Hypothèses concurrentes, prédictions et tests discriminants

Lorsqu’une observation semble correspondre à une hypothèse, il est tentant de conclure qu’elle constitue une bonne preuve en sa faveur. Pourtant, la simple compatibilité entre une idée et les faits est un critère très faible. De nombreuses explications différentes peuvent être compatibles avec les mêmes observations, et il est souvent facile de construire après coup une histoire capable de rendre compte d’un résultat déjà connu.

Le véritable enjeu du test scientifique est donc moins de demander « mon hypothèse peut-elle expliquer ce que j’observe ? » que « cette observation était-elle davantage attendue si mon hypothèse était correcte que si une explication concurrente l’était ? »

Cette différence est fondamentale. Une donnée devient particulièrement informative lorsqu’elle permet de départager plusieurs possibilités plutôt que de simplement accompagner celle que nous préférons.

La philosophie de la confirmation part précisément de ce problème : les données modifient la crédibilité relative de différentes hypothèses, mais elles déterminent rarement une conclusion avec une certitude logique. Plusieurs explications peuvent rester compatibles avec les mêmes observations.

Une donnée compatible n’est pas nécessairement une bonne preuve

Supposons qu’un patient présente de la fièvre.

L’hypothèse d’une infection bactérienne est compatible avec cette observation. Mais une infection virale, une réaction inflammatoire, certains médicaments ou plusieurs autres situations peuvent également produire de la fièvre.

La proposition :

« Si le patient présente cette infection, il peut avoir de la fièvre »

ne suffit donc pas à établir :

« Il a de la fièvre, donc il présente cette infection. »

Ce raisonnement correspondrait à la forme logique classique de l’affirmation du conséquent :

Si H, alors E. E est observé. Donc H.

La conclusion ne découle pas logiquement des prémisses, car une autre hypothèse pourrait également produire E.

Cela ne signifie pas que l’observation n’apporte aucune information. Une fièvre peut effectivement rendre certaines maladies plus plausibles que d’autres. Mais sa force probante dépend de la fréquence avec laquelle cette observation serait attendue sous les différentes hypothèses considérées.

Nous retrouvons ici une idée déjà étudiée dans la catégorie consacrée au raisonnement bayésien : une preuve est particulièrement discriminante lorsqu’elle est beaucoup plus compatible avec une hypothèse qu’avec ses concurrentes. Il n’est pas nécessaire de refaire ici tout le calcul bayésien ; le principe méthodologique suffit : une observation commune à toutes les explications départage peu, une observation très attendue sous une explication et surprenante sous les autres départage davantage.

Commencer par plusieurs explications possibles

Une bonne enquête scientifique ne cherche donc pas seulement des preuves favorables à une hypothèse. Elle essaie autant que possible de construire un espace d’hypothèses concurrentes.

Supposons qu’un service hospitalier constate une augmentation soudaine d’infections postopératoires. Plusieurs explications peuvent être proposées : contamination d’un dispositif particulier, modification de la population de patients, problème d’hygiène, changement dans la surveillance ayant simplement permis de détecter davantage de cas, ou fluctuation aléatoire temporaire.

Chacune de ces hypothèses peut sembler plausible.

La question intéressante devient alors : quelles observations devraient différer selon l’explication correcte ?

Si un dispositif particulier est responsable, les infections devraient être davantage associées aux interventions utilisant ce dispositif. Si l’augmentation vient principalement d’un changement de surveillance, on pourrait constater une hausse des diagnostics sans modification équivalente d’autres indicateurs indépendants. Si la population opérée est devenue plus fragile, le risque devrait être lié aux caractéristiques des patients plutôt qu’à une salle ou un instrument déterminé.

La recherche progresse ainsi en transformant des explications générales en conséquences différentes que les données peuvent éventuellement départager.

Un bon test cherche des prédictions divergentes

Imaginons deux hypothèses H₁ et H₂.

Toutes deux prédisent qu’un phénomène E₁ devrait apparaître. Observer E₁ ne permet donc guère de les distinguer.

En revanche, supposons que H₁ prévoie également E₂ alors que H₂ prévoit son absence. La recherche de E₂ devient beaucoup plus intéressante.

