L’expérience contrôlée : intervention, groupe témoin et comparaison causale
Observer qu’un phénomène accompagne régulièrement un autre ne suffit pas toujours à savoir si l’un produit réellement l’autre. Les personnes qui prennent un traitement peuvent guérir davantage parce que le traitement fonctionne, mais aussi parce qu’elles étaient moins malades au départ, qu’elles consultent davantage, qu’elles bénéficient d’un meilleur suivi ou qu’elles diffèrent sur une autre caractéristique importante. Une intervention scolaire peut être associée à de meilleurs résultats parce qu’elle est efficace, mais aussi parce que les établissements qui l’adoptent disposent de davantage de ressources.
Le problème fondamental de l’inférence causale est donc celui des explications concurrentes.
L’expérience contrôlée possède un avantage particulier : au lieu d’attendre que le monde produise spontanément différentes situations puis d’essayer de comprendre pourquoi elles diffèrent, le chercheur intervient sur une variable et organise une comparaison. Il devient alors possible, au moins dans certaines conditions, de rapprocher la question scientifique de la question contrefactuelle qui définit intuitivement un effet causal : qu’aurait-il été observé si la même situation avait différé uniquement par la présence ou l’absence de l’intervention ?
Nous ne pouvons évidemment pas observer simultanément les deux histoires du même individu. Un patient ne peut pas, au même instant, recevoir et ne pas recevoir le même traitement. Toute expérience doit donc construire une comparaison capable d’approcher ce contrefactuel impossible.
C’est la fonction essentielle du groupe témoin.
Une cause implique une différence entre deux situations possibles
Supposons qu’un patient prenne un médicament et guérisse.
Cette observation ne permet pas à elle seule d’affirmer que le médicament l’a guéri.
Peut-être aurait-il guéri sans traitement.
Peut-être la maladie disparaît-elle spontanément dans 90 % des cas.
Peut-être un autre traitement administré simultanément est-il responsable de l’amélioration.
Pour parler d’effet causal, la question pertinente est donc approximativement :
que se serait-il passé pour ce patient au même moment s’il n’avait pas reçu ce médicament, toutes choses pertinentes étant égales par ailleurs ?
Ce scénario alternatif est un contrefactuel.
Dans le langage contemporain de l’inférence causale, on représente souvent ce problème par des résultats potentiels : pour chaque individu, il existe conceptuellement un résultat sous traitement et un résultat sous absence de traitement, mais nous n’en observons qu’un seul. Ce problème est parfois appelé le problème fondamental de l’inférence causale.
L’expérience ne supprime pas cette impossibilité logique. Elle cherche à construire un autre groupe suffisamment comparable pour estimer ce que serait devenu, en moyenne, le groupe traité s’il n’avait pas reçu l’intervention.
Le groupe témoin fournit le monde de comparaison
Imaginons une maladie qui disparaît spontanément en quelques jours chez la majorité des patients.
On administre un nouveau traitement à cent personnes et quatre-vingts guérissent.
Le résultat paraît encourageant.
Mais il est impossible de l’interpréter sans savoir ce qui serait arrivé en l’absence de traitement.
Si quatre-vingt-cinq personnes sur cent guérissent habituellement spontanément, le traitement pourrait en réalité être inutile, voire légèrement défavorable.
Si seulement vingt guérissent habituellement, le même résultat devient spectaculaire.
Le rôle du groupe témoin est précisément de fournir cette référence.
Une expérience contrôlée ne demande donc pas simplement :
« Que s’est-il passé après l’intervention ? »
Elle demande :
« Que s’est-il passé avec l’intervention relativement à ce qui s’est passé sans elle, ou avec une intervention de comparaison pertinente ? »
Cette différence paraît élémentaire, mais elle constitue l’un des fondements de l’expérimentation moderne.
« Avant-après » n’est pas nécessairement une bonne comparaison causale
Une erreur fréquente consiste à prendre l’état initial comme seul témoin.
Une entreprise adopte une nouvelle méthode et sa productivité augmente de 10 % l’année suivante.
Une école lance un programme et les notes progressent.
Un patient commence un traitement puis sa douleur diminue.
Dans chaque cas, le changement temporel est réel. Mais il ne suffit pas à identifier sa cause.
La productivité aurait peut-être augmenté grâce à la conjoncture économique. Les résultats scolaires pouvaient déjà suivre une tendance ascendante. La douleur peut fluctuer naturellement ou régresser spontanément.
