Prise de décision et heuristiquesPsychologie cognitive

Expérience – Amos Tversky et Daniel Kahneman L’expérience de la négligence du taux de base

Analyse académique approfondie de l’expérience de Tversky et Kahneman sur la négligence du taux de base, l’heuristique de représentativité et le raisonnement bayésien.

Dr. Mohammed Looti Universitaire et chercheur spécialisé en psychologie
PUBLIÉ
Révisé scientifiquement · Dr. Marwa Abd-Alazim · septembre 10, 2026
Revu médicalement et scientifiquement Vérifié le : septembre 10, 2026
Dr. Marwa Abd-Alazim PhD in Psychology
Faculty Member • University of Kerbala
Critères d'évaluation et normes cliniques

Ce contenu fait l'objet d'un examen scientifique rigoureux et de normes éditoriales médicales afin de garantir l'exactitude clinique et la conformité aux directives fondées sur des preuves (APA / OMS).

CC BY-NC-ND 4.0

La prise de décision en situation d’incertitude constitue l’un des carrefours les plus fascinants et les plus périlleux de la cognition humaine. Pendant des siècles, la pensée philosophique et les théories économiques canoniques ont postulé l’existence d’un sujet rationnel, capable de jauger avec une rigueur géométrique les tenants et les aboutissants de chaque conjoncture probabiliste. Cette vision idéaliste, héritée du siècle des Lumières et formalisée au milieu du XXe siècle par la théorie de l’utilité espérée, dépeignait un esprit humain opérant à la manière d’un calculateur bayésien infaillible, réajustant constamment ses croyances à l’aune des données factuelles nouvelles et des proportions statistiques fondamentales.

Cependant, le début des années 1970 a marqué une rupture épistémologique radicale dans l’histoire des sciences cognitives. À travers une série d’articles expérimentaux d’une remarquable concision conceptuelle, deux psychologues de l’Université hébraïque de Jérusalem, Daniel Kahneman et Amos Tversky, ont méthodiquement ébranlé ce piédestal rationnel. Leurs travaux ont démontré que l’architecture cognitive humaine ne procède pas selon les règles formelles du calcul des probabilités, mais repose sur des raccourcis intuitifs, nommés heuristiques de jugement. Si ces heuristiques s’avèrent indispensables et économiquement avantageuses pour le fonctionnement quotidien, elles induisent également des déviations prévisibles et systématiques : les biais cognitifs.

Parmi ces déviations, la négligence du taux de base (base rate neglect) figure parmi les phénomènes les plus spectaculaires et les plus lourds de conséquences. Ce biais correspond à la propension systématique de l’esprit humain à ignorer les probabilités préalables objectives d’un événement au profit d’informations individualisantes, anecdotiques ou stéréotypiques, même lorsque ces dernières sont totalement dépourvues de valeur diagnostique réelle. En étudiant comment les individus estiment l’appartenance d’une entité à une catégorie, Tversky et Kahneman ont mis en lumière une cécité statistique profonde qui transcende les niveaux d’éducation formelle et s’infiltre dans les décisions des juges, des médecins et des analystes financiers. Le présent article propose une exploration exhaustive de ce protocole historique, de ses fondements mathématiques, de ses ressorts cognitifs et neurobiologiques, ainsi que de ses répercussions contemporaines dans le monde de la justice, de la médecine et de l’intelligence artificielle.

1. Introduction et genèse du programme des heuristiques et biais cognitifs

1.1 Le contexte intellectuel de la psychologie cognitive des années 1970

L’avènement des travaux de Daniel Kahneman et Amos Tversky s’inscrit au sein d’un paysage académique dominé de manière quasi exclusive par le paradigme de l’Homo oeconomicus. Développée dans le cadre de la théorie microéconomique néoclassique et consolidée par les axiomes de décision formalisés par John von Neumann et Oskar Morgenstern en 1944, cette vision concevait l’agent humain comme un être omniscient, doté de préférences stables, d’une capacité de calcul illimitée et d’une stricte rationalité instrumentale. Dans ce cadre épistémologique, face à une situation aléatoire, tout individu est censé maximiser son utilité espérée en intégrant rigoureusement les distributions de probabilités sous-jacentes. L’erreur n’était admise que sous la forme d’un bruit stochastique, résiduel et sans orientation préférentielle.

Néanmoins, des failles conceptuelles majeures avaient déjà été pointées du doigt dès les années 1950. L’économiste et sociologue Herbert A. Simon avait introduit le concept novateur de rationalité limitée (bounded rationality). Simon soutenait que les capacités de traitement de l’information de l’esprit humain sont intrinsèquement contraintes par la finitude de la mémoire de travail, la puissance computationnelle restreinte du cerveau et l’urgence temporelle inhérente à l’environnement. Plutôt que de chercher une optimisation globale inaccessible, l’être humain se tournerait vers des solutions « satisfaisantes » (le concept de satisficing). Malgré la force théorique de la proposition de Simon, il manquait un programme expérimental systématique permettant d’identifier concrètement la mécanique interne de ces raccourcis cognitifs et la typologie exacte des erreurs qu’ils engendrent.

C’est précisément dans cette brèche empirique que s’est enracinée la collaboration pionnière entre Daniel Kahneman et Amos Tversky à l’Université hébraïque de Jérusalem à la fin des années 1960 et au début des années 1970. Kahneman, fort de son expertise en psychologie de l’attention et de la perception visuelle, abordait l’esprit comme un système soumis à des illusions perceptuelles et à une gestion économique de l’effort mental. Tversky, quant à lui, possédait une formation mathématique d’une exceptionnelle rigueur et s’était imposé comme un théoricien de premier plan de la mesure et de la décision. Leurs séminaires conjoints et leurs dialogues constants ont conduit à l’hypothèse audacieuse que l’esprit humain, confronté à des jugements probabilistes complexes, ne déploie pas des algorithmes mathématiques, mais recourt à des opérations de substitution simplificatrices d’une efficacité redoutable mais sujettes à des distorsions fondamentales.

1.2 Le postulat de départ : l’écart entre logique formelle et intuition

Le point de départ épistémologique du programme dit des heuristiques et biais réside dans la séparation formelle entre les modèles normatifs et les modèles descriptifs de la rationalité. Un modèle normatif définit la manière dont un agent devrait idéalement penser pour respecter les règles de la logique déductive et du calcul des probabilités. À l’inverse, un modèle descriptif a pour objet d’analyser et de modéliser la manière dont les individus pensent réellement dans des contextes empiriques concrets. Jusqu’aux publications de Kahneman et Tversky, la communauté scientifique présumait que le modèle normatif bayésien servait également de description approximative adéquate du fonctionnement cognitif humain, les écarts étant imputés à des défaillances attentionnelles ponctuelles ou à des interférences émotionnelles périphériques.

Kahneman et Tversky ont contesté frontalement cette équivalence. Leur hypothèse fondamentale affirme que l’architecture intuitive de l’esprit n’est nullement structurée selon les axiomes de la théorie des probabilités. Pour évaluer la probabilité d’un événement incertain – par exemple, si un suspect est coupable, si un patient est atteint d’une pathologie donnée, ou si une entreprise va faire faillite –, les sujets ne manipulent pas des équations conditionnelles combinant des distributions statistiques préalables. Ils s’appuient plutôt sur des évaluations spontanées et qualitatives fondées sur la familiarité, l’accessibilité mnésique ou le degré de ressemblance superficielle.

C’est dans ce cadre théorique que s’est cristallisée la formulation de l’heuristique de représentativité. Selon cette notion cardinale introduite formellement en 1972, les individus évaluent la probabilité qu’un objet ou un événement $A$ appartienne à une classe $B$, ou qu’un processus $B$ génère un événement $A$, en se focalisant uniquement sur le degré de ressemblance entre $A$ et leur prototype mental de $B$. Dès lors que cette opération de substitution s’opère, la question difficile « Quelle est la probabilité que cet élément appartienne à cet ensemble ? » est subrepticement remplacée par la question intuitive plus accessible « À quel point cet élément ressemble-t-il à cet ensemble ? ». Ce basculement paradigmatique a mis en évidence un point aveugle majeur : le jugement par représentativité est par essence insensible à des variables statistiques cruciales qui ne modifient en rien la ressemblance morphologique ou sémantique, au premier rang desquelles trône la probabilité a priori de la catégorie, c’est-à-dire son taux de base.

