Expliquer scientifiquement : causes, mécanismes, fonctions et modèles
Expliquer, est-ce seulement décrire avec davantage de détails ?
La science ne cherche pas uniquement à constater qu’un phénomène existe. Elle cherche aussi à comprendre pourquoi il se produit, comment il est engendré et dans quelles conditions il pourrait être modifié.
Dire qu’une épidémie progresse, qu’une cellule se divise ou qu’un comportement devient plus fréquent constitue une description. Une explication cherche à établir ce qui rend ce phénomène possible ou probable. Elle peut montrer :
- la cause qui l’a déclenché ;
- le mécanisme qui le produit ;
- la loi générale dont il constitue un cas ;
- la fonction qu’il remplit dans un système ;
- le modèle permettant de relier plusieurs variables.
Ces formes d’explication ne sont pas toujours concurrentes. Elles peuvent répondre à des questions différentes sur un même phénomène.
Pour comprendre un médicament, nous pouvons demander :
- quelle molécule agit ;
- par quel mécanisme biologique ;
- dans quelles conditions statistiques il améliore l’état des patients ;
- pourquoi cette réaction existe dans l’organisme ;
- comment représenter mathématiquement son effet.
Une explication scientifique complète peut donc comporter plusieurs niveaux. La difficulté est d’éviter deux erreurs opposées. La première consiste à croire qu’un phénomène n’est expliqué que lorsqu’il est réduit à une cause unique et fondamentale. La seconde consiste à appeler *explication* toute description, corrélation ou histoire cohérente. La question centrale devient :
Qu’est-ce qui distingue une véritable explication scientifique d’une simple reformulation du phénomène, et comment articuler les explications causales, mécanistes, statistiques, fonctionnelles et modélisées ?
Décrire et expliquer
Une description répond principalement à la question :
Que se passe-t-il ?
Elle peut préciser :
- la fréquence ;
- la forme ;
- l’évolution ;
- la distribution.
Une explication répond davantage à :
Pourquoi ou comment cela se produit-il ?
La frontière n’est toutefois pas absolue. Une description suffisamment structurée peut déjà suggérer une explication. Montrer qu’une maladie apparaît uniquement après l’exposition à un agent particulier oriente vers un lien causal. Inversement, une prétendue explication peut seulement reformuler le phénomène. Dire :
« Cette personne dort parce qu’elle possède une force dormitive »
n’ajoute aucune connaissance si la « force dormitive » signifie seulement sa capacité à dormir.
Une explication doit apporter au moins l’un des éléments suivants :
- une relation nouvelle ;
- un mécanisme ;
- une dépendance ;
- une possibilité de prédiction ;
- une indication sur ce qui changerait le phénomène.
Expliquer et comprendre
Une explication peut être correcte sans être immédiatement compréhensible pour tous. Une équation peut représenter précisément un phénomène sans fournir une image intuitive. Inversement, une métaphore peut donner un sentiment de compréhension tout en être scientifiquement trompeuse. La compréhension scientifique ne consiste pas seulement à ressentir que l’explication est claire. Elle demande de pouvoir :
- relier les éléments ;
- suivre le raisonnement ;
- identifier les conditions ;
- anticiper certaines conséquences.
Une explication augmente la compréhension lorsqu’elle organise plusieurs faits auparavant séparés dans une structure commune. Elle permet de voir pourquoi ces faits :
- se produisent ensemble ;
- varient ensemble ;
- cesseraient de se produire dans d’autres conditions.
L’explication causale
Une explication causale identifie ce qui contribue à produire un événement ou une variation.
Nous expliquons une brûlure par :
- le contact avec une source de chaleur ;
- le transfert d’énergie ;
- les dommages cellulaires qui en résultent.
La cause n’est pas nécessairement un événement unique.
Un phénomène peut dépendre de plusieurs facteurs :
- nécessaires ;
- favorisants ;
- déclencheurs ;
- protecteurs.
Dans les systèmes complexes, la question :
« Quelle est la cause ? »
doit souvent être remplacée par :
« Quels facteurs causaux ont contribué au résultat, et avec quel poids dans ce contexte ? »
La recherche causale ne consiste donc pas toujours à découvrir un responsable unique.
Cause nécessaire et cause suffisante
Une cause est nécessaire lorsqu’un phénomène ne peut pas se produire sans elle.
Elle est suffisante lorsqu’elle peut, dans les conditions précisées, produire le phénomène. Ces relations sont rares sous une forme absolue dans les sciences empiriques. Un agent infectieux peut être nécessaire à une maladie déterminée, mais sa présence n’est pas toujours suffisante : l’organisme peut résister. Le tabagisme n’est ni nécessaire ni suffisant pour chaque cancer du poumon. Il augmente néanmoins fortement le risque. Les explications scientifiques doivent donc intégrer des causes :
- probabilistes ;
- contributives ;
- dépendantes du contexte.
