Une méthode scientifique ou des méthodes scientifiques ?

L’expression « la méthode scientifique » suggère facilement qu’il existerait une procédure universelle permettant de produire de bonnes connaissances dès lors qu’on en respecterait correctement les étapes. Cette représentation possède une certaine utilité pédagogique : elle rappelle qu’une affirmation scientifique ne repose pas seulement sur une intuition, mais doit être confrontée à des observations et soumise à des contrôles. Elle devient cependant trompeuse lorsqu’on imagine que toutes les sciences devraient fonctionner comme une expérience de laboratoire.

Un essai clinique randomisé, l’observation d’une galaxie située à plusieurs milliards d’années-lumière, l’étude d’une épidémie, la reconstruction de l’extinction des dinosaures, une fouille archéologique ou une simulation climatique ne suivent évidemment pas le même protocole. Les objets étudiés diffèrent, les possibilités d’intervention également, et certaines expériences seraient matériellement impossibles ou moralement inadmissibles.

Cette diversité ne signifie pourtant pas que n’importe quelle méthode se vaut. Entre l’idée d’une procédure scientifique universelle et celle selon laquelle chaque chercheur pourrait faire ce qu’il veut, il existe une position beaucoup plus féconde : les sciences utilisent une pluralité de méthodes adaptées aux problèmes étudiés, mais ces méthodes peuvent être évaluées selon leur capacité à contrôler les erreurs, à distinguer des hypothèses concurrentes et à produire des résultats suffisamment robustes.

Pourquoi l’idée d’une méthode unique est séduisante

La recherche d’une méthode générale possède une longue histoire. Bacon insistait sur l’observation méthodique et la prudence face aux généralisations prématurées. Mill cherchait à formaliser différentes manières d’établir des relations causales. Au XXe siècle, le positivisme logique a tenté de clarifier les relations entre observations et théories, tandis que Popper a placé la confrontation aux tests potentiellement réfutants au centre de sa conception de la science.

Ces projets sont loin d’avoir été inutiles. Ils ont mis en évidence des exigences méthodologiques importantes. Mais aucune de ces conceptions ne décrit à elle seule tout ce que font effectivement les scientifiques.

Même dans une discipline expérimentale, le travail scientifique ne se réduit pas à tester successivement des hypothèses déjà formulées. Il faut souvent inventer de nouveaux instruments, déterminer ce qui doit être mesuré, explorer des données, construire des modèles, développer des techniques statistiques ou découvrir qu’une question était mal posée. Certaines découvertes importantes sont même apparues sans qu’une hypothèse précise les ait précédées.

La recherche scientifique alterne donc entre exploration et confirmation, observation et théorie, construction et test, mesure et interprétation. Elle peut partir d’une prédiction théorique comme d’une anomalie instrumentale ou d’un phénomène inattendu.

Cette diversité explique pourquoi la philosophie contemporaine des sciences parle souvent de méthodes scientifiques plutôt que d’une méthode scientifique au singulier.

Toutes les sciences ne peuvent pas intervenir sur leur objet

L’expérience contrôlée possède un avantage considérable : elle permet au chercheur de modifier certains facteurs tout en essayant de maintenir les autres constants. Cette capacité d’intervention facilite particulièrement l’identification des relations causales.

Supposons que l’on souhaite savoir si un médicament réduit la mortalité. Lorsque les conditions le permettent, il est possible de répartir aléatoirement des patients entre un groupe recevant le traitement et un groupe de comparaison. Si les groupes sont suffisamment nombreux et si l'étude est correctement conduite, la randomisation permet de réduire fortement le risque que la différence finale soit simplement due à des caractéristiques initiales différentes des patients.

Mais cette méthode ne peut pas devenir le modèle obligatoire de toute science.

Un astrophysicien ne peut pas créer deux étoiles identiques et modifier la masse de l’une d’elles. Un géologue ne peut pas reproduire la collision de continents pendant plusieurs millions d’années. Un paléontologue ne peut pas provoquer une extinction massive pour vérifier ce qu'elle laisserait dans les archives fossiles. Un épidémiologiste ne peut pas exposer volontairement des milliers d’enfants à un polluant soupçonné d’être neurotoxique.

