L’heuristique de représentativité
Un patient présente plusieurs symptômes qui ressemblent fortement au tableau typique d’une maladie particulière. Cette ressemblance constitue une information utile : certaines maladies produisent effectivement des profils caractéristiques. Mais elle ne suffit pas toujours pour savoir quelle maladie est la plus probable. Si la pathologie correspondante est extrêmement rare tandis qu’une affection beaucoup plus fréquente peut produire des symptômes similaires, la ressemblance au cas typique et la probabilité réelle ne coïncident plus nécessairement.
C’est le problème central de l’heuristique de représentativité. Lorsque nous devons déterminer à quelle catégorie appartient une personne ou un événement, prévoir l’origine d’un échantillon ou estimer la probabilité d’une situation, nous pouvons nous demander à quel point ce cas ressemble à l’image que nous nous faisons de la catégorie ou du processus correspondant.
Cette stratégie peut être très efficace : dans de nombreux environnements, les membres d’une catégorie ressemblent effectivement davantage à cette catégorie que les non-membres. Mais la probabilité dépend parfois d’autres informations que la ressemblance ne contient pas : fréquence de départ, taille de l’échantillon, fiabilité des indices, dépendance entre événements ou structure mathématique du problème.
La représentativité ne doit donc pas être réduite à un « biais de stéréotype ». Elle désigne plus largement l’utilisation de la similarité ou de la typicalité comme indice probabiliste.
Juger une probabilité par la ressemblance
Tversky et Kahneman ont introduit la représentativité au début des années 1970 pour décrire une famille de jugements dans lesquels les individus semblent demander :
« À quel point ce cas ressemble-t-il à ce que j’attendrais de cette catégorie ou de ce processus ? »
plutôt que d’effectuer explicitement un calcul probabiliste complet.
Supposons qu’on décrive une personne comme extrêmement méthodique, réservée et passionnée par les systèmes de classement, puis qu’on demande si elle appartient plus probablement à une profession associée à ce portrait ou à une profession beaucoup plus fréquente dans la population.
La description peut fournir une information réellement diagnostique. Le problème apparaît lorsque sa ressemblance avec un prototype reçoit un poids disproportionné relativement à la fréquence initiale des catégories.
Kahneman et Frederick ont plus tard interprété ce type de phénomène comme une forme de substitution d’attribut : à une question difficile — « quelle est la probabilité que cette personne appartienne à cette catégorie ? » — peut se substituer une question plus immédiatement accessible — « à quel point cette personne ressemble-t-elle au membre typique de cette catégorie ? »
Mais la représentativité est une notion plus large qu’un simple stéréotype social. Elle peut concerner des personnes, des échantillons statistiques, des séquences aléatoires, des diagnostics, des entreprises ou pratiquement tout objet pouvant être comparé à un modèle mental.
Pourquoi la représentativité peut-elle être utile ?
La ressemblance n’est pas un indice arbitraire.
Si une maladie produit généralement une combinaison caractéristique de symptômes, observer ce profil augmente raisonnablement la plausibilité du diagnostic correspondant. Si certains animaux possèdent des caractéristiques fortement associées à une espèce, ces caractéristiques facilitent une classification correcte. Si une machine défectueuse produit habituellement un bruit particulier, retrouver ce bruit constitue une information diagnostique.
Dans ces situations, similarité et probabilité sont corrélées.
Utiliser rapidement la représentativité peut donc permettre une classification efficace sans recalculer explicitement toutes les probabilités pertinentes.
Le problème est que la ressemblance ne contient pas à elle seule toutes les composantes d’une probabilité. Deux catégories peuvent produire des observations également ressemblantes tout en ayant des fréquences de départ très différentes. Un petit échantillon peut parfaitement ressembler à la population dont il provient, mais il peut aussi s’en écarter fortement par simple hasard.
