Taux de base — ce que nous savions avant la nouvelle information
Une information nouvelle attire naturellement notre attention. Un test est positif, un témoin reconnaît un suspect, un comportement paraît caractéristique, un algorithme déclenche une alerte. Pourtant, pour savoir ce que cette information signifie réellement, il faut souvent commencer ailleurs : que savions-nous avant qu’elle apparaisse ?
C’est le rôle du taux de base. Il indique à quelle fréquence une propriété, un événement ou une hypothèse apparaît dans une population ou une classe de situations pertinente avant que nous prenions en compte l’indice particulier qui nous intéresse. Dans un raisonnement bayésien, cette information contribue à déterminer notre probabilité a priori.
Le taux de base n’est donc pas un détail statistique ajouté après coup. Il constitue souvent le point de départ du raisonnement. Un même indice peut être décisif lorsque le phénomène recherché est fréquent et beaucoup moins concluant lorsqu’il est extrêmement rare.
Avant de regarder le cas particulier
Imaginons deux maladies donnant exactement le même résultat à un test. La première touche une personne sur deux dans la population examinée ; la seconde une personne sur dix mille. Même si le test possède exactement les mêmes performances pour les deux maladies, un résultat positif ne doit pas conduire à la même conclusion.
La différence vient de ce qui était plausible avant le test.
Le taux de base peut ainsi être compris comme une information concernant la fréquence initiale du phénomène :
P(H).
Dans un problème médical, il peut s’agir de la prévalence d’une maladie dans une population appropriée. Dans une enquête industrielle, de la fréquence habituelle d’un type de panne. Dans la détection de fraude, de la proportion d’opérations frauduleuses avant que l’algorithme n’examine une transaction particulière.
Cette information ne détermine pas la conclusion à elle seule. Elle fournit le point de départ que les nouvelles preuves devront modifier.
Pourquoi un phénomène rare reste difficile à détecter
Prenons un système automatique destiné à détecter une anomalie extrêmement rare. Supposons qu’une anomalie apparaisse dans 1 cas sur 1 000. Le système détecte 99 % des anomalies et produit également une fausse alerte dans 1 % des situations normales.
À première vue, ces performances paraissent excellentes. Pourtant, regardons 100 000 situations.
Il y aura environ 100 anomalies réelles et 99 900 situations normales. Parmi les anomalies, le système déclenchera environ 99 alertes correctes. Mais 1 % des 99 900 situations normales produiront également une alerte, soit environ 999 fausses alertes.
| Anomalie réelle | Situation normale | |
|---|---|---|
| Nombre de situations | 100 | 99 900 |
| Alerte | 99 | 999 |
| Pas d’alerte | 1 | 98 901 |
Parmi les 1 098 alertes, seules 99 correspondent donc à une véritable anomalie, soit environ 9 %.
Le système peut être très sensible et relativement spécifique tout en produisant une majorité de fausses alertes. Il ne s’agit pas d’un paradoxe : les situations normales étaient simplement mille fois plus nombreuses au départ.
C’est l’effet du taux de base.
Un indice doit déplacer un point de départ
Le raisonnement bayésien ne demande donc pas seulement : « cet indice est-il fréquent lorsque l’hypothèse est vraie ? » Il demande comment cet indice transforme une situation initiale.
Si une hypothèse possède une probabilité de départ de 50 %, une preuve relativement informative peut rapidement la faire monter à 80 ou 90 %. Si elle part de 0,01 %, la même preuve peut multiplier sa probabilité par dix tout en la laissant très faible.
Cela permet de distinguer deux idées souvent confondues : la force d’une preuve et la probabilité finale de l’hypothèse.
Une preuve peut être forte au sens où elle favorise nettement H par rapport à ses concurrentes, tout en ne suffisant pas encore à rendre H probable parce que son taux de base était extrêmement faible.
Cette nuance sera essentielle lorsque nous étudierons les rapports de vraisemblance. Une preuve possède une certaine force propre relativement aux hypothèses comparées ; le posterior dépend ensuite de cette force et du prior.
Les portraits séduisants peuvent écraser les statistiques
Le problème des taux de base est devenu célèbre en psychologie du jugement grâce notamment aux travaux de Daniel Kahneman et Amos Tversky. Dans leurs expériences sur la prédiction, les participants pouvaient accorder beaucoup de poids à une description individuelle ressemblant au stéréotype d’une catégorie et relativement moins au taux de base de cette catégorie. Kahneman et Tversky interprétaient ces résultats à travers l’heuristique de représentativité : nous pouvons juger qu’un cas appartient probablement à une catégorie parce qu’il « ressemble » au cas typique que nous associons à celle-ci.
