Chiffres vrais, représentation trompeuse

Les nombres donnent facilement une impression d’objectivité. Une phrase peut sembler discutable ; un chiffre paraît mesuré, précis, presque indépendant de celui qui le présente. Pourtant, un chiffre exact ne garantit pas une représentation fidèle de la réalité. On peut choisir une période particulièrement avantageuse, présenter une variation relative sans donner le risque initial, utiliser un nombre brut sans dénominateur, sélectionner une moyenne plutôt qu’une médiane, isoler un sous-groupe remarquable parmi des dizaines ou modifier l’échelle d’un graphique. Dans tous ces cas, aucune donnée n’a nécessairement été inventée. Le problème réside dans ce qui a été choisi, comparé ou rendu visuellement saillant. La distinction est fondamentale : une statistique peut être correcte et néanmoins être utilisée pour soutenir une conclusion qu’elle ne justifie pas.

Les chiffres ne parlent jamais seuls

Supposons que quelqu’un annonce : « 10 000 personnes ont été victimes du phénomène X cette année. » Le nombre peut être parfaitement exact. Mais est-ce beaucoup ? Cela dépend immédiatement de plusieurs informations absentes. Combien de personnes étaient exposées ? Combien de cas observait-on auparavant ? La population a-t-elle augmenté ? La définition du phénomène est-elle restée identique ? Le nombre correspond-il à des individus, des événements ou des déclarations ? Dix mille cas sur vingt mille personnes et dix mille cas sur soixante millions ne décrivent évidemment pas la même situation. Le chiffre n’est donc pas faux. Il est incomplet relativement à la conclusion qu’on cherche à en tirer. C’est pourquoi la lecture critique d’une statistique consiste souvent à rechercher le contexte qui lui donne son sens : dénominateur, période de référence, unité, population, définition et base de comparaison.

Les méthodes permettant de retrouver ces informations sont développées dans **Vérification de l’information**. Ici, notre question est différente : comment leur absence peut-elle modifier la représentation obtenue ?

Le dénominateur change la signification

Prenons deux titres : « 500 incidents recensés dans les trains cette année » et : « Un incident pour deux millions de trajets ». Les deux affirmations peuvent décrire exactement les mêmes données. La première attire l’attention sur le numérateur : 500 événements. La seconde replace ces événements dans leur dénominateur : le nombre total de trajets. Aucune présentation n’est automatiquement la bonne. Si nous devons organiser les secours, le nombre absolu d’incidents peut être pertinent. Si nous cherchons à évaluer le risque associé à un trajet individuel, le taux devient beaucoup plus informatif. Le problème apparaît lorsque l’on choisit systématiquement la représentation qui produit l’impression souhaitée. Un groupe voulant présenter un risque comme considérable peut mettre en avant le nombre brut d’événements. Celui qui souhaite le minimiser peut privilégier un très grand dénominateur. L’esprit critique demande alors :

« Quel nombre répond réellement à la question que nous cherchons à résoudre ? » Les recherches sur la négligence du dénominateur montrent que la manière de présenter les rapports numériques peut effectivement modifier la compréhension du risque, même si l’ampleur de ces effets dépend du contexte et du niveau de numératie. Certaines représentations graphiques et certains formats en fréquences peuvent justement aider à rendre le rapport entre partie et ensemble plus visible.

« Le risque augmente de 100 % »

L’une des présentations les plus célèbres concerne la différence entre risque relatif et risque absolu. Imaginons qu’un événement touche habituellement une personne sur 10 000. Après une exposition particulière, il touche deux personnes sur 10 000. On peut annoncer : « Le risque est multiplié par deux. » ou : « Le risque augmente de 100 %. » C’est mathématiquement correct. On peut également annoncer : « Le risque passe de 0,01 % à 0,02 %. » Toujours correct. Ou : « On observe un cas supplémentaire pour 10 000 personnes exposées. » Encore correct. Ces formulations décrivent le même changement mais ne produisent pas spontanément la même impression. Le problème n’est pas que le risque relatif serait faux. Il répond à une véritable question : de combien le risque a-t-il changé proportionnellement à son niveau initial ?

