Bayésianisme et raisonnement motivé — savons-nous vraiment mettre à jour nos croyances ?
Le raisonnement bayésien fournit une norme élégante : lorsqu’une nouvelle information apparaît, notre croyance devrait évoluer selon ce que cette information permet réellement de distinguer entre les hypothèses. Une preuve favorable devrait augmenter notre confiance ; une preuve défavorable devrait la réduire ; une information peu discriminante devrait presque nous laisser au même endroit.
Mais nous ne sommes pas des calculateurs désintéressés.
Certaines conclusions nous rassurent, protègent notre identité, confortent notre groupe, préservent notre réputation ou justifient des décisions déjà prises. Dans ces situations, une possibilité apparaît : nous pouvons examiner plus sévèrement les preuves qui nous déplaisent, accepter plus facilement celles qui nous arrangent, rechercher certaines informations plutôt que d’autres ou réinterpréter leur fiabilité jusqu’à obtenir une conclusion supportable.
C’est le domaine du raisonnement motivé.
Le problème est particulièrement intéressant d’un point de vue bayésien. Nous savons désormais à quoi ressemblerait une mise à jour rationnelle. La question devient : lorsque nous désirons fortement une conclusion, modifions-nous réellement nos croyances en fonction de la force des preuves, ou modifions-nous plutôt notre perception de la force des preuves pour protéger nos croyances ?
Le raisonnement motivé n’est pas simplement le fait d’avoir une préférence
Ziva Kunda a proposé en 1990 une synthèse devenue classique du motivated reasoning. Son idée centrale n’est pas que les individus décident consciemment :
« je vais croire quelque chose de faux parce que cela m’arrange ».
La motivation peut plutôt influencer les processus cognitifs mobilisés pour rechercher, construire et évaluer des justifications. Lorsque nous cherchons avant tout l’exactitude, nous avons davantage intérêt à mobiliser des stratégies adaptées à cette fin. Lorsque nous désirons une conclusion particulière, nous pouvons plus facilement trouver et retenir les raisons compatibles avec elle, à condition de pouvoir construire une justification qui nous paraisse raisonnable.
Cette nuance est essentielle.
Le raisonnement motivé n’est pas nécessairement un mensonge envers soi-même pleinement conscient. Il peut fonctionner à travers une sélection asymétrique de raisons qui paraissent toutes localement défendables.
Nous pouvons donc sincèrement avoir l’impression d’avoir « examiné les faits ».
Deux personnes peuvent voir la même preuve et ne pas lui attribuer le même poids
Supposons que deux personnes évaluent une étude sur une politique qu’elles jugent différemment.
L’étude va dans le sens de la première. Elle remarque :
échantillon important, résultats cohérents, institution sérieuse.
La seconde remarque immédiatement :
mesure imparfaite, population particulière, effet modeste, conflit d’intérêts possible.
Une nouvelle étude produit ensuite le résultat inverse.
Les rôles peuvent s’échanger.
Il ne faut pas conclure que toute critique méthodologique est motivée. Toutes les objections précédentes peuvent être parfaitement légitimes.
Le problème apparaît lorsque le niveau d’exigence change systématiquement selon la conclusion de l’étude.
Une preuve favorable bénéficie alors d’un rapport de vraisemblance subjectivement élevé ; une preuve défavorable est dévaluée par l’ajout immédiat d’hypothèses expliquant pourquoi elle « ne compte pas vraiment ».
Sur le papier, nous pouvons encore donner l’impression de mettre à jour nos croyances.
Mais nous avons déplacé le biais dans l’évaluation de la preuve elle-même.
Nous pouvons manipuler mentalement plusieurs éléments du calcul bayésien
Le raisonnement motivé peut intervenir à presque toutes les étapes.
Nous pouvons modifier implicitement le prior :
« cette source adverse raconte presque toujours n’importe quoi ».
Nous pouvons modifier la vraisemblance :
« si mon hypothèse était vraie, ce résultat serait exactement ce qu’on attend ; s’il est faux, il s’agit probablement d’une anomalie ».
Nous pouvons changer l’espace des hypothèses :
« il existe forcément une autre explication ».
Nous pouvons sélectionner les preuves prises en compte :
« cette étude favorable est importante ; les trois études contraires sont trop anciennes ».
Et nous pouvons réviser différemment selon la direction :
preuve favorable → forte mise à jour ; preuve défavorable → modification minimale.
Le problème n’est donc pas seulement une erreur dans une formule. Il peut concerner la manière même dont nous construisons les entrées de la formule.