Prenons un exemple simplifié. Une population contient 90 bibliothécaires et 10 agriculteurs. Nous lisons ensuite la description d’une personne calme, réservée et passionnée par les livres. Le portrait peut évoquer spontanément le stéréotype d’un bibliothécaire. Mais si nous cherchons réellement à déterminer sa profession, la description ne doit pas faire disparaître les proportions initiales.
La question rationnelle n’est pas : « À quelle profession cette personne ressemble-t-elle ? » Elle est : « À quel point cette description est-elle plus fréquente chez les bibliothécaires que chez les agriculteurs, compte tenu du nombre initial de personnes dans chaque groupe ? »
La seconde question combine l’information individuelle avec le taux de base.
Mais les humains n’ignorent pas toujours les taux de base
Les premiers travaux ont parfois été vulgarisés sous une formule trop simple : « les humains ignorent les taux de base ». La littérature ultérieure invite à beaucoup plus de prudence.
Jonathan Koehler a réexaminé en détail cette littérature et soutenu que les taux de base sont loin d’être systématiquement ignorés. Leur utilisation varie avec la structure de la tâche, la fiabilité de l’information, la manière dont les probabilités sont représentées et la valeur diagnostique des différents indices. Il insiste également sur le fait que certains exercices expérimentaux rendent artificiellement nette une distinction entre « taux de base » et « information individuelle » qui peut être beaucoup plus ambiguë dans les situations réelles.
Barbey et Sloman ont eux aussi souligné que la prise en compte des taux de base dépend fortement de la représentation cognitive du problème. Lorsque les relations entre les ensembles pertinents deviennent plus transparentes, notamment grâce à certaines présentations fréquentielles, l’utilisation des taux de base s’améliore.
La bonne conclusion n’est donc pas que l’esprit humain serait structurellement incapable d’intégrer les statistiques générales. Elle est que certaines représentations et certains types d’informations favorisent leur sous-utilisation, tandis que d’autres rendent leur importance beaucoup plus intuitive.
Un taux de base n’a de valeur que s’il est pertinent
Dire qu’il faut « toujours utiliser le taux de base » serait néanmoins trop mécanique. Encore faut-il identifier le bon taux de base.
Supposons que nous cherchions la probabilité qu’une personne présentant un symptôme précis soit atteinte d’une maladie. La prévalence de cette maladie dans l’ensemble de la population nationale peut être un mauvais point de départ si la personne appartient déjà à un groupe particulier : âge donné, exposition connue, région géographique, profession, symptômes supplémentaires ou facteurs de risque.
Le taux de base pertinent pourrait donc être :
- la prévalence dans la population générale ;
- la prévalence chez les personnes du même âge ;
- la prévalence parmi celles présentant le même symptôme ;
- la prévalence parmi les patients adressés dans un service spécialisé.
Ces nombres peuvent être très différents.
Cette difficulté est parfois appelée problème de la classe de référence : à quel ensemble de cas comparables devons-nous rattacher la situation particulière ?
Le taux de base n’est donc pas simplement « le chiffre général ». Il est la fréquence initiale pertinente compte tenu de l’information déjà disponible.
Le taux de base lui-même peut déjà incorporer des informations
Cette remarque permet de comprendre pourquoi la frontière entre taux de base et information nouvelle est parfois relative.
Imaginons une maladie rare dans la population générale mais beaucoup plus fréquente chez les personnes ayant récemment voyagé dans une région particulière. Avant de savoir que le patient a voyagé, notre prior peut être fondé sur la prévalence générale. Dès que nous apprenons cette information, notre population de référence change.
Le nouveau « taux de base » devient celui d’un groupe plus spécifique.
D’un point de vue bayésien, il n’y a rien de mystérieux : ce que nous appelions auparavant posterior peut devenir le prior de l’étape suivante. Un prior est toujours relatif à l’information déjà acquise.
C’est pourquoi la notion de taux de base doit être utilisée avec souplesse. Elle ne désigne pas nécessairement une statistique immuable située au commencement absolu du raisonnement. Elle représente plutôt ce que nous savions avant l’information que nous sommes précisément en train d’évaluer.
