Prédire dans les sciences humaines : pourquoi est-il plus facile d’expliquer le passé que d’annoncer l’avenir ?
Le paradoxe de la connaissance rétrospective
Après une crise politique, une récession, une mobilisation sociale ou l’échec d’une réforme, les explications paraissent souvent nombreuses et convaincantes. On identifie les tensions accumulées, les erreurs des dirigeants, les changements économiques, les institutions fragiles et les événements déclencheurs. Une fois le résultat connu, les causes semblent former une trajectoire cohérente. Pourtant, avant l’événement, peu d’analystes avaient annoncé avec précision ce qui allait se produire, à quel moment, avec quelle intensité et sous quelle forme.
Cette différence ne prouve pas que les explications rétrospectives sont nécessairement fausses. Elle révèle une asymétrie fondamentale entre expliquer et prédire. Pour expliquer un événement passé, nous connaissons déjà le résultat, une grande partie de la séquence, les acteurs décisifs et les informations devenues pertinentes. Pour prévoir l’avenir, nous devons choisir parmi de nombreux futurs possibles sans savoir quelles causes deviendront dominantes, quelles interactions se produiront, quels événements imprévus modifieront la trajectoire et comment les acteurs réagiront aux prévisions elles-mêmes.
La question centrale n’est donc pas :
« Si une science ne prédit pas parfaitement, est-elle réellement scientifique ? »
mais :
« Quelles formes de prédiction sont raisonnablement possibles dans des systèmes composés d’acteurs réflexifs, d’institutions changeantes et de causalités multiples ? »
Prédire, prévoir et anticiper
Plusieurs opérations sont souvent regroupées sous le mot *prédiction*.
La prédiction précise
Elle annonce un événement déterminé :
Cet événement se produira à telle date, dans telles conditions.
La prévision probabiliste
Elle attribue une probabilité :
Cet événement possède environ 60 % de chances de se produire pendant cette période.
La projection
Elle prolonge une tendance sous certaines hypothèses :
Si les paramètres actuels restent stables, la population atteindra environ tel niveau.
Le scénario
Il décrit un futur possible construit autour d’un ensemble cohérent d’hypothèses.
L’anticipation stratégique
Elle cherche moins à prédire exactement qu’à préparer une organisation à plusieurs futurs plausibles.
Ces formes de connaissance ne doivent pas être évaluées selon le même critère.
Un scénario n’est pas faux parce qu’il ne s’est pas réalisé. Il peut avoir rempli sa fonction en révélant un risque, une vulnérabilité ou une décision possible.
Une prévision probabiliste ne peut pas être jugée uniquement sur un cas individuel. Un événement annoncé avec une probabilité de 20 % peut se produire sans que la prévision soit mauvaise.
La prédiction déterministe
Une prédiction déterministe affirme qu’un résultat se produira nécessairement si certaines conditions sont présentes. Cette forme convient à certains systèmes très stables ou fortement contraints. Elle est beaucoup plus difficile dans les sciences humaines. Même lorsque plusieurs facteurs favorisent un résultat, celui-ci peut être empêché par une décision, une innovation, une mobilisation, une information nouvelle ou un événement extérieur. Les phénomènes humains sont rarement le produit d’une seule cause suffisante. Une prédiction déterministe transforme souvent une tendance en destin. Elle confond :
- probabilité élevée ;
- nécessité.
La prédiction probabiliste
Une prévision probabiliste reconnaît qu’un même ensemble de conditions peut conduire à plusieurs résultats. Elle peut prendre la forme :
Dans les situations possédant ces caractéristiques, ce résultat devient plus probable.
Cette formulation est mieux adaptée aux systèmes sociaux. Mais elle soulève une difficulté : la probabilité peut-elle être estimée lorsque l’événement est rare, unique ou historiquement nouveau ?
Nous disposons parfois de nombreuses situations comparables : élections, comportements de consommation, défauts de paiement et transitions professionnelles. Dans d’autres domaines, les cas sont peu nombreux et très hétérogènes : effondrement d’un régime, guerre majeure et transformation technologique radicale. La précision probabiliste dépend de la qualité de la classe de référence.
La classe de référence
Pour estimer la probabilité d’un événement, nous cherchons généralement des cas comparables.
Si nous voulons prévoir l’échec d’une entreprise, nous pouvons examiner le taux d’échec d’entreprises similaires. Mais une situation appartient souvent à plusieurs classes :
- entreprises du même secteur ;
- entreprises du même âge ;
- entreprises du même pays ;
- entreprises de taille comparable.
Chaque classe fournit un taux différent. Le choix de la classe de référence peut donc modifier fortement la prévision. Une bonne analyse doit justifier :
- pourquoi ces cas sont comparables ;
- quelles différences restent importantes ;
- comment les taux de base sont ajustés.
Le taux de base
Le taux de base est la fréquence générale d’un événement dans une classe pertinente. Les personnes ont tendance à l’ignorer lorsqu’elles disposent d’un récit détaillé. Une entreprise possède un fondateur charismatique, une technologie originale et une équipe motivée. Ces éléments rendent son succès imaginable. Mais si la majorité des entreprises comparables échouent, ce taux de base doit recevoir un poids important. La prévision rationnelle combine :
- les informations particulières ;
- les régularités générales.
Un récit convaincant ne doit pas effacer la fréquence des échecs.
Prévision interne et prévision externe
Daniel Kahneman distingue notamment la vue interne et la vue externe.
Vue interne
Elle reconstruit le projet à partir de ses caractéristiques propres : le plan, l’équipe, les obstacles connus et les ressources.
Vue externe
Elle compare le projet à une classe de projets similaires.
La vue interne produit souvent des prévisions optimistes parce qu’elle se concentre sur le scénario de réussite envisagé.
La vue externe rappelle que des projets également convaincants ont rencontré des retards, des dépassements et des échecs.
Une prévision solide utilise les deux :
- commencer par le taux de base ;
- ajuster selon les particularités réellement pertinentes.
Explication et prédiction
Une théorie peut expliquer correctement un phénomène sans permettre une prédiction précise. Cette situation apparaît lorsque :
- plusieurs causes interagissent ;
- de petites différences modifient le résultat ;
- certaines informations ne deviennent visibles qu’après l’événement.
Un historien peut expliquer pourquoi un conflit a éclaté à partir d’une crise, d’alliances ou d’une décision particulière. Avant le conflit, il aurait fallu prévoir non seulement les tensions générales, mais aussi la décision exacte, le moment et les réactions successives. L’explication identifie les conditions et le mécanisme du résultat réel. La prédiction devait distribuer sa confiance entre plusieurs trajectoires encore ouvertes.
Une théorie prédictive peut être peu explicative
L’inverse est également possible. Un modèle peut prévoir correctement un comportement sans expliquer son mécanisme. Un algorithme peut identifier des régularités dans des achats, des déplacements et des défauts. Il peut produire une bonne prévision sans fournir une compréhension claire des causes. Cette distinction oppose souvent :
- précision prédictive ;
- interprétabilité causale.
Pour certaines décisions, prévoir suffit. Pour intervenir efficacement ou transférer le modèle dans un nouveau contexte, comprendre le mécanisme devient plus important.
Corrélation prédictive et causalité
Une variable peut être très utile pour prédire un résultat sans en être la cause. La présence de certains mots dans un dossier peut prédire une décision administrative parce qu’elle reflète indirectement le type de demande, l’institution et la population. Modifier ces mots ne modifierait pas nécessairement le résultat.
La prédiction répond :
Quels indices annoncent Y ?
La causalité répond :
Que se passerait-il si nous modifiions X ?
Confondre les deux peut conduire à des interventions inefficaces. Un facteur prédictif peut être un symptôme, une conséquence précoce ou un simple marqueur.
L’objectif de la prévision
Une prévision doit être évaluée selon son usage.
Cherche-t-on à :
- anticiper un volume ;
- décider d’un investissement ;
- prévenir un risque ;
- préparer plusieurs réponses ;
- identifier les cas nécessitant une attention ?
Une prévision utile pour répartir des ressources n’a pas besoin d’annoncer exactement chaque cas individuel. Une estimation du nombre global de demandes peut être correcte même si elle ne prédit pas précisément qui fera une demande. Il faut distinguer :
- prédiction agrégée ;
- prédiction individuelle.
Les régularités collectives sont souvent plus stables que les trajectoires personnelles.
Prédire les groupes et les individus
Supposons qu’un facteur double la probabilité d’un comportement rare, en la faisant passer de 1 % à 2 %. Cette différence peut être importante à l’échelle d’une population. Mais pour un individu appartenant au groupe exposé, la très grande majorité ne présentera toujours pas le comportement.
Une relation prédictive collective ne permet donc pas nécessairement une classification individuelle fiable. Cette distinction est essentielle dans les décisions concernant la sécurité, l’assurance, la santé et la justice.
Un modèle statistiquement informatif peut néanmoins produire de nombreux faux positifs.
Sensibilité, spécificité et taux de base
Un outil prédictif peut identifier une grande proportion des événements futurs tout en accusant à tort de nombreuses personnes. Lorsque le résultat est rare, même un modèle performant peut générer davantage de faux positifs que de vrais positifs. Il faut examiner :
- la sensibilité : combien de cas réels sont détectés ?
- la spécificité : combien de non-cas sont correctement écartés ?
- la valeur prédictive : parmi les alertes, combien correspondent réellement au résultat ?
Présenter seulement le taux global de précision peut masquer une performance médiocre sur la classe importante.
La calibration
Une prévision est bien calibrée lorsque les événements annoncés avec une probabilité donnée se produisent approximativement à cette fréquence. Parmi de nombreuses prévisions à 70 %, environ 70 % devraient se réaliser. La calibration ne demande pas d’avoir raison à chaque fois. Elle demande que la confiance annoncée corresponde au taux réel de réussite. Une personne peut être souvent correcte mais mal calibrée si elle exprime toujours une certitude absolue. La calibration encourage un langage gradué : possible, plausible, probable et très probable.
La résolution
La résolution mesure la capacité à distinguer les situations où l’événement est plus ou moins probable.
