From Epistemic Justification to Methodological Decision: The Epistemicization of Hypotheses and the Status of H₀–H₁ in Scientific Research

La science est souvent imaginée comme une ligne droite menant d'une question à une vérité unique et incontestable. Dans le laboratoire, un chercheur propose une idée, recueille des données et espère prouver que cette idée est correcte. Depuis plus d'un siècle, les philosophes débattent pour savoir comment nous pouvons jamais être sûrs que nos idées scientifiques sont réellement vraies, en se concentrant sur des concepts tels que la vérification — vérifier si quelque chose correspond à la réalité — et la falsification — essayer de prouver qu'une chose est fausse. Ces débats ont façonné notre façon de penser la connaissance, mais ils ont laissé un vide lorsqu'il s'agit du travail quotidien effectif des scientifiques. Tandis que les philosophes débattent de la nature de la vérité, les chercheurs dans des domaines allant de la psychologie à l'agriculture sont occupés à prendre des décisions basées sur des données qui ne sont jamais parfaitement claires. Ils sont confrontés à l'incertitude, à de petits échantillons et au bruit aléatoire, et ils ont besoin d'un moyen de progresser sans attendre une certitude absolue. C'est là qu'interviennent les outils de la décision statistique, plus précisément un système développé au XXe siècle qui permet aux scientifiques d'agir même lorsqu'ils ne sont pas sûrs à 100 % de la réponse.

Un nouvel article de Bülent Bayat, chercheur à l'Université Nuh Naci Yazgan, examine une confusion profonde qui s'est accentuée entre ces deux mondes : la recherche philosophique de la vérité et le besoin pratique de prendre des décisions. L'article soutient que les scientifiques et les manuels commettent une erreur fondamentale en traitant les outils statistiques comme s'ils étaient des preuves philosophiques. Depuis des décennies, les chercheurs utilisent une méthode standard pour tester leurs idées, étiquetant souvent leurs prédictions comme des « hypothèses » pour ensuite les déclarer « prouvées » ou « falsifiées » sur la base d'un test statistique. Bayat suggère qu'il s'agit d'une erreur de catégorie. Le système statistique en question, connu sous le nom de théorie de la décision de Neyman–Pearson, n'a jamais été conçu pour nous dire ce qui est vrai dans l'univers. Au contraire, il a été construit pour aider des groupes de scientifiques à faire des choix cohérents et rationnels sur ce qu'ils doivent faire ensuite lorsqu'ils sont confrontés à l'incertitude.

Le cœur du problème réside dans la façon dont nous parlons des deux acteurs principaux de ce jeu statistique. Dans l'approche standard, un chercheur établit une « hypothèse nulle », qui est essentiellement une supposition par défaut selon laquelle rien d'intéressant ne se passe, et une « hypothase alternative », qui est l'idée propre du chercheur selon laquelle quelque chose se passe. Lorsque les données arrivent, le chercheur décide de rejeter l'hypothèse par défaut en faveur de sa propre idée. Bayat souligne que, dans la conception originale de ce système, ces deux idées n'étaient pas censées être des affirmations concurrentes sur la réalité. Elles n'étaient pas censées être des opposés symétriques où l'une est vraie et l'autre est fausse. Au lieu de cela, elles ont été conçues comme deux chemins différents pour un processus de prise de décision. Le but n'était pas de trouver la vérité, mais de contrôler le risque de commettre une erreur. Le système permet aux scientifiques de dire : « Si nous supposons que rien ne se passe, la probabilité d'observer des données aussi extrêmes est très faible, nous choisirons donc d'agir comme si quelque chose se passait. » C'est une règle de comportement, pas une déclaration de fait.

Malgré cette conception claire, la façon dont la méthode est enseignée et utilisée s'est éloignée de son intention originale. Les manuels et les articles de recherche décrivent fréquemment le rejet de l'hypothèse par défaut comme une « preuve » que l'idée du chercheur est vraie. Ils parlent d'« accepter » une hypothèse comme si elle avait été vérifiée par l'univers. Bayat retrace cette confusion en remontant à une longue histoire de débats philosophiques qui se sont concentrés intensément sur la manière de justifier la connaissance. Parce que les philosophes ont passé beaucoup de temps à argumenter sur la vérification et la falsification, les scientifiques ont commencé à supposer que leurs tests statistiques étaient l'application pratique de ces théories philosophiques. Ils ont commencé à traiter le résultat statistique comme un verdict direct sur la vérité de leurs théories. L'article soutient que c'est un malentendu. Le test statistique ne vous dit pas si votre théorie est vraie ; il vous dit seulement si les données que vous avez collectées sont suffisamment inhabituelles pour déclencher une règle pré-convenue de changement de mode d'action.

