Quand une preuve ne devrait presque rien changer
Certaines informations paraissent impressionnantes mais devraient à peine modifier notre degré de croyance. Une théorie explique un fait déjà connu, un expert répète ce que dix autres ont dit, une étude obtient un résultat attendu par presque toutes les hypothèses en présence, une vidéo confirme seulement qu’un événement banal a bien eu lieu. Dans chacun de ces cas, nous avons reçu une information, mais pas nécessairement une preuve très discriminante.
C’est l’un des apprentissages les plus difficiles du raisonnement bayésien. Nous avons tendance à confondre nouvelle information et forte information, présence d’un indice et valeur probante de cet indice, répétition et confirmation indépendante. Or une observation ne devrait modifier fortement notre croyance que si elle était sensiblement plus attendue sous certaines hypothèses que sous les autres.
Lorsque :
P(E|H1) ≈ P(E|H2),
le rapport de vraisemblance est proche de 1.
Et lorsque :
LR ≈ 1,
les odds bougent peu.
Une preuve peut donc être parfaitement réelle, correcte et pertinente tout en ne méritant qu’une mise à jour minime.
Une observation attendue sous toutes les hypothèses distingue très peu
Supposons que deux modèles météorologiques concurrents prédisent tous deux qu’il fera entre 15 et 20 °C demain.
Le lendemain, il fait 18 °C.
Le résultat est compatible avec le premier modèle. Il est également compatible avec le second.
Si :
P(18 °C environ | M1) ≈ P(18 °C environ | M2),
l’observation ne permet presque pas de les départager.
Dire :
« le modèle M1 avait bien prévu ce résultat »
est vrai.
Dire :
« ce résultat confirme fortement M1 contre M2 »
ne l’est pas.
La différence entre ces deux phrases constitue précisément la distinction entre compatibilité et pouvoir discriminant.
Une preuve très probable sous H peut être presque neutre
Nous avons naturellement tendance à penser qu’une observation constitue une bonne preuve pour H lorsqu’elle était très probable si H était vraie.
Supposons :
P(E|H1) = 95 %.
Cela semble impressionnant.
Mais si :
P(E|H2) = 94 %,
alors :
LR ≈ 1,01.
L’observation favorise à peine H1.
Le raisonnement incomplet est :
« si H1 est vraie, je m’attendais fortement à E ; j’ai observé E ; donc H1 est fortement confirmée ».
Le raisonnement correct demande immédiatement :
« et si H1 était fausse ou si H2 était vraie, à quel point E aurait-elle également été attendue ? »
Une preuve n’acquiert sa force qu’à travers cette comparaison.
Une explication formulée après coup mérite souvent moins de poids
Une théorie peut sembler impressionnante parce qu’elle explique parfaitement un événement une fois celui-ci connu.
Mais expliquer après coup est beaucoup plus facile que prédire avant.
Supposons qu’un analyste politique annonce après une élection :
« le résultat était inévitable : tout s’explique par la campagne, l’économie, l’abstention et la personnalité des candidats ».
Peut-être son analyse est-elle correcte. Mais si le même cadre aurait permis d’expliquer avec autant d’assurance le résultat inverse, l’observation électorale apporte peu de confirmation à cette théorie particulière.
Le test qualitatif devient :
« qu’aurait dit cette théorie si le résultat contraire s’était produit ? »
Si la réponse est :
« elle aurait également trouvé une explication »,
la valeur probante de son succès rétrospectif doit être réduite.
Une théorie qui explique tout après coup risque de prédire très peu avant coup.
Une nouvelle occurrence d’une information connue apporte parfois presque zéro
Supposons qu’une rumeur apparaisse sur un site. Le lendemain, dix autres articles la reprennent.
La première publication peut modifier notre croyance. La deuxième aussi, si elle possède une source indépendante.
Mais si les dix articles citent tous le premier, les derniers apportent très peu d’information nouvelle sur le fait initial.
Une fois que nous savons :
« le site A affirme E »,
apprendre :
« le site B rapporte que A affirme E »
ne constitue presque pas une nouvelle preuve que E s’est réellement produit.
Cela peut être une preuve que la rumeur circule.
