Confirmation scientifique : qu’est-ce qui augmente réellement la crédibilité d’une hypothèse ?
Une hypothèse peut être soutenue sans être démontrée
Une hypothèse scientifique ne devient généralement pas certaine après une seule observation favorable. Elle gagne progressivement en crédibilité lorsque les données correspondent à ses prédictions, résistent à des contrôles et s’expliquent moins bien par ses concurrentes. Cette augmentation de crédibilité est appelée confirmation. Supposons qu’une théorie affirme qu’un traitement réduit la durée moyenne d’un symptôme. Une étude observe effectivement une amélioration. Le résultat paraît confirmer la théorie.
Mais plusieurs questions restent ouvertes. L’amélioration vient-elle réellement du traitement ? Les groupes étaient-ils comparables ? L’effet pourrait-il résulter du hasard, d’une erreur de mesure ou d’une autre intervention ? D’autres hypothèses prédisaient-elles le même résultat ?
Une preuve ne confirme donc pas une hypothèse simplement parce qu’elle est compatible avec elle. Pour posséder une véritable force confirmatoire, la donnée doit généralement être davantage attendue si l’hypothèse est vraie que si ses concurrentes sont vraies. La confirmation est ainsi comparative et graduelle. Elle ne se réduit ni à une validation définitive ni à une simple accumulation de faits favorables.
Compatibilité et confirmation
Une donnée est compatible avec une hypothèse lorsqu’elle ne la contredit pas. Mais cette compatibilité peut être très faible. Supposons que quelqu’un affirme :
« Il pleuvra un jour au cours des douze prochains mois. »
Si la pluie tombe demain, la prédiction est vérifiée au sens ordinaire. Pourtant, le résultat confirme très peu une compétence particulière, car la pluie était déjà extrêmement probable. À l’inverse, une prédiction précise concernant un événement improbable possède davantage de valeur.
La distinction fondamentale est donc la suivante :
Une donnée compatible peut simplement ne pas contredire l’hypothèse.
Une donnée confirmatoire augmente réellement sa crédibilité par rapport aux alternatives.
Une théorie formulée de manière assez vague pour accepter presque tout reçoit peu de soutien de chaque observation particulière.
Les cas positifs
La forme la plus intuitive de confirmation consiste à observer des cas correspondant à une généralisation.
Ce métal se dilate lorsqu’il est chauffé.
Cet autre métal se dilate également.
De nombreux échantillons comparables se dilatent.
Ces observations soutiennent l’hypothèse générale selon laquelle les métaux de cette catégorie se dilatent sous l’effet de la chaleur. Mais aucun nombre fini de cas positifs ne démontre logiquement une loi universelle.
Il pourrait exister :
- une exception non encore observée ;
- une condition cachée ;
- une limite de température ;
- une catégorie mal définie.
Les cas positifs augmentent la confiance, surtout lorsqu’ils sont nombreux, variés et obtenus dans de bonnes conditions. Ils ne transforment pas automatiquement une généralisation en certitude.
Les observations répétées ne sont pas toujours indépendantes
Cent observations ne constituent pas nécessairement cent preuves distinctes. Si toutes sont réalisées avec le même appareil défectueux, elles peuvent reproduire la même erreur. Si plusieurs articles utilisent la même base de données, leur accord ne représente pas plusieurs confirmations indépendantes.
Il faut distinguer :
- répétition ;
- indépendance ;
- diversité méthodologique.
Une confirmation devient plus robuste lorsque les résultats proviennent :
- d’équipes différentes ;
- d’instruments différents ;
- de populations différentes ;
- de méthodes ayant des faiblesses différentes.
L’indépendance ne signifie pas absence de tout lien. Elle signifie surtout qu’une erreur unique ne suffit pas à expliquer toute la convergence.
La diversité des cas
Une hypothèse générale est davantage confirmée lorsqu’elle fonctionne dans des situations variées. Observer cent fois le même phénomène dans des conditions presque identiques montre sa stabilité locale. L’observer :
- dans plusieurs environnements ;
- sur plusieurs populations ;
- avec différentes mesures ;
- à différentes échelles,
apporte une information supplémentaire sur sa portée. Cette diversité doit toutefois rester pertinente.
Une théorie très locale ne doit pas être rejetée parce qu’elle ne fonctionne pas dans un contexte qu’elle n’était pas censée couvrir.
La confirmation doit être adaptée au domaine annoncé.
Le problème de l’induction
La confirmation scientifique rencontre le problème classique de l’induction.
Pourquoi les régularités observées dans le passé devraient-elles continuer dans l’avenir ou dans les cas encore inconnus ?
Aucune déduction pure ne permet de passer de :
« Tous les cas observés possèdent la propriété P »
à :
« Tous les cas futurs comparables posséderont P. »
Nous faisons néanmoins ce passage en permanence. Nous supposons que certaines régularités sont suffisamment stables et que les cas observés représentent correctement le domaine. Cette confiance inductive est indispensable à la science comme à la vie ordinaire. Elle reste faillible. La confirmation inductive ne produit donc pas une nécessité logique, mais un degré croissant de justification.
Le paradoxe du corbeau
Carl Hempel a formulé un paradoxe célèbre concernant la confirmation.
Considérons l’hypothèse :
« Tous les corbeaux sont noirs. »
Cette proposition est logiquement équivalente à :
« Tout ce qui n’est pas noir n’est pas un corbeau. »
Observer un corbeau noir semble naturellement confirmer l’hypothèse. Mais puisque les deux propositions sont équivalentes, observer une chaussure blanche devrait également confirmer qu’aucun corbeau n’est non noir. Cela paraît étrange. Une chaussure blanche semble presque sans rapport avec la couleur des corbeaux. Le paradoxe montre qu’une relation logique de confirmation ne suffit pas toujours à représenter l’importance réelle d’une preuve. Observer un objet non noir qui n’est pas un corbeau peut confirmer très légèrement la proposition équivalente, mais son apport est minuscule dans un monde contenant un nombre immense d’objets non noirs.
La confirmation dépend donc aussi de la quantité d’information apportée par la donnée.
Une preuve peut confirmer très faiblement
Les preuves ne possèdent pas seulement deux états :
- confirmatoire ;
- non confirmatoire.
Elles peuvent avoir une force très différente. Une chaussure blanche apporte, au mieux, un soutien négligeable à l’hypothèse sur les corbeaux. Découvrir un corbeau noir dans une région où aucun n’avait encore été étudié apporte davantage d’information. Rechercher spécifiquement des corbeaux non noirs et ne pas en trouver dans un large échantillon apporte encore un autre type de soutien. La confirmation doit donc être pensée en degrés. Le contexte, la rareté du résultat et la stratégie de recherche modifient la force de la preuve.
La sélection des observations
La manière dont les données sont obtenues compte autant que leur contenu. Une personne convaincue qu’un phénomène existe peut sélectionner les cas favorables et ignorer les autres. Une théorie paraît alors fortement confirmée parce que seuls ses succès sont conservés. Il faut demander :
- comment les cas ont-ils été sélectionnés ?