Ces disciplines ne deviennent pas non scientifiques pour autant. Elles doivent simplement obtenir leurs contrôles autrement.

Les sciences historiques : enquêter sur ce qui ne peut plus être reproduit

La distinction entre sciences expérimentales et sciences historiques est particulièrement instructive.

La géologie historique, la paléontologie, la biologie évolutive, la cosmologie ou certaines parties de l’archéologie cherchent à expliquer des événements qui se sont déjà produits. Il est impossible de recommencer l’histoire de la Terre pour voir si elle aboutira au même résultat.

Cela n’empêche pas de confronter des hypothèses.

L’hypothèse selon laquelle un impact extraterrestre majeur aurait contribué à l’extinction de masse survenue à la fin du Crétacé n’a pas été testée en lançant un nouvel astéroïde sur la Terre. Les chercheurs ont cherché les traces qui devraient exister si cette hypothèse était correcte : enrichissement mondial en iridium à la limite géologique concernée, minéraux soumis à de fortes pressions, dépôts compatibles avec un impact massif, puis identification du cratère de Chicxulub.

L’intérêt de ces indices ne vient pas seulement du fait qu’ils sont compatibles avec l’hypothèse. Certaines traces avaient été prédites ou pouvaient difficilement être expliquées par les alternatives disponibles. Plus des indices indépendants convergent vers une même cause passée, plus cette explication devient difficile à remplacer par une hypothèse concurrente capable de rendre compte de l’ensemble.

La philosophe des sciences Carol Cleland a ainsi montré que les sciences historiques et expérimentales peuvent employer des formes différentes de raisonnement probatoire sans que l’impossibilité d’une expérience contrôlée suffise à rendre les premières non scientifiques. Ce point reste discuté dans ses détails philosophiques, mais l’idée générale est importante : la qualité d'une enquête doit être jugée relativement à ce que l’on peut réellement apprendre de son objet, et non à sa ressemblance superficielle avec une expérience de laboratoire.

Observer sans pouvoir randomiser

Entre l’expérience contrôlée et la reconstruction historique existe un vaste domaine de recherche observationnelle.

L’épidémiologie en fournit un bon exemple. Supposons que l’on observe davantage de maladies respiratoires parmi les habitants d’une zone fortement polluée. Cette association peut être réelle sans pour autant démontrer immédiatement que la pollution est responsable de la différence. Les populations peuvent aussi différer par leur âge, leur profession, leur niveau socio-économique, leur consommation de tabac ou leur accès aux soins.

Le défi méthodologique consiste alors à chercher et à contrôler les variables de confusion susceptibles de produire l’association observée.

Les chercheurs peuvent comparer plusieurs populations, suivre les individus dans le temps, exploiter des changements de réglementation, utiliser des gradients d’exposition ou rechercher si les résultats persistent lorsque différents facteurs sont pris en compte. Lorsqu’une politique publique, une catastrophe ou une variation indépendante du chercheur modifie une exposition, il devient parfois possible d’exploiter cette situation comme une expérience naturelle.

Ces méthodes ne possèdent pas exactement la même force qu’une randomisation parfaite. Mais elles peuvent devenir extrêmement informatives lorsqu’elles sont correctement conçues et lorsque plusieurs approches différentes aboutissent à des résultats cohérents.

La question méthodologique pertinente n’est donc pas simplement : « Y a-t-il eu une expérience ? » Elle est plutôt : « Quelles explications concurrentes cette méthode permet-elle d’éliminer, et lesquelles restent encore plausibles ? »

Modéliser pour comprendre ce que l’on ne peut pas directement observer

Une autre partie importante de la science repose sur les modèles.

Un modèle est une représentation simplifiée d’un système. Il ne cherche généralement pas à reproduire tous les détails de la réalité. Il sélectionne certains mécanismes et certaines variables afin de comprendre, expliquer ou prédire un phénomène.

En climatologie, par exemple, les chercheurs ne peuvent évidemment pas disposer de plusieurs planètes Terre identiques et faire varier uniquement la concentration atmosphérique de dioxyde de carbone. Ils disposent cependant de connaissances physiques sur le transfert radiatif, de mesures atmosphériques, de données paléoclimatiques, d’observations satellites, de séries météorologiques et de modèles numériques permettant d’étudier les conséquences de différentes hypothèses.

