📊 statistics

The Rise of Null Hypothesis Significance Testing (NHST): Institutional Massification and the Emergence of a Procedural Epistemology

En s'appuyant sur la théorie de l'acteur-réseau, cet article explique que la domination persistante du test d'hypothèse nulle (NHST) dans les sciences appliquées ne résulte pas de sa supériorité technique, mais de sa capacité à fonctionner comme une technologie sociale permettant l'autosuffisance procédurale et la standardisation nécessaires à l'expansion massive des réseaux scientifiques d'après-guerre.

Auteurs originaux : Carol Ting

Publié 2026-03-17

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Carol Ting

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🧪 Le Secret de la "Magie" des Résultats Scientifiques

Imaginez que vous êtes dans une immense usine de production de connaissances scientifiques. Chaque jour, des milliers de chercheurs sortent des études. Pour savoir si une étude est "bonne" ou "mauvaise", les éditeurs de revues, les banques et les gouvernements regardent un seul chiffre magique : le p-value (souvent écrit $p \le 0,05$ ).

Si ce chiffre est en dessous de 0,05, on crie "Eureka ! C'est significatif !" et on publie. Sinon, on range l'étude au placard.

Le problème ? Ce système, appelé NHST (Test de Signification de l'Hypothèse Nulle), est plein de défauts techniques. Les statisticiens le critiquent depuis 60 ans. Pourtant, il est partout. Pourquoi ?

L'auteure, Carol Ting, nous dit que ce n'est pas un problème de mathématiques, mais un problème d'organisation sociale. Voici l'histoire racontée avec des métaphores.

1. La Guerre des Deux Génies (Fisher vs. Neyman-Pearson)

Au début du 20ème siècle, il y avait deux écoles de pensée qui ne s'entendaient pas :

Fisher disait : "Utilisez les chiffres pour vous faire une idée, mais restez prudent. Si le résultat est bizarre, c'est peut-être une découverte, mais il faut réfléchir." (C'est de l'art).
Neyman et Pearson disaient : "Non, il faut des règles automatiques pour éviter les erreurs sur le long terme, comme dans une usine de contrôle qualité." (C'est de l'ingénierie).

C'était comme si un peintre et un architecte essayaient de construire la même maison ensemble, mais avec des plans totalement différents.

2. L'Explosion Post-Guerre : Le "Boom" de la Science

Après la Seconde Guerre mondiale, les États-Unis (et le monde) ont eu une idée géniale mais dangereuse : "Il faut former des millions de scientifiques, tout de suite !"
Grâce à des lois comme le GI Bill et des fonds massifs du gouvernement, les universités ont explosé. Il y avait une demande énorme pour des chercheurs, mais pas assez de vrais experts en statistiques pour les enseigner.

C'est là que le drame (ou la solution) a commencé.

3. La "Boîte Noire" : Le Recette de Cuisine

Imaginons que vous devez apprendre à cuisiner des plats complexes.

La méthode idéale : Apprendre à un élève à comprendre la chimie des aliments, le goût, l'histoire des épices. C'est long, c'est difficile, et ça demande un chef étoilé pour chaque élève. Impossible de former des millions de personnes ainsi.
La méthode NHST : On donne aux élèves une recette de cuisine simplifiée.
- Étape 1 : Mettez les ingrédients dans la machine.
- Étape 2 : Appuyez sur le bouton.
- Étape 3 : Si la machine affiche "Significatif", c'est un plat réussi. Sinon, c'est raté.

On a pris les idées complexes de Fisher et Neyman-Pearson, on les a mélangées, on a jeté les parties difficiles (comme la réflexion profonde ou les hypothèses complexes) et on a gardé juste le bouton magique.

C'est ce qu'on appelle une "Boîte Noire". Vous n'avez pas besoin de savoir comment la machine fonctionne à l'intérieur pour l'utiliser. Vous faites juste confiance au résultat.

4. Pourquoi c'est devenu la norme ? (L'Analogie du "Passe-Partout")

Carol Ting utilise une théorie appelée Théorie de l'Acteur-Réseau. Elle explique que le NHST est devenu le "Passe-Partout Obligatoire" (Obligatory Passage Point).

Imaginez un grand château avec des milliers de portes. Pour entrer dans le monde de la science, vous devez passer par une seule porte étroite.