Refuser une causalité parce qu’elle ne détermine pas tous les cas serait exiger du monde biologique ou social une régularité comparable à une implication logique.
Causes déclenchantes et conditions de fond
Un événement dépend souvent d’une distinction entre :
- cause déclenchante ;
- conditions de fond.
Une étincelle peut déclencher un incendie. Mais l’incendie dépend également :
- du combustible ;
- de l’oxygène ;
- de la sécheresse.
Nous appelons parfois *cause* l’élément qui varie dans le contexte, tandis que les conditions stables restent implicites. Cette sélection dépend de la question.
Un enquêteur peut demander :
« Qu’est-ce qui a déclenché l’incendie ? »
Un ingénieur demande :
« Pourquoi le bâtiment a-t-il permis sa propagation ? »
Les deux explications peuvent être correctes et porter sur des niveaux différents.
La causalité comme différence produite
Une manière de penser la cause consiste à demander :
Le résultat aurait-il été différent si ce facteur avait été absent ou modifié ?
Cette approche contrefactuelle relie causalité et intervention. Si le retrait du facteur aurait empêché ou réduit le phénomène, il possède une importance causale. Cette conception permet de distinguer une cause d’une simple condition présente. Mais les contrefactuels sont parfois difficiles à évaluer. Nous n’observons jamais simultanément :
- le monde avec l’intervention ;
- le même monde sans l’intervention.
Les expériences, comparaisons et modèles servent à reconstruire cette différence.
La causalité probabiliste
Une cause peut augmenter la probabilité d’un effet sans le produire systématiquement. Supposons qu’un traitement réduise le risque d’une complication de 20 % à 10 %. Certains patients traités développeront malgré tout la complication. Certains patients non traités l’éviteront. Le traitement possède pourtant un effet causal moyen. Cette causalité ne peut pas être lue directement dans un cas individuel.
Si un patient guérit après le traitement, nous ne savons pas avec certitude s’il aurait guéri sans lui. La causalité statistique porte souvent sur des populations ou des distributions, même lorsque la décision concerne un individu.
Les causes multiples
Un même effet peut être produit par plusieurs chemins.
Une insuffisance respiratoire peut résulter :
- d’une infection ;
- d’une obstruction ;
- d’une atteinte neurologique ;
- d’un traumatisme.
Inversement, une même cause peut avoir plusieurs effets. Cette structure rend fragile l’idée qu’une catégorie observable corresponde toujours à une cause unique. Les explications doivent parfois distinguer plusieurs sous-types d’un phénomène apparemment homogène. Une explication causale est meilleure lorsqu’elle permet de comprendre :
- la diversité des chemins ;
- les interactions ;
- les conditions qui modifient l’effet.
Les réseaux causaux
Les phénomènes complexes reposent souvent sur des réseaux plutôt que sur une chaîne linéaire.
Une politique publique peut modifier :
- les prix ;
- les comportements ;
- les attentes ;
- les institutions.
Ces éléments agissent ensuite les uns sur les autres. Des boucles de rétroaction apparaissent. Une représentation causale trop simple peut attribuer tout le résultat à une variable visible et négliger les interactions. Les graphes causaux, modèles de systèmes et simulations cherchent à représenter ces réseaux. Ils restent néanmoins des simplifications qui doivent être confrontées aux données et aux connaissances du domaine.
Corrélation et causalité
Une corrélation montre que deux variables varient ensemble. Elle ne suffit pas à établir que l’une produit l’autre.
Plusieurs explications sont possibles :
- A cause B ;
- B cause A ;
- une troisième variable cause A et B ;
- la relation résulte d’un biais de sélection ;
- la corrélation est accidentelle.
La corrélation constitue néanmoins une information importante. Elle peut :
- suggérer une hypothèse causale ;
- permettre une prédiction ;
- réfuter certaines indépendances supposées.
L’erreur n’est pas d’utiliser les corrélations. Elle est de transformer automatiquement une association en mécanisme causal.
Les expériences contrôlées
Une expérience contrôlée cherche à isoler l’effet d’une intervention. La randomisation répartit en moyenne les autres facteurs entre plusieurs groupes. Si les groupes diffèrent ensuite principalement par l’intervention, la différence de résultat peut être attribuée avec davantage de confiance à cette intervention. Mais une expérience ne répond pas à toutes les questions. Elle peut être limitée par :
- la population étudiée ;
- la durée ;
- les conditions artificielles ;
- les abandons ;
- l’impossibilité éthique de certaines manipulations.
Une expérience établit une causalité dans un cadre. L’application à d’autres contextes demande une justification supplémentaire.
L’observation causale
De nombreux phénomènes ne peuvent pas être étudiés par une expérience randomisée.
