Bayes sans calculatrice — mettre à jour qualitativement ses croyances

Le théorème de Bayes contient des probabilités, des rapports de vraisemblance et parfois des calculs assez sophistiqués. Faut-il alors sortir une calculatrice chaque fois qu’un collègue nous raconte quelque chose d’étonnant, qu’un article annonce une découverte ou qu’une nouvelle information contredit notre opinion ?

Évidemment non.

Dans la plupart des situations ordinaires, nous ne connaissons d’ailleurs pas les nombres avec suffisamment de précision pour qu’un calcul soit honnête. Dire qu’une hypothèse possède un prior de 17,3 % ou qu’un témoignage correspond à un rapport de vraisemblance de 6,4 serait souvent une précision fictive.

Mais nous pouvons conserver la structure du raisonnement bayésien sans prétendre disposer de chiffres que nous n’avons pas. Il suffit souvent de poser quelques questions : l’hypothèse était-elle déjà plausible ? Cette nouvelle information est-elle davantage attendue si elle est vraie que si elle est fausse ? Cette différence est-elle faible ou importante ? Quelles explications concurrentes restent possibles ?

Ce « Bayes qualitatif » ne remplace pas un calcul lorsque des probabilités fiables sont disponibles. Il constitue plutôt une discipline de mise à jour : apprendre à faire évoluer ses croyances dans la bonne direction et avec une amplitude approximativement proportionnée à la force des preuves.

Penser en degrés plutôt qu’en verdicts

La première habitude consiste à abandonner autant que possible le réflexe :

« j’y crois / je n’y crois pas ».

Une même hypothèse peut être très improbable, peu plausible, possible, assez probable ou presque certaine.

La philosophie bayésienne appelle ces niveaux des degrés de croyance, ou *credences*. Son problème central n’est pas seulement de savoir quelles propositions nous acceptons, mais comment la force de nos croyances devrait évoluer lorsque notre information change.

Dans la vie quotidienne, il n’est pas nécessaire d’associer un pourcentage exact à chacun de ces états.

Nous pouvons simplement reconnaître :

« je trouvais cela plutôt improbable »

puis, après une nouvelle information :

« je le considère maintenant comme plausible, mais loin d’être établi ».

Cette formulation est déjà beaucoup plus précise qu’un passage brutal de :

« faux »

à

« vrai ».

Première question : d’où partais-je ?

Avant d’évaluer une nouvelle preuve, il faut retrouver le point de départ.

Supposons qu’un ami nous annonce qu’un train aura dix minutes de retard. Cette affirmation n’a rien d’extraordinaire. Même avant toute confirmation, elle possède une plausibilité raisonnable.

Supposons maintenant qu’il affirme que tous les trains de la région seront interrompus pendant trois jours parce qu’un tunnel vient de s’effondrer.

Nous ne devrions pas traiter ces deux affirmations de manière identique.

La seconde réclame davantage de preuves parce que son prior est beaucoup plus faible.

Qualitativement, il suffit souvent de demander :

« avant cette information, cette hypothèse me paraissait-elle ordinaire, plausible, inhabituelle ou extraordinairement improbable ? »

Cette première étape empêche une nouvelle information de nous faire oublier tout ce que nous savions auparavant.

Un prior qualitatif n’est pas un nombre inventé

Il serait contre-productif de transformer cette méthode en jeu de chiffres improvisés.

Si nous n’avons aucune base sérieuse pour dire qu’une hypothèse possède 3 %, 12 % ou 37 % de probabilité, mieux vaut utiliser des catégories approximatives.

Nous pouvons distinguer par exemple :

très improbable ; improbable ; réellement ouverte ; plausible ; probable ; très probable.

Ces termes restent imprécis. Mais cette imprécision peut être plus honnête qu’un faux nombre.

Le but n’est pas de donner une apparence mathématique à nos intuitions. Il est d’en améliorer la structure.

L’analyse bayésienne formelle exige des probabilités et des modèles suffisamment spécifiés. Lorsque les informations ne permettent que des évaluations vagues, la logique inductive bayésienne peut néanmoins conserver des comparaisons ou des bornes approximatives sur la force des preuves.

Autrement dit, ne pas connaître exactement le multiplicateur n’empêche pas toujours de savoir dans quel sens il agit.

Deuxième question : cette preuve était-elle vraiment plus attendue si l’hypothèse était vraie ?

C’est probablement le réflexe le plus important de toute la rubrique.

Lorsqu’une information E semble soutenir H, demandons :

« si H était vraie, serais-je surpris d’observer E ? »

Puis immédiatement :

« si H était fausse, serais-je également susceptible d’observer E ? »

La deuxième question fait toute la différence.

Supposons qu’une entreprise affirme que son nouveau programme améliore fortement la motivation des salariés. Six mois plus tard, 80 % des participants déclarent apprécier leur travail.

