Sources et approfondissements — Méthode scientifique

La méthode scientifique est un domaine étrange à documenter, car il n’existe pas un ouvrage unique décrivant « la méthode scientifique » comme on décrirait une procédure standard.

La recherche expérimentale, l’épidémiologie, l’astronomie, l’histoire naturelle, la psychologie, l’économie empirique ou la biologie moléculaire ne travaillent pas exactement de la même manière. Elles partagent néanmoins une architecture générale : rendre les questions suffisamment précises pour être confrontées à des observations, organiser des contrôles contre les erreurs possibles, quantifier l’incertitude lorsque c’est pertinent, exposer les résultats à la critique et accumuler progressivement des preuves suffisamment indépendantes.

La littérature utile est donc elle-même dispersée entre :

philosophie des sciences ;

statistiques ;

épidémiologie ;

méthodologie expérimentale ;

inférence causale ;

synthèse des preuves ;

métarecherche ;

intégrité scientifique ;

science ouverte.

La *Stanford Encyclopedia of Philosophy* insiste d’ailleurs dans sa révision d’août 2026 de l’entrée « Scientific Method » sur la pluralité des pratiques scientifiques : observation systématique, expérimentation, induction, déduction, construction de modèles, formulation et test d’hypothèses sont importantes, mais leur combinaison varie profondément entre disciplines.

Cette bibliographie doit donc être utilisée comme un parcours, pas comme une liste qu’il faudrait lire intégralement avant de comprendre la science.

Pour commencer : trois excellentes portes d’entrée

Alan F. Chalmers — *What Is This Thing Called Science?*, 4e édition, 2013. C’est probablement l’une des meilleures introductions générales pour comprendre pourquoi la représentation scolaire « observation → hypothèse → expérience → conclusion » ne suffit pas. Chalmers introduit progressivement induction, falsificationnisme, Kuhn, programmes de recherche, expérimentation, réalisme et limites des conceptions trop simples de la méthode. La quatrième édition ajoute notamment un développement historique sur l’atomisme et montre comment plusieurs lignes de preuve indépendantes peuvent transformer une hypothèse spéculative en connaissance scientifique beaucoup plus robuste. L’ouvrage reste volontairement pédagogique et constitue une excellente première lecture avant les textes philosophiques plus techniques.

Peter Godfrey-Smith — *Theory and Reality: An Introduction to the Philosophy of Science*, 2e édition, 2021. Plus contemporain et à mon sens particulièrement adapté à l’esprit de cette rubrique, Godfrey-Smith retrace les grands débats depuis l’empirisme logique et Popper jusqu’au réalisme, aux modèles, au bayésianisme et aux dimensions sociales de la science. Il est remarquable parce qu’il présente les différentes positions sans transformer chacune d’elles en vérité définitive. La deuxième édition ajoute notamment un chapitre consacré à la vérité, à la simplicité et aux modèles.

Hanne Andersen & Brian Hepburn — « Scientific Method », *Stanford Encyclopedia of Philosophy*. Pour une référence en ligne rapidement consultable, c’est désormais l’une des meilleures portes d’entrée. La révision substantielle du 8 août 2026 est particulièrement utile pour notre approche, car elle abandonne explicitement l’idée d’une recette méthodologique universelle et examine les relations entre observation, expérimentation, raisonnement, modèles, hypothèses et objectifs de la science.

Ces trois ressources suffisent déjà à éviter deux erreurs très courantes : croire qu’il existe une méthode scientifique unique et rigide, ou conclure de cette pluralité qu’il n’existe aucun principe méthodologique général.

La référence de travail pour l’évaluation d’un corpus : le Cochrane Handbook

Pour comprendre concrètement comment passer de plusieurs études à un état raisonné des connaissances, le Cochrane Handbook for Systematic Reviews of Interventions est probablement la référence méthodologique la plus importante de cette rubrique.

Il ne traite évidemment pas de toute la science. Son domaine principal est l’évaluation des effets des interventions, particulièrement en santé.

Mais ses chapitres permettent d’approfondir de manière extrêmement rigoureuse :

la formulation des questions ;

les critères d’inclusion ;

la recherche bibliographique ;

les mesures d’effet ;

le risque de biais ;

les essais randomisés ;

les méta-analyses ;

l’hétérogénéité ;

les résultats manquants ;

la certitude d’un corps de preuves.