Nous ne pouvons pas attribuer aléatoirement :
- une catastrophe ;
- une exposition dangereuse ;
- une enfance particulière.
Les chercheurs utilisent alors :
- comparaisons naturelles ;
- séries temporelles ;
- variables instrumentales ;
- modèles causaux ;
- études de cas.
Ces méthodes peuvent fournir des preuves solides lorsque leurs hypothèses sont explicites et contrôlées.
L’absence d’expérience randomisée ne signifie pas l’impossibilité de toute connaissance causale. Elle rend plus importante l’évaluation des explications alternatives.
L’explication mécaniste
Une explication mécaniste décrit comment un phénomène est produit par l’organisation d’entités et d’activités. Pour expliquer la contraction musculaire, il ne suffit pas de dire qu’un signal nerveux est associé au mouvement. Il faut décrire :
- la transmission du signal ;
- la libération de substances ;
- l’interaction des structures cellulaires ;
- la production de la force.
Le mécanisme ouvre la « boîte noire » entre la cause et l’effet. Il permet souvent de comprendre :
- l’ordre des étapes ;
- les points de défaillance ;
- les interventions possibles.
Qu’est-ce qu’un mécanisme ?
Un mécanisme comprend généralement :
- des entités ;
- des activités ;
- une organisation ;
- une régularité de fonctionnement.
Une pompe cardiaque dépend de cellules, de signaux électriques, de contractions coordonnées et de valves. Aucun élément isolé ne suffit à expliquer la circulation. C’est leur organisation qui produit la fonction. Un mécanisme n’est donc pas une simple liste de composants. Il décrit comment leurs interactions engendrent le phénomène.
Les niveaux mécanistes
Un mécanisme peut être décrit à plusieurs niveaux.
Pour expliquer un comportement, nous pouvons étudier :
- les processus cognitifs ;
- les circuits neuronaux ;
- les réactions biochimiques ;
- le contexte social.
Le niveau le plus fondamental n’est pas toujours le plus pertinent. Expliquer une erreur de calcul par la position de chaque molécule du cerveau serait théoriquement détaillé mais pratiquement inutile. Une bonne explication choisit le niveau où apparaissent les relations importantes pour la question. La réduction à un niveau inférieur peut approfondir l’explication sans remplacer automatiquement les niveaux supérieurs.
La décomposition
L’analyse mécaniste décompose un système en parties. Cette stratégie est puissante lorsque les composants conservent des fonctions relativement identifiables. Elle devient insuffisante lorsque les propriétés dépendent fortement :
- des interactions ;
- de l’environnement ;
- de l’histoire.
Comprendre chaque pièce séparément ne suffit pas toujours à comprendre le système complet.
La décomposition doit donc être complétée par une étude de :
- l’organisation ;
- la dynamique ;
- la coordination.
L’émergence
Une propriété est dite émergente lorsqu’elle apparaît au niveau du système sans être simplement attribuable à un composant isolé. La fluidité de l’eau dépend de l’organisation collective des molécules. Une foule peut produire :
- congestion ;
- mouvements ;
- paniques
qui ne correspondent au projet d’aucun individu.
L’émergence n’implique pas nécessairement une force mystérieuse. Elle signifie que l’explication doit intégrer les relations et l’échelle collective.
Une propriété émergente peut rester entièrement compatible avec les processus de niveau inférieur tout en demander un vocabulaire propre.
L’explication par les lois
Une autre conception classique affirme qu’expliquer consiste à montrer que le phénomène découle :
- de lois générales ;
- de conditions particulières.
Nous expliquons la trajectoire d’un objet en appliquant des lois physiques à son état initial. L’événement n’apparaît plus comme isolé. Il devient un cas d’une régularité générale. Cette forme d’explication fonctionne particulièrement bien dans certains domaines de la physique. Elle est plus difficile à appliquer lorsque les généralisations comportent :
- de nombreuses exceptions ;
- une forte dépendance au contexte ;
- une composante historique.
La fiche suivante développera le statut des lois et généralisations.
L’explication statistique
Une explication statistique ne montre pas toujours que l’événement devait se produire. Elle montre qu’il était :
- probable ;
- attendu ;
- plus fréquent sous certaines conditions.
Dire qu’une personne a développé une complication parce qu’elle appartenait à un groupe fortement exposé reste incomplet au niveau individuel. Le facteur de risque explique la distribution des cas sans identifier nécessairement pourquoi cette personne précise est touchée. Une explication statistique est donc souvent une explication de population. Elle peut néanmoins être essentielle lorsque le phénomène est intrinsèquement probabiliste ou dépend d’une multitude de causes difficiles à isoler.
Probabilité et explication
Un événement très probable peut se produire sans que sa probabilité fournisse une explication suffisante.