Une comparaison avant-après confond donc l’effet de l’intervention avec tout ce qui a changé entre les deux moments.
Elle peut être informative lorsque nous disposons de bonnes raisons de penser que les autres facteurs sont stables, mais elle est beaucoup moins protectrice qu’une comparaison simultanée avec un groupe approprié.
Le témoin n’est pas nécessairement « aucune intervention »
Le mot témoin évoque parfois un groupe ne recevant absolument rien.
Ce n’est qu’une possibilité.
Dans un essai médical, le groupe de comparaison peut recevoir un placebo, les soins habituels ou le meilleur traitement déjà disponible.
Dans une étude éducative, il peut suivre le programme standard.
Dans une expérience biologique, il peut subir exactement les mêmes manipulations que le groupe expérimental à l’exception de l’élément dont on souhaite isoler l’effet.
Le choix du témoin dépend donc de la question.
Comparer un nouveau médicament à l’absence totale de traitement peut montrer qu’il est meilleur que rien. Mais si un traitement efficace existe déjà, la question cliniquement importante peut être de savoir s’il est meilleur, équivalent ou moins toxique que le traitement de référence.
Un groupe témoin n’est pas une formalité. Il définit ce à quoi l’effet mesuré est relatif.
L’idéal expérimental : ne faire varier qu’une seule chose
L’intuition fondamentale de l’expérience contrôlée est simple.
Si deux situations étaient parfaitement identiques à l’exception de X, et si leur résultat différait ensuite, X constituerait une explication naturelle de cette différence.
Dans un laboratoire, il est parfois possible de s’approcher fortement de cette situation.
Deux cultures cellulaires peuvent être traitées de manière identique, sauf que l’une reçoit une molécule particulière.
Deux matériaux peuvent être soumis aux mêmes conditions, sauf que l’un est exposé à une température différente.
Mais même dans ces cas, le contrôle parfait est rarement littéral. Il existe toujours de petites variations entre spécimens, instruments ou conditions.
Avec des humains, l’idée de deux situations identiques devient encore plus impossible : chaque personne possède sa propre génétique, son histoire, son environnement et ses comportements.
Le contrôle expérimental consiste donc moins à produire deux mondes absolument identiques qu’à neutraliser suffisamment les différences concurrentes pour que la comparaison devienne interprétable.
Pourquoi intervenir aide à comprendre la causalité
Les conceptions interventionnistes contemporaines de la causalité formalisent cette intuition.
Très schématiquement, si modifier X par une intervention appropriée produit une modification de Y, tandis que les autres chemins causaux pertinents sont contrôlés, cela fournit une information particulièrement forte en faveur d’un effet causal de X sur Y.
Dans l’approche de James Woodward, par exemple, une relation causale est étroitement liée à la possibilité qu’une intervention sur une variable modifie une autre variable par le chemin causal étudié plutôt que par une voie parasite. La philosophie contemporaine de l’explication causale utilise largement ce cadre interventionniste.
Ce langage permet de comprendre pourquoi l’expérimentation possède un avantage : elle cherche à produire délibérément la variation dont nous voulons connaître les conséquences.
Dans une observation purement passive, les raisons pour lesquelles X varie peuvent être mêlées à de nombreux autres facteurs.
Corrélation et intervention ne répondent pas exactement à la même question
Supposons qu’une étude observationnelle découvre que les personnes qui prennent régulièrement un certain médicament présentent une mortalité plus faible.
La relation peut être causale.
Mais les personnes qui prennent le médicament peuvent également différer par leur âge, leur accès aux soins, leur niveau socio-économique ou leurs autres traitements.
La variable « prendre le médicament » n’a pas été créée indépendamment de ces caractéristiques.
Dans une expérience, le chercheur essaie au contraire de déterminer qui reçoit quoi selon une procédure indépendante des facteurs pronostiques, notamment grâce à la randomisation lorsque celle-ci est possible.
C’est ce qui rapproche l’expérience de la question :
« Que se passerait-il si nous faisions varier le traitement ? »
plutôt que de la seule question :
« Qu’observons-nous chez les personnes qui, pour une raison quelconque, reçoivent déjà ce traitement ? »
Cette différence est au cœur des approches modernes de l’inférence causale.
