Archives par étiquette : explication

Mattias Desmet sur l’abstraction scientifique et la vie

The logic and rational explanation of a natural phenomenon–however comprehensive it may be–always makes an abstraction of that phenomenon. Theoretical models never capture anything fully; they always leave an unexplained remainder. This remainder is not insignificant, random “noise”. It is the essence of the object. It is its living component. (p. 39)

Desmet, M. (2022). The psychology of totalitarianism. Chelsea Green Publishing: London.

Voir aussi Popper (2013/1945).

Karl Popper sur curiosité théorique et praticalisme

Je souhaite donc qu’il soit tout à fait clair que je considère que l’intérêt du théoricien pour l’explication, c’est-à-dire pour la découverte de théories explicatives, est irréductible à l’intérêt qu’il porte à la déduction de prédictions permettant des applications pratiques. L’intérêt du théoricien pour des prévisions peut, d’autre part, s’expliquer par l’intérêt qu’il porte à la question de savoir si ses théories sont vraies ou, en d’autres termes, par l’intérêt qu’il a à soumettre ses théories à des tests pour essayer de voir si l’on ne peut pas prouver leur fausseté. (p. 59, note 1*)

Popper, K. (1973). La logique de la découverte scientifique. Paris : Payot. (Original publié en allemand en 1934 avec la mention « 1935 », note du traducteur de l’édition anglaise)

Voir aussi Albert (1979)Duhem (1906/2007) et Michell (1997).

Jerome Bruner on explanation versus interpretation

… [the conventional aims of positivist science with its ideals of reductionism, causal explanation and prediction] need not be treated like the Trinity. For when we deal with meaning and culture, we inevitably move toward another ideal. To reduce meaning or culture to a material base, to say they “depend”, say, on the left hemisphere, is to trivialize both in the service of misplaced concreteness. To insist upon explanation in terms of “causes” simply bars us from trying to understand how human beings interpret their worlds and how we interpret their acts of interpretation. And if we take the object of psychology (as of any intellectual enterprise) to be the achievement of understanding, why is it necessary under all conditions for us to understand in advance of the phenomena to be observed—which is all that prediction is? Are not plausible interpretations preferable to causal explanation, particularly when the achievement of a causal explanation forces us to artificialize what we are studying to a point almost beyond recognition as representation of human life? (p. xiii)

Bruner, J. (1990). Acts of meaning. Cambridge, Ma: Harvard University Press.

Voir aussi Granger (1994).

25a. Formes de lois scientifiques

Cet article a pour prérequis l’article 24a ; il détaille l’explication d’un phénomène p par une condition a (cf. 4a et 14a) en distinguant les lois intra- ou inter-individuelles de type complètement déterministe, partiellement déterministe, complètement indéterministe.

1. Population et variables

Le phénomène p et la condition a décrivent l’état d’unités d’observation de la forme (u, t). On peut considérer que les états a et p sont “simultanés”, c’est-à-dire que XY(u, t) = (a, p), ou bien successifs, c’est-à-dire que X(u, t1) = a puis Y(u, t2) = p (avec tout instant ti de l’intervalle de temps t1 strictement inférieur à tout instant tj de l’intervalle t2). Pour alléger les écritures, nous considérons des lois “simultanées”.

2. Loi complètement déterministe

Soit XY : Ω → M(XY) = M(X) × M(Y) une variable descriptive discrète. Une loi complètement déterministe sur le référentiel d’observation [Ω, M(XY)] est le couple (αβ) tel que :

  • α est un sous-ensemble non-vide de M(X),
  • β est un point de M(Y),
  • quel que soit (u, t), si X(u, t) ∈ α, alors Y(u, t) = β,
  • ce qui équivaut à Pr[Y(u, t) = β|X(u, t) ∈ α] = 1 ou encore à Pr[Y(u, t) ≠ β|X(u, t) ∈ α] = 0.

β joue le rôle du phénomène à expliquer et α celui de sa condition suffisante. L’existence d’un (u, t) tel que XY(u, t) se trouve dans l’ensemble α × ¬β est un falsificateur de la loi. L’ensemble α × ¬β est l’ensemble de tous les états conjoints α (du point de vue de M(X)) et ¬β (du point de vue de M(Y)).