- les échecs ont-ils été enregistrés ?
- la recherche a-t-elle examiné systématiquement le domaine ?
- les critères ont-ils changé après les résultats ?
Une collection d’exemples choisis ne possède pas la même valeur qu’une enquête définie à l’avance sur un échantillon représentatif.
Biais de confirmation
Le biais de confirmation conduit à rechercher, interpréter et mémoriser plus facilement les informations favorables à une croyance déjà adoptée. Il peut agir de manière discrète.
Le chercheur ne falsifie pas nécessairement les données. Il peut :
- choisir une mesure avantageuse ;
- privilégier une analyse ;
- insister sur certains résultats ;
- minimiser les anomalies ;
- arrêter la collecte au bon moment.
Ce biais explique pourquoi la confirmation ne doit pas reposer seulement sur la sincérité individuelle.
Les procédures comme le préenregistrement, l’aveugle, la réplication et le partage des données cherchent à rendre ces choix visibles ou à en réduire l’influence.
Chercher les confirmations ou chercher les erreurs ?
Une enquête peut adopter deux orientations complémentaires. La première cherche des cas compatibles avec l’hypothèse. La seconde cherche activement les situations où elle pourrait échouer. La simple confirmation positive est souvent facile. Une théorie vague trouve rapidement des exemples.
Un test sévère est plus informatif. Il place l’hypothèse dans des conditions où une erreur aurait de bonnes chances d’être révélée. La science ne doit donc pas seulement demander :
« Puis-je trouver un fait correspondant à ma théorie ? »
mais :
« Cette théorie résiste-t-elle aux situations qui auraient dû la mettre en difficulté ? »
Une bonne confirmation est souvent le résultat d’une tentative de réfutation ayant échoué.
Confirmation et falsification
La confirmation et la falsification ne sont pas exactement symétriques. Une loi universelle peut être fragilisée par un contre-exemple robuste, tandis que des milliers de cas positifs ne la prouvent jamais définitivement. Mais dans les sciences probabilistes et complexes, même cette asymétrie devient graduelle. Un résultat contraire peut être possible sous la théorie. Il réduit alors sa crédibilité sans la détruire logiquement. De même, une série de résultats favorables peut augmenter fortement la confiance.
La pratique scientifique combine donc :
- recherches de contre-exemples ;
- accumulation de soutiens ;
- comparaison des probabilités ;
- analyse des alternatives.
La confirmation n’est pas l’opposé simple de la falsification. Les deux participent à une même révision des croyances.
Une théorie prédit-elle réellement la donnée ?
Une observation confirme davantage une théorie lorsqu’elle avait été prévue avant d’être connue. Supposons qu’une théorie soit construite précisément pour expliquer cinq résultats déjà observés. Sa correspondance à ces résultats est nécessaire, mais son pouvoir de confirmation reste limité : elle a été ajustée à eux. Si elle prédit ensuite correctement un sixième résultat inattendu, sa crédibilité augmente davantage. La distinction porte sur l’indépendance entre :
- les données utilisées pour construire l’hypothèse ;
- les données utilisées pour la tester.
Une théorie ne doit pas être évaluée uniquement sur les faits qu’elle a été conçue pour reproduire.
Prédiction nouvelle et accommodation
On distingue souvent la prédiction et l’accommodation. Une théorie accommode une donnée lorsqu’elle est modifiée ou formulée après sa découverte pour lui correspondre. Elle prédit une donnée lorsqu’elle annonce le résultat avant qu’il soit connu ou sans l’avoir utilisé pour sa construction. La prédiction nouvelle paraît plus impressionnante, car la théorie ne pouvait pas simplement être adaptée au résultat. Mais l’accommodation n’est pas dépourvue de valeur. Une bonne théorie peut expliquer un fait déjà connu de manière profonde et unifiée.
Une théorie nouvelle peut être supérieure précisément parce qu’elle montre pourquoi un ensemble ancien de données était relié. La prédiction possède une force particulière, mais l’explication rétrospective peut également confirmer lorsqu’elle n’est pas artificiellement construite.
Nouveau pour la théorie ou nouveau pour l’histoire ?
Une donnée peut être nouvelle de plusieurs manières. Elle peut ne jamais avoir été observée auparavant. Elle peut déjà être connue, mais ne pas avoir servi à construire la théorie. Elle peut être connue de certains chercheurs mais ignorée par les auteurs de l’hypothèse.
La nouveauté temporelle n’est donc pas toujours essentielle. Ce qui compte est surtout l’indépendance épistémique : la théorie n’a pas été façonnée pour reproduire précisément cette donnée.
Une conséquence dérivée sans connaissance préalable du résultat possède une véritable force confirmatoire, même si le fait existait déjà dans les archives.
Les preuves surprenantes
Une donnée confirme fortement une hypothèse lorsqu’elle serait surprenante sans elle. Supposons qu’une théorie annonce un résultat très spécifique qu’aucune hypothèse concurrente ne rend probable. Lorsque ce résultat apparaît, la théorie gagne beaucoup de crédibilité. La logique est la suivante :
Si l’hypothèse est vraie, la donnée est attendue.
Sans cette hypothèse, la donnée serait difficile à expliquer.
La donnée favorise donc l’hypothèse.
La simple probabilité de la donnée sous l’hypothèse ne suffit toutefois pas. Il faut comparer cette probabilité à celle qu’elle aurait sous les alternatives.
Vraisemblance et rapport de vraisemblance
Dans une approche probabiliste, on examine la vraisemblance :
Quelle probabilité l’hypothèse attribue-t-elle à la donnée observée ?
Mais la force comparative vient surtout du rapport de vraisemblance :
La donnée est-elle beaucoup plus probable sous l’hypothèse H1 que sous l’hypothèse H2 ?
Si les deux hypothèses rendent la donnée également probable, celle-ci ne les départage pas. Si la donnée est dix fois plus probable sous H1 que sous H2, elle favorise H1. Une preuve est donc discriminante lorsqu’elle modifie l’équilibre entre les explications concurrentes.
Exemple médical
Supposons qu’un symptôme apparaisse dans 90 % des cas d’une maladie A, mais aussi dans 80 % des cas d’une maladie B. Observer ce symptôme favorise légèrement A, mais ne permet pas de trancher fortement. Un second signe apparaît dans 70 % des cas de A et seulement 5 % des cas de B. Ce second signe est beaucoup plus discriminant. Il n’est pas nécessairement plus fréquent ou plus spectaculaire. Il sépare mieux les hypothèses.
La force d’une preuve ne dépend donc pas seulement de sa présence. Elle dépend de la différence qu’elle crée entre les explications.
Bayes : mettre à jour une croyance
Le théorème de Bayes formalise la mise à jour d’une probabilité lorsque de nouvelles données apparaissent.
Schématiquement :
Probabilité postérieure
= plausibilité antérieure
× force de la preuve.
Une hypothèse très improbable au départ demande généralement une preuve particulièrement discriminante.
Une hypothèse déjà plausible peut être renforcée par des données moins spectaculaires. Cette structure évite deux erreurs :
- ignorer les connaissances antérieures ;
- refuser de réviser une croyance antérieure face à des preuves fortes.
