Modèles scientifiques, simulations et scénarios : représenter le réel sans le confondre avec sa représentation
Un modèle scientifique décrit-il la réalité telle qu’elle est ?
La science cherche à comprendre un monde beaucoup trop complexe pour être reproduit intégralement dans une théorie, une équation ou une expérience. Pour étudier un phénomène, le chercheur doit sélectionner certaines propriétés, en négliger d’autres et construire une représentation simplifiée. Cette représentation est un modèle scientifique.
Un modèle peut représenter :
- le mouvement d’une planète ;
- la propagation d’une épidémie ;
- le fonctionnement d’un organe ;
- l’évolution d’une population ;
- les conséquences possibles d’une politique publique.
Il ne constitue presque jamais une copie complète de la réalité. Il retient ce qui paraît pertinent pour une question déterminée. Une carte routière, par exemple, ne représente ni la couleur des façades ni la composition chimique du sol. Ces omissions ne constituent pas nécessairement des défauts. Elles permettent à la carte de remplir sa fonction : aider à se déplacer.
De la même manière, un modèle économique peut représenter les effets d’une taxe sans reproduire toute la psychologie des consommateurs. Un modèle climatique peut représenter les échanges d’énergie entre l’atmosphère, les océans et les continents sans simuler chaque molécule d’air. Un modèle scientifique doit donc être jugé relativement à :
- la question posée ;
- l’usage prévu ;
- le degré de précision nécessaire.
La question importante n’est pas seulement :
« Le modèle est-il vrai ? »
Elle est plutôt :
« Que représente-t-il correctement, dans quelles conditions, avec quelle précision et pour quel usage ? »
Cette distinction permet d’éviter deux erreurs opposées. La première consiste à rejeter un modèle parce qu’il simplifie la réalité. La seconde consiste à traiter le modèle comme une reproduction complète du monde et à oublier tout ce qu’il laisse de côté.
Qu’est-ce qu’un modèle scientifique ?
Un modèle scientifique est une représentation construite pour :
- décrire ;
- expliquer ;
- prévoir ;
- comparer ;
- explorer
un phénomène réel ou possible.
Il établit une relation entre certains éléments du monde et une structure plus simple que les chercheurs peuvent manipuler.
Un modèle peut prendre des formes très différentes.
Modèle matériel
Une maquette anatomique, une soufflerie ou un modèle réduit d’un ouvrage permettent d’étudier certaines propriétés physiques.
Modèle conceptuel
Un schéma représente les relations entre plusieurs éléments : causes, mécanismes, flux ou niveaux d’organisation.
Modèle mathématique
Des équations expriment des relations entre des variables.
Modèle statistique
Une structure probabiliste décrit des associations, estime des paramètres ou produit des prédictions à partir de données.
Modèle computationnel
Un programme informatique simule l’évolution d’un système selon des règles déterminées.
Ces catégories peuvent se combiner. Une simulation numérique repose généralement sur :
- un modèle conceptuel ;
- une formalisation mathématique ;
- des données ;
- un algorithme.
Le mot *modèle* ne désigne donc pas une technique unique. Il désigne une manière générale de représenter un système pour pouvoir raisonner sur lui.
Le modèle comme intermédiaire entre théorie et observation
La relation entre théorie et observation n’est pas toujours directe. Une théorie générale peut être trop abstraite pour produire immédiatement une prédiction expérimentale. Il faut souvent construire un modèle intermédiaire. Une théorie physique décrit des principes généraux. Un modèle particulier applique ces principes à :
- un système donné ;
- certaines conditions initiales ;
- certaines simplifications.
Les résultats du modèle peuvent ensuite être comparés aux observations.
La chaîne ressemble alors à :
théorie → modèle → prédiction → observation
Mais le mouvement peut également aller dans l’autre sens.
Une anomalie observée conduit à modifier :
- le modèle ;
- les hypothèses ;
- parfois la théorie.
Le modèle est ainsi un instrument de médiation. Il relie un cadre théorique général à une situation concrète. Cette position intermédiaire explique pourquoi un modèle peut échouer sans que toute la théorie soit immédiatement réfutée. L’erreur peut venir des données, d’une condition initiale, d’une hypothèse auxiliaire, de la simplification choisie ou de l’implémentation informatique. Il faut donc localiser la source de l’échec avant de conclure.
Une représentation sélective
Construire un modèle signifie sélectionner. Le chercheur décide quelles variables doivent être représentées et lesquelles peuvent être temporairement négligées. Pour modéliser la chute d’un objet, il peut commencer par ignorer :
- la résistance de l’air ;
- la rotation de l’objet ;
- les variations locales de gravité.
Le modèle obtenu ne décrit pas exactement toutes les chutes réelles. Il permet néanmoins de comprendre une relation fondamentale. Cette sélection n’est pas nécessairement arbitraire. Elle dépend :
- de la question ;
- de l’échelle ;
- de l’effet recherché.
Une propriété négligeable dans un contexte peut devenir décisive dans un autre.
La résistance de l’air peut être peu importante pour une pierre tombant de faible hauteur. Elle devient essentielle pour :
- une plume ;
- un parachute ;
- un véhicule spatial.
Un modèle ne possède donc pas une qualité absolue indépendante de son usage.
Il possède un domaine de validité.
Abstraction et idéalisation
Deux opérations occupent une place centrale dans la construction des modèles.
L’abstraction
Elle consiste à ne représenter que certains aspects d’un système.
Une carte abstrait :
- les routes ;
- les distances ;
- les reliefs
selon sa fonction.
L’idéalisation
Elle représente certains éléments d’une manière volontairement irréaliste ou parfaite.
On peut imaginer :
- un gaz parfait ;
- un marché parfaitement concurrentiel ;
- une population entièrement homogène ;
- un agent parfaitement rationnel.
Ces objets idéalisés n’existent pas exactement dans le monde réel.
Ils permettent d’isoler une relation et de comprendre :
« Que se passerait-il si ce mécanisme agissait sans les perturbations ordinaires ? »
L’idéalisation peut ensuite être progressivement corrigée par l’ajout de conditions plus réalistes.
Elle devient problématique lorsque les résultats sont appliqués à la réalité sans vérifier que les écarts entre l’idéal et le monde sont suffisamment faibles.
Une simplification peut-elle produire de la connaissance ?
Il peut sembler paradoxal qu’une représentation fausse sur certains points permette de comprendre la réalité. Pourtant, toute représentation utile simplifie. Une carte reproduisant chaque détail du territoire à la même échelle serait inutilisable. Sa précision totale supprimerait sa fonction. Un modèle peut donc être irréaliste dans sa description littérale tout en saisir correctement :
- une structure ;
- une relation ;
- un mécanisme ;
- une tendance.
Le modèle du gaz parfait suppose notamment des particules ponctuelles sans interaction, sauf lors des collisions. Aucun gaz réel ne correspond parfaitement à cette description. Le modèle peut néanmoins fournir de bonnes approximations dans certaines conditions. La question n’est donc pas :
« Toutes les hypothèses sont-elles littéralement vraies ? »
mais :
« Les simplifications conservent-elles les propriétés pertinentes pour le phénomène étudié ? »
Les modèles jouets
Un modèle jouet est volontairement très simple. Il n’a pas toujours pour objectif de reproduire précisément un système réel. Il permet plutôt d’explorer une idée, d’isoler un mécanisme et de tester une intuition. En économie, en biologie évolutive ou en sciences sociales, un modèle peut montrer qu’un comportement collectif inattendu est possible à partir de quelques règles simples. La valeur du modèle ne vient alors pas d’une prédiction numérique précise. Elle vient de la démonstration :
« Ce mécanisme suffit en principe à produire ce type de résultat. »
Mais il faut distinguer :
- montrer qu’un mécanisme est possible ;
- montrer qu’il existe réellement ;
- montrer qu’il explique principalement le phénomène observé.
Un modèle jouet peut établir le premier point sans établir les deux autres.
Modèle descriptif et modèle explicatif
Tous les modèles ne remplissent pas la même fonction.
Modèle descriptif
Il résume les régularités observées.
Il peut représenter une relation entre variables sans identifier le mécanisme qui la produit.
Modèle prédictif
Il cherche principalement à prévoir de nouvelles observations.
Modèle explicatif
Il vise à représenter les structures ou mécanismes responsables du phénomène.
Modèle normatif
Il indique ce qu’un agent devrait faire selon certains objectifs ou principes.
Un même modèle peut combiner plusieurs fonctions, mais elles ne doivent pas être confondues.
Un modèle peut prédire correctement sans expliquer profondément.
Un algorithme peut anticiper qu’un patient présente un risque élevé sans identifier le mécanisme médical précis.
Inversement, un modèle explicatif peut être intéressant même si sa précision prédictive reste limitée.
Évaluer un modèle exige donc de savoir quelle fonction il prétend remplir.
Modèles mécanistes
Un modèle mécaniste représente les entités, activités et relations produisant un phénomène.
Pour expliquer une maladie, il peut décrire :
- un agent pathogène ;
- une réaction immunitaire ;
- une atteinte cellulaire ;
- des symptômes.