La représentativité devient donc fragile lorsque nous traitons la question :
« cela ressemble-t-il à X ? »
comme si elle était équivalente à :
« quelle est la probabilité que ce soit X ? »
Le rôle des taux de base
Un taux de base est la fréquence initiale d’une catégorie avant que nous prenions en compte l’information particulière concernant le cas présent.
Supposons qu’une maladie touche 1 personne sur 1 000 et qu’une autre en touche 100 sur 1 000. Un symptôme qui semble assez caractéristique de la première maladie ne suffit pas nécessairement à la rendre plus probable que la seconde. Tout dépend de la fréquence des maladies et de la probabilité d’observer ce symptôme dans chacune d’elles.
C’est exactement le type de problème pour lequel le raisonnement bayésien devient indispensable : une observation doit être combinée à une probabilité antérieure.
Des expériences classiques ont montré que des participants peuvent donner beaucoup de poids à une description individuelle ressemblant à un prototype et beaucoup moins au taux de base fourni dans le problème. Ce phénomène est généralement appelé négligence ou sous-pondération du taux de base.
Il est bien documenté, mais son explication ne doit pas être simplifiée à l’excès. Une étude de 2022 explorant un espace plus large de problèmes retrouve une sous-utilisation des taux de base, tout en observant d’importantes différences individuelles : certains participants les négligent presque complètement, tandis que d’autres les utilisent d’une manière proche d’un modèle bayésien. Les auteurs trouvent par ailleurs peu d’éléments permettant d’expliquer à eux seuls tous les comportements par un modèle heuristique unique.
Autrement dit, la négligence du taux de base est un phénomène réel ; “la représentativité” n’en constitue pas nécessairement l’explication complète dans tous les cas.
Un exemple médical : le test positif
Imaginons une maladie rare et un test assez performant.
Pour raisonner correctement après un résultat positif, il faut tenir compte d’au moins trois informations : la fréquence initiale de la maladie, la probabilité que le test soit positif lorsque la maladie est présente et la probabilité qu’il soit également positif chez une personne non malade.
Il est tentant de se dire :
« Ce résultat positif ressemble exactement à ce que l’on attendrait d’un malade ; la maladie est donc très probable. »
Mais si la maladie est extrêmement rare, le nombre total de faux positifs provenant de la vaste population non malade peut rester important.
Cet exemple permet surtout de comprendre pourquoi le taux de base est indispensable. Il ne faut cependant pas transformer toute erreur bayésienne en « heuristique de représentativité ». Les recherches contemporaines sur le raisonnement probabiliste distinguent plusieurs mécanismes possibles, et les débats portent notamment sur la présentation des informations, les stratégies individuelles et la norme pertinente selon le problème.
Le diagnostic réel exige donc mieux qu’une opposition sommaire entre « intuition » et « statistiques » : il faut déterminer quelles données sont pertinentes et comment elles doivent être combinées.
Représentativité et taille des échantillons
Une autre erreur historique associée à la représentativité consiste à attendre qu’un petit échantillon ressemble presque aussi bien à sa population qu’un grand échantillon.
Supposons qu’une maternité accueille en moyenne 15 naissances par jour et une autre 45. Dans laquelle observera-t-on le plus souvent une journée où plus de 60 % des bébés sont des garçons ?
La grande maternité fournit un échantillon plus important. Ses proportions quotidiennes tendent donc à être plus stables autour de 50 %. Dans la petite maternité, des fluctuations extrêmes sont beaucoup plus fréquentes simplement parce que l’échantillon est petit.
Pourtant, une intuition fréquente consiste à penser que les deux maternités devraient produire à peu près autant de journées extrêmes puisque chaque naissance a approximativement la même probabilité individuelle.
Tversky et Kahneman ont relié ce type d’intuition à ce qu’ils appelaient la loi des petits nombres : nous attendons parfois qu’un petit échantillon soit beaucoup plus représentatif de sa population qu’il ne devrait l’être.