Le contrôle vise principalement les explications concurrentes
Il serait toutefois trompeur de présenter l’expérience comme une sorte de rituel possédant une valeur causale intrinsèque.
Ce qui compte est ce qu’elle contrôle réellement.
Supposons qu’un groupe expérimental soit étudié le matin et le groupe témoin le soir.
Si l’heure influence le phénomène, elle devient une explication concurrente.
Supposons que les chercheurs utilisent un appareil différent pour chaque groupe.
L’appareil peut produire la différence.
Supposons que les patients recevant le traitement soient examinés avec davantage d’attention.
Le suivi lui-même peut intervenir.
Une expérience n’est donc informative que si sa conception cherche à empêcher que l’intervention soit systématiquement accompagnée d’autres différences capables d’expliquer le résultat.
Le groupe témoin doit être comparable, pas seulement exister
Une étude peut annoncer qu’elle possède un groupe témoin tout en restant très fragile.
Imaginons que les cent patients traités soient recrutés dans un grand hôpital universitaire et que les cent témoins proviennent d’archives médicales datant de dix ans.
Les deux groupes peuvent différer par l’âge, les pratiques médicales, les critères diagnostiques ou la qualité du suivi.
Le mot « témoin » ne résout rien par lui-même.
La véritable question est :
les différences initiales ou concomitantes entre les groupes peuvent-elles expliquer le résultat ?
C’est pourquoi l’expérimentation moderne a progressivement développé des méthodes telles que la randomisation, la dissimulation de l’allocation, l’aveugle et le placebo, qui feront l’objet de la fiche suivante.
La randomisation donne à l’expérience une force particulière
Lorsque des participants sont assignés aléatoirement aux interventions, leurs caractéristiques pronostiques ne déterminent plus systématiquement le traitement qu’ils reçoivent.
Si la randomisation est correctement mise en œuvre, les groupes tendent donc à être comparables en moyenne, y compris relativement à des facteurs que les chercheurs n’ont pas mesurés ou même identifiés.
Cochrane décrit précisément cette fonction : une randomisation réussie évite que les facteurs pronostiques connus ou inconnus influencent l’affectation aux interventions, ce qui réduit le problème de confusion dans l’estimation de l’effet.
CONSORT 2025 présente également la randomisation comme un élément crucial des essais randomisés, notamment parce qu’elle prévient le biais de sélection à l’entrée et équilibre en moyenne les facteurs pronostiques connus comme inconnus.
Mais cette puissance ne doit pas être caricaturée.
Randomisé ne signifie pas « groupes identiques »
Le hasard ne garantit jamais que deux groupes seront parfaitement identiques.
Avec dix participants, il est tout à fait possible qu’un groupe contienne par hasard davantage de patients gravement malades.
Même dans une grande étude, de petites différences subsistent.
La randomisation garantit plutôt que les différences initiales ne sont pas organisées systématiquement par le choix du traitement et qu’elles peuvent être traitées dans un cadre probabiliste.
Cette nuance explique pourquoi il serait incorrect d’interpréter la moindre différence de caractéristiques initiales comme une preuve que la randomisation « n’a pas marché ».
Elle explique aussi pourquoi les petits essais randomisés peuvent malgré tout produire des estimations très incertaines.
Le hasard protège contre certains biais systématiques ; il ne supprime pas la variabilité d’échantillonnage.
Expérimentation et confusion
La notion de confusion est centrale pour comprendre l’avantage expérimental.
Supposons qu’un facteur Z influence à la fois l’exposition X et le résultat Y.
On peut alors observer une association entre X et Y même si une partie ou la totalité de cette association est produite par Z.
Par exemple, si les personnes atteintes des maladies les plus graves reçoivent plus souvent un traitement puissant, une étude observationnelle naïve pourrait conclure que le traitement est associé à une mortalité élevée.
La gravité de la maladie influence à la fois le choix du traitement et le risque de décès.
Elle constitue donc un facteur de confusion.
Une randomisation correcte casse précisément ce lien systématique entre pronostic initial et attribution du traitement. Cochrane souligne que la confusion est une préoccupation centrale des études non randomisées lorsqu’une même cause influence à la fois l’attribution de l’intervention et le résultat.
Mais une expérience peut créer de nouveaux biais après l’attribution
Même lorsque l’affectation initiale est excellente, tout n’est pas gagné.
Après la randomisation, les participants peuvent abandonner l’étude différemment selon leur groupe.