L’explication ne se limite alors pas à constater qu’une variable est associée à une autre. Elle montre comment le phénomène est produit. Les modèles mécanistes sont particulièrement importants lorsque l’on souhaite intervenir. Connaître le mécanisme permet de déterminer :
- où agir ;
- ce que l’intervention risque de modifier ;
- pourquoi elle pourrait échouer.
Mais un mécanisme peut être connu partiellement. Plusieurs mécanismes peuvent également contribuer au même résultat.
Un modèle mécaniste ne doit donc pas être transformé en récit unique lorsque le système est :
- complexe ;
- interactif ;
- multicausal.
Les modèles phénoménologiques
Un modèle phénoménologique décrit efficacement les observations sans représenter nécessairement les mécanismes fondamentaux. Il peut ajuster une courbe ou une relation mathématique aux données.
Ce type de modèle est parfois considéré comme moins profond. Il peut néanmoins être très utile pour :
- prévoir ;
- mesurer ;
- détecter une régularité.
L’opposition entre modèle mécaniste et phénoménologique n’est pas absolue. Un modèle peut d’abord être utilisé comme description, puis recevoir une interprétation mécaniste. Inversement, une théorie mécaniste peut être trop complexe pour produire des prévisions opérationnelles, tandis qu’un modèle statistique plus simple réussit mieux. La fonction pratique et la profondeur explicative ne coïncident pas toujours.
Les modèles statistiques
Un modèle statistique représente la manière dont des données peuvent être produites selon certaines hypothèses probabilistes. Il peut servir à :
- estimer une relation ;
- distinguer signal et bruit ;
- prévoir un résultat ;
- quantifier l’incertitude.
Tout modèle statistique repose sur des choix :
- variables incluses ;
- forme de la relation ;
- distribution des erreurs ;
- population étudiée.
Ces choix influencent les conclusions. Un résultat numérique ne provient donc jamais « directement des données ». Il dépend également du cadre utilisé pour les interpréter. Les modèles statistiques doivent être évalués selon :
- la qualité des données ;
- l’adéquation des hypothèses ;
- la stabilité des résultats ;
- leur validation sur de nouvelles observations.
Ajuster un modèle aux données
La construction d’un modèle utilise souvent des données pour estimer ses paramètres. Cette opération est appelée calibrage ou ajustement.
Un modèle épidémiologique peut être calibré à partir :
- du nombre de cas ;
- du taux d’hospitalisation ;
- de la durée moyenne de contagiosité.
L’ajustement ne constitue pas encore une validation complète. Un modèle suffisamment flexible peut reproduire presque n’importe quel jeu de données existant. La question importante est :
Fonctionne-t-il également sur des données qu’il n’a pas utilisées pour être construit ?
Cette distinction est essentielle.
Un modèle peut très bien raconter le passé après avoir été adapté au passé, tout en échouer à prévoir l’avenir.
Le surajustement
Le surajustement apparaît lorsqu’un modèle apprend non seulement les régularités générales, mais aussi le bruit particulier des données utilisées pour l’entraîner. Il devient alors très performant sur ces données et médiocre sur de nouvelles observations. Un modèle excessivement complexe peut mémoriser les cas passés au lieu d’identifier une structure générale. Le surajustement montre qu’un ajustement parfait n’est pas toujours souhaitable. Un bon modèle doit trouver un équilibre entre :
- fidélité aux données ;
- capacité de généralisation.
Des techniques comme :
- séparation entre données d’entraînement et de test ;
- validation croisée ;
- régularisation
permettent de réduire ce risque. Mais aucune technique ne compense une population mal choisie ou des données profondément biaisées.
Vérification et validation
Dans les simulations et modèles computationnels, deux questions doivent être distinguées.
Vérification
Le programme résout-il correctement le modèle formulé ?
Il faut vérifier :
- le code ;
- les calculs ;
- l’implémentation.
Validation
Le modèle représente-t-il suffisamment bien le système réel pour l’usage prévu ?
Un programme peut être parfaitement codé tout en implémenter un mauvais modèle.
Inversement, un modèle conceptuellement pertinent peut produire de mauvais résultats à cause d’un bug, d’une erreur numérique ou d’une mauvaise traduction informatique.
La formule souvent utilisée est :
Vérification : avons-nous correctement construit le modèle ?
Validation : avons-nous construit le bon modèle pour cette question ?
Qu’est-ce qu’une validation réussie ?
Un modèle est rarement validé une fois pour toutes.
Sa qualité est évaluée progressivement par comparaison avec :
- observations ;
- expériences ;
- données indépendantes ;
- autres modèles.
La validation peut examiner :
- la précision moyenne ;
- les erreurs extrêmes ;
- la reproduction de tendances ;
- la capacité à prévoir des cas nouveaux.
Un modèle peut être acceptable pour une fonction et insuffisant pour une autre. Un modèle météorologique peut prévoir correctement la température moyenne d’une région tout en être insuffisant pour prévoir l’emplacement exact d’un orage. La validation doit donc préciser :
- la variable ;
- l’échelle ;
- l’horizon temporel ;
- la marge d’erreur acceptable.
Dire simplement :
« Le modèle est validé »
est souvent trop vague.
La validation indépendante
Un test est plus informatif lorsqu’il est indépendant de la construction du modèle.
Si les mêmes données servent :
- à formuler les hypothèses ;
- à régler les paramètres ;
- à évaluer la réussite,
le risque de surévaluer le modèle augmente.
Une validation plus forte utilise :
- de nouvelles périodes ;
- de nouvelles populations ;
- des équipes différentes ;
- des méthodes de mesure indépendantes.
Cette indépendance n’est jamais parfaite. Mais plus les voies de contrôle sont diverses, moins il est probable qu’une même erreur explique toute la convergence.
Les prédictions nouvelles
Une prédiction portant sur un résultat inconnu lors de la construction du modèle possède une grande valeur. Elle montre que le modèle ne se contente pas de réorganiser ce qui était déjà connu. Mais toutes les sciences ne permettent pas des prédictions précises.
En géologie, en histoire naturelle ou en sciences sociales, certains événements sont :
- rares ;
- uniques ;
- fortement dépendants du contexte.
La qualité du modèle peut alors être évaluée par :
- la cohérence avec plusieurs types de traces ;
- la capacité à expliquer des données indépendantes ;
- la découverte de faits auparavant inattendus.
La prévision numérique n’est donc pas l’unique critère scientifique.
Prédiction, projection et scénario
Ces trois termes sont souvent confondus.
Prédiction
Elle affirme qu’un événement ou une valeur est attendu, généralement avec un degré de probabilité.
Projection
Elle indique ce qui devrait se produire si certaines hypothèses se réalisent.
Scénario
Il construit une évolution possible et cohérente à partir d’un ensemble d’hypothèses.
Une projection démographique peut dire :
« Si la fécondité, la mortalité et les migrations suivent telles trajectoires, la population atteindra telle valeur. »
Elle ne prétend pas nécessairement que ces hypothèses se réaliseront exactement.
Un scénario climatique ou économique peut explorer plusieurs futurs :
- continuité ;
- transformation modérée ;
- rupture importante.
Le scénario ne doit donc pas être présenté automatiquement comme une prédiction.
Qu’est-ce qu’un scénario ?
Un scénario est une représentation structurée d’un avenir ou d’une situation possible.
Il relie :
- des hypothèses initiales ;
- des mécanismes ;
- une succession d’événements ;
- des conséquences.
Son objectif peut être :
- anticiper ;
- préparer ;
- comparer des choix ;
- tester la robustesse d’une stratégie.
Un scénario n’est pas une prophétie. Il permet de répondre à une question conditionnelle :
« Que pourrait-il se passer si ces conditions étaient réunies ? »
Un bon scénario doit être :
- cohérent ;
- explicitement conditionnel ;
- relié à des mécanismes plausibles ;
- distinct des autres scénarios.
Il perd sa valeur lorsqu’il devient un récit libre impossible à comparer aux données.
Scénarios exploratoires et normatifs
Il faut distinguer deux grandes familles.
Scénarios exploratoires
Ils partent de la situation actuelle et explorent plusieurs évolutions possibles.
Scénarios normatifs
Ils partent d’un objectif futur et cherchent les étapes nécessaires pour l’atteindre.
Par exemple :
- un scénario exploratoire examine différentes évolutions du système énergétique ;
- un scénario normatif cherche comment atteindre une réduction déterminée des émissions.
Le premier demande :
« Que pourrait-il arriver ? »
Le second :
« Que faudrait-il faire pour arriver ici ? »
Confondre les deux peut donner l’impression qu’un objectif souhaité constitue une prévision probable.
Les simulations
Une simulation consiste à faire évoluer un modèle selon des règles afin d’observer les résultats produits. Elle permet d’étudier des systèmes :
- trop vastes ;
- trop lents ;
- trop rapides ;
- trop dangereux ;
- trop coûteux
pour être reproduits directement.
Une simulation peut représenter :
- le climat ;
- un accident industriel ;
- une épidémie ;
- un réseau de transport ;
- un comportement collectif.
Elle ne fait pas simplement afficher une image. Elle produit une série d’états à partir :
- de conditions initiales ;
- de paramètres ;
- de règles d’évolution.