L’erreur est particulièrement importante pour l’interprétation des recherches scientifiques. Les petits échantillons produisent davantage de fluctuations. Ils peuvent donc générer, par hasard, des résultats extrêmement impressionnants qui se rapprochent ensuite de la moyenne lorsque des données supplémentaires sont recueillies.
Cette propriété n’est pas un « biais psychologique » : c’est une caractéristique mathématique de l’échantillonnage. Le biais éventuel consiste à ne pas suffisamment en tenir compte.
Le hasard doit-il « avoir l’air aléatoire » ?
La représentativité intervient également dans nos intuitions sur les processus aléatoires.
Considérons deux séquences de six lancers d’une pièce équilibrée :
P-F-P-F-F-P
et
P-P-P-P-P-P
Les deux séquences particulières ont exactement la même probabilité si les lancers sont indépendants.
Pourtant, la première « a l’air » beaucoup plus aléatoire. Elle alterne suffisamment piles et faces pour ressembler à notre prototype du hasard.
La seconde paraît suspecte parce qu’elle contient une longue série identique.
Cette intuition possède une part raisonnable. Dans un grand ensemble de lancers, une pièce équilibrée devrait effectivement produire approximativement autant de piles que de faces. Le problème apparaît lorsque nous exigeons que chaque petit segment reproduise immédiatement cette propriété globale.
Cela peut contribuer à des raisonnements comme le sophisme du joueur : après plusieurs piles successifs, une face paraît « due », comme si le hasard devait rapidement restaurer une séquence plus représentative.
Pour une pièce équilibrée et des lancers indépendants, ce n’est pas le cas : la probabilité du prochain lancer reste la même.
Mais là encore, le contexte compte. Dans le monde réel, une longue série inhabituelle peut parfois constituer une raison rationnelle de remettre en question l’hypothèse initiale : la pièce est-elle vraiment équilibrée ? Les événements sont-ils réellement indépendants ?
L’erreur n’est donc pas de remarquer les séries. Elle consiste à appliquer une hypothèse incorrecte sur la façon dont un processus aléatoire connu et indépendant doit se comporter à court terme.
Linda et l’erreur de conjonction
L’un des exemples les plus célèbres de la psychologie du jugement est le problème dit de Linda.
Une femme est décrite d’une manière qui la rend très représentative d’une personne engagée dans des causes féministes. On demande ensuite quelle proposition est la plus probable parmi plusieurs possibilités, notamment :
Linda travaille dans une banque.
et :
Linda travaille dans une banque et est active dans le mouvement féministe.
La seconde description correspond beaucoup mieux au portrait initial. Pourtant, selon les règles ordinaires de la probabilité, une conjonction A et B ne peut jamais être plus probable que A seul, puisque tous les cas satisfaisant A et B appartiennent déjà à l’ensemble des cas satisfaisant A.
Tversky et Kahneman ont utilisé cette erreur de conjonction pour montrer à quel point la représentativité pouvait parfois entrer en conflit avec une règle probabiliste élémentaire.
Le résultat est célèbre, mais son interprétation a fait l’objet de plusieurs décennies de débats. Certains chercheurs ont souligné des ambiguïtés pragmatiques possibles dans le langage naturel, notamment dans la manière dont les participants comprennent le mot « et » ou l'option isolée. D’autres expériences contrôlant ces interprétations continuent néanmoins à observer des erreurs de conjonction.
Le phénomène ne peut donc pas être simplement écarté comme un artefact verbal, mais son mécanisme n’est pas réductible avec certitude à une seule heuristique de représentativité.
La représentativité explique-t-elle vraiment l’erreur de conjonction ?
C’est précisément ici que la prudence théorique est nécessaire.
L’interprétation classique est élégante : « Linda féministe employée de banque » ressemble davantage au portrait fourni que « Linda employée de banque », donc la représentativité l’emporte sur la règle de conjonction.
