Miriam Solomon : l’empirisme social, le dissensus et la rationalité collective
Définition simple
Miriam Solomon développe dans *Social Empiricism* (2001) une conception de la rationalité scientifique profondément sociale. Son point de départ est simple mais dérangeant : les scientifiques ne choisissent pas leurs théories uniquement en appliquant une méthode rationnelle universelle à un ensemble commun de preuves. Leurs décisions sont influencées par une multitude de facteurs cognitifs, sociaux, historiques et pratiques. Mais cette diversité des motivations individuelles ne signifie pas nécessairement que la science collective soit irrationnelle. Solomon propose au contraire d’évaluer la rationalité principalement au niveau de la communauté scientifique, c’est-à-dire à partir de la manière dont le travail, les croyances et les ressources sont distribués entre plusieurs programmes de recherche. Son ouvrage entend précisément construire une épistémologie sociale capable de conserver une dimension normative tout en prenant au sérieux l’histoire, la psychologie, la sociologie et les pratiques réelles de la science.
L’idée essentielle peut être formulée ainsi :
Une communauté scientifique peut être rationnelle même si ses membres ne raisonnent pas tous de la même manière, ne disposent pas des mêmes informations et ne soutiennent pas tous la théorie globalement la mieux confirmée.
Cette proposition rompt avec une représentation très intuitive du progrès scientifique. Nous imaginons facilement qu’une communauté rationnelle devrait progressivement éliminer les mauvaises théories jusqu’à parvenir à un consensus. Solomon demande au contraire si cette convergence est toujours souhaitable. Tant que plusieurs théories possèdent des succès empiriques propres, abandonner trop rapidement l’une d’elles peut faire perdre à la communauté des phénomènes, des données ou des pistes que les autres théories ne savent pas encore expliquer.
La science devient ainsi un problème de division du travail cognitif : il ne suffit plus de demander ce que chaque chercheur devrait personnellement croire ; il faut aussi demander comment une communauté doit répartir ses efforts pour maximiser ses chances de découvrir et de conserver les connaissances empiriques.
De Longino à Solomon : deux conceptions sociales de la rationalité
Le rapprochement avec Helen Longino est immédiat, mais leurs projets diffèrent. Longino met principalement l’accent sur la critique transformatrice : les présupposés individuels peuvent être corrigés lorsque plusieurs perspectives se confrontent dans une communauté dotée d’institutions adéquates. Solomon s’intéresse davantage à la distribution des décisions scientifiques. Pour elle, la communauté n’est pas seulement le lieu où des chercheurs se critiquent ; elle constitue aussi un système dans lequel différents individus poursuivent des théories, expériences et programmes différents.
Longino demande essentiellement :
Comment organiser la critique afin que les présupposés deviennent visibles et corrigibles ?
Solomon demande :
Comment organiser la diversité des engagements scientifiques afin que la communauté conserve et développe les différentes sources possibles de succès empirique ?
Les deux approches sont compatibles sur de nombreux points, mais Solomon pousse plus loin une idée particulièrement importante :
il peut être épistémiquement utile que certains scientifiques continuent à défendre une théorie que la majorité considère déjà comme moins prometteuse.
Ce n’est évidemment pas un plaidoyer pour maintenir indéfiniment n’importe quelle hypothèse marginale. Le critère central reste empirique : une théorie doit conserver des succès empiriques qui ne sont pas encore récupérés par les alternatives. Une communauté devient collectivement irrationnelle lorsqu’elle élimine un programme qui possède encore de tels succès uniques.
Les « vecteurs de décision »
Pour comprendre cette idée, Solomon introduit le concept de decision vector, que l’on peut traduire par vecteur de décision. Il s’agit de tout facteur qui contribue à orienter un scientifique vers une théorie, une méthode ou un programme plutôt qu’un autre. Elle refuse ainsi de commencer par diviser le raisonnement scientifique en deux catégories simples : d’un côté les « bonnes raisons rationnelles », de l’autre les « biais » qui viendraient contaminer la science.
Un chercheur peut être influencé par une expérience spectaculaire qu’il vient de découvrir, par la disponibilité d’un nouvel instrument, par la simplicité d’un modèle, par la tradition de son laboratoire, par la réputation d’un collègue, par ses intérêts théoriques ou par des valeurs sociales. Solomon regroupe ces influences dans une même catégorie descriptive avant d’examiner leur rôle collectif. Elle s’appuie notamment sur la psychologie cognitive pour souligner que des phénomènes traditionnellement appelés « biais » — comme la saillance ou la disponibilité — ne sont pas automatiquement nuisibles : dans certaines circonstances, ils peuvent diriger l’attention vers des phénomènes féconds.
