Plusieurs preuves — quand l’accumulation devient convaincante

Une preuve isolée est souvent ambiguë. Un symptôme possède plusieurs causes possibles, un témoin peut se tromper, une étude peut produire un résultat accidentel, une mesure peut être affectée par une erreur. Pourtant, plusieurs éléments modestes peuvent finir par former un ensemble beaucoup plus convaincant. C’est l’une des intuitions centrales du raisonnement bayésien : les preuves s’accumulent.

Mais cette accumulation ne fonctionne pas comme un simple compteur. Dix éléments ne valent pas nécessairement dix preuves. Tout dépend de leur force, de leur direction et surtout de leur dépendance. Dix observations provenant de dix mécanismes indépendants peuvent considérablement renforcer une hypothèse ; dix répétitions de la même erreur peuvent donner seulement l’illusion d’une confirmation massive.

La bonne question n’est donc pas seulement : combien de preuves avons-nous ? Elle est : quelle quantité d’information réellement nouvelle chacune apporte-t-elle ?

Une seule preuve faible peut apprendre peu

Supposons que nous comparions deux hypothèses, H1 et H2. Une première observation E1 possède un rapport de vraisemblance de 2 en faveur de H1.

Elle est donc deux fois plus attendue sous H1 que sous H2.

C’est bien une preuve, mais elle reste modeste. Si les deux hypothèses étaient initialement équiprobables, les odds passeraient de :

1 : 1

à

2 : 1.

Cela correspond à une probabilité d’environ 67 % pour H1.

Nous avons appris quelque chose, mais nous sommes loin d’une certitude.

Supposons maintenant qu’une deuxième observation indépendante possède elle aussi un rapport de vraisemblance de 2. Les odds deviennent :

1 × 2 × 2 = 4 : 1,

soit 80 %.

Une troisième preuve comparable :

1 × 2 × 2 × 2 = 8 : 1,

soit environ 89 %.

Puis une quatrième :

16 : 1,

soit environ 94 %.

Aucune observation n’était spectaculaire. C’est leur convergence progressive qui produit une forte modification de croyance.

Les petites preuves peuvent s’additionner en un résultat puissant

Cette logique est importante parce que nous imaginons parfois qu’une croyance rationnelle devrait reposer sur « la preuve décisive ».

Dans de nombreux domaines, une telle preuve n’existe pas.

Une enquête scientifique peut s’appuyer sur plusieurs expériences imparfaites. Une enquête historique peut combiner documents, témoignages, traces matérielles et cohérence chronologique. Un diagnostic peut émerger de plusieurs symptômes, examens et analyses dont aucun n’est suffisant isolément.

La force du dossier vient alors de l’accord entre plusieurs lignes de preuve.

En langage bayésien, chaque information modifie le posterior produit par les précédentes. Si plusieurs éléments favorisent systématiquement la même hypothèse, leur effet peut devenir très important.

Cela permet de comprendre pourquoi une conclusion peut être très solide sans reposer sur une observation unique qui, prise isolément, serait irréfutable.

L’accumulation n’est pas un vote

Il serait pourtant dangereux de compter simplement le nombre d’éléments favorables et défavorables.

Supposons que trois observations soutiennent H1 et une seule soutienne H2. Peut-on conclure que H1 « gagne 3 contre 1 » ?

Non.

La preuve en faveur de H2 pourrait être extrêmement forte, tandis que les trois éléments favorables à H1 seraient presque neutres.

Par exemple :

LR₁ = 1,2

LR₂ = 1,3

LR₃ = 1,1

en faveur de H1.

Le produit est environ :

1,72.

Supposons maintenant qu’une seule observation favorise H2 par un facteur de 20. Exprimée dans le sens H1 contre H2, son rapport vaut :

1/20 = 0,05.

Le poids total devient :

1,72 × 0,05 ≈ 0,086.

L’ensemble des preuves favorise alors fortement H2 malgré le fait que trois observations sur quatre semblaient aller dans le sens de H1.

La qualité compte davantage que le nombre.

Les preuves contradictoires ne s’annulent pas toujours parfaitement

Un dossier réel contient souvent des informations allant dans différentes directions.

Une étude favorise H1, une autre H2, un témoin soutient H1 mais une mesure technique semble affaiblir cette hypothèse.

Le raisonnement bayésien permet d’intégrer cette complexité sans exiger que toutes les données soient parfaitement cohérentes.

Supposons :

LR₁ = 5 en faveur de H1,

puis :

LR₂ = 0,5,

donc deux fois plus favorable à H2.

Le résultat combiné est :

5 × 0,5 = 2,5.

L’ensemble continue de favoriser H1, mais moins fortement qu’après la première preuve.

Une observation contradictoire ne « détruit » donc pas nécessairement tout le dossier. Elle réduit son poids selon sa propre force.