Si une pièce truquée tombe presque toujours sur face, la probabilité élevée demande encore une explication :
- distribution du poids ;
- manière dont elle est lancée.
Inversement, un événement improbable peut être expliqué. La présence d’une mutation rare peut expliquer une maladie, même si cette mutation était peu probable avant d’être observée. L’explication et la probabilité répondent donc à des questions différentes. La probabilité indique ce à quoi nous devions nous attendre. L’explication montre ce qui a produit le résultat.
L’explication fonctionnelle
Une explication fonctionnelle répond à la question :
À quoi sert cette structure ou ce comportement dans un système ?
Nous expliquons le cœur par sa fonction de circulation du sang.
Nous expliquons certains comportements animaux par leur rôle dans :
- la survie ;
- la reproduction ;
- la coordination.
Cette manière de parler peut sembler attribuer une intention à la nature.
Il faut distinguer plusieurs sens du mot *fonction*.
Fonction biologique
En biologie évolutive, une fonction peut être définie par l’effet pour lequel un trait a été sélectionné. Le cœur a pour fonction de pomper le sang parce que cet effet a contribué à la reproduction des organismes possédant ce type de structure. Le bruit du cœur est également un effet régulier. Mais il n’est pas généralement considéré comme sa fonction. Cette distinction oppose :
- fonction sélectionnée ;
- conséquence secondaire.
L’explication fonctionnelle est alors reliée à une histoire causale évolutive.
Fonction systémique
Une autre conception définit la fonction par la contribution actuelle d’une partie au fonctionnement d’un système.
La fonction d’une valve est décrite par ce qu’elle fait dans l’organisation présente. Cette analyse n’exige pas toujours une histoire de sélection. Elle peut être utilisée pour :
- un organisme ;
- une machine ;
- une institution.
La difficulté consiste à préciser quel fonctionnement du système est considéré comme pertinent.
Une institution peut produire plusieurs effets, dont certains sont :
- recherchés ;
- indésirables ;
- cachés.
Fonction et finalité
Une fonction ne doit pas être automatiquement confondue avec un but conscient. Les ailes des oiseaux ont une fonction sans qu’un concepteur ait nécessairement poursuivi cette fin. Dans une organisation humaine, en revanche, il faut distinguer :
- fonction officielle ;
- intention des acteurs ;
- effet réel.
Une mesure peut avoir été créée pour protéger et produire en pratique un effet différent.
Dire qu’une institution « sert » un groupe peut signifier :
- qu’elle a été conçue pour lui ;
- qu’elle le favorise objectivement ;
- qu’elle contribue à la stabilité du système.
Ces affirmations demandent des preuves différentes.
Le risque des explications fonctionnelles
Une explication fonctionnelle peut devenir circulaire.
On observe qu’une institution persiste et on affirme :
« Elle persiste parce qu’elle remplit une fonction. »
Puis on déduit sa fonction du seul fait qu’elle persiste.
Pour être scientifique, l’explication doit identifier un mécanisme de maintien :
- sélection ;
- incitations ;
- rétroactions ;
- reproduction institutionnelle.
L’utilité apparente d’une structure ne suffit pas à expliquer son origine ou sa conservation.
De nombreuses pratiques persistent par :
- inertie ;
- pouvoir ;
- hasard historique.
Les explications historiques
Certains phénomènes ne peuvent être compris sans retracer leur développement. Une espèce, une institution ou une langue possède une histoire. Son état actuel dépend de chemins antérieurs qui auraient pu être différents. Une explication historique identifie :
- les étapes ;
- les bifurcations ;
- les héritages ;
- les contraintes accumulées.
Elle ne se réduit pas à une chronologie. Elle doit expliquer pourquoi certaines étapes ont modifié les possibilités suivantes.
L’histoire peut produire une dépendance au sentier : une solution se maintient parce que des investissements et habitudes rendent son remplacement coûteux.
L’explication intentionnelle
Dans les sciences humaines, nous expliquons souvent une action par :
- croyances ;
- désirs ;
- raisons.
Une personne ouvre une porte parce qu’elle veut sortir et croit que la porte donne sur l’extérieur. Cette explication possède une structure différente d’une simple cause physique. Elle rend l’action intelligible du point de vue de l’agent. Les raisons peuvent néanmoins être étudiées causalement. Une croyance et un désir peuvent contribuer à produire l’action. L’opposition entre :
- raison ;
- cause
n’est donc pas nécessairement absolue.
Raisons déclarées et causes réelles
Les personnes ne connaissent pas toujours correctement les causes de leurs comportements. Elles peuvent fournir une justification cohérente après coup.
L’introspection est limitée par :
- mémoire ;
- rationalisation ;
- normes sociales.