Cette approche est importante parce qu’elle distingue deux questions :
Qu’est-ce qui a causé le choix du chercheur ?
et :
Quelles conséquences ce choix a-t-il pour la recherche collective ?
Un scientifique peut avoir adopté une bonne piste pour une raison imparfaite. Inversement, une personne peut appliquer un raisonnement individuellement très respectable et conduire pourtant toute la communauté à concentrer excessivement ses efforts sur un seul programme.
La rationalité du système ne se réduit donc pas à la somme des rationalités individuelles.
Un biais individuel peut-il être collectivement utile ?
Prenons un exemple simplifié. Deux théories, A et B, cherchent à expliquer une série de phénomènes. A possède davantage de confirmations globales. Un chercheur rationnel disposant de toutes les informations pourrait donc préférer A. Mais certains chercheurs restent fortement attachés à B parce qu’ils ont travaillé pendant vingt ans sur cette théorie, parce qu’ils maîtrisent mieux ses outils ou parce qu’un résultat particulier leur paraît particulièrement important.
Du point de vue individuel, leur entêtement peut sembler biaisé.
Pourtant, supposons que B explique encore un phénomène P qu’A ne sait pas reproduire. Si tous les chercheurs abandonnent B, la communauté risque d’oublier P ou de considérer trop vite qu’il n’a aucune importance. Si quelques chercheurs continuent à développer B, ils maintiennent une pression sur A :
Une théorie future devra également rendre compte de P.
C’est précisément le type de situation qui permet à Solomon d’affirmer qu’un comportement individuellement imparfait peut contribuer à une rationalité collective supérieure. La synthèse de son approche dans la SEP souligne expressément que la persistance individuelle envers une théorie moins bien soutenue globalement peut maintenir dans le champ scientifique des phénomènes que toute théorie plus générale devra finalement expliquer.
C’est une idée remarquable : un système cognitif collectif peut exploiter utilement l’hétérogénéité de ses membres.
Les succès empiriques uniques
Le concept de succès empirique unique est donc central. Une théorie possède un tel succès lorsqu’elle rend compte d’un phénomène empirique que ses concurrentes ne parviennent pas encore à expliquer ou à reproduire. Tant qu’un programme possède un résultat de ce type, Solomon considère qu’il existe une raison collective de maintenir une certaine activité de recherche autour de lui. Une communauté rationnelle peut ainsi poursuivre plusieurs théories simultanément, parfois même incompatibles entre elles, tant que chacune conserve une contribution empirique spécifique.
Supposons trois modèles :
A explique P, Q et R ;
B explique P, Q et S ;
C explique seulement P et Q.
A et B possèdent chacun un succès particulier : R pour A, S pour B. C n’apporte rien que les autres n’expliquent déjà.
Dans une perspective solomonienne, il existe une raison beaucoup plus forte de maintenir A et B que C. Le pluralisme scientifique n’est donc pas défendu pour lui-même. Il est lié à la distribution du contenu empirique.
Cela évite une erreur que nous avons déjà rencontrée avec Feyerabend et le pluralisme scientifique :
l’existence d’une théorie alternative ne lui confère aucun droit épistémique automatique.
La question pertinente est :
Apporte-t-elle quelque chose que les alternatives ne permettent pas encore d’obtenir ?
Pourquoi le consensus n’est-il pas toujours souhaitable ?
Une grande partie de la philosophie des sciences a implicitement traité le consensus comme un signe de progrès. Une science mature finirait par converger vers une théorie unique, tandis que le désaccord caractériserait une phase provisoire d’incertitude. *Social Empiricism* remet fortement en cause cette assimilation. Le MIT Press résume explicitement la thèse de Solomon en soulignant que la recherche de la vérité et du succès empirique peut être compatible aussi bien avec le dissensus qu’avec le consensus, et que la différence entre les deux possède moins d’importance épistémique qu’on ne le suppose traditionnellement.
Pourquoi ? Parce qu’un consensus prématuré peut provoquer une perte d’information.
Si plusieurs programmes possèdent encore des réussites propres, les fusionner trop vite ou en éliminer certains peut empêcher la communauté de développer toutes les pistes pertinentes. La divergence agit alors comme une sorte de mémoire distribuée : différentes équipes conservent différents morceaux du problème.