Un prévisionniste peut être bien calibré en annonçant toujours le taux moyen :
50 %.
Mais cette prévision est peu informative.
Une bonne prévision doit à la fois :
- être calibrée ;
- attribuer des probabilités différentes selon les situations.
Elle doit devenir plus confiante lorsqu’elle dispose d’indices réellement discriminants. L’idéal associe prudence et capacité de différenciation.
Les scores de prévision
Les prévisions probabilistes peuvent être évaluées par des scores qui récompensent :
- la justesse ;
- la calibration ;
- la précision.
Le score de Brier, par exemple, compare la probabilité annoncée au résultat observé. Une prévision à 90 % reçoit une pénalité importante si l’événement ne se produit pas. Ces outils permettent d’évaluer un grand ensemble de prévisions plutôt que de sélectionner après coup les succès spectaculaires et les erreurs oubliées. L’enregistrement préalable des prévisions est essentiel.
Les prévisions vagues
Certaines annonces paraissent exactes parce qu’elles sont formulées de manière vague :
Une période d’instabilité importante approche.
Cette phrase ne précise pas :
- l’intensité ;
- la période ;
- la région ;
- les critères de réussite.
Presque tout événement ultérieur peut être interprété comme une confirmation.
Une prévision scientifique ou professionnelle doit rendre explicites :
- l’événement ;
- l’horizon ;
- la probabilité ;
- les conditions ;
- le critère d’évaluation.
La précision augmente le risque d’erreur, mais rend l’apprentissage possible.
Les prévisions conditionnelles
Une prévision conditionnelle prend la forme :
Si A et B se maintiennent, alors Y devient probable.
Cette structure est souvent préférable dans les sciences humaines. Elle reconnaît que le futur dépend de décisions, d’institutions et de paramètres changeants. Mais elle peut devenir trop facilement immunisée contre l’échec. Après un résultat contraire, le prévisionniste affirme que la condition n’était finalement pas remplie. Les conditions doivent donc être :
- définies à l’avance ;
- mesurables ;
- réellement indépendantes du résultat.
Les projections
Une projection prolonge un modèle sous des hypothèses données. Elle ne prétend pas toujours annoncer ce qui se produira réellement. Par exemple :
Si les comportements, la mortalité et les migrations suivent telles hypothèses, la population évoluerait de cette manière.
La projection sert à comprendre :
- les conséquences d’une trajectoire ;
- la sensibilité aux paramètres ;
- les besoins futurs.
Le public la transforme parfois en prédiction certaine.
Une communication rigoureuse doit distinguer :
- résultat du modèle ;
- hypothèses ;
- probabilité de ces hypothèses.
Les scénarios
Un scénario décrit un futur possible et cohérent. Il ne cherche pas nécessairement le futur le plus probable.
Une analyse peut construire :
- scénario de continuité ;
- scénario de crise ;
- scénario de transformation.
Le but est de tester les décisions face à plusieurs configurations.
Un bon scénario doit être :
- plausible ;
- distinct ;
- causalement cohérent ;
- utile pour l’action.
Il ne doit pas devenir un récit de fiction détaché des contraintes connues.
La planification par scénarios
La planification par scénarios est utile lorsque :
- les probabilités sont très incertaines ;
- les conséquences sont importantes ;
- plusieurs ruptures sont possibles.
Elle demande :
- d’identifier les incertitudes majeures ;
- de construire plusieurs combinaisons cohérentes ;
- d’examiner les décisions robustes dans plusieurs futurs ;
- de définir des indicateurs précoces signalant une trajectoire.
Cette démarche remplace la recherche d’une prévision unique par une préparation structurée à l’incertitude.
Prévision ponctuelle et intervalle
Une prévision ponctuelle annonce une valeur unique :
Le résultat sera 4 %.
Elle donne une impression de précision.
Une prévision plus honnête fournit un intervalle :
Le résultat se situera probablement entre 2 % et 6 %.
L’intervalle doit refléter plusieurs incertitudes :
- mesure ;
- modèle ;
- paramètres ;
- événements futurs.
Un intervalle trop large devient peu utile. Un intervalle trop étroit transforme l’incertitude ignorée en fausse précision.
L’horizon temporel
La précision diminue généralement avec la distance temporelle. À court terme, certaines variables sont relativement connues : les règles, les personnes en fonction et les tendances récentes. À long terme, peuvent changer les technologies, les coalitions, les institutions, les valeurs et les comportements. Les erreurs s’accumulent. Une petite erreur sur un paramètre initial modifie les résultats ultérieurs. Toute prévision devrait donc annoncer son horizon et élargir son incertitude à mesure que celui-ci augmente.
La dynamique cumulative des erreurs
Une prévision à plusieurs étapes dépend de nombreuses estimations intermédiaires. Supposons qu’il faille prévoir :
- la croissance ;
- son effet sur l’emploi ;
- la réaction politique ;
- l’effet de la politique.
Chaque étape comporte une erreur. Même si chaque relation est raisonnablement connue, leur combinaison peut produire une grande incertitude finale. La précision apparente d’un modèle complexe peut masquer l’accumulation des marges d’erreur.
Les systèmes ouverts
Une expérience de laboratoire cherche à contrôler les influences extérieures. Une société est un système ouvert. Elle reçoit continuellement des informations, des innovations, des crises, des migrations et des influences internationales.
Une relation observée dans une période peut changer lorsqu’un élément extérieur intervient. Cette ouverture limite les prévisions fondées sur des mécanismes considérés isolément. Elle n’empêche pas toute régularité. Elle demande de préciser le domaine dans lequel le modèle reste applicable.
La complexité
Un système complexe comprend de nombreuses unités en interaction.
Ses propriétés peuvent inclure des rétroactions, des non-linéarités, de l’adaptation, de l’émergence et des seuils.
Une intervention faible peut ne produire presque aucun effet jusqu’à un point critique, puis déclencher une transformation importante. Inversement, une intervention forte peut être absorbée par des mécanismes de compensation. La complexité rend insuffisantes les extrapolations linéaires. Elle demande d’étudier :
- les interactions ;
- les boucles ;
- les seuils ;
- la résilience.
La non-linéarité
Dans une relation linéaire, doubler une cause double approximativement l’effet. Dans une relation non linéaire, l’effet peut s’accélérer, se saturer, changer de direction ou apparaître après un seuil.
Un mécontentement croissant ne produit pas nécessairement une mobilisation proportionnelle. Pendant longtemps, peu de personnes agissent. Puis une perception de basculement modifie rapidement les attentes. La prévision devient difficile parce que le système peut paraître stable juste avant une rupture.
Les seuils
Un seuil est un point au-delà duquel le fonctionnement change. Il peut concerner la capacité d’une institution, le nombre de participants, la confiance, la dette et la contagion d’un comportement. Le seuil exact est souvent difficile à connaître avant qu’il soit franchi. Il dépend parfois d’éléments non observables : les attentes, les croyances et les réseaux. Une analyse peut identifier un risque de seuil sans prévoir précisément le moment ou l’événement déclencheur.
Les cascades
Une cascade apparaît lorsque les décisions des uns modifient rapidement celles des autres.
Une personne adopte un comportement parce qu’elle observe :
- l’action ;
- le succès ;
- l’opinion apparente
des personnes précédentes.
Le résultat peut être une diffusion rapide d’une protestation, d’une innovation, d’une rumeur ou d’une panique. Avant le départ de la cascade, les préférences privées peuvent rester invisibles. Le système semble stable parce que chacun attend un signal.
Les préférences falsifiées
Timur Kuran a étudié les situations où les personnes expriment publiquement une préférence différente de leur opinion privée.
Elles peuvent soutenir publiquement un régime, une norme ou une politique par crainte de l’isolement, de la sanction ou du coût.
Un événement peut révéler que le soutien réel était plus faible qu’il ne paraissait.
Cette structure rend certaines ruptures difficiles à prévoir.
Les données publiques mesurent alors en partie :
- la conformité ;
- non l’adhésion privée.
L’adaptation des acteurs
Les acteurs sociaux apprennent. Ils observent les règles, les prévisions et les stratégies des autres. Ils modifient leur comportement pour profiter, résister, contourner ou se protéger.
Un modèle prédictif peut donc perdre de sa valeur après sa diffusion. Si une banque identifie une stratégie rentable, d’autres acteurs peuvent l’imiter et supprimer l’avantage. La stabilité d’une relation sociale dépend en partie de ce que les acteurs savent à son sujet.
La critique de Lucas
Robert Lucas a critiqué les prévisions économiques supposant que les comportements resteraient identiques après un changement de politique.
Une politique modifie les règles, les incitations et les anticipations.
Les personnes adaptent alors leurs décisions. Une relation observée sous un régime institutionnel peut ne plus être valable sous un autre. Cette critique de Lucas dépasse l’économie. Toute réforme importante peut invalider les comportements utilisés pour la prévoir.
La réflexivité
George Soros utilise le terme réflexivité pour décrire les situations où les croyances des acteurs influencent le réel qu’elles cherchent à comprendre.
Une anticipation de hausse peut provoquer des achats, qui produisent effectivement une hausse. Mais la hausse peut ensuite :
- renforcer l’anticipation ;
- attirer de nouveaux acteurs ;
- éloigner le prix de certaines conditions fondamentales.
Les croyances ne se contentent pas de représenter la réalité. Elles participent à sa transformation. La prévision devient alors une cause possible du phénomène prévu.
Les prophéties autoréalisatrices
Une prophétie autoréalisatrice contribue à produire l’événement annoncé. Une croyance sur la fragilité d’une institution peut provoquer des comportements qui la fragilisent réellement. Le processus peut être :
- prévision ou rumeur ;
- modification des attentes ;
- changement des comportements ;
- production du résultat.
Le succès de la prévision ne prouve pas nécessairement qu’elle décrivait correctement la situation initiale. Elle peut avoir modifié cette situation.
Les prophéties autoréfutantes
Une prévision peut aussi provoquer les mesures qui empêchent le résultat.
Une alerte crédible conduit à :
- renforcer une infrastructure ;
- changer une politique ;
- évacuer ;
- prévenir.