Les médecins peuvent administrer des soins supplémentaires à certains participants.
Les patients peuvent ne pas prendre réellement le traitement attribué.
Les évaluateurs peuvent mesurer différemment les résultats s’ils connaissent le groupe.
Certaines données peuvent être manquantes de manière non aléatoire.
Enfin, les chercheurs peuvent analyser ou rapporter les résultats de manière sélective.
C’est pourquoi Cochrane distingue plusieurs domaines de biais dans les essais randomisés au-delà du seul processus de randomisation : écarts par rapport aux interventions prévues, données manquantes, mesure des résultats et sélection des résultats rapportés.
Un essai randomisé peut donc être mal conduit.
L’expérience répond à une question causale précise, pas à toutes les questions
Supposons qu’un essai montre que prendre un médicament pendant trois mois réduit la pression artérielle de 8 mmHg relativement à un placebo.
Cette expérience fournit une information causale importante sur cette intervention, dans cette population, pendant cette durée et pour ce critère.
Elle ne démontre pas automatiquement que le médicament réduit la mortalité à vingt ans.
Elle ne garantit pas le même effet chez des personnes exclues de l’essai.
Elle ne montre pas nécessairement quel mécanisme biologique précis produit la baisse.
Elle ne permet pas non plus de connaître tous les effets indésirables rares qui n’ont pas eu le temps d’apparaître.
Une expérience répond donc toujours à une comparaison définie.
La force de l’inférence ne doit pas être transformée en universalité de la conclusion.
L’intervention elle-même doit être clairement définie
Un autre problème apparaît lorsque l’on parle d’une intervention comme si son nom suffisait à la décrire.
« Psychothérapie », « programme éducatif », « activité physique » ou « régime alimentaire » peuvent recouvrir des interventions très différentes.
Un programme de rééducation suivi cinq heures par semaine sous supervision n’est pas équivalent à une brochure conseillant de faire les mêmes exercices seul.
Si les interventions diffèrent dans leur mise en œuvre, leurs effets peuvent naturellement différer.
Une bonne expérience doit donc préciser ce qui a réellement été fait : dose, durée, fréquence, accompagnement, co-interventions et niveau d’adhésion.
Sinon, le lecteur sait qu’une étiquette a été testée, mais pas nécessairement quelle intervention elle représente.
L’adhésion complique la question « quel est l’effet du traitement ? »
Supposons que des participants soient randomisés vers un traitement mais que la moitié ne le prenne pas régulièrement.
Quel effet voulons-nous mesurer ?
L’effet de l’attribution du traitement, c’est-à-dire ce qui se produit lorsqu’on propose cette stratégie à une population réelle ?
Ou l’effet que produirait le traitement s’il était effectivement pris conformément au protocole ?
Ces deux questions ne sont pas identiques.
Dans les essais cliniques, l’analyse dite en intention de traiter conserve généralement les participants dans le groupe auquel ils avaient initialement été assignés. Cette stratégie préserve un avantage majeur de la randomisation et répond à une question proche de l’effet de la stratégie d’attribution.
D’autres analyses cherchent à estimer des effets liés davantage à l’adhésion réelle, mais elles peuvent réintroduire des problèmes de confusion si les personnes qui suivent correctement le traitement diffèrent des autres.
L’effet causal dépend donc aussi de la question précise que l’on définit comme effet.
Le contrôle négatif : lorsqu’on s’attend à ne rien voir
Toutes les comparaisons expérimentales ne cherchent pas un effet positif.
Un contrôle négatif est conçu de manière à ce que le phénomène étudié ne devrait pas apparaître si le système fonctionne comme prévu.
Dans une expérience biologique, un échantillon ne contenant pas la cible recherchée peut permettre de vérifier que le test ne produit pas un signal artificiel.
Si le contrôle négatif devient positif, cela peut révéler une contamination ou un défaut de procédure.
La fonction du contrôle n’est donc pas seulement d’estimer la taille d’un effet. Il peut aussi servir à vérifier que l’expérience se comporte comme elle le devrait lorsqu’un effet est absent.
Le contrôle positif : vérifier que l’expérience sait détecter quelque chose
À l’inverse, un contrôle positif utilise une condition dont on sait qu’elle devrait produire un effet.
Supposons qu’un dispositif destiné à détecter une réaction biologique ne trouve aucun effet avec le produit expérimental.
