📈 economics

Causal Persuasion

Ce papier propose un modèle de persuasion causale démontrant qu'établir un lien de causalité nécessite souvent de divulguer très peu de variables, tandis que réfuter une croyance causale préexistante exige de révéler toutes les causes communes, révélant ainsi une asymétrie fondamentale entre prouver et infirmer une relation causale.

Auteurs originaux : Anastasia Burkovskaya, Egor Starkov

Publié 2026-04-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Anastasia Burkovskaya, Egor Starkov

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

Imaginez que le monde est une immense machine complexe avec des milliers de pièces qui tournent ensemble. Parfois, deux pièces bougent en même temps, mais est-ce que l'une fait bouger l'autre, ou est-ce qu'un troisième moteur caché les fait bouger tous les deux ? C'est le problème de la causalité.

Cet article explore comment un "menteur" (l'expéditeur) peut convaincre un "observateur" (le récepteur) que telle pièce fait bouger telle autre, même si ce n'est pas vrai, ou au contraire, comment prouver qu'il n'y a aucun lien.

Voici les grandes idées, expliquées avec des métaphores du quotidien.

1. Le Jeu de la "Boîte à Outils"

Dans ce jeu, il y a deux personnages :

Le Magicien (L'expéditeur) : Il connaît toute la vérité. Il voit toutes les pièces de la machine et comment elles sont connectées.
Le Spectateur (Le récepteur) : Il est un peu naïf ou très sceptique. Il ne voit que ce que le Magicien lui montre.

Le Magicien peut choisir de montrer certaines pièces (des variables) et de proposer une histoire (un modèle causal) pour expliquer pourquoi elles bougent ensemble.

Le Spectateur naïf : Il croit tout ce qu'on lui dit tant que l'histoire ne contredit pas ce qu'il voit. Si deux choses bougent ensemble, il pense que l'une cause l'autre.
Le Spectateur sceptique : Il ne croit que si l'histoire est la seule explication possible. Il veut des preuves irréfutables.

2. L'Asymétrie Fondamentale : Construire vs Démolir

C'est le cœur de la découverte des auteurs. Il y a une différence énorme entre prouver qu'un lien existe et prouver qu'il n'existe pas.

A. Construire un lien (C'est facile)

Imaginez que vous voulez convaincre quelqu'un que manger des glaces cause les attaques de requins.

La réalité : Il n'y a pas de lien direct. Les deux sont causés par un troisième facteur : la chaleur de l'été (plus il fait chaud, plus on mange de glaces et plus on va à la plage, donc plus on voit des requins).
L'astuce du Magicien : Le Magicien montre seulement les données sur les glaces et les requins. Il dit : "Regardez, quand les glaces montent, les requins montent ! Donc les glaces attirent les requins !"
Le résultat : Le Spectateur naïf est convaincu. Même le Spectateur sceptique peut être trompé si le Magicien lui montre une pièce supplémentaire (par exemple, un facteur qui cause les requins mais pas les glaces) pour créer une "structure en V" (une preuve visuelle de causalité).
La métaphore : C'est comme construire une maison avec quelques briques. Il suffit de montrer deux murs qui se touchent pour dire "c'est une maison". C'est rapide et facile.

B. Démolir un lien (C'est très difficile)

Maintenant, imaginez que le Spectateur croit que les glaces causent les attaques de requins, et vous voulez lui prouver que c'est faux.

Le problème : Pour prouver qu'il n'y a aucun lien direct, vous devez montrer toutes les pièces cachées qui pourraient expliquer la corrélation. Vous devez prouver que la chaleur, l'heure de la journée, la saison, le nombre de touristes, etc., sont les vraies causes.
L'obstacle : Si vous oubliez même une seule pièce (un seul facteur caché), le Spectateur dira : "Ah, mais peut-être que c'est ce facteur oublié qui cause les deux ! Donc, il y a peut-être un lien."
La métaphore : C'est comme essayer de prouver qu'un château de cartes n'est pas solide. Vous ne pouvez pas juste enlever une carte. Vous devez démonter toute la structure, pièce par pièce, jusqu'à ce qu'il ne reste rien. Si vous laissez une seule pièce debout, le Spectateur dira : "Voilà, ça tient encore !"

Conclusion de l'article : Il est beaucoup plus facile de mentir en créant une fausse histoire (en montrant peu de choses) que de dire la vérité en prouvant l'absence de lien (en montrant absolument tout).

3. Le Cas du "Sceptique"

Si le Spectateur est très intelligent (sceptique), le Magicien ne peut pas inventer n'importe quelle histoire.

Si la réalité est que A cause B, le Magicien peut convaincre le sceptique en montrant juste une ou deux pièces supplémentaires bien choisies.
Mais si le Magicien essaie de dire que B cause A (l'inverse de la vérité), c'est impossible de convaincre un sceptique, peu importe combien de pièces il montre. La logique mathématique (les graphes) le trahira toujours.