On peut résumer cette logique simplement :

Observation possibleH₁H₂Pouvoir discriminant
E₁attendueattenduefaible
E₂attendueimprobablefort
E₃improbableimprobablefaible pour départager H₁ et H₂
E₄improbableattenduefort

Ce tableau montre pourquoi toutes les observations ne possèdent pas la même valeur probante.

Accumuler cent faits que toutes les théories concurrentes expliquent déjà peut apporter moins d’information qu’une seule observation sur laquelle elles font des prédictions très différentes.

Le test le plus intéressant n’est pas toujours celui qui confirme notre théorie

Cette manière de raisonner modifie la stratégie de recherche.

Si un chercheur veut simplement obtenir un résultat compatible avec son hypothèse, il peut être tenté de choisir une situation dans laquelle cette hypothèse réussit facilement. Mais un test scientifique particulièrement informatif est souvent celui dans lequel l’hypothèse prend un risque.

Supposons qu’un nouveau modèle climatique soit capable de reproduire correctement la température moyenne des cinquante dernières années. C’est utile, mais si ses paramètres ont été ajustés précisément sur cette période, la réussite ne constitue pas un test totalement indépendant.

Le modèle est davantage mis à l’épreuve lorsqu’on lui demande de reproduire d’autres caractéristiques qui n’ont pas servi directement à son ajustement, ou des données provenant d’une autre période ou d’autres variables physiques.

La même logique existe en apprentissage automatique lorsqu’on sépare les données utilisées pour ajuster un modèle de celles utilisées pour tester sa performance. Évaluer un modèle uniquement sur les données auxquelles il s’est adapté risque de mesurer sa capacité à reproduire le passé plutôt que sa capacité à généraliser.

La science cherche donc souvent des situations où réussir était loin d’être garanti à l’avance.

Le rôle des prédictions nouvelles

Les prédictions portant sur des phénomènes non encore utilisés pour construire une hypothèse possèdent à ce titre un attrait particulier.

Si une théorie est élaborée pour expliquer trois observations connues puis permet correctement d’anticiper une quatrième observation indépendante, ce succès paraît généralement plus impressionnant que sa capacité à reproduire uniquement les données qui ont participé à sa construction.

Il faut toutefois être précis : la philosophie des sciences a longuement discuté de la question de savoir si une prédiction réellement formulée avant l’observation possède intrinsèquement davantage de valeur qu’une conséquence retrouvée après coup. Il n’existe pas de réponse philosophique simple qui permette d’ignorer tout le reste. La théorie de la confirmation distingue notamment le problème des nouvelles preuves et des anciennes preuves, et plusieurs conceptions tentent d’expliquer pourquoi certaines réussites prédictives semblent particulièrement probantes.

L’intuition méthodologique reste néanmoins utile : une observation qui n’a pas participé à l’ajustement d’un modèle ou à la construction de l’hypothèse constitue souvent un test plus indépendant.

Prédiction chronologique et prédiction épistémique

Une prédiction n’a d’ailleurs pas besoin de concerner le futur.

Supposons qu’une théorie géologique implique qu’un certain type de dépôt devrait être présent dans une région encore non étudiée. Le dépôt existe peut-être depuis des millions d’années. Pourtant, tant que sa présence n’était pas connue des chercheurs ayant formulé la conséquence, sa découverte peut jouer un rôle semblable à celui d’une prédiction future.

Il est donc utile de distinguer le futur chronologique du caractère épistémiquement nouveau d’une observation.

L’intérêt vient surtout du fait que le résultat n’était pas déjà disponible pour ajuster l’hypothèse.

Cela permet aussi de comprendre pourquoi les sciences historiques peuvent produire de véritables tests. Une théorie concernant un événement passé peut conduire à rechercher des traces encore inconnues et donc s’exposer à des découvertes qui auraient pu lui être défavorables.

Expliquer après coup est facile

Après qu’un résultat a été observé, notre imagination dispose d’un avantage considérable : nous savons déjà ce qu’elle doit expliquer.

Supposons qu’une intervention éducative améliore les résultats scolaires. On peut immédiatement proposer plusieurs histoires : elle aurait augmenté la motivation, amélioré l’attention, renforcé les compétences des enseignants, modifié les attentes des élèves ou changé la manière dont les examens sont préparés.

Ces explications peuvent toutes être plausibles.