Le site Cochrane présente actuellement le Handbook comme la version 6.5, publiée en 2024, tandis que son historique documente des mises à jour 6.5.1 en 2025 et 2026 de certains chapitres. Il faut donc privilégier la version en ligne lorsqu’on cherche l’état méthodologique le plus récent.

Pour notre rubrique, les chapitres les plus directement utiles sont ceux consacrés au risque de biais, à la méta-analyse, aux preuves manquantes et à GRADE. Le Handbook est beaucoup plus technique que Chalmers ou Godfrey-Smith ; il doit être utilisé comme ouvrage de référence, non nécessairement lu de la première à la dernière page.

Pour comprendre la causalité

L’une des difficultés majeures de la méthode scientifique consiste à passer de :

« X et Y varient ensemble »

à

« X modifie causalement Y ».

Pour approfondir cette question, plusieurs traditions complémentaires sont utiles.

Miguel Hernán & James Robins — *Causal Inference: What If*. C’est une référence majeure de l’inférence causale moderne, particulièrement en épidémiologie. L’ouvrage explique notamment les résultats potentiels, la confusion, les stratégies d’ajustement, la sélection, les traitements variant dans le temps et les relations entre essais randomisés et données observationnelles. Il est plus technique que cette rubrique, mais très précieux pour comprendre pourquoi « corrélation n’est pas causalité » n’est que le début du problème.

Judea Pearl — *Causality: Models, Reasoning, and Inference*, 2e édition, 2009. Beaucoup plus formel, cet ouvrage développe le cadre des graphes causaux, des interventions et des modèles structurels. Pour une introduction moins technique, Pearl et Dana Mackenzie proposent *The Book of Why* (2018), qui permet de comprendre l’intuition générale avant d’entrer dans le formalisme.

William R. Shadish, Thomas D. Cook & Donald T. Campbell — *Experimental and Quasi-Experimental Designs for Generalized Causal Inference*, 2002. Malgré son âge, cet ouvrage reste fondamental pour comprendre les menaces pesant sur la validité causale, les expériences, les quasi-expériences et la généralisation.

Ces approches ne sont pas parfaitement identiques. Il est justement utile de ne pas réduire l’inférence causale à un outil unique, qu’il s’agisse de randomisation, d’ajustement statistique ou de graphes causaux.

Pour comprendre les statistiques sans leur attribuer plus qu’elles ne peuvent donner

L’une des références courtes les plus importantes reste la déclaration de l’American Statistical Association sur les valeurs p, publiée en 2016 sous la direction de Ronald Wasserstein et Nicole Lazar. Elle rappelle notamment qu’une valeur *p* ne mesure ni la probabilité que l’hypothèse nulle soit vraie, ni la taille ou l’importance d’un effet, et qu’une conclusion scientifique ne devrait pas dépendre mécaniquement du franchissement d’un seuil comme 0,05.

Il est utile de la compléter par le numéro spécial de *The American Statistician* publié en 2019 sous le titre « Statistical Inference in the 21st Century: A World Beyond p < 0.05 ». Son intérêt ne réside pas dans le remplacement d’une recette statistique par une autre, mais dans l’idée plus générale que l’inférence doit examiner estimations, incertitude, qualité des données, modèle, contexte et multiplicité des analyses.

Pour une formation beaucoup plus approfondie à la modélisation probabiliste, Richard McElreath — *Statistical Rethinking*, 2e édition, 2020 est remarquable. Son approche est bayésienne et computationnelle ; l’objectif n’est pas de défendre une école philosophique contre toutes les autres, mais d’apprendre à construire et critiquer explicitement des modèles. La deuxième édition développe cette approche avec R et Stan et a reçu en 2023 le prix DeGroot de l’International Society for Bayesian Analysis.

Notre rubrique consacrée au raisonnement bayésien complète naturellement cette lecture, mais il faut conserver la distinction entre Bayes comme structure de raisonnement probabiliste et les débats techniques entre différentes écoles d’inférence statistique.

Pour comprendre le test sévère et la philosophie de l’erreur

Deborah G. Mayo — *Error and the Growth of Experimental Knowledge*, 1996 constitue l’un des approfondissements philosophiques les plus intéressants pour cette rubrique.

Mayo part d’une intuition très proche de notre fil directeur : la valeur d’une procédure scientifique dépend largement de sa capacité à détecter les erreurs auxquelles une affirmation aurait pu être exposée.