Ce n’est pas la même hypothèse.
Le raisonnement séquentiel oblige donc à demander :
« qu’est-ce que cette nouvelle observation ajoute sachant tout ce que j’ai déjà observé ? »
Si la réponse est « presque rien », notre posterior devrait presque rester sur place.
Dix personnes répétant une même source ne valent pas dix témoins
Imaginons qu’une personne affirme avoir vu un phénomène inhabituel. Elle en parle ensuite à dix proches, qui répètent tous son récit.
Nous rencontrons alors onze personnes racontant la même histoire.
Psychologiquement, cela ressemble à une convergence.
Probabilistiquement, la structure ressemble plutôt à :
un témoin primaire → dix répétitions.
Si le témoin initial s’est trompé, cette seule erreur peut expliquer les onze récits.
À l’inverse, onze témoins réellement indépendants observant la même chose dans de bonnes conditions exigeraient une explication beaucoup plus complexe en cas de fausseté.
La différence n’est donc pas le nombre de voix, mais le nombre de voies d’information réellement distinctes.
Une nouvelle preuve très dépendante des précédentes devrait souvent produire une mise à jour très faible.
Une preuve déjà intégrée ne doit pas être comptée une deuxième fois
Cette idée dépasse la désinformation.
Supposons qu’un médecin sache déjà qu’un patient présente une température très élevée. Un rapport automatisé classe ensuite le cas comme « fièvre importante » précisément à partir de cette même température.
Il serait incorrect de compter :
température élevée + diagnostic automatique de fièvre
comme deux indices indépendants.
Le second est essentiellement une transformation du premier.
La même erreur apparaît lorsqu’une analyse scientifique produit plusieurs indicateurs calculés à partir de la même variable, ou lorsqu’un résumé statistique est présenté comme une confirmation indépendante des données dont il provient.
Le bon principe est simple :
une information ne doit pas gagner du poids simplement parce qu’elle a changé de forme.
Une preuve très vague discrimine peu
Supposons qu’un voyant affirme :
« dans les prochaines semaines, une personne de votre entourage traversera une période difficile ».
Un événement correspondant finira probablement par se produire.
La réussite apparente possède très peu de valeur probante parce que la prédiction était suffisamment large pour être compatible avec une immense variété d’événements.
Le même problème existe dans des raisonnements beaucoup plus sérieux.
Une théorie qui prédit :
« une perturbation économique importante peut survenir dans les prochaines années »
est beaucoup moins discriminante qu’un modèle prévoyant précisément une hausse ou une baisse dans certaines conditions définies.
Plus une prédiction couvre un grand nombre de résultats possibles, moins la réalisation de l’un d’eux est généralement surprenante sous l’hypothèse concurrente.
Une bonne preuve ne consiste donc pas simplement à retrouver une correspondance entre prédiction et réalité. Il faut examiner combien d’autres résultats auraient également été considérés comme des succès.
Un exemple parmi mille n’est pas nécessairement informatif
Nous sommes également sensibles aux exemples individuels.
Une personne prend un traitement et va mieux.
Un entrepreneur applique une méthode et réussit.
Un élève adopte une nouvelle technique de travail et améliore ses notes.
Chacun de ces cas est compatible avec un effet réel.
Mais nous ignorons souvent :
combien de personnes ont essayé sans succès ;
combien auraient progressé sans intervention ;
combien d’autres facteurs ont changé simultanément ;
comment l’exemple a été sélectionné.
Une anecdote peut être une donnée authentique tout en ayant un rapport de vraisemblance proche de 1 entre plusieurs explications.
Le problème n’est donc pas :
« les anecdotes sont fausses ».
Il est :
« une anecdote isolée distingue souvent mal les hypothèses concurrentes ».
Une coïncidence étonnante peut être presque inévitable lorsqu’on cherche assez longtemps
Les coïncidences constituent une autre source de sur-réaction.
Nous découvrons que deux événements rares se sont produits le même jour, qu’une personne a rêvé d’un accident avant qu’un accident n’arrive, ou qu’un texte ancien contient une phrase ressemblant étonnamment à un événement moderne.
Pris isolément, le rapprochement paraît extrêmement improbable.