Cette explication reçoit un soutien expérimental : la fréquence des erreurs varie effectivement avec la représentativité des événements proposés. Dans des travaux classiques, rendre les conjonctions moins représentatives réduisait fortement l’erreur.
Mais d’autres expériences ont obtenu des résultats suggérant que les individus utilisent également certaines règles imparfaites de combinaison des probabilités. La représentativité peut influencer le jugement sans être l’unique mécanisme produisant l’erreur.
Des modèles fondés sur la confirmation inductive ont également proposé que les participants répondent parfois à la question implicite : « dans quelle mesure l’information disponible soutient-elle cette hypothèse ? » plutôt qu’à une stricte question de probabilité mathématique. Certaines expériences trouvent des résultats favorables à cette interprétation.
La bonne conclusion est donc plus intéressante que l’histoire simplifiée des manuels : l’erreur de conjonction est robuste, mais la théorie exacte de ce qui la produit reste discutée.
Une méta-analyse de 2023 portant sur l'effet des incitations financières retrouve d'ailleurs que celles-ci améliorent modestement la proportion de réponses correctes, avec un effet d'environ *d* = 0,19. L'erreur n'est donc ni totalement rigide ni simplement supprimée par le fait de « réfléchir davantage ».
Un prototype n’est pas une probabilité
La distinction fondamentale peut être résumée simplement.
Un prototype nous dit à quoi ressemble un membre typique d’une catégorie.
Une probabilité nous dit à quel point il est plausible qu’un cas appartienne effectivement à cette catégorie compte tenu de toutes les informations pertinentes.
Ces deux informations sont souvent reliées, mais pas toujours.
Imaginez deux maladies :
- la maladie A est très rare et produit habituellement exactement les symptômes observés ;
- la maladie B est cent fois plus fréquente et produit occasionnellement le même tableau.
Le patient peut être plus représentatif de A tout en ayant davantage de chances d’avoir B.
Pour choisir entre les deux, il faut combiner au minimum la fréquence initiale et le caractère diagnostique des symptômes.
Même raisonnement en dehors de la médecine. Une personne peut ressembler parfaitement au portrait que nous associons à une profession rare, sans que cette profession devienne pour autant la réponse la plus probable.
La représentativité devient alors une partie du raisonnement, pas son résultat final.
Stéréotypes : un cas particulier
Les exemples sociaux ont rendu la représentativité presque synonyme de stéréotype, mais ce serait une erreur conceptuelle.
Un stéréotype peut servir de prototype : une personne ressemble plus ou moins à l’image associée à un groupe. Dans ce cas, la représentativité peut effectivement favoriser une classification stéréotypée.
Mais l’heuristique concerne également les tirages aléatoires, les séquences, les diagnostics, les échantillons ou les événements.
Il faut en outre distinguer deux questions :
« Cette caractéristique est-elle réellement plus fréquente dans ce groupe ? »
et :
« Cette personne appartient-elle probablement à ce groupe parce qu’elle possède cette caractéristique ? »
Même lorsqu’une différence moyenne entre groupes existe, le second raisonnement peut rester très mauvais si les distributions se recouvrent fortement ou si les taux de base sont très différents.
C’est une raison supplémentaire de ne jamais utiliser « représentatif de » comme synonyme de « appartient probablement à ».
Cas pratique — le diagnostic qui « colle parfaitement »
Une personne présente un ensemble de symptômes correspondant remarquablement au tableau classique d’une maladie rare.
Le diagnostic vient immédiatement à l’esprit.
Cette reconnaissance de forme n’est pas une erreur. Elle peut même être indispensable : sans elle, l’hypothèse rare ne serait peut-être jamais envisagée.
La représentativité fonctionne ici comme générateur d’hypothèse.
La seconde étape doit cependant être différente.
Quelle est la fréquence de la maladie dans la population concernée ? Existe-t-il des maladies beaucoup plus courantes donnant un tableau proche ? Quels symptômes sont réellement spécifiques ? Quels examens permettent de distinguer les hypothèses ? Quelle est la fréquence des faux positifs ?