Son approche *error-statistical* est cependant une position philosophique et statistique particulière. Elle critique notamment certaines formes de bayésianisme subjectif et ne doit pas être présentée comme la théorie définitive de la méthode scientifique. L’intérêt de Mayo est précisément de pousser très loin la question :

« qu’est-ce qu’un test suffisamment exigeant pour qu’un résultat ayant survécu mérite réellement davantage de confiance ? »

Son ouvrage plus récent, *Statistical Inference as Severe Testing* (2018), développe cette conception directement en relation avec les débats contemporains sur les tests statistiques et la reproductibilité.

Les grands classiques philosophiques : à lire comme des outils, pas comme des manuels

Cette catégorie a volontairement utilisé Popper, Duhem, Quine, Kuhn ou Lakatos fonctionnellement. Leur contexte historique et philosophique complet appartient davantage à la rubrique consacrée à l’histoire de l’épistémologie.

Quelques textes restent néanmoins indispensables pour approfondir les problèmes méthodologiques rencontrés ici.

Karl Popper — *The Logic of Scientific Discovery*, 1959, traduction anglaise de *Logik der Forschung* (1934), demeure le texte classique sur la falsifiabilité, les conjectures et les tests susceptibles de mettre réellement une théorie en difficulté. Il faut le lire avec les limites vues dans cette rubrique : une expérience ne confronte jamais une hypothèse complètement isolée au monde.

Pierre Duhem — *La Théorie physique : son objet et sa structure*, 1906 montre notamment pourquoi le test d’une hypothèse physique implique un ensemble beaucoup plus vaste d’hypothèses et de conditions auxiliaires.

W. V. O. Quine — « Two Dogmas of Empiricism », 1951 radicalise certains aspects du holisme de la confirmation. Là encore, le fait qu’une observation ne teste pas une proposition totalement isolée n’implique pas que toute théorie puisse être sauvée indéfiniment avec la même rationalité.

Thomas S. Kuhn — *The Structure of Scientific Revolutions*, 1962, 2e édition 1970 reste incontournable pour comprendre science normale, anomalies, paradigmes et révolutions scientifiques. Il est extrêmement utile contre l’image d’une science progressant uniquement par accumulation linéaire, mais il ne faut pas en faire une justification du relativisme.

Imre Lakatos — *The Methodology of Scientific Research Programmes*, 1978 offre une réponse particulièrement intéressante à la tension entre Popper et Kuhn : les théories sont souvent évaluées comme des programmes évoluant dans le temps, et la distinction entre programme progressif et dégénératif repose notamment sur la capacité à produire de nouveaux succès plutôt qu’à multiplier seulement les ajustements protecteurs.

Paul Feyerabend — *Against Method*, 1975 mérite également d’être lu, mais surtout comme une critique des reconstructions trop rigides de « la méthode scientifique ». Son célèbre pluralisme méthodologique n’implique pas que toutes les procédures se valent, encore moins que les preuves deviennent inutiles.

Ces auteurs sont importants précisément parce qu’ils ne donnent pas tous la même réponse.

Pour comprendre modèles, idéalisation et approximation

Un grand nombre d’erreurs sur la science viennent de l’idée qu’un modèle devrait être une copie miniature et parfaitement fidèle du monde.

La philosophie contemporaine des modèles montre au contraire que :

simplifier ;

isoler ;

idéaliser ;

approximer

peut être précisément ce qui permet de comprendre.

Peter Godfrey-Smith, déjà cité, constitue une excellente première introduction.

Pour aller beaucoup plus loin, Nancy Cartwright — *How the Laws of Physics Lie* (1983) est un classique provocateur sur les relations entre lois, modèles et situations réelles. Son titre ne signifie évidemment pas que les physiciens « mentent » ; Cartwright examine la distance entre certaines lois idéalisées et les systèmes concrets auxquels elles sont appliquées.

Angela Potochnik — *Idealization and the Aims of Science* (2017) propose une approche contemporaine particulièrement intéressante de l’idéalisation et du pluralisme des objectifs scientifiques.

Ces travaux sont utiles pour comprendre pourquoi :

« ce modèle est simplifié »

n’est pas une réfutation.

Il faut demander :

« cette simplification est-elle adaptée à la question ? »

Pour comprendre la reproductibilité et la crise de crédibilité

Le rapport de référence reste National Academies of Sciences, Engineering, and Medicine — *Reproducibility and Replicability in Science*, 2019.