2. Fondements mathématiques : Le théorème de Bayes et les probabilités a priori

2.1 Structure formelle de l’inférence bayésienne

Pour mesurer la portée psychologique de l’expérience de la négligence du taux de base, il est impératif d’examiner le socle mathématique qui sert d’étalon normatif au raisonnement probabiliste : le théorème de Bayes. Énoncé initialement par le révérend Thomas Bayes au XVIIIe siècle et raffiné par Pierre-Simon de Laplace, ce théorème formalise les conditions d’actualisation de la probabilité d’une hypothèse $H$ à la lumière d’une nouvelle donnée empirique ou preuve $E$. L’expression mathématique s’énonce sous sa forme standard :

$$P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)}$$

Chacun des termes de cette égalité incarne une dimension conceptuelle distincte de l’inférence. Le terme $P(H)$ représente la probabilité a priori ou le taux de base statistique (base rate). Il s’agit de la probabilité attribuée à l’hypothèse $H$ avant la prise en considération de la moindre information nouvelle relative au cas particulier ; il quantifie la prévalence intrinsèque du phénomène au sein de la population parente. Le terme $P(E|H)$ désigne la vraisemblance (likelihood), c’est-à-dire la probabilité conditionnelle d’observer la donnée $E$ si l’hypothèse $H$ est effectivement vraie. Le dénominateur $P(E)$, quant à lui, constitue la probabilité marginale de la preuve, agissant comme une constante de normalisation qui intègre l’ensemble des voies mutuellement exclusives par lesquelles la preuve peut survenir :

$$P(E) = P(E|H) \cdot P(H) + P(E|\neg H) \cdot P(\neg H)$$

Enfin, le terme $P(H|E)$ représente la probabilité a posteriori, soit le degré de croyance rationnel révisé que l’on doit allouer à l’hypothèse $H$ une fois la donnée $E$ observée. Dans ce formalisme strict, le taux de base $P(H)$ n’est nullement une variable accessoire ou un résidu d’incertitude : il joue le rôle d’un multiplicateur mathématique inhérent à la validité du calcul. Si l’hypothèse $H$ est exceptionnellement rare dans l’univers de référence ($P(H) to 0$), la probabilité a posteriori $P(H|E)$ demeurera mécaniquement faible, quand bien même la vraisemblance $P(E|H)$ atteindrait des valeurs extrêmement élevées.

2.2 L’exigence normative de mise à jour des croyances

L’inférence bayésienne n’est pas une simple curiosité combinatoire ; elle prescrit une règle de cohérence épistémique fondamentale quant à la façon dont un esprit rationnel doit naviguer dans l’incertitude. L’exigence normative qu’elle sous-tend implique que nos croyances subjectives soient pondérées proportionnellement à la prévalence globale des états du monde. Ignorer ou amoindrir délibérément le rôle de $P(H)$ dans le calcul de $P(H|E)$ revient mathématiquement à présumer, de façon arbitraire et injustifiée, que les différentes hypothèses concurrentes possèdent toutes des probabilités a priori identiques, c’est-à-dire à postuler que $P(H) = P(\neg H) = 0{,}5$ en contexte binaire.

L’omission de cette structure produit ce que les méthodologistes nomment le « sophisme de l’inversion des probabilités conditionnelles », ou l’erreur systématique d’assimilation : confondre $P(E|H)$ et $P(H|E)$. Prenons un exemple classique où un individu présente un symptôme hautement atypique $E$, fréquemment rencontré chez les porteurs d’une affection rarissime $H$ ($P(E|H)$ élevé). Si le clinicien conclut instantanément que l’individu a une forte probabilité d’avoir la maladie ($P(H|E)$ élevé) sans intégrer le fait que cette maladie ne touche qu’une personne sur dix millions ($P(H) = 10^{-7}$), son jugement constitue une aberration arithmétique.

En effet, en raison du poids démographique écrasant de la sous-population non malade ($neg H$), même un taux d’occurrence extrêmement résiduel du symptôme chez les individus sains ($P(E|neg H)$ minime) engendrera un nombre absolu de faux positifs bien supérieur au nombre de vrais positifs. L’erreur humaine ne découle donc pas d’une inaptitude à mesurer la force de la preuve individualisante, mais d’une incapacité spontanée à modéliser la manière dont cette preuve doit obligatoirement s’hybrider avec le taux de base pour produire un énoncé probabiliste valable. C’est cette friction cognitive que Kahneman et Tversky ont souhaité matérialiser expérimentalement sous une forme épurée.

3. Le protocole expérimental classique : Le problème des ingénieurs et des avocats (1973)

3.1 Architecture et méthodologie de l’expérimentation princeps

En 1973, Kahneman et Tversky ont publié dans le Psychological Review un article fondateur intitulé « On the Psychology of Prediction ». Afin de tester l’adhésion des sujets aux principes bayésiens, ils ont conçu un paradigme expérimental élégant reposant sur une scénarisation rigoureusement contrôlée, passée à la postérité sous le nom d’« expérience des ingénieurs et des avocats » (The Lawyer-Engineer Problem).

Le protocole expérimental reposait sur un échantillon d’étudiants et de diplômés de l’Université du Michigan et de l’Université de l’Oregon. Les expérimentateurs présentaient aux participants un scénario dans lequel une équipe de psychologues renommés avait administré des tests de personnalité approfondis à un groupe de cent professionnels éminents, composé exclusivement d’avocats et d’ingénieurs. Les participants étaient informés que, sur la base de ces bilans psychologiques exhaustifs, des vignettes descriptives individuelles avaient été rédigées pour chacune des cent personnes. Les expérimentateurs prétendaient ensuite avoir tiré au sort, de façon purement aléatoire, cinq de ces descriptions pour les soumettre à l’évaluation des sujets de l’étude.

La variable indépendante critique reposait sur la manipulation expérimentale explicite des probabilités a priori (les taux de base). Les sujets étaient scindés de façon aléatoire en deux groupes distincts :

  • La condition à taux de base élevé pour les ingénieurs (condition 70/30) : Les sujets étaient formellement avertis que le panel de départ comprenait exactement 70 ingénieurs et 30 avocats. Dès lors, pour tout tirage au sort anonyme, la probabilité préalable qu’un profil donné appartienne à un ingénieur était sans équivoque de $P(\text{Ingénieur}) = 0{,}70$.
  • La condition à faible taux de base pour les ingénieurs (condition 30/70) : Les sujets de ce second groupe recevaient exactement la consigne inverse : l’échantillon initial était constitué de 30 ingénieurs et 70 avocats. Par conséquent, la probabilité a priori qu’un profil sélectionné soit celui d’un ingénieur s’élevait rigoureusement à $P(\text{Ingénieur}) = 0{,}30$.

La tâche demandée à chaque participant consistait à lire attentivement les profils psychologiques sélectionnés et à quantifier, sur une échelle probabiliste allant de 0 à 100 %, la probabilité subjective que la personne décrite soit un ingénieur plutôt qu’un avocat.

3.2 L’énigme du profil de Jack et la neutralisation de la vignette de Dick

Pour sonder avec une précision chirurgicale l’interaction entre l’information catégorielle et le taux de base, Kahneman et Tversky ont injecté des vignettes présentant différents niveaux de stéréotypie professionnelle. Le profil le plus emblématique de l’histoire de la psychologie du jugement est sans nul doute celui de « Jack » :

« Jack est un homme de 45 ans. Il est marié et a quatre enfants. Il est généralement conservateur, méticuleux et ambitieux. Il ne montre aucun intérêt pour les questions politiques ou sociales et consacre la majeure partie de son temps libre à ses nombreux passe-temps, qui incluent la menuiserie, la voile et la résolution d’énigmes mathématiques. »

Cette description avait été expressément construite pour activer au sein du réseau sémantique des sujets les stéréotypes les plus saillants et les plus caricaturaux associés à l’archétype de l’ingénieur (l’attrait pour les mathématiques, la méticulosité, l’absence de sensibilité politique, le bricolage mécanique) au détriment des représentations partagées sur les avocats.