La confirmation bayésienne ne demande pas de repartir de zéro à chaque observation. Elle organise une révision continue.
Les probabilités antérieures
Les probabilités antérieures représentent le degré de plausibilité d’une hypothèse avant la nouvelle donnée. Elles peuvent dépendre :
- de fréquences connues ;
- de mécanismes établis ;
- de résultats antérieurs ;
- de la simplicité ;
- de la cohérence avec d’autres connaissances.
Elles ne sont pas toujours faciles à fixer. Deux personnes peuvent attribuer des probabilités différentes à une hypothèse nouvelle. Mais si les données sont très nombreuses et très discriminantes, leurs opinions peuvent progressivement converger. Les probabilités antérieures ne sont donc ni entièrement arbitraires ni toujours objectivement uniques. Elles doivent être justifiées et soumises à une analyse de sensibilité.
Affirmations extraordinaires
Une affirmation extraordinaire possède souvent une faible plausibilité antérieure parce qu’elle contredit ou révise de nombreuses connaissances robustes. Elle n’est pas impossible par définition. Mais elle demande une preuve dont le rapport de vraisemblance est très fort. Une photographie ambiguë ne suffit pas à établir un phénomène extraordinaire si des explications ordinaires rendent l’image presque aussi probable. En revanche, une série de mesures indépendantes, précises et difficilement explicables par les alternatives pourrait modifier fortement la situation. La formule :
« Les affirmations extraordinaires exigent des preuves extraordinaires »
exprime surtout cette exigence de pouvoir discriminant.
La convergence des preuves
Une hypothèse gagne fortement en crédibilité lorsque plusieurs preuves indépendantes convergent. Supposons qu’une même conclusion soit soutenue par :
- une observation ;
- une expérience ;
- une analyse génétique ;
- une prédiction historique ;
- une intervention réussie.
Chaque voie possède des faiblesses différentes. Pour rejeter l’hypothèse, il faudrait expliquer simultanément pourquoi toutes ces méthodes produisent la même conclusion. La convergence augmente donc la robustesse. Mais il faut vérifier que les preuves sont réellement distinctes. Plusieurs analyses d’une même source ne constituent pas nécessairement plusieurs confirmations indépendantes.
Triangulation
La triangulation consiste à étudier le même phénomène selon plusieurs approches.
Dans les sciences sociales, une hypothèse peut être examinée par :
- statistiques ;
- entretiens ;
- comparaisons ;
- expériences ;
- archives.
Les méthodes ne mesurent pas toujours exactement la même chose. Leur convergence doit donc être interprétée. Mais lorsqu’elles soutiennent une structure commune malgré leurs limites différentes, la crédibilité augmente. La triangulation est particulièrement utile lorsque aucune méthode isolée ne peut fournir une preuve décisive.
La robustesse méthodologique
Un résultat est robuste lorsqu’il persiste sous plusieurs choix raisonnables :
- définitions ;
- modèles ;
- échantillons ;
- méthodes statistiques ;
- critères d’exclusion.
Si une conclusion n’apparaît que sous une analyse très particulière, elle est plus fragile.
Une analyse de robustesse ne cherche pas nécessairement que tous les résultats soient identiques. Elle vérifie que la conclusion principale ne dépend pas entièrement d’une décision arbitraire. Cette stabilité augmente la confiance dans le fait que le phénomène appartient aux données plutôt qu’à la méthode choisie.
La réplication
La réplication constitue une forme importante de confirmation.
Une première étude peut contenir une fluctuation aléatoire, une erreur, un biais local et une mauvaise estimation.
Une réplication indépendante vérifie si le résultat réapparaît. Une réplication directe reprend des conditions proches. Une réplication conceptuelle teste la même hypothèse avec une autre procédure. La première examine la stabilité du résultat précis. La seconde examine sa portée au-delà d’un protocole particulier. La répétition réussie augmente la crédibilité, surtout lorsque les équipes et les méthodes sont indépendantes.
Un échec de réplication
Un échec de réplication n’annule pas automatiquement le premier résultat. Il peut venir d’un échantillon différent, d’une mauvaise reproduction, d’un effet dépendant du contexte, d’une puissance statistique insuffisante ou d’une erreur de l’étude initiale. Mais il doit modifier la confiance. Une théorie expliquant toujours les échecs par des particularités non prévues devient progressivement moins testable. La bonne réponse consiste à préciser les conditions sous lesquelles l’effet est attendu et à produire de nouveaux tests capables de distinguer les explications.
La taille de l’effet
Une différence peut être statistiquement détectable tout en être très faible. La confirmation d’une hypothèse portant sur l’existence d’un effet n’établit pas automatiquement son importance pratique. Il faut examiner :
- l’ampleur ;
- l’incertitude ;
- la stabilité ;
- les conséquences concrètes.
Une étude sur un très grand échantillon peut détecter une différence minuscule. Une petite étude peut suggérer un effet important mais très incertain. La crédibilité d’une conclusion demande de distinguer :
existe-t-il un effet ?
quelle est sa taille ?
dans quelles conditions est-il important ?
La précision des estimations
La confirmation ne porte pas seulement sur la présence d’un phénomène. Elle peut porter sur une estimation quantitative. Une théorie annonçant une valeur comprise entre 1 et 100 prend peu de risques. Une théorie prévoyant une valeur autour de 20 avec une marge raisonnable est plus informative. Lorsqu’une mesure précise correspond à une prédiction précise, la confirmation est plus forte. Mais une précision artificielle peut être trompeuse si le modèle ignore des incertitudes structurelles.
Une bonne estimation représente honnêtement ce qui est et n’est pas connu.
Intervalles et incertitudes
Un résultat scientifique devrait souvent être présenté avec un intervalle d’incertitude. Cet intervalle indique les valeurs compatibles avec les données selon un modèle. Il ne représente pas nécessairement toutes les incertitudes. Il peut laisser de côté :
- les biais de sélection ;
- les erreurs de mesure ;
- les hypothèses du modèle ;
- les problèmes de généralisation.
Une confirmation quantitative devient plus solide lorsque les différentes sources d’incertitude sont examinées, et pas seulement l’erreur statistique interne.
La significativité statistique
La significativité statistique indique généralement qu’un résultat serait relativement inhabituel sous une hypothèse nulle déterminée. Elle ne signifie pas :
- que l’hypothèse de recherche est certainement vraie ;
- que l’effet est important ;
- que le résultat se reproduira ;
- que le modèle causal est correct.
Un seuil conventionnel ne transforme pas automatiquement une donnée en preuve forte. Il faut comparer les hypothèses, les tailles d’effet, les intervalles, les choix analytiques et les connaissances antérieures. La significativité peut contribuer à la confirmation. Elle ne la résume pas.