Cela semble compatible avec l’efficacité du programme.

Mais si 78 % des salariés comparables qui n’ont pas suivi le programme déclarent la même chose, l’observation est peu discriminante.

À l’inverse, si seulement 25 % du groupe comparable donne cette réponse, le résultat devient beaucoup plus intéressant.

Qualitativement, nous venons d’évaluer un rapport de vraisemblance sans le calculer.

Trois directions possibles

Une nouvelle information peut avoir trois effets fondamentaux.

Elle peut être davantage attendue si H est vraie : elle doit alors augmenter notre confiance dans H.

Elle peut être davantage attendue si H est fausse ou si une hypothèse concurrente est vraie : elle doit diminuer notre confiance dans H.

Enfin, elle peut être à peu près aussi attendue dans les deux situations : elle ne devrait presque rien changer.

C’est exactement la logique du rapport de vraisemblance :

supérieur à 1 → preuve en faveur de H ;

proche de 1 → information peu discriminante ;

inférieur à 1 → preuve contre H.

La logique inductive bayésienne formalise précisément la force comparative d’une preuve par le rapport entre la probabilité de l’observation sous des hypothèses concurrentes.

Cette classification qualitative suffit déjà à éviter une grande quantité de mauvais raisonnements.

Troisième question : de combien devrais-je bouger ?

Savoir dans quelle direction réviser sa croyance ne suffit pas. Il faut également déterminer l’amplitude de la mise à jour.

Supposons que nous soupçonnions qu’un ordinateur possède une panne matérielle. Il produit un ralentissement occasionnel.

Cette observation favorise peut-être légèrement l’hypothèse, mais quantité d’autres causes produisent également un ralentissement : logiciel, surcharge, connexion, mise à jour.

Notre croyance devrait donc monter un peu.

Nous découvrons ensuite qu’un diagnostic matériel indépendant détecte précisément une défaillance du composant suspecté, avec un très faible taux de fausses alertes.

Nous devons monter beaucoup plus fortement.

Le principe qualitatif devient :

preuve faiblement discriminante → petite mise à jour ;

preuve fortement discriminante → grande mise à jour.

Cette discipline est essentielle parce que nos réactions psychologiques suivent souvent plutôt l’intensité émotionnelle, la nouveauté ou la vivacité de l’information que sa véritable valeur probante.

Le test de la surprise comparative

Un moyen simple d’estimer qualitativement cette force consiste à poser deux questions symétriques :

« serais-je surpris d’observer cela si mon hypothèse était vraie ? »

et

« serais-je surpris de l’observer si elle était fausse ? »

Ce n’est pas la surprise absolue qui compte, mais la différence entre les deux surprises.

Supposons qu’un phénomène très inhabituel soit observé.

Il est extrêmement rare sous H1 :

« même si H1 est vraie, cela arrive rarement ».

Mais il est pratiquement impossible sous H2 :

« si H2 est vraie, je ne m’attendrais presque jamais à cela ».

L’observation peut alors favoriser fortement H1 malgré son caractère surprenant sous H1.

C’est exactement ce que nous avons vu avec les vraisemblances : une observation improbable peut constituer une excellente preuve si elle est encore beaucoup plus improbable sous les alternatives.

Chercher l’alternative avant de se laisser convaincre

Une mauvaise habitude consiste à examiner uniquement la relation entre notre hypothèse préférée et l’observation :

« est-ce que H explique E ? »

Une meilleure habitude est :

« quelles autres hypothèses expliquent également E ? »

Supposons qu’un responsable politique annonce qu’une réforme a fait baisser un indicateur économique. L’indicateur baisse effectivement après la réforme.

H1 :

la réforme a produit cette amélioration.

Mais nous devons immédiatement ouvrir l’espace :

H2 : la tendance avait commencé avant la réforme ;

H3 : la conjoncture internationale explique l’essentiel de la baisse ;

H4 : une modification statistique affecte la mesure ;

H5 : plusieurs mécanismes ont contribué simultanément.

Nous n’avons pas besoin d’attribuer un chiffre à chaque hypothèse pour améliorer considérablement notre raisonnement.

Le simple fait de faire apparaître les alternatives empêche la compatibilité avec notre récit de se transformer automatiquement en confirmation forte.

Que devrais-je observer si j’avais tort ?

Cette question mérite de devenir un réflexe.

Lorsque nous croyons H, nous cherchons naturellement les observations que H explique. Essayons plutôt :

« si H était fausse, à quoi le monde devrait-il ressembler ? »

Cette question oblige à transformer une croyance en prédictions potentiellement discriminantes.

Supposons que nous pensions qu’une nouvelle méthode d’apprentissage améliore réellement les résultats.