Le but d’une communauté scientifique n’est donc pas nécessairement :
que tout le monde croie la même chose,
mais plutôt :
que l’ensemble des réussites empiriques disponibles reste représenté et puisse continuer à être développé.
Cette conception transforme profondément la manière d’évaluer le désaccord.
Désaccord scientifique et ignorance ne sont pas identiques
Nous avons tendance à raisonner ainsi :
Les scientifiques ne sont pas d’accord, donc la science ne sait pas encore.
Mais le désaccord peut parfois signaler autre chose : plusieurs modèles ont découvert des aspects différents du phénomène.
Imaginez deux équipes travaillant sur une maladie. L’une possède un excellent modèle immunologique ; l’autre explique mieux certains effets neurologiques. Les deux programmes ne sont peut-être pas encore intégrés. Leur désaccord théorique ne signifie pas nécessairement que leurs résultats empiriques sont inutiles.
Il peut au contraire être rationnel de conserver deux équipes, deux traditions, deux jeux d’expériences, jusqu’à ce qu’une approche permette éventuellement d’intégrer leurs succès.
La SEP souligne justement que, dans la conception de Solomon, une communauté peut être rationnelle tant qu’elle conserve les théories possédant tous les succès empiriques pertinents ou des succès uniques, même si les individus ne convergent pas vers une même croyance.
La science collective devient donc moins semblable à un jury cherchant rapidement un verdict qu’à un portefeuille de programmes de recherche.
Une analogie avec la diversification
L’analogie financière est utile, à condition de ne pas la prendre littéralement. Investir toutes ses ressources dans un seul actif peut rapporter énormément si l’on a choisi le bon, mais produit également une forte vulnérabilité. Un portefeuille diversifié accepte qu’une partie des investissements soit moins performante à un instant donné afin de réduire le risque global et de conserver plusieurs possibilités.
Une communauté scientifique peut rencontrer un problème comparable. Si toutes les ressources vont immédiatement au programme actuellement dominant, la recherche devient très efficace si ce programme est essentiellement correct. Mais si une hypothèse fondamentale s’avère fausse, toute la communauté risque d’avoir développé le même angle mort.
La diversité scientifique peut donc jouer un rôle d’assurance épistémique. Il ne faut toutefois pas pousser l’analogie jusqu’à conclure qu’une répartition égale entre toutes les théories serait optimale. Solomon s’intéresse justement à une distribution appropriée des efforts et des vecteurs de décision, pas à une égalité mécanique entre les programmes.
La « sagesse des foules » contre le groupthink
Solomon approfondira ensuite cette réflexion dans son article de 2006, *Groupthink versus the Wisdom of Crowds: The Social Epistemology of Deliberation and Dissent*. Elle y remet en cause l’idée intuitive selon laquelle faire délibérer davantage les membres d’un groupe améliore nécessairement la décision collective. Les recherches sur le groupthink montrent qu’une forte interaction peut parfois accroître la conformité, tandis que certaines formes d’agrégation de jugements indépendants peuvent bénéficier de la diversité des informations disponibles.
Le paradoxe est important.
Nous pourrions penser :
Plus les experts discutent ensemble, plus leur décision sera intelligente.
Mais si la discussion produit conformisme, alignement sur le prestige, suppression des opinions minoritaires, la délibération peut réduire l’information disponible au lieu de l’augmenter.
À l’inverse, plusieurs chercheurs travaillant relativement indépendamment peuvent explorer des pistes différentes.
Cela ne signifie pas :
il ne faut jamais discuter.
La leçon est plutôt :
une bonne intelligence collective doit arbitrer entre circulation de l’information et préservation de l’indépendance des jugements.
Trop peu de communication produit une fragmentation inefficace. Trop de communication peut produire une homogénéisation prématurée.
Solomon et Longino : faut-il discuter davantage ou préserver l’indépendance ?
Nous découvrons ici une tension extrêmement intéressante.
Longino insiste sur la confrontation critique : les perspectives doivent interagir pour révéler leurs présupposés.
Solomon rappelle que trop d’interaction peut parfois faire disparaître la diversité qui rendait justement la critique possible.
Les deux positions ne sont pas nécessairement incompatibles. Elles suggèrent plutôt qu’une bonne institution scientifique doit réaliser deux tâches :
permettre la circulation réelle des objections,
tout en empêchant que cette circulation ne transforme tous les chercheurs en copies intellectuelles les uns des autres.
Une équipe idéale doit donc être connectée mais non uniformisée. C’est une intuition qui deviendra extrêmement importante dans les modèles contemporains de réseaux épistémiques et de division du travail scientifique. La SEP situe d’ailleurs les positions de Solomon dans le débat plus général sur l’organisation du désaccord et de la recherche collective.
