Qu’est-ce que la démarche scientifique ?
Lorsque l’on apprend la science à l’école, elle est souvent présentée sous la forme d’une succession simple : observer un phénomène, formuler une hypothèse, réaliser une expérience, puis tirer une conclusion. Cette représentation n’est pas entièrement fausse, mais elle devient trompeuse lorsqu’on la prend pour une description générale du travail scientifique. L’astronome qui étudie une étoile lointaine ne peut pas manipuler son objet comme un biologiste manipule des cellules en laboratoire ; l’épidémiologiste ne peut pas toujours répartir aléatoirement une population entre personnes exposées et non exposées à un polluant ; le géologue reconstitue des événements dont il ne peut observer directement le déroulement ; le climatologue combine observations, séries historiques, physique, modèles et simulations. Pourtant, toutes ces disciplines peuvent produire des connaissances scientifiques rigoureuses.
Il est donc préférable de parler de démarche scientifique plutôt que d’imaginer une méthode unique appliquée mécaniquement. Ce qui caractérise la science n’est pas l’obéissance à une recette universelle, mais l’organisation de procédures destinées à rendre nos conclusions contrôlables, critiquables et révisables.
La question fondamentale n’est alors plus : « Quelles étapes faut-il suivre pour faire de la science ? », mais plutôt : comment construire des connaissances suffisamment fiables alors que les observations peuvent être imparfaites, que les raisonnements peuvent être erronés et que les chercheurs eux-mêmes peuvent se tromper ?
Une famille de méthodes plutôt qu’une recette
Les sciences mobilisent une grande variété de pratiques : observation systématique, mesure, expérimentation, comparaison, modélisation, simulation, raisonnement statistique, étude de cas, reconstruction historique, recherche de mécanismes, formulation de prédictions ou confrontation de plusieurs hypothèses. Leur importance respective dépend de la question étudiée.
En physique des particules, il est parfois possible de construire des dispositifs expérimentaux extrêmement contrôlés. En astronomie, les chercheurs ne peuvent évidemment pas déplacer une étoile ou provoquer une supernova pour voir ce qui se passe : ils doivent exploiter les observations disponibles, comparer différents objets et tester les conséquences de modèles physiques. En épidémiologie, un essai randomisé peut être approprié pour comparer certains traitements, mais il serait contraire à l’éthique d’exposer volontairement des personnes au tabac, à l’amiante ou à une pollution potentiellement dangereuse. Les chercheurs doivent alors s’appuyer sur des données observationnelles et tenter de distinguer les effets recherchés de ceux produits par d’autres facteurs.
L’absence d’expérience contrôlée ne signifie donc pas l’absence de méthode. Ce qui compte est la manière dont une discipline adapte ses moyens de contrôle aux contraintes de son objet.
Cette diversité explique pourquoi les philosophes des sciences ont progressivement abandonné l’idée qu’il existerait une procédure simple permettant de tracer mécaniquement la frontière entre science et non-science. Certaines caractéristiques reviennent cependant régulièrement : les affirmations doivent être confrontées au monde observable, les méthodes suffisamment explicites pour pouvoir être examinées, les explications concurrentes prises au sérieux et les conclusions proportionnées à la qualité des preuves disponibles.
Partir d’un problème, pas nécessairement d’une observation
La version scolaire de la méthode scientifique commence souvent par « l’observation ». Dans la pratique, une recherche peut commencer de nombreuses façons : une observation inattendue, une contradiction entre deux résultats, une limite d’une théorie, une question pratique, une nouvelle possibilité technique ou simplement une prédiction qui n’a jamais encore été testée.
Une observation n’est d’ailleurs jamais totalement indépendante des connaissances préalables. Pour remarquer quelque chose d’anormal, il faut généralement disposer d’une idée de ce qui serait normal. Lorsqu’un astronome constate que le spectre lumineux d’une étoile présente certaines raies particulières, cette observation n’a de signification scientifique que parce qu’il existe déjà des théories physiques, des instruments calibrés et des connaissances permettant d’interpréter ce signal.
La recherche scientifique ne suit donc pas toujours le mouvement simplifié observation → hypothèse. Elle circule constamment entre observations, théories, modèles, instruments et problèmes. Une théorie peut conduire à chercher un phénomène jusque-là inaperçu ; une nouvelle observation peut obliger à modifier un modèle ; une amélioration instrumentale peut rendre testable une question qui ne l’était pas auparavant.