Mais la bonne question n’est pas :
« quelle était la probabilité de cette coïncidence précise ? »
Elle est plutôt :
« combien de coïncidences possibles aurais-je également trouvées remarquables ? »
Si nous examinons des milliers de dates, de phrases, de rêves ou de personnes, l’apparition d’au moins une correspondance frappante peut devenir tout à fait ordinaire.
Le pouvoir probant d’une coïncidence dépend donc de la procédure de sélection qui nous a conduits jusqu’à elle.
Une coïncidence prédite précisément à l’avance peut être très informative.
Une coïncidence découverte après avoir exploré des milliers de possibilités l’est beaucoup moins.
Un résultat statistiquement significatif peut encore être une faible preuve
La même prudence vaut en science.
Un résultat affichant :
p < 0,05
peut sembler constituer une preuve importante.
Mais sa valeur dépend du contexte : plan expérimental, taille d’échantillon, nombre d’analyses effectuées, plausibilité initiale de l’hypothèse, taille de l’effet et qualité des mesures.
Une petite *p-value* n’est pas un rapport de vraisemblance direct entre une hypothèse scientifique et toutes ses alternatives, et elle ne mesure pas la probabilité que l’hypothèse nulle soit vraie.
Un résultat peut donc franchir un seuil conventionnel tout en n’exigeant qu’une révision modérée de nos croyances.
Inversement, un résultat non « significatif » peut malgré tout apporter une information utile.
Le réflexe bayésien consiste encore une fois à ne pas demander seulement :
« le test a-t-il franchi le seuil ? »
mais :
« de combien les données changent-elles réellement la plausibilité relative des hypothèses ? »
Une étude isolée devrait rarement renverser une littérature robuste
Supposons que vingt études correctement conduites convergent vers un effet modeste.
Une vingt-et-unième étude obtient le résultat inverse.
Cette nouvelle observation mérite d’être prise au sérieux.
Mais elle ne devrait généralement pas effacer instantanément les vingt précédentes.
Elle peut représenter une variation d’échantillonnage, une différence de population, une erreur, un contexte où l’effet change ou le début d’une remise en cause plus profonde.
La réaction rationnelle peut être :
« ma confiance diminue un peu ; il faut comprendre cette discordance ».
Plutôt que :
« tout ce que nous savions était faux ».
Une preuve nouvelle doit être intégrée au corpus existant, pas substituée mentalement à celui-ci.
La nouveauté d’un résultat n’annule pas le poids déjà accumulé.
Une affirmation extraordinaire soutenue seulement par une preuve ordinaire doit peu nous déplacer
Reprenons une idée déjà étudiée.
Supposons qu’une hypothèse extraordinaire possède un prior extrêmement faible.
Quelqu’un affirme l’avoir observée, mais le témoignage provient d’une situation où méprise, illusion ou mauvaise interprétation restent parfaitement plausibles.
Le témoignage peut réellement augmenter notre croyance.
Mais s’il n’est que modestement plus probable sous l’hypothèse extraordinaire que sous une erreur ordinaire, la mise à jour doit rester limitée.
Le bon raisonnement n’est pas :
« je refuse d’y croire parce que c’est extraordinaire ».
Ni :
« un témoin affirme l’avoir vu, donc je dois désormais y croire ».
Il est :
« le témoignage augmente-t-il suffisamment les odds pour compenser le prior très faible ? »
Souvent, une preuve simplement compatible ne suffit pas.
Une information émotionnellement forte peut être épistémiquement faible
Une histoire individuelle peut être bouleversante.
Une photographie peut susciter une forte colère.
Un discours peut provoquer une peur intense.
Ces réactions sont humaines et parfois parfaitement légitimes. Mais l’intensité émotionnelle n’est pas une mesure de la valeur probante.
Une image montrant une scène violente prouve que cette scène a existé si l’image est authentique. Elle ne démontre pas nécessairement que cette scène est représentative d’un pays, d’un groupe ou d’une politique entière.
Un témoignage tragique peut établir qu’une personne a subi une situation donnée. Il ne suffit pas à estimer sa fréquence dans toute la population.