La rationalité collective n’est pas une démocratie des croyances
Il faut également éviter une confusion. Solomon ne dit pas :
une théorie est vraie parce que beaucoup de chercheurs la soutiennent.
Le nombre de partisans n’est pas le critère fondamental. Le critère normatif reste lié aux succès empiriques et à leur distribution.
Un programme peut être très populaire mais n’apporter aucun résultat supplémentaire.
Un autre peut être minoritaire mais expliquer un phénomène crucial.
Le groupe ne doit donc pas compter simplement les votes.
La question pertinente est plutôt :
Comment les ressources et les engagements de la communauté sont-ils distribués relativement aux contributions empiriques des différentes théories ?
Cette distinction est essentielle pour comprendre pourquoi l’empirisme social n’est ni :
majoritarisme
ni :
relativisme social.
L’« équité épistémique »
Solomon associe cette réflexion à l’idée d’epistemic fairness, que l’on peut traduire par équité épistémique. La notion porte ici sur la répartition des efforts et des influences dans une communauté scientifique : les programmes possédant des contributions empiriques pertinentes doivent recevoir suffisamment d’attention pour pouvoir être développés, et les facteurs non empiriques ne doivent pas conduire artificiellement à l’élimination de pistes empiriquement fécondes.
Cela ne signifie pas financer chaque théorie à parts égales.
Imaginons qu’une théorie possède :
90 % des succès empiriques disponibles
et une autre un seul phénomène encore inexpliqué. Il peut être parfaitement rationnel de consacrer davantage de ressources à la première.
Mais consacrer zéro ressource à la seconde peut être dangereux si son phénomène unique est robuste.
L’équité épistémique ressemble donc moins à :
égalité des ressources
qu’à :
préservation proportionnée des possibilités empiriquement justifiées.
Cette distinction est particulièrement importante dans la politique scientifique.
La philosophie des sciences devient une question de financement
Nous arrivons à l’une des originalités les plus concrètes de Solomon. Si la rationalité scientifique est collective, l’épistémologie ne peut pas s’arrêter à la manière dont un chercheur doit raisonner devant son bureau. Elle doit aussi s’intéresser à la répartition des financements, les institutions, les priorités de recherche, les politiques scientifiques.
Le MIT Press souligne explicitement que Solomon remplace en partie l’ancienne focalisation sur les méthodes et heuristiques individuelles par une attention portée au financement, à l’administration et à la politique de la science.
Supposons qu’un comité finance exclusivement : les projets présentant la probabilité immédiate de succès la plus élevée. Cela semble rationnel.
Mais à long terme, la communauté peut se concentrer sur un espace extrêmement étroit.
Des programmes plus risqués mais susceptibles de découvrir des phénomènes nouveaux disparaissent.
La rationalité de la politique scientifique ne peut donc pas être évaluée uniquement : projet par projet. Elle doit être évaluée : au niveau du portefeuille collectif.
Le paradoxe de l’excellence
Cela permet de comprendre un phénomène institutionnel courant. Si chaque comité cherche individuellement à sélectionner seulement le projet : le plus sûr, le plus reconnu, le plus conforme au paradigme dominant, le résultat collectif peut être une recherche trop homogène.
Chaque décision particulière semble raisonnable.
Le système global devient épistémiquement conservateur. C’est un exemple classique d’une propriété émergente : l’addition de décisions individuelles rationnelles peut produire un résultat collectif moins bon.
Solomon inverse ainsi une intuition familière :
améliorer la rationalité scientifique ne consiste pas nécessairement à rendre chaque scientifique individuellement plus semblable au modèle du décideur parfaitement rationnel.
Il peut être préférable d’organiser une diversité de stratégies.
Les « mauvaises raisons » deviennent-elles alors acceptables ?
C’est l’une des objections les plus sérieuses.
Supposons qu’un scientifique soutienne une théorie uniquement : par ambition, idéologie, jalousie.
Si son entêtement maintient utilement une alternative dans la communauté, devons-nous dire :
excellent, son comportement est rationnel ?
Il faut distinguer les niveaux.
Solomon ne cherche pas nécessairement à transformer toute motivation individuelle en bonne raison épistémique personnelle. Sa thèse est que l’évaluation normative de la science collective ne peut pas être réduite à l’évaluation morale ou rationnelle de chaque motivation individuelle. Certains facteurs traditionnellement considérés comme des biais peuvent contribuer à une distribution collective productive ; cela ne signifie pas que toute motivation devient individuellement admirable.