Il est particulièrement important parce qu’il ne traite pas la crise de reproductibilité comme un slogan. Il distingue clairement reproductibilité computationnelle et réplication avec de nouvelles données, examine les causes possibles des échecs, leurs variations entre disciplines et les réformes envisageables. Il refuse également de produire un taux artificiel de « science non reproductible » à partir d’études hétérogènes.

À compléter par quelques textes empiriques désormais classiques :

Open Science Collaboration — « Estimating the reproducibility of psychological science », *Science*, 2015, pour le projet de réplication de cent études de psychologie.

Camerer et al. — « Evaluating replicability of laboratory experiments in economics », *Science*, 2016, puis « Evaluating the replicability of social science experiments in Nature and Science », *Nature Human Behaviour*, 2018, pour constater que les taux et surtout les tailles d’effet répliquées varient entre corpus.

Errington et al. — Reproducibility Project: Cancer Biology, *eLife*, 2021, particulièrement intéressant parce qu’il révèle combien la réplication peut être empêchée avant même le test par des descriptions insuffisantes, matériaux indisponibles ou données manquantes.

Ces travaux doivent toujours être lus relativement à leur échantillon d’études, et non comme des recensements de « toute la science ».

Pour comprendre les pratiques de recherche discutables

Simmons, Nelson & Simonsohn — « False-Positive Psychology », *Psychological Science*, 2011 est devenu un classique parce qu’il montre de manière très pédagogique comment des degrés de liberté apparemment anodins — arrêt de la collecte, exclusions, variables supplémentaires — peuvent augmenter fortement la production de résultats significatifs lorsque leur choix dépend des données.

Norbert Kerr — « HARKing: Hypothesizing After the Results are Known », 1998 reste la référence conceptuelle pour distinguer génération post hoc d’une hypothèse, activité scientifique normale, et présentation rétrospective de cette hypothèse comme si elle avait été formulée avant le résultat.

John, Loewenstein & Prelec — « Measuring the Prevalence of Questionable Research Practices », 2012 est utile pour l’enquête empirique menée auprès de psychologues, mais ses chiffres ne doivent pas être généralisés mécaniquement à toutes les disciplines.

Gelman & Loken — « The Garden of Forking Paths » fournit enfin une intuition essentielle : le problème ne nécessite même pas que les chercheurs aient explicitement exécuté cent analyses ; une succession de décisions prises en fonction de ce que les données montrent suffit à modifier la procédure statistique réellement suivie.

Pour comprendre publication sélective et résultats manquants

Le texte historique est Robert Rosenthal — « The File Drawer Problem and Tolerance for Null Results », 1979.

Pour les preuves empiriques modernes, les travaux de Kerry Dwan et collègues sur publication sélective, comparaison des protocoles et outcomes publiés sont particulièrement importants.

L’étude de Erick Turner et al. — « Selective Publication of Antidepressant Trials and Its Influence on Apparent Efficacy », *New England Journal of Medicine*, 2008 constitue l’un des cas les plus pédagogiques, car l’existence d’une base réglementaire de la FDA permettait de comparer la littérature publiée à un ensemble beaucoup plus complet d’essais.

Pour l’évaluation méthodologique actuelle, il faut revenir au chapitre 13 du Cochrane Handbook, consacré aux preuves manquantes dans les méta-analyses. La mise à jour de la version 6.5 a notamment introduit l’outil ROB-ME — Risk Of Bias due to Missing Evidence.

C’est la meilleure protection contre une interprétation trop naïve des funnel plots ou des tests d’asymétrie.

Pour comprendre les revues systématiques et méta-analyses

Le Cochrane Handbook reste la référence méthodologique principale. Il faut notamment lire les chapitres consacrés à la formulation de la question, aux critères d’éligibilité, à la recherche d’études, aux mesures d’effet, au risque de biais, à la synthèse et aux résultats manquants. Cochrane rappelle qu’une revue systématique cherche précisément à fournir une compréhension suffisamment complète de la recherche pertinente, problème devenu impossible à résoudre par la lecture individuelle d’une littérature toujours plus volumineuse.

Pour le reporting, PRISMA 2020 est la référence internationale pour les revues systématiques. Il ne faut pas confondre son objectif avec une certification de qualité : PRISMA aide surtout les auteurs à décrire suffisamment clairement ce qu’ils ont fait.