Cette porte est le p < 0,05.
Peu importe qui vous êtes (un psychologue, un biologiste, un économiste), si vous voulez que votre travail soit vu, vous devez passer par cette porte.

Pourquoi cette porte est-elle restée là ? Parce qu'elle est autonome.

Elle ne demande pas de discuter avec un expert.
Elle ne demande pas de connaître le contexte complexe de l'étude.
Elle permet de juger des milliers de travaux rapidement, sans avoir besoin de milliers d'experts.

C'est une technologie de "massification". Elle a permis de former des armées de chercheurs en leur donnant une règle simple à suivre, même s'ils ne comprenaient pas vraiment la science derrière.

5. Le Problème : On a remplacé le "Pensée" par le "Bouton"

Le résultat de cette histoire, c'est que la science est devenue une usine de production de "Significatif".

Les chercheurs ne se demandent plus : "Est-ce que mon résultat a du sens dans le monde réel ?"
Ils se demandent : "Comment je peux faire en sorte que mon p-value soit sous 0,05 ?"

C'est comme si, pour conduire une voiture, on ne vous apprenait pas à regarder la route, à comprendre la mécanique ou à anticiper les dangers. On vous donne juste un bouton "Démarrer". Si le bouton s'allume, c'est que vous savez conduire.

En Résumé

L'article dit que le NHST n'a pas gagné parce qu'il est le meilleur outil mathématique. Il a gagné parce qu'il était l'outil le plus pratique pour gérer une explosion de la science.

C'était la solution parfaite pour une époque où il fallait former des millions de gens rapidement. Mais aujourd'hui, cette "recette de cuisine" nous empêche de comprendre la vraie complexité du monde.

La leçon ?
Pour réformer la science, il ne suffit pas de changer les formules mathématiques (comme essayer d'enseigner le Bayésien). Il faut changer la façon dont nous organisons la science : arrêter de demander aux chercheurs de suivre des règles automatiques et les encourager à reprendre le volant, à réfléchir, et à comprendre ce qu'ils font, même si c'est plus lent et plus difficile.

1. Problématique

L'article s'attaque à un paradoxe majeur dans la pratique scientifique contemporaine : la persistance et la domination du Test d'Hypothèse Nulle (NHST) dans les sciences appliquées (biomédicales, sociales, économiques), malgré plus de soixante ans de critiques, de réformes et de littérature documentant ses défauts techniques et ses malentendus conceptuels.

La question centrale est la suivante : Pourquoi le NHST, un cadre qui dichotomise les résultats et privilégie la « signification statistique » (p ≤ 0,05) au détriment de l'interprétation substantielle, continue-t-il de dominer les pratiques scientifiques alors que ses erreurs d'interprétation sont bien connues ?

L'auteur rejette l'explication purement cognitive (manque de formation ou erreurs individuelles) pour proposer une explication sociologique et historique. Elle postule que la domination du NHST n'est pas due à sa supériorité technique pour résoudre les problèmes d'inférence statistique, mais à sa capacité à répondre à un défi institutionnel spécifique : l'expansion massive des réseaux scientifiques après la Seconde Guerre mondiale.

2. Méthodologie

L'approche de l'article est historique et sociologique, s'inscrivant dans le champ des Science and Technology Studies (STS).

Cadre théorique : L'analyse utilise la Théorie de l'Acteur-Réseau (ANT) de Bruno Latour et Michel Callon. Les concepts clés mobilisés sont la « boîte noire » (black-boxing) et le modèle de la « traduction » des faits.
Analyse historique : L'article retrace la genèse du NHST en distinguant deux cadres théoriques originels incompatibles :
1. L'inférence inductive de Ronald A. Fisher (basée sur la valeur p comme mesure de la surprise face à l'hypothèse nulle, sans décision binaire fixe).
2. Le cadre décisionnel de Jerzy Neyman et Egon Pearson (basé sur le contrôle des taux d'erreur à long terme, nécessitant une hypothèse alternative précise et un compromis entre erreurs de type I et II).
Contexte institutionnel : L'étude examine les conditions matérielles et démographiques de l'après-guerre aux États-Unis (GI Bill, financement fédéral, guerre froide) qui ont provoqué une « massification » de l'enseignement supérieur et de la recherche, créant une pénurie critique d'experts statistiques qualifiés.