Mais la plausibilité rétrospective ne permet pas de choisir entre elles.

Pour qu’une explication devienne réellement testable, il faut lui faire produire des conséquences supplémentaires. Si l’intervention agit principalement par la motivation, certains indicateurs devraient changer ; si elle agit par une augmentation du temps de pratique, d’autres observations devraient apparaître.

La bonne méthode consiste donc à transformer une histoire postérieure aux faits en hypothèse produisant de nouvelles différences observables.

Toutes les hypothèses concurrentes ne sont pas nécessairement connues

Cette stratégie rencontre cependant une limite fondamentale : nous ne pouvons comparer que les explications auxquelles nous avons pensé ou qui sont raisonnablement représentées dans notre modèle.

Supposons qu’une étude élimine trois hypothèses concurrentes et conclue que H₁ est la meilleure explication disponible.

Il reste possible qu’une quatrième hypothèse H₄, encore inconnue, explique mieux les données.

La science ne fonctionne donc généralement pas par élimination exhaustive de toutes les explications logiquement possibles. Cet objectif serait impossible.

Elle compare plutôt des hypothèses jugées suffisamment plausibles à partir des connaissances disponibles, puis cherche à enrichir ou réviser cet ensemble lorsque de nouvelles difficultés apparaissent.

C’est l’une des raisons pour lesquelles une conclusion scientifique reste révisable même après des tests très convaincants.

L’inférence à la meilleure explication

Une partie importante du raisonnement scientifique prend la forme suivante : plusieurs explications sont compatibles avec les données, mais l’une d’elles semble rendre compte de l’ensemble des observations mieux que les autres.

Ce type de raisonnement est souvent appelé inférence à la meilleure explication.

La notion est associée notamment aux travaux de Gilbert Harman et, plus récemment, de Peter Lipton. L’idée générale est que nous n’évaluons pas seulement si une hypothèse possède des conséquences correctes, mais aussi comment elle se compare aux alternatives en termes de pouvoir explicatif.

Quels critères peuvent intervenir ? La capacité à expliquer plusieurs phénomènes, la cohérence avec des connaissances indépendantes, la précision, l’absence d’hypothèses ajoutées uniquement pour sauver la théorie et la capacité à produire de nouvelles prédictions peuvent tous compter.

Mais aucun algorithme universel ne transforme automatiquement ces qualités en verdict.

La Stanford Encyclopedia rappelle justement que l’inférence à la meilleure explication constitue une approche importante de la confirmation scientifique, mais qu’elle repose sur la comparaison entre une hypothèse et une famille d’explications candidates.

« Meilleure explication » signifie donc toujours meilleure parmi celles effectivement considérées.

Une explication souple peut toujours sauver les apparences

Certaines hypothèses semblent extraordinairement résistantes parce qu’elles peuvent être modifiées chaque fois qu’une observation pose problème.

Supposons qu’une théorie prévoie E. Nous observons non-E.

On ajoute alors une condition supplémentaire A permettant d’expliquer pourquoi E n’est pas apparu.

Une nouvelle prédiction échoue ; on introduit B.

Puis C.

Une telle adaptation n’est pas nécessairement illégitime. Les théories scientifiques ont souvent besoin d’être précisées lorsque de nouveaux phénomènes sont découverts. Le problème apparaît lorsque les modifications deviennent purement protectrices, sans améliorer les capacités indépendantes de la théorie.

Une hypothèse capable d’expliquer chaque résultat uniquement après l’avoir observé risque de perdre son pouvoir discriminant.

Nous retrouverons ce problème dans la fiche consacrée aux anomalies et ajustements ad hoc.

Une hypothèse précise peut être plus vulnérable — et donc plus informative

Imaginons deux propositions :

H₁ : « Ce traitement modifie d’une manière ou d’une autre l’état du patient. »

H₂ : « Ce traitement réduit d’au moins une certaine ampleur le taux de récidive à douze mois dans cette population définie. »

H₁ est plus facile à défendre. Presque n’importe quel changement peut être présenté comme compatible avec elle.

H₂ risque davantage d’échouer.

Mais cette vulnérabilité constitue précisément une qualité scientifique : elle permet d’obtenir une observation capable de la mettre réellement en difficulté.