Si nous avons raison, nous devrions peut-être observer un avantage reproductible chez les utilisateurs comparables.

Mais si cet avantage disparaît systématiquement dès qu’une autre équipe réalise l’étude ou lorsqu’un groupe témoin approprié est utilisé, notre confiance doit diminuer.

La recherche active d’éléments qui pourraient faire baisser notre croyance distingue une véritable mise à jour d’une simple accumulation de confirmations.

Une preuve contre nous compte autant qu’une preuve pour nous

Le raisonnement bayésien est symétrique.

Une preuve ne doit pas seulement permettre à une hypothèse de monter. Elle doit également pouvoir la faire descendre.

Supposons que nous considérions une théorie comme très probable en raison d’un important corpus de résultats. Une nouvelle étude solide produit un résultat inattendu sous cette théorie.

Nous ne devons pas nécessairement tout abandonner.

Mais nous ne devons pas non plus répondre :

« il existe sûrement une explication ».

Il existe presque toujours *une* explication possible.

La question est de savoir si cette nouvelle donnée était suffisamment moins attendue sous notre théorie pour justifier une baisse réelle de confiance.

Cette baisse peut être petite, modérée ou importante selon la force de la preuve.

Une croyance incapable de descendre n’est plus véritablement mise à jour.

Un indice spectaculaire peut ne presque rien changer

Nos intuitions accordent facilement beaucoup de poids aux informations impressionnantes.

Une vidéo spectaculaire, un témoignage émouvant ou une coïncidence étonnante peut sembler constituer une preuve majeure.

Mais demandons encore :

« cette observation distingue-t-elle réellement les hypothèses ? »

Un discours très assuré n’est pas nécessairement plus probable si l’orateur dit vrai : les personnes convaincues à tort peuvent elles aussi parler avec assurance.

Une photographie montrant deux personnalités ensemble prouve qu’elles se sont rencontrées, mais soutient très faiblement une théorie de complot si des dizaines de raisons ordinaires expliquent également cette rencontre.

Une série de symptômes frappants peut être compatible avec une maladie tout en étant commune à quantité d’autres affections.

La vivacité d’une preuve et son rapport de vraisemblance sont deux choses différentes.

Une information banale peut parfois bouleverser les odds

L’inverse est tout aussi important.

Une donnée très peu spectaculaire peut posséder un grand pouvoir discriminant.

Supposons que nous hésitions entre deux explications techniques d’une panne. Un petit détail dans un journal système paraît insignifiant au profane. Mais les ingénieurs savent qu’il devrait presque toujours apparaître sous H1 et presque jamais sous H2.

Ce détail peut être beaucoup plus probant qu’une panne spectaculaire compatible avec les deux hypothèses.

Dans une enquête historique, une date discrète inscrite dans un registre peut éliminer plusieurs scénarios.

Dans une enquête journalistique, un document administratif banal mais authentifié peut être beaucoup plus informatif qu’une vidéo virale.

Penser bayésiennement consiste donc à apprendre à chercher ce qui discrimine, pas seulement ce qui impressionne.

Une accumulation ne compte que si elle ajoute de l’information

Le raisonnement qualitatif doit aussi préserver ce que nous avons appris sur l’indépendance.

Supposons qu’une affirmation soit reprise par dix articles.

Notre réaction intuitive peut être :

« dix confirmations ».

La réaction bayésienne qualitative est :

« ces dix sources possèdent-elles des informations indépendantes ? »

Si elles citent toutes la même dépêche, la neuvième répétition ne devrait presque rien ajouter après les huit premières.

Si une nouvelle source présente au contraire un document original obtenu indépendamment, notre croyance peut se déplacer davantage.

Nous n’avons pas besoin de calculer un rapport de vraisemblance conditionnel. Il suffit de demander :

« qu’est-ce que cette nouvelle preuve m’apprend que les précédentes ne m’avaient pas déjà appris ? »

C’est une approximation qualitative du raisonnement séquentiel bayésien.

Ne pas confondre « je ne sais pas » et 50 %

Une autre bonne habitude consiste à accepter l’ignorance.

Supposons que nous ne sachions absolument pas lequel de cinq mécanismes explique un phénomène.

Dire :

« H a 50 % de chances d’être vraie »

simplement parce que nous hésitons entre « H » et « non-H » n’est pas justifié.

L’absence de connaissance précise ne crée pas automatiquement une équiprobabilité.

Dans un raisonnement qualitatif, il est parfaitement légitime de dire :

« je ne dispose pas d’assez d’informations pour situer sérieusement cette hypothèse ».

Cette position peut ensuite évoluer :

« la nouvelle donnée la favorise un peu, mais l’incertitude reste immense ».

Bayes ne nous oblige pas à produire artificiellement de la certitude là où nous n’en avons pas.