Afin d’isoler l’effet de la représentativité, les auteurs ont également introduit une deuxième condition fondamentale : une vignette volontairement dénuée de tout pouvoir diagnostique, le portrait de « Dick » :

« Dick est un homme de 30 ans. Il est marié sans enfants. C’est un homme très prometteur et très motivé, qui est bien parti pour réussir dans son domaine. Il est très apprécié de ses collègues. »

Ce profil ne contient rigoureusement aucun indice catégoriel permettant de distinguer préférentiellement un avocat d’un ingénieur. Enfin, une condition contrôle décisive était déployée : les expérimentateurs demandaient à un groupe de sujets d’évaluer la probabilité qu’un individu soit ingénieur en l’absence de toute vignette descriptive, c’est-à-dire en se fondant sur la seule mention des proportions 70/30 ou 30/70.

3.3 Résultats quantitatifs et mise en évidence de la négligence

Les données empiriques recueillies par Tversky et Kahneman ont constitué un véritable séisme pour les modèles normatifs du choix rationnel. Dans la condition de contrôle – où aucune description individualisante n’était communiquée –, les sujets démontraient une utilisation parfaite des distributions statistiques : confrontés à l’urne de 70 ingénieurs, ils estimaient à 70 % la probabilité qu’un tirage au sort produise un ingénieur ; face à l’urne de 30 ingénieurs, ils estimaient cette même probabilité à 30 %. Ce constat démontrait que les participants comprenaient la signification arithmétique élémentaire des taux de base et savaient les appliquer lorsque l’environnement était vierge de toute interférence contextuelle.

Toutefois, dès lors qu’une vignette était introduite, le tableau cognitif s’inversait dramatiquement. Face au profil prototypique de Jack, les sujets de la condition 70/30 et ceux de la condition 30/70 ont formulé des estimations de probabilité quasi identiques. Dans les deux groupes, la médiane des réponses oscillait autour de 90 % (plus précisément, une probabilité estimée que Jack soit ingénieur supérieure à 0{,}85), sans que la variation drastique du taux de base (une différence de plus du simple au double, passant de 30 % à 70 %) n’exerce le moindre impact statistiquement significatif sur l’évaluation globale.

Si les sujets avaient appliqué l’équation du théorème de Bayes, et en admettant une évaluation subjective de la vraisemblance fondée sur la conformité du profil aux caractéristiques d’un ingénieur versus un avocat (supposons par exemple un rapport de vraisemblance subjectif $P(E|\text{Ingénieur})/P(E|\text{Avocat}) \approx 4$), les probabilités révisées auraient dû diverger substantiellement :

  • Pour la condition 70/30 : $P(\text{Ingénieur}|E) = \frac{4 \times 0{,}70}{(4 \times 0{,}70) + (1 \times 0{,}30)} = \frac{2{,}80}{3{,}10} \approx 90{,}3,%$
  • Pour la condition 30/70 : $P(\text{Ingénieur}|E) = \frac{4 \times 0{,}30}{(4 \times 0{,}30) + (1 \times 0{,}70)} = \frac{1{,}20}{1{,}90} \approx 63{,}2,%$

Au lieu de cet écart de plus de 27 points de pourcentage exigé par la logique bayésienne, les participants ont maintenu des jugements indifférenciés. Les priors statistiques avaient été purement et simplement absorbés et effacés par la force d’évocation narrative du stéréotype.

Le résultat le plus frappant et le plus troublant est toutefois survenu lors de l’évaluation du profil non diagnostique de Dick. Confrontés à cette description sans substance diagnostique, les sujets n’ont pas réactivé le taux de base de leur condition respective (qui aurait dû les amener à répondre 70 % ou 30 %). À la place, les participants des deux groupes ont attribué à Dick une probabilité d’être ingénieur d’exactement 50 %. L’introduction d’une information descriptive objectivement nulle n’a pas laissé le taux de base inchangé : elle a provoqué ce que les chercheurs ont nommé un « effet de dilution ». Les participants ont interprété la vacuité du profil de Dick comme le reflet d’une équiprobabilité ontologique, abandonnant totalement la référence aux proportions initiales qui régissaient pourtant l’espace de probabilité.

4. L’heuristique de représentativité comme mécanisme sous-jacent

4.1 Le concept d’appariement prototypique et de substitution d’attributs

Pour théoriser la cause profonde de cette déviation systématique, Kahneman et Tversky ont affiné l’analyse fonctionnelle de l’heuristique de représentativité. Au cœur de ce mécanisme réside le concept d’appariement prototypique, formalisé par la psychologue Eleanor Rosch dans le domaine de la catégorisation sémantique. L’esprit humain structure sa connaissance du monde à partir de prototypes, c’est-à-dire de représentations mentales idéalisées agrégeant les traits de centralité d’une classe d’objets ou d’individus. Face à une entité donnée, le système cognitif procède à une cartographie de similarité vectorielle : il projette les attributs de la cible sur l’espace multidimensionnel du prototype.

Dans les situations expérimentales décrites, l’opération cognitive sous-jacente est une forme précoce de ce que Daniel Kahneman nommera ultérieurement la « substitution d’attributs ». Face à une cible de jugement complexe – une question computationnelle relative à la probabilité statistique d’un événement conditionnel –, le processeur cognitif substitue inconsciemment à cet attribut inaccessible une propriété heuristique beaucoup plus immédiatement calculable : la congruence géométrique ou la ressemblance morphologique. Jack ressemble de manière éclatante au prototype interne de l’ingénieur ; par conséquent, l’esprit déduit que Jack est très probablement un ingénieur.

Ce raccourci perceptif repose sur l’illusion cognitive voulant que ce qui est prototypique soit intrinsèquement fréquent. Dans l’écologie naturelle quotidienne de notre espèce, il existe indéniablement une corrélation globale entre la fréquence d’une classe et l’observation d’instances typiques de cette classe. Les heuristiques ne sont pas des anomalies aberrantes ; ce sont des règles de pouce écologiquement adaptées mais qui échouent dramatiquement dès lors que l’on introduit des asymétries de taux de base ou des variables statistiques désynchronisées de la forme perçue.

4.2 L’illusion d’homogénéité et la focalisation sur la saillance individuelle

L’autre moteur psychologique de la négligence du taux de base est l’hégémonie de l’information narrative et individualisante sur les données agrégées et abstraites. La cognition humaine est fondamentalement façonnée pour interagir avec des récits, des acteurs singuliers pourvus d’intentions et des signaux perceptifs directs. Une probabilité a priori – telle qu’un ratio démographique de 70 contre 30 – n’est qu’un descripteur mathématique abstrait, froid, dénué de dynamisme causal et privé de consistance phénoménologique.

Dès lors qu’un récit s’incarne sous la forme d’un profil individualisé (les passe-temps de Jack, son absence de goût pour la politique, ses talents de bricoleur), l’attention sélective se focalise exclusivement sur cette information saillante. L’esprit est en quelque sorte hypnotisé par les détails distinctifs. La distribution globale en arrière-plan devient un simple décor cognitif sans relief, instantanément relégué hors du champ de la mémoire opérationnelle. Les représentations catégorielles mémorisées s’activent de manière automatique, irrépressible, et ne rencontrent aucune résistance computationnelle de la part du sujet, qui ne consent aucun effort métacognitif pour recalculer les rapports d’intersection probabilistes.

5. Variantes paradigmatiques : Du problème de Tom W. à l’énigme des taxis

5.1 L’étude de Tom W. et la prédiction des filières académiques

Pour prouver que la négligence du taux de base n’était pas un artefact méthodologique lié aux professions d’avocats ou d’ingénieurs, Kahneman et Tversky ont étendu leur protocole à d’autres domaines d’inférence sociale. Dans la même étude de 1973, ils ont introduit le célèbre problème de « Tom W. ».

Dans ce protocole, les chercheurs ont soumis à un groupe de référence un inventaire de plusieurs filières d’études supérieures universitaires (droit, ingénierie, sciences humaines, administration des affaires, bibliothéconomie, etc.) et leur ont demandé d’estimer le pourcentage d’étudiants inscrits dans chacune de ces facultés à l’échelle nationale. Ces estimations ont constitué le taux de base subjectif ($P(\text{Filière})$). Les filières telles que les sciences humaines ou l’administration des affaires regroupaient des contingents massifs d’étudiants, tandis que la bibliothéconomie constituait une discipline numériquement marginale (moins de 2 % des inscriptions).