Lois intra-individuelles, lois inter-individuelles.

La loi (XY, αβ) est une loi intra-individuelle si la variable XY est définie sur une population d’unités d’observations de type (u, ti), c’est-à-dire qu’on s’intéresse à l’état de l’entité/personne u à des moments différents t1, t2, etc. Quand on écrit “quel que soit (u, t)”, seul t varie.

La loi (XY, αβ) est une loi inter-individuelle si la variable XY est définie sur une population d’unités d’observations de type (u, tu, i), où on fait varier aussi bien les entités u que les moments tu, i où on les décrit. En d’autres termes, la population Ω la réunion des populations Ωu, Ωv, Ωw, etc., où u, v, w, etc. sont les entités possibles.

3. Loi partiellement déterministe

Une loi partiellement déterministe sur [Ω, M(XY)] est le couple (αβ) tel que :

  • α est un sous-ensemble non-vide de M(X),
  • β est un sous-ensemble strict d’au moins deux points de M(Y),
  • quel que soit (u, t), si X(u, t) ∈ α, alors Y(u, t) ∈ β,
  • ce qui équivaut à Pr[Y(u, t) ∈ β|X(u, t) ∈ α] = 1 ou encore à Pr[Y(u, t) ∉ β|X(u, t) ∈ α] = 0.

β joue le rôle d’une description en “ou… ou” du phénomène et α celui de sa condition suffisante. Connaissant X(u, t) ∈ α, on ne peut prédire la valeur exacte de (u, t) par Y (indétermination partielle) ; mais on peut exclure les valeurs de l’ensemble ¬β, complémentaire à β (détermination partielle).

Comme dans le cas d’une loi complètement déterministe, l’existence d’un (u, t) tel que XY(u, t) se trouve dans l’ensemble α × ¬β est un falsificateur de la loi.

4. Lois complètement indéterministes

Les lois complètement indéterministes n’excluent aucun état possible dans M(Y) conditionnellement à l’état explicatif α. Il n’est plus possible d’utiliser la notion de condition suffisante d’un phénomène. En effet, pour tout (u, t), si la condition α est réalisée, l’état β est réalisé ou n’est pas réalisé. Autrement dit, la loi ne dénie rien (cf. Popper, 1973), elle n’a pas de falsificateur (et n’est donc pas falsifiable). La connaissance apportée par α porte sur une nouvelle notion, la probabilité que l’état β se réalise en (u, t) lorsque α se réalise en (u, t).

Attention ! Si on remplace la phrase qui précède par “la probabilité que l’état β se réalise lorsque α se réalise“, on perd de vue le support ontologique des phénomènes. Considérons l’état conjoint dans M(XY) des unités d’observation (u, tu, 1), (u, tu, 2) et (v, tv, 1). À priori, la probabilité que l’état β se réalise en (u, tu, 1) lorsque α se réalise en (u, tu, 1) n’est pas nécessairement égale à la probabilité que l’état β se réalise en (u, tu, 2) lorsque α se réalise en (u, tu, 2) ; de même, il n’est pas évident que ces deux probabilités soient égales à la probabilité que l’état β se réalise en (v, tv, 1) lorsque α se réalise en (v, tv, 1). On va voir qu’il est possible de soutenir la nécessité théorique de l’égalité de ces probabilités.

Une loi complètement indéterministe sur [Ω, M(XY)] est le triplet (αβ, π) tel que

  • α est un sous-ensemble non-vide de M(X),
  • β est un point de M(Y),
  • quel que soit (u, t), il existe un unique π ∈ ]0, 1[ tel que Pr[Y(u, t) = β|X(u, t) ∈ α] = π.