Une explication par les raisons doit donc distinguer :
- ce que l’agent affirme ;
- ce qui a effectivement influencé son comportement ;
- ce qui rend son action normativement justifiable.
Ces trois niveaux peuvent diverger.
Prendre au sérieux le sens que l’agent donne à son action ne demande pas d’accepter son récit comme analyse causale définitive.
Explication et interprétation
Certaines disciplines cherchent à comprendre le sens d’un texte, d’un geste ou d’une pratique.
L’explication ne consiste alors pas uniquement à identifier des causes externes. Elle reconstruit :
- les normes ;
- les symboles ;
- le contexte.
Cette démarche interprétative reste soumise à des contraintes.
Toutes les interprétations ne se valent pas. Elles doivent être comparées selon :
- le texte ;
- les comportements ;
- la cohérence ;
- le contexte historique ;
- leur capacité à éclairer plusieurs éléments.
L’interprétation ne doit donc pas être opposée à toute rationalité scientifique.
L’explication par les modèles
Un modèle représente certains éléments et relations afin de rendre un phénomène intelligible. Il peut montrer :
- comment une dynamique se produit ;
- quelles variables sont décisives ;
- quelles conséquences suivent de certaines hypothèses.
Un modèle explique lorsqu’il ne se contente pas d’ajuster les observations, mais révèle une dépendance pertinente. Mais son caractère explicatif dépend :
- de l’interprétation ;
- du rapport au mécanisme ;
- de la robustesse.
Un modèle purement prédictif peut rester une boîte noire.
Il sait parfois anticiper sans nous dire pourquoi le résultat se produit.
Modèles possibles et mécanismes réels
Une simulation peut montrer qu’un ensemble de règles suffit à produire un phénomène. Elle établit une possibilité. Elle ne prouve pas automatiquement que le monde réel utilise ce mécanisme. Plusieurs modèles peuvent produire la même forme observable. Pour passer de :
« Ce mécanisme pourrait produire le phénomène »
à :
« Ce mécanisme l’a effectivement produit »
il faut des preuves supplémentaires :
- traces intermédiaires ;
- interventions ;
- prédictions distinctives ;
- comparaison avec les alternatives.
Cette distinction est essentielle dans les sciences sociales et évolutives, où les récits plausibles sont nombreux.
L’unification
Une explication est parfois valorisée parce qu’elle réunit plusieurs phénomènes sous un même principe. La théorie microbienne a unifié de nombreuses maladies auparavant traitées séparément. L’évolution par sélection naturelle relie :
- adaptation ;
- diversité ;
- parenté.
L’unification réduit le nombre d’hypothèses indépendantes nécessaires. Mais une théorie très générale peut devenir trop vague. Elle doit encore produire des relations précises et testables.
Expliquer tout avec un même mot sans montrer les mécanismes ne constitue pas une véritable unification.
La profondeur explicative
Une explication est dite plus profonde lorsqu’elle révèle une structure plus générale ou plus fondamentale. Mais la profondeur dépend de la question. Une explication moléculaire peut être profonde pour comprendre une réaction chimique. Elle peut être peu pertinente pour comprendre pourquoi un système de santé n’applique pas un traitement disponible. Les explications profondes et proches doivent souvent être combinées. Une explication proche montre :
- ce qui déclenche immédiatement.
Une explication plus distante montre :
- pourquoi le système possédait cette vulnérabilité.
Explication proche et explication ultime
En biologie, on distingue parfois :
Explication proche
Elle porte sur les mécanismes actuels et le développement.
Explication ultime
Elle porte sur l’histoire évolutive et la fonction adaptative.
Pourquoi un oiseau chante-t-il ?
Une réponse proche décrit :
- hormones ;
- circuits ;
- stimuli.
Une réponse ultime décrit :
- sélection sexuelle ;
- défense du territoire.
Ces réponses ne s’annulent pas.
Elles expliquent des dimensions différentes du même comportement.
L’erreur serait de croire que l’une rend l’autre inutile.
Explication micro et macro
Les phénomènes sociaux peuvent être expliqués à plusieurs niveaux.
Une évolution économique peut dépendre :
- des décisions individuelles ;
- des règles institutionnelles ;
- de structures démographiques ;
- d’événements internationaux.
Une explication purement individuelle peut manquer les contraintes collectives. Une explication uniquement structurelle peut rendre invisibles les mécanismes d’action. Les relations micro-macro demandent de montrer :
- comment les structures influencent les individus ;
- comment les actions agrégées reproduisent ou transforment les structures.
Réduction et pluralisme explicatif
Le réductionnisme affirme que les phénomènes d’un niveau peuvent, en principe ou en pratique, être expliqués par un niveau plus fondamental. Cette stratégie a produit d’importants progrès. Mais une réduction complète peut être :
- impossible ;
- inutile ;
- inaccessible.