Lorsque le danger ne se réalise pas, certains concluent que l’alerte était fausse. Mais le non-événement peut être le résultat de l’action préventive. Évaluer la prévision demande donc de comparer le résultat observé à ce qui se serait produit sans réaction. Ce contrefactuel est souvent difficile à établir.
La performativité des modèles
Un modèle devient performatif lorsqu’il est intégré aux décisions qu’il cherche à prévoir.
Un classement peut modifier les investissements, les candidatures et les financements.
Ces réactions changent ensuite les données.
Un modèle prédictif peut ainsi contribuer à stabiliser une réalité correspondant à ses catégories. Mais la performativité n’est pas automatique. Elle dépend :
- de l’autorité du modèle ;
- de son usage ;
- des réactions ;
- des institutions.
La loi de Goodhart
La loi de Goodhart est souvent formulée ainsi :
Lorsqu’une mesure devient un objectif, elle cesse souvent d’être une bonne mesure.
Une organisation évaluée selon un indicateur adapte son comportement pour améliorer le score. Elle peut :
- déplacer les efforts ;
- sélectionner les cas faciles ;
- modifier l’enregistrement ;
- négliger les dimensions non mesurées.
Le modèle fondé sur l’indicateur perd alors sa relation initiale avec l’objectif réel. La prévision et l’évaluation changent l’objet mesuré.
Les ruptures structurelles
Une rupture structurelle apparaît lorsque les relations entre variables changent. Un modèle construit sur une période stable peut échouer après une réforme, une crise, une innovation ou un changement culturel. Les données anciennes restent correctement décrites. Mais elles ne représentent plus le processus actuel. La qualité rétrospective du modèle ne garantit donc pas sa validité future. Les prévisions doivent intégrer la possibilité que les paramètres ne soient pas constants.
Les changements de régime
Un même système peut fonctionner selon plusieurs régimes. Par exemple :
- croissance stable ;
- crise ;
- inflation élevée ;
- déflation.
Les relations entre variables peuvent différer selon le régime. Un modèle moyen mélange ces situations et devient peu fiable au moment où la transition est la plus importante. Prévoir le changement de régime est souvent plus difficile que prévoir les variations à l’intérieur d’un régime stable.
Les événements rares
Les événements rares sont particulièrement difficiles à prévoir.
Nous disposons de peu de cas pour estimer leur fréquence, leurs causes et leur distribution.
Pourtant, leurs conséquences peuvent être considérables. Le faible nombre d’observations conduit à une grande incertitude. Une longue période sans événement peut donner une impression trompeuse de sécurité. L’absence récente ne prouve pas l’impossibilité.
Les queues épaisses
Dans certaines distributions, les événements extrêmes sont plus fréquents que dans une distribution normale. On parle parfois de queues épaisses. Les moyennes et variances estimées à partir de petites séries deviennent alors fragiles. Un événement exceptionnel peut modifier fortement la moyenne, le risque et l’interprétation.
Les modèles supposant des variations ordinaires sous-estiment les extrêmes.
La gestion du risque doit donc parfois privilégier :
- robustesse ;
- marge de sécurité ;
- diversification
plutôt qu’une prévision centrale très précise.
Les « cygnes noirs »
Nassim Nicholas Taleb appelle cygne noir un événement :
- très difficile à prévoir ;
- aux conséquences importantes ;
- expliqué rétrospectivement comme s’il avait été prévisible.
Le concept attire l’attention sur le biais rétrospectif et les limites des modèles. Mais il peut être utilisé trop largement. Un événement n’est pas un cygne noir simplement parce qu’un individu ne l’avait pas prévu. Il faut demander :
- existait-il des alertes ?
- était-il considéré comme plausible ?
- l’imprévisibilité concernait-elle l’existence, le moment ou l’ampleur ?
Risque et incertitude
Frank Knight distingue le risque, auquel on peut attribuer des probabilités suffisamment fondées, de l’incertitude, où ces probabilités sont mal connues. Dans une loterie connue, le calcul du risque est possible. Dans une transformation historique sans précédent, la liste des futurs elle-même peut être incomplète. Cette distinction explique pourquoi certains nombres donnent une fausse impression de maîtrise. Attribuer exactement 12,4 % à un événement radicalement nouveau n’est pas nécessairement plus scientifique qu’annoncer une plage qualitative prudente.
L’incertitude profonde
Une incertitude est profonde lorsque les acteurs ne s’accordent pas sur :
- le modèle ;
- les probabilités ;
- les futurs possibles ;
- les valeurs.
Dans cette situation, choisir une prévision centrale peut être trompeur.
Il devient préférable de chercher des décisions :
- robustes dans plusieurs scénarios ;
- réversibles ;
- adaptables ;
- accompagnées d’indicateurs de révision.
La stratégie n’est plus :
Trouver la prévision parfaite.
Elle devient :
Limiter les dommages si plusieurs futurs différents se réalisent.
L’ignorance
L’incertitude porte sur des possibilités identifiées. L’ignorance concerne ce qui n’a même pas été envisagé. Une innovation inattendue, une interaction inconnue ou un nouvel acteur peut transformer le système. Il est impossible de construire un scénario détaillé pour chaque surprise imaginable. Une organisation peut néanmoins renforcer sa capacité à répondre à l’inconnu par :
- réserves ;
- redondance ;
- diversité ;
- apprentissage ;
- décentralisation.
La résilience complète la prévision.
Prévoir ou rendre robuste ?
Une politique optimisée pour le scénario considéré comme le plus probable peut être très fragile si ce scénario est faux.
Une politique robuste accepte parfois une performance un peu inférieure dans le cas central afin d’éviter une catastrophe dans d’autres cas. Cette distinction oppose :
- optimisation ;
- robustesse.
Dans les systèmes très incertains, une décision robuste peut être préférable à une décision théoriquement optimale mais sensible à de petites erreurs.
La résilience
La résilience est la capacité d’un système à :
- absorber un choc ;
- maintenir des fonctions essentielles ;
- se réorganiser.
Elle ne consiste pas à empêcher toute perturbation. Elle peut dépendre :
- de ressources de réserve ;
- de réseaux alternatifs ;
- d’une capacité locale d’adaptation ;
- d’un apprentissage rapide.
Une organisation résiliente reconnaît que certaines crises ne seront pas précisément prévues. Elle prépare les fonctions nécessaires plutôt qu’un scénario unique.
La redondance
L’efficacité maximale conduit parfois à supprimer les ressources inutilisées. Mais une capacité apparemment redondante peut devenir essentielle pendant une crise.
La redondance possède un coût en période normale. Elle réduit la fragilité face :
- aux erreurs de prévision ;
- aux pannes ;
- aux événements rares.
La décision dépend du coût relatif :
- du maintien de la réserve ;
- de l’échec du système.
Les signaux faibles
Un signal faible est un indice précoce d’une évolution possible. Il peut apparaître sous la forme d’un comportement minoritaire, d’une anomalie, d’une technologie émergente ou d’un changement de discours. Le problème est que de très nombreux signaux faibles ne deviennent jamais des tendances importantes. Après l’événement, les bons signaux paraissent évidents. Avant l’événement, ils sont noyés parmi de nombreuses fausses alertes. L’analyse doit donc suivre :
- leur multiplication ;
- leur cohérence ;
- leur mécanisme ;
- leur diffusion.
Le bruit
Le bruit correspond aux variations qui ne reflètent pas le signal recherché. Dans les données sociales, il peut venir d’erreurs de mesure, d’événements temporaires, de comportements aléatoires ou d’échantillons limités. Un modèle trop sensible au bruit produit des prévisions instables. Il décrit très bien le passé parce qu’il mémorise ses particularités. Il échoue sur de nouvelles données. Cette erreur est appelée surajustement.
Le surajustement
Un modèle surajusté incorpore trop précisément les accidents de l’échantillon utilisé pour le construire. Sa performance apparente est excellente sur les données anciennes. Elle chute sur les cas nouveaux. Le risque augmente lorsque :
- le nombre de variables est élevé ;
- l’échantillon est petit ;
- plusieurs modèles sont testés ;
- le meilleur est sélectionné après coup.
La validation hors échantillon est donc essentielle.
L’échantillon d’entraînement et l’échantillon de test
Pour évaluer honnêtement une prévision, il faut séparer :
- les données servant à construire le modèle ;
- les données servant à le tester.
Si le chercheur ajuste le modèle après avoir vu les résultats du test, ces données deviennent à leur tour des données d’entraînement. Il faut alors disposer d’un nouveau test indépendant. Cette logique vaut aussi pour les récits historiques. Une théorie élaborée pour expliquer un cas doit être confrontée à :
- un autre cas ;
- une nouvelle période ;
- une prédiction non utilisée pour sa construction.
La validation temporelle
Dans une prévision réelle, le modèle utilise le passé pour annoncer le futur. Une validation aléatoire mélange parfois des observations anciennes et récentes entre les groupes d’entraînement et de test. Elle peut surestimer la performance lorsque les relations évoluent dans le temps. Une validation temporelle respecte l’ordre :
- entraînement sur une période passée ;
- test sur une période ultérieure.
Cette méthode représente mieux la véritable difficulté de la prévision.
La fuite de données
Une fuite de données apparaît lorsqu’une information liée au résultat futur entre indirectement dans le modèle. Par exemple, une variable enregistrée après l’événement peut être utilisée par erreur comme prédicteur. La performance devient artificiellement élevée. Dans les données complexes, la fuite peut être difficile à repérer. Il faut vérifier pour chaque variable :
- à quel moment elle était disponible ;
- si elle aurait réellement été connue lors de la prévision.
La prévision rétrospective
Un chercheur peut appliquer un modèle aux données anciennes comme s’il avait prédit le résultat. Mais il connaît parfois déjà les événements, les variables importantes et les paramètres.
Cette connaissance influence la construction.
Une véritable évaluation demande :
- un modèle figé avant la période testée ;
- des données qui n’ont pas participé à sa conception ;
- un critère annoncé à l’avance.
Sans cela, la prévision rétrospective reste proche de l’explication ajustée.
Le biais de rétrospection
Après un événement, les personnes surestiment souvent la probabilité qu’elles lui auraient attribuée auparavant. Elles se souviennent :
- des signaux favorables ;
- moins des signaux opposés.