Le risque absolu répond à une autre : quelle différence réelle de fréquence observons-nous dans la population ? Pour comprendre l’importance pratique d’un effet, nous avons généralement besoin des deux. Les recherches sur la communication du risque montrent depuis longtemps que la présentation uniquement relative peut modifier fortement la perception de l’importance d’un bénéfice ou d’un danger. Mais la littérature contemporaine invite à éviter une nouvelle règle simpliste selon laquelle « absolu = toujours compréhensible, relatif = toujours trompeur » : l’effet du format dépend aussi de la tâche demandée et de la manière précise dont les nombres sont présentés. La bonne pratique consiste donc moins à interdire le risque relatif qu’à fournir le niveau de départ nécessaire pour l’interpréter.

Pourcentage et points de pourcentage

Une confusion voisine concerne les pourcentages et les points de pourcentage. Supposons qu’un parti passe de 20 % à 30 % des intentions de vote. Il gagne 10 points de pourcentage. Mais relativement à son niveau précédent, son score augmente de : $$ \frac{30-20}{20}=50\% $$ On peut donc annoncer : « Le parti progresse de 10 points » ou : « Son soutien augmente de 50 % ». Les deux formulations sont mathématiquement correctes. Elles ne répondent simplement pas à la même opération. La confusion devient trompeuse lorsque l’on emploie délibérément la formulation la plus spectaculaire sans permettre au lecteur de reconstruire les valeurs initiales. Le même procédé peut servir à minimiser une variation. Passer de 50 % à 40 % représente une diminution de 10 points de pourcentage, mais une baisse relative de 20 %.

Une règle simple évite beaucoup d’ambiguïtés : lorsque l’on donne une évolution en pourcentage, fournir également la valeur avant et la valeur après.

Choisir le bon point de départ

Les séries temporelles offrent un autre degré de liberté considérable. Supposons qu’un indicateur évolue ainsi :

AnnéeValeur
2018100
202075
202290
2024105
2026110

En prenant 2020 comme point de départ, on peut annoncer : « L’indicateur a augmenté de près de 47 %. » En partant de 2018 : « Il a progressé de 10 %. » En comparant 2024 à 2026 : « Il n’a augmenté que d’environ 5 %. » Les trois calculs peuvent être exacts. La question décisive devient : pourquoi cette date de référence ? Une période peut avoir une justification objective : début d’une politique, crise économique, changement de gouvernement, modification de méthodologie ou événement externe majeur. Mais il est également possible de parcourir une longue série et de choisir précisément le point qui maximise la hausse ou la baisse souhaitée. C’est une forme de cherry-picking temporel : les données n’ont pas été modifiées, mais la fenêtre d’observation a été sélectionnée après avoir regardé ce qu’elle permettait de montrer.

Agrandir une différence avec un graphique

Les graphiques ajoutent une autre couche : la représentation visuelle possède sa propre rhétorique. Imaginons deux valeurs : 98 et 100. Dans un diagramme en barres dont l’axe vertical commence à zéro, les deux barres semblent presque identiques. Si l’axe commence à 97, la barre représentant 100 peut devenir plusieurs fois plus haute visuellement que celle représentant 98. Les nombres restent exactement les mêmes. L’impression visuelle change radicalement.

Des expériences récentes comparant différentes formes de graphiques trompeurs confirment que certaines manipulations de présentation, notamment l’inversion d’axes ou la modification irrégulière des intervalles temporels, diminuent effectivement la capacité des lecteurs à interpréter correctement les données. Toutes les mauvaises pratiques graphiques n’ont cependant pas la même puissance trompeuse. Il faut également éviter une règle mécanique du type : « Un axe qui ne commence pas à zéro est mensonger. » Pour un diagramme en barres, la longueur des barres représente directement une quantité ; tronquer fortement l’axe peut donc exagérer les différences proportionnelles. Pour une courbe de température variant entre 36,5 °C et 40 °C, commencer systématiquement à zéro rendrait au contraire les variations presque invisibles alors qu’elles sont médicalement importantes. Le problème n’est donc pas seulement :

« L’axe commence-t-il à zéro ? » mais : « La représentation visuelle donne-t-elle une impression proportionnée aux différences que nous cherchons réellement à comprendre ? »

Changer l’échelle change l’histoire visuelle

Une série temporelle peut également sembler stable ou spectaculaire selon l’échelle choisie. Une variation de 100 à 105 paraît immense si le graphique occupe tout l’espace vertical entre 99 et 106. Elle semble presque inexistante si l’axe s’étend de 0 à 1 000. Encore une fois, aucune valeur n’est fausse. Le graphique possède cependant une propriété particulière : nous percevons sa forme avant d’avoir lu précisément ses nombres. Une pente très forte donne immédiatement une impression d’accélération. Une courbe presque horizontale suggère la stabilité. Il faut donc regarder les unités, les bornes et les intervalles avant d’interpréter la forme. Cette attention est particulièrement importante sur les réseaux sociaux, où un graphique peut être vu pendant quelques secondes et partagé sur la base de son impression générale plutôt que de son examen détaillé.