Dans le cas d’une loi intra-individuelle, la loi binomiale teste l’hypothèse nulle “quel que soit t, Pr[Y(u, t) = β|X(u, t) ∈ α] = π“. Autrement dit, si u existe dans l’ensemble des moments d’observation {t0, t1, …, tn}, rejeter l’hypothèse nulle consiste à rejeter la proposition

Pr[Y(u, t0) = β|X(u, t0) ∈ α] = π

et

Pr[Y(u, t1) = β|X(u, t1) ∈ α] = π

et … et

Pr[Y(u, tn) = β|X(u, tn) ∈ α] = π.

Il suffit qu’il existe un moment ti tel que Pr[Y(u, ti) = β|X(u, ti) ∈ α] ≠ π pour que l’hypothèse nulle soit fausse. D’un point de vue théorique, si on suppose que la probabilité qu’une entité donnée soit dans l’état β dépend du fait qu’elle soit dans l’état α, on sous-entend que le temps ne détermine pas cette probabilité — seulement l’état α. Ceci permet d’exclure la possibilité que la probabilité dépende d’autre chose que de l’état de l’entité du point de vue de M(Y). Le problème théorique consiste à déterminer les prémisses qui permettent de déduire la valeur π.

Supposons le problème théorique réglé — s’il n’est pas réglé, il n’y a pas d’hypothèse théorique à tester. Le problème pratique consiste à déterminer une fréquence contre laquelle tester l’hypothèse. Il s’agit d’effectuer un relevé d’observations en différents moments t1, t2, …, tm. À tout moment, on observe si u se trouve dans l’état α ou bien dans l’état ¬α et dans l’état β ou ¬β. Parmi les occurrences où u se trouve dans l’état α, on compte le nombre de fois où β est réalisé, ce qui permet de calculer (et non pas mesurer) la fréquence Fq(β|α).

Un tel relevé d’observations suppose que l’existence de l’entité u ne dépende pas de l’état dans lequel elle se trouve du point de vue de M(XY). Si on s’intéresse par exemple à l’état β “tentative de suicide”, si une tentative de suicide entraîne la mort de l’entité, il n’est plus possible d’acquérir l’information empirique nécessaire pour tester l’hypothèse nulle.

Il faut maintenant aborder le problème du passage d’une loi intra-individuelle à une loi inter-individuelle. Considérons les entités u et v et les lois intra-individuelles

“quel que soit tu, i, Pr[Y(u, tu, i) = β|X(u, tu, i) ∈ α] = πu

et “quel que soit tv, j, Pr[Y(v, tv, j) = β|X(v, tv, j) ∈ α] = πv“.

La question est de savoir si πu = πv. Si on admet que les probabilités sont distinctes, de quoi dépend cette différence ? Lorsqu’on écrit qu’un état β dépend d’un état α, on écrit que ce qui différencie les entités hors du champ sémantique de M(XY) n’est pas pertinent pour expliquer la probabilité de l’état β, c’est-à-dire que les états qu’on néglige de prendre en compte en ne les décrivant pas ne déterminent pas la probabilité de l’état β (cf. Popper, 1992).

Si on dispose d’une théorie qui permet de calculer (c’est-à-dire de déduire) la probabilité π pour toute entité, il n’est pas nécessaire qu’une entité particulière soit réutilisable une fois qu’on l’a observée. L’hypothèse peut être testée sur la base de l’agrégation d’un grand nombre d’entités.

Si on ne dispose d’aucune théorie de laquelle déduire la valeur de la probabilité, que ce soit πu ou πv, la discussion risque de nous entraîner vers des querelles dont le règlement ne peut pas être scientifique. Si on sait déduire la valeur d’une probabilité et si on sait tester cette valeur contre l’évidence accumulée (une fréquence), on peut discuter sur une base empirique : si on n’arrive pas, malgré des efforts convaincants, à réfuter la déduction, on peut bien croire en l’existence des probabilités (propensions poppériennes) en même temps qu’on défend la théorie qui permet leur calcul (et non pas leur mesurage), et on pourra discuter la question de l’égalité des deux probabilités sur une base scientifique (théorique et empirique). Sinon, soit on décide de croire (foi) soit on décide de ne pas croire (athéisme) en l’existence de cette valeur. L’utilisation de développements statistiques qui ne s’adossent à aucune théorie permettant de déduire ne serait-ce qu’une valeur de probabilité constituent une forme mathématisée de pensée religieuse, où cette pensée se substitue à la pensée théorique. L’opacité que constitue la technicité mathématique pour le non-mathématicien masque le statut religieux de l’emploi de la notion de probabilité (cf.  Allouche, 26a).