Cette logique est beaucoup plus fine qu’un raisonnement binaire où chaque anomalie obligerait soit à abandonner totalement l’hypothèse, soit à être ignorée.

Chaque preuve doit apporter quelque chose de nouveau

La multiplication des rapports de vraisemblance devient problématique lorsque les observations ne sont pas réellement distinctes.

Supposons qu’un témoin affirme avoir vu un événement. Dix journaux publient ensuite son récit. Si nous traitons chaque article comme une nouvelle preuve indépendante, nous multiplions artificiellement le soutien à l’hypothèse.

En réalité, les dix articles remontent à une seule observation initiale.

La question correcte est donc : après avoir appris ce que disait le premier article, qu’apprenons-nous réellement en lisant le deuxième ?

Si le deuxième ne fait que recopier le premier, presque rien.

En termes probabilistes, le rapport de vraisemblance de la deuxième publication conditionnellement à la première sera proche de 1.

Ce principe constitue une protection essentielle contre la fausse impression de consensus créée par la répétition.

Une convergence indépendante est beaucoup plus forte

Imaginons maintenant une situation différente.

Un premier laboratoire observe un phénomène avec une méthode donnée. Un second laboratoire, ignorant les résultats détaillés du premier, reproduit le phénomène avec un autre instrument. Une troisième équipe obtient une prédiction complémentaire à partir d’une technique différente. Enfin, une observation indépendante dans un autre domaine converge elle aussi vers la même hypothèse.

Ces quatre résultats ne sont pas nécessairement totalement indépendants, mais ils peuvent représenter plusieurs voies épistémiques distinctes.

Cette convergence est particulièrement précieuse parce qu’une erreur propre à une méthode devient moins capable d’expliquer l’ensemble.

Une contamination peut expliquer le premier laboratoire, mais probablement pas une mesure indépendante effectuée ailleurs avec un instrument différent. Un biais de codage peut affecter plusieurs analyses utilisant le même logiciel, mais moins facilement une observation reposant sur une technique sans rapport.

Plus les mécanismes d’erreur possibles diffèrent entre les preuves, plus leur convergence peut devenir informative.

La science cherche souvent des lignes de preuve convergentes

Cette logique explique pourquoi la solidité d’une conclusion scientifique ne dépend pas uniquement du nombre de publications.

Ce qui importe est notamment la diversité des méthodes, des populations, des équipes, des instruments et des prédictions testées.

Une théorie sur le climat, l’évolution biologique ou la structure d’un objet astronomique peut être soutenue par des observations provenant de domaines très différents. La force du dossier tient alors en partie au fait que des mécanismes d’erreur distincts devraient conspirer dans la même direction pour produire artificiellement toute la convergence observée.

William Whewell utilisait déjà au XIXe siècle l’expression consilience of inductions pour décrire ce phénomène : différentes classes de faits, initialement indépendantes, viennent soutenir une même théorie. La formulation n’est pas bayésienne au sens historique, mais l’intuition se traduit naturellement en termes probabilistes : des observations provenant de voies suffisamment distinctes peuvent produire un soutien cumulatif particulièrement puissant.

L’indépendance parfaite est rare

Il faut toutefois éviter d’exiger une indépendance absolue.

Deux preuves scientifiques peuvent partager certaines hypothèses théoriques. Deux méthodes peuvent utiliser le même étalon. Deux études peuvent être menées dans des institutions différentes tout en reposant sur des procédures statistiques similaires.

Cela ne signifie pas que leur convergence ne vaut rien.

L’indépendance est souvent une question de degré et de structure. Ce qui importe est de savoir quelles sources d’erreur sont partagées et lesquelles ne le sont pas.

Deux études réalisées sur des populations différentes mais avec le même questionnaire réduisent certaines incertitudes tout en conservant un risque commun lié à la mesure. Une troisième étude utilisant une méthode comportementale différente peut ajouter une ligne de preuve plus indépendante sur ce point précis.

L’évaluation sérieuse ne demande donc pas simplement : « indépendantes ou non ? », mais « indépendantes relativement à quelles erreurs possibles ? »

Les mêmes données analysées plusieurs fois ne deviennent pas plusieurs preuves

Un problème fréquent apparaît lorsqu’un même jeu de données produit de nombreux articles.

Supposons qu’une vaste base de données soit utilisée par dix équipes différentes. Chacune publie une analyse compatible avec la même hypothèse.

Il serait exagéré de considérer ces dix articles comme dix confirmations indépendantes au même titre que dix nouvelles expériences.

Ils peuvent apporter quelque chose : analyses différentes, tests de robustesse, méthodes statistiques concurrentes. Mais ils partagent tous la même source empirique primaire.

Si la base contient un biais d’échantillonnage ou une erreur de mesure, ces dix analyses peuvent le reproduire simultanément.