La démarche scientifique ressemble ainsi davantage à un processus d’enquête qu’à une chaîne de montage.
Transformer une idée en question testable
Une intuition, même brillante, n’est pas encore un résultat scientifique. Elle doit être transformée en une question que des observations peuvent réellement éclairer.
Supposons que l’on affirme qu’un nouveau traitement « améliore l’état des patients ». Plusieurs problèmes apparaissent immédiatement. Que signifie exactement « améliorer » ? S’agit-il d’une diminution de la mortalité, d’une réduction de la douleur, d’une récupération plus rapide ou d’un changement d’un marqueur biologique ? Par rapport à quoi faut-il comparer le traitement ? Comment s’assurer que les patients recevant celui-ci ne diffèrent pas déjà des autres ? Pendant combien de temps faut-il les suivre ?
Une bonne recherche consiste en partie à rendre explicites ces choix. Elle doit déterminer ce qui sera observé, comment cela sera mesuré, quelles comparaisons seront pertinentes et quelles autres explications pourraient produire le même résultat.
C’est pourquoi les méthodes scientifiques ne servent pas seulement à recueillir davantage de données. Elles servent surtout à produire des données capables de discriminer entre plusieurs interprétations possibles.
Chercher ce qui pourrait nous donner tort
Une démarche rigoureuse ne consiste pas uniquement à accumuler des observations compatibles avec l’idée que l’on préfère. Une hypothèse intéressante doit aussi être exposée à des situations dans lesquelles elle pourrait rencontrer des difficultés.
Cette intuition est notamment associée à Karl Popper et à la notion de falsifiabilité. Elle reste importante : une affirmation capable de s’accommoder de toutes les observations possibles apprend peu de choses sur le monde. Mais la pratique scientifique est plus complexe qu’une succession de réfutations instantanées. Lorsqu’une prédiction échoue, plusieurs éléments peuvent être responsables : l’hypothèse principale, mais aussi une erreur de mesure, une hypothèse auxiliaire, une mauvaise calibration de l’instrument ou une condition expérimentale mal maîtrisée.
Les chercheurs doivent donc examiner non seulement si les données semblent compatibles avec leur hypothèse, mais également quelles autres hypothèses pourraient les expliquer, quelles observations seraient particulièrement discriminantes et quelles erreurs pourraient produire artificiellement le résultat.
Cette attitude constitue l’un des fils conducteurs de la méthode scientifique : organiser la recherche de manière à rendre ses propres erreurs détectables.
Une expérience n’est pas toujours nécessaire, mais une comparaison l’est souvent
L’expérimentation contrôlée possède une puissance particulière lorsqu’elle est possible. Si deux groupes comparables ne diffèrent systématiquement que par un traitement, une différence observée ensuite peut plus facilement être attribuée à ce traitement. Randomisation, groupes témoins, aveugle ou placebo constituent autant de techniques destinées à éliminer des explications concurrentes.
Mais beaucoup de connaissances scientifiques solides ont été obtenues sans expérience randomisée.
L’existence des trous noirs, le mouvement des plaques tectoniques, l’évolution des espèces ou l’histoire climatique de la Terre n’ont pas été établis en manipulant directement les phénomènes concernés. Ces domaines utilisent d’autres formes de confrontation : prédictions indépendantes, observations convergentes, traces laissées par des événements passés, comparaison entre cas, mécanismes physiques ou biologiques connus.
L’étude du lien entre tabagisme et cancer du poumon en fournit un exemple classique. Il aurait été impossible et contraire à l’éthique d’assigner aléatoirement des personnes à fumer pendant plusieurs décennies. La conclusion causale s’est construite par l’accumulation de données différentes : association très forte entre tabagisme et cancer du poumon, relation avec la quantité fumée, temporalité de l’exposition, résultats retrouvés dans plusieurs populations, réduction du risque après l’arrêt et connaissances biologiques progressivement accumulées sur les substances cancérigènes de la fumée.
Aucun de ces éléments, pris isolément, n’avait la force d’un verdict absolu. Leur convergence a progressivement rendu les explications concurrentes de moins en moins plausibles.
Mesurer, c’est aussi pouvoir se tromper
La science confronte ses idées au monde par l’intermédiaire d’observations et d’instruments. Mais ceux-ci ne fournissent jamais une fenêtre parfaitement transparente sur la réalité.