Le passage de :
« ce cas existe »
à
« ce cas est typique »
nécessite des données supplémentaires.
Une preuve peut donc être très importante moralement tout en étant faiblement informative statistiquement sur une généralisation.
Les deux dimensions ne doivent pas être confondues.
Une preuve provenant d’une mauvaise source devrait être fortement atténuée
Supposons qu’une information, si elle était authentique, serait extrêmement discriminante.
Mais elle provient d’un compte anonyme créé hier et ne fournit aucun document vérifiable.
Nous ne devons pas raisonner :
« si cette information est vraie, elle change tout ; donc elle change tout ».
Il faut intégrer l’incertitude sur la fiabilité de la source.
L’hypothèse concurrente peut être :
la source invente ou déforme l’information.
Si cette possibilité est beaucoup plus probable que l’événement extraordinaire rapporté, la publication peut justifier seulement une petite mise à jour.
La force d’une affirmation conditionnelle :
« si ce document est authentique... »
ne doit pas être transférée intégralement au monde réel tant que l’authenticité reste incertaine.
La provenance d’une preuve fait partie de la preuve.
Une explication toujours disponible réduit la valeur du résultat
Certaines croyances possèdent une remarquable capacité à absorber les échecs.
Une prédiction ne se réalise pas : « les conditions n’étaient pas réunies ».
Elle se réalise : « c’est une confirmation ».
Un adversaire critique la théorie : « sa réaction était prévisible et confirme notre théorie ».
Il ne la critique pas : « son silence confirme également notre théorie ».
Lorsque tous les résultats possibles sont réinterprétés comme compatibles, chaque observation devient faiblement probante.
La question cruciale devient :
« quel résultat aurait réellement été considéré comme une preuve contre cette hypothèse ? »
Si aucune réponse n’est possible, la théorie risque d’être protégée contre l’apprentissage.
Une hypothèse doit permettre à certaines observations de modifier ses odds dans le mauvais sens, sinon ses « confirmations » perdent une grande partie de leur signification.
Une information parfaitement prévisible après coup peut n’être qu’un récit
Nous pouvons appliquer ce principe à nos propres souvenirs intellectuels.
Après un événement, nous avons tendance à reconstruire nos attentes passées :
« je savais bien que cela finirait ainsi ».
Mais si nous n’avions formulé aucune prédiction claire avant l’événement, notre impression de prévisibilité rétrospective ne constitue pas une véritable confirmation.
Un moyen simple de s’en protéger consiste à écrire certaines prédictions à l’avance, surtout lorsque nous voulons évaluer notre jugement ou celui d’une théorie.
Cela transforme :
« cela me paraît évident maintenant »
en une question vérifiable :
« qu’avais-je réellement prévu avant de connaître le résultat ? »
Cette pratique est particulièrement utile pour les prévisions politiques, économiques ou scientifiques.
Sans trace préalable, notre mémoire peut rendre une théorie beaucoup plus prédictive qu’elle ne l’était réellement.
Peu changer d’avis peut être une marque d’ouverture intellectuelle
Nous associons parfois l’ouverture d’esprit à la capacité de changer rapidement d’opinion.
Mais résister à une preuve faible peut être tout aussi rationnel.
Supposons qu’une personne possède une croyance fondée sur un vaste corpus d’informations et rencontre un témoignage isolé qui la contredit légèrement.
Maintenir provisoirement sa position ne constitue pas nécessairement de l’entêtement.
Cela peut simplement signifier :
« cette nouvelle donnée est réelle, je l’intègre, mais son poids est insuffisant pour renverser tout le reste ».
L’ouverture d’esprit consiste à laisser la preuve produire le changement qu’elle mérite, pas celui que l’on imagine devoir montrer pour paraître intellectuellement flexible.
Une mise à jour minime est parfois la bonne mise à jour.
Mais « presque rien » n’est pas « rien »
Cette nuance est importante.
Une preuve faible ne doit pas toujours être ignorée.
Supposons qu’une observation possède :
LR = 1,2.
Elle favorise légèrement H.
Une seule observation de ce type change peu la situation. Mais cent preuves véritablement indépendantes de force comparable peuvent finir par produire une forte accumulation :
1,2¹⁰⁰
devient considérable.