5. Autres remarques sur la testabilité

Une loi complètement ou partiellement déterministe (αβ) définie sur un référentiel d’observation [Ω, M(XY)] est testable parce qu’elle implique la possibilité logique d’une unité d’observation (u0, t0) telle que XY(u0, t0) ∈ α × ¬β. La loi peut être falsifiée par une seule observation mais sa corroboration doit être effectuée entité par entité plutôt qu’en échantillonnant un agrégat d’entités : la méthodologie de recueil des données dépend de l’objectif de falsification ou de corroboration qu’on se donne.

Un exemple de loi complètement déterministe est un processus de mesurage défini sur une population Ω0 construite à partir d’une personne u0. Le référentiel d’observation est [Ω0, [0, max] × M(X)]. Quelques soient t1 et t2 tels que t1 ∩ t2 = Ø, si Q(u0, t1) ≥ (resp. ≤) Q(u0, t2), alors X(u0, t1) ≥ (resp. ≤) X(u0, t2) (voir 11a). Bien que la condition “Q(u0, t1) ≥ (resp. ≤) Q(u0, t2)” ne soit pas observable, la loi est testable car X(u0, t1) et X(u0, t2) peuvent logiquement être incomparables, fait théoriquement impossible.

Une loi complètement indéterministe (αβ) définie sur un [Ω, M(XY)] suppose que l’état de tout u en Y soit intrinsèquement indéterminé à tout moment t. Ce n’est pas vrai par exemple lorsqu’on considère l’état infecté ou non d’une personne à tel moment : la probabilité qu’elle soit infectée vaut 0 ou 1 (voir aussi l’exemple sur le climat et les remarques de Harré et Venn). Le test d’une loi complètement indéterministe nécessite une politique (convention) pour définir un critère de rejet de la loi. Mais attention, absence de rejet ne signifie pas corroboration : la corroboration suppose la non-falsification et, comme une loi complètement indéterministe n’est pas falsifiable par définition (une probabilité nulle est théoriquement exclue), elle ne peut pas être non-falsifiée, condition nécessaire à la corroboration.

Dans le domaine de la modélisation psychométrique de la réponse à l’item, la condition α est définie en référence à un espace latent, ce qui a pour conséquence qu’il est impossible de déterminer des fréquences conditionnelles.

15a. Anecdotes statistiques inexpliquées

La recherche en psychologie est friande de ce que j’appelle des anecdotes statistiques inexpliquées. En voici un exemple tiré d’un de mes groupes de TD (travaux dirigés).

Trois étudiants de seconde année de psychologie se sont intéressé à la manière dont les passants tiennent compte de la présence de mendiants selon que ceux-ci offrent ou pas un spectacle (le terme “mendiant” est ici utilisé dans un sens opérationnel : un mendiant est toute personne qui signifie aux passants qu’elle accepte de l’argent). Comme l’indique la table de contingence ci-dessous, la proportion des gens qui passent loin (à plus d’un mètre) est de 59 % lorsque le mendiant offre un spectacle et de 30 % lorsqu’il n’en offre pas.

Passants

La coutume méthodologique consiste à voir dans ce type de résultat statistique l’influence d’une variable (indépendante, VI) sur une autre (dépendante, VD) et il s’agit de démontrer un “lien” entre la VI (présence vs. absence de spectacle) et la VD (passer près vs. loin). Les étudiants sont formés à tester l’hypothèse nulle d’indépendance (stochastique) entre les deux variables, à savoir, ici, que la probabilité que la VD prenne une certaine valeur ne dépend pas de la valeur que prend la VI.