Cette confusion a conduit à une manière ritualisée de faire de la science qui peut être trompeuse. Les chercheurs rédigent souvent de longues listes d'hypothèses numérotées, de H1 à H14, traitant chacune comme une affirmation distincte à prouver ou à infirmer. Ils utilisent un langage tel que « l'hypothèse a été soutenue » ou « l'hypothèse nulle a été falsifiée », comme si le test statistique avait rendu un jugement final sur la réalité. Bayat explique que ce langage est dangereux car il cache le fait que le test est en réalité simplement un outil de gestion du risque. Lorsqu'un scientifique dit qu'il a « falsifié » une hypothèse nulle, il ne dit pas qu'il a prouvé que l'alternative est vraie. Il dit simplement qu'il a décidé de suivre un chemin spécifique parce que les données étaient peu probables sous l'hypothèse par défaut, et qu'il est prêt à accepter une petite chance prédéfinie de se tromper. Le système est conçu pour bien fonctionner sur de très nombreuses études, garantissant que le groupe de scientifiques dans son ensemble commette peu d'erreurs, et non pour garantir que n'importe quelle étude individuelle ait trouvé la vérité absolue.

L'article examine également comment cette confusion affecte la compréhension du rôle du chercheur. Dans la vision philosophique, le scientifique est un chercheur de vérité, essayant de construire une image du monde qui soit aussi précise que possible. Dans la vision de la théorie de la décision, le scientifique est un gestionnaire de risque, essayant de faire un choix qui maintienne le taux d'erreur à long terme le plus bas possible. Ce sont deux métiers différents. En les confondant, nous demandons aux outils statistiques de faire un travail pour lequel ils n'ont pas été conçus. Nous demandons à une règle de décision de nous dire ce qui est réel, alors qu'elle a seulement été conçue pour nous dire quand agir. Cela mène à une situation où nous exigeons de nos données plus qu'elles ne peuvent donner, et nous aboutissons à des conclusions scientifiques qui semblent certaines mais qui ne sont en fait que le résultat d'un processus mécanique.

Le travail de Bayat ne suggère pas que nous devrions arrêter d'utiliser ces outils statistiques. Au contraire, l'article soutient que ces outils sont essentiels pour la science moderne car ils nous permettent d'avancer malgré l'incertitude. Le problème n'est pas l'outil lui-même, mais la façon dont nous interprétons ses résultats. La solution proposée est de cesser d'essayer de forcer les décisions statistiques dans la boîte de la vérité philosophique. Au lieu de cela, nous devrions reconnaître que ces outils appartiennent à une catégorie différente : ce sont des méthodes pour réguler la façon dont nous agissons quand nous ne connaissons pas la réponse. Si nous pouvons séparer la question de « ce qui est vrai » de la question de « que devons-nous faire ensuite », nous pourrons utiliser ces outils plus efficacement. Nous pourrons cesser de prétendre qu'un test statistique a prouvé une théorie et commencer à comprendre qu'il nous a simplement aidés à faire un choix rationnel dans des conditions difficiles.

L'article conclut que l'histoire de la science a créé un fossé entre les philosophes qui s'inquiètent du sens de la connaissance et les statisticiens qui s'inquiètent de la mécanique de la décision. Pendant longtemps, ces deux groupes se sont parlé sans se comprendre, menant à la confusion actuelle où les scientifiques pensent que leurs tests statistiques sont des preuves philosophiques. Bayat suggère que la voie à suivre n'est pas de tenter de réparer les statistiques pour les rendre plus philosophiques, mais de distinguer clairement les deux niveaux. Nous devons comprendre que la structure H0 et H1 est une méthode pour organiser nos décisions, et non une carte de la réalité. En acceptant cette distinction, les scientifiques pourront utiliser leurs outils avec plus d'honnêteté et de clarté, en reconnaissant qu'ils prennent des décisions basées sur le risque et l'incertitude, plutôt que de prétendre avoir découvert des vérités absolues. Ce changement de perspective n'affaiblit pas la science ; il la renforce en alignant nos méthodes sur leur véritable but.