Qu’est-ce que le biais de constatation ?

Dans l’édifice de la méthode scientifique contemporaine, l’inférence statistique repose sur un postulat fondamental et souvent tacite : l’échantillon observé constitue un miroir fidèle, quoique réduit, de la population sous-jacente que le chercheur ambitionne de théoriser. Lorsque cette correspondance spéculaire se brise, les conclusions tirées de l’observation empirique cessent de refléter les lois intrinsèques du phénomène étudié pour ne traduire que les particularités de son dispositif de saisie. Parmi les distorsions qui menacent la validité des sciences biomédicales, sociales et comportementales, le biais de constatation — traditionnellement désigné dans la littérature anglo-saxonne sous le terme d’ascertainment bias — figure parmi les plus insidieux et les plus lourds de conséquences épistémiques.

Ce biais méthodologique advient lorsque la probabilité qu’un individu, un événement ou un cas pathologique soit inclus dans une base de données observationnelle dépend de caractéristiques intrinsèques qui sont elles-mêmes corrélées à la variable d’intérêt ou au critère de jugement principal. Loin d’être un simple aléa d’échantillonnage réductible par l’accroissement mécanique de la taille de l’échantillon, le biais de constatation altère structurellement la structure de probabilité conjointe des données. En génétique clinique, en épidémiologie psychiatrique, dans l’évaluation des politiques publiques ou lors de l’apprentissage automatique appliqué aux données massives de santé, il engendre des illusions d’agrégation familiale, magnifie artificiellement la prévalence de formes sévères et conduit à l’établissement de relations causales fallacieuses.

Comprendre la nature, les ramifications et les correctifs du biais de constatation nécessite une traversée conjointe de la théorie des probabilités, de la sociologie de la santé, de l’épistémologie de la mesure et de la modélisation statistique avancée. Cet article propose une déconstruction exhaustive de ce phénomène : depuis ses racines théoriques forgées au début du XXe siècle jusqu’aux défis contemporains posés par les algorithmes prédictifs et les mégadonnées, en passant par l’analyse détaillée des mécanismes institutionnels, cliniques et comportementaux qui distordent la réalité observée.

1. Définition et fondements théoriques du biais de constatation

1.1 Origine conceptuelle et définition statistique

D’un point de vue purement formel, le biais de constatation se définit comme une déviation systématique de la distribution des variables au sein de l’échantillon analysé par rapport à la distribution théorique de ces mêmes variables dans la population cible, cette déviation résultant directement des mécanismes par lesquels les unités statistiques sont identifiées, diagnostiquées ou recrutées. Contrairement à une erreur de mesure aléatoire qui accroît la variance sans déplacer l’espérance, le biais de constatation affecte le premier moment de la distribution : l’espérance mathématique de l’estimateur empirique diverge irrémédiablement de la valeur réelle du paramètre populationnel que l’on cherche à inférer.

La genèse de ce concept s’enracine profondément dans l’histoire de la génétique statistique et de l’épidémiologie clinique du premier tiers du XXe siècle. Dès les travaux pionniers de Wilhelm Weinberg en 1912 sur la transmission des tares héréditaires, puis les formalisations mathématiques rigoureuses de Ronald Fisher dans les années 1930, les statisticiens ont été confrontés à un paradoxe récurrent : lorsqu’une anomalie génétique récessive rare est étudiée au sein de fratries, le fait d’identifier les familles exclusivement à partir d’au moins un enfant atteint gonfle mécaniquement la proportion observée d’individus affectés. Si les fratries au sein desquelles les deux parents sont hétérozygotes mais dont aucun enfant n’exprime le phénotype sont ignorées — car indétectables par la clinique —, la ségrégation mendélienne théorique de 25 % se trouve artificiellement surévaluée dans les données brutes.

Sur le plan conceptuel, il est dès lors impératif d’opérer une distinction rigoureuse entre la probabilité d’occurrence d’un état ou d’un trait au sein d’une population (qui est un paramètre ontologique de nature biologique ou sociologique) et la probabilité de son identification par l’observateur (qui relève de l’épistémologie de la saisie). Soit $Y$ une variable binaire indiquant la présence ($Y=1$) ou l’absence ($Y=0$) d’une pathologie, et soit $C$ une variable indicatrice de constatation, où $C=1$ désigne l’inclusion dans l’étude et $C=0$ l’omission. La représentativité statistique parfaite postule que la probabilité d’inclusion conditionnelle est constante :

$$P(C = 1 mid Y = 1, X) = P(C = 1 mid Y = 0, X) = P(C = 1)$$

Dès l’instant où cette condition d’indépendance conditionnelle est violée — c’est-à-dire dès lors que la probabilité d’être constaté varie en fonction de la présence de la maladie ou de covariables $X$ liées à celle-ci —, l’inférence statistique standard s’effondre. Le biais de constatation correspond précisément à cette rupture d’homogénéité du processus d’échantillonnage.

1.2 Le mécanisme central : rupture de l’équiprobabilité d’inclusion

Le socle théorique de l’échantillonnage aléatoire simple repose sur l’équiprobabilité d’inclusion : chaque individu appartenant au cadre de tirage possède une probabilité strictement égale et non nulle d’appartenir à l’échantillon final. Le biais de constatation constitue une violation caractérisée de ce principe, introduisant une asymétrie de sélection qui échappe souvent au contrôle direct de l’investigateur. Plusieurs facteurs concourent à briser cette équiprobabilité, notamment la sévérité phénotypique, l’accès aux réseaux de diagnostic spécialisés, l’expression clinique polymorphe et les seuils d’alerte institutionnels.