Le problème des tests multiples
Si un chercheur teste un grand nombre de relations, certaines paraîtront significatives par hasard. Supposons qu’il compare cent variables sans hypothèse préalable. Même en l’absence d’effet réel, plusieurs résultats inhabituels peuvent apparaître. S’ils sont ensuite présentés isolément, la preuve semble plus forte qu’elle ne l’est. Il faut donc tenir compte :
- du nombre de tests ;
- de la distinction entre exploration et confirmation ;
- de la nécessité d’une réplication indépendante.
Une donnée découverte parmi de nombreuses possibilités constitue une hypothèse à tester, non nécessairement une confirmation définitive.
La puissance statistique
Une étude de faible puissance possède peu de chances de détecter un effet réel. Elle peut produire un résultat négatif sans réellement mettre l’hypothèse à l’épreuve. Elle peut aussi surestimer l’ampleur des effets qui réussissent à franchir le seuil de publication.
Pour interpréter une confirmation ou une absence de confirmation, il faut examiner :
- la taille de l’échantillon ;
- la variabilité ;
- l’effet attendu ;
- la qualité de la mesure.
L’absence de preuve n’est informative que si l’étude avait une bonne capacité à détecter ce qu’elle cherchait.
Absence de preuve et preuve d’absence
Ne pas observer un effet peut signifier :
- qu’il n’existe pas ;
- qu’il est trop faible ;
- que la mesure est mauvaise ;
- que l’échantillon est insuffisant ;
- que les conditions ne sont pas réunies.
L’absence de preuve devient une preuve d’absence lorsque l’hypothèse rendait fortement probable l’observation d’un signal et que le dispositif avait une bonne capacité à le détecter. Supposons qu’une théorie prévoie une trace très visible. Une recherche approfondie ne la trouve pas. Cette absence fragilise la théorie. Mais si la trace était difficile à observer, le silence des données apporte peu d’information.
Les contrôles
Les contrôles permettent d’identifier ce qui produit le résultat. Un groupe de contrôle aide à distinguer l’effet d’une intervention de l’évolution spontanée ou des attentes. Un contrôle négatif vérifie que le dispositif ne produit pas le signal en l’absence du phénomène. Un contrôle positif vérifie qu’il détecte correctement un effet connu. Sans contrôles, un résultat favorable peut recevoir plusieurs explications. La confirmation augmente lorsque les contrôles éliminent progressivement les alternatives plausibles.
La randomisation
La randomisation répartit les participants ou les unités entre plusieurs conditions par une procédure aléatoire. Elle cherche à rendre les groupes comparables sur les facteurs connus et inconnus. Si une différence apparaît ensuite, l’intervention devient une explication plus plausible. La randomisation ne garantit pas la perfection. Des déséquilibres peuvent subsister, des abandons peuvent modifier les groupes et les mesures peuvent être biaisées. Mais elle réduit fortement certaines explications concurrentes.
La force confirmatoire d’une étude dépend donc aussi de la qualité de sa conception, et non seulement du résultat final.
L’aveugle
Lorsqu’un participant ou un évaluateur connaît la condition attribuée, ses attentes peuvent influencer le comportement ou la mesure. L’aveugle réduit cette influence. Une confirmation obtenue malgré l’ignorance de l’attribution possède généralement davantage de valeur, car une explication par les attentes devient moins probable. Toutes les recherches ne peuvent pas être conduites en aveugle. Il faut alors utiliser d’autres contrôles :
- mesures objectives ;
- évaluateurs indépendants ;
- critères prédéfinis ;
- automatisation de certaines étapes.
Les mécanismes
Une hypothèse causale est davantage confirmée lorsque le mécanisme supposé est également observé. Une corrélation seule peut recevoir plusieurs explications. Si l’on identifie :
- les étapes intermédiaires ;
- la relation temporelle ;
- l’effet d’une intervention ;
- les modifications attendues du mécanisme,
l’explication gagne en solidité. Mais un mécanisme plausible ne suffit pas à prouver l’effet global.
Un processus peut exister sans produire une conséquence importante dans les conditions réelles.
Les preuves mécanistes et statistiques doivent donc être articulées.
Corrélation et confirmation causale
Une corrélation confirme au minimum qu’une relation statistique existe dans les données observées. Elle ne confirme pas automatiquement que A cause B.
Plusieurs explications restent possibles :
- A cause B ;
- B cause A ;
- un facteur C cause les deux ;
- la relation résulte d’une sélection ;
- la corrélation est accidentelle.
La confirmation causale demande des preuves supplémentaires :
- temporalité ;
- intervention ;
- mécanisme ;
- comparaison ;
- élimination des facteurs confondants.
Une théorie causale est renforcée lorsque plusieurs de ces éléments convergent.
Les expériences naturelles
Certaines questions ne peuvent pas être étudiées par une expérience volontaire. Les chercheurs utilisent alors des variations naturelles ou institutionnelles ressemblant à une attribution quasi aléatoire. Ces situations peuvent renforcer une inférence causale. Mais leur valeur dépend de l’hypothèse selon laquelle les groupes comparés ne diffèrent pas par d’autres facteurs importants. La confirmation repose donc sur la plausibilité du dessin de recherche et sur des tests de robustesse. Une expérience naturelle n’est pas automatiquement équivalente à une expérience contrôlée.
Les traces historiques
Une hypothèse sur le passé ne peut pas toujours produire une nouvelle expérience. Elle peut néanmoins être confirmée par les traces qu’elle rend probables :
- documents ;
- fossiles ;
- distributions ;
- relations génétiques ;
- chronologies ;
- effets matériels.
Une bonne théorie historique prédit parfois l’existence d’une trace encore inconnue. Sa découverte ultérieure possède une forte valeur. La confirmation scientifique ne dépend donc pas uniquement de la répétition expérimentale. Elle dépend de la relation précise entre l’hypothèse et les éléments observables.
La cohérence avec les connaissances établies
Une hypothèse est davantage crédible lorsqu’elle s’intègre à un ensemble robuste de connaissances. Cette cohérence n’est pas une preuve suffisante. Une hypothèse fausse peut être conçue pour correspondre au cadre dominant. Mais une théorie qui exige de rejeter de nombreux résultats bien établis supporte une charge de la preuve plus élevée.
La cohérence constitue une forme de soutien indirect. Elle réduit le nombre de révisions nécessaires pour intégrer l’hypothèse. Cependant, elle ne doit pas devenir une interdiction de toute révolution scientifique. Des preuves suffisamment fortes peuvent justifier une révision profonde.
La simplicité comme facteur de confirmation
Lorsque deux hypothèses expliquent les mêmes données, la plus simple reçoit souvent une préférence. Elle introduit moins d’hypothèses indépendantes et risque moins d’être adaptée au bruit. Mais la simplicité ne crée pas à elle seule une confirmation empirique. Une théorie plus complexe peut être mieux soutenue si les données justifient chaque élément supplémentaire. La bonne règle est :
La complexité doit apporter un gain explicatif ou prédictif proportionné.
La parcimonie influence la plausibilité comparative, sans remplacer les observations.
La fécondité
Une théorie gagne indirectement en crédibilité lorsqu’elle ouvre un programme de recherche fécond. Elle permet :
- de formuler de nouvelles questions ;
- de découvrir des phénomènes ;
- de construire des instruments ;
- de relier plusieurs domaines ;
- de réussir des interventions.
