Le biais de représentativité

Un homme est décrit comme réservé, méthodique, passionné par les chiffres et peu sociable. Sans autre information, beaucoup de personnes auront spontanément tendance à le juger plus probablement ingénieur que commercial. Ce raisonnement paraît naturel : son portrait ressemble davantage à l’image que nous nous faisons d’un ingénieur. Pourtant, pour estimer correctement la probabilité qu’il appartienne à une profession plutôt qu’à une autre, cette ressemblance ne suffit pas. Il faudrait également connaître la fréquence des différentes professions dans la population considérée et déterminer dans quelle mesure les caractéristiques décrites permettent réellement de les distinguer.

C’est le principe de l’heuristique de représentativité proposée par Daniel Kahneman et Amos Tversky : lorsqu’on doit juger la probabilité qu’un objet, une personne ou un événement appartienne à une catégorie ou provienne d’un processus, on peut utiliser comme raccourci sa ressemblance avec le cas typique de cette catégorie. Cette stratégie est économique et souvent utile, car certaines ressemblances contiennent effectivement de l’information. Elle devient problématique lorsque la similitude intuitive reçoit plus de poids qu’elle ne devrait par rapport à d’autres informations pertinentes, notamment les taux de base, la taille des échantillons ou les règles élémentaires des probabilités.

Le « biais de représentativité » ne doit cependant pas devenir une explication universelle de toutes les erreurs probabilistes. La littérature plus récente montre que des phénomènes historiquement regroupés sous cette étiquette — négligence des taux de base, erreur de conjonction ou certaines erreurs de prédiction — peuvent reposer sur plusieurs mécanismes différents. La représentativité reste une idée utile, mais il faut désormais l’utiliser comme description d’une manière de juger par ressemblance, pas comme un mécanisme unique capable d’expliquer à lui seul toute erreur statistique.

Ressemblance et probabilité ne sont pas la même chose

Supposons qu’une urne contienne 90 boules bleues et 10 boules rouges. Une boule est tirée au hasard, mais avant de révéler sa couleur, on vous fournit une description extrêmement vague qui paraît légèrement plus compatible avec une boule rouge. Dans cette situation artificielle, la ressemblance de la description avec le cas « rouge » peut attirer l’attention, mais elle ne doit pas effacer le fait que neuf boules sur dix sont bleues.

Le même principe vaut dans des situations beaucoup plus réalistes. Un tableau clinique peut ressembler à celui d’une maladie rare ; un profil professionnel peut évoquer une profession particulière ; un comportement peut correspondre à notre représentation d’un fraudeur, d’un militant ou d’un excellent élève. Cette correspondance peut être informative si les caractéristiques observées sont véritablement diagnostiques. Mais la probabilité finale dépend également de la fréquence initiale des différentes possibilités et de la capacité réelle des indices observés à les distinguer.

C’est ici que l’intuition de représentativité peut tromper : un cas peut être très typique d’une catégorie rare tout en ayant une probabilité plus élevée d’appartenir à une catégorie beaucoup plus fréquente. La question « à quoi cela ressemble-t-il ? » et la question « quelle possibilité est la plus probable compte tenu de toutes les informations ? » ne sont donc pas équivalentes.

Cette distinction sera développée mathématiquement dans les fiches consacrées aux probabilités et au raisonnement bayésien. Ici, il suffit de retenir qu’une ressemblance fournit éventuellement un indice parmi d’autres, pas automatiquement une probabilité.

Négligence des taux de base : un phénomène réel, mais moins simple qu’on l’a longtemps raconté

Les expériences classiques de Kahneman et Tversky sur le problème dit des ingénieurs et des avocats sont devenues emblématiques. Les participants recevaient une description d’une personne supposément tirée d’un groupe comportant différentes proportions d’ingénieurs et d’avocats. Lorsque la description semblait correspondre au stéréotype d’une profession, les jugements étaient fortement influencés par ce portrait et pouvaient sous-utiliser la proportion initiale des professions dans l’échantillon. Ce résultat a largement contribué à la notion de négligence des taux de base.

Il serait pourtant excessif d’en conclure que « les humains ignorent les probabilités de base ». Les recherches ultérieures ont montré que l’utilisation du taux de base dépend beaucoup de la manière dont le problème est formulé, de la fiabilité attribuée aux informations individuelles, de la structure numérique de la tâche et des individus eux-mêmes. Une étude de 2022 a testé la négligence des taux de base dans un espace beaucoup plus large de problèmes que les paradigmes classiques. Elle confirme que le phénomène se généralise au-delà des configurations traditionnellement étudiées, mais révèle aussi de très fortes différences individuelles : certains participants ignoraient presque entièrement les taux de base tandis que d’autres les intégraient presque complètement. Les auteurs trouvent par ailleurs peu de soutien à l’idée qu’un mécanisme heuristique unique suffirait à expliquer toutes les réponses.