Les hypothèses trop vagues peuvent être difficiles à tester parce qu’elles ne précisent pas suffisamment les observations qu’elles interdisent ou rendent improbables.

Être testable demande donc souvent de renoncer à une partie de la flexibilité explicative.

Exemple historique : Semmelweis et les hypothèses concurrentes

Un exemple classique de la méthodologie hypothético-déductive est fourni par l’enquête d’Ignace Semmelweis sur la fièvre puerpérale au XIXe siècle. Il faut toutefois préciser que les présentations philosophiques simplifient souvent une histoire médicale plus complexe.

Dans la reconstruction rendue célèbre par Carl Hempel, plusieurs hypothèses étaient envisagées pour expliquer la mortalité particulièrement élevée dans l’une des divisions de la maternité de Vienne. Certaines pouvaient être confrontées à leurs conséquences observables. Lorsque Semmelweis soupçonna finalement que les médecins et étudiants transmettaient une matière contaminante après les dissections, l’introduction du lavage des mains avec une solution chlorée fut suivie d’une chute spectaculaire de la mortalité.

Ce cas est méthodologiquement intéressant non parce qu’une seule observation aurait « prouvé » immédiatement l’hypothèse, mais parce que différentes explications produisaient des conséquences que l’on pouvait comparer. La présentation de Hempel est d’ailleurs utilisée comme exemple classique de raisonnement hypothético-déductif dans la littérature contemporaine sur la méthode scientifique.

L’histoire réelle rappelle également qu’un résultat expérimental s’inscrit toujours dans un contexte de connaissances et d’hypothèses auxiliaires que les reconstructions pédagogiques ont tendance à simplifier.

Les expériences dites « cruciales »

L’idéal d’un test discriminant a parfois conduit à parler d’expérience cruciale : une expérience dont le résultat permettrait de choisir définitivement entre deux théories concurrentes.

L’idée est séduisante. Si H₁ prévoit E et H₂ prévoit non-E, il suffirait d’effectuer l’expérience.

Dans l’histoire réelle des sciences, les choses sont généralement moins nettes.

Une prédiction dépend rarement d’une théorie isolée. Elle mobilise également des hypothèses auxiliaires concernant les instruments, les conditions expérimentales et d’autres connaissances de fond. Si le résultat est inattendu, il faut donc déterminer quelle partie de cet ensemble doit être révisée.

La philosophie contemporaine rejette ainsi l’image trop simple de données jouant toujours le rôle d’arbitre parfaitement neutre et instantané entre deux théories entièrement isolées.

Cela ne rend pas les tests discriminants inutiles. Cela explique pourquoi leur interprétation demande parfois davantage qu’un seul résultat.

Une anomalie contre H₁ n’est pas automatiquement une victoire pour H₂

Supposons que deux théories soient en concurrence et qu’une prédiction de H₁ échoue.

Il serait tentant de conclure immédiatement que H₂ est correcte.

Mais cela ne suit pas nécessairement.

H₁ peut effectivement être fausse. L’échec peut également provenir d’une hypothèse auxiliaire. Et H₂ peut elle-même présenter des difficultés indépendantes.

La bonne démarche consiste donc à éviter une vision exclusivement binaire du type :

H₁ réfutée → H₂ vraie.

Dans de nombreuses recherches réelles, plusieurs modèles possèdent chacun des succès et des anomalies, et leur comparaison évolue avec l’accumulation des données.

La science avance alors davantage par comparaison progressive de performances explicatives et prédictives que par duels instantanés.

Les hypothèses doivent être comparées à des alternatives sérieuses

Il existe une autre manière de rendre artificiellement une théorie impressionnante : lui opposer une alternative manifestement mauvaise.

Supposons que l’on affirme qu’un médicament est efficace parce qu’il explique mieux les résultats qu’une hypothèse selon laquelle « tout arrive par magie ».

Cette comparaison apporte peu.

Un test scientifique pertinent doit confronter autant que possible une hypothèse aux meilleures alternatives raisonnablement disponibles.

Dans un essai clinique, ce peut être un traitement de référence plutôt que l’absence totale de traitement. Dans une modélisation, ce peut être un modèle concurrent déjà performant. Dans une étude prédictive, il peut être essentiel de comparer le nouveau modèle à une prédiction simple de référence plutôt qu’à aucun modèle.