Elles reformulent leur opinion passée :
Je savais bien que cela finirait ainsi.
Pour étudier la qualité prédictive, il faut enregistrer les prévisions avant le résultat. La mémoire ne constitue pas un instrument fiable d’évaluation de ses propres anticipations.
L’illusion narrative
L’esprit humain construit facilement un récit cohérent à partir d’événements passés. La cohérence donne une impression de nécessité. Mais plusieurs récits peuvent expliquer le même résultat après coup. Une explication gagne en valeur lorsqu’elle :
- prédit des éléments nouveaux ;
- exclut certaines observations ;
- résiste à des cas indépendants.
Sans ce risque d’échec, la narration peut simplement organiser le passé sans révéler un mécanisme général.
L’histoire aurait-elle pu être différente ?
Une bonne explication historique doit reconnaître les alternatives réelles. Si plusieurs décisions étaient plausibles, le résultat n’était pas entièrement prévisible. L’explication peut néanmoins montrer pourquoi l’option réelle a finalement été choisie. La contingence ne supprime pas la causalité. Elle limite la force de la prédiction. Une théorie peut expliquer le chemin emprunté sans démontrer qu’il était le seul possible.
La prévision des tendances
Les tendances lentes sont souvent plus prévisibles que les événements ponctuels.
Une évolution démographique, éducative ou technologique peut posséder une certaine inertie. Mais une tendance n’est pas une loi. Elle peut être modifiée par une politique, une crise, une saturation ou une innovation.
Extrapoler une courbe suppose que les mécanismes qui la produisent resteront suffisamment stables. Cette hypothèse doit être examinée, non simplement présumée.
L’extrapolation linéaire
L’extrapolation linéaire prolonge le rythme récent. Elle est simple et parfois performante à court terme. Elle échoue lorsque :
- la croissance ralentit ;
- un seuil apparaît ;
- le système sature ;
- le contexte change.
Les récits de croissance exponentielle ou d’effondrement imminent reposent souvent sur une fenêtre temporelle trop courte.
Une prévision doit tester plusieurs formes :
- continuité ;
- ralentissement ;
- rupture.
Le retour à la moyenne
Une valeur exceptionnellement élevée est souvent suivie d’une valeur plus proche de la moyenne, même sans intervention particulière. Ce phénomène est appelé régression vers la moyenne. Une organisation adopte une réforme après une année très mauvaise. L’année suivante s’améliore en partie parce que la situation extrême avait peu de chances de se répéter. Attribuer toute l’amélioration à la réforme surestime son effet. La prévision doit distinguer :
- tendance durable ;
- fluctuation ;
- retour à la moyenne.
La saisonnalité
De nombreux phénomènes sociaux varient selon le jour, le mois, la saison, le cycle électoral et le calendrier scolaire.
Une hausse récente peut simplement refléter une régularité saisonnière. Comparer au mois précédent peut être trompeur. Il faut comparer :
- la même période ;
- plusieurs années ;
- les tendances sous-jacentes.
La saisonnalité constitue une source relativement prévisible, mais elle peut elle-même évoluer.
Les cycles
Certaines analyses cherchent des cycles réguliers dans l’économie, la politique et les conflits.
Des répétitions peuvent exister. Mais les cycles sociaux sont rarement aussi stables que les cycles astronomiques. Les institutions apprennent, les technologies changent et les politiques interviennent. Un motif observé sur quelques périodes peut être une coïncidence. La théorie doit expliquer le mécanisme reproduisant le cycle.
Les prévisions économiques
L’économie fournit de nombreuses prévisions parce que les décisions exigent des estimations concernant la croissance, l’inflation, l’emploi et les recettes.
Ces prévisions sont difficiles en raison des interactions internationales, des anticipations, des politiques et des révisions de données.
Elles peuvent néanmoins être utiles pour organiser des scénarios et des budgets.
Leur valeur doit être jugée comparativement :
- font-elles mieux qu’une extrapolation simple ?
- leurs intervalles sont-ils calibrés ?
- corrigent-elles leurs biais ?
Les prévisions électorales
Les élections offrent des événements répétés et des données relativement nombreuses :
- sondages ;
- résultats passés ;
- participation ;
- économie.
Les prévisions peuvent donc être raisonnablement précises à court terme. Mais elles restent sensibles :
- aux erreurs d’échantillonnage ;
- aux modèles de participation ;
- aux mouvements tardifs ;
- aux règles électorales.
Une probabilité de victoire n’est pas une projection de score. Un candidat peut avoir 70 % de chances de gagner tout en ne possédant qu’une faible avance attendue.
Les sondages et les prévisions
Un sondage mesure une opinion déclarée à un moment donné. Il ne prédit pas directement le résultat final.
La prévision ajoute des hypothèses sur :
- la participation ;
- les indécis ;
- les évolutions ;
- les erreurs systématiques.
Un sondage peut être exact et la prévision finale erronée si le comportement change. Inversement, un modèle peut compenser certaines erreurs individuelles en agrégeant plusieurs sondages. Il faut distinguer :
- mesure actuelle ;
- projection ;
- probabilité.
La prévision des comportements individuels
Les comportements individuels dépendent de facteurs nombreux et parfois instables.
Une personne peut modifier son choix à la suite d’une conversation, d’un événement ou d’une émotion.
Les modèles individuels sont donc souvent probabilistes. Ils peuvent être utiles pour classer des risques relatifs. Mais leur usage devient problématique lorsque la probabilité est transformée en certitude concernant une personne.
Une personne n’est pas la moyenne de son groupe.
La prédiction en justice et en sécurité
Les outils de prédiction des risques cherchent parfois à estimer :
- récidive ;
- non-présentation ;
- violence.
Ils peuvent améliorer certaines décisions par rapport à une intuition humaine non structurée. Mais ils soulèvent plusieurs problèmes :
- erreurs individuelles ;
- données historiques biaisées ;
- conséquences asymétriques ;
- difficulté de contestation.
Un modèle ne doit pas seulement être évalué par sa précision globale.
Il faut examiner :
- qui subit les faux positifs ;
- quelle décision en découle ;
- quelle possibilité de recours existe.
Prédiction et responsabilité
Une prévision probabiliste ne fournit pas automatiquement une justification morale ou juridique. Si une personne présente un risque estimé supérieur à la moyenne, cela ne signifie pas qu’elle a commis un acte ni qu’elle doit être traitée comme coupable. La décision doit distinguer :
- prévention ;
- preuve ;
- responsabilité.
Plus les conséquences sont graves, plus l’exigence de :
- transparence ;
- individualisation ;
- contestabilité
doit être forte.
Les prévisions médicales et sociales
Un pronostic peut aider à choisir un traitement, une surveillance et une prévention.
Mais la communication du risque influence le comportement du patient.
Une prévision peut motiver, décourager et modifier l’adhésion.
Le pronostic devient alors partiellement interactif. Il doit être présenté comme :
- un risque conditionnel ;
- non comme un destin personnel.
Les intervalles et les facteurs modifiables doivent être expliqués.
Les prévisions technologiques
Les prévisions technologiques sont difficiles parce que l’innovation dépend de découvertes, de financements, de réglementation, d’adoption et d’infrastructures. Une technologie peut exister sans se diffuser. Une autre peut être utilisée pour un objectif imprévu. Les prévisions surestiment souvent la rapidité à court terme et sous-estiment parfois les transformations de long terme. Cette formule générale ne constitue cependant pas une loi. Chaque technologie doit être étudiée selon :
- ses complémentarités ;
- ses coûts ;
- ses usages.
Les courbes d’adoption
L’adoption d’une innovation suit parfois une courbe en S :
- diffusion lente ;
- accélération ;
- saturation.
Cette structure peut aider à modéliser certaines technologies. Mais plusieurs innovations échouent avant l’accélération. Observer une croissance initiale ne suffit pas à savoir si elle atteindra une adoption massive. Il faut examiner :
- utilité ;
- coût ;
- réseau ;
- réglementation ;
- alternatives.
Le problème des innovations radicales
Une innovation radicale peut créer de nouveaux usages, de nouvelles institutions et de nouveaux marchés.
Les catégories utilisées pour prévoir l’ancien monde deviennent alors inadéquates. Une prévision fondée sur les comportements présents sous-estime les adaptations futures. Inversement, les récits de rupture technologique surestiment souvent la vitesse avec laquelle :
- les organisations ;
- les lois ;
- les habitudes
se transforment.
La possibilité technique n’est pas la diffusion sociale.
Les experts sont-ils meilleurs que le public ?
Les experts possèdent généralement une meilleure connaissance des données, des mécanismes et des contraintes.
Cela peut améliorer les prévisions. Mais l’expertise peut aussi produire :
- attachement à une théorie ;
- surconfiance ;
- difficulté à imaginer une rupture ;
- spécialisation étroite.
La qualité prédictive dépend donc moins du statut abstrait d’expert que de pratiques comme :
- calibration ;
- mise à jour ;
- comparaison ;
- enregistrement des erreurs.
Les hérissons et les renards
Philip Tetlock a popularisé une distinction entre :
- les hérissons, qui interprètent de nombreux événements à partir d’une grande idée ;
- les renards, qui utilisent plusieurs modèles partiels et adaptent leur jugement.
Dans ses travaux sur la prévision politique, les styles plus flexibles et prudents ont généralement mieux réussi que les visions très doctrinales. Cette distinction ne signifie pas que toute théorie générale est mauvaise. Elle souligne le danger de forcer chaque événement à entrer dans un seul cadre.
Les superprévisionnistes
Les « superprévisionnistes » étudiés dans certains tournois de prévision présentent souvent plusieurs habitudes :
- décomposer la question ;
- utiliser les taux de base ;
- mettre à jour fréquemment ;
- éviter les certitudes ;
- agréger plusieurs perspectives.
Leur performance ne repose pas sur un accès mystérieux au futur. Elle dépend d’une discipline du jugement. Ces méthodes fonctionnent surtout lorsque les questions sont :
- clairement définies ;
- résolues dans un délai raisonnable ;
- évaluables objectivement.