Un thermomètre peut être mal calibré. Un questionnaire peut mesurer imparfaitement le phénomène psychologique auquel on s’intéresse. Un test médical peut produire des faux positifs ou des faux négatifs. Une enquête peut sous-représenter certaines catégories de population. Un algorithme peut transformer des données selon des choix qui affectent ensuite le résultat.
La qualité d’une conclusion dépend donc autant de la qualité de la mesure que de la sophistication de l’analyse qui suit. Une statistique calculée avec une extrême précision sur des données systématiquement biaisées ne corrige pas le problème initial.
C’est pour cette raison que les chercheurs s’intéressent à la validité des mesures, à leur fiabilité, aux erreurs aléatoires et systématiques, à la calibration des instruments et aux méthodes d’échantillonnage. Ces questions peuvent sembler moins spectaculaires que les grandes théories scientifiques, mais elles déterminent souvent ce que les données permettent réellement de conclure.
Quantifier l’incertitude
Une conclusion scientifique sérieuse n’est généralement pas simplement « vraie » ou « fausse ». Elle est accompagnée d’un certain degré d’incertitude.
Les observations sont limitées, les échantillons sont imparfaits et de nombreux phénomènes comportent une part de variabilité. Deux études correctement réalisées peuvent donc obtenir des résultats quelque peu différents sans que l’une d’elles soit nécessairement fautive.
Les statistiques permettent notamment d’évaluer cette incertitude, d’estimer des tailles d’effet et de comparer ce qui a été observé à ce que différents modèles permettraient d’attendre. Mais elles ne remplacent pas le raisonnement méthodologique. Une *p-value*, un intervalle de confiance ou un facteur de Bayes ne peuvent pas sauver un échantillon mal sélectionné, une mesure invalide ou une comparaison dépourvue de sens.
Les nombres n’éliminent donc pas l’incertitude : ils peuvent aider à la rendre explicite et à raisonner avec elle.
Une étude n’est qu’une pièce du dossier
Une erreur fréquente consiste à parler d’« une étude scientifique » comme si elle représentait à elle seule l’état de la science.
Une étude produit un résultat dans certaines conditions, avec un échantillon donné, des mesures particulières et une méthode déterminée. Même lorsqu’elle est excellente, elle n’épuise presque jamais la question. Un résultat peut dépendre du hasard, d’un contexte particulier, d’un choix analytique ou d’une caractéristique encore inconnue de l’échantillon.
La confiance augmente lorsque le résultat résiste à des réplications indépendantes, des méthodes différentes, d’autres populations et d’autres manières de mesurer le phénomène. Les revues systématiques et les méta-analyses peuvent ensuite tenter d’organiser cette littérature, tout en tenant compte de la qualité et de l’hétérogénéité des études.
Il est donc utile de raisonner à plusieurs niveaux : une étude fournit une information ; plusieurs études constituent une littérature ; cette littérature peut être synthétisée ; et l’ensemble contribue progressivement à un état des connaissances.
Cette distinction est particulièrement importante lorsqu’une nouvelle étude spectaculaire semble contredire des décennies de recherche. Elle peut effectivement annoncer une découverte majeure. Elle peut aussi refléter une erreur, un effet particulier ou une fluctuation statistique. La question raisonnable n’est pas seulement « cette étude existe-t-elle ? », mais quelle place occupe-t-elle dans l’ensemble des preuves disponibles ?
La science est aussi une activité collective
La fiabilité scientifique ne repose pas uniquement sur l’intelligence ou la bonne foi des chercheurs. Les scientifiques sont soumis aux mêmes limites humaines que tout le monde : attentes, préférences théoriques, erreurs de raisonnement, intérêts professionnels ou simple attachement à une idée à laquelle ils ont consacré plusieurs années.
Une partie essentielle de la méthode scientifique consiste donc à ne pas dépendre entièrement de la vertu individuelle.
Les protocoles explicites permettent à d’autres chercheurs de comprendre comment un résultat a été obtenu. La revue par les pairs expose les travaux à la critique avant publication, même si ce contrôle reste imparfait. La réplication permet à des équipes indépendantes de vérifier si un résultat résiste à une nouvelle étude. Le partage des données et du code peut rendre certaines analyses vérifiables. Les débats, corrections et rétractations permettent de signaler des erreurs après publication.
La science moderne constitue ainsi un système à la fois méthodologique et social de contrôle mutuel.