Quand les nombres existent, il faut les utiliser

Le Bayes qualitatif possède néanmoins une limite importante.

Supposons qu’un test médical possède une sensibilité, une spécificité et une prévalence connues de manière suffisamment fiable.

Dans ce cas, raisonner vaguement :

« le test est très bon, donc la maladie devient probablement très probable »

serait moins bon que réaliser le calcul approprié ou utiliser des fréquences naturelles.

La méthode qualitative est surtout utile lorsque les probabilités exactes ne sont pas disponibles ou ne méritent pas d’être traitées comme précises.

Elle ne doit jamais devenir une excuse permettant d’ignorer des données quantitatives solides.

Lorsque les nombres sont fiables, ils peuvent corriger des intuitions très trompeuses, notamment pour les taux de base et les faux positifs.

Le bon principe est donc :

ne pas inventer les nombres lorsqu’ils n’existent pas ; ne pas les ignorer lorsqu’ils existent.

Bayes qualitatif n’est pas Bayes exact

Cette distinction mérite d’être explicite.

Si nous disons :

« cette preuve devrait augmenter fortement ma croyance »,

nous n’avons pas calculé un posterior bayésien.

Nous avons utilisé une heuristique inspirée par sa structure.

Une mise à jour mathématiquement exacte nécessite un prior suffisamment spécifié, une vraisemblance et un espace d’hypothèses.

Le raisonnement qualitatif conserve surtout plusieurs propriétés du cadre formel : considérer les connaissances antérieures, comparer les hypothèses, évaluer la direction de la preuve, distinguer force de la preuve et croyance finale, éviter le double comptage et accepter les mises à jour dans les deux sens.

Il doit donc être présenté comme une discipline pratique de raisonnement probabiliste, et non comme la prétention que notre cerveau calcule implicitement des équations bayésiennes exactes.

Cette prudence rejoint la distinction générale entre le bayésianisme comme cadre normatif et les hypothèses empiriques beaucoup plus fortes selon lesquelles la cognition humaine fonctionnerait littéralement comme une machine bayésienne.

Une petite grammaire de la mise à jour

Dans la plupart des situations ordinaires, nous pouvons finalement ramener la démarche à quelques questions enchaînées.

Avant cette information, où en étais-je ? Cela force à considérer le prior.

Cette observation serait-elle vraiment plus attendue si l’hypothèse était vraie ? Cela introduit la vraisemblance.

Serait-elle également facile à expliquer si l’hypothèse était fausse ? Cela oblige à considérer les alternatives.

Est-ce une information réellement nouvelle ? Cela protège contre la dépendance et le double comptage.

La différence est-elle faible ou forte ? Cela détermine approximativement l’amplitude de la mise à jour.

Après cette preuve, que reste-t-il comme incertitude ? Cela évite de transformer une confirmation en certitude.

Cette grammaire ne fournit aucun nombre magique. Elle apporte quelque chose de plus utile dans la vie quotidienne : une direction intellectuelle.

Apprendre à bouger juste assez

Le Bayes qualitatif peut finalement être résumé par une idée : ne pas demander seulement si une information va dans notre sens, mais de combien elle devrait raisonnablement nous déplacer.

Certaines nouvelles informations ne devraient presque rien changer.

D’autres devraient nous faire légèrement réviser notre jugement.

Quelques-unes doivent provoquer une modification importante.

Et, exceptionnellement, une preuve peut être suffisamment forte pour renverser une conviction très solidement installée.

L’autonomie intellectuelle ne consiste donc ni à changer d’avis à chaque nouvelle information, ni à rester fidèle à ses convictions jusqu’à ce qu’une certitude absolue apparaisse.

Elle consiste à devenir sensible à la force différentielle des preuves.

Reste précisément à comprendre ce qui justifie une forte mise à jour. Quand une information mérite-t-elle de nous faire passer de « probablement faux » à « réellement plausible », ou de « plausible » à « très probable » ? Quels éléments doivent nous conduire à réviser franchement une conviction plutôt qu’à la déplacer de quelques degrés ?

Pour aller plus loin

  • Lin, H. (2022). « Bayesian Epistemology », *Stanford Encyclopedia of Philosophy*. Présentation du bayésianisme comme théorie des degrés de croyance et de leur modification sous l’effet de nouvelles preuves.
  • Hawthorne, J. « Inductive Logic », *Stanford Encyclopedia of Philosophy*. Présentation du rôle des rapports de vraisemblance dans la discrimination entre hypothèses et discussion de situations où l’information disponible ne permet que des évaluations approximatives ou bornées de leur force.
  • Joyce, J. M. « Bayes’ Theorem », *Stanford Encyclopedia of Philosophy*. Analyse du lien entre probabilités antérieures, rapports de vraisemblance et modifications du poids relatif des preuves.
31 sur 35Retour à la catégorie