Elles sont moins directement applicables aux transformations historiques très ouvertes.
Décomposer les problèmes
Une question vague comme :
Une crise politique majeure va-t-elle se produire ?
peut être décomposée :
- soutien au gouvernement ;
- stabilité de la coalition ;
- mobilisation ;
- économie ;
- institutions de succession.
Chaque sous-question peut être mieux documentée. La décomposition ne garantit pas que la recombinaison soit simple. Les facteurs interagissent. Mais elle limite les jugements globaux fondés sur une impression générale.
Mettre à jour
Une prévision rationnelle doit évoluer avec les données.
Le prévisionniste doit préciser :
- quelles informations modifieraient son jugement ;
- dans quelle direction ;
- avec quelle ampleur.
Ne jamais changer d’avis peut signaler un dogmatisme. Changer radicalement à chaque nouvelle information peut signaler une réaction excessive au bruit. La mise à jour doit tenir compte :
- de la fiabilité de l’information ;
- de sa nouveauté ;
- de sa capacité discriminante.
Agréger les prévisions
La moyenne de plusieurs prévisions peut être meilleure que de nombreux jugements individuels. Cette amélioration dépend de :
- diversité ;
- indépendance ;
- information ;
- méthode d’agrégation.
Si tous les prévisionnistes utilisent la même source et le même modèle, leurs erreurs seront corrélées.
L’agrégation ne supprime pas le biais partagé. Elle devient plus utile lorsque les participants possèdent :
- des informations ;
- des perspectives ;
- des méthodes
partiellement différentes.
Les marchés prédictifs
Un marché prédictif permet aux participants d’échanger des contrats liés à un événement futur.
Le prix peut être interprété comme une probabilité collective approximative. Ces marchés agrègent des informations, de la confiance et des incitations.
Ils peuvent être utiles pour certaines questions bien définies.
Leurs limites comprennent :
- faible liquidité ;
- participation sélectionnée ;
- manipulation ;
- dépendance à la définition de l’événement.
Ils ne transforment pas l’incertitude profonde en risque parfaitement mesurable.
Les foules
La sagesse collective fonctionne lorsque :
- les jugements sont suffisamment indépendants ;
- les erreurs se compensent ;
- l’agrégation est correcte.
Elle échoue lorsque :
- les personnes s’imitent ;
- une information commune est fausse ;
- la polarisation domine ;
- une autorité oriente toutes les réponses.
Une foule peut être sage ou produire une cascade. La structure de l’information compte davantage que le nombre brut de participants.
L’intuition experte
Une intuition experte peut devenir fiable dans un environnement :
- suffisamment régulier ;
- offrant un retour rapide et précis ;
- permettant un apprentissage répété.
Un professionnel confronté à des situations comparables peut reconnaître des configurations sans expliciter toutes les étapes. Dans un environnement instable, rare ou sans retour clair, la confiance subjective n’est pas un bon indicateur de précision. La forte conviction peut refléter :
- la cohérence du récit ;
- non la qualité prédictive.
Les environnements bienveillants et trompeurs
Robin Hogarth distingue des environnements plus ou moins favorables à l’apprentissage.
Dans un environnement bienveillant :
- les régularités sont stables ;
- le retour est clair ;
- les erreurs sont visibles.
Dans un environnement trompeur :
- le retour est retardé ;
- les résultats sont ambigus ;
- la sélection masque les erreurs.
La prévision politique ou financière présente souvent des caractéristiques trompeuses. Les succès peuvent être dus au hasard et les erreurs rationalisées.
La surconfiance
La surconfiance apparaît lorsque la certitude subjective dépasse la précision réelle. Elle peut venir d’une expertise partielle, d’un récit cohérent, du prestige ou de l’absence de retour.
Les commentateurs publics sont parfois récompensés pour la clarté, la certitude et l’originalité.
Ils le sont moins pour une calibration prudente.
L’environnement médiatique peut ainsi sélectionner des styles peu adaptés à la bonne prévision.
Les incitations médiatiques
Une prévision modérée :
Ce résultat possède environ 55 % de chances.
est moins spectaculaire qu’une annonce :
Cela va inévitablement arriver.
Les médias valorisent souvent le conflit, la surprise et la certitude.
Une prévision extrême qui réussit devient célèbre. Les nombreuses prévisions extrêmes erronées sont oubliées. Ce biais de sélection donne l’impression que certains commentateurs possèdent un pouvoir prédictif exceptionnel.
L’évaluation des prévisionnistes
Pour évaluer une source, il faut disposer :
- de toutes ses prévisions ;
- de leur date ;
- de leur formulation ;
- de leur probabilité ;
- du critère de résolution.
Sélectionner quelques réussites ne suffit pas.
Il faut examiner :
- la calibration ;
- la résolution ;
- la comparaison avec des modèles simples ;
- la capacité de correction.
Une source fiable conserve un historique accessible de ses erreurs.
Le modèle naïf
Un modèle simple peut prévoir :
- que demain ressemblera à aujourd’hui ;
- qu’une tendance récente continuera à court terme ;
- que le taux de base restera proche.
Ces modèles naïfs sont parfois difficiles à battre. Un modèle complexe n’est utile que s’il améliore réellement la performance hors échantillon. La sophistication mathématique ne garantit pas un meilleur résultat. Toute nouvelle méthode devrait être comparée à une référence simple.
La combinaison de modèles
Plusieurs modèles capturent différents aspects :
- tendance ;
- saisonnalité ;
- mécanisme ;
- opinion experte.
Combiner leurs prévisions peut réduire le risque qu’une erreur particulière domine. Cette méthode est souvent appelée ensemble. Elle fonctionne mieux lorsque les modèles possèdent des erreurs différentes. Combiner plusieurs versions presque identiques apporte peu. La diversité méthodologique peut devenir une ressource prédictive.
La précision contre l’interprétabilité
Un modèle complexe peut prévoir légèrement mieux qu’un modèle simple, mais être difficile à comprendre.
Ce compromis devient important lorsque la prévision détermine une sanction, un droit ou un traitement.
Une légère amélioration moyenne justifie-t-elle une perte de :
- transparence ;
- contestabilité ;
- compréhension des erreurs ?
La réponse dépend de l’enjeu. L’interprétabilité possède une valeur pratique et démocratique, pas seulement scientifique.
La stabilité du modèle
Un modèle peut produire des prédictions très différentes après une petite modification des données, des variables et de l’échantillon.
Cette instabilité indique que le signal est fragile.
Il faut tester :
- plusieurs spécifications ;
- plusieurs périodes ;
- plusieurs sous-groupes.
Une prévision robuste ne dépend pas entièrement d’un choix technique arbitraire.
La dérive des données
Les populations et pratiques changent. Les données futures ne suivent plus exactement la distribution des données d’entraînement. Cette dérive peut venir d’une réforme, d’une nouvelle technologie, d’un changement de population ou de l’adaptation au modèle. Un système prédictif doit être surveillé après son déploiement. La validation initiale ne constitue pas une garantie permanente.
La boucle algorithmique
Un modèle sélectionne certaines personnes pour un contrôle, une aide et une surveillance.
Les résultats observés proviennent ensuite davantage de ces personnes. Les nouvelles données confirment apparemment le modèle. Cette boucle peut amplifier un biais initial. Par exemple, davantage de contrôle produit davantage de détection, même si le comportement réel n’est pas plus fréquent. La prévision modifie la production de ses propres données.
Les données manquantes
Les données absentes ne le sont pas toujours au hasard.
Certaines personnes sont moins observées, interrogées et enregistrées.
Un modèle apprend alors surtout sur les groupes visibles.
L’absence d’information peut elle-même refléter une exclusion, un non-recours et une absence de contrôle.
Une prévision ne peut être plus complète que son système de collecte.
Les catégories changeantes
Un phénomène peut changer de définition au cours du temps.
Les données semblent alors évoluer alors qu’une partie de la variation vient du codage, du diagnostic, de la loi et de la déclaration.
Un modèle entraîné sur une ancienne catégorie peut mal prédire la nouvelle. La continuité du mot ne garantit pas la continuité de l’objet mesuré.
La prévision comme intervention politique
Une prévision publique peut être utilisée pour justifier une politique, mobiliser, rassurer et alarmer.
Le choix de publier une prévision n’est donc pas neutre.
Une institution doit distinguer :
- estimation scientifique ;
- communication ;
- stratégie.
Cacher l’incertitude pour obtenir une réaction peut améliorer l’action à court terme, mais dégrader la confiance si la prévision échoue.
Communiquer l’incertitude
Communiquer une probabilité est difficile.
Le public peut interpréter :
70 % de chances
comme :
Cela se produira certainement.
Si l’événement ne se réalise pas, la prévision est jugée fausse.
Une bonne communication peut utiliser :
- fréquences naturelles ;
- scénarios ;
- intervalles ;
- comparaisons.
Par exemple :
Sur dix situations comparables, environ sept produiraient ce résultat.
La formulation doit éviter à la fois la fausse certitude et le flou paralysant.
L’incertitude ne signifie pas ignorance totale
Dire qu’un résultat est incertain ne signifie pas que toutes les issues sont également probables.
Une analyse peut établir que :
- certains scénarios sont très improbables ;
- certains mécanismes sont déjà actifs ;
- certains risques méritent une préparation.
La prudence ne doit pas effacer les connaissances disponibles.
Une institution peut agir sous incertitude en proportionnant :
- l’intervention ;
- la réversibilité ;
- le suivi.
La précaution
Le principe de précaution conseille parfois d’agir malgré une incertitude lorsque le dommage potentiel est grave. Mais il ne fournit pas une règle automatique. Toute action comporte aussi des risques. Il faut comparer :
- dommage de l’inaction ;
- dommage de l’intervention ;
- probabilité ;
- réversibilité ;
- distribution des conséquences.
La précaution rationnelle ne consiste pas à empêcher tout risque imaginable. Elle organise la décision face à des risques graves et mal connus.
Le coût des faux positifs et faux négatifs
Une prévision peut produire deux grandes erreurs.
Faux positif
Prévoir un événement qui ne se produit pas.
Faux négatif
Ne pas prévoir un événement qui se produit.