4. L'Exemple du MBA (Diplôme)

L'article utilise un exemple concret :

La réalité : Les gens qui ont un MBA gagnent plus d'argent. Mais ce n'est pas le diplôme qui les rend riches. Ce sont leurs compétences et leur réseau (les "confondants") qui les rendent riches ET qui les poussent à faire un MBA.
L'école de commerce (Le menteur) : Elle montre les données : "MBA = Argent". Elle ajoute une pièce : "L'expérience". Elle dit : "Regardez, l'expérience + le MBA = Argent". Le spectateur pense : "Ah, donc le MBA crée l'argent !" (C'est faux, mais la preuve semble solide).
L'employeur (Le démolisseur) : Il veut prouver que le MBA ne sert à rien. Pour cela, il doit montrer tous les facteurs cachés (les compétences, le réseau, la famille, etc.). S'il oublie un seul facteur, l'école de commerce dira : "Ah, mais vous n'avez pas montré ce facteur, donc le MBA est peut-être la cause !"

En résumé

Ce papier nous dit que dans le monde de l'information :

Créer une croyance (même fausse) est facile : il suffit de montrer quelques faits qui s'alignent.
Détruire une croyance (même fausse) est un cauchemar : il faut énumérer toutes les explications possibles pour éliminer la fausse.
C'est pourquoi il est souvent plus facile de propager une théorie du complot (en pointant du doigt un coupable) que de prouver qu'il n'y a pas de complot (en expliquant toute la complexité du monde).

C'est une leçon d'humilité pour nous tous : quand quelqu'un nous dit "A cause B", méfions-nous. Et quand quelqu'un nous dit "A ne cause pas B", soyons encore plus vigilants, car il a peut-être oublié de nous montrer une pièce du puzzle.

1. Problématique et Contexte

L'article aborde la question fondamentale de la persuasion causale : comment un émetteur (Sender) peut-il convaincre un récepteur (Receiver) de l'existence (ou de l'absence) d'une relation causale spécifique entre deux variables, en utilisant uniquement des données factuelles et véridiques, mais de manière sélective.

Le problème central réside dans l'asymétrie entre l'établissement d'une causalité et la réfutation d'une causalité perçue. Dans un monde où les données sont générées par un modèle causal vrai (représenté par un graphe acyclique dirigé ou DAG), l'émetteur observe toutes les variables et la distribution conjointe. Le récepteur, initialement ignorant de certaines variables ou possédant un modèle subjectif erroné, doit être persuadé d'adopter un nouveau modèle causal.

La question clé est : Quelles conditions structurelles et informationnelles permettent à l'émetteur de persuader le récepteur, et quel est le coût (en termes de nombre de variables révélées) pour y parvenir ?

2. Méthodologie et Cadre Théorique

Les auteurs développent un modèle formel de communication stratégique basé sur la théorie des graphes causaux et l'apprentissage automatique (causal discovery).

Représentation du Monde : Le monde est décrit par un DAG (Directed Acyclic Graph) vrai $(\Omega_t, C_t)$ , où $\Omega_t$ est l'ensemble des variables et $C_t$ les liens causaux. Les données correspondent à la distribution conjointe $P$ de ces variables.
Modèles Subjectifs : Le récepteur possède un modèle subjectif $(\Omega_s, C_s)$ $(Ω_{s}, C_{s})$ avec $\Omega_s \subseteq \Omega_t$ $Ω_{s} \subseteq Ω_{t}$ . Un modèle est dit cohérent avec les données si :
1. Propriété de Markov : Les indépendances conditionnelles dans le modèle correspondent à celles dans les données.
2. Minimalité (Fidélité) : Si deux variables sont indépendantes dans les données, elles ne sont pas directement liées dans le modèle.
Types de Récepteurs :
- Naïf : Accepte tout modèle cohérent avec les données observées (confond souvent corrélation et causalité).
- Sophistiqué : N'accepte un lien causal $x \to y$ que si celui-ci est uniquement cohérent avec les données (c'est-à-dire que toutes les autres orientations possibles sont exclues par les données).
Algorithme IC (Inductive Causation) : Les auteurs utilisent l'algorithme IC (Pearl, 1990) et les règles d'orientation de Meek (1995) pour déterminer quels liens peuvent être orientés de manière unique à partir d'un sous-ensemble de variables.
Objectif de l'Émetteur : Persuader le récepteur que $x \to y$ (ou que $x$ et $y$ ne sont pas liés) en minimisant le nombre de variables supplémentaires révélées ( $|\Omega_s|$ ), reflétant une aversion à la complexité des modèles.

3. Résultats Principaux

Les résultats mettent en évidence une asymétrie fondamentale dans la persuasion causale.

A. Persuasion d'un Récepteur Naïf

Si $x$ et $y$ sont corrélés dans le modèle vrai, persuader un récepteur naïf est trivial : il suffit de révéler $x$ et $y$ et de proposer le lien $x \to y$ . Aucune variable supplémentaire n'est nécessaire.
Si $x$ et $y$ ne sont pas corrélés, la persuasion est impossible.