Toutes les statistiques générales ne doivent pas écraser le cas particulier
L’erreur inverse existe également. Une statistique de population ne doit pas conduire à ignorer une information individuelle réellement diagnostique.
Supposons qu’une maladie soit rare, mais qu’un examen très spécifique fournisse un résultat presque jamais observé en son absence. Le faible taux de base doit peser dans le raisonnement, mais une preuve suffisamment forte peut largement le dépasser.
Bayes ne dit donc pas :
« Faites toujours confiance aux statistiques générales plutôt qu’aux informations individuelles. »
Il dit plutôt :
« Combinez correctement les deux selon leur force respective. »
Une information individuelle peu diagnostique ne doit pas effacer un taux de base solide. Mais une preuve individuelle extrêmement discriminante peut légitimement modifier très fortement le prior.
Le problème est donc celui du poids relatif des informations, pas d’une opposition entre statistiques abstraites et cas concret.
La pertinence causale change notre manière d’utiliser les taux de base
La littérature sur le sujet montre également que tous les taux de base ne sont pas traités de la même manière. Les personnes semblent notamment plus sensibles à certaines informations statistiques lorsqu’elles peuvent les intégrer dans une structure explicative ou causale cohérente.
Cette observation complique l’image classique d’un esprit qui opposerait mécaniquement « statistiques générales » et « récit individuel ». Dans certaines situations, le taux de base lui-même peut être interprété comme une information causale pertinente ; dans d’autres, il peut sembler artificiel, fragile ou peu adapté au cas examiné.
Koehler insiste ainsi sur la fiabilité et la pertinence diagnostique du taux de base, tandis que les débats ultérieurs sur le *base-rate neglect* ont cherché à expliquer pourquoi certains formats ou certaines structures de problème rendent les statistiques générales beaucoup plus faciles à intégrer.
Cette nuance est importante pour l’esprit critique : ne pas utiliser un chiffre simplement parce qu’il est disponible. Il faut encore vérifier qu’il correspond réellement au problème que nous voulons résoudre.
Le cas des événements rares
Les taux de base deviennent particulièrement importants lorsqu’un système cherche à détecter des phénomènes rares : fraude, intrusion, maladie peu fréquente, défaut industriel, événement exceptionnel.
Dans ce contexte, même un faible taux de faux positifs peut devenir considérable en valeur absolue, parce qu’il s’applique à une population très nombreuse de cas négatifs.
C’est pourquoi une affirmation comme « notre système reconnaît correctement 99 % des cas » reste insuffisante. Il faut au minimum demander : 99 % de quoi ? Quelle est la fréquence initiale du phénomène ? Quel est le taux de faux positifs ?
Ces questions sont indispensables pour interpréter les systèmes de dépistage ou de détection. Sans elles, des performances apparemment spectaculaires peuvent être très trompeuses.
Cette structure explique aussi pourquoi les alertes successives ou les tests confirmatoires peuvent être nécessaires : un premier signal augmente le prior pour l’étape suivante, et un second test véritablement indépendant peut alors devenir beaucoup plus informatif.
Les taux de base dans la vie quotidienne
Nous utilisons déjà ce principe intuitivement.
Si quelqu’un nous dit avoir croisé un chien dans une rue française, nous ne demandons probablement pas une photographie pour le croire. S’il affirme avoir rencontré un tigre en liberté, notre réaction change immédiatement.
La différence vient en partie de nos taux de base implicites : les chiens dans les rues françaises sont très courants ; les tigres en liberté extrêmement rares.
De même, si un ordinateur professionnel ne démarre plus, nous considérerons généralement des causes communes — alimentation, batterie, logiciel, composant défaillant — avant d’imaginer une cause exceptionnellement exotique. Nous n’avons pas besoin de connaître les fréquences exactes pour employer une forme qualitative de raisonnement par taux de base.
Cette intuition n’est toutefois fiable que si notre expérience antérieure correspond raisonnablement au domaine concerné. Un taux de base intuitif peut lui-même être déformé par la disponibilité en mémoire, les médias, les expériences personnelles ou un mauvais choix de population de référence.
L’esprit critique doit donc parfois remplacer le « cela me paraît fréquent » par une véritable recherche de données.
Quand l’actualité déforme nos priors
Les événements spectaculaires sont particulièrement susceptibles de modifier notre perception des fréquences. Une catastrophe largement médiatisée, une affaire criminelle exceptionnelle ou plusieurs témoignages viraux peuvent rendre un phénomène cognitivement très disponible sans que son taux de base ait beaucoup changé.
