Indépendance des preuves — pourquoi dix répétitions ne valent pas toujours dix confirmations
Une affirmation apparaît sur un réseau social. Quelques heures plus tard, dix comptes différents la répètent, plusieurs sites la reprennent et deux vidéos la commentent. À première vue, l’information semble désormais abondamment confirmée. Pourtant, si toutes ces publications remontent à une seule source initiale, nous ne disposons pas de quinze confirmations : nous observons surtout la propagation d’une même information.
Cette distinction est fondamentale. Plusieurs éléments peuvent aller dans le même sens sans apporter autant de preuves nouvelles qu’il y paraît. Lorsqu’ils dépendent d’une source commune, d’un même instrument, d’un même jeu de données ou d’un même mécanisme d’erreur, les compter séparément peut conduire à une surestimation massive du poids de l’évidence.
Le raisonnement bayésien oblige donc à demander non seulement combien de preuves soutiennent une hypothèse, mais à quel point chacune reste informative une fois les précédentes connues.
Une nouvelle preuve doit apporter une information nouvelle
Supposons qu’une première observation E1 favorise une hypothèse H. Nous mettons à jour notre croyance. Une deuxième observation E2 apparaît ensuite.
La bonne question n’est plus simplement :
quelle est la probabilité de E2 si H est vraie ?
Il faut considérer ce qu’E2 ajoute maintenant qu’E1 est déjà connu.
Dans la comparaison entre deux hypothèses H1 et H2, le poids supplémentaire de E2 dépend donc d’un rapport du type :
P(E2 | H1, E1) / P(E2 | H2, E1).
Si E2 apporte une information véritablement nouvelle, ce rapport peut encore modifier fortement nos odds.
Mais si E2 était presque entièrement prévisible dès que nous connaissions E1, son apport supplémentaire sera beaucoup plus faible.
C’est ce principe qui empêche de compter deux fois la même information.
Deux observations indépendantes peuvent se renforcer fortement
Imaginons deux tests différents cherchant le même phénomène. Sous H1, chacun donne un résultat positif dans 80 % des cas ; sous H2, chacun n’est positif que dans 20 % des cas.
Un résultat positif possède donc un rapport de vraisemblance :
LR = 0,8 / 0,2 = 4.
Si les deux résultats apportent des informations conditionnellement indépendantes sous chacune des hypothèses, observer les deux fournit :
LR total = 4 × 4 = 16.
Les deux observations ensemble sont donc seize fois plus attendues sous H1 que sous H2.
Le second test a réellement renforcé le dossier parce qu’il pouvait fournir un résultat différent du premier et qu’il apporte une nouvelle information sur la comparaison.
Cette multiplication du poids des preuves explique pourquoi des lignes de recherche distinctes peuvent produire une confiance très élevée même lorsqu’aucune observation prise isolément n’est décisive.
Mais deux copies de la même observation ne valent pas deux tests
Modifions maintenant l’exemple. Le premier appareil effectue réellement la mesure. Le deuxième écran ne réalise aucune nouvelle mesure : il affiche simplement le résultat transmis par le premier appareil.
Nous observons deux fois « positif ».
Il serait absurde de multiplier deux fois le rapport de vraisemblance. Nous n’avons effectué qu’une seule mesure.
Le deuxième affichage est presque entièrement déterminé par le premier. Une fois que nous savons ce qu’indique l’appareil initial, l’écran supplémentaire ne nous apprend pratiquement rien sur H1 ou H2.
Le problème paraît évident lorsqu’il s’agit de machines, mais il devient beaucoup plus difficile à repérer lorsque l’information traverse plusieurs personnes, articles ou institutions.
La multiplication des présentations ne produit pas automatiquement une multiplication des preuves.
La source commune
Prenons une rumeur annonçant qu’une personnalité publique a tenu une déclaration particulière.
Un premier site cite « une source proche du dossier ». Dix autres médias publient ensuite des articles dont les titres semblent confirmer la même information.
Si nous examinons les articles, nous découvrons qu’ils citent tous le premier site.
Nous avons alors une structure ressemblant à :
source initiale → article A → articles B, C, D, E...
et non :
source 1 + source 2 + source 3 + source 4...
La distinction change radicalement l’évaluation bayésienne. Les articles secondaires peuvent apporter certaines informations — par exemple vérifier correctement ce qu’a publié A — mais ils ne constituent pas plusieurs témoignages indépendants sur l’événement initial.
Cette structure est particulièrement importante dans la désinformation contemporaine. Une affirmation peut devenir omniprésente avant même qu’une seconde source primaire existe.
