La science comme système organisé de contrôle des erreurs
La science est souvent présentée comme une méthode permettant de découvrir la vérité. Cette formulation est compréhensible, mais elle risque de donner une image trop ambitieuse de ce que les méthodes scientifiques peuvent garantir. Aucun protocole ne transforme automatiquement une observation en vérité, aucun test statistique ne supprime toutes les incertitudes et aucun chercheur, aussi compétent soit-il, n’est à l’abri d’une erreur.
Une manière plus réaliste de comprendre la science consiste à partir du problème inverse : nous pouvons nous tromper de nombreuses façons ; comment organiser une enquête pour rendre ces erreurs plus difficiles à produire, plus faciles à détecter et plus faciles à corriger ?
Cette perspective déplace légèrement le centre de gravité. La force de la science ne réside plus dans l’existence d’une procédure magique qui conduirait nécessairement au vrai, mais dans la combinaison de nombreux mécanismes de contrôle de l’erreur : instruments calibrés, groupes de comparaison, randomisation, analyses statistiques, réplications, transparence des méthodes, confrontation entre équipes, critique publique, synthèse de plusieurs études et révision des conclusions lorsque les données changent.
Aucun de ces mécanismes n’est infaillible. Leur intérêt vient précisément de ce qu’ils peuvent compenser partiellement leurs faiblesses respectives.
Il existe de nombreuses façons d’obtenir un résultat faux
Une conclusion erronée peut apparaître sans fraude, sans incompétence manifeste et même lorsque les chercheurs travaillent de bonne foi.
L’instrument peut mesurer autre chose que ce que l’on croit mesurer. L’échantillon peut être peu représentatif. Les groupes comparés peuvent différer avant même l’intervention. Une variable non prise en compte peut expliquer l’association observée. Une fluctuation aléatoire peut produire un résultat apparemment remarquable. Plusieurs analyses peuvent avoir été essayées avant que l’une d’elles ne donne un résultat convaincant. Une hypothèse peut être formulée après avoir vu les données puis présentée comme si elle avait été prédite à l’avance. Une réplication peut échouer parce que le phénomène dépend d’un contexte mal identifié. Une étude solide peut encore être interprétée trop largement.
À cela s’ajoutent des phénomènes plus sociaux. Les résultats surprenants peuvent être plus faciles à publier que les résultats négatifs. Les chercheurs peuvent préférer, consciemment ou non, des analyses compatibles avec leurs attentes. Une équipe peut rester attachée à un modèle sur lequel elle travaille depuis plusieurs années. Une entreprise finançant une recherche peut avoir intérêt à certaines conclusions, tout comme un laboratoire universitaire peut subir une forte pression pour publier rapidement.
Le problème méthodologique n’est donc pas seulement de savoir si les chercheurs sont honnêtes. Même des chercheurs honnêtes peuvent produire des résultats fragiles.
La démarche scientifique cherche précisément à construire des procédures qui ne supposent pas que l’être humain cessera soudainement d’être humain.
À chaque source d’erreur correspondent des contrôles possibles
Les méthodes scientifiques deviennent plus faciles à comprendre lorsqu’on les considère comme des réponses à des problèmes identifiés.
Si l’on craint que deux groupes diffèrent initialement, la randomisation peut réduire certaines formes de confusion. Si les attentes du participant ou du chercheur risquent d’influencer le résultat, l’aveugle peut limiter cet effet. Si une mesure peut dériver au cours du temps, la calibration permet de vérifier l’instrument. Si un résultat peut être dû à une fluctuation d’échantillonnage, les outils statistiques peuvent en quantifier une partie de l’incertitude. Si un effet pourrait dépendre d’un laboratoire particulier, une réplication indépendante peut l’éprouver dans d’autres conditions.