La simulation constitue une expérience réalisée sur un modèle. Elle n’est pas directement une expérience sur le monde réel.
Une simulation produit-elle des preuves ?
Une simulation peut produire une connaissance importante. Elle permet de découvrir les conséquences d’un ensemble de règles, les interactions entre mécanismes et les conditions conduisant à un résultat. Mais ses résultats dépendent de la qualité du modèle. Si les hypothèses sont erronées, l’ordinateur calculera avec précision les conséquences de ces hypothèses erronées. La puissance informatique ne transforme pas automatiquement une représentation fragile en connaissance solide. La formule :
« La simulation montre que… »
doit être complétée par :
- quel modèle ?
- quelles données ?
- quelles hypothèses ?
- quelle validation ?
- quelle incertitude ?
Une simulation peut établir :
« Dans ce modèle, ces conditions produisent ce résultat. »
Le passage au monde réel demande une justification supplémentaire.
Simulation et expérimentation
Une expérience physique intervient directement sur un système réel ou sur un objet matériel représentant certaines de ses propriétés. Une simulation intervient sur une représentation formelle. Cette différence ne rend pas les simulations inférieures par principe. Certaines simulations sont très fortement soutenues par :
- des lois physiques ;
- des mesures ;
- des validations répétées.
Certaines expériences physiques sont au contraire très artificielles et difficiles à généraliser.
La force d’une preuve ne dépend donc pas seulement de l’étiquette :
- expérience ;
- simulation.
Elle dépend de la chaîne reliant le dispositif au phénomène étudié.
Les modèles à base d’agents
Un modèle à base d’agents représente plusieurs entités individuelles suivant des règles.
Les agents peuvent être :
- des personnes ;
- des animaux ;
- des entreprises ;
- des cellules.
Le chercheur observe comment leurs interactions produisent des phénomènes collectifs. Ces modèles permettent d’étudier :
- coordination ;
- ségrégation ;
- diffusion ;
- coopération ;
- congestion.
Ils sont particulièrement utiles pour montrer comment un phénomène collectif peut apparaître sans direction centrale. Mais les règles attribuées aux agents simplifient fortement les comportements réels.
Un résultat intéressant dans la simulation ne prouve pas que les individus du monde réel suivent exactement ces règles.
Les modèles fondés sur des équations
D’autres modèles représentent directement l’évolution de quantités globales :
- population ;
- température ;
- concentration ;
- capital.
Ils utilisent des équations différentielles ou d’autres relations mathématiques. Ces modèles peuvent être plus faciles à analyser. Ils masquent parfois l’hétérogénéité individuelle. Un modèle global et un modèle à base d’agents peuvent représenter le même phénomène sous des angles différents. Le choix dépend de la question :
- veut-on comprendre une évolution moyenne ?
- les interactions locales ?
- la distribution des comportements ?
Aucun format n’est toujours supérieur.
Sensibilité aux conditions initiales
Certains systèmes sont très sensibles à leurs conditions initiales. Une petite différence au départ peut produire une évolution très différente. Cette propriété limite les prédictions à long terme, même lorsque les règles du système sont déterministes. Le cas classique est celui des systèmes chaotiques.
L’incertitude ne vient pas nécessairement d’un manque de lois. Elle vient de l’impossibilité de mesurer parfaitement l’état initial. Cette distinction explique pourquoi il est possible de connaître les mécanismes généraux d’un système sans prévoir précisément chaque événement. La météorologie peut être scientifiquement solide tout en conserver une limite de prévision détaillée à long terme.
Analyse de sensibilité
L’analyse de sensibilité examine comment les résultats changent lorsque l’on modifie :
- les paramètres ;
- les hypothèses ;
- les données initiales.
Si une légère variation transforme complètement la conclusion, le résultat est fragile.
Si la conclusion reste stable sous plusieurs valeurs raisonnables, elle est plus robuste. Cette analyse permet d’identifier :
- les paramètres décisifs ;
- les zones d’incertitude ;
- les mesures supplémentaires les plus utiles.
Elle devrait accompagner les résultats lorsque le modèle dépend de choix contestables.
Un résultat unique sans analyse de sensibilité peut produire une impression trompeuse de précision.
L’incertitude dans les modèles
Plusieurs sources d’incertitude doivent être distinguées.
Incertitude sur les données
Les observations peuvent être imprécises, incomplètes ou biaisées.
Incertitude sur les paramètres
Les valeurs nécessaires au modèle sont estimées avec une marge d’erreur.
Incertitude structurelle
Plusieurs formes de modèles sont possibles.
Incertitude sur les conditions futures
Les comportements, politiques ou événements peuvent changer.
Incertitude numérique
Les calculs eux-mêmes possèdent des approximations.
Regrouper toutes ces incertitudes dans un seul chiffre peut masquer leur nature.
Certaines peuvent être réduites par davantage de données. D’autres viennent d’une pluralité durable de modèles ou d’un avenir dépendant de décisions humaines.
L’intervalle n’est pas une faiblesse
Présenter un intervalle de résultats est souvent plus honnête qu’annoncer une valeur unique.
Un modèle peut indiquer :
- une valeur centrale ;
- plusieurs valeurs plausibles ;
- la probabilité de certains écarts.
Le public interprète parfois l’intervalle comme un aveu d’ignorance totale. En réalité, une incertitude quantifiée peut représenter une connaissance plus précise des limites. Mais l’intervalle ne doit pas être présenté comme s’il contenait nécessairement toutes les possibilités. Il repose lui-même sur les hypothèses du modèle. Une rupture imprévue ou une erreur structurelle peut produire un résultat extérieur à l’intervalle calculé.
Les ensembles de modèles
Lorsqu’aucun modèle ne peut être considéré comme définitivement supérieur, les chercheurs peuvent comparer un ensemble de modèles.
Ils examinent :
- les résultats communs ;
- les divergences ;
- les sensibilités.
La convergence de modèles construits différemment peut renforcer la confiance. Mais plusieurs modèles peuvent partager :
- les mêmes données ;
- les mêmes hypothèses ;
- les mêmes erreurs.
Le nombre de modèles ne garantit donc pas l’indépendance. Il faut examiner la diversité réelle des structures et des méthodes. Un ensemble est utile lorsqu’il rend visible la pluralité des approches au lieu de produire simplement une moyenne opaque.
La robustesse
Une conclusion est robuste lorsqu’elle persiste malgré des variations raisonnables :
- du modèle ;
- des paramètres ;
- de la méthode ;
- des données.
La robustesse ne prouve pas que la conclusion soit absolument vraie. Elle réduit la probabilité qu’elle dépende d’un choix arbitraire particulier.
Une décision peut également être robuste lorsqu’elle reste raisonnable sous plusieurs scénarios. Par exemple, une mesure peut être utile :
- que l’effet soit modéré ou important ;
- sous plusieurs modèles concurrents.
La robustesse est particulièrement importante lorsque l’incertitude ne peut pas être rapidement éliminée.
Comparer plusieurs modèles
Deux modèles peuvent produire des résultats différents parce qu’ils :
- représentent des mécanismes différents ;
- utilisent des données différentes ;
- travaillent à des échelles différentes ;
- poursuivent des objectifs différents.
Il serait erroné de conclure immédiatement :
« Puisque les modèles ne sont pas d’accord, ils ne valent rien. »
Leur divergence peut révéler l’incertitude réelle du problème.
Il faut demander :
- sur quoi sont-ils d’accord ?
- pourquoi divergent-ils ?
- lequel est mieux validé pour cette utilisation ?
- quelles données permettraient de les départager ?
Le désaccord entre modèles devient une source d’information sur les limites de la connaissance.
Le pluralisme des modèles
Un même système peut être représenté par plusieurs modèles légitimes.
Le cœur humain peut être étudié comme :
- une pompe ;
- un organe électrique ;
- un tissu biologique ;
- une partie d’un organisme.
Ces modèles ne sont pas nécessairement concurrents. Ils répondent à des questions différentes. Le pluralisme devient problématique lorsque les modèles produisent des affirmations incompatibles sur le même aspect du système. Il faut alors chercher :
- une différence d’échelle ;
- une hypothèse particulière ;
- une erreur ;
- une véritable sous-détermination.
Le fait qu’aucun modèle unique n’épuise la réalité ne conduit pas au relativisme.
Tous les modèles ne se valent pas.
Le domaine de validité
Un modèle doit être accompagné d’une description de son domaine de validité.
Ce domaine précise :
- les populations ;
- les conditions ;
- les échelles ;
- les périodes
dans lesquelles le modèle a été testé ou raisonnablement justifié.
Une relation observée chez des adultes ne peut pas être appliquée automatiquement aux enfants. Un modèle économique construit dans une période stable peut échouer pendant une crise exceptionnelle. Une loi physique approximative peut fonctionner à basse vitesse et devenir inadéquate dans d’autres conditions. Le domaine de validité n’est pas une faiblesse honteuse. Il constitue une partie essentielle de la connaissance produite.
L’extrapolation
L’extrapolation consiste à utiliser un modèle au-delà de la zone où il a été observé ou validé. Elle est parfois nécessaire.
Nous devons prévoir :
- un avenir inédit ;
- les effets d’une politique nouvelle ;
- une situation extrême.