La confiance accordée aux informations compte également. Si une statistique de base paraît ancienne, issue d’une population différente ou produite par une source peu fiable alors que l’information individuelle semble beaucoup plus directement pertinente, lui donner moins de poids n’est pas nécessairement irrationnel. Des expériences de Welsh et Navarro ont montré que l’utilisation des taux de base variait systématiquement avec la confiance que les participants accordaient aux différentes sources de données. Le problème ne consiste donc pas simplement à demander : « la personne a-t-elle utilisé le taux de base ? », mais quel poids chaque information méritait-elle réellement ?

La leçon est importante pour l’esprit critique. Une fréquence générale ne doit pas être ignorée, mais elle ne doit pas non plus être appliquée mécaniquement à un cas particulier si nous disposons d’une information individuelle réellement diagnostique. Le raisonnement correct consiste à combiner les deux.

Pourquoi les fréquences naturelles peuvent aider

La manière de présenter les informations probabilistes modifie fortement notre capacité à les combiner. Un problème formulé ainsi — « 1 % de la population a la maladie ; le test détecte 90 % des malades et donne 5 % de faux positifs » — demande de coordonner plusieurs probabilités conditionnelles. La même information peut être présentée en effectifs : « sur 1 000 personnes, 10 ont la maladie ; 9 d’entre elles ont un test positif ; parmi les 990 autres, environ 50 ont également un test positif ». La relation devient alors beaucoup plus visible.

Une méta-analyse portant sur 35 articles et 226 estimations de performance confirme que la présentation sous forme de fréquences naturelles améliore substantiellement la résolution de nombreux problèmes bayésiens par rapport aux probabilités conditionnelles classiques. Des travaux en médecine montrent également que ces formats peuvent améliorer fortement les inférences de participants confrontés à des problèmes plus complexes.

Cette amélioration ne démontre pas que l’esprit humain serait naturellement incapable de raisonner avec des probabilités ni que les fréquences constituent une représentation magique. La littérature comporte d’ailleurs un débat sur la raison exacte de leur efficacité : certains insistent sur leur correspondance avec des processus de comptage naturels, d’autres sur le fait qu’elles rendent directement visible la structure d’ensembles imbriqués nécessaire au calcul. Le point pratique est plus simple : une mauvaise représentation du problème peut créer une difficulté cognitive qui diminue fortement lorsque l’information est reformulée de manière plus transparente.

Cela évite une conclusion trop rapide du type « les gens sont irrationnels parce qu’ils négligent les taux de base ». Parfois, une partie du problème vient aussi de la manière dont l’information est présentée.

L’erreur de conjonction : lorsqu’une histoire cohérente paraît plus probable qu’un ensemble plus large

La représentativité a également été associée à l’une des expériences les plus célèbres de la psychologie du raisonnement : le problème de Linda. Les participants lisent le portrait d’une jeune femme décrite comme intelligente, engagée contre les discriminations et sensible aux questions de justice sociale. Ils doivent ensuite comparer plusieurs propositions, dont « Linda est employée de banque » et « Linda est employée de banque et active dans le mouvement féministe ».

La seconde description correspond beaucoup mieux au portrait. Elle semble donc plus représentative. Pourtant, du point de vue des probabilités, elle ne peut pas être plus probable : toutes les personnes qui sont à la fois employées de banque et féministes appartiennent nécessairement à l’ensemble plus large des employés de banque. Une conjonction A et B ne peut pas être plus fréquente que A seul. Tversky et Kahneman ont montré que, dans certaines formulations, les participants classaient pourtant fréquemment la conjonction au-dessus de l’événement simple.

L’effet est suffisamment reproductible pour avoir donné lieu à une littérature considérable. Une méta-analyse publiée en 2023 sur l’effet des incitations financières, représentant 3 276 participants, montre d’ailleurs que rémunérer les bonnes réponses améliore légèrement mais significativement les performances : l’effet est petit (*d* = 0,19), ce qui suggère que davantage de motivation peut réduire l’erreur sans la faire simplement disparaître.

