seulement une confirmation

Une théorie scientifique prédit un phénomène et l’expérience l’observe. Nous pourrions être tentés de conclure : la théorie est confirmée. Pourtant, cette formulation laisse de côté une question essentielle : le résultat observé était-il également attendu si la théorie était fausse, ou sous une théorie concurrente ?

C’est précisément là que le raisonnement bayésien apporte quelque chose à la méthode scientifique. Il oblige à passer d’une logique relativement faible — « ma théorie est compatible avec les données » — à une logique comparative : « ces données étaient-elles davantage attendues sous cette hypothèse que sous ses concurrentes ? »

Cette perspective ne transforme pas la science en immense calcul bayésien. La recherche scientifique implique également construction des théories, mesure, expérimentation, contrôle des biais, inférence causale, réplication, critique collective et révision des modèles. Mais Bayes fournit un cadre particulièrement puissant pour comprendre comment une observation peut modifier rationnellement la crédibilité relative de plusieurs hypothèses. Les approches bayésiennes occupent pour cette raison une place importante dans la théorie contemporaine de la confirmation scientifique.

Une prédiction réussie ne prouve pas la théorie

La logique scientifique est souvent présentée sous une forme hypothético-déductive. Nous formulons une hypothèse H, nous en déduisons une conséquence observable E, puis nous réalisons l’expérience.

Si H implique E et que nous observons non-E, quelque chose pose problème à H ou aux hypothèses auxiliaires nécessaires pour produire la prédiction.

Mais si nous observons E, nous ne pouvons pas déduire logiquement que H est vraie :

si H, alors E ; E ; donc H

constituerait une affirmation du conséquent.

Plusieurs hypothèses différentes peuvent produire la même prédiction. La méthode hypothético-déductive classique reconnaît ainsi qu’une prédiction réussie peut apporter du soutien à une hypothèse sans la démontrer. La philosophie des sciences a largement étudié cette différence entre conséquences confirmées et démonstration d’une théorie.

Bayes permet d’aller un peu plus loin en demandant combien cette observation devrait modifier notre jugement.

Ce qui importe est ce que prévoyaient les alternatives

Supposons que deux hypothèses H1 et H2 soient en concurrence.

H1 prédit un résultat E avec une probabilité de :

P(E|H1) = 90 %.

H2 prédit exactement le même résultat avec :

P(E|H2) = 90 %.

Nous réalisons l’expérience et observons E.

Le résultat est parfaitement compatible avec H1. Pourtant :

LR = 0,90 / 0,90 = 1.

E ne permet absolument pas de départager H1 et H2.

Supposons maintenant :

P(E|H1) = 90 %

et

P(E|H2) = 10 %.

La même observation donne alors :

LR = 0,90 / 0,10 = 9.

E constitue désormais une preuve substantielle en faveur de H1 relativement à H2.

L’observation n’a pas changé. Ce qui a changé est ce que prévoyait l’hypothèse concurrente.

Cette structure est centrale dans les conceptions bayésiennes de la confirmation : le rapport de vraisemblance mesure précisément à quel point une donnée distingue deux hypothèses concurrentes.

La bonne question n’est pas « ma théorie avait-elle prévu cela ? »

Cette formulation permet d’identifier une faiblesse fréquente dans les arguments scientifiques comme dans les raisonnements ordinaires.

Une théorie produit une prédiction correcte. Ses défenseurs soulignent immédiatement :

« exactement comme le prévoyait notre théorie ».

Mais cette phrase ne suffit pas.

Il faut demander :

« que prévoyaient les autres théories ? »

Si toutes produisaient sensiblement la même prédiction, la réussite apporte peu d’information pour les départager.

Une théorie affirmant que le soleil se lèvera demain possède une prédiction extrêmement probable, mais une théorie concurrente raisonnable prédit exactement la même chose. L’observation du lever du soleil ne permet donc presque rien pour les distinguer.

La confirmation scientifique n’est pas seulement une relation entre une théorie et une observation. Elle dépend du paysage des hypothèses concurrentes.

Une prédiction surprenante peut être très informative

La situation devient particulièrement intéressante lorsqu’une théorie prédit un résultat qui aurait été difficile à attendre autrement.