Le meilleur seuil dépend du coût relatif de ces erreurs. Pour un danger catastrophique, accepter davantage de fausses alertes peut être rationnel. Pour une décision privant une personne d’un droit, un faux positif peut être particulièrement grave. Le choix du seuil est donc partiellement normatif.
La matrice de décision
Une décision sous incertitude doit distinguer :
- probabilité ;
- gravité ;
- coût de l’action ;
- coût de l’erreur.
Une faible probabilité peut justifier une action si :
- le dommage est très grave ;
- la prévention est peu coûteuse ;
- l’action est réversible.
Inversement, une probabilité assez élevée ne justifie pas toujours une intervention lourde si les conséquences de l’intervention sont elles-mêmes importantes.
La prévision ne décide pas seule.
La valeur de l’information
Une information nouvelle possède une valeur si elle peut modifier une décision. Il est parfois rationnel de retarder une action pour :
- mesurer ;
- expérimenter ;
- consulter.
Mais attendre possède également un coût.
La valeur de l’information dépend :
- de la probabilité qu’elle change le choix ;
- de l’amélioration attendue ;
- du coût du délai.
Une recherche supplémentaire n’est pas toujours préférable à une décision immédiate.
L’actualisation adaptative
Une politique adaptative prévoit dès le départ plusieurs étapes :
- décision initiale prudente ;
- collecte de données ;
- seuils de révision ;
- ajustement.
Cette approche reconnaît que la prévision initiale sera imparfaite. Elle transforme la politique en processus d’apprentissage. Mais elle exige :
- des données rapides ;
- une gouvernance claire ;
- une capacité réelle à changer de direction.
Sans cela, l’adaptation reste un principe abstrait.
Les indicateurs précurseurs
Un indicateur précurseur change avant le phénomène d’intérêt. Il peut aider à détecter :
- ralentissement ;
- tension ;
- rupture.
Mais sa relation peut se dégrader lorsque les acteurs apprennent à l’utiliser ou lorsque le système change.
Un indicateur doit être évalué :
- hors échantillon ;
- dans plusieurs périodes ;
- selon son mécanisme.
Une corrélation historique spectaculaire ne suffit pas à établir une capacité prédictive durable.
Les tableaux de bord
Un tableau de bord rassemble plusieurs indicateurs plutôt que chercher un signal unique. Il peut couvrir :
- activité ;
- confiance ;
- capacité ;
- vulnérabilité.
Cette diversité réduit la dépendance à une mesure fragile. Mais un grand nombre d’indicateurs peut produire des contradictions, une sélection opportuniste et une surcharge.
Le tableau doit préciser :
- la fonction de chaque indicateur ;
- les seuils ;
- les règles de décision.
Les alertes
Une alerte transforme un signal en appel à l’action.
Le seuil doit équilibrer :
- détection ;
- fausses alertes.
Trop d’alertes conduisent à une fatigue : les personnes cessent d’y prêter attention. Un système performant statistiquement peut devenir inefficace s’il produit un volume d’alertes impossible à traiter. L’évaluation doit donc intégrer :
- les capacités humaines ;
- l’organisation ;
- les conséquences du signal.
Les prévisions à long terme
À long terme, il est souvent plus raisonnable de prévoir :
- des contraintes ;
- des tendances générales ;
- des scénarios ;
que des événements précis.
Nous pouvons parfois anticiper qu’une évolution démographique augmentera la pression sur une institution.
Nous savons beaucoup moins bien :
- quelle réforme sera adoptée ;
- par quel gouvernement ;
- à quelle date.
La prévision gagne à distinguer :
- structures lentes ;
- décisions contingentes ;
- événements déclencheurs.
Les invariants relatifs
Certaines régularités restent suffisamment stables pour soutenir des prévisions. Elles peuvent concerner :
- contraintes démographiques ;
- effets d’incitation ;
- capacités physiques ;
- routines institutionnelles.
Mais elles ne sont pas des invariants absolus. Leur stabilité dépend d’un domaine. La science progresse en identifiant non seulement les régularités, mais les conditions dans lesquelles elles cessent de fonctionner.
Les mécanismes robustes
Un mécanisme est robuste lorsqu’il apparaît dans plusieurs contextes malgré des variations. Par exemple, les coûts de coordination peuvent régulièrement freiner une action collective. Mais leur intensité dépend des réseaux, des institutions et des ressources.
Un mécanisme robuste ne permet pas toujours une prévision ponctuelle. Il peut néanmoins aider à construire :
- des scénarios ;
- des interventions ;
- des probabilités conditionnelles.
Les prévisions conditionnelles de mécanisme
Une formulation prudente peut prendre la forme :
Si les coûts de coordination diminuent, si une information commune devient visible et si la répression reste limitée, une mobilisation rapide devient plus probable.
Cette prévision ne donne pas une date précise. Elle identifie :
- des conditions ;
- un mécanisme ;
- un résultat probable.
Elle peut être surveillée à travers des indicateurs. Cette forme est souvent plus scientifique qu’une annonce spectaculaire non conditionnelle.
L’impossibilité de prévoir l’innovation exacte
Une découverte future ne peut pas toujours être décrite à l’avance. Si nous connaissions précisément son contenu, elle serait déjà en partie découverte. Nous pouvons prévoir des investissements, des domaines actifs et des contraintes.
Nous ne pouvons pas toujours prévoir la solution, son moment et ses usages.
Cette limitation logique affecte les sociétés, car l’innovation modifie ensuite les comportements et institutions.
La connaissance du futur change le futur
Si une prévision parfaite d’une décision humaine devenait connue par l’acteur, celui-ci pourrait parfois choisir de la contredire. Cette possibilité ne s’applique pas à tous les comportements. Mais elle souligne une différence entre :
- un objet passif ;
- un acteur capable de réagir à la description.
La connaissance sociale peut entrer dans la chaîne causale. La prévision n’est pas toujours un simple miroir du futur.
La théorie et l’apprentissage collectif
Lorsqu’une théorie devient connue, les institutions peuvent concevoir des règles pour éviter son effet. Un mécanisme historiquement fréquent peut devenir moins fréquent parce qu’il est mieux compris. Cette évolution ne montre pas nécessairement que la théorie était fausse. Elle peut montrer qu’elle a contribué à modifier son propre domaine. Les sciences humaines étudient des régularités parfois transformées par leur diffusion.
Prédiction et contrôle
Dans certaines sciences, une bonne prédiction accompagne un contrôle précis du phénomène. Dans les sciences humaines, une prédiction peut être correcte sans que le phénomène soit contrôlable. Nous pouvons anticiper une tendance liée à des facteurs sur lesquels aucune autorité ne possède un pouvoir complet. Inversement, nous pouvons contrôler certains paramètres sans prévoir toutes les réactions. Prédire, expliquer et contrôler sont trois capacités distinctes.
La science des possibilités
Les sciences humaines ne produisent pas seulement des prévisions. Elles permettent aussi de comprendre :
- ce qui est possible ;
- ce qui est incompatible ;
- ce qui devient probable ;
- ce qui exige certaines conditions.
Cette cartographie des possibilités est précieuse pour l’action. Elle évite deux erreurs :
- croire qu’un résultat est inévitable ;
- croire que toute volonté suffit.
Une bonne théorie limite l’espace des futurs plausibles sans prétendre identifier toujours le futur réel.
L’explication comme préparation
Comprendre les mécanismes aide à préparer des réponses même lorsque le moment exact reste imprévisible.
Nous pouvons ignorer quand une institution rencontrera une crise, tout en savoir que :
- certaines dépendances ;
- certains défauts de coordination ;
- certaines concentrations
augmentent sa vulnérabilité.
L’explication fournit alors des leviers :
- renforcer ;
- diversifier ;
- surveiller ;
- rendre réversible.
La valeur pratique d’une science ne se réduit pas à l’annonce d’événements datés.
Une prévision honnête
Une prévision honnête devrait préciser :
- la question ;
- l’horizon ;
- la classe de référence ;
- les données ;
- le modèle ;
- la probabilité ;
- l’intervalle ;
- les conditions de révision.
Elle devrait également distinguer :
- fait observé ;
- hypothèse ;
- projection ;
- scénario ;
- recommandation.
Cette transparence réduit l’effet rhétorique de la précision artificielle. Elle permet une évaluation ultérieure.
Une méthode pratique pour construire une prévision
Définir l’événement
Que comptera précisément comme réussite ou échec de la prévision ?
Fixer l’horizon
À quelle date ou pendant quelle période l’événement doit-il se produire ?
Choisir une classe de référence
Quels cas antérieurs sont réellement comparables ?
Établir le taux de base
Quelle est la fréquence générale du résultat ?
Identifier les particularités
Quels éléments justifient un ajustement du taux de base ?
Comparer plusieurs modèles
Un modèle simple obtient-il une performance comparable ?
Produire une probabilité ou un intervalle
Quelle incertitude les données et hypothèses justifient-elles ?
Définir les conditions
Quels changements invalideraient la prévision ?
Enregistrer la prévision
La formulation doit être conservée avant le résultat.
Mettre à jour
Les nouvelles données doivent modifier la probabilité selon des règles explicites.
Une méthode pratique pour décider sous incertitude
Identifier les futurs plausibles
Quels scénarios principaux doivent être considérés ?
Comparer les conséquences
Quels bénéfices et dommages apparaissent dans chaque scénario ?
Examiner les erreurs
Quel est le coût d’un faux positif et d’un faux négatif ?
Chercher les décisions robustes
Quelles options fonctionnent convenablement dans plusieurs futurs ?
Préserver la réversibilité
Peut-on corriger la décision si les hypothèses sont fausses ?
Définir les indicateurs
Quels signaux justifieront une accélération, un arrêt ou une modification ?
Construire l’apprentissage
Comment les données seront-elles collectées et évaluées ?
Clarifier les responsabilités
Qui décide, qui évalue et qui supporte les erreurs ?
Questions pour évaluer une prévision
- L’événement est-il défini précisément ?
- L’horizon temporel est-il explicite ?
- La prévision fournit-elle une probabilité ou seulement une impression ?