Cette fécondité n’est pas une preuve directe de vérité. Une théorie fausse peut temporairement stimuler des découvertes. Mais une réussite durable, diversifiée et précise devient difficile à expliquer par le seul hasard. La fécondité contribue alors à une confirmation globale.
Les applications techniques
Une théorie permettant de construire des dispositifs ou de contrôler des phénomènes reçoit un soutien important. L’efficacité technique montre qu’elle saisit au moins certaines relations stables. Mais une application réussie ne prouve pas que toute l’interprétation théorique soit vraie. Un modèle approximatif peut fonctionner dans un domaine précis. La confirmation technique porte donc parfois sur :
- les relations utilisées ;
- le domaine d’application ;
- la capacité prédictive,
sans justifier chaque affirmation métaphysique associée.
Le succès inattendu
Une théorie est particulièrement renforcée lorsqu’elle réussit dans un domaine pour lequel elle n’avait pas été construite. Ce succès inattendu suggère qu’elle saisit une structure plus générale. Il réduit la probabilité que son succès initial résulte seulement d’un ajustement local. Mais il faut vérifier que l’application nouvelle n’a pas elle-même demandé de nombreux paramètres ou corrections. Un transfert réellement prédictif possède davantage de valeur qu’une adaptation rétrospective.
Les confirmations convergentes et les erreurs communes
La convergence peut être trompeuse lorsque les méthodes partagent la même erreur. Plusieurs laboratoires utilisent le même instrument mal calibré. Plusieurs études reprennent la même classification inadéquate. Plusieurs médias répètent une source unique. L’accord apparent ne multiplie pas réellement la preuve. Il faut donc cartographier les dépendances :
- données communes ;
- financements ;
- instruments ;
- logiciels ;
- hypothèses ;
- sources.
La diversité visible n’est pas toujours une indépendance réelle.
Méta-analyse et synthèse
Une méta-analyse combine les résultats de plusieurs études afin d’estimer une tendance générale. Elle peut augmenter la précision et révéler des variations. Mais elle dépend de la qualité de la littérature disponible. Si les études sont biaisées, petites ou sélectionnées, la synthèse peut produire une estimation précise d’une conclusion erronée. Une bonne méta-analyse examine :
- la qualité des études ;
- l’hétérogénéité ;
- le biais de publication ;
- la sensibilité aux choix ;
- l’indépendance des données.
La synthèse augmente la confirmation seulement si elle organise correctement les faiblesses des travaux inclus.
Le biais de publication
Les résultats positifs et spectaculaires sont souvent davantage publiés que les résultats négatifs. La littérature visible donne alors l’impression d’une confirmation plus forte que la réalité. Supposons que vingt études soient réalisées. Trois trouvent un effet par hasard et sont publiées. Les dix-sept autres restent invisibles. Le lecteur voit trois confirmations concordantes.
Pour limiter ce biais, plusieurs pratiques sont utiles :
- enregistrement préalable des études ;
- publication des résultats négatifs ;
- partage des protocoles ;
- rapports enregistrés.
La confirmation scientifique dépend aussi de ce qui n’est pas publié.
Les résultats négatifs
Un résultat négatif peut apporter une information importante. Il peut :
- exclure une amplitude d’effet ;
- limiter un domaine ;
- fragiliser un mécanisme ;
- montrer qu’une intervention ne fonctionne pas.
Mais tous les résultats négatifs ne se valent pas. Une étude mal conçue n’ayant rien détecté confirme peu l’absence d’effet. Un résultat négatif devient informatif lorsque le test était suffisamment sensible et que l’hypothèse prévoyait clairement un signal.
La correction des erreurs
Une hypothèse peut perdre puis regagner de la crédibilité lorsque les causes d’un échec sont comprises. Supposons qu’une réplication échoue en raison d’un instrument mal calibré. Une nouvelle étude correctement conduite retrouve l’effet. La confirmation doit intégrer l’ensemble de l’histoire. Il ne suffit ni de compter mécaniquement les études favorables et défavorables, ni de supprimer les résultats gênants. Il faut examiner la qualité comparative et les explications indépendamment testables des divergences.
La confirmation est cumulative
Une théorie devient rarement solide grâce à une preuve unique.
La confiance résulte d’une accumulation structurée :
- prédictions réussies ;
- résultats reproduits ;
- mécanismes identifiés ;
- contrôles efficaces ;
- applications ;
- intégration à d’autres connaissances ;
- résistance aux alternatives.
Le mot *cumulative* ne signifie pas que chaque donnée s’ajoute simplement comme un point identique.
Certaines preuves possèdent beaucoup plus de poids que d’autres.
Une seule donnée hautement discriminante peut compter davantage que des centaines d’exemples ordinaires.
Les preuves peuvent se neutraliser
Une hypothèse reçoit parfois des données favorables et défavorables.
Il faut alors examiner :
- leur qualité ;
- leur indépendance ;
- leur précision ;
- leur compatibilité avec les conditions annoncées ;
- les explications des divergences.
Deux preuves ne s’annulent pas nécessairement de manière arithmétique. Une étude robuste peut peser davantage que plusieurs études fragiles. La confirmation scientifique demande une pondération, non un simple comptage.
Le degré de confiance
Une conclusion scientifique devrait être accompagnée d’un degré de confiance adapté.
Plusieurs niveaux peuvent être distingués :
- hypothèse spéculative ;
- hypothèse plausible ;
- résultat préliminaire ;
- résultat reproduit ;
- conclusion largement confirmée ;
- théorie très solidement établie.
Ces catégories ne possèdent pas toujours des frontières précises. Elles rappellent néanmoins que les croyances scientifiques sont graduées.
Présenter toute conclusion comme certaine ou comme simple opinion détruit cette structure.
Confirmation et consensus
Le consensus des spécialistes peut fournir une preuve indirecte importante. Lorsque de nombreuses personnes compétentes examinent un ensemble de données et convergent, le profane possède une raison de leur accorder du poids. Mais le consensus ne confirme pas une hypothèse indépendamment des preuves qui l’ont produit. Sa valeur dépend de :
- la qualité des recherches ;
- la diversité des méthodes ;
- la liberté de critique ;
- l’indépendance ;
- la capacité de correction.
Le consensus résume en partie une architecture de confirmation. Il ne remplace pas cette architecture.
Les témoignages d’experts
Un expert peut affirmer qu’une théorie est bien confirmée.
Pour le non-spécialiste, ce témoignage constitue une preuve. Mais son poids dépend :
- de la compétence précise ;
- de la représentativité de sa position ;
- de la transparence des raisons ;
- de la cohérence avec les autres spécialistes.
Un expert isolé ne vaut pas automatiquement une synthèse collective. Inversement, le non-spécialiste ne peut pas exiger de reconstruire personnellement toutes les preuves. La délégation rationnelle consiste à évaluer la qualité des chaînes par lesquelles la confirmation est transmise.