La distinction entre prior motivé et mise à jour motivée est importante
Supposons que deux personnes possèdent déjà des croyances initiales très différentes mais qu’elles traitent ensuite exactement de la même manière une nouvelle information.
Leurs posteriors resteront différents.
Cela ne prouve pas que leur mise à jour était biaisée.
Peut-être leurs priors résultaient-ils de connaissances antérieures différentes ; peut-être l’un des priors était-il lui-même influencé par des motivations ; mais l’observation des posteriors ne suffit pas à trancher.
Cette difficulté est aujourd’hui prise très au sérieux. Andrew Little a montré formellement qu’un grand nombre de comportements que l’on pourrait interpréter comme du raisonnement motivé peuvent également être produits par des agents bayésiens possédant des croyances initiales ou des représentations différentes. Pour identifier empiriquement une véritable distorsion motivée de la mise à jour, il faut donc des expériences capables de distinguer ces mécanismes.
C’est une précaution méthodologique majeure :
observer des personnes qui aboutissent à la conclusion qu’elles préfèrent ne suffit pas à démontrer qu’elles ont raisonné de manière motivée.
Une mise à jour asymétrique paraît suspecte — mais elle ne prouve pas tout
Une manière intuitive de rechercher le raisonnement motivé consiste à comparer la réaction aux bonnes et mauvaises nouvelles.
Supposons qu’une personne apprenne une information favorable sur ses capacités. Elle révise fortement son jugement à la hausse.
Lorsque l’information suivante est défavorable, elle ne révise presque rien.
Nous pouvons soupçonner une asymétrie motivée :
« les bonnes nouvelles comptent davantage que les mauvaises ».
Plusieurs travaux ont effectivement observé des asymétries de ce type dans certains contextes. Zimmermann, par exemple, rapporte que des retours positifs pouvaient produire des effets plus persistants sur les croyances que des retours négatifs, notamment via des différences de rappel ultérieur. Il observe également que les incitations à l’exactitude réduisent certains de ces phénomènes.
Mais il serait imprudent d’en faire une loi générale de la cognition humaine.
Certaines asymétries attribuées à la motivation peuvent être des artefacts
La littérature sur les mises à jour optimistes fournit justement un excellent avertissement.
Plusieurs expériences avaient été interprétées comme montrant que nous révisions davantage nos croyances après de bonnes nouvelles qu’après de mauvaises.
Des travaux méthodologiques ultérieurs ont cependant montré que certaines procédures utilisées pour mesurer cette asymétrie pouvaient produire le même motif statistique avec des informations émotionnellement neutres, où une explication par l’optimisme motivé n’avait plus de sens.
Burton et ses collègues ont ainsi reproduit des asymétries apparentes avec des événements neutres et souligné que certaines méthodes d’analyse employées dans cette littérature pouvaient créer des résultats difficiles à interpréter comme des biais motivationnels.
D’autres expériences ne trouvent pas systématiquement de mise à jour asymétrique et observent parfois des croyances assez bien décrites par un benchmark bayésien.
Cette controverse illustre merveilleusement notre propre sujet : nous devons éviter de traiter toute déviation apparente de Bayes comme une preuve immédiate de raisonnement motivé.
Le raisonnement motivé est particulièrement difficile à détecter parce qu’une critique peut être rationnelle
Imaginons qu’un résultat contredise fortement notre croyance.
Nous cherchons une explication alternative :
erreur de mesure ; population atypique ; sélection des données ; modèle mal spécifié.
Nous avons vu dans les fiches précédentes que ces possibilités sont parfaitement légitimes.
Un bon scientifique doit parfois résister à une expérience isolée parce que les connaissances antérieures sont extrêmement solides et qu’une erreur expérimentale constitue une hypothèse plus plausible.
Le simple fait de ne pas changer fortement d’avis après une preuve contraire n’est donc pas nécessairement irrationnel.
La vraie difficulté est de déterminer si nous aurions utilisé le même niveau de scepticisme si le résultat avait été favorable à notre position.
Le raisonnement motivé se cache précisément dans cette asymétrie des critères.
Le test du retournement
Une technique mentale utile consiste à pratiquer ce que l’on pourrait appeler un test de retournement.
Supposons qu’une étude favorable à notre position comporte un échantillon relativement petit.
Demandons-nous :
« si exactement la même étude avait produit le résultat contraire, considérerais-je sa taille d’échantillon comme acceptable ? »
Une personnalité que nous apprécions est accusée à partir d’un témoignage indirect :
« si cette accusation concernait un adversaire politique, jugerais-je ce témoignage aussi insuffisant ? »
Une statistique favorable provient d’une institution que nous jugeons compétente :
« si le même organisme publiait demain une statistique qui me déplaît, lui accorderais-je la même confiance ? »
Ce test ne garantit pas notre impartialité. Mais il permet de révéler certaines asymétries de standards.