Si même le contrôle positif connu pour provoquer la réaction reste négatif, l’expérience entière devient difficile à interpréter : peut-être le dispositif était-il incapable de détecter le phénomène ce jour-là.
Le contrôle positif permet donc de demander :
« Notre méthode aurait-elle été capable de voir l’effet s’il avait réellement été présent ? »
Cette logique rejoint directement la notion de test sévère étudiée avec Popper et Mayo.
Un résultat négatif n’est informatif que si la procédure avait une capacité suffisante à détecter l’effet recherché.
Contrôler ne signifie pas supprimer toute différence
Dans les expériences complexes, il est impossible de rendre absolument tous les éléments identiques.
L’objectif est plutôt d’empêcher les différences pertinentes d’être systématiquement alignées avec l’intervention.
Supposons que cent patients soient randomisés.
Ils diffèrent nécessairement par leur âge, leur histoire médicale et de nombreux facteurs.
Mais si ces caractéristiques sont distribuées sans relation systématique avec l’attribution du traitement, elles ne créent pas le même type de confusion que si les médecins choisissaient consciemment de donner le traitement aux patients les plus jeunes.
Le contrôle expérimental doit donc être compris comme une stratégie de séparation des causes, pas comme la fabrication de clones identiques.
Pourquoi les expériences animales ne répondent pas directement à toutes les questions humaines
Les modèles animaux permettent parfois un contrôle expérimental qui serait impossible ou contraire à l’éthique chez l’humain.
On peut contrôler l’alimentation, l’environnement, certaines caractéristiques génétiques et appliquer directement une intervention.
Cela peut fournir des informations mécanistiques remarquables.
Mais la force du contrôle interne ne résout pas automatiquement la question de la généralisation interespèces.
Un traitement efficace chez la souris ne produit pas nécessairement le même effet chez l’être humain.
L’expérience peut donc posséder une excellente validité interne pour l’animal étudié et une validité externe beaucoup plus incertaine pour la médecine humaine.
Nous retrouvons ici la distinction étudiée dans la fiche 7 : bien établir un effet dans un système et savoir jusqu’où il se transporte sont deux problèmes différents.
Expérimental ne signifie pas forcément randomisé
Toutes les expériences scientifiques ne sont pas des essais randomisés.
En physique ou en chimie, le chercheur peut contrôler directement les conditions expérimentales d’une manière qui rend inutile l’attribution aléatoire d’individus à des groupes.
Dans certaines recherches humaines, une intervention est appliquée mais ne peut pas être randomisée.
Une politique publique peut entrer en vigueur dans une région mais pas dans une autre.
Une école peut adopter une réforme tandis qu’une autre continue comme auparavant.
Ces études impliquent une intervention ou une variation contrôlée partiellement sans posséder nécessairement toutes les protections d’un essai randomisé.
Il faut donc distinguer expérience, expérience contrôlée et essai randomisé.
Le mot « expérimental » n’est pas à lui seul un certificat méthodologique.
Une mauvaise expérience peut être moins informative qu’une excellente observation
Il serait tout aussi incorrect de conclure :
« expérimental = fiable ; observationnel = faible ».
Un petit essai mal conduit, avec beaucoup de pertes au suivi et une mesure médiocre, peut fournir moins d’information qu’une très bonne étude observationnelle utilisant une quasi-expérience particulièrement convaincante.
La hiérarchie méthodologique dépend de la question et de la qualité réelle du dessin d’étude.
L’expérience randomisée possède un avantage puissant pour isoler certains effets causaux, mais elle n’échappe pas aux autres exigences scientifiques : mesure valide, taille d’échantillon suffisante, transparence, analyse appropriée, réplication et généralisation.
Les recommandations CONSORT 2025 existent précisément parce qu’un essai randomisé ne peut être correctement évalué que si sa conception, sa conduite, son analyse et ses résultats sont rapportés de manière complète et transparente.
Certaines expériences sont impossibles
Il existe enfin de nombreuses questions auxquelles une expérience contrôlée idéale ne peut tout simplement pas répondre.
On ne peut pas répartir aléatoirement des personnes entre « fumer pendant trente ans » et « ne pas fumer ».
On ne peut pas assigner des enfants à une forte exposition au plomb.
On ne peut pas provoquer une famine ou une guerre pour étudier leurs effets.