C’est ici que les catégories précédentes se rejoignent. L’heuristique de disponibilité peut influencer notre estimation intuitive d’une fréquence ; la représentativité peut nous faire surpondérer un récit individuel ; le raisonnement motivé peut nous pousser à choisir le taux de base qui favorise notre conclusion.
Le raisonnement bayésien n’élimine pas automatiquement ces biais. Si notre prior est lui-même construit à partir d’une perception déformée du monde, le calcul ultérieur peut simplement formaliser une mauvaise estimation initiale.
D’où une exigence importante : lorsque l’enjeu est sérieux, chercher le taux de base plutôt que de l’inventer.
Ne pas transformer le taux de base en destin individuel
Les statistiques de groupe doivent néanmoins être manipulées avec prudence lorsqu’elles concernent des personnes.
Un taux de base décrit une distribution dans une population. Il ne détermine pas mécaniquement la situation d’un individu particulier.
Si 5 % des membres d’un groupe présentent une caractéristique, cela ne signifie pas que chaque individu du groupe possède « 5 % de cette caractéristique », ni que l’appartenance au groupe suffise à établir quoi que ce soit de manière certaine.
Le taux de base constitue un point de départ probabiliste, appelé à être modifié par les informations individuelles pertinentes.
Cette distinction est particulièrement importante en médecine, en justice, en assurance ou dans les systèmes prédictifs appliqués aux personnes. Une statistique peut être pertinente sans devenir une condamnation, et sa pertinence dépend toujours de la question posée, de la qualité des données et de la classe de référence retenue.
Le réflexe à acquérir
Lorsqu’une nouvelle preuve apparaît, notre attention se porte spontanément sur elle. Le taux de base nous oblige à regarder ce qui existait avant.
Face à un test positif, une alerte ou un portrait convaincant, demandons-nous : quelle était la fréquence initiale du phénomène ? Cette fréquence correspond-elle réellement à la population pertinente ? L’information nouvelle est-elle assez discriminante pour dépasser fortement ce prior ? Existe-t-il une classe de référence plus appropriée ?
Ce réflexe ne consiste pas à laisser le passé dicter éternellement nos croyances. Il permet au contraire de déterminer à partir de quel point les nouvelles preuves doivent les déplacer.
Un faible taux de base n’interdit pas à un événement rare de se produire. Les événements rares arrivent. Mais précisément parce qu’ils sont rares, une information ordinaire ne suffit généralement pas à les rendre soudain très probables. Il faut une preuve dont la force soit proportionnée à la distance à parcourir.
C’est ce qui nous conduit directement au concept suivant. En langage bayésien, le taux de base contribue à construire notre prior. Mais ce prior ne se limite pas toujours à une fréquence observée : il peut intégrer des connaissances scientifiques, des données antérieures, des contraintes théoriques et différents degrés d’incertitude.
Il faut donc maintenant examiner plus précisément ce qu’est un prior et pourquoi toutes les hypothèses ne commencent pas avec la même plausibilité.
Pour aller plus loin
- Kahneman, D., & Tversky, A. (1973). « On the Psychology of Prediction ». *Psychological Review*, 80(4), 237–251. DOI : 10.1037/h0034747. Article classique sur la représentativité, la prédiction intuitive et l’usage des probabilités antérieures.
- Koehler, J. J. (1996). « The Base Rate Fallacy Reconsidered: Descriptive, Normative, and Methodological Challenges ». *Behavioral and Brain Sciences*, 19(1), 1–17. DOI : 10.1017/S0140525X00041157. Réexamen majeur de l’idée selon laquelle les individus négligeraient systématiquement les taux de base.
- Barbey, A. K., & Sloman, S. A. (2007). « Base-rate respect: From ecological rationality to dual processes ». *Behavioral and Brain Sciences*, 30(3), 241–254. DOI : 10.1017/S0140525X07001653. Analyse des conditions cognitives et représentationnelles favorisant l’utilisation des taux de base.
- Gigerenzer, G., & Hoffrage, U. (1995). « How to Improve Bayesian Reasoning Without Instruction: Frequency Formats ». *Psychological Review*, 102(4), 684–704. DOI : 10.1037/0033-295X.102.4.684. Travail fondamental sur la manière dont les fréquences naturelles facilitent certains raisonnements bayésiens.