Réconcilier la subjectivité et l’objectivité en sciences
Quelle est la différence entre les «alternative facts» (pour «faits alternatifs») délivrés par l’équipe de Trump et la vérité scientifique? Des méthodes objectives de l’inférence scientifique représentent la réponse classique. Mais puisqu’il y a une différence, objective, entre les données scientifiques et les mensonges, l’idée qu’une science soit dénuée de valeurs personnelles ou d’hypothèses subjectives peut induire des biais dangereux. Le projet Objectivity (Making Scientific Inferences More Objective), qui a bénéficié de subventions du Conseil européen de la recherche, reconsidère le concept d’objectivité dans l’inférence scientifique. Des idées obsolètes sur l’objectivité scientifique, comme étant dénuée de tout élément subjectif, empêche souvent la promotion du progrès scientifique, remarque Jan Sprenger, chercheur responsable du projet et professeur de philosophie des sciences dans le Département de philosophie à l’Université de Turin. «Malheureusement, de nombreux scientifiques et éditeurs de revue ont tendance à faire disparaître ces éléments d’un revers de la main.» Selon Jan Sprenger, cette pratique a considérablement contribué à la crise de la reproductibilité actuelle, ce qui implique que les chercheurs ont du mal à reproduire les résultats de leurs expériences précédentes. «Nous avons soutenu qu’une position explicitement subjective concernant l’inférence scientifique augmente la transparence du raisonnement scientifique. Par conséquent, elle facilite aussi la vérification des thèses scientifiques et contribue à obtenir des conclusions plus fiables.» Alors comment traduire cette stratégie pour obtenir une science de meilleure qualité? L’équipe du projet a développé des outils pratiques pour améliorer l’inférence statistique, causale et explicative en rapprochant le choix subjectif et le but du savoir objectif.
Subjectivité intégrée
Un exemple d’erreur statistique qui contribue à reproduire la crise est le piratage de la valeur p, pour lequel les chercheurs sélectionnent l’analyse ou les données qui conviennent le mieux au résultat attendu. L’équipe du projet Objectivity souligne le caractère prometteur du bayésianisme qui utilise l’interprétation subjective de la probabilité pour améliorer l’inférence statistique: leurs travaux montrent que les expériences conçues et analysées en utilisant cette méthode mènent à des prévisions plus précises, si on la compare à la méthode conventionnelle. L’inférence causale est le processus par lequel les causes sont déduites des données. En médecine, par exemple, des essais contrôlés randomisés ont pour objectif de mesurer le lien de causalité dans l’étude de l’efficacité d’un nouveau traitement. Les chercheurs plaident en faveur d’une mesure spécifique du lien de causalité: la différence observée lorsque des interventions sur la cause vont avoir un effet sur la probabilité d’apparition de l’effet. En fonction du contexte, cette probabilité peut être interprétée de façon objective (comme les fréquences, les propensions, etc.) ou comme des degrés subjectifs d’opinion. Une inférence explicative représente le processus qui consiste à choisir l’hypothèse qui expliquera le mieux les données disponibles. Ce concept est notoirement vague, déclare Jan Sprenger: «Qu’est-ce qu’une “bonne” explication? L’intuition d’un scientifique? Dans notre travail, nous avons établi une base rigoureuse de ce mode d’inférence en réalisant une construction et une comparaison de plusieurs mesures du pouvoir explicatif.» L’équipe a identifié une relation étroite entre les opinions antérieures et le pouvoir explicatif. La qualité d’une explication, et l’inférence de la «meilleure explication», n’est donc pas une question purement objective mais est étroitement mêlée à des opinions subjectives. «Les procédures mises en œuvre dans les expériences d’évaluation et leurs analyses statistiques devraient être adaptées: nous devons éliminer la crainte d’avoir des éléments subjectifs dans l’inférence», conclut Jan Sprenger. «La science est supérieure à la superstition, non pas parce qu’elle ne tient pas compte des éléments subjectifs mais parce que ses conclusions résistent assez bien à la variation des données subjectives et qu’elle autorise une critique rationnelle des hypothèses qu’elle engendre.»
Mots‑clés
Objectivity, subjectivité, inférence scientifique, inférence statistique, inférence causale, inférence explicative, bayésianisme, biais