On ne peut pas créer plusieurs planètes Terre pour comparer différents climats.
L’impossibilité peut être éthique, pratique, économique ou physique.
Cela ne rend pas ces phénomènes inaccessibles à la science.
Il faut alors construire d’autres formes de comparaison : cohortes, expériences naturelles, quasi-expériences, séries temporelles, mécanismes, traces historiques et convergence de plusieurs sources de preuves.
Nous y reviendrons dans les fiches 17 et 18.
Certaines expériences seraient même conceptuellement absurdes
L’intervention n’est pas toujours possible ou nécessaire pour identifier une relation causale.
Nous ne pouvons pas modifier librement certaines caractéristiques comme nous tournons un bouton expérimental.
On ne peut pas intervenir sur « l’âge d’une personne » tout en maintenant tout le reste de son histoire identique.
On ne peut pas randomiser la tectonique des plaques ou la formation d’une galaxie.
Les conceptions interventionnistes de la causalité elles-mêmes reconnaissent ces difficultés et distinguent l’utilité conceptuelle de l’intervention des manipulations humaines effectivement réalisables.
La causalité ne doit donc pas être réduite au slogan :
« pas d’expérience, pas de cause ».
L’expérience est un outil particulièrement puissant pour certaines questions causales, pas la définition exhaustive de toute connaissance causale.
Le contrôle sert surtout à fabriquer une comparaison crédible
Nous pouvons maintenant reformuler l’idée centrale de l’expérience contrôlée.
Le but n’est pas simplement d’agir sur le monde.
Il est de créer une comparaison dans laquelle les explications concurrentes les plus importantes sont suffisamment maîtrisées pour que la différence de résultat puisse raisonnablement être attribuée à la différence d’intervention.
C’est pourquoi le contrôle peut prendre plusieurs formes : groupe témoin, standardisation des procédures, randomisation, placebo, aveugle, contrôle positif ou négatif.
Chaque dispositif répond à une possibilité différente d’erreur.
Aucun ne remplace les autres.
Un résultat expérimental est toujours comparatif
Lorsqu’un article affirme qu’une intervention « augmente de 20 % » un résultat, il faut immédiatement demander :
par rapport à quoi ?
Par rapport à l’absence de traitement ?
À un placebo ?
Aux soins habituels ?
À un autre traitement ?
À une dose différente ?
Le sens causal de l’effet dépend du contraste expérimental.
Un traitement peut être meilleur qu’un placebo et moins bon que le traitement de référence.
Une politique peut faire mieux que l’absence totale d’intervention tout en étant moins efficace qu’une autre option disponible.
Il ne suffit donc jamais de demander :
« Est-ce efficace ? »
Il faut demander :
« Quel est l’effet de cette intervention relativement à quelle alternative ? »
L’expérience répond à un contrefactuel organisé
Le groupe témoin possède finalement une fonction conceptuelle profonde.
Nous ne pouvons pas observer le même système sous deux conditions incompatibles au même moment.
L’expérience cherche donc à construire une approximation crédible de ce monde non observé.
Chez des individus différents, la randomisation peut rendre les groupes comparables en moyenne.
Dans un laboratoire, la standardisation permet de créer des systèmes aussi semblables que possible.
Dans d’autres expériences, un même système peut être observé sous plusieurs conditions lorsque l’intervention est réversible.
Le groupe témoin est ainsi moins un simple groupe supplémentaire qu’un outil destiné à représenter le contrefactuel pertinent.
C’est ce qui donne à l’expérience sa puissance causale.
Mais la causalité reste une inférence
Même une expérience parfaitement conçue ne transforme pas l’observation en causalité par magie.
Elle construit plutôt une situation où les alternatives non causales deviennent beaucoup moins plausibles.
Une différence entre groupes peut encore être affectée par le hasard.
Une mauvaise exécution peut introduire des biais.
Une mesure peut être inadéquate.
Une conclusion peut être généralisée trop loin.
Et une réplication indépendante peut révéler que l’effet était plus fragile que prévu.
Dire qu’un essai randomisé permet une inférence causale solide signifie donc que, sous certaines hypothèses méthodologiques, l’attribution de l’intervention constitue la meilleure explication de la différence observée.
Ce n’est pas un privilège métaphysique attaché au mot « expérimental ».