- La classe de référence est-elle pertinente ?
- Le taux de base est-il pris en compte ?
- Les particularités du cas justifient-elles l’ajustement ?
- Les données étaient-elles disponibles au moment de la prévision ?
- Le modèle a-t-il été testé hors échantillon ?
- Une validation temporelle a-t-elle été utilisée ?
- La prévision fait-elle mieux qu’un modèle simple ?
- Les intervalles reflètent-ils l’incertitude réelle ?
- Le modèle est-il stable selon les spécifications ?
- Les conditions de validité sont-elles définies à l’avance ?
- La prévision est-elle mise à jour ?
- L’ensemble des anciennes prévisions est-il accessible ?
- Les erreurs sont-elles reconnues ?
- La source est-elle bien calibrée ?
- La prévision peut-elle modifier le phénomène annoncé ?
Questions pour évaluer un scénario
- Le scénario est-il présenté comme possibilité ou comme prédiction ?
- Les hypothèses sont-elles cohérentes entre elles ?
- Les mécanismes reliant les étapes sont-ils explicités ?
- Les contraintes matérielles et institutionnelles sont-elles respectées ?
- Le scénario est-il suffisamment différent des autres ?
- Inclut-il seulement des événements spectaculaires ?
- Sert-il une décision précise ?
- Quels indicateurs permettraient de reconnaître son apparition ?
- Quelles décisions restent robustes s’il ne se réalise pas ?
- Le scénario est-il révisé lorsque les conditions changent ?
Questions pour évaluer un modèle prédictif individuel
- Quel événement individuel est prédit ?
- Quelle est sa fréquence de base ?
- Combien de faux positifs et de faux négatifs apparaissent ?
- La précision est-elle calculée séparément pour les différents groupes ?
- Les données reflètent-elles des pratiques institutionnelles biaisées ?
- Les variables sont-elles disponibles avant la décision ?
- Le modèle produit-il une probabilité ou une catégorie rigide ?
- La personne peut-elle contester les données ?
- La décision est-elle proportionnée à l’incertitude ?
- Le modèle est-il régulièrement réévalué ?
- Son usage modifie-t-il les données futures ?
- Une méthode plus simple et plus transparente serait-elle presque aussi performante ?
Questions pour évaluer une décision sous incertitude
- Quelle est la gravité du dommage possible ?
- Quelle est sa probabilité, même approximative ?
- Quels sont les effets de l’intervention ?
- Quels groupes supportent les risques ?
- Quel est le coût d’une fausse alerte ?
- Quel est le coût d’une absence d’alerte ?
- L’action est-elle réversible ?
- Peut-elle être limitée ou expérimentée ?
- Une information supplémentaire modifierait-elle le choix ?
- Le système peut-il s’adapter rapidement ?
- Des réserves ou redondances existent-elles ?
- Les critères de révision sont-ils fixés à l’avance ?
- La décision robuste est-elle préférable à l’option optimale dans un seul scénario ?
Erreurs fréquentes
Confondre projection et prédiction
Une projection décrit ce qui arriverait si certaines hypothèses se maintenaient.
Traiter un scénario comme le futur annoncé
Un scénario explore une possibilité et sert à préparer une décision.
Exiger une certitude pour agir
Les décisions doivent souvent être prises avec des probabilités imparfaites.
Transformer une probabilité en certitude
Un résultat annoncé à 70 % peut ne pas se produire sans que la prévision soit nécessairement mauvaise.
Évaluer une prévision probabiliste sur un seul cas
La calibration se mesure sur un ensemble de prévisions comparables.
Ignorer les taux de base
Les détails particuliers ne doivent pas effacer la fréquence générale.
Choisir une classe de référence favorable
La comparaison doit être justifiée avant le résultat.
Confondre prédiction et causalité
Un facteur peut prévoir un résultat sans être un levier d’intervention.
Généraliser une relation collective à chaque individu
Une différence moyenne ne détermine pas la trajectoire personnelle.
Présenter la précision globale sans les faux positifs
La rareté du résultat peut rendre les alertes très peu fiables.
Donner un nombre très précis sous incertitude profonde
La précision numérique peut masquer l’ignorance du modèle.
Construire un intervalle artificiellement étroit
L’incertitude structurelle doit être ajoutée à l’incertitude statistique.
Surajuster le passé
Un modèle excellent sur les données anciennes peut échouer sur le futur.
Tester le modèle sur les données ayant servi à le construire
L’évaluation doit utiliser des données indépendantes.
Ignorer les ruptures structurelles
Les relations historiques peuvent changer après une crise ou une réforme.
Supposer que les acteurs ne réagiront pas à la politique
Une intervention modifie les anticipations et les comportements.
Ignorer la performativité du modèle
Une prévision peut contribuer à produire ou empêcher l’événement.
Considérer l’absence d’une catastrophe prévenue comme une preuve d’exagération
La prévention peut avoir rendu la prévision autoréfutante.
Confondre signal faible et preuve précoce
La plupart des anomalies ne deviennent pas des ruptures majeures.
Sélectionner après coup les prévisions réussies
Il faut examiner l’ensemble de l’historique.
Confondre confiance et compétence prédictive
La certitude subjective peut être indépendante de la calibration.
Privilégier systématiquement le modèle le plus complexe
Une référence simple peut être plus stable et plus précise.
Utiliser la prévision comme justification morale automatique
Le choix d’un seuil et la distribution des erreurs contiennent des valeurs.
Optimiser pour un scénario unique très incertain
Une décision robuste peut être préférable à une optimisation fragile.
Croire que l’imprévisibilité implique l’inexplicabilité
Un événement peut devenir explicable après sa réalisation sans avoir été précisément prévisible.
Croire qu’une explication rétrospective prouve qu’un événement était inévitable
Plusieurs trajectoires pouvaient rester ouvertes avant la bifurcation.
À retenir
Prédire, projeter, construire un scénario et anticiper ne sont pas des opérations identiques.
Une prédiction annonce un événement ou lui attribue une probabilité.
Une projection prolonge un modèle sous des hypothèses explicites.
Un scénario explore un futur possible afin d’éclairer une décision.
Les sciences humaines produisent rarement des prédictions déterministes fiables, car leurs phénomènes dépendent de :
- causes multiples ;
- interactions ;
- décisions ;
- événements extérieurs ;
- apprentissage.
Une prévision probabiliste est souvent plus adaptée qu’une annonce certaine.
Elle doit être jugée sur un ensemble d’événements, non sur un seul résultat.
La calibration mesure si les probabilités annoncées correspondent aux fréquences observées.
La résolution mesure la capacité à distinguer les situations plus ou moins risquées.
Le taux de base doit constituer le point de départ de nombreuses prévisions.
Les informations propres au cas servent ensuite à ajuster ce taux.
La vue interne construit un récit particulier du projet.
La vue externe compare le projet à des cas similaires.
Les deux doivent être articulées.
Une théorie peut expliquer correctement le passé sans avoir permis une prévision précise.
L’explication connaît déjà le résultat et sélectionne les causes pertinentes.
La prévision devait répartir sa confiance entre plusieurs futurs encore ouverts.
Un modèle peut aussi bien prédire sans expliquer.
Cette distinction est importante lorsqu’on cherche à intervenir.
Une variable prédictive n’est pas nécessairement une cause.
Modifier un marqueur ne modifie pas automatiquement le résultat.
Les prévisions collectives sont souvent plus fiables que les prévisions individuelles.
Un effet réel dans une population peut rester peu informatif pour une personne particulière.
Les faux positifs deviennent particulièrement nombreux lorsque l’événement prédit est rare.
Toute utilisation individuelle doit examiner :
- taux de base ;
- sensibilité ;
- spécificité ;
- conséquences des erreurs.
Les systèmes sociaux sont ouverts.
Ils subissent des influences nouvelles et des ruptures impossibles à contrôler complètement.
Ils sont aussi complexes :
- non-linéarité ;
- seuils ;
- cascades ;
- rétroactions.
Une stabilité apparente peut précéder une rupture rapide.
Les acteurs sociaux sont adaptatifs et réflexifs.
Ils modifient leur comportement en fonction :
- des règles ;
- des prévisions ;
- des stratégies d’autrui.
Une relation observée avant une politique peut disparaître après son adoption.
La critique de Lucas rappelle que les comportements ne restent pas constants lorsque les institutions changent.
Les prévisions peuvent être autoréalisatrices ou autoréfutantes.
Elles peuvent modifier le phénomène qu’elles annoncent.
Les modèles deviennent performatifs lorsqu’ils sont intégrés aux décisions et aux institutions.
La loi de Goodhart montre qu’un indicateur peut perdre sa valeur lorsqu’il devient une cible.
Les relations statistiques peuvent connaître des ruptures structurelles.
Une bonne performance passée ne garantit donc pas une bonne performance future.
Les événements rares et les distributions à queues épaisses limitent fortement les estimations fondées sur des périodes courtes.
L’absence récente d’un événement n’établit pas son impossibilité.
L’incertitude profonde apparaît lorsque les acteurs ne connaissent pas seulement les probabilités, mais contestent aussi :
- les modèles ;
- les futurs possibles ;
- les valeurs.
Dans ce cas, la robustesse, la réversibilité et l’adaptation deviennent plus importantes que l’optimisation autour d’une prévision unique.
La résilience prépare le système aux événements qu’il ne peut pas précisément prévoir.
Elle peut s’appuyer sur :
- réserves ;
- redondance ;
- diversité ;
- apprentissage.
Les signaux faibles doivent être surveillés sans être transformés en certitudes.
Après une rupture, les bons signaux paraissent évidents, mais ils étaient initialement mêlés à beaucoup de bruit.
Le surajustement produit des modèles qui décrivent parfaitement le passé et échouent sur de nouvelles données.
Une évaluation sérieuse demande :
- données de test indépendantes ;
- validation temporelle ;
- comparaison avec un modèle simple ;
- surveillance après déploiement.
La fuite de données peut donner l’illusion d’une excellente prévision lorsqu’une information future entre indirectement dans le modèle.
Les modèles prédictifs peuvent créer des boucles institutionnelles : davantage de contrôle produit davantage de données confirmant le classement initial.