Le pluralisme explicatif reconnaît plusieurs niveaux légitimes. Il ne signifie pas que les explications sont indépendantes ou incompatibles.
Une explication psychologique doit rester compatible avec les connaissances biologiques. Mais elle peut utiliser des concepts que la biologie seule ne remplace pas efficacement.
Plusieurs explications peuvent-elles être vraies ?
Oui, lorsque les explications répondent à des questions différentes ou décrivent des niveaux complémentaires.
Un accident peut être expliqué par :
- l’erreur immédiate d’un opérateur ;
- la conception de l’interface ;
- la fatigue ;
- la culture de sécurité ;
- les incitations économiques.
La première explication n’annule pas les autres. La recherche d’une cause unique peut conduire à attribuer toute la responsabilité au dernier acteur visible et à négliger les conditions du système. Mais l’accumulation de facteurs ne suffit pas non plus. Il faut préciser le rôle causal de chacun.
Explications concurrentes
Deux explications sont réellement concurrentes lorsqu’elles attribuent le même phénomène à des mécanismes incompatibles. Elles doivent alors être comparées selon :
- adéquation aux faits ;
- précision ;
- prédictions ;
- simplicité ;
- cohérence avec d’autres connaissances.
Une explication plus détaillée n’est pas automatiquement meilleure. Elle peut contenir davantage d’hypothèses ad hoc. Une explication simple n’est pas automatiquement vraie. Elle peut négliger la complexité réelle. La comparaison porte sur l’équilibre des qualités.
Explication et prédiction
Une bonne explication permet souvent de prévoir. Mais explication et prédiction ne coïncident pas toujours. Un modèle météorologique peut produire une prévision précise sans fournir une explication simple accessible. Une théorie peut expliquer pourquoi un système est imprévisible à long terme. Une éruption particulière peut être expliquée après coup sans avoir été précisément prédite.
La prédiction est un critère important parce qu’elle limite les récits rétrospectifs. Elle n’est pas la seule forme de réussite explicative.
Le risque de l’histoire plausible
L’esprit humain produit facilement des récits cohérents. Après un événement, nous sélectionnons les éléments qui semblent l’annoncer. L’explication paraît évidente. Mais une bonne histoire doit être distinguée d’une hypothèse scientifique. Il faut demander :
- aurait-elle permis une prédiction ?
- explique-t-elle d’autres cas ?
- existe-t-il des traces indépendantes ?
- quelles observations l’auraient réfutée ?
La cohérence narrative est une qualité de présentation. Elle ne constitue pas une preuve suffisante.
Expliquer l’exception
Une théorie qui explique uniquement les cas ordinaires peut rester utile. Mais les exceptions sont informatives. Elles peuvent révéler une condition cachée, un mécanisme concurrent, une erreur de classification ou une limite du domaine. Ajouter une hypothèse particulière à chaque exception peut protéger artificiellement l’explication. Il faut distinguer :
- raffinement fécond ;
- ajustement ad hoc.
Un raffinement est préférable lorsqu’il produit de nouvelles prédictions ou relie plusieurs anomalies.
L’explication contrastive
Une question explicative compare souvent deux résultats.
Pourquoi cette personne est-elle tombée malade plutôt qu’une autre ?
Pourquoi la croissance a-t-elle ralenti cette année plutôt que l’année précédente ?
L’explication dépend du contraste choisi. La génétique peut expliquer pourquoi deux individus réagissent différemment. L’exposition peut expliquer pourquoi cette population connaît davantage de cas qu’une autre. Une réponse peut être vraie tout en manquer la question précise. Il faut donc formuler :
Pourquoi P plutôt que Q ?
Cette précision évite les explications trop générales.
L’explication pertinente pour l’action
Une explication est particulièrement utile lorsqu’elle indique comment modifier le phénomène. Connaître la corrélation entre deux variables peut permettre une prévision. Connaître la cause permet plus directement une intervention. Mais une cause non modifiable peut être moins utile qu’un facteur intermédiaire. L’histoire génétique d’une maladie peut expliquer une vulnérabilité. Le traitement vise pourtant un mécanisme physiologique accessible.
Le meilleur niveau explicatif dépend donc aussi de la décision envisagée.
Une méthode pratique pour évaluer une explication
Formuler le phénomène
Qu’est-ce qui doit être expliqué exactement ?
Définir le contraste
Pourquoi ce résultat plutôt qu’un autre ?
Identifier le type d’explication
Est-elle :
- causale ;
- mécaniste ;
- statistique ;
- fonctionnelle ;
- historique ;
- intentionnelle ?
Vérifier qu’elle ajoute une relation
Évite-t-elle la simple reformulation ?
Examiner les preuves
Quelles observations soutiennent le mécanisme proposé ?
Comparer les alternatives
D’autres explications correspondent-elles aussi aux faits ?