Manipuler l’axe du temps

Les intervalles horizontaux peuvent eux aussi être trompeurs. Imaginons les observations suivantes : 2010 → 50 2011 → 52 2012 → 53 2025 → 55 Si les quatre années sont représentées à distance égale sur l’axe horizontal, le lecteur peut percevoir une progression régulière sur quatre périodes comparables. Mais entre 2012 et 2025, treize années se sont écoulées. Le graphique compresse donc visuellement cette période. À l’inverse, sélectionner des dates très rapprochées pendant une phase exceptionnelle peut donner l’impression d’une tendance durable. Les travaux expérimentaux récents sur les visualisations trompeuses trouvent justement que la manipulation des intervalles temporels fait partie des dispositifs capables de produire des erreurs d’interprétation particulièrement marquées. La vérification d’un graphique demande donc de lire les axes comme on lirait les conditions d’une expérience : qu’est-ce qui est réellement comparé ?

Moyenne ou médiane ?

Supposons cinq revenus mensuels : 1 800 €, 1 900 €, 2 000 €, 2 100 € et 22 200 €. La moyenne est : $$ 6\,000\ € $$ La médiane est : $$ 2\,000\ € $$ Aucun chiffre n’est faux. Ils décrivent simplement des propriétés différentes de la distribution. La moyenne tient compte de toutes les valeurs et est très sensible aux valeurs extrêmes. La médiane indique la valeur qui sépare la population en deux moitiés. Selon la question, l’une peut être plus informative que l’autre. Dire : « Le revenu moyen de ce groupe est de 6 000 € » est exact. Mais laisser entendre que cette valeur décrit le revenu « typique » serait profondément trompeur dans cet exemple. À l’inverse, utiliser uniquement la médiane peut masquer l’importance économique réelle d’une concentration extrême des revenus. Il n’existe donc pas une statistique magique qui serait toujours honnête. La bonne question est encore une fois :

« Cette mesure correspond-elle à la propriété que l’affirmation prétend décrire ? »

Un total peut augmenter alors que le taux diminue

Les changements de population offrent une autre source de confusion. Supposons qu’une ville passe de 500 000 à 1 000 000 d’habitants. Le nombre annuel d’événements X passe simultanément de 1 000 à 1 500. On peut annoncer : « Le nombre d’événements a augmenté de 50 %. » C’est exact. Mais le taux passe de : 200 pour 100 000 habitants à : 150 pour 100 000 habitants. Le risque individuel moyen a donc diminué de 25 %. Les deux constats sont compatibles : plus d’événements au total, mais moins d’événements relativement à la population. Selon la question posée, le nombre absolu ou le taux peut être pertinent. Pour dimensionner un service public, 1 500 événements doivent réellement être pris en charge. Pour déterminer si le phénomène devient plus fréquent dans la population, le taux est généralement plus pertinent.

Une communication trompeuse peut exploiter la possibilité de passer discrètement de l’une de ces questions à l’autre.

Mélanger des populations différentes

Les moyennes globales peuvent elles-mêmes masquer des structures importantes. Supposons que deux hôpitaux présentent des taux de mortalité différents. L’un reçoit principalement des cas légers ; l’autre est un centre de référence accueillant les patients les plus graves. Comparer directement leurs taux bruts peut faire apparaître le second comme beaucoup moins performant alors que la composition de leurs patients est entièrement différente. Cela ne signifie pas qu’il faut systématiquement « corriger » toutes les données jusqu’à obtenir le résultat souhaité. Cela signifie que les populations comparées doivent être suffisamment comparables pour que la conclusion ait un sens.