La confirmation dans les sciences sociales
Dans les sciences sociales, les phénomènes varient fortement selon les contextes. Une hypothèse peut être confirmée comme tendance probabiliste sans s’appliquer à chaque individu ni à chaque société. La généralisation demande de préciser :
- les populations ;
- les institutions ;
- les périodes ;
- les mécanismes ;
- les conditions.
Une étude menée dans un contexte particulier ne confirme pas automatiquement une loi universelle.
La réplication conceptuelle, les comparaisons internationales et les données longitudinales sont particulièrement importantes.
L’hétérogénéité
Un effet moyen peut cacher des variations importantes. Une intervention aide certains groupes, n’a aucun effet sur d’autres et peut nuire à quelques-uns. La moyenne globale confirme peut-être une influence générale, mais reste insuffisante pour chaque décision particulière. Il faut examiner :
- la distribution ;
- les sous-groupes ;
- les conditions ;
- les mécanismes.
Une théorie devient plus crédible lorsqu’elle explique non seulement l’effet moyen, mais aussi son hétérogénéité de manière prédictive.
Les analyses de sous-groupes doivent toutefois être définies avec prudence pour éviter la découverte fortuite de différences.
Les études qualitatives
Une étude qualitative ne confirme pas une hypothèse de la même manière qu’un essai quantitatif. Elle peut fournir :
- des mécanismes possibles ;
- des significations ;
- des cas négatifs ;
- des catégories nouvelles ;
- une compréhension du contexte.
Elle peut renforcer une explication en montrant que les processus supposés apparaissent effectivement dans les récits et les pratiques. Mais elle ne permet pas toujours d’estimer une fréquence générale. La force confirmatoire dépend de la question. Une méthode doit être jugée selon le type de proposition qu’elle cherche à soutenir.
Études de cas
Un cas particulier peut posséder une grande valeur lorsqu’il constitue :
- un contre-exemple ;
- un cas critique ;
- une observation rare ;
- une situation où les théories concurrentes produisent des prédictions différentes.
Il ne confirme pas toujours une généralisation statistique. Mais il peut montrer qu’un mécanisme est possible, qu’une loi universelle est fausse ou qu’une explication manque un facteur essentiel.
La valeur d’un cas dépend donc de sa relation logique à l’hypothèse, non seulement de sa représentativité.
Les preuves anecdotiques
Une anecdote est un récit portant sur un cas particulier. Elle peut être vraie et importante. Elle peut révéler une possibilité, un dysfonctionnement, une expérience ignorée ou une hypothèse à examiner. Mais elle confirme peu une fréquence ou une causalité générale.
Une personne guérissant après un traitement ne montre pas à elle seule que le traitement a causé la guérison.
Il faut comparer avec :
- l’évolution habituelle ;
- d’autres patients ;
- les traitements concurrents ;
- les mécanismes ;
- les essais contrôlés.
L’anecdote est souvent un point de départ, non une conclusion générale.
Les témoignages convergents
Plusieurs témoignages indépendants peuvent confirmer un événement ou une régularité. Mais leur valeur dépend :
- de l’accès direct ;
- de la mémoire ;
- de l’absence de contamination ;
- de la précision ;
- des intérêts ;
- de l’indépendance.
Dix témoignages issus d’une rumeur unique ne valent pas dix observations. À l’inverse, plusieurs récits recueillis séparément et correspondant sur des détails non suggérés peuvent produire une forte confirmation.
La preuve documentaire
Un document peut confirmer une hypothèse historique, juridique ou institutionnelle. Mais son authenticité et son interprétation doivent être examinées.
Il faut demander :
- qui l’a produit ?
- dans quel but ?
- à quelle date ?
- le document est-il complet ?
- représente-t-il une décision, une intention ou une simple proposition ?
- existe-t-il d’autres documents contradictoires ?
Une trace authentique peut être mal interprétée.
La confirmation demande de relier correctement la source à la proposition défendue.
La cohérence narrative
Un récit cohérent est plus facile à croire. Mais la cohérence seule ne suffit pas. Une histoire inventée peut être parfaitement organisée. Une explication réelle peut comporter des zones d’ombre, des erreurs humaines et des événements contingents. La cohérence devient confirmatoire lorsqu’elle résulte de la convergence de preuves indépendantes, non lorsqu’elle est seulement produite par le narrateur. Il faut distinguer :
- cohérence interne du récit ;
- correspondance aux traces ;
- capacité à expliquer les contradictions ;
- comparaison avec les alternatives.
Les théories complotistes et la confirmation
Une théorie complotiste sélectionne souvent des anomalies réelles et les intègre à une explication globale. Chaque détail ambigu est présenté comme une confirmation. Mais une preuve véritablement confirmatoire devrait être davantage attendue sous l’hypothèse de complot que sous des explications ordinaires. Un retard administratif, une déclaration maladroite ou une contradiction mineure peuvent apparaître sans coordination secrète. La théorie gagne réellement en crédibilité lorsque des traces spécifiques de coordination apparaissent :
- communications ;
- financements ;
- ordres ;
- synchronisation improbable ;
- témoignages indépendants ;
- documents authentifiés.
La quantité d’anomalies vagues ne remplace pas la qualité discriminante des preuves.
La répétition publique
Une affirmation souvent répétée paraît plus crédible. Mais la répétition augmente la familiarité, non la confirmation. Pour savoir si plusieurs sources confirment réellement une information, il faut remonter à leur origine. Dix articles peuvent reprendre le même communiqué. Cent publications peuvent citer la même étude. Le volume de circulation mesure alors l’attention, pas l’indépendance des preuves.
La confirmation sociale exige une pluralité de chaînes, pas une simple duplication.
Confirmation et absence d’alternative
Une hypothèse peut sembler confirmée parce qu’aucune autre explication n’est proposée. Mais l’absence d’alternative connue ne prouve pas que l’hypothèse soit vraie. La liste peut être incomplète. La position raisonnable peut être :
« Cette hypothèse est actuellement la meilleure disponible, mais les preuves restent limitées. »
La confirmation dépend à la fois :
- de la qualité absolue des preuves ;
- de la comparaison avec les alternatives.
La meilleure théorie d’un ensemble pauvre peut rester peu crédible.
Les explications indépendantes
Une hypothèse est plus fortement confirmée lorsqu’elle reçoit des soutiens qui n’ont pas été conçus uniquement pour la protéger. Supposons qu’un mécanisme proposé pour expliquer une anomalie soit ensuite observé dans un autre contexte. Cette confirmation indépendante réduit le caractère ad hoc de l’hypothèse. À l’inverse, une explication ajoutée après chaque échec mais ne produisant aucune autre conséquence reçoit peu de soutien.
Les hypothèses auxiliaires doivent, autant que possible, posséder leur propre base probatoire.
Les conséquences inattendues
Une théorie peut révéler une conséquence que ses auteurs n’avaient pas recherchée.
Si cette conséquence est ensuite observée, la confirmation est particulièrement forte. Elle montre que la structure de la théorie produit davantage que l’ajustement initial. Mais il faut vérifier que la conséquence était réellement dérivée avant l’observation et qu’elle n’a pas été reformulée après coup.