Le bon raisonnement n’est donc pas :
« Cette impression est heuristique, donc je dois l’ignorer. »
Il est :
« Cette ressemblance rend l’hypothèse intéressante ; maintenant, testons si elle reste plausible lorsque les autres informations sont intégrées. »
Cette articulation entre reconnaissance de forme et vérification probabiliste constitue probablement une meilleure utilisation pratique du concept que la consigne irréaliste consistant à « ne jamais utiliser la représentativité ».
Quand la représentativité fonctionne-t-elle bien ?
L’utilisation de la similarité devient particulièrement pertinente lorsque les caractéristiques observées sont fortement diagnostiques de la catégorie recherchée.
Si deux espèces se distinguent par un caractère presque exclusif, utiliser ce caractère peut être très performant. Si un défaut technique produit presque toujours une signature particulière et que les autres défauts la produisent rarement, cette signature est extrêmement informative.
La représentativité devient plus fragile lorsque plusieurs catégories possèdent des profils proches, lorsque les taux de base sont très inégaux ou lorsque les caractéristiques utilisées sont impressionnantes mais faiblement diagnostiques.
Il faut donc distinguer ressemblance globale et valeur diagnostique.
Un détail peut sembler extraordinairement représentatif d’un groupe tout en étant fréquent dans de nombreux autres groupes. Dans ce cas, il contribue peu à distinguer les hypothèses.
L’esprit critique demande alors de poser une question plus précise :
« Cette caractéristique est-elle seulement typique de X, ou est-elle réellement beaucoup plus probable si X est vrai que si X est faux ? »
Cette différence est au cœur du raisonnement bayésien.
La représentativité est-elle une seule heuristique ?
Même cette question fait l’objet de débats.
Le concept de représentativité a joué un rôle immense dans la psychologie du jugement précisément parce qu’il semblait expliquer une grande variété de phénomènes : négligence des taux de base, erreurs sur les petits échantillons, conjonction, intuitions sur le hasard et certains jugements catégoriels.
Mais cette puissance explicative peut devenir une faiblesse. Si des mécanismes très différents reçoivent tous la même étiquette après coup, le concept risque de devenir difficile à tester précisément.
Des chercheurs ont donc reproché à la représentativité d’être trop vaguement définie et ont essayé de spécifier davantage ses mécanismes : comparaison avec un prototype, rappel d’exemplaires particuliers, substitution d’attribut ou règles spécifiques de combinaison des probabilités.
Une revue économique des erreurs probabilistes souligne elle aussi que la représentativité comporte plusieurs composantes différentes et que les tentatives de formalisation se concentrent souvent sur l’une d’elles à la fois.
Il est donc préférable de conserver la représentativité comme famille de processus de jugement fondés sur la similarité ou la typicalité, plutôt que d’imaginer un petit mécanisme unique expliquant automatiquement toutes les erreurs qui lui ont historiquement été attribuées.
Comment corriger un jugement de représentativité ?
Une première question consiste à demander :
Quel est le taux de base ?
Avant d’examiner le cas particulier, quelle était la fréquence relative des différentes possibilités ?
La deuxième consiste à examiner la valeur diagnostique de l’information individuelle. Le fait observé est-il réellement beaucoup plus probable sous une hypothèse que sous les autres ?
La troisième concerne la taille de l’échantillon. Une proportion spectaculaire portant sur dix observations possède-t-elle la même signification que la même proportion observée sur dix mille ?
La quatrième consiste à séparer explicitement :
« À quel point cela ressemble-t-il à X ? »
de :
« Quelle est la probabilité que ce soit X ? »
Enfin, lorsque les conséquences sont importantes, il vaut mieux traduire le problème sous une forme permettant un calcul ou utiliser des fréquences naturelles. Dire « parmi 1 000 personnes, combien auront la maladie et combien auront un test positif ? » rend souvent les relations probabilistes beaucoup plus concrètes qu’une série de pourcentages abstraits.