C’est une distinction essentielle : utile pour le système n’implique pas nécessairement épistémiquement vertueux chez l’individu.
Première grande critique : la vérité compte-t-elle assez ?
Une difficulté apparaît immédiatement. Si Solomon évalue surtout les théories par leurs succès empiriques, comment éviter une conception trop instrumentale de la science ? Une théorie peut connaître des succès tout en contenant des mécanismes ou postulats faux. L’histoire des sciences nous l’a montré à de nombreuses reprises.
Solomon accepte largement cette difficulté. Son empirisme est justement prudent envers la possibilité de savoir immédiatement quelles composantes d’une théorie expliquent ses succès. C’est l’une des raisons pour lesquelles elle refuse d’identifier trop rapidement théorie réussie et théorie vraie. Son projet cherche néanmoins à maintenir la poursuite de la vérité comme compatible avec la conservation de plusieurs programmes empiriquement fructueux plutôt qu’à remplacer la vérité par la simple popularité ou l’utilité.
Mais la critique reste importante :
les succès empiriques suffisent-ils pour décider quelles recherches méritent d’être poursuivies ?
Peut-être faut-il aussi considérer cohérence théorique, plausibilité, pouvoir explicatif, mécanismes.
L’empirisme social peut donc sembler accorder un privilège très fort au succès empirique.
Deuxième critique : comment mesurer un « succès empirique unique » ?
Le concept est séduisant, mais son application est difficile.
Qu’est-ce qu’un succès ?
Une prédiction nouvelle ?
Une observation correctement expliquée ?
Une meilleure précision quantitative ?
Et quand peut-on dire qu’il est véritablement unique ?
Une théorie concurrente peut parfois reproduire le résultat grâce à des hypothèses auxiliaires, mais de manière moins élégante. Devons-nous considérer le succès comme récupéré ?
La norme de Solomon demande donc une importante quantité de jugement scientifique. Elle ne fournit pas un algorithme simple permettant de répartir automatiquement : les laboratoires, les crédits, les chercheurs.
C’est probablement inévitable, mais cela limite la précision opérationnelle de son modèle.
Troisième critique : les vecteurs non empiriques peuvent favoriser de mauvaises directions
Un biais peut parfois maintenir une diversité utile. Mais il peut également maintenir pendant des décennies : un programme stérile.
La simple diversité des motivations ne garantit donc rien.
Solomon elle-même ne soutient pas que les facteurs non empiriques sont toujours rationnels ; son modèle cherche plutôt à déterminer sous quelles distributions ils peuvent contribuer à un résultat collectif acceptable. Des critiques comme Alison Wylie et Kristina Rolin ont justement discuté la difficulté de préciser cette distribution normative et la notion d’équité épistémique.
Nous retrouvons un problème général du pluralisme : la diversité peut corriger la monoculture, mais elle peut aussi entretenir inutilement de mauvaises pistes.
Quatrième critique : le consensus peut parfois être indispensable
Certaines connaissances deviennent tellement robustes qu’il serait gaspilleur de maintenir artificiellement des programmes contestant leurs fondements simplement au nom du pluralisme. Solomon n’affirme pas que le consensus soit toujours mauvais : lorsqu’une théorie a récupéré tous les succès empiriques pertinents de ses concurrentes, la justification du dissensus diminue fortement.
C’est un point essentiel pour éviter une caricature.
La thèse n’est pas :
toujours maintenir plusieurs théories.
Elle est :
ne pas exiger le consensus avant que les raisons empiriques justifient réellement l’abandon des alternatives.
Le dissensus possède donc une valeur conditionnelle, pas absolue.
Cinquième critique : dissensus scientifique et décision publique
Même si le désaccord est productif dans la recherche, les institutions doivent parfois agir.
Une autorité sanitaire ne peut pas toujours attendre que tous les scientifiques soient d’accord. Elle doit formuler : des recommandations, des seuils, des protocoles.
Cette différence entre la logique de la recherche et celle de la décision est importante. Solomon s’est justement intéressée plus tard aux institutions de production du savoir médical, notamment aux conférences de consensus, à l’evidence-based medicine, à la médecine translationnelle et à la médecine narrative dans *Making Medical Knowledge* (2015). Elle y analyse ces méthodes comme des formes différentes de production et d’organisation du savoir médical, plutôt que comme les étapes d’une méthode unique.