Le biais peut se déplacer vers la confiance accordée à la source
Nous pouvons également accepter formellement l’information tout en modifiant notre estimation de sa fiabilité.
Supposons qu’une source jusque-là jugée compétente publie une conclusion favorable à notre position.
Notre réaction :
« excellente institution ».
Six mois plus tard, elle publie une conclusion contraire.
Nous découvrons soudain :
« cette institution a déjà fait des erreurs ; ses experts ont des biais ; ses méthodes ne sont pas parfaites ».
Toutes ces observations peuvent être vraies.
Le problème apparaît si elles étaient déjà connues auparavant mais ne devenaient cognitivement importantes qu’au moment où la conclusion devenait désagréable.
Dans un langage bayésien, nous pouvons alors prétendre intégrer correctement le signal tout en abaissant opportunément son rapport de vraisemblance.
La motivation ne change pas nécessairement Bayes directement ; elle change ce que nous introduisons dans Bayes.
Les groupes rendent le problème plus difficile
Nos croyances ne sont pas toutes privées.
Certaines signalent notre appartenance à un groupe social, politique, professionnel ou culturel. Modifier publiquement une croyance peut alors posséder un coût : perdre la confiance de ses proches, donner des arguments au camp adverse ou remettre en question une partie de son identité.
Dans ce type de contexte, l’objectif cognitif n’est plus nécessairement seulement :
« avoir la croyance la plus exacte ».
Il peut entrer en compétition avec :
« rester loyal à mon groupe », « ne pas perdre la face » ou « préserver une identité cohérente ».
La motivation à défendre une conclusion devient alors compréhensible sans être épistémiquement souhaitable.
Le problème est que notre cerveau ne nous annonce généralement pas :
« je vais maintenant sacrifier l’exactitude pour protéger mon identité ».
Nous avons plus volontiers l’impression que les preuves adverses sont simplement mauvaises.
Une croyance motivée peut malgré tout être vraie
Il faut éviter une nouvelle confusion.
Si une personne désire croire H et raisonne de manière motivée jusqu’à conclure H, cela ne démontre pas que H est fausse.
Une personne peut défendre une conclusion pour de mauvaises raisons et tomber malgré tout sur la bonne réponse.
Inversement, une personne intellectuellement honnête peut suivre correctement les meilleures preuves disponibles et arriver à une conclusion qui se révélera plus tard erronée.
Le raisonnement motivé concerne donc la qualité du processus, pas directement la vérité finale.
Cette distinction est importante dans les débats. Montrer qu’un adversaire possède un intérêt à croire quelque chose ne constitue pas une réfutation de cette croyance.
Il faut toujours revenir aux preuves.
La motivation pour l’exactitude peut elle aussi jouer un rôle
Le terme *motivé* est parfois compris uniquement dans un sens négatif.
Mais Kunda distinguait notamment les motivations directionnelles, qui poussent vers une conclusion préférée, et la motivation d’exactitude, qui pousse davantage à rechercher une conclusion correcte.
Nous pouvons donc créer des conditions où l’exactitude devient elle-même plus importante.
Être obligé d’expliquer son raisonnement, savoir qu’une prédiction sera vérifiée plus tard, devoir parier sur son estimation ou conserver une trace de ses prévisions peut réduire certaines possibilités de rationalisation.
Zimmermann observe par exemple que des incitations à l’exactitude atténuent certains motifs compatibles avec le raisonnement motivé dans son dispositif expérimental.
L’autonomie intellectuelle peut ainsi être comprise comme une tentative de modifier nos propres incitations cognitives : faire en sorte qu’avoir correctement évalué une preuve compte davantage que gagner immédiatement le débat.
Écrire son prior avant de voir le résultat
Une technique particulièrement puissante consiste à enregistrer son opinion avant de découvrir l’information décisive.
Supposons que nous attendions les résultats d’une étude importante.
Avant de les lire, nous pouvons écrire :
« j’estime H assez probable ; si l’étude est méthodologiquement solide et obtient un effet important dans la direction contraire, ma confiance devrait diminuer sensiblement ».
Lorsque le résultat arrive, nous pouvons comparer notre réaction réelle à notre engagement précédent.
Sans cette trace, notre esprit peut facilement reconstruire après coup :
« ce résultat n’était de toute façon pas très important ».
Le même principe vaut pour les élections, les prévisions économiques, les décisions politiques ou les pronostics scientifiques.