En épidémiologie, un modèle peut représenter la transmission d’un agent infectieux. En économie, il peut explorer les conséquences de certaines hypothèses sur les comportements et les marchés. En biologie, il peut représenter l’évolution d’une population. En astronomie, des simulations permettent d’étudier la formation des galaxies ou l’évolution d’un système planétaire.

Un modèle n’est donc pas une simple copie du réel. Sa valeur dépend de ce qu’il cherche à représenter, des hypothèses qu’il incorpore et de sa confrontation aux observations disponibles.

La simulation informatique ajoute encore une couche supplémentaire. Elle permet parfois d’étudier les conséquences d’équations ou de mécanismes trop complexes pour être résolus analytiquement. Mais produire une simulation spectaculaire ne constitue pas en soi une preuve : il faut examiner les hypothèses initiales, la sensibilité aux paramètres, la qualité du code et la correspondance entre le modèle et les observations.

Une même question peut nécessiter plusieurs méthodes

La diversité méthodologique n’existe pas seulement entre disciplines. Une même question peut être étudiée par plusieurs méthodes complémentaires.

Prenons la question de l’effet de la pollution atmosphérique sur la santé. On peut utiliser des études de cohortes suivant des populations pendant plusieurs années, comparer des régions différemment exposées, analyser les conséquences d’une modification réglementaire, étudier les mécanismes biologiques sur des cellules ou des animaux, mesurer directement certains polluants et examiner les variations de risque associées à leur concentration.

Aucune de ces approches ne répond exactement à la même question.

Une expérience biologique contrôlée peut fournir des informations précises sur un mécanisme tout en restant éloignée des conditions réelles d’exposition humaine. Une étude observationnelle sur plusieurs millions de personnes possède une grande pertinence pour la population mais peut être davantage exposée à la confusion. Une expérience naturelle peut renforcer l’argument causal, mais seulement si l’événement étudié crée effectivement une comparaison pertinente.

Le raisonnement scientifique gagne alors en solidité lorsque des méthodes possédant des faiblesses différentes convergent vers la même conclusion.

Cette idée de convergence méthodologique est essentielle. Si toutes les études utilisent exactement la même méthode, elles risquent également de reproduire les mêmes défauts. Obtenir des résultats similaires avec des approches indépendantes est souvent plus instructif que multiplier des études presque identiques.

Il n’existe pas toujours de « méthode reine »

Certaines méthodes sont parfois présentées comme des gold standards, des références méthodologiques supposées dominer toutes les autres. L’expression peut être utile dans un contexte bien défini, mais elle devient dangereuse lorsqu’elle est appliquée sans tenir compte de la question étudiée.

L’essai contrôlé randomisé constitue ainsi un outil remarquable pour déterminer l’effet causal de nombreuses interventions médicales. Il ne répond pourtant pas automatiquement à toutes les questions médicales. Certains effets indésirables rares apparaissent seulement lorsque des millions de personnes sont exposées. Certaines conséquences prennent plusieurs décennies à se manifester. Certaines interventions ne peuvent être randomisées pour des raisons pratiques ou éthiques.

Une très mauvaise étude randomisée n’est pas nécessairement plus informative qu’une excellente étude observationnelle. La qualité d’une preuve dépend aussi de la mesure, de l’attrition, de l’échantillonnage, de la durée du suivi, de l’analyse et de la question précise à laquelle l’étude cherche à répondre.

La bonne question n’est donc jamais simplement « quelle méthode est la plus prestigieuse ? », mais « quelle méthode permet le mieux de répondre à cette question compte tenu des erreurs qu’il faut contrôler ? »

Des disciplines différentes, des contrôles différents

La diversité des sciences apparaît clairement lorsque l’on compare quelques situations.