Mais il faut éviter de raconter toute cette littérature comme la démonstration pure et simple de l’heuristique de représentativité. Certaines analyses ont montré que des règles erronées de combinaison des probabilités pouvaient expliquer une partie importante des erreurs de conjonction, la représentativité ne jouant pas nécessairement le rôle causal unique initialement proposé. D’autres critiques ont porté sur l’interprétation pragmatique du langage : lorsqu’une expérience demande de comparer « employée de banque » avec « employée de banque et féministe », certains participants peuvent comprendre la première option comme « employée de banque et non féministe », même si ce n’est pas ce que signifie logiquement la proposition.

Ces débats n’annulent pas la règle de probabilité. Ils montrent plutôt pourquoi la fiche précédente insistait sur la différence entre constater une erreur comportementale et identifier avec certitude son mécanisme.

Une bonne ressemblance peut être une véritable preuve

Il serait tout aussi trompeur de conclure qu’il ne faut jamais raisonner par ressemblance. Dans de nombreux domaines, la ressemblance avec un prototype ou des cas déjà rencontrés constitue précisément une information utile.

Un médecin reconnaît certains tableaux cliniques parce qu’ils ressemblent à des configurations déjà apprises. Un biologiste peut identifier une espèce à partir d’un ensemble de caractères. Un technicien expérimenté reconnaît parfois une panne grâce à un ensemble de signes ressemblant à des cas précédents. Dans ces situations, le problème n’est pas la ressemblance elle-même, mais la manière dont elle est reliée à la probabilité réelle des hypothèses.

Si une combinaison de symptômes est extrêmement spécifique d’une maladie, sa représentativité peut avoir une valeur diagnostique considérable. Si les caractéristiques ne sont que des stéréotypes vagues — « réservé et aime les mathématiques, donc probablement ingénieur » — leur pouvoir diagnostique réel peut être beaucoup plus faible qu’il n’en a l’air.

Cette distinction permet également d’éviter une confusion avec les stéréotypes sociaux. Un stéréotype peut fonctionner comme un prototype mental et donc produire des jugements de représentativité, mais tout prototype n’est pas nécessairement un stéréotype social, et toute erreur liée à un stéréotype ne relève pas uniquement de l’heuristique de représentativité. Les mécanismes de catégorisation sociale seront étudiés dans les fiches correspondantes.

La bonne question n’est donc jamais seulement : « Ce cas ressemble-t-il à la catégorie ? » Il faut ajouter : « Les caractéristiques sur lesquelles repose cette ressemblance permettent-elles réellement de distinguer cette catégorie des autres possibilités ? »

Cas pratique — le diagnostic qui « ressemble exactement »

Un professionnel de santé examine un patient dont plusieurs symptômes correspondent très bien à une maladie rare. Il déclare : « C’est exactement le tableau typique. »

Cette remarque contient une information pertinente. Une maladie capable d’expliquer simultanément plusieurs signes possède davantage de crédibilité qu’une hypothèse sans rapport avec eux. Mais la ressemblance ne suffit pas. Il faut également savoir à quel point cette maladie est rare, si d’autres maladies fréquentes peuvent produire le même tableau, quelles caractéristiques différencient réellement les diagnostics et quels examens permettraient de les départager.

Le mauvais réflexe serait de répondre : « C’est le biais de représentativité, donc le diagnostic rare est probablement faux. » Ce serait commettre l’erreur inverse : utiliser le nom d’un biais à la place du raisonnement. Une maladie rare peut évidemment être le bon diagnostic.

Le raisonnement plus solide consiste à demander : « Si le patient avait plutôt l’une des maladies plus fréquentes, à quel point ce tableau serait-il surprenant ? » La question force à comparer les hypothèses au lieu d’évaluer uniquement la ressemblance entre le cas observé et une maladie particulière.

Le même principe vaut dans beaucoup d’autres contextes. Un candidat ressemble au profil des personnes qui réussissent habituellement à un poste ; une entreprise ressemble aux start-up devenues très rentables ; un suspect ressemble à l’image que l’on se fait du type d’auteur recherché. La ressemblance peut orienter l’investigation, mais elle ne remplace ni la fréquence initiale ni la valeur réellement discriminante des indices.

Comment limiter les erreurs de représentativité

Une première méthode consiste à séparer explicitement ressemblance et probabilité. On peut commencer par demander : « quel scénario correspond le mieux au portrait ? », puis poser une seconde question : « lequel est réellement le plus probable ? ». Le simple fait de reconnaître que les deux questions sont différentes empêche parfois le prototype le plus évocateur de devenir automatiquement la réponse statistique.