Un deuxième groupe indépendant de participants recevait ensuite le portrait psychologique de Tom W., rédigé à partir de prétendus tests projectifs lorsqu’il était au lycée :

« Tom W. est d’une grande intelligence, bien qu’il manque de créativité véritable. Il a un besoin d’ordre, de clarté, et apprécie les systèmes bien rangés où chaque détail a sa place. Son écriture est mécanique et soignée. Il est égocentrique, a peu d’empathie et n’aime pas interagir avec les autres. Bien qu’il soit froid et distant, il possède un sens moral rigide. »

Ce deuxième groupe devait classer les filières selon le degré de ressemblance entre Tom W. et l’étudiant typique de chaque discipline. Enfin, un troisième groupe de sujets – le groupe critique – devait simplement estimer la probabilité que Tom W. soit actuellement étudiant dans chacune de ces filières.

L’analyse statistique des classements a mis en lumière une corrélation de rang quasi parfaite ($r = 0{,}98$) entre les jugements de ressemblance et les attributions de probabilité. Les sujets ont jugé Tom W. extrêmement susceptible d’étudier en bibliothéconomie ou en informatique fondamentale, au mépris absolu de la rareté démographique écrasante de la bibliothéconomie par rapport aux sciences humaines. Alors même que la faiblesse statistique des inscriptions en bibliothéconomie aurait dû faire chuter radicalement la probabilité a posteriori d’y retrouver Tom W., les participants n’ont tenu aucun compte de ce paramètre. La probabilité subjective s’est révélée être le décalque carbone de la représentativité typologique.

5.2 Le problème du taxi bleu et du taxi vert (1982)

En 1982, Amos Tversky et Daniel Kahneman ont proposé ce qui demeure le paradigme le plus célèbre et le plus limpide pour matérialiser le conflit direct entre taux de base statistique et crédibilité d’un témoignage perceptif : le problème du taxi bleu et du taxi vert (The Cab Problem). La formulation canonique du scénario s’énonce comme suit :

« Une nuit, un taxi a été impliqué dans un délit de fuite après un accident. Deux compagnies de taxis exploitent les véhicules de la ville : les taxis Verts et les taxis Bleus. Vous disposez des données suivantes :
(a) 85 % des taxis de la ville sont des Verts et 15 % sont des Bleus.
(b) Un témoin oculaire a identifié le taxi comme étant Bleu. Le tribunal a testé la fiabilité du témoin dans des conditions de visibilité similaires à celles de la nuit de l’accident et a conclu que le témoin avait correctement identifié chacune des deux couleurs dans 80 % des cas, mais s’était trompé dans 20 % des cas.
Quelle est la probabilité que le taxi impliqué dans l’accident ait été Bleu plutôt que Vert ? »

Face à ce dilemme médico-légal, la réaction de l’immense majorité des participants – qu’il s’agisse d’étudiants, de juristes chevronnés ou de décideurs – est immédiate et tranchée : ils répondent spontanément 80 % (0{,}80). La justification intuitive formulée est triviale : puisque le témoin a raison 80 % du temps, et qu’il a affirmé avoir vu un taxi bleu, il y a 80 % de chances que le véhicule ait été effectivement bleu. Les sujets se désintéressent totalement du fait que la flotte de taxis bleus ne représente qu’une fraction congrue de l’écosystème urbain.

Examinons désormais la résolution formelle de cette énigme à la lumière du théorème de Bayes. Définissons les événements probabilistes :

  • $B$ : L’événement « Le taxi impliqué est Bleu ». Probabilité préalable : $P(B) = 0{,}15$.
  • $V$ : L’événement « Le taxi impliqué est Vert ». Probabilité préalable : $P(V) = 0{,}85$.
  • $T_B$ : L’événement « Le témoin déclare que le taxi est Bleu ».

La vraisemblance liée à l’acuité visuelle du témoin s’exprime par :

  • $P(T_B|B) = 0{,}80$ (probabilité que le témoin dise « Bleu » sachant que le taxi est effectivement Bleu).
  • $P(T_B|V) = 0{,}20$ (probabilité d’une fausse identification : le témoin dit « Bleu » alors que le taxi est Vert).

La probabilité conditionnelle a posteriori que le taxi soit réellement Bleu sachant que le témoin l’a désigné comme tel, $P(B|T_B)$, s’obtient par l’application stricte de l’équation bayésienne :

$$P(B|T_B) = \frac{P(T_B|B) \cdot P(B)}{P(T_B|B) \cdot P(B) + P(T_B|V) \cdot P(V)}$$

En substituant les grandeurs numériques fournies dans l’énoncé :

$$P(B|T_B) = \frac{0{,}80 \times 0{,}15}{(0{,}80 \times 0{,}15) + (0{,}20 \times 0{,}85)}$$

$$P(B|T_B) = \frac{0{,}12}{0{,}12 + 0{,}17} = \frac{0{,}12}{0{,}29} \approx 0{,}4138$$

La vérité mathématique est saisissante : la probabilité que le taxi ait réellement été Bleu n’est que d’environ 41,4 %. En d’autres termes, en dépit du fait qu’un témoin fiable à 80 % ait formellement pointé du doigt un véhicule bleu, il demeure plus probable (environ 58,6 %) que le véhicule incriminé ait été en réalité Vert ! L’explication réside dans la mécanique du dénominateur : étant donné la prépondérance massive des taxis verts dans la ville, les 20 % d’erreurs d’identification commises par le témoin sur la vaste population verte ($0{,}20 \times 0{,}85 = 0{,}17$) génèrent un volume de faux signaux supérieur au volume de vrais signaux issus de la petite cohorte bleue ($0{,}80 \times 0{,}15 = 0{,}12$). La réponse médiane intuitive (80 %) est presque le double de la réalité logique, illustrant l’ampleur béante de la négligence du taux de base.

6. Taux de base causaux versus taux de base statistiques (Maya Bar-Hillel)

6.1 La structure de pertinence et la causalité implicite

Face à la récurrence de ce biais dans une myriade d’expérimentations, une question épistémologique essentielle s’est posée : l’esprit humain est-il définitivement aveugle aux taux de base, ou existe-t-il des conditions fonctionnelles spécifiques susceptibles de contraindre le système cognitif à les prendre en compte ? C’est à la psychologue israélienne Maya Bar-Hillel que l’on doit l’avancée théorique la plus déterminante sur ce point, formulée dans son article séminal de 1980 : « The Base-Rate Fallacy in Probability Judgments ».

Bar-Hillel a introduit la théorie de la « structure de pertinence » (relevance structure). Selon sa modélisation, les décideurs n’écartent pas les taux de base par simple négligence arithmétique ou par paresse intellectuelle, mais parce qu’ils effectuent une évaluation sémantique inconsciente de l’information. L’esprit classe les données reçues selon une hiérarchie de pertinence. Une information individualisante (la fiabilité d’un témoin direct, le comportement d’un individu singulier) est spontanément créditée d’un degré de pertinence psychologique maximal, car elle entretient un lien contextuel resserré et spécifique avec l’événement à juger. Les taux de base statistiques généraux, quant à eux, sont relégués tout en bas de cette échelle s’ils sont perçus comme de simples agrégats descriptifs, incidents et extérieurs à la dynamique intrinsèque de la situation.

La dissociation cruciale théorisée par Bar-Hillel et adoptée par Kahneman réside dans l’opposition irréductible entre taux de base incidentels (ou purement statistiques) et taux de base causaux :

  • Le taux de base statistique (incidentel) : Il fournit une métrique démographique brute, non causale. Dans la version classique des taxis, savoir que 85 % des véhicules sont verts informe sur la composition du parc automobile municipal, mais ne raconte aucune histoire sur les raisons pour lesquelles l’accident a eu lieu. Il est déconnecté du schème de causalité de l’événement criminel.
  • Le taux de base causal : Il s’agit d’une distribution statistique structurée de telle sorte qu’elle induit une inférence étiologique immédiate sur le comportement des agents impliqués. Il modifie directement l’interprétation causale du phénomène en amont.