La conservation des notes, des protocoles et des prédictions est donc importante pour évaluer la nouveauté réelle.
L’intervention réussie
Une hypothèse causale gagne en crédibilité lorsqu’elle permet de modifier le phénomène comme prévu.
Comprendre une cause permet souvent :
- de produire l’effet ;
- de le réduire ;
- de le déplacer ;
- de l’empêcher.
Une intervention réussie relie la théorie à une action contrôlée. Mais elle peut parfois fonctionner pour des raisons différentes de celles proposées. Il faut donc vérifier les mécanismes et les alternatives. Le succès pratique confirme au minimum certaines relations, sans toujours valider toute l’explication théorique.
La confirmation des modèles
Un modèle scientifique simplifie la réalité. Il ne doit pas être jugé uniquement comme vrai ou faux. Il peut être confirmé relativement à :
- une tâche ;
- une échelle ;
- une population ;
- une marge de précision.
Un modèle météorologique peut être excellent à court terme et insuffisant à une autre échelle. Un modèle économique peut décrire une tendance générale sans prévoir chaque décision. La confirmation doit donc porter sur les performances annoncées et le domaine de validité.
Validation interne et externe
La validité interne concerne la solidité de la relation observée dans l’étude elle-même.
La validité externe concerne la possibilité de généraliser le résultat à d’autres situations. Une expérience très contrôlée peut isoler une causalité tout en utiliser un contexte artificiel. Une étude de terrain peut représenter mieux la réalité quotidienne tout en contrôler moins les facteurs. Les deux dimensions sont importantes. Une théorie fortement confirmée demande souvent une combinaison de :
- contrôle ;
- réalisme ;
- diversité des contextes ;
- réplication.
La confirmation est relative à une proposition précise
Une étude peut confirmer une proposition limitée sans justifier une conclusion plus large. Par exemple, elle peut montrer :
« Cette intervention produit un effet moyen faible dans cette population pendant trois mois. »
Elle ne montre pas nécessairement :
« Cette intervention fonctionne pour tout le monde, durablement et sans effet secondaire. »
L’extrapolation constitue une nouvelle hypothèse demandant ses propres preuves.
Une grande partie des exagérations scientifiques vient du passage silencieux d’une conclusion précise à une affirmation générale.
La hiérarchie des affirmations
Il est utile de distinguer plusieurs niveaux :
- une association est observée ;
- l’association se reproduit ;
- une relation causale est plausible ;
- un mécanisme est identifié ;
- l’effet se généralise ;
- une intervention est utile ;
- une politique est recommandée.
Chaque niveau ajoute de nouvelles hypothèses. Les preuves confirmant le premier ne suffisent pas automatiquement pour le dernier. Une communication rigoureuse indique clairement le niveau réellement soutenu.
Confirmation et décision
Une décision pratique ne demande pas toujours la confirmation maximale.
Le seuil dépend :
- des enjeux ;
- de la réversibilité ;
- du coût ;
- des alternatives ;
- des risques d’action et d’inaction.
Une mesure peu coûteuse et réversible peut être adoptée sur la base d’une preuve modérée. Une intervention lourde et irréversible demande un soutien plus fort. La confirmation scientifique informe la décision, mais le niveau de preuve nécessaire dépend aussi de valeurs et de conséquences.
Risques asymétriques
Deux erreurs peuvent avoir des coûts différents :
- croire à tort qu’un danger existe ;
- croire à tort qu’il n’existe pas.
Dans certains contextes, le faux négatif est plus grave. Dans d’autres, le faux positif produit davantage de dommages. Le seuil de confirmation doit tenir compte de cette asymétrie. Cela ne modifie pas directement la vérité de l’hypothèse. Cela modifie le niveau de confiance nécessaire pour agir. Il faut distinguer :
- degré de confirmation ;
- règle de décision.
Confirmation et précaution
Une hypothèse peut être insuffisamment confirmée pour être considérée comme établie, tout en justifier une précaution. Supposons qu’un risque grave soit plausible, que l’action préventive soit modérée et que l’inaction puisse être irréversible. La décision peut être rationnelle avant une certitude scientifique. Mais cette précaution doit être proportionnée et révisable. Elle ne doit pas transformer une hypothèse de risque en fait définitivement prouvé. La communication doit distinguer :
« Le danger est établi »
et :
« Les données actuelles justifient une mesure préventive. »
Une confirmation peut être révisée
Une théorie très bien confirmée reste en principe révisable.
De nouvelles données peuvent :
- limiter son domaine ;
- modifier son mécanisme ;
- réduire l’ampleur de l’effet ;
- l’intégrer à une théorie plus générale.
La révision ne signifie pas toujours que l’ancienne connaissance était entièrement fausse. Elle peut être approximativement correcte dans certaines conditions.
La confirmation scientifique est donc historique et cumulative, mais jamais absolument irréversible.
La stabilité des théories bien confirmées
Toutes les conclusions scientifiques n’ont pas la même fragilité. Une hypothèse récente reposant sur quelques études peut changer rapidement. Une théorie soutenue par :
- plusieurs disciplines ;
- des prédictions précises ;
- des technologies ;
- des expériences répétées ;
- des mécanismes,
est beaucoup plus stable.
Dire que la science est révisable ne signifie pas que toutes ses conclusions risquent également d’être renversées demain.
La confiance doit correspondre à la profondeur et à la diversité de la confirmation.
Une méthode pratique d’évaluation
Pour évaluer la confirmation d’une hypothèse, il est utile de suivre plusieurs étapes.
Préciser l’hypothèse
Quelle proposition exacte est soutenue ?
Identifier les données
Qu’a-t-on réellement observé ou mesuré ?
Comparer les alternatives
La donnée serait-elle également probable sous d’autres hypothèses ?
Examiner la prédiction
Le résultat était-il annoncé avant d’être connu ?
Évaluer les contrôles
Les explications concurrentes ont-elles été suffisamment réduites ?
Vérifier l’indépendance
Les preuves reposent-elles sur plusieurs sources et méthodes ?
Examiner la réplication
Le résultat réapparaît-il ?
Mesurer la précision
Quelle est l’ampleur de l’effet et son incertitude ?
Vérifier la portée
La conclusion dépasse-t-elle les populations et conditions étudiées ?
Calibrer la confiance
La preuve justifie-t-elle une hypothèse plausible, probable ou solidement établie ?
Questions pour examiner une confirmation
- Quelle hypothèse précise la donnée est-elle censée confirmer ?
- La donnée est-elle seulement compatible ou réellement discriminante ?
- Serait-elle également probable sous une autre hypothèse ?
- La prédiction a-t-elle été formulée avant le résultat ?
- Les données ont-elles servi à construire puis à tester la même théorie ?
- Les cas favorables ont-ils été sélectionnés ?
- Les résultats négatifs sont-ils disponibles ?
- Les preuves sont-elles indépendantes ?
- Plusieurs études utilisent-elles la même base ou le même instrument ?
- Le résultat a-t-il été reproduit ?
- Une réplication directe et une réplication conceptuelle existent-elles ?