On peut représenter cette logique de manière simplifiée :
| Risque d’erreur | Contrôle possible | Ce que le contrôle ne garantit pas |
|---|---|---|
| Confusion entre groupes | Randomisation, appariement, ajustement | Une bonne mesure ou une bonne généralisation |
| Influence des attentes | Aveugle, double aveugle | L’absence de tous les biais |
| Erreur instrumentale | Calibration, validation | Que la variable choisie soit pertinente |
| Fluctuation aléatoire | Taille d’échantillon, estimation de l’incertitude | L’absence de biais systématique |
| Choix analytique opportuniste | Préspécification, préenregistrement, analyses de robustesse | Que l’hypothèse de départ soit bonne |
| Résultat propre à une étude | Réplication | Que le phénomène soit universel |
| Erreur de calcul ou de code | Données et code accessibles, reproduction computationnelle | Que le protocole initial soit valide |
| Interprétation excessive | Critique, comparaison avec la littérature | Un consensus automatique |
Le tableau montre surtout qu’aucun contrôle n’est universel. Une randomisation impeccable ne corrige pas un thermomètre défectueux. Une analyse statistique sophistiquée ne rend pas représentatif un échantillon très biaisé. Une réplication fidèle d’une expérience utilisant une mauvaise mesure peut reproduire la même erreur.
La qualité scientifique dépend donc moins de la présence d’un symbole de rigueur que de la cohérence de toute la chaîne méthodologique.
Les contrôles doivent être partiellement indépendants
Cette idée conduit à un principe important : il est souvent utile de multiplier des vérifications dont les faiblesses ne sont pas exactement les mêmes.
Imaginons dix études utilisant toutes le même instrument mal calibré. Leur accord mutuel peut être spectaculaire tout en reproduisant dix fois la même erreur. Multiplier les observations n’est donc réellement rassurant que si l’on examine aussi l’indépendance des sources d’information.
C’est une des raisons pour lesquelles la convergence entre méthodes différentes peut être particulièrement forte. Un effet retrouvé dans une expérience contrôlée, une étude observationnelle, une analyse mécanistique et une autre population est souvent plus informatif que quatre reproductions presque identiques, car les erreurs susceptibles d’affecter chaque approche ne se recouvrent pas entièrement.
Cette logique ressemble à la redondance utilisée dans de nombreux systèmes techniques : plusieurs dispositifs peuvent surveiller un même phénomène, mais la sécurité augmente surtout lorsqu’une défaillance unique n’est pas capable de les tromper tous simultanément.
En science également, il faut se méfier des défaillances communes. Une hypothèse théorique partagée, un instrument standard défectueux ou une convention statistique mal adaptée peuvent affecter tout un domaine pendant un certain temps.
L’accord ne suffit donc pas. Il faut aussi demander comment cet accord a été obtenu.
Une grande partie du contrôle est organisée avant d’obtenir les résultats
L’image populaire de la science insiste souvent sur la découverte finale. Pourtant, une grande partie de la rigueur se joue avant même que les données soient analysées.
Définir précisément la question permet d’éviter de modifier ensuite l’objectif selon les résultats obtenus. Choisir à l’avance les critères d’inclusion d’une étude limite certaines décisions opportunistes. Prévoir une taille d’échantillon adéquate réduit le risque de tirer des conclusions fortes à partir de données trop peu informatives. Déterminer comment les variables seront mesurées oblige à préciser ce que l’on prétend réellement étudier.
C’est également dans cette phase que l’on peut se demander ce qui serait susceptible de donner tort à l’hypothèse et quelles explications concurrentes doivent être contrôlées.
Cette conception apparaît aujourd’hui explicitement dans les politiques de nombreux organismes scientifiques. Les National Institutes of Health définissent par exemple la rigueur scientifique en termes de conception, méthodologie, analyse, interprétation et compte rendu des résultats, et mettent l’accent sur des pratiques permettant de réduire les biais et les facteurs de confusion.
La rigueur ne commence donc pas avec la statistique. Elle commence avec la manière dont le problème est construit.
Le contrôle continue après l’obtention du résultat
Une étude terminée n’est pas pour autant sortie du processus de vérification.
D’autres chercheurs peuvent examiner ses méthodes, discuter ses hypothèses, repérer une erreur analytique ou tenter de reproduire le résultat. Lorsque les données et le code sont accessibles, certaines analyses peuvent être recalculées. De nouvelles expériences peuvent tester si l’effet apparaît dans d’autres conditions. Des travaux ultérieurs peuvent révéler qu’une conclusion était limitée à une population particulière ou qu’une variable non prise en compte expliquait une partie du résultat.