Les paradoxes statistiques pouvant apparaître lorsque plusieurs sous-groupes sont agrégés, notamment le célèbre paradoxe de Simpson, sont développés plus naturellement dans **Probabilités et raisonnement bayésien**. Pour la désinformation, retenons surtout la mécanique : un chiffre agrégé peut être exact tout en masquant une différence de composition indispensable à son interprétation.

Choisir le sous-groupe qui fonctionne

Imaginons une étude portant sur 1 000 personnes. Globalement, aucun effet convaincant n’apparaît. Les chercheurs examinent ensuite séparément les hommes, les femmes, plusieurs classes d’âge, quatre régions, trois niveaux de revenu et différents moments de mesure. L’un de ces sous-groupes présente finalement une différence statistiquement remarquable. Cette différence peut être réelle. Mais plus nous effectuons de comparaisons, plus nous augmentons la possibilité de trouver par hasard un résultat inhabituel. Le problème devient particulièrement sérieux si l’on présente ensuite uniquement ce sous-groupe comme s’il avait constitué l’hypothèse principale depuis le début. Nous retrouvons ici le cherry-picking analytique. Il ne faut cependant pas confondre exploration et fraude. Explorer des sous-groupes est une pratique normale et parfois indispensable pour découvrir de nouveaux phénomènes.

Ce qui change la force de la conclusion est de savoir si l’analyse était prévue avant l’observation des résultats ou identifiée après coup et présentée comme une piste exploratoire à confirmer. Cette distinction est développée plus largement dans **Méthode scientifique**.

Le « jardin des chemins qui bifurquent »

Le problème peut devenir encore plus subtil. Un chercheur dispose souvent de nombreux choix raisonnables : exclure ou non certaines observations, utiliser plusieurs définitions d’une variable, mesurer un résultat à différents moments, ajuster ou non certains facteurs, transformer une variable ou choisir parmi plusieurs modèles statistiques. Chaque décision peut être défendable. Mais si ces décisions sont influencées progressivement par les résultats déjà observés, l’analyse peut finir par emprunter le chemin produisant le résultat le plus convaincant. Andrew Gelman et Eric Loken ont popularisé pour cette situation l’image du « jardin des chemins qui bifurquent ». Il n’est même pas nécessaire qu’un chercheur décide consciemment :

« Je vais tricher jusqu’à obtenir le résultat désiré. »

Des décisions raisonnables prises après avoir vu les données peuvent suffire à rendre l’analyse plus dépendante du hasard que ne le suggère ensuite le résultat final. Lorsque la recherche de significativité devient volontaire et systématique, on parle souvent de p-hacking. Pour notre sujet, la leçon générale est plus large : une statistique publiée peut être exacte relativement à l’analyse choisie, tout en dissimulant combien d’autres analyses ont été essayées ou auraient pu l’être.

Sélectionner les résultats publiés

La sélection peut également intervenir après l’analyse. Une étude mesure dix résultats. Deux vont dans la direction souhaitée. Huit ne montrent pas de différence claire. Si l’article, le communiqué de presse ou la publication sur les réseaux sociaux ne mentionne que les deux premiers, les chiffres présentés peuvent être parfaitement authentiques. L’image générale devient pourtant trompeuse. La recherche biomédicale a largement documenté le problème du selective outcome reporting, la publication sélective des résultats en fonction notamment de leur direction ou de leur caractère statistiquement intéressant.

La réponse méthodologique consiste notamment à préspécifier les critères et résultats principaux avant de connaître les données. Cette pratique ne supprime évidemment pas toutes les difficultés, mais elle permet de distinguer plus clairement ce qui était prévu de ce qui a été découvert après exploration. Encore une fois, notre problème n’est pas que l’analyse exploratoire serait mauvaise. Il est de présenter une découverte exploratoire comme si elle possédait le même niveau de preuve qu’un test prévu à l’avance.

Le cherry-picking n’est pas seulement scientifique

Le même mécanisme apparaît partout où il existe beaucoup de données. Pour montrer que l’économie se porte mal, je peux chercher :

  • le secteur dont la production diminue le plus ;
  • la période où l’inflation était la plus élevée ;
  • la catégorie dont le pouvoir d’achat baisse ;
  • la région où le chômage augmente.

Pour montrer l’inverse, je peux rechercher :

  • le secteur créant le plus d’emplois ;
  • la période où l’inflation ralentit ;
  • la catégorie dont les revenus progressent ;
  • la région où le chômage diminue.