Son étude historique des conférences de consensus du NIH montre notamment qu’elles visaient à apparaître comme des procédures objectives et démocratiques, mais qu’elles servaient souvent davantage à diffuser un consensus déjà formé dans la communauté qu’à véritablement le produire.
Nous devons donc distinguer dissensus utile à la recherche et : besoin de recommandations suffisamment stabilisées pour l’action.
Une philosophie de l’intelligence collective
C’est peut-être ainsi qu’il faut comprendre l’apport le plus général de Solomon. Nous étions partis d’une épistémologie centrée sur un individu qui examine : des preuves et choisit : une croyance.
Avec Solomon, l’objet pertinent devient :
une population de chercheurs
possédant :
des informations partielles,
des motivations différentes,
des spécialisations,
des ressources limitées.
La question devient :
Quelle distribution de ces différences permet à la communauté de progresser ?
Nous nous rapprochons presque d’une écologie cognitive.
Une forêt n’est pas saine parce que tous ses organismes sont identiques. Une communauté scientifique peut elle aussi tirer une partie de sa robustesse : de la spécialisation, de la redondance, de la diversité.
Mais cette diversité doit rester reliée : au monde empirique.
C’est pourquoi le mot empirisme reste essentiel dans « empirisme social ».
Application à l’esprit critique : ne pas rechercher systématiquement l’unanimité
À l’échelle individuelle, la leçon est très utile. Lorsque plusieurs experts sérieux sont en désaccord, notre première réaction ne devrait pas nécessairement être :
Lequel doit disparaître ?
Nous devons d’abord demander :
Sur quels faits chacun obtient-il de meilleurs résultats ?
Peut-être que les deux positions possèdent des domaines de réussite différents.
Le désaccord peut alors signaler une théorie encore incomplète plutôt qu’un simple affrontement entre raison et erreur. Cette attitude est particulièrement utile dans les disciplines complexes où plusieurs modèles coexistent.
Deuxième application : ne pas confondre dissidence et mérite
Mais l’inverse est tout aussi important. Une personne ne devient pas intéressante simplement parce qu’elle s’oppose au consensus. Pour justifier le maintien d’une position alternative, demandons :
Possède-t-elle des résultats empiriques propres ?
Produit-elle des prédictions ?
Explique-t-elle un phénomène que le modèle dominant échoue à expliquer ?
Si la réponse est non, la dissidence peut être simplement du bruit. C’est probablement l’un des meilleurs critères permettant de distinguer le dissensus scientifique productif du dissensus purement rhétorique.
Troisième application : chercher la diversité des méthodes, pas seulement des opinions
Dix personnes répétant :
la même méthode
avec :
les mêmes données
peuvent produire dix conclusions identiques. Cela ne constitue pas nécessairement : une preuve extraordinairement indépendante.
Une convergence est plus informative lorsque plusieurs équipes utilisent des méthodes, instruments, données suffisamment indépendants.
La diversité pertinente n’est donc pas seulement diversité des conclusions. C’est aussi diversité des chemins qui conduisent aux conclusions.
Cette intuition rejoint Hacking, le pluralisme scientifique et le réalisme structurel : ce qui survit à plusieurs voies indépendantes mérite davantage de confiance.
Quatrième application : une minorité peut être utile sans être probablement correcte
C’est une distinction subtile mais importante.
Supposons :
90 % des chercheurs soutiennent A,
10 % soutiennent B.
Nous pouvons rationnellement penser :
A est beaucoup plus probable.
Et pourtant considérer :
il est utile que quelques chercheurs continuent à tester B.
La croyance personnelle et : l’allocation collective de la recherche ne sont donc pas le même problème. C’est une conséquence très forte de l’empirisme social.
Nous pouvons croire :
A
tout en finançant : un test sérieux de B. Ce n’est pas contradictoire.
C’est de la gestion rationnelle de l’incertitude.
Cinquième application : le consensus n’est pas le seul indicateur de confiance
La proportion de scientifiques soutenant une proposition reste informative, mais elle n’est pas suffisante. Nous devons également regarder les succès empiriques, la diversité des méthodes, la présence d’alternatives sérieuses, la capacité du cadre dominant à absorber leurs meilleurs résultats.
Un consensus extrêmement large après : des décennies de tests indépendants est évidemment beaucoup plus fort qu’un consensus produit simplement par la disparition institutionnelle des concurrents.
Solomon nous invite donc à considérer la structure du consensus plutôt que son existence seule.