Les National Academies distinguent ainsi la reproductibilité computationnelle, qui consiste notamment à retrouver un résultat à partir des mêmes données et procédures analytiques, de la réplication, qui confronte les conclusions à de nouvelles données. Elles soulignent également que ces pratiques constituent des voies importantes vers la confiance scientifique, mais qu’elles ne sont ni les seules ni une fin en elles-mêmes.
Cette précision est essentielle. Un résultat reproductible peut être obtenu à partir de mauvaises données ; un résultat correctement obtenu peut ne pas se répliquer pour des raisons qui demandent elles-mêmes une enquête.
Le contrôle scientifique ne ressemble donc pas à un tampon apposé une fois pour toutes. Il constitue une succession de possibilités de réexamen.
La science déplace une partie du contrôle de l’individu vers la communauté
Un chercheur peut essayer d’être particulièrement prudent, mais il connaît ses propres idées, ses propres hypothèses et les résultats qu’il espère obtenir. Certaines erreurs sont donc plus faciles à repérer de l’extérieur.
C’est pourquoi la science possède une dimension irréductiblement collective. Une affirmation devient publiquement scientifique lorsqu’elle peut être examinée par d’autres personnes capables d’en discuter les méthodes et les résultats.
Cette dimension sociale ne constitue pas un ajout accidentel au raisonnement scientifique. La philosophie contemporaine des sciences étudie explicitement la division du travail cognitif, la confiance entre spécialistes, la critique, l’autorité scientifique, la revue par les pairs et les conditions sociales permettant à une communauté de produire des connaissances plus fiables que celles d’un individu isolé.
Charles Sanders Peirce avait déjà insisté sur l’importance de la communauté d’enquête. Karl Popper accordera plus tard un rôle central à la critique publique. Du côté de la sociologie des sciences, Robert K. Merton décrira notamment l’« scepticisme organisé » comme une norme selon laquelle les affirmations doivent pouvoir être soumises à un examen critique fondé sur des critères empiriques et rationnels. Cette description mertonienne est devenue classique, même si son statut descriptif et l’adhésion réelle des scientifiques à ces normes ont depuis été largement discutés.
L’idée essentielle reste pertinente : la science cherche à organiser des situations dans lesquelles une personne peut avoir intérêt ou simplement être capable de repérer les erreurs d’une autre.
La critique collective ne garantit pourtant pas la correction
Il serait cependant naïf de passer de « la science possède des mécanismes de critique » à « la science corrige nécessairement toutes ses erreurs ».
La revue par les pairs peut manquer un problème important. Une expérience difficile ou coûteuse peut rester longtemps sans réplication. Les données nécessaires pour vérifier une analyse peuvent ne plus être disponibles. Des résultats négatifs peuvent rester dans les tiroirs. Certaines communautés scientifiques sont petites et utilisent des méthodes très similaires. Des positions dominantes peuvent influencer ce qui paraît intéressant ou crédible. Les incitations professionnelles peuvent favoriser la nouveauté, les résultats positifs et les publications nombreuses plutôt que les vérifications patientes.
Les mécanismes de correction ont donc eux-mêmes besoin d’être évalués et améliorés.
C’est justement ce qui explique le développement du préenregistrement, des *Registered Reports*, du partage de données et de code, des réplications coordonnées ou des recommandations plus strictes en matière de transparence. Ces innovations ne signifient pas que la science antérieure ne valait rien. Elles montrent plutôt que les méthodes de contrôle de l’erreur peuvent elles-mêmes progresser lorsqu’on identifie leurs faiblesses.
La science apprend donc aussi à faire de la science.
L’« autocorrection » scientifique n’est pas automatique
On décrit souvent la science comme autocorrectrice. L’expression capture une propriété réelle mais peut devenir trompeuse.
Une erreur publiée ne possède aucun mécanisme naturel qui la ferait disparaître spontanément. Pour qu’elle soit corrigée, quelqu’un doit avoir une raison de la vérifier, disposer des moyens nécessaires, produire de nouvelles données, publier éventuellement le résultat et réussir à modifier les pratiques ou les croyances de la communauté.