Mais l’incertitude augmente lorsque l’on s’éloigne des données connues.
Une relation approximativement linéaire dans une zone limitée peut devenir :
- plus faible ;
- plus forte ;
- inversée
au-delà.
Toute extrapolation doit donc être présentée comme telle. Elle demande une justification fondée sur :
- un mécanisme ;
- une théorie ;
- des analogies ;
- plusieurs scénarios.
Les événements extrêmes
Les modèles construits principalement sur des situations ordinaires peuvent mal représenter les événements rares. Ces événements sont difficiles à étudier parce que les données sont peu nombreuses. Ils peuvent néanmoins avoir des conséquences majeures.
La précision moyenne d’un modèle ne suffit donc pas lorsque l’usage concerne :
- sécurité ;
- catastrophe ;
- risque financier ;
- médecine critique.
Il faut examiner séparément :
- les extrêmes ;
- les erreurs les plus graves ;
- les zones où le modèle manque de données.
Un modèle performant dans 99 % des cas peut rester dangereux si son échec se concentre dans le 1 % où les conséquences sont les plus lourdes.
Les modèles normatifs
Certains modèles ne décrivent pas seulement ce qui se produit.
Ils représentent ce qui devrait être choisi selon :
- un objectif ;
- une fonction de valeur ;
- une règle de décision.
Un modèle d’optimisation peut rechercher :
- le coût minimal ;
- le rendement maximal ;
- la réduction maximale d’un risque.
Mais le résultat dépend de la manière dont l’objectif est défini.
Optimiser un hôpital selon le nombre d’actes peut négliger :
- la qualité ;
- la fatigue ;
- la dignité.
Le modèle ne choisit pas lui-même ce qui mérite d’être optimisé.
Les valeurs sont introduites par :
- les objectifs ;
- les contraintes ;
- les indicateurs.
Présenter une optimisation comme une réponse purement technique masque ces choix normatifs.
Modèle et décision publique
Dans une décision publique, un modèle peut estimer :
- des coûts ;
- des risques ;
- des effets probables.
Il ne décide pas automatiquement de la politique.
Une décision implique également :
- des valeurs ;
- des droits ;
- une répartition des risques ;
- une tolérance à l’incertitude.
Deux personnes peuvent accepter le même modèle et préférer des politiques différentes. Inversement, un désaccord politique peut être présenté comme un désaccord scientifique alors qu’il porte surtout sur l’objectif, le seuil acceptable et les priorités. Une communication honnête doit distinguer :
« Le modèle prévoit cela sous ces hypothèses »
de :
« Nous devons donc choisir cette politique. »
Le choix des indicateurs
Un modèle dépend de ce qui est mesuré. Choisir un indicateur signifie décider quelle dimension représente le phénomène. Le produit intérieur brut mesure certaines activités économiques. Il ne représente pas directement :
- le bien-être ;
- la santé ;
- l’égalité ;
- l’environnement.
Un indicateur peut être pertinent sans être complet. Le problème apparaît lorsque la variable disponible remplace progressivement l’objectif réel. Une organisation commence à optimiser ce qui est mesurable plutôt que ce qui compte. Le modèle devient alors performatif : il transforme les comportements qu’il devait seulement décrire.
La performativité des modèles
Certains modèles influencent le système qu’ils représentent.
Une prévision économique peut modifier :
- les investissements ;
- les anticipations ;
- les comportements.
Une catégorie de risque peut influencer les décisions prises à l’égard d’une personne et contribuer au résultat prévu. Dans ces situations, le modèle ne reste pas extérieur au monde. Il entre dans les causes du phénomène. La réussite apparente d’une prédiction peut alors venir en partie du fait qu’elle a :
- provoqué ;
- empêché ;
- renforcé
le résultat. Cette réflexivité est particulièrement importante dans les sciences sociales et les systèmes algorithmiques.
Les modèles en intelligence artificielle
Les modèles d’apprentissage automatique apprennent des régularités à partir de données. Ils peuvent produire des prédictions très précises sans représenter explicitement un mécanisme intelligible. Le mot *modèle* est alors utilisé dans un sens statistique et computationnel. La performance dépend :
- des données d’entraînement ;
- de la définition de la cible ;
- de la population d’utilisation.
Un système peut être performant globalement et produire des erreurs systématiques pour certains groupes. Il peut également apprendre des corrélations superficielles qui disparaissent lorsque le contexte change.
La validation doit donc porter non seulement sur un score moyen, mais sur :
- les sous-groupes ;
- les conditions nouvelles ;
- les erreurs graves ;
- la stabilité.
L’opacité
Certains modèles sont difficiles à interpréter en raison de leur complexité. Ils peuvent contenir :
- des millions de paramètres ;
- des interactions non intuitives.
L’opacité ne signifie pas que le modèle soit aléatoire ou inutile. Elle pose cependant plusieurs problèmes :
- comprendre les erreurs ;
- contester une décision ;
- vérifier l’usage d’une variable ;
- identifier un mécanisme.
Le niveau d’interprétabilité nécessaire dépend de l’usage.
Un modèle utilisé pour recommander un film n’exige pas les mêmes garanties qu’un modèle influençant :
- un traitement ;
- un crédit ;
- une sanction.
Plus les conséquences sont importantes, plus l’exigence d’explication et de contestation doit être forte.
Corrélation et compréhension
Un modèle prédictif peut exploiter une corrélation sans comprendre ce qu’elle représente. Cette stratégie peut être suffisante lorsque :
- la relation reste stable ;
- l’enjeu est faible ;
- l’erreur est facilement corrigée.
Elle devient fragile lorsque le contexte change.
Une corrélation peut disparaître si :
- la population évolue ;
- les comportements s’adaptent ;
- l’institution modifie sa pratique.
Un modèle causal cherche davantage à identifier ce qui se produirait si l’on intervenait. Cette distinction est essentielle.
Prévoir qui reçoit un traitement n’est pas la même chose que savoir quel traitement produira le meilleur effet.
Modèles et causalité
Pour prendre une décision, il faut souvent répondre à une question contrefactuelle :
« Que se passerait-il si nous modifiions cette variable ? »
Une simple association ne suffit pas toujours.
Un modèle causal représente :
- les relations entre causes ;
- les variables de confusion ;
- les interventions possibles.
Mais ces modèles reposent eux aussi sur des hypothèses qui ne sont pas toutes directement testables. Un graphique causal ou une équation ne garantit pas que la structure supposée soit correcte. La force vient de la combinaison :
- de la théorie ;
- du protocole ;
- des données ;
- des tests de robustesse.
Les scénarios contrefactuels
Un scénario peut représenter ce qui se serait produit si un événement avait été différent. Ces contrefactuels sont indispensables pour évaluer :
- une politique ;
- un traitement ;
- une cause historique.
Mais le monde contrefactuel n’est pas directement observable. Il doit être reconstruit à l’aide :
- d’un groupe comparable ;
- d’un modèle ;
- d’une expérience ;
- d’une hypothèse causale.
Une affirmation comme :
« Sans cette mesure, la situation aurait été pire »
ne peut pas être confirmée par la seule observation du monde réel après la mesure. Elle demande un modèle du scénario alternatif.
Le danger du récit rétrospectif
Après un événement, il est facile de construire un modèle expliquant parfaitement ce qui s’est passé. On sélectionne les variables qui correspondent au résultat connu. Cette reconstruction peut produire une illusion de compréhension. Un bon modèle rétrospectif devrait également expliquer :
- pourquoi d’autres résultats étaient possibles ;
- quelles observations auraient contredit l’explication ;
- comment il se comporte dans d’autres cas.
Une histoire cohérente n’est pas nécessairement un modèle prédictif ou causal solide.
La capacité à raconter le passé ne doit pas être confondue avec la capacité à prévoir l’avenir.
La simplicité
La simplicité est souvent considérée comme une vertu des modèles.
Un modèle plus simple :
- est plus facile à comprendre ;
- utilise moins d’hypothèses ;
- risque moins de surajuster.
Mais la réalité peut être réellement complexe. Simplifier excessivement peut supprimer le mécanisme important. La simplicité doit être comprise relativement à la performance et à la question. Le meilleur modèle n’est pas toujours le plus simple. C’est souvent le modèle le plus simple parmi ceux qui représentent suffisamment bien le phénomène. La préférence pour la simplicité est une règle méthodologique, non une preuve logique de vérité.
Le réalisme des hypothèses
Faut-il exiger que toutes les hypothèses d’un modèle soient réalistes ?
Une position soutient que seul le résultat prédictif compte.
Si le modèle fonctionne, ses hypothèses simplificatrices peuvent être tolérées.
Une autre position répond qu’un modèle fondé sur de mauvais mécanismes peut échouer dès que le contexte change. Les deux arguments sont pertinents. La nécessité du réalisme dépend de l’usage. Pour une prédiction locale et stable, une approximation statistique peut suffire. Pour une intervention nouvelle ou une extrapolation importante, comprendre les mécanismes devient beaucoup plus essentiel.