L’article de Murad et al. — « New evidence pyramid », 2016 est particulièrement utile pour notre critique de la pyramide des preuves : revue systématique et méta-analyse y sont davantage conçues comme des moyens d’examiner et synthétiser un ensemble de preuves que comme une catégorie automatiquement placée au-dessus de toute étude primaire.

Pour évaluer la certitude d’un corps de preuves : GRADE

GRADE — Grading of Recommendations Assessment, Development and Evaluation est particulièrement utile pour comprendre qu’un type d’étude ne détermine pas automatiquement la certitude finale.

Dans l’évaluation des interventions, GRADE examine notamment :

risque de biais ; incohérence ; caractère indirect des preuves ; imprécision ; biais de publication.

Cette architecture rejoint directement l’approche développée dans cette catégorie : une conclusion peut être renforcée ou affaiblie selon plusieurs propriétés indépendantes du corpus.

Il faut cependant éviter d’utiliser GRADE comme grille universelle pour toute science. L’évaluation d’une théorie physique, d’une reconstruction historique ou d’une question taxonomique ne peut pas être réduite aux mêmes catégories que l’effet clinique d’une intervention.

GRADE est donc surtout un excellent exemple de raisonnement structuré sur la certitude, et non une métathéorie générale de la connaissance.

Pour comprendre les standards de reporting

Le EQUATOR Network constitue le meilleur portail général. Sa bibliothèque recensait en septembre 2026 plus de 700 recommandations de reporting, organisées selon les types d’études et les domaines.

Parmi les principales :

CONSORT 2025 pour les essais randomisés ;

PRISMA 2020 pour les revues systématiques ;

STROBE pour les études observationnelles ;

STARD pour les études de précision diagnostique ;

TRIPOD pour les modèles prédictifs ;

ARRIVE pour certaines recherches animales ;

COREQ pour certaines études qualitatives.

CONSORT a connu une révision importante en 2025. La nouvelle version comprend une checklist de 30 items et un diagramme du flux des participants afin d’améliorer la transparence des essais randomisés. Elle doit être interprétée comme un standard de reporting, pas comme une garantie que l’essai lui-même est méthodologiquement bon.

Cette distinction entre reporting et validité mérite d’être conservée dans toute lecture scientifique.

Pour comprendre l’intégrité scientifique et les incitations

Le rapport National Academies — *Fostering Integrity in Research*, 2017 constitue une source de premier ordre.

Il est particulièrement utile parce qu’il évite de réduire les problèmes d’intégrité à quelques fraudeurs. Le rapport analyse l’environnement de recherche, les institutions, les financeurs, les éditeurs et les systèmes de récompense. Il présente l’intégrité comme une responsabilité à la fois individuelle et collective et souligne que les structures d’incitation doivent favoriser plutôt que décourager les pratiques responsables.

Pour les réformes de l’évaluation des chercheurs, trois références complémentaires sont utiles :

DORA — San Francisco Declaration on Research Assessment, particulièrement pour sa critique de l’utilisation du facteur d’impact des revues comme substitut de la qualité d’un article ou d’un chercheur.

Hicks et al. — « The Leiden Manifesto for research metrics », *Nature*, 2015, pour dix principes d’utilisation responsable des indicateurs quantitatifs.

Moher et al. — « The Hong Kong Principles for assessing researchers », *PLOS Biology*, 2020, qui propose de mieux valoriser intégrité, reporting complet, science ouverte, réplications et contributions collectives.

Ces textes sont importants parce que la méthode scientifique dépend aussi de ce que les institutions récompensent.

Pour comprendre la science ouverte

National Academies — *Open Science by Design*, 2018 constitue une excellente synthèse institutionnelle. Le rapport analyse publications, données, code, infrastructures, droits, incitations et obstacles à l’ouverture et défend l’idée que publications, données et méthodes doivent être rendues aussi accessibles et réutilisables que raisonnablement possible.

Nosek et al. — « The Preregistration Revolution », *PNAS*, 2018 expose de manière concise la logique du préenregistrement : préserver la distinction entre génération et test d’hypothèses.

Les ressources du Center for Open Science sont particulièrement utiles pour comprendre concrètement :

préenregistrement ;

Registered Reports ;

TOP Guidelines ;

dépôts de données.

Il faut les utiliser comme guides pratiques, tout en conservant la critique développée dans la fiche correspondante : une pratique ouverte n’est pas automatiquement une pratique valide.