6.2 Le cas des accidents de taxi reformulé sous une forme causale

Pour démontrer expérimentalement cette dichotomie, Kahneman et Tversky ont modifié un seul paragraphe du scénario des taxis afin de convertir le taux de base statistique en taux de base causal :

« Les deux compagnies de taxis possèdent le même nombre de véhicules en circulation dans la ville (50 % de taxis Verts, 50 % de taxis Bleus). En revanche, les taxis Verts sont impliqués dans 85 % de la totalité des accidents de la circulation, tandis que les taxis Bleus ne sont impliqués que dans 15 % des accidents. »

D’un point de vue purement normatif et mathématique, les équations bayésiennes sont rigoureusement identiques : le taux de base de la flotte accidentogène ($P(\text{Vert}) = 0{,}85$ et $P(\text{Bleu}) = 0{,}15$) reste formellement le même que la distribution de la flotte dans le scénario initial. Cependant, au niveau psychologique, la métamorphose cognitive a été radicale.

Dans cette variante causale, la statistique cesse d’être une simple propriété distributionnelle inerte. Elle active un stéréotype comportemental dynamique : « Les chauffeurs de taxis verts sont des chauffeurs agressifs, imprudents, des dangers publics ». Le taux de base n’est plus perçu comme une donnée périphérique, mais comme une cause motrice susceptible d’avoir provoqué l’accident de cette nuit-là. Les résultats empiriques ont attesté d’un effondrement spectaculaire de la négligence du taux de base : les participants ont massivement intégré cette proportion dans leurs calculs intuitifs, abaissant substantiellement la probabilité que le coupable soit le taxi bleu désigné par le témoin. Le système intuitif s’est révélé incapable de digérer une information purement distributionnelle, mais parfaitement apte à manipuler des données statistiques dès lors qu’elles s’insèrent dans une chaîne de causalité narrative.

7. Architecture cognitive et neurobiologie du jugement probabiliste

7.1 La théorie du double processus : Système 1 et Système 2

L’intégration de la négligence du taux de base au sein de la psychologie cognitive contemporaine a été formalisée à travers le modèle de la théorie du double processus (Dual-Process Theory), théorisée par des chercheurs tels que Jonathan Evans, Keith Stanovich, et vulgarisée magistralement par Daniel Kahneman dans son ouvrage Thinking, Fast and Slow (2011).

Ce cadre d’analyse postule la coexistence au sein de notre appareil psychique de deux modes distincts de traitement de l’information :

  • Le Système 1 (automatique et intuitif) : Il opère de manière involontaire, instantanée, associative, heuristique et ne requiert pratiquement aucun effort conscient. C’est le Système 1 qui, à la lecture du profil de Jack, active instantanément l’archétype de l’ingénieur et produit une sensation viscérale de certitude. Pour le Système 1, la cohérence de l’histoire racontée prévaut sur toute métrique quantitative sous-jacente.
  • Le Système 2 (délibératif et analytique) : Il fonctionne de manière séquentielle, lente, régie par des règles logiques formelles, et nécessite une allocation substantielle de mémoire de travail et d’énergie attentionnelle. C’est le Système 2 qui possède la capacité d’exécuter les règles de Bayes, de manipuler les ratios fractionnaires et d’inhiber les raccourcis stéréotypés.

À la lumière de cette architecture, la négligence du taux de base est l’illustration par excellence de la « paresse cognitive » ou de l’économie de ressources computationnelles inhérente au Système 2. Dans le déroulement ordinaire de la pensée, le Système 2 n’exerce pas une surveillance algorithmique permanente sur les opérations du Système 1 ; il se contente bien souvent de ratifier avec complaisance les propositions générées par l’intuition. Devant l’énigme des avocats et des ingénieurs, le Système 1 délivre une réponse immédiate et hautement gratifiante fondée sur la représentativité (« C’est un ingénieur ! »). Pour renverser cette impression, le Système 2 devrait s’engager dans une surcharge cognitive coûteuse en recalculant l’impact du taux de base. Faute d’alerte métacognitive explicite, le Système 2 capitule et valide l’erreur sans même en soupçonner l’existence.

7.2 Neuro-imagerie et détection de conflit cognitif

Au cours des deux dernières décennies, la révolution des neurosciences cognitives a permis de soumettre les postulats de Kahneman et Tversky au banc d’essai de l’imagerie par résonance magnétique fonctionnelle (IRMf) et de l’électroencéphalographie (EEG). Ces travaux, menés notamment par des chercheurs comme Wim De Neys, ont exploré les circuits neuronaux sous-jacents aux problèmes de taux de base.

L’une des découvertes les plus spectaculaires de la neurobiologie cognitive réside dans l’activité du cortex cingulaire antérieur (ACC), une structure anatomique logée sur la face médiale du cortex préfrontal, connue pour son rôle de sentinelle dans la détection des conflits cognitifs et la surveillance des erreurs de traitement. Lorsqu’on place des volontaires dans un scanner IRMf et qu’on leur soumet une variante conflictuelle de l’expérience de Jack (où la description stéréotypique contredit frontalement le taux de base majoritaire), l’ACC s’allume avec intensité, y compris chez les participants qui répondent de manière erronée en suivant l’heuristique.

Cette observation neurofonctionnelle a une implication théorique profonde : elle démontre que les biais probabilistes ne découlent pas d’une cécité cognitive primitive ou d’une ignorance aveugle du taux de base. L’esprit humain détecte implicitement, au niveau préconscient, le tiraillement logique entre la représentativité et le taux de base statistique. Cependant, pour que la réponse normative émerge, il ne suffit pas de détecter le conflit : il faut mobiliser des circuits inhibiteurs capables de faire taire la réponse heuristique impulsive issue du Système 1. Cette tâche d’inhibition active dépend de l’activation robuste du cortex préfrontal dorsolatéral (DLPFC) et du cortex préfrontal ventrolatéral inférieur droit (rVLPFC).

Les études chronométriques par potentiels évoqués (EEG) ont corroboré ce séquençage en révélant une onde précoce de détection de conflit (l’onde N2 ou la négativité liée à l’erreur) apparaissant quelques centaines de millisecondes après la lecture de la description, bien avant que la réponse motrice ne soit formulée. Lorsque le cortex préfrontal échoue à maintenir l’effort d’inhibition contre-intuitif, le participant verbalise la solution stéréotypée tout en conservant, de manière subconsciente, la trace neurophysiologique d’une dissonance logique non résolue.

8. Critiques méthodologiques et débats : L’approche de la rationalité écologique

8.1 La controverse avec Gerd Gigerenzer et l’école de Berlin

Bien que le programme des heuristiques et biais ait reçu un accueil triomphal dans les sciences sociales, il a déclenché l’une des querelles académiques les plus virulentes de la psychologie contemporaine. Le fer de lance de cette opposition scientifique est le psychologue allemand Gerd Gigerenzer, directeur émérite au Max Planck Institute for Human Development de Berlin.

Gigerenzer et l’école de la « rationalité écologique » (ecological rationality) ont contesté avec véhémence l’affirmation selon laquelle l’esprit humain souffrirait de déficits computationnels intrinsèques face au calcul des probabilités. Pour Gigerenzer, qualifier la négligence du taux de base de « biais cognitif irrationnel » procède d’un réductionnisme normatif fallacieux. Son argumentation épistémologique repose sur trois piliers majeurs :

  • L’inadéquation évolutive des probabilités à événement unique : Dans la perspective phylogénétique, l’architecture cognitive de nos ancêtres hominidés s’est développée au sein d’environnements naturels où le concept formel de « probabilité d’un événement unique » (par exemple, affirmer qu’il y a 41 % de chances qu’un véhicule donné soit bleu) était dénué de tout fondement empirique. Les probabilités normalisées et le pourcentage ne sont apparus dans l’histoire des mathématiques qu’au XVIIe et XVIIIe siècles.
  • La conformité aux règles conversationnelles de Grice : Gigerenzer fait valoir que les protocoles de laboratoire de Kahneman et Tversky violent les maximes de communication humaine théorisées par le linguiste Paul Grice. Selon la maxime de relation (« Soyez pertinent »), lorsqu’un expérimentateur scientifique prend le soin méticuleux de décrire les passe-temps, le tempérament et la famille de Jack, le sujet déduit légitimement que cette information individualisante est cruciale et primordiale pour la résolution du problème. Traiter ensuite cette description comme un « bruit non diagnostique » pour sanctionner le sujet qui s’y intéresse s’apparente, selon les critiques, à un piège linguistique artificiel.
  • Le réalisme de l’échantillonnage naturel : Dans les écosystèmes ancestraux comme contemporains, l’information probabiliste ne nous parvient jamais sous la forme de distributions de pourcentages a priori abstraites décrétées par une autorité tierce, mais à travers un flux continu d’expériences directes : l’échantillonnage fréquentiel séquentiel.