La correction peut donc être rapide, mais elle peut également prendre plusieurs années.
Les National Academies insistent d’ailleurs sur le fait qu’il serait réducteur d’évaluer la fiabilité de la science à travers la seule réplication d’études individuelles. Pour connaître l’état d’un domaine, il est souvent plus pertinent d’examiner l’ensemble cumulatif des preuves, leur généralisation et les synthèses disponibles.
Il est donc préférable de dire que la science possède des capacités institutionnelles d’autocorrection plutôt que de présenter l’autocorrection comme une propriété garantie.
Ces capacités peuvent fonctionner plus ou moins bien selon les disciplines, les institutions, les financements, l’accessibilité des données et la culture de critique.
Les institutions scientifiques sont elles-mêmes des technologies épistémiques
Un microscope est évidemment un outil scientifique. Mais certaines institutions peuvent elles aussi être comprises comme des outils permettant d’améliorer la qualité des connaissances.
Une revue scientifique organise la diffusion et une première forme de critique. Un registre d’essais cliniques permet de savoir qu’une étude a été entreprise même lorsque ses résultats ne deviennent pas une publication prestigieuse. Une base de données partagée facilite la réanalyse. Une collaboration entre laboratoires permet de tester un phénomène dans plusieurs contextes. Une déclaration de conflits d’intérêts rend certaines influences potentielles plus visibles.
Ces dispositifs ne produisent directement aucune découverte. Ils agissent plutôt sur les conditions dans lesquelles une affirmation peut être vérifiée, contestée ou corrigée.
On peut donc parler, avec prudence, d’infrastructures épistémiques : des organisations, règles et dispositifs dont le fonctionnement influence la qualité des connaissances produites.
Cette dimension explique pourquoi la méthodologie scientifique ne peut pas être réduite à ce qui se déroule à l’intérieur d’un laboratoire.
La transparence est un moyen, pas une garantie
Une grande partie des réformes contemporaines de la science insiste à juste titre sur la transparence.
Décrire précisément une méthode permet à d’autres chercheurs de savoir ce qui a été fait. Partager les données facilite certaines vérifications. Partager le code permet de rechercher des erreurs computationnelles. Distinguer clairement les analyses prévues des analyses exploratoires aide à interpréter correctement les résultats.
Les National Academies soulignent ainsi qu’un compte rendu transparent doit préciser suffisamment la conception, les mesures, la préparation des données, les analyses et les incertitudes pour permettre aux autres chercheurs de comprendre et, lorsque cela est possible, de vérifier les résultats.
Mais une méthode entièrement transparente peut être mauvaise.
Rendre public un protocole biaisé ne le rend pas valide. Partager des données mal mesurées ne les améliore pas. Fournir le code d’un modèle mal spécifié permet de vérifier exactement comment on obtient une conclusion fragile, mais ne transforme pas celle-ci en bonne conclusion.
La transparence augmente surtout la contrôlabilité de la recherche. Elle crée les conditions permettant à d’autres personnes d’évaluer ce qui a été fait.
C’est déjà considérable, mais ce n’est pas un sceau de vérité.
La science combine des contrôles avant, pendant et après la recherche
On peut ainsi distinguer trois niveaux complémentaires.
Avant la collecte des données, la science peut améliorer la formulation du problème, les mesures, l’échantillonnage, la puissance attendue, les comparaisons pertinentes et les analyses prévues.
Pendant la recherche, elle peut utiliser des contrôles expérimentaux, surveiller la qualité des données, vérifier les instruments et appliquer les procédures définies.
Après l’obtention du résultat, elle peut examiner les analyses, confronter les conclusions à d’autres études, reproduire certains calculs, répliquer l’expérience, synthétiser la littérature et modifier les conclusions si de nouvelles preuves le justifient.
Aucune frontière stricte ne sépare évidemment ces moments. Leur distinction montre surtout pourquoi il serait insuffisant de réduire la qualité scientifique à la seule conception d’une expérience ou au résultat d’un test statistique.
La fiabilité dépend de l’ensemble du processus de production, d’examen et de révision de l’information.
Une conclusion scientifique n’est jamais protégée de toute erreur
Cette conception conduit enfin à une manière plus nuancée de parler de confiance scientifique.