- Les contrôles éliminent-ils les principales explications concurrentes ?
- La mesure représente-t-elle correctement le concept ?
- L’effet est-il important ou seulement statistiquement détectable ?
- Quelle est l’incertitude de l’estimation ?
- L’étude avait-elle une puissance suffisante ?
- Une absence de résultat était-elle réellement détectable ?
- Les analyses étaient-elles prévues ou choisies après coup ?
- Le nombre de tests réalisés a-t-il été pris en compte ?
- Un mécanisme indépendant soutient-il l’hypothèse ?
- Des interventions produisent-elles les effets prévus ?
- La conclusion se généralise-t-elle à d’autres contextes ?
- La théorie explique-t-elle aussi les anomalies et les échecs ?
- Quelle preuve conduirait à réduire la confiance ?
- Le degré de certitude annoncé correspond-il réellement à la force des données ?
Erreurs fréquentes
Confondre compatibilité et confirmation
Une donnée peut ne pas contredire une hypothèse sans augmenter sensiblement sa crédibilité.
Compter les cas favorables sans examiner leur sélection
Une collection choisie après coup peut produire une illusion de confirmation.
Confondre répétition et indépendance
Plusieurs publications peuvent dépendre d’une source unique.
Croire qu’une prédiction vague est fortement confirmée
Une théorie compatible avec presque tout prend peu de risques.
Confondre explication après coup et prédiction
Une accommodation peut être utile, mais elle demande ensuite de nouveaux tests.
Ignorer les hypothèses concurrentes
Une donnée ne favorise pas une théorie si toutes les alternatives la prédisaient également.
Confondre significativité statistique et importance
Un effet détectable peut être faible ou pratiquement négligeable.
Confondre absence de significativité et absence d’effet
Une étude peut manquer de puissance.
Multiplier les analyses sans correction
Certaines associations apparaîtront par hasard.
Confondre mécanisme plausible et preuve d’efficacité
Un mécanisme peut exister sans produire un effet important dans la réalité.
Généraliser au-delà de la population étudiée
La validité locale ne garantit pas l’universalité.
Compter toutes les études de la même manière
Une étude robuste peut valoir davantage que plusieurs travaux fragiles.
Ignorer le biais de publication
La littérature visible peut surreprésenter les résultats positifs.
Confondre consensus et preuve indépendante
Le consensus résume des preuves ; il ne les remplace pas.
Présenter une hypothèse comme certaine parce qu’elle est la meilleure disponible
La meilleure option actuelle peut rester faiblement confirmée.
À retenir
La confirmation scientifique désigne l’augmentation de crédibilité d’une hypothèse à la lumière des preuves.
Une donnée ne confirme pas fortement une hypothèse simplement parce qu’elle est compatible avec elle.
Elle possède davantage de force lorsqu’elle est plus probable sous cette hypothèse que sous ses concurrentes.
La confirmation est graduelle, comparative et faillible.
Les cas positifs soutiennent une généralisation, mais aucun nombre fini d’observations ne démontre logiquement une loi universelle.
La diversité et l’indépendance des preuves comptent davantage que leur nombre brut.
Une prédiction formulée avant l’observation possède généralement plus de force qu’une explication adaptée après coup.
Une théorie peut néanmoins être confirmée par sa capacité à expliquer et unifier des données déjà connues, surtout lorsqu’elle produit ensuite de nouvelles conséquences.
Le raisonnement bayésien combine la plausibilité antérieure d’une hypothèse et la force discriminante des nouvelles données.
Une preuve est particulièrement forte lorsqu’elle serait difficile à expliquer sous les hypothèses concurrentes.
La réplication, la triangulation, les contrôles, la randomisation et l’aveugle réduisent les explications alternatives.
La significativité statistique ne résume ni la force de la preuve, ni l’importance de l’effet, ni la probabilité que la théorie soit vraie.
Les résultats négatifs sont informatifs lorsque le test avait une bonne capacité à détecter l’effet prévu.
Une convergence de plusieurs méthodes indépendantes apporte une confirmation plus robuste qu’une répétition utilisant toujours les mêmes présupposés.
Les preuves de mécanisme, les prédictions nouvelles, les interventions réussies et les applications techniques peuvent renforcer une théorie de manières complémentaires.
Une conclusion doit rester limitée à la proposition, à la population et au domaine réellement étudiés.
Le niveau de preuve nécessaire pour agir dépend aussi des risques, des coûts et de la réversibilité de la décision.
La science reste révisable, mais toutes ses conclusions ne sont pas également fragiles. Les théories soutenues par une architecture vaste et indépendante de confirmations sont particulièrement stables.
La question centrale n’est donc pas seulement :
« Ai-je trouvé des faits compatibles avec cette hypothèse ? »
mais :
« Ces faits étaient-ils réellement plus attendus si l’hypothèse était vraie, résistent-ils aux explications concurrentes et convergent-ils avec des preuves indépendantes ? »
Repères et prolongements
Cette fiche prépare notamment les questions suivantes :
- Quelle différence existe entre compatibilité et confirmation ?
- Pourquoi un cas positif ne prouve-t-il pas une loi universelle ?
- Qu’est-ce que le paradoxe des corbeaux ?
- Pourquoi une prédiction nouvelle possède-t-elle une force particulière ?
- Quelle différence existe entre prédiction et accommodation ?
- Comment Bayes représente-t-il la confirmation ?
- Qu’est-ce qu’un rapport de vraisemblance ?
- Pourquoi certaines preuves sont-elles plus discriminantes que d’autres ?
- Comment distinguer répétition et indépendance ?
- Quelle valeur possède une réplication ?
- Qu’est-ce que la triangulation ?
- Pourquoi la significativité statistique ne suffit-elle pas ?
- Comment interpréter un résultat négatif ?
- Quelle relation existe entre confirmation, mécanisme et causalité ?
- Comment calibrer le degré de confiance accordé à une théorie ?
Quelques références
- David Hume, *Enquête sur l’entendement humain*.
- John Stuart Mill, *Système de logique*.
- Carl Hempel, *Aspects of Scientific Explanation*.
- Carl Hempel, travaux sur le paradoxe des corbeaux.
- Rudolf Carnap, *Logical Foundations of Probability*.
- Karl Popper, *La Logique de la découverte scientifique*.
- Nelson Goodman, *Faits, fictions et prédictions*.
- Thomas Bayes, « An Essay towards Solving a Problem in the Doctrine of Chances ».
- Richard Swinburne, *An Introduction to Confirmation Theory*.
- Elliott Sober, *Evidence and Evolution*.
- Wesley Salmon, *The Foundations of Scientific Inference*.
- Deborah Mayo, *Error and the Growth of Experimental Knowledge*.
- Deborah Mayo, *Statistical Inference as Severe Testing*.
- Colin Howson et Peter Urbach, *Scientific Reasoning: The Bayesian Approach*.
- John Earman, *Bayes or Bust?*
- Clark Glymour, *Theory and Evidence*.
- Peter Achinstein, *The Book of Evidence*.
- James Woodward, *Making Things Happen*.