B. Persuasion d'un Récepteur Sophistiqué (Établissement d'une causalité)

Impossibilité de la causalité inversée : Si la vérité est $y \to x$ , un émetteur ne peut jamais persuader un récepteur sophistiqué que $x \to y$ (Théorème 1). L'algorithme IC ne peut pas orienter un lien dans le sens opposé à la vérité si le modèle vrai est "simple" (les structures en V sont évidentes sans contrôles).
Conditions de faisabilité : Pour persuader un récepteur sophistiqué que $x \to y$ $x \to y$ (lorsque c'est vrai), l'émetteur doit révéler des variables supplémentaires pour créer des structures en V (colliders) qui orientent le lien.
- Cas "Facile" : Si une cause évidente de $y$ (non corrélée à $x$ ) existe, ou si deux causes non évidentes indépendantes existent, la persuasion ne nécessite que 1 ou 2 variables supplémentaires.
- Cas "Difficile" : Si aucune telle variable n'existe (par exemple, en présence de nombreux facteurs de confusion), la persuasion peut nécessiter la révélation d'un nombre arbitrairement grand de variables, rendant la tâche pratiquement impossible.

C. Démantèlement (Debunking) d'un Modèle Préexistant

Pour réfuter un lien causal erroné (ex: $x \leftarrow y$ alors que c'est faux), l'émetteur doit rendre le modèle du récepteur incohérent avec les nouvelles données.
Asymétrie de difficulté :
- Établir une causalité (ou un lien inversé) : Souvent facile (1-2 variables) si les conditions structurelles sont réunies.
- Établir l'absence de causalité : Extrêmement difficile. Pour convaincre qu'il n'y a aucun lien direct entre $x$ et $y$ (alors qu'ils sont corrélés par des facteurs de confusion), l'émetteur doit révéler tous les facteurs de confusion communs (l'ensemble d-separant) pour briser la corrélation conditionnelle.
- Cela implique que démontrer qu'une corrélation est spurious est beaucoup plus coûteux en information que de prouver une causalité (même fausse).

D. Persuasion par "Nitpicking" (Chicanerie)

Même si la vérité est contre l'émetteur (ex: $y \to x$ est vrai, mais il veut persuader $x \to y$ ), il peut parfois réussir avec un récepteur naïf en exploitant d'autres liens défectueux dans le modèle du récepteur. En réfutant un lien secondaire incorrect, l'émetteur peut forcer le récepteur à accepter un nouveau modèle défectueux qui inclut le lien désiré, même si ce lien est faux.

4. Contributions Clés

Premier modèle formel de persuasion causale : Intégration des DAG et de la découverte causale dans un cadre de communication stratégique.
Asymétrie fondamentale : Démonstration que prouver l'absence de lien est intrinsèquement plus difficile que d'établir un lien (contrairement à l'asymétrie de Hume pour les affirmations universelles). Ruler out une relation causale exige d'éliminer toutes les explications alternatives (tous les confondants), tandis qu'établir une relation peut se faire en éliminant quelques alternatives clés.
Rôle de la complexité du modèle : La difficulté de la persuasion est mesurée par le volume de données (variables) à révéler. La persuasion sophistiquée est souvent bloquée par l'absence de "causes évidentes" ou de structures en V identifiables avec peu de variables.
Vulnérabilité de la sophistication : Même un récepteur sophistiqué peut être trompé si l'émetteur sélectionne judicieusement un sous-ensemble de variables qui crée une structure en V artificielle, permettant d'orienter un lien de manière unique mais fausse (défectueuse).

5. Signification et Implications

Pour les sciences sociales et l'économie : Ce modèle explique pourquoi les narratifs causaux (politiques, publicitaires, médiatiques) peuvent être si puissants et difficiles à réfuter. Il est souvent plus facile pour un politicien de dire "A cause B" en révélant une variable Z pertinente, que pour un expert de prouver que "A n'a aucun lien avec B" car cela nécessite de contrôler toutes les variables confondantes possibles.
Pour la communication stratégique : Les acteurs peuvent manipuler la perception de la causalité non pas en mentant sur les données, mais en omission sélective de variables. La "vérité" peut être noyée sous une complexité informationnelle que le récepteur ne peut gérer.
Limites et Perspectives : Le modèle suppose des données parfaites et des récepteurs qui ne sont pas conscients de leur propre ignorance (unaware of unawareness). Les auteurs suggèrent que l'introduction de l'incertitude bayésienne ou de l'intervention (expérimentation) pourrait modifier ces résultats, ouvrant la voie à de futures recherches.

En résumé, l'article démontre que dans un environnement de communication stratégique, la charge de la preuve pour réfuter une causalité perçue est disproportionnellement lourde, créant un terrain propice à la désinformation causale même face à des données véridiques.