Cet article montre en quoi considérer la mise en évidence d’un effet statistique comme une fin en soi de la recherche en psychologie serait inapproprié et propose une focalisation plus théorique que statistique1. Une relation (liaison ?) statistique n’est pas nécessairement une explication déterministe ni une explication probabiliste (non-déterministe), donc pas nécessairement une explication. Pour qu’une explication soit possible, il faut qu’elle porte sur un phénomène et pour qu’un phénomène soit possible, il faut qu’il affecte une entité. Or le concept mathématique de population statistique ne suffit pas pour donner corps à un objet de science. Le statisticisme consiste à se contenter de croire que cela n’a pas d’importance.

1. Une relation statistique n’est pas forcément une explication déterministe

Supposons que les étudiants aient observé suffisamment de passants pour pouvoir exhiber le sacro-saint p < .01 qui doit accompagner le résultat, “les proportions observées sont significativement différentes”. Que le mendiant offre ou pas un spectacle n’explique pas, en un sens déterministe, le phénomène “passer près (ou loin) de celui-ci”. En effet :

  • “Offrir un spectacle” n’est pas une condition suffisante à “passer loin” parce qu’il existe 41 % de contre-exemples — la prédiction est fausse quatre fois sur 10 ;
  • “Ne pas offrir un spectacle” n’est pas non plus une condition suffisante à  “passer près” parce qu’il existe 30 % de contre-exemples.

Il est inutile de raisonner en termes de conditions nécessaires : (i) si “offrir un spectacle” était une condition nécessaire à “passer loin”, “passer près” serait une condition suffisante à “ne pas offrir un spectacle”, ce qui est absurde du point de vue temporel donc causal ; (ii) si “ne pas offrir un spectacle” était une condition nécessaire à “passer près”,  “passer loin” serait une condition suffisante à “offrir un spectacle”, ce qui est absurde d’un point de vue temporel donc causal.

2. Une relation statistique n’est pas forcément une explication probabiliste

Dire “si les mendiants proposent un spectacle, les gens (qui ne donnent rien) ont plus tendance à passer loin”, revient à invoquer une fiction sociale : “les gens”, ou encore le passant typique. Or le passant typique n’existe pas du point de vue du concept de population statistique d’unités statistiques (e, t), i.e., de personnes e considérées à un moment t (voir 24a). L’hypothèse nulle porte sur l’espérance de deux variables conditionnelles : E(VD|VI = spectacle) et E(VD|VI = pas de spectacle) — dans le cas d’une variable dichotomique à valeurs dans {0, 1}, la probabilité que la VD prenne la valeur 1 est l’espérance de la VD.

Quelle hypothèse générale permettrait d’attendre une différence de proportions ? En remplaçant “les gens” par “tout passant”, on obtient la proposition “tout passant a plus tendance à passer loin des mendiants si ceux-ci proposent un spectacle” (forme relative d’explication probabiliste, voir 25a, 4.2). Or ce n’est pas l’hypothèse testée puisqu’on observe certains passants une seule fois dans une seule condition au lieu d’un grand nombre de fois dans les deux conditions.

Pour défendre la stratégie de recueil des données, il faut supposer que tout passant dans quelque condition que ce soit ait la même tendance que tout autre dans la même condition. Ainsi, l’expérience aléatoire qui consiste à observer un passant n fois est équivalente à l’expérience aléatoire qui consiste à observer n passants une fois. Mais cette supposition est invraisemblable ; Paul n’est pas interchangeable avec Julie : ce sont deux personnes distinctes et on ne voit pas pourquoi ils devraient avoir les mêmes tendances.

Les fréquences rapportées dans la table de contingence ci-dessus n’estiment la tendance de personne en particulier ni de personne en général. Le support ontologique de l’effet observé consiste en deux agrégats de personnes, mais on ne sait attester cet effet chez personne.

Les résultats démontrent seulement la possibilité que la présence ou l’absence de spectacle intervienne dans le processus déterminant la distance que quiconque applique pour passer devant un mendiant (lorsqu’il ne donne rien), mais ce processus est une opacité scientifique.