La question n’est presque jamais de savoir si une conclusion possède une garantie absolue. Elle est plutôt de déterminer combien de possibilités raisonnables d’erreur ont été contrôlées et dans quelle mesure.
Un résultat provenant d’une petite étude exploratoire peut constituer une piste intéressante sans justifier une conclusion forte. Un effet retrouvé par plusieurs équipes indépendantes, avec des méthodes différentes, des mesures robustes et des résultats cohérents avec un mécanisme connu mérite davantage de confiance. Un résultat intégré à un vaste ensemble de preuves convergentes mérite généralement davantage de confiance encore.
La confiance scientifique peut donc être graduelle.
Cette manière de raisonner évite deux erreurs symétriques. La première consiste à considérer la science comme infaillible dès qu’un résultat porte le label « scientifique ». La seconde consiste à conclure qu’une connaissance est sans valeur dès lors qu’une possibilité d’erreur subsiste.
Entre les deux, il existe une question beaucoup plus féconde : quelles erreurs restent plausibles après tous les contrôles qui ont été réalisés ?
La science comme architecture de résistance à l’erreur
Nous pouvons maintenant préciser le fil directeur de cette catégorie.
La science ne devient pas fiable parce que les scientifiques seraient exceptionnellement rationnels. Elle devient plus fiable lorsque des procédures réduisent la dépendance à leurs intuitions individuelles : instruments contrôlés, protocoles explicites, comparaisons pertinentes, analyses critiquables, réplications indépendantes et confrontation avec l’ensemble de la littérature.
Elle ne devient pas non plus fiable parce que chaque mécanisme fonctionnerait parfaitement. La robustesse vient de leur combinaison, de leur diversité et de la possibilité de les critiquer eux-mêmes.
Cette conception permet de comprendre pourquoi la science peut simultanément être faillible et constituer notre meilleur outil collectif pour connaître de nombreux aspects du monde.
Elle ne supprime pas l’erreur.
Elle cherche à l’exposer.
À retenir
La science peut être comprise comme un système organisé de contrôle des erreurs. Ce n’est pas une définition exclusive de la science ni une théorie philosophique unique de la méthode scientifique, mais un fil directeur particulièrement utile pour comprendre la fonction de nombreuses pratiques scientifiques.
Différentes méthodes répondent à différentes sources d’erreur : calibration pour certaines erreurs de mesure, randomisation pour certaines confusions, statistiques pour certaines incertitudes, réplication pour la dépendance à une étude particulière, transparence pour rendre les procédures vérifiables et critique collective pour confronter les conclusions à d’autres regards.
Aucune de ces protections n’est suffisante isolément. Plusieurs contrôles peuvent même partager le même défaut. La confiance augmente surtout lorsque des preuves et des méthodes partiellement indépendantes convergent et que les principales possibilités d’erreur ont été activement recherchées.
Enfin, l’autocorrection scientifique n’est ni instantanée ni garantie. La science possède plutôt des mécanismes de correction imparfaits, dont l’efficacité dépend de la transparence, des incitations, des institutions et de la possibilité réelle de contester les résultats. Reconnaître cette imperfection ne diminue pas l’intérêt de la démarche scientifique : cela permet au contraire de comprendre précisément pourquoi ces mécanismes sont nécessaires.
Sources et références
- National Academies of Sciences, Engineering, and Medicine, Reproducibility and Replicability in Science, National Academies Press, 2019, DOI 10.17226/25303.
- National Institutes of Health, Enhancing Reproducibility through Rigor and Transparency, documentation sur la rigueur scientifique et la reproductibilité.
- National Institutes of Health, Enhancing Scientific Rigor, Transparency and Replicability, 2026.
- Longino, Helen, « The Social Dimensions of Scientific Knowledge », *Stanford Encyclopedia of Philosophy*, révision substantielle 2025.
- Merton, Robert K., « The Normative Structure of Science », texte initial de 1942, repris dans *The Sociology of Science*, 1973.
- Anderson, Melissa S. et al., « Extending the Mertonian Norms: Scientists’ Subscription to Norms of Research », *Journal of Higher Education*, étude empirique des normes et contre-normes scientifiques.