Supposons :

P(E|H) = 0,8

mais

P(E|non-H) = 0,01.

Le rapport de vraisemblance est :

80.

Observer E constitue alors une preuve très forte en faveur de H relativement à son alternative.

Ce principe explique pourquoi une prédiction réussie peut être particulièrement impressionnante lorsqu’elle était risquée, au sens où de nombreuses alternatives n’auraient pas naturellement produit le même résultat.

Les théories bayésiennes de la confirmation rendent précisément compte de cette intuition : une observation surprenante en général mais attendue si H est vraie peut augmenter fortement la crédibilité de H.

Une prédiction n’est donc pas remarquable simplement parce qu’elle s’est réalisée. Elle l’est davantage lorsque sa réalisation différencie réellement les hypothèses.

Prédire après coup est beaucoup plus facile

Cette logique aide également à comprendre l’intérêt des prédictions formulées avant de connaître les résultats.

Une fois les données observées, il est souvent possible de construire une explication compatible avec elles. Les modèles suffisamment flexibles peuvent être ajustés après coup, des hypothèses auxiliaires peuvent être ajoutées et certaines observations peuvent être mises en avant tandis que d’autres sont négligées.

Cela ne rend pas toute explication rétrospective sans valeur. De nombreuses découvertes scientifiques commencent précisément par un phénomène inattendu qu’il faut expliquer.

Mais une explication construite après l’observation doit ensuite produire de nouvelles conséquences susceptibles de la distinguer de ses concurrentes.

C’est l’une des raisons pour lesquelles la science alterne souvent entre deux moments : produire ou réviser des hypothèses à partir des observations, puis chercher de nouvelles données capables de les tester.

Bayes décrit particulièrement bien la mise à jour des croyances une fois les hypothèses et les probabilités pertinentes spécifiées. Il ne fournit pas à lui seul une procédure mécanique permettant d’inventer la bonne théorie.

Confirmer signifie augmenter la crédibilité, pas atteindre la vérité

Dans une conception bayésienne dite de confirmation par pertinence, une observation E confirme H lorsqu’elle augmente sa probabilité :

P(H|E) > P(H).

Elle la disconfirme lorsque :

P(H|E) < P(H).

Cette définition permet de distinguer deux questions souvent confondues :

E confirme-t-elle H ?

et

H est-elle maintenant très probable ?

Une hypothèse peut passer de 1 % à 10 %. Elle reste peu probable, mais elle a été fortement renforcée.

À l’inverse, une théorie extrêmement crédible peut passer de 99 % à 95 %. Elle reste très probable, mais la nouvelle observation constitue malgré tout une preuve contre elle.

La théorie contemporaine de la confirmation distingue précisément l’augmentation de crédibilité produite par une preuve de la probabilité finale de l’hypothèse.

Cette distinction correspond beaucoup mieux à la pratique scientifique que le vocabulaire binaire « prouvé / réfuté ».

Les connaissances antérieures font partie de l’évaluation

Une observation scientifique n’arrive jamais dans un vide épistémique.

Les chercheurs disposent déjà de théories établies, de mesures précédentes, de résultats expérimentaux, de connaissances sur les mécanismes possibles et de contraintes provenant d’autres domaines.

Dans une représentation bayésienne, cette information antérieure intervient dans les priors.

Cela explique pourquoi deux hypothèses produisant exactement les mêmes prédictions pour une nouvelle expérience ne deviennent pas automatiquement aussi crédibles l’une que l’autre : leur plausibilité avant cette expérience peut être différente.

Une théorie exigeant de remettre en cause une grande quantité de connaissances très solidement établies peut raisonnablement commencer avec un prior plus faible qu’une modification limitée compatible avec ces connaissances.

Mais ce prior n’est pas un veto. Des observations suffisamment discriminantes peuvent progressivement renverser les odds.

La science conserve ainsi simultanément deux propriétés utiles : une certaine inertie face aux résultats faibles et la possibilité de réviser profondément ses théories face à des preuves suffisamment fortes.