8.2 Le format des fréquences naturelles comme remède à la négligence

Pour prouver empiriquement la validité de sa posture théorique, Gerd Gigerenzer et ses collaborateurs (notamment Ulrich Hoffrage) ont conduit des séries d’expériences pionnières en reformulant les énigmes de Tversky et Kahneman sous le format dit des fréquences naturelles (natural frequencies). L’idée directrice consiste à proscrire l’usage des pourcentages abstraits et des probabilités conditionnelles normalisées pour énoncer les données sous forme de décomptes bruts au sein d’une population d’individus concrets.

Reprenons le cas emblématique du taxi bleu et vert. Au lieu d’asséner des pourcentages abstraits (85 %, 15 %, 80 %, 20 %), l’énoncé est reconfiguré sous une forme fréquentielle transparente :

« Imaginez 100 accidents de la circulation impliquant un taxi survenus dans des conditions nocturnes similaires :
– Sur ces 100 accidents, 85 ont été causés par un taxi Vert et 15 par un taxi Bleu.
– Sur les 15 accidents causés par un taxi Bleu, le témoin déclare correctement « Bleu » dans 12 cas (80 % de 15) et se trompe en déclarant « Vert » dans 3 cas.
– Sur les 85 accidents causés par un taxi Vert, le témoin se trompe en déclarant « Bleu » dans 17 cas (20 % de 85) et déclare correctement « Vert » dans 68 cas.
Combien de fois où le témoin déclare avoir vu un taxi Bleu le véhicule était-il réellement Bleu ? »

Présentée sous cette forme arithmétique transparente, la tâche mentale ne requiert plus l’application tortueuse de l’algèbre bayésienne ni la manipulation de dénominateurs normalisés contre-intuitifs. L’esprit humain n’a plus qu’à comparer directement deux grandeurs observables : le nombre de fois où le témoin dit « Bleu » à raison (12) par rapport au nombre total de fois où le témoin prononce le mot « Bleu » ($12 + 17 = 29$). L’inférence devient limpide : $\frac{12}{29} \approx 41{,}4,%$.

Les résultats expérimentaux répliqués à travers le monde par Hoffrage et Gigerenzer ont montré que le passage des probabilités conditionnelles aux fréquences naturelles fait bondir la proportion de réponses bayésiennes correctes de moins de 15 % à plus de 50 %, voire 75 %, sans qu’aucun entraînement mathématique préalable n’ait été dispensé aux participants. Ce débat a nuancé de façon salutaire les conclusions de Tversky et Kahneman : si la négligence du taux de base est indéniable lorsque l’information est présentée sous forme probabiliste standardisée, elle s’atténue considérablement lorsque les formats d’affichage s’alignent sur les algorithmes naturels de traitement de fréquence de l’appareil cognitif.

9. Manifestations et conséquences critiques dans le diagnostic médical

9.1 Le piège des dépistages de maladies rares chez les cliniciens

Loin d’être cantonné aux joutes académiques et aux amphithéâtres de psychologie, l’impact de la négligence du taux de base revêt une gravité dramatique lorsqu’il s’immisce dans la pratique de la médecine contemporaine. La prise de décision clinique repose en grande partie sur l’interprétation d’examens complémentaires, d’imageries médicales et de tests sanguins hautement sophistiqués pour évaluer la présence d’une affection organique chez un patient donné.

Dans ce contexte, les praticiens sont constamment confrontés à deux métriques fondamentales mesurant l’efficacité d’un outil de diagnostic : la sensibilité (la probabilité que le test soit positif si le sujet est malade, équivalent à la vraisemblance $P(\text{Test}^+|\text{Maladie})$) et la spécificité (la probabilité que le test soit négatif si le sujet est sain, soit $P(\text{Test}^-|\text{Sain})$). Pourtant, ce que le clinicien et le patient ont impérativement besoin de connaître en situation réelle n’est ni la sensibilité ni la spécificité du test, mais sa valeur prédictive positive (VPP) : quelle est la probabilité que le patient soit effectivement malade sachant que le test est revenu positif ($P(\text{Maladie}|\text{Test}^+)$) ?

L’omission tragique du taux de base (ici, la prévalence de la pathologie dans la population cible) conduit à des désastres interprétatifs documentés de longue date dans la littérature médicale. L’une des études les plus célèbres, initiée par David Eddy et reproduite par Gigerenzer auprès de gynécologues chevronnés, concernait le dépistage systématique du cancer du sein par mammographie chez des femmes asymptomatiques de 40 à 50 ans :

  • La prévalence du cancer du sein dans cette cohorte est d’environ 1 % ($P(\text{Cancer}) = 0{,}01$).
  • La sensibilité de la mammographie est de 90 % ($P(\text{Positif}|\text{Cancer}) = 0{,}90$).
  • Le taux de faux positifs est de 9 % ($P(\text{Positif}|\text{Sain}) = 0{,}09$ ; spécificité de 91 %).

Lorsqu’on demandait aux médecins d’estimer la probabilité qu’une femme dont la mammographie s’avère positive ait réellement un cancer, près de 95 % des médecins interrogés ont répondu spontanément environ 80 % ou 90 %. La réalité bayésienne est pourtant sans appel :

$$P(\text{Cancer}|\text{Positif}) = \frac{0{,}90 \times 0{,}01}{(0{,}90 \times 0{,}01) + (0{,}09 \times 0{,}99)} = \frac{0{,}009}{0{,}009 + 0{,}0891} = \frac{0{,}009}{0{,}0981} \approx 9{,}17,%$$

Face à un test positif, la probabilité réelle que cette patiente soit atteinte d’un cancer du sein est inférieure à 10 % ! Dans plus de 90 % des cas, ce résultat positif n’est qu’une fausse alerte générée par le fait que la population saine est 99 fois plus nombreuse que la population malade, transformant même un petit taux d’erreur de 9 % en une marée de faux positifs écrasant les vrais cas diagnostiqués. En ignorant la rareté préalable de l’affection, les cliniciens surestiment le risque réel d’un facteur dix, entraînant une communication anxiogène destructrice, des biopsies chirurgicales invasives et injustifiées, ainsi qu’un traumatisme psychologique persistant pour des cohortes entières de patients en parfaite santé.

9.2 Implications bioéthiques et santé publique

Les ravages de la négligence du taux de base transcendent la relation médecin-patient individuelle pour atteindre le dimensionnement des politiques de santé publique à l’échelle d’une nation. L’arbitrage éthique et financier entourant les campagnes de dépistage de masse (qu’il s’agisse du cancer de la prostate via l’antigène prostatique spécifique PSA, de pathologies infectieuses émergentes ou d’anomalies génétiques prénatales) est structurellement conditionné par la prévalence sous-jacente.

Lorsqu’une autorité sanitaire déploie un dépistage aveugle au sein d’une population générale où la prévalence d’un trouble est infinitésimale (par exemple 1 cas pour 100 000), même un test affichant une spécificité phénoménale de 99{,}9 % aboutira inéluctablement à une situation où l’écrasante majorité des alertes positives seront des artefacts non pertinents. Les conséquences bioéthiques sont majeures :

  • Le surdiagnostic et le surtraitement : Des individus sains se voient administrer des thérapies lourdes, des ablations chirurgicales ou des chimiothérapies aux effets secondaires délétères pour des lésions quiescentes qui n’auraient jamais évolué de leur vivant.
  • L’effondrement de la confiance publique : L’incapacité des autorités à expliciter publiquement la dynamique bayésienne nourrit la méfiance des citoyens envers l’institution scientifique lorsque les faux positifs sont ultérieurement révélés.
  • Le gaspillage des ressources sanitaires : La saturation des plateaux techniques hospitaliers par le suivi d’investigations secondaires redondantes détourne des budgets cruciaux de la prise en charge thérapeutique de pathologies avérées.