Une telle affirmation de possibilité nécessite-t-elle l’effort empirique consenti ? Oui du point de vue du pouvoir : un mendiant se fait plus “respecter” s’il offre un spectacle2 ; pas vraiment du point de vue de l’explication scientifique du comportement des passants.

3. Il faut chercher des conditions nécessaires ou suffisantes au comportement observé

Qu’est-ce qui empêche quelqu’un de passer à moins d’un mètre d’un mendiant sur le trottoir ? Pas sa présence pour certains passants. Qu’est-ce qui suffit pour que quelqu’un respecte une distance d’au moins un mètre quand il passe devant un mendiant ? Pas un spectacle pour certains passants. L’analyse explicative suppose de s’intéresser non pas au passant typique qu’on dote de tendances dépendant des situations, mais à des passants particuliers. Découvrir une explication générale, c’est-à-dire valable pour tout passant, suppose qu’on dispose d’une explication pour certains passants. Et il n’est pas certain que les conditions qui sont nécessaires ou suffisantes pour Paul le soient pour Julie. La méthodologie orthodoxe, focalisée sur le “sujet typique”, ignore ces remarques logiques.

Une fois qu’on admet que le problème se pose pour chaque passant, il reste à imaginer ce qui se passe pour chaque passant, qui puisse expliquer la manière dont cela détermine son comportement dans la situation cible. Par exemple, il suffit que Paul s’avise de la présence d’un mendiant pour qu’il se donne comme règle de conduite de ne pas passer trop près, quitte à s’arrêter si le passage est obstrué, à condition toutefois qu’il ne soit pas en train de fuir une menace mortelle. Paul n’a pas conscience de la présence d’un autre mendiant parce qu’il est absorbé dans ses pensées, donc il passe trop près conformément à sa trajectoire initiale. Ou bien son attention est attirée par les sons de la guitare du mendiant si bien qu’il dévie son pas pour le contourner. Julie ne perçoit pas l’impolitesse de passer à moins d’un mètre d’un mendiant ; par conséquent, même si elle remarque que celui-ci est en train de jongler, même si elle n’est pas pressée, elle pénètre dans sa “zone proximale” si sa trajectoire initiale fait qu’elle doit passer à moins d’un mètre de lui.

4. Que signifie une fréquence “de population” ?

De telles conjectures sont nécessaires si on veut expliquer le phénomène à l’échelle individuelle, mais elles ne suffisent pas forcément pour expliquer le phénomène à l’échelle de l’agrégation de personnes distinctes.

Ainsi par exemple, supposons que les gens passant à moins d’un mètre d’un mendiant avec spectacle ne jugent pas que ce comportement soit impoli (sinon, ils dévieraient leur trajectoire, en négligeant pour simplifier qu’ils se permettent d’être impolis). Dire que 41 % des passants ne trouvent pas impoli de passer à moins d’un mètre d’un mendiant consiste à invoquer la manière dont se distribuent les passants (placés dans ce type de situations) : dans la classe de ceux qui passent près ou bien dans celle de ceux qui passent loin.

Mais, puisque nous voulons ici penser statistiquement, comment définir la population statistique, ou encore la classe de référence, des passants, autrement que comme la virtualité qu’est l’ensemble de toutes les personnes qui auraient pu être des passants ? Je crois que personne ne le sait. Donc les statistiques de population décrivent on ne sait quoi.

Si bien que ce résultat statistique, dont la signification (p < .01) peut très bien être répliquée dans d’autres situations d’observation analogues, reste inexpliqué. La sophistication des méthodes de modélisation des données à laquelle on assiste en psychologie ne doit pas permettre d’oublier le manque d’explication théorique : invoquer des lois de probabilité et mobiliser des méthodes d’estimation paramétriques automatiques, ce n’est pas expliquer. Expliquer scientifiquement un comportement, c’est imaginer et tester des conditions nécessaires ou suffisantes à l’échelle de chaque personne (approche déterministe), ou bien supposer l’existence de probabilités (tendances) qu’on peut approcher via une grande quantité d’observations ; si on n’est pas en mesure d’effectuer cette grande quantité d’observations sur la même personne, l’explication probabiliste, ou encore l’idée de tendances de cette personne à se comporter d’une certaine manière selon qu’elle se trouve dans telle ou telle situation, est une spéculation dont la vérité est incontrôlable donc incontrôlée.