Pour comprendre la revue par les pairs

La revue Cochrane historique de Jefferson et al. — « Editorial peer review for improving the quality of reports of biomedical studies » reste importante précisément parce qu’elle montrait combien la preuve empirique de l’efficacité du peer review traditionnel était historiquement limitée.

Les expériences de Sara Schroter et collègues sont également éclairantes : en introduisant volontairement des erreurs dans des manuscrits, elles ont montré que des reviewers compétents pouvaient en manquer un nombre important.

Pour une vision plus large, les travaux de Tony Ross-Hellauer sur l’open peer review et ceux de Lutz Bornmann sur la fiabilité des évaluations permettent de comprendre la variabilité entre reviewers.

L’objectif n’est pas de conclure que le peer review ne sert à rien.

Il est de comprendre exactement ce qu’il fournit :

un contrôle critique supplémentaire avant publication, pas une réplication ni une certification de vérité.

Pour comprendre expertise et consensus

Alvin Goldman — « Experts: Which Ones Should You Trust? », 2001 constitue probablement la référence philosophique la plus directement utile pour un site consacré à l’autonomie intellectuelle. Goldman examine comment un novice peut choisir entre experts rivaux en regardant notamment :

arguments accessibles ;

accord d’autres experts ;

méta-expertise ;

intérêts ;

performances antérieures.

Harry Collins & Robert Evans — *Rethinking Expertise*, 2007 développe notamment les distinctions entre expertise contributive, expertise interactionnelle et différentes formes de méta-expertise.

Helen Longino — *Science as Social Knowledge*, 1990, puis *The Fate of Knowledge*, 2002, permet d’approfondir la manière dont la critique collective peut contribuer à l’objectivité scientifique.

Enfin, pour les grandes synthèses institutionnelles, les rapports du GIEC constituent un exemple particulièrement intéressant de calibration explicite du langage de preuve : les conclusions distinguent qualité des preuves, accord, confiance et probabilités au lieu de transformer chaque énoncé en simple « vrai / faux ».

Une bibliothèque minimale pour le lecteur qui ne veut pas tout lire

Si l’objectif n’est pas de devenir méthodologiste mais de posséder une culture solide de la méthode scientifique, une sélection relativement courte suffit.

RéférencePourquoi la lire
Chalmers — *What Is This Thing Called Science?*Introduction claire aux principaux problèmes de méthode et de philosophie des sciences
Godfrey-Smith — *Theory and Reality*Vision contemporaine et pluraliste des grands débats philosophiques
SEP — « Scientific Method »Référence synthétique et actualisée, révisée en août 2026
Cochrane HandbookOutil de référence pour biais, synthèses, méta-analyses et certitude des preuves
NASEM — *Reproducibility and Replicability in Science*Meilleure synthèse générale de la crise de reproductibilité et de ses nuances
Hernán & Robins — *Causal Inference: What If*Pour comprendre sérieusement la causalité à partir de données expérimentales et observationnelles
Mayo — *Error and the Growth of Experimental Knowledge*Pour approfondir l’idée de contrôle des erreurs et de tests sévères
NASEM — *Fostering Integrity in Research*Pour comprendre le rôle des institutions, des incitations et de l’intégrité
NASEM — *Open Science by Design*Pour comprendre les enjeux de données, code, accès et science ouverte
Goldman — « Experts: Which Ones Should You Trust? »Pour relier méthode scientifique, expertise et autonomie intellectuelle

Pour un lecteur de ce site, cette dizaine de références constitue déjà une excellente bibliothèque de base.

Pour approfondir selon la question rencontrée

Le choix de la source doit finalement dépendre du problème.

Si la question est :

« comment savoir si cette expérience établit vraiment une causalité ? »

il faut aller vers Hernán & Robins, Pearl, Shadish-Cook-Campbell.

Si elle devient :

« puis-je croire cette méta-analyse ? »

il faut ouvrir Cochrane et les ressources GRADE.

Pour :

« cette valeur p signifie-t-elle vraiment ce que l’article affirme ? »

il faut revenir à la déclaration de l’ASA, puis aux ouvrages modernes de modélisation.

Pour :

« pourquoi cet effet célèbre ne se réplique-t-il pas ? »

les grands projets de réplication, le rapport NASEM 2019 et la littérature de métarecherche sont prioritaires.

Pour :

« cette analyse avait-elle été décidée avant de voir les données ? »

il faut chercher :

préenregistrement ;

Registered Report ;

protocole ;

historique des analyses.