Le modèle comme argument
Un modèle n’est pas une autorité qui parle seule. Il constitue une partie d’un argument. Cet argument comprend :
- une question ;
- un choix de représentation ;
- des hypothèses ;
- des données ;
- un calcul ;
- une interprétation ;
- une conclusion.
Une critique peut porter sur chacune de ces étapes.
Dire :
« Le modèle le prouve »
masque cette structure.
La bonne pratique consiste à rendre visibles :
- les hypothèses importantes ;
- les alternatives ;
- les marges d’erreur ;
- les limites d’usage.
Cela permet une critique précise plutôt qu’un rejet général de la modélisation.
Les modèles sont-ils objectifs ?
Un modèle peut être construit rigoureusement sans être totalement indépendant des choix humains.
Les chercheurs choisissent :
- la question ;
- les variables ;
- le niveau de précision ;
- les erreurs jugées acceptables.
Certains choix sont techniques.
D’autres impliquent des valeurs. Par exemple, dans un modèle médical, faut-il minimiser :
- le nombre total d’erreurs ;
- les faux négatifs ;
- les faux positifs ?
La réponse dépend des conséquences respectives.
Reconnaître la présence de choix ne signifie pas que le modèle soit arbitraire. Cela signifie que l’objectivité demande :
- transparence ;
- justification ;
- comparaison ;
- critique.
Les valeurs dans les modèles
Les valeurs peuvent intervenir dans :
- le choix du sujet ;
- la définition de la variable ;
- le seuil de décision ;
- la communication.
Un modèle de risque peut classer une personne comme « à haut risque » selon un seuil choisi. Le calcul peut être exact relativement aux données. Le seuil reste une décision. Une valeur peut également être incorporée dans un scénario normatif :
- croissance ;
- sécurité ;
- égalité ;
- réduction des émissions.
La science peut informer sur les conséquences des différents choix. Elle ne détermine pas automatiquement la hiérarchie complète des valeurs.
La communication des modèles
Une représentation scientifique complexe doit souvent être simplifiée pour le public. Cette simplification peut introduire plusieurs erreurs. Un résultat conditionnel devient une affirmation catégorique. Un scénario possible devient une prédiction certaine. Une valeur centrale est présentée sans intervalle. Une carte colorée donne l’impression de frontières nettes là où les probabilités varient progressivement.
La communication doit conserver au minimum :
- la nature du résultat ;
- les conditions ;
- l’incertitude ;
- le domaine de validité.
Simplifier est nécessaire. Effacer la structure conditionnelle du modèle est trompeur.
Les graphiques et visualisations
Une visualisation peut rendre les résultats plus compréhensibles. Elle peut également masquer les hypothèses.
Le choix :
- de l’échelle ;
- des couleurs ;
- des catégories ;
- de la période
modifie l’impression produite.
Une courbe lissée peut effacer les variations. Une échelle tronquée peut amplifier une différence. Une carte peut attribuer une valeur unique à une région très hétérogène. La visualisation fait partie du modèle et de son interprétation. Elle ne constitue pas un simple emballage neutre.
La fausse précision
Un modèle peut produire un résultat très détaillé :
12,347 %
Cette précision numérique peut dépasser largement la précision réelle des données et des hypothèses. Les décimales donnent une impression de maîtrise. Une présentation honnête adapte le nombre de chiffres à :
- l’incertitude ;
- la stabilité ;
- l’usage.
Il est parfois plus juste d’annoncer :
- un ordre de grandeur ;
- un intervalle ;
- plusieurs scénarios.
La précision du calcul ne doit pas être confondue avec la précision de la connaissance.
Modèle et vérité
Un modèle n’est généralement ni entièrement vrai ni simplement faux. Il peut être :
- exact sur une relation ;
- approximatif sur une autre ;
- utile dans une zone ;
- trompeur ailleurs.
Cette situation ne signifie pas que la vérité soit relative. Le modèle est évalué par rapport à un monde qui ne dépend pas de notre représentation. Mais la relation entre modèle et monde est partielle. Une représentation peut saisir correctement certains aspects sans épuiser la réalité. Le réalisme scientifique peut ainsi reconnaître que les modèles décrivent des structures réelles tout en restant :
- incomplets ;
- idéalisés ;
- révisables.
Modèle et métaphore
Certains modèles utilisent des métaphores :
- l’esprit comme ordinateur ;
- le cerveau comme réseau ;
- la société comme organisme.
Une métaphore peut orienter la recherche en mettant en évidence certaines ressemblances. Elle peut aussi devenir trompeuse si l’on oublie les différences. Dire que le cerveau traite de l’information ne signifie pas nécessairement qu’il fonctionne exactement comme un ordinateur numérique. Une métaphore scientifique doit être évaluée selon ce qu’elle permet de :
- découvrir ;
- formaliser ;
- tester.
Lorsqu’elle ne produit aucune distinction contrôlable, elle reste une image plutôt qu’un modèle scientifique complet.
La réification du modèle
La réification consiste à traiter une construction abstraite comme si elle constituait directement une chose autonome du monde.
Un score, une catégorie ou un indicateur devient alors la réalité elle-même. Par exemple :
« Le modèle dit que cette personne possède un risque de 72 %. »
Ce nombre dépend :
- d’une population ;
- d’une définition ;
- d’un contexte.
Il ne constitue pas une propriété physique fixe de la personne.
La réification efface le caractère construit et conditionnel de la mesure. Elle favorise une soumission excessive aux résultats numériques.
Les boucles de rétroaction
Lorsqu’un modèle guide les décisions, ses prédictions peuvent modifier les données futures. Si une zone est classée à risque, davantage de contrôles y sont envoyés. Davantage d’incidents y sont donc détectés. Les nouvelles données renforcent le classement initial. Le modèle peut alors produire une boucle :
- prédiction ;
- intervention ;
- production de données ;
- confirmation apparente.
Cette dynamique ne prouve pas nécessairement que la première classification était fausse. Elle montre que les données ultérieures ne sont plus indépendantes du modèle.
L’évaluation doit tenir compte des effets de la décision sur ce qui est mesuré.
Quand un modèle échoue
Un modèle peut échouer de plusieurs manières.
Mauvaise prédiction
Le résultat observé s’écarte des prévisions.
Mauvaise explication
Le modèle réussit à prévoir pour de mauvaises raisons.
Mauvaise généralisation
Il fonctionne dans une population et échoue dans une autre.
Mauvais usage
Il est appliqué à une question pour laquelle il n’a pas été conçu.
Mauvaise communication
Ses résultats conditionnels sont présentés comme certains.
Dire simplement :
« Le modèle s’est trompé »
ne permet pas de savoir quel problème doit être corrigé.
L’échec peut conduire à :
- recalibrer ;
- restreindre le domaine ;
- ajouter un mécanisme ;
- abandonner le modèle.
Un échec réfute-t-il le modèle ?
Un écart ponctuel ne suffit pas toujours à rejeter un modèle probabiliste. Si un modèle attribue 10 % de probabilité à un événement, cet événement peut se produire sans que le modèle soit réfuté. Il faut évaluer les performances sur une série de cas. Inversement, une réussite unique ne valide pas un modèle. Un événement improbable peut être correctement deviné par hasard. L’évaluation porte sur :
- la calibration ;
- la fréquence des erreurs ;
- la comparaison avec des modèles concurrents.
Un bon modèle probabiliste n’annonce pas toujours le résultat le plus fréquent. Il attribue des probabilités correctement calibrées aux différents résultats.
Modèles et crises
Les crises exposent les modèles à des situations différentes de celles ayant servi à leur construction.
Les comportements changent :
- les institutions réagissent ;
- les individus s’adaptent ;
- les relations historiques se rompent.
Un modèle économique ou social fondé sur une période stable peut devenir moins fiable. Cela ne signifie pas que la modélisation soit inutile en période de crise.
Il faut alors :
- multiplier les scénarios ;
- raccourcir les horizons ;
- actualiser fréquemment ;
- communiquer davantage l’incertitude.
La crise exige souvent plus de modélisation, mais moins de confiance dans un résultat unique.
Les modèles en temps réel
Certains modèles sont continuellement mis à jour à mesure que de nouvelles données arrivent. Cette adaptation permet de corriger rapidement les estimations. Elle peut aussi rendre difficile l’évaluation :
- le modèle change ;
- les paramètres évoluent ;
- les prévisions anciennes disparaissent.
Une bonne pratique conserve :
- les versions ;
- les prévisions antérieures ;
- les raisons des modifications.
Sans cette traçabilité, il devient facile de présenter après coup le modèle comme ayant toujours prévu le résultat.
La transparence temporelle est essentielle à l’apprentissage.
Décider avec plusieurs scénarios
Lorsque l’avenir dépend de variables très incertaines, produire une prévision unique peut être trompeur. Il est préférable de construire plusieurs scénarios :
- favorable ;
- central ;
- défavorable ;
- rupture.
L’objectif n’est pas de choisir arbitrairement l’un d’eux. Il est de chercher :
- les décisions efficaces dans plusieurs cas ;
- les signaux annonçant un scénario ;
- les options réversibles.
Cette approche transforme l’incertitude en structure de décision. Elle permet également de distinguer :
- ce qui dépend du monde ;
- ce qui dépend de nos choix.