3. Contributions Clés et Résultats

A. La « Mariage Forcé » et la Fusion des Cadres

L'article démontre que le NHST tel qu'il est pratiqué aujourd'hui est un hybride théorique instable, résultant d'un « mariage forcé » entre les approches de Fisher et de Neyman-Pearson.

Détachement du contexte : Les manuels et les enseignants, confrontés à la nécessité de former un grand nombre d'étudiants non-spécialistes, ont simplifié ces cadres complexes.
La perte de rigueur :
- De Fisher, on a retenu la valeur p et le seuil arbitraire de 0,05, mais on a abandonné l'idée que p > 0,05 signifie « inconclusif » (on l'a remplacé par « accepter l'hypothèse nulle »).
- De Neyman-Pearson, on a gardé la logique de décision binaire, mais on a supprimé la nécessité de spécifier une hypothèse alternative précise ( $H_1$ ) et le calcul des coûts des erreurs, rendant l'optimisation mathématique impossible.
Résultat : Un « hybride » qui offre des réponses binaires (significatif/non significatif) sans les fondements logiques ni les exigences informationnelles des deux pères fondateurs.

B. Le NHST comme « Technologie de Massification Institutionnelle »

C'est la contribution centrale de l'article. L'auteur argue que les « défauts » techniques du NHST (l'omission des hypothèses de modélisation, la mécanisation du jugement) sont devenus des fonctionnalités nécessaires pour gérer l'expansion scientifique.

Auto-suffisance procédurale (Procedural Self-Sufficiency) : Le NHST agit comme une technologie sociale qui permet de produire de la science sans expertise approfondie. En remplaçant le jugement épistémique contextuel par une procédure standardisée, il réduit les coûts de coordination et de formation.
Boîte Noire : Le NHST permet de « fermer la boîte » : l'utilisateur n'a pas besoin de comprendre la génération des données ou les hypothèses sous-jacentes. Il suffit d'entrer les données et de lire le résultat binaire. Cela permet une scalabilité rapide de la production scientifique.
Monnaie d'échange : Le p-value est devenu une monnaie universelle permettant de comparer, évaluer et financer des recherches hétérogènes sans nécessiter de négociation épistémique complexe entre experts de domaines différents.

C. La Genèse de l'Épistémologie Procédurale

L'article introduit le concept d'épistémologie procédurale. Dans un contexte de massification, la confiance ne repose plus sur la compréhension profonde du phénomène étudié, mais sur la conformité de la production du résultat à une procédure standardisée. La légitimité de la science provient du respect du protocole (le test) plutôt que de la substance de l'argumentation.

4. Signification et Implications

Réinterprétation de la crise de réplication : La persistance du NHST n'est pas un échec de l'éducation statistique, mais le succès d'une solution sociale à un problème d'organisation industrielle de la science. Corriger les erreurs cognitives individuelles ne suffira pas tant que les incitations institutionnelles (financement, publication, carrière) favorisent la procédure standardisée.
Échec des réformes purement techniques : L'article met en garde contre l'idée que le remplacement du NHST par d'autres méthodes (comme les statistiques Bayésiennes ou les facteurs de Bayes) résoudra le problème. Si ces nouvelles méthodes sont adoptées comme de simples outils de décision automatisée (de nouvelles « boîtes noires »), elles risquent de reproduire les mêmes défauts (ex: le facteur de Bayes devenant une nouvelle monnaie de décision binaire).
Nécessité d'une stratégie sociale : Pour réformer la pratique statistique, il faut agir sur les structures institutionnelles et les incitations, et non seulement sur la pédagogie. Il s'agit de rendre visible le rôle social du NHST et de remettre en question l'auto-suffisance procédurale qui permet de contourner le jugement expert.

Conclusion

En somme, Carol Ting démontre que le NHST a triomphé non pas parce qu'il est le meilleur outil d'inférence statistique, mais parce qu'il est le meilleur outil pour l'industrialisation de la science au XXe siècle. Il a permis de transformer une discipline complexe et contextuelle en une routine mécanique, scalable et défendable administrativement, répondant ainsi aux impératifs de la massification institutionnelle post-guerre. Sa domination est le symptôme d'une adaptation de la science à ses propres contraintes de production de masse.