La convergence peut être réelle malgré une origine commune
Il ne faut cependant pas tomber dans l’excès inverse. Deux sources ayant certains éléments en commun ne deviennent pas automatiquement inutiles.
Supposons qu’un premier média révèle un document. Un second média obtient ensuite indépendamment un autre document provenant d’une institution différente et conduisant à la même conclusion.
Le second média a peut-être été incité à enquêter par la première publication, donc les deux démarches ne sont pas causalement indépendantes en tout point. Pourtant, la preuve documentaire qu’il obtient peut représenter une nouvelle ligne d’information substantielle.
Il faut donc distinguer l’indépendance des processus de découverte de l’indépendance des éléments probatoires eux-mêmes.
Ce qui compte est la manière dont les différentes observations pourraient être produites si l’hypothèse était vraie ou fausse.
L’indépendance pertinente est conditionnelle
Le mot « indépendance » peut être trompeur si nous l’utilisons sans préciser le contexte.
Deux observations E1 et E2 peuvent être corrélées dans la population générale et néanmoins être indépendantes conditionnellement à une hypothèse donnée. Inversement, elles peuvent sembler distinctes mais devenir dépendantes lorsque nous connaissons le mécanisme qui les produit.
Dans le cas le plus simple, l’indépendance conditionnelle sous H signifie :
P(E1, E2 | H) = P(E1 | H) × P(E2 | H).
Pour multiplier directement les rapports de vraisemblance de deux preuves comme s’il s’agissait de contributions séparées, il faut notamment examiner leur dépendance sous chacune des hypothèses comparées, et pas seulement leur corrélation globale.
La théorie bayésienne de la confirmation accorde ainsi une place importante à la structure de dépendance entre les preuves. Fitelson a notamment développé une analyse bayésienne de la valeur de preuves indépendantes et de la diversité des lignes d’évidence.
Un exemple de faux double comptage
Supposons que nous cherchions à savoir si un appareil présente une panne H.
Un premier capteur détecte une température anormale. Un logiciel transforme automatiquement cette mesure en message :
« risque de surchauffe élevé ».
Nous pourrions être tentés de compter :
- température anormale ;
- alerte de surchauffe.
Mais l’alerte du logiciel a été produite précisément à partir de la mesure de température.
Elle ne constitue donc pas une deuxième ligne de preuve indépendante.
Si nous utilisons successivement la mesure puis l’alerte comme si chacune possédait son propre rapport de vraisemblance, nous amplifions artificiellement le soutien à H.
Le même problème apparaît lorsqu’un expert commente une analyse statistique qu’il n’a pas reproduite : son commentaire peut apporter une évaluation de la méthode, mais il ne crée pas automatiquement de nouvelles données.
Les erreurs corrélées
La dépendance la plus dangereuse n’est parfois pas celle des observations elles-mêmes, mais celle de leurs mécanismes d’erreur.
Imaginons cinq laboratoires qui mesurent la même constante avec des appareils fabriqués à partir du même étalon défectueux. Les cinq résultats peuvent converger remarquablement.
Si nous ignorons leur calibration commune, cette concordance paraît extrêmement convaincante.
Mais une seule erreur systématique peut expliquer les cinq mesures simultanément.
À l’inverse, si un sixième laboratoire utilise une technique de mesure reposant sur un principe totalement différent et obtient le même résultat, cette convergence peut être beaucoup plus informative : l’hypothèse d’un défaut spécifique au premier dispositif explique moins facilement l’ensemble.
C’est pourquoi la diversité méthodologique peut être épistémiquement précieuse.
Les études scientifiques ne sont pas toujours indépendantes
Le nombre de publications peut également donner une impression trompeuse.
Dix articles peuvent utiliser :
- la même cohorte ;
- la même base administrative ;
- le même questionnaire ;
- le même instrument de mesure ;
- le même pipeline analytique ;
- la même hypothèse de modélisation.
Ils peuvent donc partager des sources d’erreur importantes.
Cela ne signifie pas que les dix études valent exactement une seule étude. Certaines peuvent tester des analyses différentes, examiner d’autres sous-groupes ou fournir des contrôles de robustesse utiles.
Mais les présenter comme dix réplications indépendantes serait incorrect si aucune nouvelle collecte indépendante n’a eu lieu.
La quantité de littérature et la quantité d’information empirique ne sont pas nécessairement proportionnelles.
La réplication indépendante élimine certaines explications
La valeur d’une réplication apparaît plus clairement si nous demandons quelles hypothèses concurrentes elle permet d’affaiblir.
Une première expérience peut être expliquée par :
H1 : l’effet est réel
ou
H2 : une particularité accidentelle de cet échantillon a produit le résultat.