Fixer préalablement ce qui devrait nous faire changer d’avis réduit l’espace disponible pour redéfinir les critères après avoir vu la conclusion.
Séparer l’évaluation de la méthode du résultat
Une autre technique consiste à examiner autant que possible la qualité d’une étude avant de connaître sa conclusion.
Si nous pouvions lire :
protocole, taille de l’échantillon, variables, analyse prévue, qualité des mesures
sans voir encore le sens du résultat, nous pourrions décider :
« cette étude me paraît très informative ».
Une fois la conclusion dévoilée, il devient plus difficile d’augmenter ou d’abaisser opportunément nos exigences.
Cette logique rejoint les avantages des protocoles préenregistrés, des *registered reports* et, plus généralement, des procédures qui séparent l’évaluation méthodologique de l’attractivité du résultat.
Le principe est profondément bayésien : déterminer autant que possible la fiabilité du canal avant de savoir si le signal nous plaît.
Chercher activement le meilleur argument adverse
Nous avons vu qu’une bonne mise à jour nécessite des hypothèses concurrentes sérieuses.
Cela impose une discipline difficile : ne pas comparer notre théorie favorite à une caricature.
Supposons que nous croyions H1.
Si nous comparons :
H1, construite dans sa version la plus sophistiquée
à
H2, réduite à une formulation grossière facilement réfutable,
les preuves sembleront presque toujours favoriser H1.
Une meilleure pratique consiste à rechercher la meilleure version raisonnable de l’hypothèse concurrente.
Quels faits explique-t-elle mieux ? Dans quelles conditions prédit-elle quelque chose de différent ? Quelle preuve réelle pourrait la favoriser ?
Cette pratique transforme le désaccord en comparaison de modèles plutôt qu’en recherche d’arguments à sens unique.
Elle est particulièrement exigeante lorsque H1 possède une valeur identitaire ou morale pour nous.
Demander : « quelle preuve accepterais-je venant de l’autre camp ? »
Dans les débats polarisés, un problème fréquent est la création de critères impossibles à satisfaire.
Une source adverse est rejetée parce qu’elle est partisane.
Une source neutre est rejetée parce qu’elle « reprend le récit adverse ».
Une source issue de notre propre camp mais discordante est déclarée traîtresse ou incompétente.
À la limite, aucune preuve possible ne peut plus diminuer la croyance.
Une question permet de révéler cette structure :
« quelle observation concrète considérerais-je comme une bonne preuve contre ma position ? »
Si la réponse est « aucune », nous ne sommes plus vraiment dans une logique de mise à jour.
La croyance est devenue protégée contre les données.
Symétrie ne signifie pas naïveté
Il ne faut cependant pas imposer artificiellement les mêmes priors ou la même confiance à toutes les sources.
Une revue scientifique réputée et un compte anonyme ne méritent pas nécessairement le même poids.
Une théorie soutenue par cinquante années de recherches ne doit pas partir à égalité avec une spéculation inventée hier.
Deux acteurs politiques ne possèdent pas nécessairement le même historique de fiabilité.
La lutte contre le raisonnement motivé ne consiste donc pas à appliquer aveuglément :
« les deux camps se valent ».
Elle consiste à appliquer les mêmes critères pertinents lorsque les situations sont comparables.
L’impartialité n’exige pas l’équiprobabilité.
Elle exige que nos différences de traitement puissent être justifiées par des différences de preuves plutôt que par nos préférences.
Le problème scientifique : comment distinguer motivation et rationalité ?
Cette fiche pourrait facilement devenir elle-même un exemple de mauvaise science si elle se contentait d’énumérer des comportements « irrationnels ».
Les données empiriques sur la mise à jour des croyances sont plus nuancées.
Little souligne en 2025 qu’un comportement apparemment partisan ou désiré peut parfois être reproduit par une mise à jour bayésienne à partir de priors différents. Certaines formes d’asymétrie fournissent davantage d’information diagnostique que d’autres, mais l’identification du mécanisme demande des dispositifs expérimentaux spécifiques.
De même, des travaux récents montrent que certaines asymétries autrefois attribuées à l’optimisme peuvent apparaître sans contenu émotionnel motivant, tandis que d’autres expériences trouvent des mises à jour assez proches du benchmark bayésien.
La conclusion raisonnable n’est donc pas :
« les humains sont incapables de mettre à jour rationnellement leurs croyances ».
Elle est :
« nos motivations peuvent parfois influencer la formation et la révision de nos croyances, mais identifier précisément quand et comment elles le font demande plus qu’une simple observation d’un désaccord avec Bayes ».
