A Theory of Partial Truth for Scientific Statements
Cet article propose un cadre formel restreint pour quantifier la vérité factuelle partielle des énoncés scientifiques en évaluant les écarts normalisés de leurs composantes par rapport aux preuves empiriques, permettant ainsi l'évaluation de modèles qui contiennent à la fois des éléments exacts et inexacts sans confondre l'adéquation factuelle avec la confiance ou la convergence vers une vérité complète.
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 par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La science repose souvent sur des descriptions qui ne sont pas parfaitement vraies, mais qui fonctionnent remarquablement bien. Pensez à une carte qui omet les petites rues secondaires pour mettre clairement en évidence les grands axes routiers ; elle est techniquement inexacte car elle omet des détails, mais elle est incroyablement utile pour la navigation. En physique et en astronomie, les scientifiques utilisent des « cartes » similaires de la réalité. Ils décrivent les étoiles comme des points, les surfaces comme parfaitement lisses, ou les populations comme des nombres infinis. Ces descriptions sont, strictement parlant, fausses parce que le monde réel est plus complexe, mais elles capturent le comportement essentiel des systèmes avec suffisamment de précision pour permettre de faire des prédictions et de stimuler le progrès. Pendant longtemps, la manière standard d'évaluer ces énoncés scientifiques a été une simple question de type « oui ou non » : l'énoncé est-il vrai ou est-il faux ? Cette approche binaire, cependant, masque la nuance du fonctionnement réel de la science. Elle traite un modèle qui est précis à 90 % de la même manière qu'un modèle qui est précis à 10 %, simplement parce qu'aucun des deux n'est parfait. Elle ne parvient pas à expliquer comment une théorie peut être fausse tout en menant à de véritables découvertes.
Un nouvel article de Gustavo E. Romero, chercheur à l'Institut argentin de radioastronomie, propose une manière de mesurer la « vérité partielle » des énoncés scientifiques. Au lieu de demander si une affirmation est simplement juste ou fausse, l'article propose une méthode pour estimer à quel point une affirmation correspond aux faits, même lorsqu'elle contient des erreurs. L'idée centrale est que le progrès scientifique ne consiste pas à trouver une description unique et parfaite de l'univers, mais à construire des représentations qui deviennent de plus en plus adéquates pour les problèmes spécifiques que nous essayons de résoudre. Cette approche permet aux scientifiques de dire qu'un énoncé est « largement correct » de manière précise et numérique, en distinguant une petite erreur sans conséquence d'un défaut majeur, sans confondre cette mesure avec la probabilité que l'énoncé soit vrai.
L'article commence par clarifier ce qui est exactement mesuré. Il distingue l'énoncé physique lui-même — les mots écrits sur une page ou prononcés à voix haute — de la proposition, qui est le sens ou la revendication réelle qui est faite. Le but est d'évaluer l'adéquation factuelle de ce sens par rapport à un ensemble de preuves. Ces preuves consistent en des observations et des expériences contrôlées, telles que des mesures de la luminosité d'une étoile ou de la résistance d'un fil électrique. L'auteur soutient que nous devons séparer la question de « quel est notre degré de confiance dans ces données ? » de la question « à quel point cette affirmation correspond-elle aux données ? ». Une affirmation peut être très proche des faits mesurés même si la mesure elle-même comporte une certaine incertitude, et le nouveau cadre est conçu pour capturer cette proximité.
Pour ce faire, l'article introduit un système consistant à attribuer un score entre zéro et un à tout énoncé scientifique. Un score de un représente l'adéquation maximale possible compte tenu des preuves actuelles, tandis qu'un zéro représente une inadéquation totale. Pour les affirmations impliquant des nombres, telles que « la masse de cette étoile est 100 fois la masse du soleil », le score est calculé en examinant la différence entre le nombre revendiqué et le nombre soutenu par l'observation. Si le nombre revendiqué est très proche du nombre observé, le score est élevé. S'il est éloigné, le score chute. L'article précise que cette différence est mesurée par rapport à une échelle appropriée au problème, garantissant qu'une petite erreur dans un grand nombre est traitée équitablement par rapport à une petite erreur dans un petit nombre.
Une partie cruciale de la nouvelle méthode réside dans la façon dont elle gère les énoncés complexes composés de plusieurs affirmations plus petites. Imaginez un modèle scientifique qui fait trois prédictions : une sur la température, une sur la pression et une sur la forme d'un récipient. Si le modèle réussit les prédictions de température et de pression mais se trompe sur la forme, un système simple de « vrai ou faux » qualifierait l'ensemble du modèle de faux. Le nouveau cadre permet toutefois au modèle de conserver un score élevé car les parties exactes continuent d'apporter de la valeur. L'article montre qu'en faisant la moyenne des scores des parties individuelles, pondérés par l'importance de chaque partie pour la question spécifique posée, nous pouvons obtenir une évaluation équitable de l'ensemble. Par exemple, si un modèle est testé pour sa capacité à prédire la résistance électrique, les affirmations concernant la couleur du fil ou la température du laboratoire sont non pertinentes. Le nouveau système ignore ces détails non pertinents, garantissant qu'un modèle n'est pas injustement pénalisé pour avoir réussi ou échoué sur des points sans importance.
L'auteur démontre cette méthode avec des exemples concrets, incluant une évaluation hypothétique de la résistance électrique et une application réelle impliquant une étoile massive appelée Zeta Puppis. Dans l'exemple de l'étoile, des chercheurs avaient précédemment estimé le taux de perte de masse de l'étoile sur la base d'observations en rayons X. L'article prend une affirmation spécifique concernant ce taux et la compare aux données observées. Même si le taux revendiqué était légèrement différent du taux observé, la nouvelle méthode lui attribue un score élevé d'environ 0,86, indiquant qu'il s'agit d'une très bonne approximation de la réalité. Ce score n'est pas une supposition sur la probabilité que l'affirmation soit vraie ; c'est une mesure directe de la manière dont l'affirmation s'aligne sur les preuves, en tenant compte des limites connues des mesures.
L'article aborde également les pièges potentiels de ce type de mesure. Il avertit que le score dépend fortement de la manière dont le problème est défini et de quelles parties d'un modèle sont considérées comme importantes. Si un scientifique modifie l'échelle de mesure ou décide qu'une autre partie du modèle est plus critique, le score peut changer. L'auteur prend soin de préciser que cela ne signifie pas que les faits ont changé, mais plutôt que les critères d'évaluation ont glissé. La méthode est conçue pour être transparente sur ces choix, exigeant que les scientifiques énoncent explicitement ce qu'ils mesurent et comment ils pondèrent les différentes pièces de preuve. Cela empêche les scores d'être trompeurs ou arbitraires.
En fin de compte, l'article offre un outil pour une vision plus honnête et nuancée du progrès scientifique. Il suggère que nous devrions cesser de considérer la science comme un voyage vers une vérité unique et parfaite que nous atteindrons un jour. Au contraire, la science est un processus de raffinement de nos descriptions, les rendant de plus en plus adéquates pour les questions spécifiques auxquelles nous devons répondre. Une théorie peut être « partiellement vraie » d'une manière mathématiquement précise, nous permettant de voir exactement là où elle réussit et là où elle échoue. Cette approche respecte le fait que les modèles scientifiques sont toujours des approximations, mais elle nous donne aussi un moyen de mesurer à quel point ces approximations sont bonnes. En distinguant l'exactitude d'une affirmation de la confiance que nous avons en elle, et en pesant l'importance de différentes parties d'une théorie, ce nouveau cadre nous aide à comprendre comment la science progresse, même lorsqu'elle n'est pas encore parfaite.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.