Les scénarios catastrophes
Un scénario extrême peut être utile pour tester :
- la résilience ;
- les plans de secours ;
- les conséquences irréversibles.
Il ne doit pas être présenté comme le futur le plus probable simplement parce qu’il est spectaculaire.
L’importance d’un scénario dépend de deux dimensions :
- sa probabilité ;
- la gravité de ses conséquences.
Un événement peu probable peut justifier une préparation si ses dommages potentiels sont immenses. Mais imaginer une catastrophe ne suffit pas à établir que sa probabilité est significative.
Le scénario doit reposer sur une chaîne causale plausible.
Les scénarios optimistes
Les scénarios optimistes peuvent également être biaisés. Ils supposent parfois :
- une innovation rapide ;
- une coopération parfaite ;
- l’absence d’effets secondaires.
Ils peuvent être utiles pour identifier des objectifs.
Ils deviennent trompeurs lorsqu’ils sont présentés comme :
- spontanés ;
- gratuits ;
- inévitables.
Tout scénario doit expliciter :
- les conditions ;
- les ressources ;
- les obstacles.
L’optimisme et le pessimisme ne constituent pas en eux-mêmes des qualités scientifiques.
La question est la qualité de la justification.
La valeur comparative des scénarios
Un scénario n’est pas toujours évalué par sa capacité à prédire exactement l’avenir. Il peut être utile s’il révèle :
- une vulnérabilité ;
- un point de bascule ;
- une dépendance ;
- une décision robuste.
Un scénario qui ne se réalise pas peut avoir été utile si les mesures prises pour l’éviter ont contribué à ce résultat. Ce problème rend l’évaluation délicate. Une alerte efficace peut sembler rétrospectivement exagérée parce que l’action préventive a réduit le risque. Il faut donc comparer l’issue réelle au scénario contrefactuel sans intervention, ce qui demande encore un modèle.
Une méthode pratique pour évaluer un modèle
Identifier la question
Quel phénomène le modèle cherche-t-il à décrire, expliquer ou prévoir ?
Identifier le type de modèle
Est-il :
- conceptuel ;
- statistique ;
- mécaniste ;
- computationnel ;
- normatif ?
Examiner les variables
Quelles dimensions sont représentées et lesquelles sont ignorées ?
Repérer les idéalisations
Quelles hypothèses sont volontairement irréalistes ?
Vérifier les données
D’où viennent-elles ? Sont-elles représentatives et suffisamment fiables ?
Distinguer calibrage et validation
Le modèle est-il seulement ajusté aux données utilisées pour le construire ou testé sur de nouvelles observations ?
Examiner les erreurs
Quelles erreurs sont fréquentes, et où se concentrent-elles ?
Vérifier le domaine de validité
À quelles populations, échelles et périodes peut-il être appliqué ?
Étudier la sensibilité
Les résultats changent-ils fortement lorsque les hypothèses varient ?
Comparer aux alternatives
Le modèle fait-il mieux qu’une méthode plus simple ou qu’un modèle concurrent ?
Une méthode pratique pour évaluer une simulation
Identifier le modèle sous-jacent
La simulation repose-t-elle sur des lois, des règles comportementales ou des corrélations ?
Vérifier l’implémentation
Le code a-t-il été testé et comparé à des cas connus ?
Examiner les conditions initiales
Sont-elles mesurées ou supposées ?
Examiner les paramètres
Comment ont-ils été estimés ?
Identifier les sorties
Le résultat est-il une moyenne, un intervalle ou un cas particulier ?
Distinguer résultat interne et conclusion réelle
Que montre la simulation dans le modèle, et pourquoi cela devrait-il s’appliquer au monde ?
Rechercher une validation indépendante
La simulation reproduit-elle des observations qu’elle n’a pas servi à ajuster ?
Examiner les scénarios alternatifs
D’autres hypothèses produisent-elles une conclusion différente ?
Vérifier la robustesse
Quels résultats restent stables ?
Adapter la confiance à l’usage
La précision est-elle suffisante pour la décision envisagée ?
Une méthode pratique pour évaluer un scénario
Identifier sa nature
S’agit-il d’une prédiction, d’une projection conditionnelle ou d’une exploration ?
Expliciter les hypothèses
Quelles conditions doivent être réunies ?
Examiner la plausibilité
Chaque étape de la chaîne causale est-elle justifiée ?
Comparer plusieurs scénarios
Pourquoi celui-ci serait-il plus important qu’un autre ?
Séparer probabilité et gravité
Un scénario grave n’est pas nécessairement probable.
Identifier les indicateurs précurseurs
Quels signes montreraient qu’il commence à se réaliser ?
Chercher les décisions robustes
Quelles actions restent utiles sous plusieurs futurs ?
Examiner la réversibilité
Peut-on adapter la décision à mesure que de nouvelles données arrivent ?
Éviter la narration excessive
Le récit contient-il davantage de détails que les preuves ne le permettent ?
Prévoir une révision
Quand et comment le scénario sera-t-il réévalué ?
Questions à poser devant un résultat de modèle
- Quel est l’objectif exact du modèle ?
- Quelles variables sont incluses ?
- Quelles variables sont ignorées ?
- Quelles hypothèses sont les plus importantes ?
- Le modèle est-il explicatif ou seulement prédictif ?
- Sur quelles données a-t-il été calibré ?
- A-t-il été validé sur des données indépendantes ?
- Quelle est sa marge d’erreur ?
- Où produit-il ses erreurs les plus graves ?
- Les résultats sont-ils sensibles à certains paramètres ?
- Quel est son domaine de validité ?
- Le résultat est-il une prédiction, une projection ou un scénario ?
- Existe-t-il plusieurs modèles concurrents ?
- Quel résultat reste robuste à travers ces modèles ?
- Quelles valeurs ou décisions normatives sont intégrées ?
- Quelle conclusion peut réellement être tirée ?
Erreurs fréquentes
Croire qu’un modèle doit reproduire tous les détails du réel
La sélection et la simplification sont nécessaires à sa fonction.
Rejeter un modèle parce qu’une hypothèse est irréaliste
Une idéalisation peut être utile si elle conserve la relation pertinente.
Accepter toutes les simplifications sans examiner leurs effets
Une hypothèse négligée peut devenir décisive hors du domaine prévu.
Confondre modèle et théorie complète
Un modèle est souvent une application partielle ou locale.
Confondre ajustement et validation
Reproduire les données utilisées pour la construction ne garantit pas la généralisation.
Croire qu’un ajustement parfait indique nécessairement un meilleur modèle
Il peut révéler un surajustement.
Utiliser les mêmes données pour construire et valider sans le signaler
L’indépendance du test est alors réduite.
Confondre vérification du code et validation du modèle
Un programme sans bug peut représenter incorrectement le monde.
Présenter une simulation comme une observation directe
La simulation est une expérience sur une représentation.
Croire que la puissance informatique compense de mauvaises hypothèses
L’ordinateur calcule précisément ce qui lui est demandé.
Confondre prédiction, projection et scénario
Une conclusion conditionnelle ne constitue pas automatiquement une prévision.
Présenter un scénario comme certain parce qu’il est détaillé
La richesse narrative peut masquer la faiblesse des preuves.
Confondre possibilité et probabilité
Un scénario concevable peut rester extrêmement improbable.
Confondre gravité et probabilité
Un risque grave mérite attention sans devenir automatiquement probable.
Utiliser uniquement un scénario central
Il peut masquer des incertitudes structurelles importantes.
Donner une valeur unique sans intervalle
La précision apparente peut dépasser la connaissance réelle.
Interpréter un intervalle comme contenant toutes les possibilités
Il dépend des hypothèses du modèle.
Croire qu’un désaccord entre modèles invalide toute modélisation
Il peut révéler une incertitude réelle et identifiable.
Moyenner mécaniquement des modèles très différents
La moyenne peut cacher des mécanismes et des erreurs incompatibles.
Compter plusieurs modèles dépendants comme des confirmations indépendantes
Ils peuvent partager les mêmes données et hypothèses.
Appliquer un modèle hors de son domaine de validité
L’extrapolation augmente l’incertitude.
Supposer qu’une relation observée restera stable après une intervention
Les comportements et institutions peuvent s’adapter.
Confondre corrélation prédictive et causalité
Prévoir une variable ne signifie pas savoir comment la modifier.
Prendre une réussite prédictive pour une explication correcte
Le modèle peut fonctionner pour de mauvaises raisons.
Prendre une mauvaise prédiction isolée pour une réfutation définitive
Un modèle probabiliste doit être évalué sur plusieurs cas.
Prendre une réussite isolée pour une validation
La chance peut produire une bonne réponse.
Juger seulement la performance moyenne
Les erreurs rares peuvent être les plus dangereuses.
Oublier les sous-groupes
Un modèle globalement performant peut échouer systématiquement pour certaines populations.
Confondre nombre de données et représentativité
Une grande base biaisée reste biaisée.
Croire qu’un modèle numérique est neutre parce qu’il utilise des mathématiques
Les variables, objectifs et seuils résultent de choix.
Confondre optimisation et bonne décision
Optimiser un indicateur peut négliger d’autres valeurs importantes.
Traiter une variable de substitution comme le phénomène lui-même
L’indicateur n’épuise pas l’objectif.