Lorsqu’un taux de base existe, il faut le rendre visible avant d’examiner les détails individuels. Combien de cas de chaque catégorie existe-t-il dans la population pertinente ? Une description très typique doit alors apporter suffisamment d’information pour renverser éventuellement cette probabilité initiale. Lorsque les probabilités conditionnelles deviennent difficiles à manipuler mentalement, les convertir en fréquences naturelles permet souvent de visualiser beaucoup plus facilement les différentes populations concernées.

Pour l’erreur de conjonction, une représentation par ensembles constitue un excellent contrôle. Si « A et B » est nécessairement contenu dans A, l’intersection ne peut jamais compter davantage de cas que l’ensemble qui la contient. Cette visualisation simple transforme une question intuitive de plausibilité narrative en une question d’inclusion.

Enfin, lorsque la ressemblance paraît très convaincante, il est utile de chercher les hypothèses concurrentes qui produiraient elles aussi les mêmes caractéristiques. Un indice n’est véritablement diagnostique que s’il est beaucoup plus attendu sous une hypothèse que sous les autres. Une histoire parfaitement cohérente peut donc rester peu informative lorsque de nombreuses explications différentes racontent presque aussi bien la même histoire.

À retenir

L’heuristique de représentativité consiste à juger une possibilité notamment par sa ressemblance avec le prototype, la catégorie ou le processus dont elle pourrait provenir. C’est une stratégie souvent utile : les cas possédant les caractéristiques d’une catégorie ont parfois réellement davantage de chances d’y appartenir. Elle devient trompeuse lorsque la ressemblance prend le dessus sur des informations probabilistes plus pertinentes.

La négligence des taux de base constitue l’une des erreurs historiquement associées à cette heuristique, mais la littérature actuelle révèle une situation plus complexe qu’un simple refus humain des statistiques. L’utilisation des taux de base dépend fortement des individus, de la structure de la tâche, de la présentation des informations et de la confiance accordée à leurs sources. Une étude de 2022 confirme que la négligence existe dans un large ensemble de problèmes tout en montrant une forte hétérogénéité des stratégies individuelles.

L’erreur de conjonction fournit une autre illustration importante : une combinaison de caractéristiques peut sembler beaucoup plus représentative d’un portrait et pourtant être mathématiquement moins probable que l’un de ses composants pris seul. Là encore, la représentativité ne constitue probablement pas l’unique explication de toutes les erreurs observées.

La leçon générale est donc moins « méfiez-vous de toute ressemblance » que « ne confondez pas ressemblance et probabilité ». Un portrait typique, une histoire cohérente ou un tableau clinique évocateur fournissent parfois de vraies informations, mais leur valeur dépend toujours de ce qu’ils permettent réellement de distinguer et des possibilités auxquelles ils doivent être comparés.

Sources principales

Amos Tversky et Daniel Kahneman, « Judgment under Uncertainty: Heuristics and Biases », *Science*, 1974. Présentation classique de l’heuristique de représentativité et de ses relations avec plusieurs erreurs de jugement probabiliste.

Amos Tversky et Daniel Kahneman, travaux sur le raisonnement extensionnel et l’erreur de conjonction, notamment le paradigme de Linda. Ils montrent qu’une description très représentative peut conduire à juger une conjonction plus probable que l’une de ses composantes, en violation de la règle d’inclusion probabiliste.

Elina Stengård, Peter Juslin, Ulrike Hahn et Ronald van den Berg, « On the Generality and Cognitive Basis of Base-Rate Neglect », *Cognition*, 2022. Étude importante montrant que la négligence des taux de base se généralise au-delà des paradigmes classiques mais varie fortement entre individus et ne semble pas reposer sur une stratégie cognitive unique.

Gerd Gigerenzer, Ulrich Hoffrage et littérature sur les fréquences naturelles. Ces travaux montrent que représenter certaines informations bayésiennes sous forme de fréquences naturelles améliore fortement les performances. Une méta-analyse de 35 articles et 226 estimations confirme l’importance générale de cet effet tout en examinant les différentes explications proposées.

Eldad Yechiam et Dana Zeif, méta-analyse publiée en 2023 sur les incitations et l’erreur de conjonction. Sur 3 276 participants, les incitations augmentent légèrement mais significativement la probabilité de donner une réponse correcte, ce qui montre que l’erreur est modifiable sans disparaître simplement lorsque l’enjeu augmente.

Elina Stengård et al. / littérature contemporaine sur les biais d’estimation probabiliste : les travaux récents invitent à abandonner les explications monocausales. Les erreurs observées dans les tâches probabilistes semblent souvent résulter d’une combinaison variable de facteurs plutôt que d’un unique mécanisme appelé « représentativité ».

7 sur 39Retour à la catégorie