Cela ne signifie pas qu’elle s’autocorrige toujours rapidement ni automatiquement. Certaines erreurs peuvent durer longtemps, certaines pratiques institutionnelles peuvent favoriser les résultats spectaculaires plutôt que les résultats solides et certaines controverses peuvent rester ouvertes pendant des décennies. L’autocorrection scientifique n’est pas une loi de la nature : elle dépend de mécanismes qu’il faut entretenir et améliorer.
La révision n’est pas un échec de la science
On entend parfois qu’un changement de recommandation ou de théorie montrerait que « la science s’est trompée » et qu’il serait donc inutile de lui accorder confiance.
Mais cette objection confond deux idées différentes.
Il est évidemment possible qu’une conclusion scientifique soit fausse. La science est une activité humaine et faillible. En revanche, une démarche qui permet de modifier une conclusion lorsque de meilleures données apparaissent possède un avantage considérable sur une doctrine incapable de reconnaître ses erreurs.
La révision constitue donc moins une faiblesse qu’une condition de la fiabilité scientifique. Une connaissance scientifique n’est généralement pas digne de confiance parce qu’elle serait devenue impossible à remettre en question, mais parce qu’elle a résisté jusqu’ici à différentes tentatives de contrôle tout en restant ouverte à de nouvelles preuves.
Cette distinction permet d’éviter deux excès symétriques. Le scientisme transforme parfois les résultats scientifiques en certitudes absolues ou prétend que la science peut répondre à toutes les questions humaines. Le relativisme, à l’inverse, conclut parfois que puisque la science peut se tromper, aucune conclusion n’est plus légitime qu’une autre.
Entre ces deux positions existe une conception beaucoup plus réaliste : les connaissances scientifiques sont fallibles mais inégalement justifiées. Certaines conclusions reposent sur des preuves abondantes, convergentes et reproduites ; d’autres restent fragiles ou controversées. Être révisable ne signifie pas être arbitraire.
Une méthode pour rendre l’erreur plus difficile
On peut finalement comprendre la démarche scientifique comme une architecture de résistance à l’erreur.
Une mesure précise réduit certaines erreurs. Un groupe témoin élimine certaines explications concurrentes. Une randomisation réduit certains biais de sélection. Une analyse statistique estime une partie de l’incertitude. Une réplication vérifie qu’un résultat ne dépend pas uniquement d’une étude. Le partage des méthodes permet leur critique. La confrontation avec d’autres travaux replace une découverte dans un ensemble plus vaste de connaissances.
Aucun de ces mécanismes n’est parfait et aucun ne suffit à lui seul. Leur intérêt vient précisément de leur combinaison.
La science ne possède donc pas une méthode magique garantissant la vérité. Elle possède quelque chose de plus intéressant : un ensemble évolutif de méthodes permettant de confronter les idées au monde, de rendre certaines erreurs visibles et de corriger progressivement les connaissances lorsqu’elles résistent mal aux preuves.
C’est cette logique que nous allons maintenant examiner pièce par pièce.
À retenir
La démarche scientifique n’est pas une recette universelle du type « observation → hypothèse → expérience → conclusion ». Les différentes sciences utilisent des méthodes adaptées à leurs objets, depuis l’expérimentation contrôlée jusqu’à l’observation, la modélisation ou la reconstruction historique.
Ce qui leur donne une unité n’est pas une procédure unique, mais une ambition commune : produire des affirmations contrôlables, confronter les hypothèses aux observations, comparer les explications possibles, expliciter l’incertitude et permettre la critique ainsi que la correction des erreurs.
La science ne garantit pas l’infaillibilité. Sa force vient plutôt de sa capacité à organiser systématiquement les conditions dans lesquelles nous avons davantage de chances de découvrir que nous nous sommes trompés.
Sources et références
- Andersen, H. & Hepburn, B., « Scientific Method », *Stanford Encyclopedia of Philosophy*, révision 2026.
- National Academies of Sciences, Engineering, and Medicine, Reproducibility and Replicability in Science, National Academies Press, 2019.
- National Institutes of Health, Enhancing Reproducibility through Rigor and Transparency, documentation sur la rigueur scientifique et la reproductibilité.
- Popper, Karl, The Logic of Scientific Discovery, Hutchinson, 1959 [édition anglaise de *Logik der Forschung*, 1934].
- Chalmers, Alan F., What Is This Thing Called Science?, University of Queensland Press, plusieurs éditions.