Une expérience négative peut être très instructive

Le raisonnement bayésien rend également visible la valeur des résultats négatifs.

Supposons que H prévoie fortement E :

P(E|H) = 95 %.

Nous observons pourtant non-E.

Si une hypothèse concurrente H2 rend non-E beaucoup plus probable, cette observation doit réduire la crédibilité relative de H.

Cela ne signifie pas nécessairement que H doit être abandonnée immédiatement. Une erreur de mesure, une hypothèse auxiliaire incorrecte ou une mauvaise application du modèle peuvent également expliquer le résultat.

Mais une méthode scientifique saine doit autoriser certaines observations à faire baisser la crédibilité d’une théorie.

Une théorie qui interprète toutes ses réussites comme des confirmations mais trouve systématiquement une explication ad hoc à chacun de ses échecs crée une asymétrie épistémique suspecte : elle permet aux données de la renforcer mais jamais de l’affaiblir.

Penser bayésiennement implique au contraire que les rapports de vraisemblance puissent être aussi bien supérieurs qu’inférieurs à 1.

Les hypothèses auxiliaires compliquent le test

Une expérience scientifique ne teste presque jamais une théorie isolée.

Pour passer d’une hypothèse H à une prédiction observable E, nous utilisons généralement d’autres suppositions : bon fonctionnement de l’instrument, conditions expérimentales correctement contrôlées, modèles statistiques appropriés, absence de contamination, validité de certaines théories auxiliaires.

Lorsque E ne se produit pas, nous savons donc qu’un élément du système pose problème, mais pas nécessairement lequel.

Cette difficulté est associée au problème de Duhem et, sous des formes plus générales, à la sous-détermination des théories par les données. La philosophie de la confirmation souligne depuis longtemps que plusieurs systèmes d’hypothèses peuvent rester compatibles avec les mêmes observations.

Bayes ne supprime pas cette difficulté. Il permet plutôt de la rendre explicite : au lieu d’opposer simplement H et non-H, nous pouvons envisager plusieurs explications concurrentes telles que théorie fausse, instrument défaillant, échantillon atypique ou modèle statistique inadéquat.

L’essentiel est de ne pas laisser ces possibilités dans une catégorie vague appelée « erreur possible ». Elles font partie des hypothèses concurrentes à évaluer.

L’hypothèse oubliée reste un problème

Supposons que les données favorisent H1 par rapport à H2 avec un rapport de vraisemblance de 100.

Nous pouvons correctement conclure :

E favorise fortement H1 contre H2.

Mais cela ne prouve pas que H1 constitue la meilleure explication disponible.

Peut-être qu’une troisième hypothèse H3 rend E encore mille fois plus probable que H1.

Un raisonnement bayésien ne protège donc pas automatiquement contre un mauvais espace d’hypothèses.

C’est une limite fondamentale : Bayes redistribue la crédibilité entre les possibilités que nous avons effectivement représentées. Il ne garantit pas que nous ayons imaginé la bonne.

Cette difficulté explique pourquoi la créativité théorique, la connaissance du domaine et la recherche d’explications alternatives restent essentielles à la méthode scientifique.

Un calcul impeccable sur de mauvaises hypothèses reste un mauvais raisonnement scientifique.

Les données peuvent aussi montrer que tous nos modèles sont mauvais

Il existe une difficulté encore plus profonde.

Supposons que nous comparions H1, H2 et H3. Bayes peut parfaitement calculer leurs probabilités relatives. Mais que se passe-t-il si les trois modèles décrivent mal la réalité ?

L’un d’eux recevra malgré tout la plus forte probabilité relative parmi les trois.

Cela ne signifie pas nécessairement qu’il est bon.

Cette distinction est particulièrement importante en statistique appliquée. Andrew Gelman et Cosma Shalizi ont insisté sur le fait qu’une bonne pratique bayésienne ne doit pas se réduire à mettre à jour des probabilités à l’intérieur d’un ensemble fixe de modèles. Il faut également vérifier les modèles, rechercher leurs échecs et les réviser. Ils soutiennent que ces étapes cruciales dépassent une conception purement inductiviste de la confirmation bayésienne.