Pour juguler ces dérives, les instances médicales internationales imposent désormais l’intégration de modules explicites de formation statistique dans les cursus universitaires et promeuvent l’insertion d’arbres de décision bayésiens automatisés au cœur des dossiers médicaux électroniques pour alerter le prescripteur sur la valeur prédictive positive réelle d’un examen avant toute démarche invasive.

10. Implications judiciaires et le sophisme du procureur

10.1 L’inversion de la conditionnalité devant les cours de justice

Le prétoire pénal constitue un autre théâtre où la négligence du taux de base peut avoir des répercussions vertigineuses, privant des innocents de leur liberté ou les condamnant à mort. Dans l’arène judiciaire, cette défaillance cognitive prend une forme doctrinale tristement célèbre : le sophisme du procureur (Prosecutor’s Fallacy), formalisé pour la première fois par Richard Eggleston en 1983.

Le sophisme du procureur est l’incarnation juridique exacte de l’inversion des probabilités conditionnelles mise en relief par Kahneman et Tversky. Il consiste à substituer subrepticement la probabilité qu’une preuve matérielle existe sachant que l’accusé est innocent, notée $P(\text{Preuve}|\text{Innocent})$, à la probabilité que l’accusé soit innocent sachant que la preuve a été découverte contre lui, soit $P(\text{Innocent}|\text{Preuve})$.

Cette distorsion apparaît avec une prédilection redoutable dans le traitement des indices scientifiques modernes, au premier chef desquels se trouvent les profils génétiques d’ADN ou les analyses de télécommunication. Supposons qu’une trace biologique retrouvée sur une scène de crime corresponde au profil ADN d’un suspect identifié par un recoupement automatisé au sein d’une base de données nationale. L’expert médico-légal déclare à la barre : « La probabilité qu’un individu pris au hasard dans la population possède ce profil génétique n’est que de 1 sur 1 million » ($P(\text{ADN}|\text{Innocent}) = 10^{-6}$).

Le procureur non formé à la logique bayésienne commet alors instantanément le grand saut sophistique : « Par conséquent, mesdames et messieurs les jurés, il n’y a qu’une chance sur un million que l’accusé soit innocent ! ». Ce raisonnement est d’une fausseté mathématique absolue. Il omet radicalement le taux de base statistique de la population éligible.

Si la scène de crime s’est déroulée dans un pays comptant 60 millions d’habitants, et en l’absence de tout mobile ou indice préalable reliant le suspect au meurtre, le nombre d’individus partageant fortuitement cette signature génétique par pure coïncidence stochastique est de :

$$60,000,000 \times \frac{1}{1,000,000} = 60 \text{ personnes}$$

Dans ce bassin de 60 correspondances potentielles dans la population, si l’on ne détient aucun élément d’enquête supplémentaire pour individualiser le coupable, la probabilité que l’individu traîné devant le tribunal soit effectivement l’auteur de l’infraction n’est pas de $1 – 10^{-6} = 99{,}9999,%$, mais de simplement :

$$P(\text{Coupable}|\text{ADN}) \approx \frac{1}{60} \approx 1{,}67,%$$

Il subsiste donc plus de 98 % de chances que cet accusé soit totalement innocent ! Le procureur, aveuglé par la représentativité spectaculaire de la correspondance moléculaire, a purement et simplement annihilé le taux de base démographique, envoyant potentiellement un citoyen sans histoire croupir en prison sur la base d’une illusion probabiliste.

10.2 Erreurs judiciaires célèbres liées à la négligence des priors

L’histoire pénale contemporaine recèle de drames humains nés directement de cette surdité épistémique aux probabilités préalables. L’affaire la plus universellement disséquée par les juristes et les logiciens demeure sans conteste le drame de l’affaire Sally Clark au Royaume-Uni en 1999.

Sally Clark, une avocate britannique, a vu ses deux nouveau-nés périr successivement à quelques semaines de vie, à plus d’un an d’intervalle, sans qu’aucune trace de traumatisme physique ne soit constatée par les coroners. Accusée d’avoir étouffé ses enfants, Clark plaidait le syndrome de la mort subite du nourrisson (MSN). Lors du procès pénal, l’accusation s’est appuyée sur le témoignage d’un pédiatre réputé, le professeur Roy Meadow. Ce dernier a affirmé devant le jury que la probabilité qu’un nourrisson issu d’un foyer stable, non fumeur et aisé décède de la mort subite s’élevait à environ 1 sur 8 500. Meadow a ensuite multiplié ces deux probabilités individuelles pour conclure :

$$\frac{1}{8,500} \times \frac{1}{8,500} \approx \frac{1}{73,000,000}$$

Selon l’expert, il n’y avait donc qu’une chance sur 73 millions pour que cette double tragédie soit fortuite, ce qui a suffi pour sceller la conviction intime des jurés et faire condamner Sally Clark à la réclusion criminelle à perpétuité sous les huées de l’opinion publique.

L’argumentaire de Meadow contenait une double aberration probabiliste. Non seulement il postulait illégitimement l’indépendance statistique des deux décès (ignorant les facteurs de prédisposition génétique ou environnementale partagés au sein d’une même fratrie), mais il commettait surtout une omission scandaleuse du taux de base. En effet, Meadow a comparé la probabilité de deux morts subites à zéro, au lieu de la confronter au taux de base réel d’un événement encore plus invraisemblable : le double infanticide commis par une mère sans antécédents psychiatriques ni profil violent.

La Royal Statistical Society est intervenue publiquement quelques années plus tard pour dénoncer ce procès, démontrant qu’au sein de la population britannique, la fréquence a priori d’un double homicide maternel sans mobile était infinitésimale, rendant l’hypothèse de la mort subite du nourrisson environ neuf fois plus probable que celle du double meurtre ! Sally Clark fut finalement acquittée en appel en 2003, après avoir passé des années en détention pour un crime qu’elle n’avait jamais commis, traumatisée au point de succomber peu après à une intoxication éthylique aiguë. Ce désastre judiciaire a forcé les juridictions anglo-saxonnes à réformer en profondeur les critères d’admissibilité des statistiques médico-légales devant les cours criminelles.

11. Stratégies de remédiation, ‘Nudges’ et interventions métacognitives

11.1 Dispositifs visuels et représentations graphiques

L’ampleur et la persistance des ravages induits par la négligence du taux de base ont stimulé le développement d’un champ de recherche appliquée consacré au « débiaisage cognitif » (cognitive debiasing). Si l’esprit intuitif capitule face aux équations algébriques pures, l’ergonomie cognitive démontre qu’une reconfiguration spatiale et visuelle de l’information permet de contourner les goulots d’étranglement de l’attention délibérative.

Parmi ces artefacts d’ingénierie cognitive, les représentations graphiques structurées se sont imposées comme des antidotes d’une grande efficacité :

  • Les matrices de contingence $2 \times 2$ : Elles contraignent visuellement le sujet à visualiser les quatre cellules de l’univers de probabilité (vrais positifs, faux positifs, vrais négatifs, faux négatifs), rendant la comparaison des proportions immédiatement accessible sans calcul mental complexe.
  • Les diagrammes d’arbres probabilistes arborant des branches quantifiées : En dépliant de gauche à droite le flux d’événements (d’abord la scission de la population en deux branches représentant la prévalence, puis la ramification secondaire matérialisant les résultats des tests), l’arbre empêche le cerveau d’occulter la racine statistique pour ne regarder que la feuille terminale.
  • Les diagrammes d’icônes (Icon Arrays) : Considérés aujourd’hui comme l’étalon-or de la communication du risque médical et assurantiel, les diagrammes d’icônes consistent à représenter une matrice de silhouettes humaines stylisées (typiquement un bloc de 1 000 figurines). Les malades y sont colorés en rouge, les individus sains en gris, et les faux positifs sont surlignés par un contour distinct. L’observateur n’a plus besoin d’élaborer une représentation probabiliste abstraite : son cortex visuel primaire saisit en une fraction de seconde la disproportion entre l’infime îlot de malades réels et la nébuleuse de faux signaux périphériques.