Je peux ainsi construire deux récits contradictoires composés uniquement de statistiques authentiques. Cela ne signifie pas qu’une moyenne nationale serait toujours supérieure à une analyse détaillée. Les disparités sont souvent précisément ce qu’il faut comprendre. La question est : « Pourquoi ces indicateurs ont-ils été retenus parmi tous ceux qui étaient disponibles ? » Plus l’univers des mesures possibles est vaste, plus cette question devient importante.

Les classements offrent beaucoup de degrés de liberté

Les classements internationaux constituent un bon exemple. Un pays peut être :

  • 5e selon le revenu par habitant ;
  • 12e selon un indice de développement ;
  • 23e selon la productivité horaire ;
  • 31e selon un indicateur de satisfaction ;
  • 40e selon une mesure d’inégalités.

Choisir le classement qui correspond à notre thèse est très facile. Mais les indices composites introduisent une difficulté supplémentaire : leur résultat dépend de ce qu’ils choisissent de mesurer et de la pondération accordée à chaque dimension. Un classement n’est donc pas une photographie brute de la réalité. Il représente une construction quantitative répondant à une définition particulière de ce qui compte. Cela ne le rend pas arbitraire ni inutile. Cela signifie qu’avant de tirer une conclusion générale de la position d’un pays, il faut comprendre ce que le classement mesure réellement.

« Les chiffres officiels sont faux » peut lui-même être trompeur

La prudence vaut également dans l’autre direction. Lorsqu’une mesure statistique ne correspond pas à notre expérience personnelle, il est tentant de conclure : « Les chiffres sont truqués. » Mais une divergence entre perception individuelle et statistique agrégée ne constitue pas une preuve de manipulation. Notre expérience personnelle porte sur un environnement particulier. Une statistique nationale agrège des millions de situations. À l’inverse, le caractère « officiel » d’un chiffre ne garantit évidemment pas sa perfection. Les définitions peuvent être discutables, des erreurs peuvent survenir et les institutions choisissent elles aussi des indicateurs. La position raisonnable n’est donc ni : « les chiffres officiels ont toujours raison » ni : « les statistiques ne veulent rien dire puisqu’on peut leur faire dire ce qu’on veut ».

Une statistique peut être examinée : définition, méthode de collecte, population, incertitude, série historique et organismes indépendants capables de la comparer. C’est précisément le type de démarche développé dans **Vérification de l’information**.

Un graphique trompeur peut être accidentel

Une dernière distinction est nécessaire. Toutes les mauvaises visualisations ne sont pas des désinformations. Une personne peut utiliser un axe inadéquat parce que son logiciel l’a choisi automatiquement. Un journaliste peut confondre variation relative et points de pourcentage. Un chercheur peut sélectionner involontairement une analyse favorable sans avoir conscience de ses degrés de liberté. Comme dans les fiches précédentes, l’existence d’une représentation trompeuse ne suffit pas à démontrer l’intention de tromper. Nous pouvons donc distinguer : « ce graphique produit une impression disproportionnée » et : « son auteur a volontairement construit cette impression pour tromper ». La première proposition peut parfois être établie directement en examinant le graphique. La seconde demande des preuves supplémentaires.

Cette distinction évite que l’apprentissage des manipulations statistiques se transforme en machine à attribuer des intentions.

Cas pratique — « Ce médicament réduit le risque de moitié »

Un communiqué annonce :

« Le traitement réduit de 50 % le risque de développer la maladie. »

Le résultat provient d’un essai réel. Dans le groupe sans traitement, 2 personnes sur 1 000 développent la maladie. Dans le groupe traité, 1 personne sur 1 000. La réduction relative est bien : $$ 50\% $$ La réduction absolue est : $$ 0,1\ \text{point de pourcentage} $$ soit un cas évité pour 1 000 personnes traitées pendant la période étudiée. Aucun chiffre n’est faux. Mais le seul « 50 % » ne permet pas au lecteur d’évaluer l’ampleur absolue du bénéfice. Maintenant, supposons que le traitement provoque un effet secondaire grave chez 5 personnes sur 1 000. Cette information modifie considérablement la décision. Cela ne signifie pas que le médicament est inutile : peut-être la maladie évitée est-elle extrêmement grave, peut-être l’effet secondaire est-il réversible, peut-être certains groupes possèdent-ils un risque initial beaucoup plus élevé. La décision exige davantage d’informations.