Erreurs fréquentes
La première erreur serait de dire que Solomon pense que l’irrationalité individuelle est toujours bonne pour la science. Non. Elle soutient seulement que certaines influences ou engagements qui ne correspondent pas au modèle idéal de rationalité individuelle peuvent parfois améliorer la distribution collective des recherches.
La deuxième serait de croire que toutes les théories minoritaires doivent être financées. Son pluralisme reste empirique : une théorie possède une justification particulière lorsqu’elle conserve des succès empiriques uniques.
La troisième consiste à identifier consensus et vérité. Solomon conteste précisément la valeur épistémique automatique du consensus et du dissensus ; ce qui importe davantage est la manière dont les succès empiriques sont distribués et conservés.
La quatrième serait de conclure que le consensus est toujours mauvais. Lorsqu’une théorie a récupéré les succès empiriques de ses concurrentes, le maintien artificiel du désaccord perd une grande partie de sa justification.
La cinquième serait de croire que vecteur de décision signifie bonne raison. Le concept est d’abord descriptif : il désigne un facteur influençant une décision scientifique. Il faut ensuite examiner sa fonction dans la communauté.
La sixième erreur serait de dire que Solomon remplace la vérité par la sociologie. *Social Empiricism* cherche au contraire une épistémologie normative qui conserve le rôle du succès empirique tout en intégrant la psychologie et les dimensions sociales de la science.
La septième serait de croire que faire discuter tous les experts davantage améliore nécessairement le résultat. Solomon souligne dans son travail sur le groupthink et la sagesse des foules que certaines formes de délibération peuvent réduire l’indépendance des jugements.
La huitième serait de penser que rationalité collective signifie vote majoritaire. La distribution numérique des opinions ne suffit pas ; le contenu empirique des programmes reste central.
La neuvième serait de confondre diversité des chercheurs et diversité épistémique. Une communauté peut contenir beaucoup de personnes tout en concentrant presque tous ses efforts sur les mêmes méthodes et hypothèses.
La dixième serait de croire qu’une minorité scientifique mérite autant de crédibilité qu’un consensus simplement parce que son existence est utile. Maintenir une recherche minoritaire et attribuer une probabilité égale aux deux théories sont deux décisions entièrement différentes.
Pourquoi Miriam Solomon est importante dans l’histoire de l’épistémologie
Avec Solomon, l’épistémologie franchit une nouvelle étape. Nous avions déjà appris avec Bloor que les connaissances scientifiques sont socialement produites, avec Longino que l’objectivité dépend de la qualité de la critique collective, et avec le pluralisme scientifique que plusieurs modèles peuvent être légitimes. Solomon ajoute une question différente :
Comment répartir rationnellement le travail cognitif dans une communauté dont les membres ne possèdent ni les mêmes informations ni les mêmes motivations ?
Elle déplace ainsi la philosophie des sciences depuis la rationalité de la croyance individuelle vers la rationalité de la division collective du travail scientifique. Le MIT Press présente précisément son approche comme une théorie de la prise de décision distribuée dans les communautés scientifiques, avec des implications pour le financement et l’administration de la recherche.
Cette transformation est profonde. Une institution scientifique ne doit plus seulement se demander :
Quels chercheurs raisonnent correctement ?
Elle doit également demander :
Notre système de financement, de spécialisation et de communication conserve-t-il suffisamment de diversité pour explorer les possibilités sérieuses sans disperser inutilement les ressources ?
Nous retrouvons alors une idée devenue centrale dans l’étude contemporaine de l’intelligence collective :
ce qui est optimal pour chaque membre pris séparément n’est pas nécessairement optimal pour le groupe.
C’est probablement l’apport le plus durable de l’empirisme social.
À retenir
L’empirisme social de Miriam Solomon cherche à conserver une épistémologie normative tout en abandonnant l’idée que la rationalité scientifique doit être évaluée exclusivement au niveau de chaque chercheur. Les scientifiques sont influencés par une pluralité de vecteurs de décision : données, instruments disponibles, phénomènes saillants, habitudes cognitives, traditions, intérêts ou motivations. Ces influences ne doivent pas être automatiquement divisées entre « raison pure » et « contamination sociale ». Leur effet doit être étudié dans le fonctionnement collectif de la communauté.
La communauté est rationnelle lorsqu’elle préserve et développe les programmes possédant des succès empiriques propres. Un chercheur peut donc persister dans une théorie globalement moins bien soutenue et néanmoins remplir une fonction épistémique utile s’il permet de conserver un phénomène que les théories dominantes n’expliquent pas encore.