Réifier un score
Un nombre probabiliste n’est pas une propriété fixe et indépendante du contexte.
Croire qu’un modèle complexe est nécessairement meilleur
La complexité peut augmenter le surajustement et l’opacité.
Croire qu’un modèle simple est nécessairement supérieur
Une simplification excessive peut supprimer un mécanisme essentiel.
Confondre opacité et absence totale de contrôle
Un modèle complexe peut être testé, même s’il reste difficile à interpréter.
Accepter l’opacité dans une décision grave sans procédure de contestation
La personne concernée doit pouvoir apporter une information absente du modèle.
Croire qu’une visualisation est neutre
Les choix graphiques influencent l’interprétation.
Présenter les résultats sans leurs conditions
La conclusion devient artificiellement catégorique.
Utiliser un modèle hors de la question pour laquelle il a été conçu
Une réussite dans une tâche ne garantit pas une utilité générale.
Confondre modèle normatif et constat scientifique
L’objectif optimisé dépend de valeurs.
Présenter une recommandation politique comme imposée par le modèle
Le modèle informe la décision ; il ne détermine pas seul les valeurs.
Oublier les effets performatifs
Une prédiction peut modifier le système qu’elle décrit.
Ignorer les boucles de rétroaction
Les décisions produites par le modèle peuvent créer les données qui le confirment.
Reconstruire le passé avec un modèle sans tester de prédictions nouvelles
La cohérence rétrospective peut produire une illusion de compréhension.
Considérer les modèles comme inutiles parce qu’ils sont toujours imparfaits
Une représentation partielle peut être suffisamment fiable pour un usage précis.
Considérer les modèles comme indiscutables parce qu’ils sont mathématiques
Les hypothèses et interprétations restent ouvertes à la critique.
À retenir
Un modèle scientifique est une représentation simplifiée construite pour décrire, expliquer, prévoir ou explorer un phénomène.
Il ne reproduit pas intégralement la réalité.
Il sélectionne certaines propriétés selon :
- une question ;
- une échelle ;
- un usage.
La simplification n’est pas nécessairement un défaut.
Une carte utile omet une grande partie du territoire.
Un modèle utile doit conserver les structures pertinentes pour sa fonction.
L’abstraction sélectionne certains aspects.
L’idéalisation représente volontairement un système d’une manière simplifiée ou parfaite.
Les idéalisations permettent d’isoler un mécanisme.
Elles deviennent dangereuses lorsque leurs résultats sont appliqués directement au monde sans examiner les écarts.
Un modèle peut être :
- matériel ;
- conceptuel ;
- mathématique ;
- statistique ;
- computationnel.
Ces formes sont souvent combinées.
Les modèles peuvent remplir plusieurs fonctions :
- description ;
- prédiction ;
- explication ;
- prescription.
Ces fonctions ne doivent pas être confondues.
Un modèle peut prévoir correctement sans expliquer le mécanisme.
Un modèle explicatif peut rester moins performant pour une prévision précise.
Les modèles mécanistes représentent les entités et activités responsables du phénomène.
Les modèles phénoménologiques décrivent les régularités sans nécessairement représenter la cause profonde.
Les deux peuvent être scientifiquement utiles.
Un modèle jouet démontre souvent qu’un mécanisme est possible.
Il ne prouve pas automatiquement que ce mécanisme existe réellement ou domine le phénomène étudié.
Les modèles statistiques interprètent les données à partir d’hypothèses.
Les données ne parlent pas seules.
Le résultat dépend :
- des variables ;
- de la population ;
- de la forme du modèle.
Le calibrage ajuste les paramètres d’un modèle.
La validation vérifie si le modèle fonctionne suffisamment bien sur le système réel pour l’usage prévu.
Un bon ajustement aux données passées ne garantit pas une bonne généralisation.
Le surajustement apparaît lorsqu’un modèle apprend le bruit particulier des données d’entraînement.
Il devient performant sur le passé observé et faible sur de nouveaux cas.
La validation indépendante réduit ce risque.
La vérification concerne la bonne implémentation informatique.
La validation concerne l’adéquation entre le modèle et le monde.
Un programme parfaitement codé peut implémenter un modèle inadéquat.
Un modèle n’est jamais validé de manière absolue.
Il est validé pour :
- une variable ;
- une échelle ;
- une précision ;
- un usage.
Une prédiction affirme qu’un résultat est attendu.
Une projection montre ce qui se produirait sous certaines hypothèses.
Un scénario explore une évolution possible et cohérente.
Une projection ou un scénario ne doit pas être présenté automatiquement comme une prévision certaine.
Un scénario peut être exploratoire ou normatif.
Le scénario exploratoire demande ce qui pourrait arriver.
Le scénario normatif cherche comment atteindre un objectif.
Une simulation fait évoluer un modèle selon des règles.
Elle constitue une expérience sur une représentation, non une observation directe du monde.
Les résultats d’une simulation dépendent :
- des hypothèses ;
- des données ;
- des paramètres ;
- du code.
La puissance de calcul ne remplace pas la validité du modèle.
Une simulation montre d’abord :
« Dans ce modèle, ces conditions produisent ce résultat. »
Il faut ensuite justifier son application au monde réel.
Les modèles à base d’agents représentent des entités individuelles et leurs interactions.
Ils permettent d’explorer l’apparition de phénomènes collectifs.
Les règles attribuées aux agents restent des simplifications qui doivent être comparées aux comportements réels.
Certains systèmes sont sensibles aux conditions initiales.
Une faible imprécision au départ limite les prévisions détaillées à long terme.
Cette limite n’implique pas une absence de connaissance des mécanismes généraux.
L’analyse de sensibilité examine comment les résultats changent lorsque les hypothèses ou paramètres varient.
Une conclusion stable sous plusieurs choix raisonnables est plus robuste.
L’incertitude d’un modèle peut venir :
- des données ;
- des paramètres ;
- de sa structure ;
- des conditions futures ;
- des calculs.
Ces incertitudes doivent être distinguées.
Une incertitude quantifiée est souvent une connaissance des limites, non un aveu d’ignorance totale.
Mais un intervalle calculé ne contient que les possibilités prévues par le modèle.
Plusieurs modèles peuvent être comparés.
Leur convergence renforce la confiance lorsque leurs méthodes et hypothèses sont suffisamment indépendantes.
Le pluralisme des modèles ne signifie pas que tous se valent.
Plusieurs représentations peuvent être légitimes parce qu’elles répondent à des questions ou travaillent à des échelles différentes.
Chaque modèle possède un domaine de validité.
Appliquer ses résultats à une autre population, période ou échelle constitue une extrapolation qui doit être justifiée.
Les événements extrêmes demandent une attention particulière.
Une bonne performance moyenne peut cacher des erreurs rares mais graves.
Les modèles normatifs incorporent des objectifs et des valeurs.
Le calcul peut montrer comment optimiser une variable.
Il ne décide pas quelle variable mérite d’être optimisée.
Un modèle peut informer une politique publique.
Il ne détermine pas à lui seul :
- les droits ;
- les priorités ;
- la répartition des risques.
Le choix des indicateurs influence ce que le modèle rend visible.
L’indicateur peut devenir l’objectif et transformer les comportements.
Certains modèles sont performatifs : leurs prédictions influencent le système qu’ils décrivent.
Les modèles d’intelligence artificielle apprennent des régularités dans les données.
Ils peuvent être prédictifs sans fournir une explication causale.
Leur validation doit examiner :
- les sous-groupes ;
- les changements de contexte ;
- les erreurs graves.
L’opacité d’un modèle n’annule pas toute possibilité de contrôle.
Mais une décision à conséquences importantes exige :
- validation ;
- surveillance ;
- explication utilisable ;
- contestation.
Une corrélation prédictive ne suffit pas à déterminer l’effet d’une intervention.
La causalité demande des hypothèses et des méthodes supplémentaires.
Les scénarios contrefactuels représentent ce qui se serait produit sous une autre décision.
Ils sont nécessaires à l’évaluation causale, mais ne sont jamais directement observés.
La simplicité est une vertu lorsqu’elle évite les hypothèses inutiles et le surajustement.
Elle ne doit pas supprimer les éléments réellement nécessaires.
Le meilleur modèle est souvent le plus simple parmi ceux qui remplissent correctement la fonction demandée.
Un modèle constitue une partie d’un argument.
Il comprend :
- une question ;
- des hypothèses ;
- des données ;
- un calcul ;
- une interprétation.
Il ne parle jamais entièrement seul.
Les choix de modélisation peuvent intégrer des valeurs.
Reconnaître ces choix ne rend pas le modèle arbitraire.
Cela exige :
- transparence ;
- justification ;
- critique.
La communication peut transformer un résultat conditionnel en affirmation catégorique.
Une présentation honnête conserve :
- les hypothèses ;
- l’incertitude ;
- le domaine de validité.
Les visualisations font partie de l’interprétation.
Le choix des échelles, couleurs et catégories peut modifier fortement l’impression.
La précision numérique d’un calcul ne garantit pas une connaissance aussi précise.
Le nombre de décimales doit rester proportionné à l’incertitude réelle.