Autrement dit, la question scientifique n’est pas seulement :

« lequel de mes modèles gagne ? »

Elle est aussi :

« mes modèles reproduisent-ils suffisamment les caractéristiques importantes du phénomène pour mériter d’être utilisés ? »

Le contrôle du modèle est aussi important que sa mise à jour

Cette idée conduit à une pratique essentielle de l’analyse bayésienne moderne : les vérifications prédictives du modèle.

Après avoir estimé un modèle, on peut examiner quelles données il serait susceptible de produire puis comparer ces prédictions aux observations réelles. Si le modèle génère systématiquement des comportements très différents de ceux que nous observons, ce décalage signale une inadéquation.

Le but n’est pas nécessairement de « falsifier » définitivement le modèle. Tous les modèles sont des simplifications. La question est plutôt de déterminer où et dans quelle mesure la simplification devient problématique pour l’usage envisagé.

Gelman et Shalizi décrivent ainsi l’analyse bayésienne appliquée comme un processus itératif de construction du modèle, inférence, vérification et révision, plutôt que comme une unique opération allant mécaniquement du prior au posterior.

Cette vision est importante pour éviter de transformer Bayes en machine philosophique supposée résoudre toute la méthodologie scientifique.

La réplication apporte des données nouvelles

Une expérience convaincante ne clôt généralement pas une question scientifique.

Un résultat peut provenir d’une fluctuation, d’un biais, d’une particularité du protocole ou d’une erreur non détectée. Une réplication indépendante apporte une nouvelle information précisément parce qu’elle permet d’examiner certaines de ces hypothèses concurrentes.

Si plusieurs équipes, plusieurs méthodes et plusieurs populations produisent des observations convergentes, l’hypothèse selon laquelle une erreur particulière au premier dispositif explique l’ensemble devient moins plausible.

Nous retrouvons la logique étudiée précédemment : des lignes de preuve suffisamment distinctes peuvent produire une forte accumulation de soutien.

La valeur de la réplication ne réside donc pas seulement dans la répétition du résultat. Elle réside dans les explications concurrentes qu’elle permet progressivement d’écarter.

Une expérience bien conçue cherche à séparer les hypothèses

Cette perspective donne une définition particulièrement utile d’une bonne expérience : elle crée une situation dans laquelle les hypothèses concurrentes prédisent des résultats suffisamment différents.

Supposons que H1 et H2 produisent presque toujours les mêmes prédictions. Une nouvelle mesure reproduisant cette zone d’accord apportera peu pour les départager.

Il serait plus informatif de chercher les conditions dans lesquelles :

H1 prédit E

et

H2 prédit plutôt non-E.

L’expérience devient alors discriminante.

Cette logique peut orienter la recherche scientifique avant même de collecter les données : au lieu de demander seulement « comment puis-je confirmer ma théorie ? », on demande « quel résultat serait différent si l’hypothèse concurrente était correcte ? »

C’est une modification profonde du réflexe de confirmation.

Bayes et Popper ne posent pas exactement la même question

Il serait tentant d’opposer brutalement une science poppérienne fondée sur la falsification à une science bayésienne fondée sur la confirmation. Cette opposition est trop simple.

Popper insiste sur l’asymétrie logique entre une prédiction déductive contredite et une série de prédictions réussies : aucune quantité de confirmations ne démontre logiquement qu’une théorie universelle est vraie. La conception bayésienne accepte également que les données ne fournissent généralement pas une certitude déductive ; elle cherche plutôt à représenter des degrés de soutien et leur évolution.

Les deux approches ne donnent cependant pas la même interprétation à la probabilité des théories. Popper refusait d’identifier la corroboration d’une théorie à une forte probabilité qu’elle soit vraie, tandis que le bayésianisme épistémologique utilise précisément les probabilités pour représenter des degrés de croyance rationnelle. La philosophie contemporaine de la méthode scientifique présente ces traditions comme distinctes plutôt que comme deux formulations interchangeables.

Bayes n’annule donc pas les problèmes soulevés par Popper. Il propose une autre manière de formaliser ce que les données font à notre confiance entre deux tests critiques.