Le consensus n’est donc pas automatiquement l’objectif idéal. Il devient souhaitable lorsque les raisons empiriques le justifient ; tant que plusieurs programmes possèdent des contributions différentes, le dissensus peut être productif.
La leçon pratique est particulièrement forte :
croire que la théorie A est actuellement la meilleure ne nous oblige pas à vouloir que toute la recherche abandonne immédiatement la théorie B.
Nous devons distinguer ce qu’un individu devrait probablement croire et : ce qu’une communauté devrait continuer à explorer. C’est une distinction fondamentale pour comprendre la science en situation d’incertitude.
L’empirisme social prépare ainsi une nouvelle étape de l’épistémologie contemporaine. Si la rationalité scientifique dépend de la distribution des chercheurs, des informations et des stratégies, nous pouvons essayer de modéliser mathématiquement cette organisation. Que se passe-t-il lorsque les scientifiques communiquent trop rapidement ? Quand est-il préférable de conserver des groupes partiellement isolés ? La diversité accélère-t-elle ou ralentit-elle la découverte de la vérité ?
Ces questions seront reprises par les modèles formels de l’épistémologie sociale, notamment chez Philip Kitcher, Kevin Zollman, Cailin O’Connor et James Owen Weatherall, qui chercheront à comprendre comment les réseaux de communication, les incitations et la division du travail peuvent rendre une communauté scientifique plus ou moins fiable.
Pour aller plus loin
Miriam Solomon, *Social Empiricism* (2001). L’ouvrage fondateur. Solomon y construit une conception sociale de la rationalité scientifique autour des vecteurs de décision, des succès empiriques, du dissensus et de la répartition collective du travail scientifique. Il est particulièrement important parce qu’il ne reste pas au niveau abstrait : l’auteure en tire également des implications pour le financement, l’administration et la politique de la recherche.
Miriam Solomon, « Social Empiricism » (1994). L’article antérieur dans lequel sont déjà posées plusieurs des idées qui seront développées dans le livre de 2001. Il permet de voir l’empirisme social comme le résultat d’une réflexion commencée avant la publication de l’ouvrage et de mieux comprendre le déplacement de la rationalité individuelle vers la communauté scientifique.
Miriam Solomon, « Groupthink versus the Wisdom of Crowds: The Social Epistemology of Deliberation and Dissent » (2006). Un prolongement particulièrement utile pour comprendre pourquoi la communication et la délibération ne sont pas automatiquement bénéfiques. Solomon y confronte les risques du conformisme collectif aux avantages que peut procurer l’indépendance relative des jugements. C’est une excellente transition vers les modèles contemporains des réseaux épistémiques.
Helen Longino, « The Social Dimensions of Scientific Knowledge », *Stanford Encyclopedia of Philosophy*. Cette ressource permet de comparer directement Solomon aux autres grands modèles d’épistémologie sociale. Longino y résume notamment la distinction entre rationalité individuelle et communautaire, les vecteurs de décision et le principe selon lequel une communauté ne devrait pas abandonner une théorie qui possède encore des succès empiriques uniques.
Alison Wylie, « A More Social Epistemology: Decision Vectors, Epistemic Fairness, and Consensus in Solomon’s Social Empiricism » (2008). Une critique importante du projet. Wylie prend au sérieux l’intérêt de l’approche de Solomon tout en examinant les difficultés soulevées par la distribution des vecteurs de décision, la notion d’équité épistémique et le statut du consensus. Elle est particulièrement utile pour ne pas présenter l’empirisme social comme une théorie dont les critères pratiques seraient déjà parfaitement déterminés.
Miriam Solomon, *Making Medical Knowledge* (2015). Le prolongement vers la médecine. Solomon y étudie les conférences de consensus, l’evidence-based medicine, la médecine translationnelle et la médecine narrative comme des méthodes historiquement distinctes de production de connaissances médicales. L’ouvrage montre combien son pluralisme s’applique concrètement à des institutions qui doivent transformer des données scientifiques en recommandations.
Pour la suite : Philip Kitcher et la division du travail cognitif. Kitcher précède en partie Solomon mais constitue une transition naturelle à ce stade du parcours, car il pose directement la question de la répartition optimale des chercheurs entre plusieurs programmes scientifiques. Pourquoi certains chercheurs devraient-ils poursuivre une voie moins prometteuse ? Comment les motivations individuelles peuvent-elles produire collectivement une meilleure exploration de l’espace des hypothèses ? Avec lui, puis avec les modèles de réseaux de Kevin Zollman, l’épistémologie sociale va devenir de plus en plus formelle et quantitative.