Un modèle n’est généralement ni une copie parfaite du monde ni une fiction inutile.
Il peut représenter correctement certains aspects et en négliger d’autres.
Sa valeur dépend de la qualité de la relation qu’il construit avec la réalité.
Le modèle ne doit pas être réifié.
Un score ou une catégorie reste une construction dépendante :
- d’une définition ;
- d’une population ;
- d’un usage.
Lorsqu’un modèle guide une intervention, il peut modifier les données futures et produire une boucle de rétroaction.
Cette influence doit être intégrée dans son évaluation.
Un échec de modèle peut venir :
- d’une mauvaise hypothèse ;
- d’un mauvais paramètre ;
- d’un bug ;
- d’un usage hors domaine ;
- d’une mauvaise communication.
Il faut localiser l’erreur avant de rejeter ou de conserver le modèle.
Un modèle probabiliste peut produire occasionnellement une mauvaise prédiction sans être invalidé.
Il doit être évalué par :
- sa calibration ;
- ses performances répétées ;
- sa comparaison avec des alternatives.
Les crises limitent les modèles construits sur des périodes ordinaires.
Elles demandent souvent :
- plusieurs scénarios ;
- des mises à jour fréquentes ;
- une plus grande prudence.
Conserver les anciennes versions et prévisions permet d’évaluer honnêtement l’évolution du modèle.
Face à une incertitude profonde, plusieurs scénarios permettent d’identifier :
- des décisions robustes ;
- des indicateurs ;
- des options réversibles.
Un scénario catastrophe est utile pour tester la résilience.
Sa gravité ne constitue pas une preuve de probabilité.
Un scénario optimiste doit également expliciter :
- ses conditions ;
- ses coûts ;
- ses obstacles.
La conclusion la plus équilibrée est donc la suivante :
Les modèles scientifiques sont indispensables précisément parce que le réel est trop complexe pour être reproduit intégralement. Leur simplification permet d’isoler des relations, de tester des mécanismes, de prévoir et d’explorer des scénarios. Mais cette puissance dépend de la transparence des hypothèses, de la qualité des données, de la validation, de l’analyse des incertitudes et du respect du domaine d’application. Un modèle ne doit être ni rejeté parce qu’il est incomplet, ni traité comme une image totale et incontestable de la réalité.
La question centrale n’est finalement pas :
« Le modèle est-il la réalité ? »
mais :
« Quelle partie de la réalité représente-t-il, quelles dimensions laisse-t-il de côté, comment a-t-il été validé, et ses résultats sont-ils suffisamment robustes pour l’usage scientifique ou pratique que nous voulons en faire ? »
Repères et prolongements
Cette fiche permet notamment d’aborder les questions suivantes :
- Qu’est-ce qu’un modèle scientifique ?
- Pourquoi les sciences simplifient-elles nécessairement la réalité ?
- Quelle différence existe entre abstraction et idéalisation ?
- Une hypothèse irréaliste peut-elle produire de la connaissance ?
- Qu’est-ce qu’un modèle jouet ?
- Quelle différence existe entre modèle descriptif, prédictif, explicatif et normatif ?
- Qu’est-ce qu’un modèle mécaniste ?
- Un modèle peut-il prédire sans expliquer ?
- Comment un modèle statistique interprète-t-il les données ?
- Quelle différence existe entre calibrage et validation ?
- Qu’est-ce que le surajustement ?
- Pourquoi faut-il utiliser des données indépendantes ?
- Quelle différence existe entre vérification informatique et validation scientifique ?
- Qu’est-ce qu’une prédiction nouvelle ?
- Quelle différence existe entre prédiction, projection et scénario ?
- Qu’est-ce qu’un scénario exploratoire ?
- Qu’est-ce qu’un scénario normatif ?
- Comment fonctionne une simulation ?
- Une simulation constitue-t-elle une expérience ?
- Que peut réellement démontrer une simulation ?
- Qu’est-ce qu’un modèle à base d’agents ?
- Comment représenter les interactions individuelles et les phénomènes collectifs ?
- Pourquoi certains systèmes sont-ils difficiles à prévoir malgré des lois connues ?
- Qu’est-ce qu’une analyse de sensibilité ?
- Quelles sont les principales sources d’incertitude ?
- Que signifie la robustesse d’un résultat ?
- Comment comparer plusieurs modèles ?
- Pourquoi plusieurs modèles peuvent-ils être simultanément utiles ?
- Qu’est-ce qu’un domaine de validité ?
- Quels risques présente l’extrapolation ?
- Pourquoi les événements extrêmes doivent-ils être évalués séparément ?
- Comment les valeurs entrent-elles dans les modèles normatifs ?
- Un modèle peut-il imposer une décision politique ?
- Comment le choix d’un indicateur influence-t-il les résultats ?
- Qu’est-ce qu’un modèle performatif ?
- Comment les modèles algorithmiques apprennent-ils à partir des données ?
- Quelle différence existe entre prédiction et causalité ?
- Pourquoi l’opacité d’un modèle pose-t-elle un problème ?
- Que sont les scénarios contrefactuels ?
- Comment éviter les explications rétrospectives trop faciles ?
- La simplicité constitue-t-elle une preuve de vérité ?
- Les hypothèses d’un modèle doivent-elles être réalistes ?
- Comment un modèle devient-il un argument scientifique ?
- Les modèles sont-ils neutres ?
- Comment communiquer un résultat conditionnel ?
- Pourquoi les visualisations peuvent-elles orienter l’interprétation ?
- Qu’est-ce que la fausse précision ?
- Pourquoi un modèle ne doit-il pas être réifié ?
- Comment les prédictions peuvent-elles modifier le système étudié ?
- Comment analyser l’échec d’un modèle ?
- Comment évaluer un modèle probabiliste ?
- Comment modéliser une crise ou une rupture ?
- Pourquoi conserver l’historique des prévisions ?
- Comment décider à partir de plusieurs scénarios ?
- Comment évaluer un scénario catastrophe sans le confondre avec une prédiction ?
- Qu’est-ce qu’une décision robuste face à l’incertitude ?
Quelques références
- Mary Hesse, *Models and Analogies in Science*.
- Max Black, *Models and Metaphors*.
- Ronald Giere, *Explaining Science* et *Scientific Perspectivism*.
- Margaret Morrison et Mary Morgan, *Models as Mediators*.
- Mary Morgan, *The World in the Model*.
- Roman Frigg et Stephan Hartmann, travaux sur les modèles scientifiques.
- Michael Weisberg, *Simulation and Similarity*.
- William Wimsatt, *Re-Engineering Philosophy for Limited Beings*.
- Richard Levins, « The Strategy of Model Building in Population Biology ».
- Nancy Cartwright, *How the Laws of Physics Lie* et *The Dappled World*.
- Bas van Fraassen, *The Scientific Image*.
- Ian Hacking, *Representing and Intervening*.
- Peter Godfrey-Smith, *Theory and Reality*.
- Carl Craver, *Explaining the Brain*.
- Stuart Glennan, travaux sur les mécanismes scientifiques.
- James Woodward, *Making Things Happen*.
- Judea Pearl et Dana Mackenzie, *The Book of Why*.
- George Box, travaux sur les modèles statistiques et leur caractère approximatif.
- Peter Kennedy, travaux sur la modélisation économique appliquée.
- George Saltelli et collaborateurs, travaux sur l’analyse de sensibilité.
- Naomi Oreskes, Kristin Shrader-Frechette et Kenneth Belitz, « Verification, Validation, and Confirmation of Numerical Models in the Earth Sciences ».
- Eric Winsberg, *Science in the Age of Computer Simulation*.
- Paul Humphreys, *Extending Ourselves*.
- Wendy Parker, travaux sur les simulations et les modèles climatiques.
- John Sterman, *Business Dynamics*.
- Joshua Epstein, travaux sur les modèles à base d’agents.
- Thomas Schelling, *Micromotives and Macrobehavior*.
- Donella Meadows, *Thinking in Systems*.
- Edward Lorenz, travaux sur le chaos et la prévisibilité.
- Benoît Mandelbrot, travaux sur les structures complexes et les phénomènes d’échelle.
- Daniel Kahneman, Olivier Sibony et Cass Sunstein, *Noise*.
- Philip Tetlock et Dan Gardner, *Superforecasting*.
- Nassim Nicholas Taleb, *The Black Swan*, à confronter aux critiques de ses propositions.
- Gerd Gigerenzer, *Risk Savvy*.
- David Spiegelhalter, *The Art of Statistics*.
- Cathy O’Neil, *Weapons of Math Destruction*.
- Frank Pasquale, *The Black Box Society*.
- Arvind Narayanan et Sayash Kapoor, *AI Snake Oil*.
- Solon Barocas, Moritz Hardt et Arvind Narayanan, *Fairness and Machine Learning*.
- Zachary Lipton, « The Mythos of Model Interpretability ».
- Finale Doshi-Velez et Been Kim, travaux sur l’interprétabilité des modèles.
- Theodore Porter, *Trust in Numbers*.
- Alain Desrosières, *La Politique des grands nombres*.
- James C. Scott, *Seeing Like a State*.
- Jerry Muller, *The Tyranny of Metrics*.