Le bayésianisme comme miroir plutôt que comme description du cerveau
Cette distinction renvoie à une idée fondamentale de toute la rubrique.
Le théorème de Bayes peut jouer un rôle normatif : il fournit un cadre pour réfléchir à la manière dont une croyance devrait évoluer sous certaines hypothèses.
Cela ne signifie pas que le cerveau humain calcule littéralement :
prior × rapport de vraisemblance = posterior
chaque fois qu’une information arrive.
Comparer nos comportements à une norme bayésienne peut aider à détecter certaines incohérences, mais une déviation ne possède pas automatiquement une cause psychologique unique.
Nous devons distinguer :
le modèle normatif
de
la théorie descriptive de la cognition réelle.
Une grande partie du travail scientifique consiste précisément à comprendre quand nos comportements ressemblent au benchmark bayésien, quand ils s’en éloignent et pourquoi.
La question la plus difficile : est-ce la preuve qui change mon opinion, ou mon opinion qui change la preuve ?
Nous arrivons ainsi au cœur du problème.
Lorsque nous sommes confrontés à une information importante, nous pouvons nous demander :
« cette donnée a-t-elle modifié mon jugement sur l’hypothèse ? »
Mais il faut parfois ajouter :
« mon désir de maintenir l’hypothèse a-t-il modifié mon jugement sur la donnée ? »
Les deux processus peuvent se produire simultanément.
Une bonne autonomie intellectuelle cherche donc à créer des garde-fous : critères établis à l’avance, confrontation aux prédictions, recherche de sources indépendantes, analyse des arguments adverses, traçabilité des prévisions, séparation entre qualité de la méthode et résultat obtenu.
Aucune de ces techniques ne nous transforme en observateurs parfaitement neutres.
Elles réduisent simplement l’espace dans lequel nos préférences peuvent silencieusement redéfinir les preuves.
Être bayésien envers ses propres raisonnements
Il existe finalement une mise en abyme intéressante.
Nous savons que nous sommes susceptibles de rationaliser.
Cette connaissance constitue elle-même une information à intégrer.
Lorsqu’une conclusion nous procure une satisfaction immédiate, confirme notre identité ou humilie un adversaire, nous pouvons raisonnablement augmenter notre vigilance :
« je suis précisément dans une situation où mon jugement sur les preuves risque d’être moins fiable ».
Cela ne signifie pas que la conclusion est fausse.
Cela signifie que nous devons éventuellement demander davantage de vérification indépendante avant de lui attribuer une forte probabilité.
Appliquer Bayes à l’autonomie intellectuelle, c’est donc aussi apprendre à tenir compte de la fiabilité variable de notre propre processus de jugement.
Le cerveau qui évalue les preuves fait lui-même partie du système à évaluer.
La dernière étape peut maintenant être franchie. Nous avons vu les formules, les taux de base, la force des preuves, les modèles, les applications et les limites psychologiques. Il reste à rassembler ces éléments en une véritable éthique intellectuelle de l’incertitude : croire proportionnellement aux preuves disponibles, sans exiger la certitude et sans abandonner notre capacité de révision.
Pour aller plus loin
- Kunda, Z. (1990). « The Case for Motivated Reasoning ». *Psychological Bulletin*, 108(3), 480–498. DOI : 10.1037/0033-2909.108.3.480. Revue fondatrice proposant que les motivations directionnelles puissent influencer la sélection et l’évaluation des processus cognitifs utilisés pour justifier une conclusion.
- Little, A. T. (2025). « How to Distinguish Motivated Reasoning from Bayesian Updating ». *Political Behavior*, 47, 1501–1525. Analyse méthodologique importante montrant pourquoi certains comportements interprétés comme raisonnement motivé peuvent aussi être compatibles avec une mise à jour bayésienne, et quelles observations permettent mieux de distinguer les mécanismes.
- Zimmermann, F. (2020). « The Dynamics of Motivated Beliefs ». *American Economic Review*, 110(2), 337–361. DOI : 10.1257/aer.20180728. Étude expérimentale de la persistance différenciée de retours positifs et négatifs et du rôle du rappel dans le maintien de croyances motivées.
- Burton, J. W., Harris, A. J. L., Shah, P., & Hahn, U. (2022). « Optimism where there is none: Asymmetric belief updating observed with valence-neutral life events ». *Cognition*, 218, 104939. DOI : 10.1016/j.cognition.2021.104939. Important avertissement méthodologique montrant que certaines asymétries attribuées au biais d’optimisme peuvent également être obtenues avec des informations neutres.