Une véritable réplication sur un nouvel échantillon réduit la plausibilité de certaines versions de H2.
Une réplication effectuée par une autre équipe peut également réduire la plausibilité d’une erreur spécifique au premier laboratoire.
Une réplication utilisant une autre méthode peut réduire encore davantage la plausibilité d’un artefact particulier à l’instrument initial.
Ainsi, l’indépendance ne constitue pas une vertu abstraite. Elle augmente la valeur d’une preuve parce qu’elle rend certaines explications alternatives de la convergence moins plausibles.
C’est exactement ce que nous attendons d’une preuve discriminante.
Plusieurs témoins : combien de sources d’information ?
Supposons que trois personnes affirment avoir observé le même accident.
Si elles se trouvaient à des endroits différents et sont interrogées séparément immédiatement après l’événement, leur concordance peut être très informative.
Mais imaginons qu’une seule personne ait réellement vu l’accident, puis raconte sa version aux deux autres avant qu’ils témoignent.
Nous possédons alors trois témoignages, mais une seule perception initiale.
La distinction devient encore plus subtile si les trois ont vu quelque chose mais en ont discuté ensuite. Leur mémoire peut se contaminer mutuellement. Ils fournissent alors plusieurs observations initiales, mais leurs récits ultérieurs ne sont plus totalement indépendants.
L’évaluation doit donc reconstruire la généalogie de l’information.
Cette démarche rejoint directement la critique historique des sources, le journalisme d’enquête et l’évaluation judiciaire des témoignages.
L’accord peut venir d’une cause commune autre que la vérité
Une convergence est persuasive lorsque l’hypothèse que nous évaluons explique bien pourquoi plusieurs observations concordent.
Mais une hypothèse concurrente peut parfois expliquer cette même concordance grâce à une cause commune.
Supposons que cent utilisateurs rapportent exactement la même fausse information. Sous l’hypothèse « l’information est vraie », cette concordance peut sembler attendue.
Mais sous une autre hypothèse — « ils ont tous vu la même vidéo trompeuse » — la concordance devient elle aussi très probable.
Le nombre de personnes répétant l’affirmation perd alors une grande partie de sa valeur discriminante.
Ce mécanisme est crucial dans les environnements numériques. Les réseaux sociaux rendent extrêmement facile la création d’une corrélation massive entre croyances individuelles sans multiplication correspondante des sources primaires.
L’autorité peut également créer une dépendance
La dépendance peut être sociale plutôt que documentaire.
Supposons que dix experts interrogés soutiennent une conclusion. Leur accord semble initialement constituer dix jugements.
Mais si neuf d’entre eux se sont principalement rangés à l’avis du dixième parce qu’il est considéré comme l’autorité du domaine, les dix opinions ne sont pas entièrement indépendantes.
Cela ne rend pas le consensus sans valeur. L’expert initial peut avoir d’excellentes raisons, et les autres peuvent avoir vérifié une partie de son travail.
Mais la valeur du consensus dépend de la manière dont il s’est formé.
Un consensus produit par plusieurs chercheurs examinant indépendamment les mêmes preuves possède une structure différente d’un consensus produit par imitation, hiérarchie ou circulation d’une seule analyse.
La sociologie de la croyance et la force épistémique de la preuve ne doivent donc pas être confondues.
Le consensus scientifique ne repose heureusement pas sur une indépendance parfaite
Il serait néanmoins irréaliste d’exiger que chaque scientifique reconstruise toute la connaissance depuis zéro.
La science est profondément interdépendante. Les chercheurs utilisent des résultats antérieurs, des instruments calibrés par d’autres, des bases de données communes, des théories partagées et des protocoles standardisés.
L’objectif n’est donc pas de produire une indépendance absolue, impossible à grande échelle, mais de créer des mécanismes capables de révéler et corriger les erreurs communes : réplications, méthodes alternatives, compétition entre équipes, contrôles de qualité, partage de données, critiques méthodologiques et confrontation avec de nouvelles prédictions.
Une bonne architecture de connaissance ne supprime pas toutes les dépendances. Elle évite qu’une erreur unique cachée puisse facilement se transformer en apparence de confirmation massive.
Une preuve indépendante peut avoir une valeur disproportionnée
Supposons qu’une théorie soit déjà soutenue par vingt études utilisant toutes la même méthode. Une vingt-et-unième étude presque identique ajoute probablement quelque chose, mais elle peut ne pas changer énormément la situation.
Une seule étude utilisant une méthode radicalement différente peut parfois être beaucoup plus informative.