Rechercher des prédictions distinctives
Que devrait-on observer si l’explication est correcte ?
Examiner le niveau
L’explication répond-elle à la bonne échelle ?
Tester l’intervention
Le phénomène change-t-il lorsque le facteur supposé causal est modifié ?
Délimiter le domaine
Dans quelles conditions l’explication cesse-t-elle de fonctionner ?
Questions à poser devant une explication
- Quel phénomène précis cherche-t-elle à expliquer ?
- S’agit-il d’une cause, d’un mécanisme, d’une fonction ou d’une corrélation ?
- Quel est le contraste implicite ?
- La cause est-elle nécessaire, suffisante ou seulement contributive ?
- Quelles conditions de fond sont supposées ?
- Le mécanisme intermédiaire est-il observé ?
- L’explication concerne-t-elle un individu ou une population ?
- Une probabilité est-elle confondue avec une cause ?
- La fonction est-elle historique, actuelle ou intentionnelle ?
- Plusieurs niveaux d’explication sont-ils compatibles ?
- Quelle observation distinguerait cette explication d’une concurrente ?
- Permet-elle une intervention ?
- Explique-t-elle également les exceptions ?
- Son pouvoir explicatif vient-il seulement de sa souplesse ?
- Quelle partie reste inconnue ?
Erreurs fréquentes
Confondre description et explication
Nommer ou mesurer un phénomène ne suffit pas à expliquer sa production.
Reformuler le phénomène avec un terme savant
Une étiquette ne constitue pas un mécanisme.
Chercher une cause unique dans un système multicausal
Plusieurs facteurs peuvent être nécessaires ensemble ou contribuer probabilistiquement.
Confondre déclencheur et cause complète
Les conditions structurelles peuvent expliquer pourquoi le déclencheur a produit cet effet.
Exiger qu’une cause produise toujours l’effet
De nombreuses causalités sont probabilistes.
Nier une causalité parce que certains individus font exception
L’effet peut porter sur une distribution.
Confondre corrélation et causalité
L’association peut venir d’une variable commune ou d’une causalité inverse.
Croire qu’une expérience explique automatiquement le mécanisme
Elle peut établir un effet sans montrer comment il est produit.
Croire qu’une absence d’expérience randomisée interdit toute causalité
Les preuves observationnelles peuvent être fortes lorsqu’elles sont convergentes.
Confondre mécanisme et simple liste de composants
L’organisation et les activités doivent être précisées.
Réduire automatiquement au niveau le plus fondamental
Une explication plus basse peut être moins pertinente pour la question.
Traiter l’émergence comme une force mystérieuse
Elle peut désigner une propriété produite par l’organisation collective.
Confondre probabilité élevée et explication
La fréquence ne révèle pas toujours le mécanisme.
Croire qu’un événement improbable est inexplicable
Une cause rare peut parfaitement expliquer un cas observé.
Attribuer une intention à la nature
Les fonctions biologiques doivent être reliées à une histoire ou à une organisation.
Déduire la fonction d’une institution de sa simple persistance
L’inertie et le pouvoir peuvent suffire à maintenir une structure.
Confondre intention officielle et effet réel
Une politique peut produire autre chose que son objectif déclaré.
Prendre les raisons déclarées pour les causes complètes de l’action
Les agents peuvent rationaliser.
Traiter toute interprétation comme subjective et invérifiable
Elle reste contrainte par les textes, les comportements et le contexte.
Croire qu’un modèle possible établit le mécanisme réel
Il faut des preuves reliant le modèle au monde.
Confondre unification verbale et explication
Utiliser le même terme pour plusieurs phénomènes ne montre pas qu’ils partagent un mécanisme.
Croire que l’explication la plus fondamentale remplace toutes les autres
Plusieurs niveaux peuvent être complémentaires.
Accumuler les causes sans préciser leur rôle
Une liste de facteurs n’est pas encore une structure causale.
Croire qu’une histoire cohérente est nécessairement vraie
Les récits rétrospectifs sont faciles à construire.
Ajouter une exception pour chaque contre-exemple
Une théorie trop flexible devient difficile à tester.
Oublier le contraste de la question
Une explication vraie peut ne pas répondre à ce qui était demandé.
Confondre explication scientifique et justification morale
Expliquer un comportement ne signifie pas l’excuser.
À retenir
Expliquer scientifiquement consiste à rendre un phénomène intelligible en montrant :
- ce qui le produit ;
- comment il est produit ;
- de quelle régularité il relève ;
- quelle fonction il remplit ;
- dans quelles conditions il varie.
Une description précise n’est pas automatiquement une explication.
Une explication doit ajouter une relation, un mécanisme ou une dépendance.
Les causes peuvent être :
- nécessaires ;
- suffisantes ;
- contributives ;
- probabilistes.