Les experts ne sont pas automatiquement de meilleurs prévisionnistes.
La qualité dépend notamment de :
- l’usage des taux de base ;
- la décomposition ;
- la mise à jour ;
- la calibration ;
- la flexibilité.
Les prévisionnistes prudents utilisant plusieurs modèles partiels peuvent mieux réussir que ceux qui interprètent tout à partir d’une grande théorie.
L’agrégation de plusieurs jugements améliore parfois les prévisions lorsque les erreurs sont suffisamment indépendantes.
Une foule soumise à l’imitation ou à une information commune erronée peut au contraire amplifier une erreur.
Une intuition experte devient fiable surtout dans un environnement présentant :
- des régularités ;
- des situations répétées ;
- un retour clair.
Dans un environnement historique instable, la confiance subjective est un mauvais indicateur de précision.
Les médias récompensent souvent la certitude et les prédictions extrêmes.
Une évaluation honnête doit conserver l’ensemble des prévisions, y compris les erreurs oubliées.
Les scénarios et projections doivent préciser leurs hypothèses.
Ils ne doivent pas être communiqués comme des événements certains.
La décision sous incertitude doit comparer :
- probabilité ;
- gravité ;
- coûts de l’action ;
- faux positifs ;
- faux négatifs.
Une faible probabilité peut justifier une prévention lorsque le dommage est très grave et l’action peu coûteuse.
La prévision n’indique pas seule ce qu’il faut faire.
Le seuil de décision dépend aussi de valeurs et de la distribution des risques.
Une politique adaptative définit à l’avance :
- les indicateurs ;
- les seuils de révision ;
- les responsabilités ;
- les possibilités de correction.
Les prévisions à long terme doivent généralement porter davantage sur :
- contraintes ;
- tendances ;
- scénarios
que sur des événements précis.
Les sciences humaines peuvent identifier des mécanismes robustes sans prédire exactement quand ils produiront un résultat.
Comprendre les mécanismes aide à préparer :
- prévention ;
- résilience ;
- transformation.
La valeur d’une science humaine ne se mesure donc pas uniquement à sa capacité d’annoncer précisément l’avenir.
Elle se mesure aussi à sa capacité à :
- limiter les futurs possibles ;
- identifier les vulnérabilités ;
- comparer les scénarios ;
- éclairer les décisions ;
- organiser l’apprentissage.
La question centrale n’est finalement pas :
« Pourquoi les sciences humaines ne peuvent-elles pas prédire l’avenir comme un calendrier parfaitement écrit ? »
mais :
« Quels aspects du futur sont suffisamment réguliers pour recevoir une probabilité, quelles ruptures rendent cette estimation fragile, et comment agir rationnellement lorsque l’objectif réaliste n’est pas la certitude mais une anticipation calibrée, conditionnelle, révisable et robuste ? »
Repères et prolongements
Cette fiche prépare notamment les questions suivantes :
- Quelle différence existe entre prédiction, projection et scénario ?
- Pourquoi une explication peut-elle être correcte sans permettre une prévision précise ?
- Un modèle peut-il prédire sans expliquer ?
- Pourquoi faut-il tenir compte des taux de base ?
- Quelle différence existe entre vue interne et vue externe ?
- Qu’est-ce qu’une prévision bien calibrée ?
- Comment évaluer une prévision probabiliste ?
- Pourquoi les événements rares sont-ils difficiles à prévoir ?
- Que sont les queues épaisses et les cygnes noirs ?
- Quelle différence existe entre risque, incertitude et ignorance ?
- Pourquoi les systèmes sociaux sont-ils ouverts et complexes ?
- Comment les seuils et les cascades rendent-ils les ruptures imprévisibles ?
- Qu’est-ce que la critique de Lucas ?
- Comment les acteurs modifient-ils les relations utilisées pour les prévoir ?
- Que sont les prophéties autoréalisatrices et autoréfutantes ?
- Comment un modèle devient-il performatif ?
- Pourquoi la loi de Goodhart fragilise-t-elle les indicateurs ?
- Qu’est-ce qu’une rupture structurelle ?
- Comment le surajustement produit-il une fausse performance ?
- Pourquoi faut-il tester un modèle hors échantillon ?
- Qu’est-ce qu’une validation temporelle ?
- Comment la fuite de données fausse-t-elle les prévisions ?
- Les experts prédisent-ils mieux que le public ?
- Quelles pratiques caractérisent les bons prévisionnistes ?
- À quoi servent les marchés prédictifs et l’agrégation ?
- Quand faut-il préférer un scénario à une prévision centrale ?
- Comment décider lorsque les probabilités sont mal connues ?
- Quelle différence existe entre optimisation, robustesse et résilience ?
- Comment communiquer l’incertitude sans produire de paralysie ?
- Pourquoi un risque collectif ne permet-il pas toujours une décision individuelle ?
- Comment utiliser un modèle prédictif sans transformer une probabilité en destin ?
Quelques références
- Frank Knight, *Risk, Uncertainty and Profit*.
- John Maynard Keynes, *A Treatise on Probability* et travaux sur l’incertitude.
- Friedrich Hayek, travaux sur la complexité et les limites de la prédiction sociale.
- Karl Popper, *Misère de l’historicisme*.
- Karl Popper, *La Société ouverte et ses ennemis*.
- Max Weber, travaux sur la causalité historique et la prévision.
- Robert K. Merton, travaux sur les prophéties autoréalisatrices.
- W. I. Thomas et Dorothy Thomas, formulation du théorème de Thomas.
- George Soros, *The Alchemy of Finance* et travaux sur la réflexivité.
- Robert Lucas, « Econometric Policy Evaluation: A Critique ».
- Thomas Sargent, travaux sur les anticipations et la politique économique.
- John Muth, travaux sur les anticipations rationnelles.
- Herbert Simon, travaux sur la rationalité limitée et les systèmes complexes.
- Daniel Kahneman, *Système 1 / Système 2*.
- Daniel Kahneman et Amos Tversky, travaux sur les taux de base, la confiance et le jugement.
- Bent Flyvbjerg, travaux sur la vue extérieure et la prévision des grands projets.
- Philip Tetlock, *Expert Political Judgment*.
- Philip Tetlock et Dan Gardner, *Superforecasting*.
- Barbara Mellers et collaborateurs, travaux sur les tournois de prévision.
- Jonathan Baron et collaborateurs, travaux sur la calibration et les prévisions probabilistes.
- Glenn Brier, travaux sur le score de Brier.
- Nate Silver, *The Signal and the Noise*.
- David Spiegelhalter, travaux sur le risque, l’incertitude et la communication statistique.
- Gerd Gigerenzer, travaux sur les fréquences naturelles et la communication des risques.
- Robin Hogarth, *Educating Intuition*.
- James Surowiecki, *The Wisdom of Crowds*.
- Scott Page, travaux sur la diversité cognitive et l’agrégation.
- Friedrich Hayek, « The Pretence of Knowledge ».
- Nassim Nicholas Taleb, *Le Cygne noir*.
- Nassim Nicholas Taleb, *Antifragile*.
- Benoît Mandelbrot, travaux sur les distributions à queues épaisses.
- Didier Sornette, travaux sur les crises, les ruptures et les systèmes complexes.
- Duncan Watts, *Everything Is Obvious Once You Know the Answer*.
- Duncan Watts, travaux sur les cascades et la diffusion.
- Mark Granovetter, travaux sur les seuils de comportement collectif.
- Timur Kuran, *Private Truths, Public Lies*.
- Thomas Schelling, *Micromotives and Macrobehavior*.
- Robert Jervis, *System Effects*.
- John Sterman, *Business Dynamics*.
- Donella Meadows, *Thinking in Systems*.
- Brian Arthur, travaux sur la complexité et les rendements croissants.
- W. Brian Arthur, *Complexity and the Economy*.
- Doyne Farmer, travaux sur les systèmes complexes et la prévision.
- M. Mitchell Waldrop, *Complexity*.
- Charles Goodhart, travaux sur les indicateurs et la politique monétaire.
- Donald Campbell, travaux sur la réactivité des indicateurs sociaux.
- Marilyn Strathern, travaux sur l’audit et les indicateurs.
- Theodore Porter, *Trust in Numbers*.
- Alain Desrosières, *La Politique des grands nombres*.
- Ian Hacking, travaux sur les catégories interactives et les effets de boucle.
- Donald MacKenzie, travaux sur la performativité des modèles économiques.
- Michel Callon, travaux sur la performativité.
- Daniel Sarewitz et Roger Pielke Jr., travaux sur la prévision, l’incertitude et la décision.
- Robert Lempert et collaborateurs, travaux sur les décisions robustes sous incertitude profonde.
- David Walker, Warren Walker et collaborateurs, travaux sur la gestion adaptative.
- Peter Schwartz, *The Art of the Long View*.
- Herman Kahn, travaux historiques sur les scénarios, à lire avec une distance critique.
- Pierre Wack, travaux sur la planification par scénarios.
- Rafael Ramirez et Angela Wilkinson, travaux sur les scénarios stratégiques.
- Joshua Epstein, travaux sur la modélisation générative et les limites de la prévision.
- George Box, travaux sur les modèles et leurs limites.
- Leo Breiman, « Statistical Modeling: The Two Cultures ».
- Pedro Domingos, travaux sur l’apprentissage automatique et la généralisation.
- Trevor Hastie, Robert Tibshirani et Jerome Friedman, *The Elements of Statistical Learning*.
- Gareth James et collaborateurs, *An Introduction to Statistical Learning*.
- Judea Pearl, *Causality* et *The Book of Why*.
- James Woodward, *Making Things Happen*.
- Shmueli Galit, « To Explain or to Predict? ».
- Sendhil Mullainathan et Jann Spiess, travaux sur l’apprentissage automatique en économie.
- Jon Kleinberg et collaborateurs, travaux sur les prédictions algorithmiques et les décisions humaines.
- Cathy O’Neil, *Weapons of Math Destruction*.
- Virginia Eubanks, *Automating Inequality*.
- Solon Barocas, Moritz Hardt et Arvind Narayanan, *Fairness and Machine Learning*.