La force d’une victoire dépend donc aussi de la qualité de l’adversaire.

Une bonne prédiction doit être suffisamment spécifique

Supposons qu’un modèle économique annonce :

« L’économie pourrait soit accélérer, soit ralentir au cours des prochains mois selon les circonstances. »

Il sera difficile de lui donner tort.

Une prédiction utile doit préciser suffisamment ce qui est attendu et dans quelles conditions pour que différents résultats aient réellement des implications différentes pour le modèle.

Cette précision ne signifie pas nécessairement fournir un chiffre exact. Beaucoup de sciences travaillent avec des intervalles, des distributions probabilistes ou des prédictions qualitatives.

Mais plus une théorie attribue une probabilité similaire à tous les résultats possibles, moins l’observation finale pourra la départager de ses concurrentes.

Un modèle qui avait attribué une forte probabilité à ce qui s’est effectivement produit possède généralement davantage de mérite qu’un modèle ayant simplement déclaré le résultat « possible ».

Les prédictions probabilistes peuvent elles aussi être testées

Toutes les théories ne produisent pas des prédictions du type « E se produira » ou « E ne se produira pas ».

La météo, l’épidémiologie, la génétique, la mécanique quantique ou de nombreux modèles économiques produisent des prédictions probabilistes.

Un service météorologique peut annoncer 70 % de probabilité de pluie. S’il ne pleut pas, cette seule observation ne réfute évidemment pas le modèle : 30 % d’absence de pluie restaient prévus.

Pour évaluer ce type de prédiction, il faut examiner un grand ensemble de cas. Lorsque le modèle annonce 70 % de probabilité dans de nombreuses situations comparables, l’événement devrait apparaître environ dans la proportion attendue si les probabilités sont bien calibrées.

Un test discriminant peut donc comparer non seulement des prédictions catégoriques, mais aussi la qualité des distributions probabilistes produites par différents modèles.

Le principe reste identique : lequel des modèles rendait les observations effectivement obtenues relativement plus attendues ?

Chercher activement les observations qui distinguent

Cette manière de penser constitue une discipline intellectuelle particulièrement utile pour l’esprit critique.

Face à deux explications d’un phénomène, il est naturel de dresser la liste de ce qui soutient notre interprétation préférée.

Une stratégie plus puissante consiste à demander :

« Qu’est-ce que les deux explications prédisent différemment ? »

Supposons qu’une augmentation de cas d’une maladie soit expliquée soit par une véritable augmentation de son incidence, soit par une amélioration du dépistage.

Les deux hypothèses prédisent davantage de diagnostics.

Cette observation départage donc peu.

Il faut chercher d’autres conséquences : évolution des formes graves, hospitalisations, mortalité, proportion de tests positifs, caractéristiques des personnes diagnostiquées ou modification du nombre de tests réalisés.

La recherche de variables discriminantes transforme une controverse vague en problème empirique beaucoup plus précis.

Le même principe améliore le raisonnement quotidien

Cette méthode ne concerne pas seulement les laboratoires.

Supposons que deux personnes interprètent différemment une politique publique. L’une affirme que la baisse observée d’un indicateur est due à la mesure politique ; l’autre pense qu’elle résulte principalement d’une tendance déjà engagée.

Chercher uniquement des faits compatibles avec l’une des interprétations risque d’alimenter une dispute interminable.

Une meilleure question serait :

« Qu’aurions-nous dû observer différemment si la politique avait réellement produit l’effet plutôt que si la tendance antérieure s’était poursuivie ? »

Peut-on comparer des régions exposées différemment ? Le changement coïncide-t-il avec l’intervention ? Existe-t-il d’autres indicateurs qui devraient évoluer si le mécanisme proposé est correct ?

Le principe scientifique devient alors une règle générale de raisonnement : chercher ce qui distingue les explications plutôt que ce qui peut simplement être raconté en faveur de chacune.

Mais les données ne parlent jamais totalement seules

Il serait néanmoins excessif d’imaginer qu’il suffit de trouver une observation discriminante pour obtenir immédiatement un verdict incontestable.

Pour déduire une prédiction d’une hypothèse, il faut généralement utiliser d’autres propositions : fonctionnement de l’instrument, conditions initiales, absence de certaines perturbations, méthodes de mesure et connaissances de fond.