Il ne s’agit pas de supprimer toute intuition catégorielle. Il s’agit de savoir quand elle fournit un premier indice utile et quand elle doit laisser la place à une comparaison explicite des probabilités.
À retenir
L’heuristique de représentativité consiste à utiliser la ressemblance ou la typicalité comme indice pour juger l’appartenance à une catégorie, l’origine d'un échantillon ou la probabilité d’un événement.
Cette stratégie possède une véritable logique : les membres d’une catégorie ressemblent souvent davantage au prototype de cette catégorie que les non-membres. La ressemblance peut donc être informative.
Mais représentativité et probabilité ne sont pas équivalentes. Une estimation probabiliste peut également dépendre des taux de base, de la taille de l’échantillon, de la valeur diagnostique des caractéristiques observées et des règles mathématiques reliant plusieurs événements.
Plusieurs phénomènes classiques ont été associés à la représentativité : sous-pondération des taux de base, attente excessive de représentativité dans les petits échantillons, intuitions erronées sur les séquences aléatoires et erreur de conjonction. Ces phénomènes sont bien documentés à divers degrés, mais la recherche contemporaine invite à ne pas supposer qu’ils proviennent tous d’un mécanisme psychologique unique.
L’erreur de conjonction, notamment, reste robuste, mais plusieurs explications concurrentes existent quant au processus qui la produit. De même, la sous-utilisation des taux de base varie considérablement entre individus et ne se réduit pas toujours à une simple substitution par la similarité.
La représentativité reste donc un concept utile si on l’emploie avec précision : elle désigne la tendance à utiliser ce à quoi un cas ressemble comme information sur ce qu’il est probablement.
La question critique à retenir est :
« Cette ressemblance constitue-t-elle réellement une information diagnostique suffisante, ou suis-je en train d’oublier une partie de la structure probabiliste du problème ? »
Sources principales
Tversky, Amos & Kahneman, Daniel. (1971). « Belief in the Law of Small Numbers », *Psychological Bulletin*, 76(2), 105-110. DOI : 10.1037/h0031322.
Kahneman, Daniel & Tversky, Amos. (1973). « On the Psychology of Prediction », *Psychological Review*, 80(4), 237-251. DOI : 10.1037/h0034747.
Tversky, Amos & Kahneman, Daniel. (1974). « Judgment under Uncertainty: Heuristics and Biases », *Science*, 185(4157), 1124-1131. DOI : 10.1126/science.185.4157.1124.
Bar-Hillel, Maya. (1984). « Representativeness and Fallacies of Probability Judgment », *Acta Psychologica*, 55(2), 91-107. DOI : 10.1016/0001-6918(84)90062-3.
Kahneman, Daniel & Frederick, Shane. (2002). « Representativeness Revisited: Attribute Substitution in Intuitive Judgment », dans T. Gilovich, D. Griffin & D. Kahneman (dir.), *Heuristics and Biases: The Psychology of Intuitive Judgment*. Cambridge University Press.
Nilsson, Håkan, Juslin, Peter & Olsson, Henrik. (2008). « Exemplars in the Mist: The Cognitive Substrate of the Representativeness Heuristic », *Scandinavian Journal of Psychology*, 49(3), 201-212. DOI : 10.1111/j.1467-9450.2008.00646.x.
Stengård, Elina, Juslin, Peter, Hahn, Ulrike & van den Berg, Ronald. (2022). « On the Generality and Cognitive Basis of Base-Rate Neglect », *Cognition*, 226, 105160. DOI : 10.1016/j.cognition.2022.105160.
Yechiam, Eldad & Zeif, Dana. (2023). « The Effect of Incentivization on the Conjunction Fallacy in Judgments: A Meta-analysis », *Psychological Research*, 87(8), 2336-2344. DOI : 10.1007/s00426-023-01837-5.