Pour :

« pourquoi faire confiance au consensus des spécialistes ? »

Goldman, Collins, Longino et la philosophie sociale des sciences deviennent particulièrement utiles.

Autrement dit, il ne faut pas demander :

« quelle est la meilleure source sur la science ? »

mais :

« quel problème méthodologique suis-je actuellement en train d’essayer de résoudre ? »

Ce qu’il ne faut surtout pas faire avec cette bibliographie

Une collection de références peut produire une nouvelle forme d’argument d’autorité :

« Popper l’a dit. »

« Cochrane l’a dit. »

« Mayo l’a dit. »

« Le GIEC l’a dit. »

Ce serait contraire à l’objectif de cette rubrique.

Les références permettent :

de reconstruire les raisonnements ;

de vérifier les méthodes ;

de connaître les débats ;

d’identifier les limites.

Elles ne dispensent jamais de demander :

« pourquoi cette conclusion est-elle soutenue ? »

Popper et Kuhn ne disent pas la même chose.

Les fréquentistes et les bayésiens ne décrivent pas l’inférence de manière identique.

Les philosophes débattent encore du réalisme, de l’induction, de la causalité ou des valeurs en science.

Ces désaccords ne rendent pas la méthode scientifique arbitraire.

Ils montrent que la méthode elle-même peut faire l’objet d’une critique rationnelle et progressive.

La meilleure manière d’utiliser les classiques

Les grands textes historiques doivent également être replacés dans leur contexte.

Lire Popper permet de comprendre la puissance de l’idée :

une théorie sérieuse doit pouvoir être mise en difficulté.

Cela n’oblige pas à accepter toutes ses positions sur la confirmation.

Lire Kuhn permet de comprendre :

le rôle des paradigmes, de la science normale et des révolutions.

Cela n’oblige pas à considérer les changements scientifiques comme purement sociologiques.

Lire Feyerabend protège contre :

le mythe d’une méthode rigide identique dans toute l’histoire des sciences.

Cela n’implique pas :

« tout se vaut ».

Une bonne culture de la méthode scientifique ne consiste pas à choisir un philosophe vainqueur.

Elle consiste à comprendre quel problème chacun a correctement identifié et où sa solution devient insuffisante.

Une bibliographie doit elle aussi rester révisable

La recherche méthodologique évolue.

Les standards de reporting changent.

CONSORT a encore été révisé en 2025.

Le Cochrane Handbook a reçu de nouvelles mises à jour en 2025 et 2026.

L’entrée « Scientific Method » de la *Stanford Encyclopedia of Philosophy* a connu une révision substantielle le 8 août 2026.

De nouvelles méthodes apparaissent pour :

détecter les biais ;

synthétiser les preuves ;

organiser les réplications ;

auditer les données ;

évaluer les réformes de science ouverte.

Cette page ne doit donc pas être considérée comme une bibliographie fermée une fois pour toutes.

Elle doit évoluer avec la rubrique et avec la recherche méthodologique elle-même.

Le fil directeur

Après trente-neuf fiches, toutes ces références convergent vers une conception relativement simple de la méthode scientifique.

La science ne possède pas une procédure magique garantissant la vérité.

Elle possède un ensemble de mécanismes permettant de limiter des erreurs différentes :

l’opérationnalisation limite le flou conceptuel ;

la mesure rend certaines observations comparables ;

les groupes de contrôle limitent certaines explications concurrentes ;

la randomisation limite certaines confusions ;

l’aveugle limite certains effets d’attente ;

les statistiques représentent une partie de l’incertitude ;

le préenregistrement rend certaines flexibilités visibles ;

la réplication confronte l’hypothèse à de nouvelles données ;

les revues systématiques replacent l’étude dans le corpus ;

la revue par les pairs organise une première critique ;

la science ouverte facilite certains contrôles ;

les corrections et rétractations rendent la révision possible ;

la communauté scientifique distribue enfin ces contrôles entre de nombreuses personnes dont les erreurs ne sont pas toujours les mêmes.

Aucun mécanisme n’est parfait.

Leur combinaison est beaucoup plus puissante que chacun séparément.

C’est probablement la raison la plus profonde pour laquelle la science peut produire des connaissances remarquablement fiables avec des chercheurs qui, eux, restent parfaitement faillibles.