La Stanford Encyclopedia souligne ainsi qu’une théorie ou une généralisation produit rarement à elle seule une prédiction observable ; celle-ci dépend habituellement d’hypothèses auxiliaires.

Cela crée une difficulté fondamentale.

Si la prédiction échoue, nous savons qu’un élément du système de propositions utilisées est problématique. Mais l’expérience ne nous dit pas toujours immédiatement lequel.

Cette difficulté constitue le cœur du problème de Duhem-Quine, auquel une fiche entière sera consacrée.

Comparer plutôt que simplement confirmer

Le test scientifique peut finalement être compris comme un processus comparatif.

Une hypothèse ne gagne pas seulement en crédibilité parce qu’un fait peut être raconté comme compatible avec elle. Elle devient plus intéressante lorsque les observations correspondent mieux à ce qu’elle permettait d’attendre qu’à ce que permettaient d’attendre les explications concurrentes.

Cette approche permet d’éviter plusieurs pièges : accumuler uniquement des exemples favorables, construire des explications après coup, confondre possibilité et probabilité, ou considérer qu’une prédiction correcte constitue automatiquement une preuve décisive.

Elle conduit également à une meilleure manière de formuler les expériences.

Au lieu de demander :

« Comment montrer que mon hypothèse est correcte ? »

on demande :

« Quel résultat devrais-je observer si mon hypothèse est correcte, qu’attendraient les meilleures alternatives, et quelle expérience rendrait ces attentes aussi différentes que possible ? »

C’est souvent à cet endroit que commence réellement un test scientifique informatif.


À retenir

Une observation ne constitue pas une preuve forte simplement parce qu’elle est compatible avec une hypothèse. Plusieurs explications peuvent être compatibles avec les mêmes données, ce qui constitue l’un des problèmes centraux de la théorie philosophique de la confirmation.

Une observation possède davantage de pouvoir discriminant lorsqu’elle était fortement attendue sous une hypothèse mais beaucoup moins sous une hypothèse concurrente. C’est la traduction méthodologique d’une idée déjà rencontrée dans le raisonnement bayésien : ce qui compte n’est pas seulement la probabilité d’une donnée sous notre hypothèse, mais la manière dont cette probabilité se compare à celle qu’accordent les alternatives.

Une bonne recherche cherche donc autant que possible à formuler plusieurs explications, à déterminer les conséquences qui les distinguent et à concevoir des tests portant précisément sur ces différences.

Les prédictions véritablement indépendantes des données ayant servi à construire ou ajuster une hypothèse sont souvent particulièrement informatives, même si la valeur philosophique spécifique de la « nouveauté » d’une prédiction reste discutée. La simple réussite prédictive ne prouve cependant pas une théorie : d’autres hypothèses peuvent produire la même prédiction, et les conséquences observables dépendent généralement d’hypothèses auxiliaires.

La question essentielle devient donc :

« Quelles observations seraient différentes si une autre explication était correcte ? »

Sources et références

  • Crupi, Vincenzo, « Confirmation », *Stanford Encyclopedia of Philosophy*, révision substantielle du 4 août 2025.
  • Andersen, Hanne & Hepburn, Brian, « Scientific Method », *Stanford Encyclopedia of Philosophy*, révision substantielle du 8 août 2026, notamment la discussion de la méthode hypothético-déductive, de Hempel, de Semmelweis et de Popper.
  • Bogen, James, « Theory and Observation in Science », *Stanford Encyclopedia of Philosophy*, révision substantielle de 2026, notamment sur la confirmation, les prédictions et les hypothèses auxiliaires.
  • Stanford, Kyle, « Underdetermination of Scientific Theory », *Stanford Encyclopedia of Philosophy*, sur la sous-détermination, les hypothèses auxiliaires et les différentes réponses possibles aux données discordantes.
  • Hempel, Carl G., Philosophy of Natural Science, Prentice-Hall, 1966.
  • Lipton, Peter, Inference to the Best Explanation, Routledge, 2e éd., 2004.
  • Mayo, Deborah G., Statistical Inference as Severe Testing: How to Get Beyond the Statistics Wars, Cambridge University Press, 2018.
9 sur 39Retour à la catégorie