5. Autre exemple

Selon un autre groupe d’étudiants, quand le chauffeur du bus d’une certaine ligne à Toulouse dit “bonjour”, 91 % des gens qui montent disent “bonjour” à leur tour, tandis que lorsqu’il (au sens générique) ne dit rien, cette proportion chute à 51 %. Quand il dit “au revoir”, 90 % des gens qui descendent disent “au revoir” ou “merci”, contre 62 % quand il ne dit rien. Jolis effets d’amorçage, qui intéressent les chauffeurs sensibles à l’amélioration du climat psychosocial dans leur bus, mais l’effet d’amorçage n’explique pas ces résultats puisque certains amorçages ne provoquent pas de comportement de politesse chez certains passagers et que ce comportement se manifeste sans amorçage chez d’autres !

Il est néanmoins envisageable de suivre une certaine personne qui prend le bus dans la durée, pour comparer par exemple la fréquence de ses “bonjour” lorsque le chauffeur dit “bonjour”, à la fréquence de ses “bonjour” lorsqu’il ne dit pas “bonjour”. Beaucoup d’efforts pour un résultat modeste (voir Atlan, 1986)…

Voir aussi la conférence “Le ‘sujet’ de la santé entre science, psychanalyse et philosophie” de Bruno Falissard.

  1. les articles 24a et 25a sont peut-être des prérequis pour le lecteur. []
  2. Mais il s’expose davantage à la police municipale. []

14a. Explication, nécessité, condition suffisante vs. nécessaire

Je défends l’idée que l’explication scientifique d’un phénomène revient à invoquer une nécessité objective. Lorsqu’on recourt à la notion de loi probabiliste1, il faut admettre que l’état momentané d’une entité soit intrinsèquement indéterminé, ce qui n’est pas la même chose qu’admettre qu’il est déterminé par des causes… qu’on ignore2.

Soit un phénomène décrit par l’énoncé p. La notation a → p signifie a cause p, où a est un énoncé décrivant un autre phénomène. La proposition ‘a → p’ peut aussi se lire ‘a provoque, engendre, déclenche p’.

Considérons la proposition b → non-p : un phénomène décrit par b cause non-p, c’est-à-dire bloque, empêche p.

Si a → p et si on sait provoquer a, on sait provoquer p. Si b → non-p et si on sait provoquer b, on sait prévenir p.

Remarque 1. Dans l’expression ‘a → p’ par exemple, le signe ‘→’ ne dénote pas une implication logique, mais une relation causale. Une implication logique, qu’on écrit avec ‘=>’, a une structure d’inclusion qu’on peut représenter par le diagramme ci-dessous :

Inclusion

(x est un B) => (x est un A) car B est inclus dans A (ou encore, tous les B sont des A). Contraposée : (y n’est pas un A) => (y n’est pas un B). Il y a une analogie entre relation causale et implication logique, mais la première réfère à des réalités métaphysiques et chronologiques tandis que la seconde est formelle et atemporelle.3

Remarque 2. Une explication causale consiste à invoquer une nécessité et on peut la tester dès qu’on sait identifier que la condition suffisante est remplie ou que la condition nécessaire n’est pas remplie4

Remarque 3. Sayer (1992) critique le falsificationisme poppérien en affirmant que Popper rejetait l’idée de nécessité naturelle (p. 226). A mon avis, Sayer se trompe en prêtant un tel dogmatisme métaphysique — tout ce qui arrive est contingent — à Popper. Effectivement, si on admettait qu’il n’existe pas de nécessité naturelle, on verrait mal la possibilité d’expliquer un phénomène sur une base falsificationniste.5 La question est factuelle : existe-t-il un passage dans les textes de Popper où celui-ci exprime son refus de croire en l’existence de nécessités naturelles ? Je n’en connais aucun. Je crois plutôt qu’il dit que la prévision fondée sur des lois naturelles ne s’applique pas à des cas particuliers, “concrets”, mais à des cas typiques, “abstraits”.