L’apparence d’une littérature abondante ne correspond donc pas nécessairement à une quantité équivalente de nouvelles données.

Cette distinction sera particulièrement importante lorsque nous aborderons la méthode scientifique et la réplication.

La réplication n’est pas une simple répétition

Une réplication possède une valeur particulière précisément parce qu’elle peut introduire de nouvelles données.

Mais toutes les réplications ne fournissent pas exactement le même type d’information.

Une réplication très fidèle permet de vérifier si le résultat original peut être retrouvé dans des conditions proches. Une réplication plus conceptuelle utilise une méthode différente pour tester la même idée générale. Les deux répondent à des questions légèrement différentes.

Plusieurs réplications réussies avec des équipes et des méthodes différentes peuvent donc renforcer fortement une conclusion, notamment parce qu’elles réduisent la plausibilité d’explications fondées sur une particularité du premier échantillon ou du premier protocole.

Mais une réplication ratée doit elle aussi être interprétée dans son contexte : puissance statistique, fidélité du protocole, hétérogénéité réelle de l’effet, biais possibles et qualité des deux études.

Encore une fois, il ne suffit pas de compter :

3 réplications réussies contre 2 échouées.

Il faut examiner la force et la qualité de chacune.

Les témoignages convergents

Le même principe s’applique aux témoignages.

Un seul témoin peut se tromper. Deux témoins indépendants racontant spontanément la même chose peuvent rendre l’événement beaucoup plus plausible.

Mais s’ils ont discuté ensemble avant d’être interrogés, leur concordance devient moins informative. Ils peuvent partager la même erreur.

La situation devient encore plus complexe lorsque l’information circule socialement : une rumeur initiale est racontée à plusieurs personnes qui la répètent ensuite comme si elles constituaient plusieurs sources.

Nous pouvons alors observer dix témoignages apparemment différents qui descendent tous d’une même origine.

C’est pourquoi, en histoire comme en journalisme, la critique des sources cherche à reconstruire leur généalogie : qui dépend de qui ? Quels témoignages sont réellement indépendants ? Quels documents se copient ?

Cette analyse est profondément compatible avec la logique bayésienne de l’accumulation des preuves.

Une source supplémentaire peut parfois compter énormément

La dépendance ne signifie pas qu’une deuxième source vaut toujours peu.

Supposons qu’une affirmation controversée provienne initialement d’un seul témoin. Un document daté antérieurement au témoignage est ensuite découvert dans des archives indépendantes et décrit précisément le même événement.

Cette deuxième source peut avoir une valeur considérable parce qu’elle ne pouvait raisonnablement pas avoir été contaminée par le premier témoignage.

La question n’est donc pas seulement « combien de sources ? », mais « quelles relations causales existent entre elles ? »

Un nouvel élément est puissant lorsqu’il est difficile d’expliquer sa présence comme simple conséquence des preuves déjà connues.

Les erreurs corrélées sont le véritable danger

Nous avons tendance à imaginer l’indépendance comme un problème abstrait de probabilités. Dans la pratique, il s’agit surtout de comprendre comment plusieurs éléments pourraient se tromper ensemble.

Si cinq capteurs sont fabriqués avec le même défaut de conception, ils peuvent tous produire la même erreur.

Si dix analystes utilisent la même base biaisée, leurs conclusions peuvent converger pour la même mauvaise raison.

Si plusieurs médias dépendent d’une seule source erronée, leur unanimité n’est pas étonnante.

Si différentes études emploient le même instrument de mesure défectueux, leurs résultats concordants ne constituent pas des confirmations totalement indépendantes.

La convergence devient beaucoup plus convaincante lorsque nous devons inventer plusieurs erreurs différentes pour expliquer pourquoi toutes les preuves pointent dans la même direction.

Plusieurs preuves faibles ne deviennent pas automatiquement fortes

Il faut aussi éviter un autre raccourci : « beaucoup de petites preuves finissent toujours par devenir convaincantes ».

Pas nécessairement.

Si chaque preuve possède un rapport de vraisemblance extrêmement proche de 1, leur accumulation peut demander un nombre immense d’observations pour devenir importante. Pire, si les rapports eux-mêmes sont mal estimés ou si les observations sont très dépendantes, la multiplication peut donner une illusion de force.

Supposons que cent indices soient chacun estimés à :

LR = 1,05.

S’ils étaient véritablement indépendants et correctement modélisés, leur produit serait :

1,05¹⁰⁰ ≈ 131.

Le soutien deviendrait effectivement considérable.

Mais cette conclusion repose entièrement sur deux hypothèses difficiles : que nous sachions réellement distinguer un LR de 1,05 de 1, et que les cent observations apportent chacune une information nouvelle.

Dans les raisonnements quotidiens, une telle précision est rarement disponible.