À retenir

Il n’existe pas une référence unique contenant « la méthode scientifique ». Les meilleures sources sont complémentaires : Chalmers et Godfrey-Smith pour entrer dans la philosophie des sciences ; la *Stanford Encyclopedia of Philosophy* pour les synthèses conceptuelles actuelles ; Cochrane et GRADE pour l’évaluation structurée des preuves ; Hernán, Robins et Pearl pour la causalité ; Mayo pour le contrôle de l’erreur ; l’ASA pour les statistiques ; les National Academies pour reproductibilité, intégrité et science ouverte ; Goldman, Collins et Longino pour expertise et dimension sociale de la connaissance.

Pour un lecteur souhaitant commencer sans se perdre, le meilleur parcours serait probablement :

Chalmers → Godfrey-Smith → quelques fiches thématiques du Cochrane Handbook → rapport NASEM sur reproductibilité et réplication, puis les références spécialisées correspondant aux problèmes qu’il souhaite approfondir.

La littérature méthodologique doit toutefois être utilisée de la même manière que toute littérature scientifique : en comparant les approches plutôt qu’en cherchant une autorité définitive.

La question la plus utile devant une référence n’est pas :

« Est-ce un grand nom ? »

mais :

« Quel problème cette source m’aide-t-elle à mieux comprendre, quelle solution propose-t-elle, quelles sont ses limites et qu’en disent les travaux ultérieurs ? »

C’est également, au fond, la meilleure manière de conclure toute cette rubrique.

Références essentielles

Chalmers, Alan F., *What Is This Thing Called Science?*, 4e éd., Hackett / University of Queensland Press, 2013. Introduction générale particulièrement accessible à l’induction, Popper, Kuhn, expérimentation, réalisme et confirmation.

Godfrey-Smith, Peter, *Theory and Reality: An Introduction to the Philosophy of Science*, 2e éd., University of Chicago Press, 2021. Introduction contemporaine aux principaux courants et problèmes de la philosophie des sciences.

Andersen, Hanne & Hepburn, Brian, « Scientific Method », *Stanford Encyclopedia of Philosophy*, révision substantielle du 8 août 2026.

Higgins, Julian P. T., Thomas, James et al. (dir.), *Cochrane Handbook for Systematic Reviews of Interventions*, version en ligne actuelle ; version 6.5 publiée en 2024, avec mises à jour 6.5.1 documentées en 2025–2026.

National Academies of Sciences, Engineering, and Medicine, *Reproducibility and Replicability in Science*, National Academies Press, 2019, DOI 10.17226/25303.

National Academies of Sciences, Engineering, and Medicine, *Fostering Integrity in Research*, National Academies Press, 2017, DOI 10.17226/21896.

National Academies of Sciences, Engineering, and Medicine, *Open Science by Design: Realizing a Vision for 21st Century Research*, National Academies Press, 2018, DOI 10.17226/25116.

Mayo, Deborah G., *Error and the Growth of Experimental Knowledge*, University of Chicago Press, 1996.

Hernán, Miguel A. & Robins, James M., *Causal Inference: What If*, Chapman & Hall/CRC, 2020.

Pearl, Judea, *Causality: Models, Reasoning, and Inference*, 2e éd., Cambridge University Press, 2009.

Shadish, William R., Cook, Thomas D. & Campbell, Donald T., *Experimental and Quasi-Experimental Designs for Generalized Causal Inference*, Houghton Mifflin, 2002.

McElreath, Richard, *Statistical Rethinking: A Bayesian Course with Examples in R and Stan*, 2e éd., Chapman & Hall/CRC, 2020.

Popper, Karl, *The Logic of Scientific Discovery*, Hutchinson, 1959.

Kuhn, Thomas S., *The Structure of Scientific Revolutions*, University of Chicago Press, 1962 ; 2e éd. augmentée, 1970.

Lakatos, Imre, *The Methodology of Scientific Research Programmes*, Cambridge University Press, 1978.

Duhem, Pierre, *La Théorie physique : son objet et sa structure*, 1906.

Longino, Helen E., *Science as Social Knowledge*, Princeton University Press, 1990.

Goldman, Alvin I., « Experts: Which Ones Should You Trust? », *Philosophy and Phenomenological Research*, 2001, 63(1):85–110.

Hopewell, Sally et al., « CONSORT 2025 statement: updated guideline for reporting randomised trials », *BMJ*, 2025;389:e081123.

EQUATOR Network, Reporting Guidelines Library, portail de référence pour les principaux standards de reporting scientifique.

39 sur 39Retour à la catégorie