Référence

Sayer, A. (1992). Method in social science: A realist approach (2d ed.). London: Routledge.

  1. voir 25a, 4 []
  2. Mais j’attends la contradiction par des personnes qui seraient plus informées que moi sur l’explication probabiliste dans certains domaines de la recherche scientifique. En attendant, l’introduction des probabilités dans la méthodologie scientifique de l’explication est pour moi une source de confusion (voir par exemple 37a) ou tout au moins de perplexité (voir 50). []
  3. ce à quoi elle réfère n’a pas pour obligation de coïncider avec ces réalités ontologiques mais seulement de coïncider avec la non-contradiction (la cohérence) ; par exemple, “si un nombre est carré, alors il est positif” n’est pas une relation de cause à effet ; ce serait plutôt, à rebours, un héritage des propriétés de la multiplication de deux nombres quelconques. []
  4. voir Popper, 1992 ; Notturno, 2000. Mais chercher une explication seulement logique du phénomène me semble insuffisant (on peut seulement, et on doit, exiger qu’une explication soit logique, condition nécessaire à une explication scientifique (cf. 39a). Par exemple, le mesurage est une explication causale du phénomène observé (l’aiguille d’une balance penche à droite parce qu’elle mesure la masse et que la masse a augmenté) et sa forme mathématique est une fonction — p = F(q), où F est la fonction et q est une quantité théorique ou encore inventée ou métaphysique. []
  5. c’est-à-dire que même si on ne saura jamais si une explication est vraie, on peut chercher à la tester ; la logique formelle est utile si on peut l’articuler à la logique causale et cela demande beaucoup de soin. []

4a. Qu’est-ce qu’une explication scientifique ?

Question piège mais je tente une réponse pour l’exposer à la critique.

Expliquer un phénomène de manière scientifique, c’est invoquer la nécessité auquel l’être (ou l’entité) qui est le support (on dit) ontologique de ce phénomène obéit. Une loi scientifique énonce une nécessité métaphysique (ou encore, réputée réelle, supposée ou admise vraie par hypothèse).

Nécessité et impossibilité forment les deux faces du même concept. Si a est nécessaire, non-a est impossible et réciproquement si non-a est nécessaire, a est impossible.

La nécessité de a et l’impossibilité de non-a s’expriment dans le langage des probabilités par P(a) = 1 et P(non-a) = 0.

On n’explique donc pas un phénomène en disant qu’il est “très ou peu probable”1. D’ailleurs on ne sait pas mesurer des probabilités2. Les probabilités en tant qu’objets de la théorie mathématique n’ont d’intérêt scientifique, au sens strict de la recherche de réponses à des “pourquoi ces phénomènes ?” que si elles mettent sur la piste de nécessités (ou lois).

La causalité n’est rien d’autre que l’invocation d’une nécessité. La notion de causalité probabiliste est au pire contradictoire et au mieux mal définie3.

Tant qu’on est incapable d’invoquer une nécessité pour expliquer un phénomène, il faut reconnaître qu’on ne le comprend pas.

Pour finir dans le contexte de la psychologie : la psychologie scientifique contemporaine est une manière de dire des phrases pour cacher que la quasi-totalité des phénomènes psychologiques ne sont pas compris (ou expliqués). D’où l’intérêt de valoriser ce qu’un psychologue est capable de faire : inventorier ce qu’il ne comprend pas, parce qu’alors il peut faire un travail épistémologiquement serein.

Un grand merci à celles ou ceux qui voudront bien me contredire :). Ce noyau d’idées est développé en distinguant l’implication logique et la causalité dans 14a.

  1. ce qui relève en fait du calcul de certitude sous ignorance théorique et pas de l’intelligence dans laquelle on se trouve de ce qui se passe, c’est-à-dire des nécessités à l’oeuvre. []
  2. cf. l’article sur la théorie classique des tests []
  3. parce qu’on confond occurrence singulière et classe d’occurrences. []