Ces technologies visuelles opèrent une véritable décharge cognitive sur la mémoire de travail de l’opérateur. En matérialisant spatialement le taux de base, elles privent le Système 1 de la possibilité d’opérer son escamotage habituel par représentativité.

11.2 Entraînement métacognitif et débiaisage individuel

Au-delà de la manipulation des interfaces d’affichage, la psychologie de la décision s’est efforcée d’équiper les analystes, les praticiens et les magistrats de protocoles de vigilance métacognitive. L’une des approches les plus puissantes recommandées par Daniel Kahneman lui-même réside dans la technique de basculement vers ce qu’il a conceptualisé sous le terme d’« optique externe » (the outside view) par opposition à l’« optique interne » (the inside view).

Face à une prévision stratégique – par exemple, évaluer la durée de développement d’un nouveau produit d’ingénierie, les chances de succès d’une fusion d’entreprises ou la culpabilité d’un suspect –, l’esprit humain plonge spontanément dans l’optique interne : il analyse les caractéristiques uniques du projet, le talent des équipes engagées, l’enthousiasme des parties prenantes, c’est-à-dire l’information individualisante et descriptive. L’entraînement métacognitif contraint l’analyste à faire exactement l’inverse :

  1. Interdiction formelle de scruter le cas individuel dans un premier temps : L’analyste doit débuter sa mission en occultant délibérément le dossier de Jack, le business plan de la start-up ou les résultats biométriques du suspect.
  2. Identification rigoureuse de la classe de référence appropriée : Déterminer à quel ensemble d’événements passés comparables ce cas appartient (par exemple : « Quel est le pourcentage historique d’avocats versus d’ingénieurs dans cette communauté ? » ou « Quel est le taux de dépassement budgétaire médian pour des chantiers d’infrastructure similaires ? »).
  3. Ancrage indéfectible sur le taux de base de la classe de référence : Ce taux constitue le point d’ancrage objectif indéboulonnable à partir duquel l’estimation doit obligatoirement débuter.
  4. Ajustement marginal contingent et conservateur : L’information spécifique et individualisante n’est réintroduite qu’à l’ultime étape, et n’est autorisée qu’à moduler à la marge le taux de base sans jamais l’éradiquer complètement, à moins d’apporter une valeur de preuve diagnostique quasi infinie.

Néanmoins, la recherche empirique souligne avec lucidité les limites inhérentes à ces entraînements pédagogiques. Même des professeurs émérites de biostatistiques ou de logique déductive demeurent vulnérables à l’illusion de représentativité dans leur vie quotidienne dès lors que leur attention se relâche ou que l’urgence temporelle contraint le système cognitif à céder le contrôle au flux spontané du Système 1.

12. Postérité épistémologique et pertinence dans l’ère de l’intelligence artificielle

12.1 L’héritage de Tversky et Kahneman dans l’économie comportementale moderne

L’expérimentation de la négligence du taux de base de 1973 et ses ramifications théoriques ont constitué l’étincelle matricielle qui a embrasé l’édifice de l’orthodoxie économique. En pulvérisant la fiction de l’agent bayésien parfait, Kahneman et Tversky ont posé les fondations sur lesquelles s’est bâtie l’économie comportementale (Behavioral Economics), discipline couronnée par le prix de la Banque de Suède en sciences économiques en mémoire d’Alfred Nobel attribué à Daniel Kahneman en 2002 (Amos Tversky étant décédé prématurément en 1996) puis à Richard Thaler en 2017.

La compréhension de ces mécanismes heuristiques a permis de modéliser avec une acuité sans précédent les anomalies de marchés, la formation des bulles spéculatives et la persistance des paniques financières. Les investisseurs individuels et institutionnels reproduisent à l’envi l’expérience des ingénieurs et des avocats : ils se focalisent sur la trajectoire spectaculaire d’une entreprise innovante présentant les attributs narratifs archétypaux de la prochaine révolution technologique (le profil de Jack version Silicon Valley), en occultant de manière totale et irrationnelle le taux de base historique d’échec des start-ups dans le secteur considéré. En intégrant ces biais probabilistes au sein de fonctions de décision plus réalistes – consolidées ultérieurement par la théorie des perspectives (Prospect Theory) –, les sciences économiques sont passées d’une modélisation utopique du choix à une science empirique décrivant la rationalité contextuelle et vulnérable des acteurs réels.

12.2 La modélisation computationnelle et les algorithmes d’apprentissage automatique

Au XXIe siècle, l’héritage de l’expérience de la négligence du taux de base trouve un écho d’une stupéfiante modernité dans le déploiement des architectures d’intelligence artificielle et d’apprentissage automatique (Machine Learning). De prime abord, on pourrait concevoir l’ordinateur comme la machine computationnelle pure par essence, immunisée contre les égarements intuitifs propres à la psyché humaine. La réalité algorithmique s’avère infiniment plus nuancée.

Dans les faits, les réseaux de neurones profonds (Deep Neural Networks) non supervisés ou entraînés sur des données brutes souffrent fréquemment d’une pathologie computationnelle qui n’est autre que la transposition mathématique de la négligence du taux de base. Lorsqu’un modèle de vision par ordinateur ou d’analyse du langage naturel est exposé à un jeu de données fortement asymétrique (class imbalance problem), l’algorithme a naturellement tendance à sur-pondérer les signaux de surface et les corrélations stéréotypiques locales présentes dans les vecteurs d’entrée au détriment de la distribution a priori des classes cibles, aboutissant à des taux d’aberration colossaux lors de l’inférence en conditions réelles.

C’est précisément pour vacciner les machines contre cette forme artificielle de représentativité que l’architecture des réseaux bayésiens et les méthodes d’apprentissage par régularisation imposent explicitement l’injection de priors probabilistes informés et inaltérables dans le code algorithmique. Ces garde-fous contraignent le réseau à peser ses découvertes contextuelles à l’aune de la réalité démographique des événements.

Mais la frontière la plus critique demeure l’interaction homme-machine (l’orchestration des systèmes experts décisionnels par des opérateurs humains). Qu’il s’agisse de logiciels d’aide au diagnostic radiologique, d’algorithmes de prédiction de récidive judiciaire (tels que le système COMPAS aux États-Unis) ou de dispositifs automatisés de détection des fraudes bancaires, l’analyste humain commet invariablement la même faute cognitive : soit il rejette les métriques d’incertitude bayésiennes calculées par la machine pour s’en remettre à son jugement clinique stéréotypé, soit il fait preuve d’une « complaisance algorithmique » aveugle en omettant d’adapter les recommandations de l’IA aux taux de base de la population locale sous examen.

Cinquante ans après la publication des protocoles de Jack et de Dick, l’expérience princeps de Kahneman et Tversky continue de résonner avec une puissance épistémologique intacte. Elle rappelle à l’humanité que la lucidité statistique n’est pas un attribut inné de la conscience, mais une conquête laborieuse de la méthode, qui exige de dépasser la séduction rassurante de nos stéréotypes pour embrasser la froide et silencieuse vérité des lois de Bayes.

Références

★

Rate This Content

5.0 / 5 • 1 vote

Citer cet article

Looti, M. (2026, septembre 10). Expérience – Amos Tversky et Daniel Kahneman L’expérience de la négligence du taux de base. Base de données de psychologie en français. https://fr.arabpsychology.com/experiments/experience-amos-tversky-daniel-kahneman-negligence-taux-de-base/
Looti, Mohammed. “Expérience – Amos Tversky et Daniel Kahneman L’expérience de la négligence du taux de base.” Base de données de psychologie en français, 10 septembre 2026, https://fr.arabpsychology.com/experiments/experience-amos-tversky-daniel-kahneman-negligence-taux-de-base/.
Looti, Mohammed. “Expérience – Amos Tversky et Daniel Kahneman L’expérience de la négligence du taux de base.” Base de données de psychologie en français. septembre 10, 2026. https://fr.arabpsychology.com/experiments/experience-amos-tversky-daniel-kahneman-negligence-taux-de-base/.