Le message pratique n’est donc pas « multipliez mentalement toutes vos petites impressions ». Il est : de nombreuses preuves modestes mais réellement distinctes peuvent finir par peser lourd.

Une preuve négative peut interrompre l’accumulation

Supposons qu’une série d’observations favorise progressivement H. Nous atteignons une forte confiance. Une nouvelle expérience produit ensuite un résultat extrêmement inattendu sous H mais naturel sous une hypothèse concurrente.

Cette preuve peut réduire brutalement les odds accumulées.

Par exemple, supposons que l’ensemble des preuves précédentes ait produit :

odds = 100 : 1 en faveur de H.

Une nouvelle observation possède :

LR = 0,01 en faveur de H, donc cent fois plus attendue sous l’alternative.

Les odds deviennent :

100 × 0,01 = 1 : 1.

Une seule preuve suffisamment forte peut donc compenser une longue série de preuves plus faibles.

Cette possibilité est essentielle : l’accumulation de connaissances ne doit jamais devenir une simple inertie qui protège définitivement une croyance.

Le poids total dépend toujours du modèle

Même lorsque les observations sont nombreuses, Bayes ne dispense pas de se demander si nous comparons les bonnes hypothèses.

Supposons que cent observations favorisent H1 contre H2. Le dossier paraît extrêmement puissant.

Mais si H3 explique encore mieux l’ensemble des données, la conclusion « H1 est vraie » reste injustifiée.

Nous pouvons seulement dire que les observations favorisent fortement H1 relativement à H2.

La multiplication des preuves ne corrige donc pas le problème d’un espace d’hypothèses mal construit.

Une grande quantité de données peut même rendre une conclusion erronée extrêmement précise lorsque le modèle est systématiquement inadéquat.

La quantité de preuves ne remplace jamais la qualité du problème posé.

L’accumulation comme architecture plutôt que comme pile

Une bonne métaphore consiste finalement à penser les preuves non comme une pile, mais comme une architecture.

Une pile devient plus grande à chaque élément ajouté, quelle que soit son origine. Une architecture dépend au contraire de la manière dont les éléments sont reliés.

Des preuves nombreuses mais toutes suspendues à la même hypothèse fragile forment une structure vulnérable. Des lignes de preuve différentes, reposant sur des méthodes et des sources d’erreur variées, peuvent se soutenir mutuellement de manière beaucoup plus robuste.

La question pertinente devient donc : si cette hypothèse était fausse, combien de mécanismes distincts faudrait-il invoquer pour expliquer malgré tout l’ensemble de ce que nous observons ?

Plus la réponse exige une combinaison improbable de coïncidences ou d’erreurs indépendantes, plus la convergence peut devenir forte.

Le réflexe d’autonomie intellectuelle

Lorsqu’un dossier paraît impressionnant parce qu’il contient « beaucoup de preuves », il faut apprendre à reconstruire sa structure.

Combien d’observations originales contient-il réellement ? Combien ne sont que des répétitions ? Plusieurs sources reposent-elles sur la même information ? Les méthodes sont-elles différentes ? Les erreurs possibles sont-elles corrélées ? Existe-t-il des preuves défavorables qui ont été écartées ? Les différents éléments testent-ils réellement la même hypothèse ?

Ces questions sont essentielles face aux articles de presse, aux controverses politiques, aux dossiers judiciaires, aux publications scientifiques et à la désinformation en ligne.

La répétition produit du volume. L’indépendance produit de l’information.

Nous pouvons désormais comprendre comment plusieurs preuves peuvent progressivement rendre une hypothèse convaincante. Mais tout repose sur un concept que nous avons jusqu’ici seulement esquissé : l’indépendance.

Car une même information comptée plusieurs fois peut produire une certitude artificielle tout aussi trompeuse qu’un mauvais prior ou une mauvaise vraisemblance.

Pour aller plus loin

  • Good, I. J. (1950). *Probability and the Weighing of Evidence*. Charles Griffin. Ouvrage classique sur l’accumulation et le poids des preuves dans une perspective bayésienne.
  • Howson, C., & Urbach, P. (2006). *Scientific Reasoning: The Bayesian Approach*, 3e éd. Open Court. Présentation du rôle de la confirmation cumulative et de l’indépendance dans l’inférence scientifique.
  • Whewell, W. (1840). *The Philosophy of the Inductive Sciences*. Source historique de la notion de consilience of inductions, selon laquelle des lignes d’enquête distinctes peuvent converger vers une même explication.
  • Joyce, J. M. « Bayes’ Theorem », *Stanford Encyclopedia of Philosophy*. Présentation de la mise à jour séquentielle et du rôle des rapports de vraisemblance dans l’accumulation bayésienne des preuves.
16 sur 35Retour à la catégorie