Pourquoi ? Parce qu’elle attaque une classe différente d’hypothèses concurrentes.
Si toutes les études précédentes pouvaient être expliquées par un artefact spécifique à leur instrument, la nouvelle méthode teste précisément cette possibilité.
Cette intuition correspond à l’intérêt philosophique pour la diversité des preuves. Fitelson relie explicitement l’indépendance probatoire à cette question : des preuves issues de voies suffisamment distinctes peuvent renforcer davantage une hypothèse que des confirmations redondantes.
La diversité n’est toutefois pas automatiquement bénéfique : elle doit apporter une véritable capacité supplémentaire à distinguer les hypothèses.
La formule correcte est séquentielle
Le moyen le plus sûr de raisonner avec plusieurs observations est de penser séquentiellement.
Après E1 :
odds(H1:H2 | E1) = odds antérieures × LR(E1).
Puis arrive E2. Son apport doit être évalué conditionnellement à E1 :
LR₂ = P(E2 | H1, E1) / P(E2 | H2, E1).
Puis E3 est évalué sachant E1 et E2, et ainsi de suite.
Lorsque les observations sont conditionnellement indépendantes de la manière appropriée, les termes se simplifient et nous pouvons multiplier des rapports de vraisemblance séparés.
Mais lorsque cette indépendance n’existe pas, la formule générale nous rappelle exactement ce qu’il faut faire : ne mesurer que l’information supplémentaire apportée par la nouvelle preuve.
La structure bayésienne des odds et des rapports de vraisemblance fournit précisément ce cadre de mise à jour successive.
La désinformation exploite naturellement notre mauvaise comptabilité des preuves
Une information répétée devient familière. Sa présence dans plusieurs lieux peut également nous donner l’impression qu’elle possède plusieurs confirmations indépendantes.
Les deux phénomènes peuvent se renforcer.
Nous voyons une affirmation sur un réseau social, puis dans une vidéo, puis dans un article, puis dans les propos d’un proche. Psychologiquement, nous avons rencontré quatre occurrences distinctes. Épistémiquement, elles peuvent toutes provenir du même message initial.
Une stratégie essentielle de vérification consiste donc à remonter vers les sources primaires.
Qui a produit l’information originale ? Les différentes publications disposent-elles de confirmations propres ? Une deuxième source a-t-elle vérifié indépendamment les faits ou cite-t-elle simplement la première ? Les images utilisées proviennent-elles toutes du même enregistrement ?
Cette généalogie des sources est une manière pratique de raisonner sur leur dépendance.
Compter les voies, pas les échos
L’indépendance des preuves conduit finalement à une règle simple mais exigeante : compter les voies d’accès à l’information plutôt que le nombre de fois où l’information apparaît.
Trois expériences utilisant trois méthodes réellement différentes peuvent parfois être plus convaincantes que trente analyses reposant sur la même mesure. Deux documents produits indépendamment avant qu’une controverse n’existe peuvent être plus probants que cent commentaires ultérieurs. Un second témoin réellement indépendant peut changer fortement un dossier ; cent personnes répétant son récit ne le font pas.
Cette idée oblige à regarder derrière la surface quantitative des preuves.
Le nombre de sources, d’études ou de témoignages reste utile, mais seulement après avoir reconstruit leurs relations de dépendance.
Pour l’autonomie intellectuelle, le réflexe devient donc : lorsque beaucoup d’éléments semblent confirmer une affirmation, ne demandons pas seulement « combien ? », mais « d’où viennent-ils réellement, quelles erreurs partagent-ils et qu’est-ce que chacun ajoute après que les autres sont déjà connus ? »
C’est à cette condition que l’accumulation devient véritable accumulation de connaissance plutôt que multiplication des échos.
Nous pouvons maintenant passer aux applications concrètes du raisonnement bayésien. La première est particulièrement instructive parce qu’elle rassemble taux de base, probabilités conditionnelles, fréquences naturelles et rapports de vraisemblance : l’interprétation des tests médicaux.
Pour aller plus loin
- Fitelson, B. (2001). « A Bayesian Account of Independent Evidence with Applications ». *Philosophy of Science*, 68(S3), S123–S140. DOI : 10.1086/392903. Analyse bayésienne de l’indépendance probatoire et de la diversité des preuves.
- Good, I. J. (1950). *Probability and the Weighing of Evidence*. London: Charles Griffin. Ouvrage classique sur le poids et l’accumulation des preuves dans une perspective probabiliste.
- Hawthorne, J. « Inductive Logic », *Stanford Encyclopedia of Philosophy*. Présentation du rôle des rapports de vraisemblance dans la discrimination entre hypothèses concurrentes.