DomaineContrainte principaleMéthodes fréquentesContrôles particulièrement importants
Essais cliniquesVariabilité entre patientsRandomisation, groupes témoins, aveugleConfusion, placebo, attrition, mesure des effets
AstronomieImpossibilité d’intervenir sur l’objetObservation, spectroscopie, modèles, comparaisonCalibration, prédictions indépendantes, cohérence physique
ÉpidémiologieExpositions souvent non randomisablesCohortes, cas-témoins, expériences naturellesConfusion, sélection, temporalité, qualité des mesures
PaléontologieÉvénements passés et données fragmentairesFossiles, géologie, datation, comparaisonConvergence des traces, chronologie, alternatives
ClimatologieUn seul système terrestre réelObservations, physique, modèles, simulationsValidation des modèles, données indépendantes, sensibilité
Psychologie expérimentaleComportements sensibles au contexteExpériences, enquêtes, mesures comportementalesValidité des mesures, puissance, effets expérimentateur, réplication

Ce tableau ne constitue évidemment qu’une simplification. Une même discipline utilise plusieurs familles de méthodes, et leurs frontières se chevauchent constamment. Son intérêt est surtout de montrer qu’une méthode est toujours une réponse à un problème particulier de connaissance.

Ce qui demeure commun malgré la diversité

Si les pratiques sont si différentes, peut-on encore parler d’une démarche scientifique commune ?

Oui, mais à condition de chercher cette unité à un niveau plus général que celui d’un protocole précis.

Une recherche scientifique sérieuse cherche normalement à rendre ses affirmations suffisamment explicites pour être confrontées à des éléments indépendants de la simple conviction du chercheur. Elle s’efforce de décrire comment les observations ont été produites, de considérer les sources d’erreur pertinentes et d’établir ce qui permettrait de distinguer plusieurs explications possibles.

Elle accepte également que ses conclusions soient révisables lorsque les preuves évoluent.

Les modalités concrètes peuvent varier considérablement, mais on retrouve ainsi plusieurs ambitions communes : rendre les observations contrôlables, expliciter les méthodes, confronter les hypothèses aux données, rechercher les erreurs, comparer les alternatives, quantifier l’incertitude lorsqu’elle peut l’être et permettre la critique indépendante.

Ces principes ne constituent pas une recette garantissant la vérité. Ils forment plutôt une famille de normes de contrôle de l’erreur.

Le pluralisme méthodologique n’est pas le relativisme

Reconnaître plusieurs méthodes scientifiques peut provoquer une inquiétude : si aucune procédure universelle ne décide mécaniquement de ce qui est scientifique, ne sommes-nous pas condamnés au relativisme ?

Non.

Dire que différentes questions exigent différentes méthodes n’implique pas que toutes les méthodes soient également bonnes. Un thermomètre mal calibré reste un mauvais instrument. Une enquête dont l’échantillon est systématiquement biaisé reste fragile. Une expérience sans groupe de comparaison peut être incapable de distinguer l’effet recherché d’une évolution spontanée. Un modèle qui échoue constamment à reproduire les phénomènes qu’il est censé expliquer doit être remis en question.

Le pluralisme méthodologique affirme seulement que la qualité d'une méthode doit être évaluée par rapport au problème qu’elle cherche à résoudre et aux erreurs qu’elle doit contrôler.

Cela permet également de comprendre pourquoi une discipline peut améliorer ses méthodes. Les essais cliniques ont progressivement intégré la randomisation, l’aveugle et la préspécification de certaines analyses parce que ces techniques réduisent des sources d’erreur identifiées. La psychologie expérimentale a développé depuis les années 2010 des pratiques plus systématiques de préenregistrement, de partage des données et de réplication. Les sciences computationnelles accordent une importance croissante au partage du code et à la reproductibilité des analyses.

Les méthodes scientifiques ne sont donc pas immuables. Elles font elles-mêmes l’objet d’un apprentissage collectif.

Choisir une méthode, c’est choisir quelles erreurs combattre

Cette manière de considérer les méthodes permet de poser une question particulièrement utile lorsqu’on évalue une étude : quelles erreurs cette méthode empêche-t-elle, et lesquelles laisse-t-elle encore possibles ?

La randomisation combat certaines formes de confusion, mais ne garantit pas une bonne mesure. Le double aveugle réduit certaines influences des attentes, mais ne rend pas un petit échantillon représentatif. Une énorme base de données réduit certaines incertitudes statistiques, mais ne corrige pas un biais systématique de sélection. Un modèle très sophistiqué peut intégrer de nombreux mécanismes tout en reposant sur des hypothèses discutables. Une réplication peut tester la robustesse d’un phénomène tout en introduisant ses propres différences méthodologiques.