Dans les systèmes complexes, il est souvent préférable de parler d’un réseau causal plutôt que d’une cause unique.
Il faut distinguer les causes déclenchantes des conditions de fond.
Le choix de ce que l’on appelle *la cause* dépend partiellement de la question posée.
La causalité peut être comprise à travers la différence qu’une intervention ou l’absence d’un facteur aurait produite.
Les expériences contrôlées sont puissantes pour isoler des effets.
Elles ne sont ni toujours possibles ni toujours suffisantes pour comprendre le mécanisme ou généraliser.
Une corrélation peut suggérer une cause ou permettre une prédiction.
Elle ne détermine pas à elle seule la direction et le mécanisme de la relation.
Une explication mécaniste décrit les entités, activités et organisations qui produisent un phénomène.
Elle ouvre la boîte noire entre :
- cause ;
- effet.
Les mécanismes existent à plusieurs niveaux.
Le niveau le plus fondamental n’est pas toujours le plus pertinent pour comprendre ou agir.
Une propriété émergente peut être produite par les interactions du système sans appartenir à un composant isolé.
Une explication statistique montre souvent pourquoi un résultat est fréquent ou probable dans une population.
Elle ne révèle pas toujours pourquoi un individu particulier présente ce résultat.
Une explication fonctionnelle montre la contribution d’une structure ou d’un comportement à un système.
En biologie, elle peut être liée à la sélection naturelle.
Elle ne doit pas introduire artificiellement une intention consciente.
Une explication historique retrace les étapes et bifurcations ayant conduit à l’état présent.
La chronologie seule ne suffit pas : il faut montrer les dépendances.
Les explications intentionnelles utilisent les croyances, désirs et raisons des agents.
Les raisons déclarées ne sont pas toujours les causes complètes de l’action.
Un modèle peut expliquer en représentant les dépendances importantes.
Une simulation prouve d’abord ce qui se produit dans le modèle, non que le mécanisme est effectivement celui du monde réel.
L’unification constitue une force lorsqu’un principe précis relie plusieurs phénomènes et produit de nouvelles conséquences.
Elle devient vide lorsque le même terme est appliqué partout sans mécanisme.
Plusieurs explications peuvent être vraies lorsqu’elles répondent à des questions différentes ou portent sur plusieurs niveaux.
L’erreur consiste à supposer qu’une cause immédiate annule les conditions structurelles, ou inversement.
Les explications concurrentes doivent être comparées selon :
- preuves ;
- précision ;
- prédictions ;
- simplicité ;
- robustesse.
Une bonne explication ne doit pas seulement raconter correctement le passé.
Elle doit produire des contraintes permettant de la distinguer des récits concurrents.
Les exceptions peuvent révéler les limites et les mécanismes cachés.
Elles ne doivent ni être ignorées ni neutralisées par une accumulation d’ajustements improvisés.
La question explicative est souvent contrastive :
Pourquoi P plutôt que Q ?
Le choix du contraste détermine le type de réponse pertinente.
La meilleure explication pour comprendre n’est pas toujours la meilleure pour intervenir.
L’action peut viser un mécanisme modifiable même si une cause plus profonde reste inaccessible.
La conclusion la plus équilibrée est donc la suivante :
Une explication scientifique ne consiste pas à trouver un mot unique placé derrière le phénomène. Elle construit une relation contrôlable entre des causes, des mécanismes, des probabilités, des fonctions et des niveaux d’organisation. Les formes d’explication ne sont pas toujours concurrentes : elles doivent être articulées selon la question, les preuves disponibles et l’usage recherché.
La question centrale n’est finalement pas :
« Quelle est l’unique cause véritable ? »
mais :
« Quel aspect du phénomène cherchons-nous à comprendre, quel type de relation l’explication établit-elle, quelles preuves permettent de la distinguer d’un récit plausible, et à quel niveau cette explication devient-elle réellement utile pour prévoir ou agir ? »
Quelques références
- Carl Hempel, travaux sur le modèle nomologico-déductif.
- Wesley Salmon, travaux sur l’explication causale et statistique.
- James Woodward, *Making Things Happen*.
- Judea Pearl, *Causality*.
- Peter Lipton, *Inference to the Best Explanation*.
- Carl Craver, *Explaining the Brain*.
- Stuart Glennan, travaux sur les mécanismes.
- William Bechtel et Robert Richardson, *Discovering Complexity*.
- Robert Cummins, travaux sur l’analyse fonctionnelle.
- Larry Wright, *Teleological Explanations*.
- Ernst Mayr, travaux sur les causes proches et ultimes.
- Philip Kitcher, travaux sur l’unification explicative.
- Bas van Fraassen, *The Scientific Image*.
- Jon Elster, *Explaining Social Behavior*.