Ce cas montre précisément ce que la représentation quantitative doit permettre : comparer des conséquences sur une même échelle plutôt que maximiser psychologiquement un chiffre isolé.

Une petite grille de lecture

Devant un chiffre particulièrement impressionnant, quelques questions permettent souvent de retrouver ce qui structure réellement la représentation.

Ce qu’on nous montreCe qu’il peut être utile de chercher
Un nombre brutQuel est le dénominateur ?
Une hausse ou une baisse en %Quelles étaient les valeurs avant et après ?
Une évolution temporellePourquoi cette date de départ ?
Une moyenneQuelle est la distribution ? La médiane change-t-elle l’interprétation ?
Un graphique spectaculaireQuelles sont les bornes et unités des axes ?
Un sous-groupe remarquableCombien de sous-groupes ont été examinés ?
Un résultat scientifique positifÉtait-il prévu avant l’analyse ? Quels autres résultats ont été mesurés ?
Un classementQue mesure exactement l’indice et comment est-il construit ?

Cette grille ne doit pas devenir une suspicion automatique. Elle sert à distinguer le nombre lui-même de l’histoire quantitative construite autour de lui.

À retenir

Les nombres ne sont pas intrinsèquement trompeurs. Ils permettent au contraire de corriger de nombreuses intuitions erronées et constituent l’un des meilleurs outils dont nous disposons pour dépasser les impressions anecdotiques. Mais un nombre est toujours inscrit dans une comparaison. On peut produire une représentation trompeuse en choisissant le dénominateur, la période, l’échelle, la mesure centrale, le sous-groupe, l’analyse ou le résultat qui servent le mieux une conclusion déjà souhaitée. Le danger n’est donc pas : « les statistiques peuvent dire n’importe quoi ». Une analyse rigoureuse impose justement des contraintes qui empêchent de leur faire dire arbitrairement ce que l’on souhaite. Le véritable problème est différent : plus nous disposons de manières possibles de sélectionner et présenter les données, plus nous devons savoir pourquoi celles qui nous sont montrées ont été choisies.

Face à un chiffre spectaculaire, la bonne réaction n’est ni de l’accepter parce qu’il semble objectif ni de le rejeter parce que « les chiffres sont manipulables ». Il faut demander : quel est le dénominateur, quelle est la base de comparaison, quelle période a été choisie, quelles autres mesures étaient possibles et la représentation proposée est-elle proportionnée à ce que les données permettent réellement de conclure ? Les chiffres sont parmi nos meilleurs instruments pour comprendre le monde. L’esprit critique consiste précisément à les prendre suffisamment au sérieux pour ne pas se contenter de leur apparence.

Sources principales

Gerd Gigerenzer, Wolfgang Gaissmaier, Elke Kurz-Milcke, Lisa M. Schwartz et Steven Woloshin, « *Helping Doctors and Patients Make Sense of Health Statistics* », *Psychological Science in the Public Interest*, 2007/2008. Natalie C. Benda et al., « *How Difference Tasks Are Affected by Probability Format, Part 1: A Making Numbers Meaningful Systematic Review* », *Medical Decision Making Policy & Practice*, 2025. Gergana Petrova, Don van der Pligt et Joop Elshout, travaux sur la denominator neglect et la communication du risque ; Rocío Garcia-Retamero, Mirta Galesic et Gerd Gigerenzer, travaux sur les fréquences et les représentations graphiques du risque. Jihyun Rho et al., « *Various Misleading Visual Features in Misleading Graphs: Do They Truly Deceive Us?* », *Proceedings of the Annual Meeting of the Cognitive Science Society*, 2024.

Joseph P. Simmons, Leif D. Nelson et Uri Simonsohn, « *False-Positive Psychology: Undisclosed Flexibility in Data Collection and Analysis Allows Presenting Anything as Significant* », *Psychological Science*, 2011. Andrew Gelman et Eric Loken, « *The Garden of Forking Paths: Why Multiple Comparisons Can Be a Problem, Even When There Is No “Fishing Expedition” or “P-Hacking”* », 2013-2014. Matthew J. Page, Joanne E. McKenzie et Andrew Forbes, travaux sur la sélection et le signalement sélectif des résultats dans les essais et revues systématiques.

7 sur 33Retour à la catégorie