L’expérience comme machine à éliminer des explications concurrentes
On peut finalement comprendre une expérience contrôlée comme une machine méthodologique à éliminer des explications concurrentes.
Le groupe témoin répond à la question de ce qui se produit sans l’intervention ou avec une alternative.
La randomisation réduit certaines différences systématiques initiales.
L’aveugle limite certaines influences des attentes.
Le placebo aide à séparer l’effet spécifique d’une intervention de certains effets liés au contexte de traitement.
La standardisation réduit les variations parasites.
Les contrôles positifs et négatifs vérifient que le dispositif expérimental réagit correctement.
Cette manière de penser évite le fétichisme de « l’expérience ».
Sa force vient de la logique de comparaison et de contrôle, pas du simple fait qu’un chercheur ait manipulé quelque chose.
La bonne question à poser devant une expérience
Lorsqu’une étude expérimentale est présentée comme démonstration causale, il ne suffit donc pas de demander :
« Y avait-il un groupe témoin ? »
Il faut reconstruire la comparaison.
Les groupes étaient-ils comparables ?
Le témoin représentait-il réellement l’alternative pertinente ?
D’autres différences étaient-elles systématiquement liées à l’intervention ?
Les participants sont-ils restés dans l’étude ?
Le résultat a-t-il été mesuré de la même manière ?
L’effet observé est-il suffisamment important relativement à l’incertitude ?
Enfin, l’interprétation causale correspond-elle exactement à ce qui a été manipulé et comparé ?
Ce sont ces questions qui permettent de distinguer une expérience simplement étiquetée « contrôlée » d’un véritable test causal.
À retenir
Une expérience contrôlée possède un avantage particulier pour l’étude de la causalité parce qu’elle organise une intervention et une comparaison destinée à approcher la question contrefactuelle : que se serait-il passé si la situation avait différé uniquement par l’intervention ?
Le groupe témoin fournit cette référence. Un changement observé uniquement après une intervention ne suffit pas : il faut savoir ce qui se serait produit sans elle ou avec une autre intervention pertinente.
La randomisation renforce puissamment cette comparaison lorsqu’elle est possible, car elle empêche en moyenne que les facteurs pronostiques connus ou inconnus déterminent systématiquement l’attribution du traitement. Cochrane et CONSORT considèrent précisément cette propriété comme un avantage majeur des essais randomisés.
Mais randomisé ne signifie pas infaillible. Une mauvaise mesure, des pertes au suivi, des écarts par rapport au traitement prévu, une analyse sélective ou une généralisation excessive peuvent encore compromettre la conclusion. Les recommandations CONSORT 2025 insistent donc sur l’ensemble de la conception, de la conduite, de l’analyse et du compte rendu de l’essai, pas uniquement sur son étiquette « randomisé ».
Enfin, l’expérimentation n’est ni possible ni nécessaire pour toute question causale. Certaines interventions seraient impossibles ou contraires à l’éthique, et certaines causes ne sont pas directement manipulables. L’expérience constitue donc un outil privilégié de contrôle causal, non une condition universelle de toute connaissance scientifique de la causalité.
La question fondamentale est :
« La comparaison expérimentale a-t-elle suffisamment isolé l’intervention pour que les principales explications concurrentes de la différence observée deviennent peu plausibles ? »
Sources et références
- Hopewell, Sally et al., « CONSORT 2025 Explanation and Elaboration: updated guideline for reporting randomised trials », *BMJ*, 2025, 389:e081124, DOI 10.1136/bmj-2024-081124.
- Hopewell, Sally et al., « CONSORT 2025 statement: updated guideline for reporting randomised trials », *BMJ*, 2025, 389:e081123.
- Higgins, Julian P. T. et al., Cochrane Handbook for Systematic Reviews of Interventions, chapitre 8, *Assessing risk of bias in a randomized trial*.
- Sterne, Jonathan A. C. et al., Cochrane Handbook, chapitre 25, sur les risques de biais dans les études non randomisées et le rôle de la confusion.
- Odgaard-Jensen, Jan et al., « Randomised controlled trials as a safeguard against biased estimates of treatment effects », *Cochrane Database of Systematic Reviews*.
- Woodward, James, Making Things Happen: A Theory of Causal Explanation, Oxford University Press, 2003.
- Woodward, James et al., « Causal Approaches to Scientific Explanation », *Stanford Encyclopedia of Philosophy*, sur les conceptions interventionnistes de la causalité.