Bayes n’est pas toute la méthode scientifique

Le succès du raisonnement bayésien peut conduire à une tentation : présenter la science entière comme une gigantesque application du théorème de Bayes.

Ce serait excessif.

Le théorème n’explique pas à lui seul comment inventer des hypothèses, construire un instrument fiable, distinguer corrélation et causalité, choisir les phénomènes importants, détecter une fraude, organiser une réplication, décider quelles approximations sont acceptables ou créer les institutions permettant une critique collective.

Même en statistique bayésienne, le choix et la vérification des modèles restent des activités scientifiques qui ne se réduisent pas à la conditionalisation. C’est précisément l’un des avertissements centraux de Gelman et Shalizi.

La formulation la plus raisonnable est donc plus modeste : Bayes constitue un cadre puissant pour une partie essentielle du raisonnement scientifique — la mise à jour et la comparaison probabiliste d’hypothèses sous l’effet des données.

Ce n’est ni rien, ni tout.

Une discipline contre le biais de confirmation

Pour l’autonomie intellectuelle, l’intérêt principal est peut-être encore plus simple.

Lorsque nous aimons une théorie, nous sommes naturellement tentés de chercher les faits qu’elle explique. Or une théorie suffisamment souple peut souvent expliquer énormément de choses.

Le réflexe bayésien impose une question plus exigeante :

« Ce fait était-il moins attendu si ma théorie était fausse ? »

Puis une deuxième :

« Quelle hypothèse concurrente l’explique au moins aussi bien ? »

Et enfin :

« Qu’est-ce que je devrais observer si cette alternative était vraie ? »

Ces questions transforment la recherche de confirmations en comparaison de prédictions.

Elles n’éliminent évidemment ni les biais humains ni les controverses scientifiques. Mais elles rendent beaucoup plus difficile la stratégie consistant à accumuler uniquement des observations compatibles avec sa position préférée.

Une science de la révision plutôt que de la certitude

La contribution la plus profonde de Bayes à l’image de la science tient peut-être à cette idée : une théorie scientifique n’a pas besoin d’être considérée soit comme vraie, soit comme fausse pour que nous puissions raisonner avec elle.

Nous pouvons lui attribuer un degré de crédibilité provisoire, le réviser lorsque de nouvelles données apparaissent, comparer sa capacité prédictive à celle d’autres modèles et conserver en permanence la possibilité d’une révision plus importante.

La science devient alors moins une machine produisant des certitudes qu’un système organisé de correction progressive des degrés de confiance.

Mais cette philosophie ne doit pas être confondue avec une école statistique unique. Il existe une autre grande tradition, le fréquentisme, qui interprète différemment l’inférence statistique et a développé ses propres outils pour contrôler les erreurs, tester les hypothèses et construire des intervalles.

Les deux traditions sont parfois caricaturées comme deux camps irréconciliables. Leur comparaison demande beaucoup plus de précision.

Pour aller plus loin

  • Crupi, V. (2025). « Confirmation », *Stanford Encyclopedia of Philosophy*. Synthèse des théories contemporaines de la confirmation, notamment des approches bayésiennes et de la distinction entre probabilité finale et augmentation de crédibilité.
  • Andersen, H., & Hepburn, B. (2026). « Scientific Method », *Stanford Encyclopedia of Philosophy*. Présentation des traditions hypothético-déductive, falsificationniste et probabiliste dans l’histoire de la méthodologie scientifique.
  • Hawthorne, J. « Inductive Logic », *Stanford Encyclopedia of Philosophy*. Analyse du rôle des rapports de vraisemblance dans la manière dont les observations distinguent des hypothèses scientifiques concurrentes.
  • Gelman, A., & Shalizi, C. R. (2013). « Philosophy and the practice of Bayesian statistics ». *British Journal of Mathematical and Statistical Psychology*, 66(1), 8–38. DOI : 10.1111/j.2044-8317.2011.02037.x. Défense d’une pratique bayésienne accordant une place centrale à la construction, au contrôle et à la révision des modèles plutôt qu’à la seule mise à jour des probabilités.
24 sur 35Retour à la catégorie