Nous retrouvons donc une distinction essentielle entre :
une preuve faible
et
aucune preuve.
Si plusieurs petits indices indépendants convergent, ils peuvent progressivement modifier fortement notre croyance.
La bonne attitude n’est pas de dire :
« cela ne prouve rien »
chaque fois qu’une preuve est faible.
Elle est de dire :
« cela me déplace un peu ; voyons si d’autres informations indépendantes convergent ».
Une grille pratique : pourquoi cette preuve devrait-elle me faire bouger ?
Lorsqu’une information nous pousse spontanément à réviser fortement notre jugement, quelques questions peuvent servir de frein utile.
Cette observation serait-elle presque aussi probable si mon hypothèse était fausse ? Si oui, son pouvoir discriminant est faible.
Cette source apporte-t-elle réellement une information indépendante ? Si elle répète une source déjà connue, la mise à jour supplémentaire doit diminuer.
Cette prédiction avait-elle été formulée avant les faits ? Une explication rétrospective flexible mérite généralement moins de poids.
Combien d’occasions existait-il de trouver un résultat similaire par hasard ? Une observation sélectionnée parmi des milliers de possibilités peut être beaucoup moins surprenante qu’elle n’en a l’air.
Cette donnée est-elle représentative de ce que j’essaie de conclure ? Un cas réel ne suffit pas toujours à généraliser.
Quelle était ma connaissance antérieure ? Une information faible ne doit pas effacer artificiellement un corpus robuste.
Ces questions ne calculent pas un posterior. Elles empêchent surtout notre esprit de surpondérer les informations saillantes.
L’art de ne presque pas bouger
Nous avons souvent présenté Bayes comme une théorie de la révision des croyances. Mais il est tout autant une théorie de la stabilité rationnelle.
Une bonne croyance doit pouvoir changer.
Elle ne doit pas nécessairement changer beaucoup.
Lorsque les nouvelles données étaient également attendues sous plusieurs hypothèses, qu’elles sont fortement dépendantes de ce que nous savions déjà ou qu’elles proviennent d’une sélection opportuniste, le bon posterior reste parfois très proche du prior.
Cette résistance n’est pas un défaut du raisonnement bayésien. Elle en est une conséquence directe.
Une information faible mérite une mise à jour faible. Une information redondante mérite presque aucune mise à jour. Une information véritablement discriminante mérite davantage.
Cette règle paraît simple. Mais notre psychologie ne l’applique pas spontanément avec régularité.
Nos convictions politiques, morales et identitaires peuvent nous pousser à grossir la force des preuves favorables et à minimiser celle des preuves contraires. Nous savons maintenant comment une mise à jour devrait fonctionner en théorie.
Reste une question plus difficile : sommes-nous réellement capables de nous appliquer cette règle lorsque nous avons envie qu’une conclusion soit vraie ?
Pour aller plus loin
- Crupi, V. (2025). « Confirmation », *Stanford Encyclopedia of Philosophy*. Présentation des théories probabilistes de la confirmation et de la distinction entre simple compatibilité et modification réelle du degré de croyance.
- Hawthorne, J. « Inductive Logic », *Stanford Encyclopedia of Philosophy*. Analyse du rôle des rapports de vraisemblance dans la mesure comparative de la force d’une preuve.
- Gelman, A., & Shalizi, C. R. (2013). « Philosophy and the practice of Bayesian statistics ». *British Journal of Mathematical and Statistical Psychology*, 66(1), 8–38. DOI : 10.1111/j.2044-8317.2011.02037.x. Discussion de l’importance de confronter les modèles aux données plutôt que de considérer toute compatibilité comme une confirmation suffisante.
- Dechêne, A., Stahl, C., Hansen, J., & Wänke, M. (2010). « The Truth About the Truth: A Meta-Analytic Review of the Truth Effect ». *Personality and Social Psychology Review*, 14(2), 238–257. DOI : 10.1177/1088868309352251. Méta-analyse montrant comment la répétition peut accroître la crédibilité perçue d’une affirmation sans ajouter une preuve indépendante correspondante.