Aucune procédure ne neutralise donc toutes les erreurs possibles.

La force de la science vient en grande partie de la possibilité de combiner des contrôles différents : meilleure mesure, comparaison plus pertinente, échantillon plus large, intervention expérimentale, analyse statistique, réplication indépendante, confrontation à un autre modèle ou utilisation d’une source de données différente.

Cela explique pourquoi la qualité scientifique ne peut pas être résumée à un seul label — « randomisé », « publié », « significatif », « répliqué » ou « consensuel ». Chacun de ces éléments fournit une information, mais aucun n’est un sceau automatique de vérité.

De la « méthode scientifique » à l’architecture des contrôles

Nous pouvons maintenant préciser ce que nous entendrons par démarche scientifique dans la suite de cette catégorie.

Il ne s’agira pas d’une succession obligatoire d’étapes. Il s’agira plutôt d’une architecture dans laquelle différents outils répondent à différentes possibilités d’erreur.

L’opérationnalisation permet de préciser ce qui est réellement observé. La calibration et la validation améliorent les mesures. L’échantillonnage détermine jusqu’où une conclusion peut être généralisée. Les groupes témoins et la randomisation éliminent certaines explications concurrentes. Les statistiques permettent de quantifier certaines incertitudes. La réplication teste la dépendance d’un résultat à une étude particulière. La revue critique expose les méthodes et les conclusions au regard d’autres chercheurs. La synthèse de plusieurs études permet enfin de dépasser le résultat isolé.

Cette perspective donne une unité aux méthodes scientifiques sans nier leur diversité.

La question ne sera donc pas : « Le chercheur a-t-il suivi la méthode scientifique ? »

Elle sera beaucoup plus précise : « Compte tenu de la question posée, quels contrôles a-t-il mis en place, quelles erreurs ces contrôles permettent-ils d’écarter et quelles incertitudes restent encore ouvertes ? »

C’est cette question qui permet de passer d’une vision scolaire de la science à une véritable compréhension méthodologique.


À retenir

Il n’existe probablement pas une procédure scientifique universelle que toutes les disciplines appliqueraient de la même manière. Les sciences expérimentales, observationnelles, historiques et computationnelles disposent de contraintes différentes et utilisent donc des méthodes différentes. La philosophie contemporaine de la méthode scientifique reconnaît largement cette diversité des pratiques.

Cette pluralité n’implique pas que toutes les méthodes se valent. Une méthode peut être évaluée par sa capacité à produire des observations pertinentes, contrôler certaines sources d’erreur, distinguer des explications concurrentes et permettre une critique indépendante.

Les sciences historiques illustrent particulièrement bien cette idée : l’impossibilité de reproduire expérimentalement un événement passé ne les condamne pas à la spéculation. Elles peuvent tester leurs hypothèses en recherchant des traces, des prédictions et des indices convergents ; la littérature philosophique a précisément discuté cette différence entre raisonnement historique et expérimental.

La meilleure manière de comprendre les méthodes scientifiques consiste donc moins à chercher une recette universelle qu’à demander : quelles erreurs cette méthode cherche-t-elle à contrôler, et avec quelle efficacité ?

Sources et références

  • Andersen, H. & Hepburn, B., « Scientific Method », *Stanford Encyclopedia of Philosophy*, révision substantielle du 8 août 2026.
  • Longino, H. et al., « Scientific Pluralism », *Stanford Encyclopedia of Philosophy*, révision 2026.
  • Cleland, Carol E., « Historical Science, Experimental Science, and the Scientific Method », *Geology*, 29(11), 2001.
  • Cleland, Carol E., « Methodological and Epistemic Differences between Historical Science and Experimental Science », *Philosophy of Science*, 69(3), 2002, p. 474–496, DOI 10.1086/342455.
  • Turner, Derek, « Local Underdetermination in Historical Science », *Philosophy of Science*, discussion critique de la thèse de Cleland.
  • National Academies of Sciences, Engineering, and Medicine, Reproducibility and Replicability in Science, National Academies Press, 2019.
2 sur 39Retour à la catégorie