Cette asymétrie modifie la fonction de densité de probabilité conjointe des données. Lorsqu’un sous-groupe d’individus possède une probabilité de sélection disproportionnellement élevée en raison de la présence simultanée de deux traits distincts, le chercheur observe une corrélation fallacieuse entre ces traits. Ce phénomène dégrade l’estimation des paramètres fondamentaux : les coefficients de régression, les risques relatifs et les rapports de cotes (odds ratios) ne reflètent plus les mécanismes biologiques ou psychosociaux sous-jacents, mais deviennent des artefacts de la fonction de sélection $P(C=1 mid Y, X)$.

D’un point de vue analytique, cette rupture s’apparente aux situations de censure informative et de sélection tronquée bien documentées dans l’analyse de survie et l’économétrie. La troncature à gauche se manifeste lorsque les sujets ne deviennent éligibles à l’observation qu’après avoir franchi un certain seuil de sévérité ou un événement intermédiaire (comme une hospitalisation). Les individus qui décèdent avant d’atteindre ce seuil, ou ceux dont l’expression pathologique demeure infraliminique, sont systématiquement tronqués de la base d’analyse. En ignorant cette troncature informative, l’analyste conditionne implicitement ses estimations sur un sous-ensemble non représentatif, générant une vision substantiellement faussée de la dynamique temporelle et clinique du phénomène.

1.3 Distinctions avec les concepts méthodologiques voisins

Pour préserver la clarté taxonomique de la méthodologie quantitative, il est indispensable de distinguer le biais de constatation des autres écueils d’échantillonnage qui jalonnent la recherche expérimentale et observationnelle. Une confusion fréquente persiste entre le biais de constatation et le biais de détection. Ce dernier désigne spécifiquement une asymétrie dans la performance des méthodes diagnostiques ou d’évaluation entre deux groupes comparés : par exemple, lorsqu’un groupe exposé à un traitement subit une surveillance biologique deux fois plus fréquente que le groupe témoin, conduisant mécaniquement à identifier davantage d’événements indésirables chez les exposés. Le biais de constatation est plus large : il concerne la probabilité différentielle qu’une unité statistique fasse partie de l’échantillon d’analyse, indépendamment de la sensibilité de l’outil d’évaluation mobilisé après inclusion.

De même, le biais de constatation constitue une sous-classe spécifique au sein de la vaste catégorie des biais de sélection. Alors que le biais de sélection englobe tout phénomène altérant l’invariance de l’échantillonnage (incluant le biais d’attrition où les sujets quittent l’étude en cours de suivi selon des motifs corrélés au traitement), le biais de constatation opère spécifiquement lors de la phase initiale de repérage et de capture des cas au sein de la population. Il se distingue également du biais de déclaration (ou d’autodéclaration), qui relève de l’exactitude de l’information transmise par le sujet interrogé (désirabilité sociale, oubli rétrospectif), alors que le biais de constatation peut survenir en présence d’une mesure clinique parfaitement objective mais appliquée à un échantillon intrinsèquement non représentatif.

Enfin, la frontière avec le biais du volontaire (ou de l’auto-sélection) mérite d’être soulignée : si le biais du volontaire décrit la propension des individus possédant certains traits psychologiques ou sociaux (altruisme, niveau d’éducation supérieur, curiosité intellectuelle) à participer spontanément à des études, le biais de constatation englobe également des mécanismes structurels, institutionnels et médicaux totalement indépendants de la volonté ou de l’initiative du sujet, tels que les pratiques d’adressage hospitalier ou les seuils d’intervention assurantiels.

2. Les mécanismes générateurs du biais dans la collecte de données

2.1 Disparités socio-économiques et barrières d’accès

L’accès aux structures d’évaluation scientifique ou de diagnostic médical spécialisé n’est pas distribué de façon homogène au sein du corps social. Les disparités socio-économiques constituent l’un des moteurs les plus puissants du biais de constatation. En premier lieu, les coûts financiers directs — même au sein de systèmes de santé universels, qui laissent souvent à charge des honoraires complémentaires ou des consultations de neuropsychologie libérale non remboursées — et indirects (frais de transport, perte de journées de travail non indemnisées, garde d’enfants) opèrent un tri systématique des participants aux protocoles de recherche.

La fracture géographique renforce cette asymétrie : les centres hospitalo-universitaires et les instituts de recherche avancée sont majoritairement implantés dans les grandes métropoles urbaines. Les populations rurales ou issues de territoires périurbains défavorisés subissent une friction spatiale majeure qui réduit drastiquement leur probabilité d’être constatées dans les cohortes cliniques. L’éloignement physique agit comme un filtre sélectif : seuls les individus disposant d’un réseau de soutien logistique robuste ou présentant des situations de détresse médicale absolue parviennent à franchir les portes de ces structures d’excellence.

À ces freins matériels s’ajoute l’impact déterminant de la littératie en santé et du niveau d’éducation formelle. Les individus dotés d’un capital culturel élevé sont infiniment plus enclins à identifier des symptômes débutants, à naviguer efficacement dans les arcanes administratifs des filières de soins tertiaires et à solliciter des avis d’experts. En conséquence, les cohortes d’études longitudinales présentent un effet de classe massif : les couches socio-économiques favorisées y sont chroniquement surreprésentées, faussant l’évaluation des déterminants sociaux de la santé et créant l’illusion que certaines conditions complexes constituent des « pathologies d’initiés » ou de classes aisées.

2.2 Filtres institutionnels et procédures de recrutement

Les procédures formelles régissant la conduite des études cliniques et translationnelles constituent un deuxième foyer majeur de distorsion. Dans la quête légitime d’une validité interne maximale, les protocoles expérimentaux multiplient les critères d’admissibilité stricts : exclusion des comorbidités somatiques, des antécédents d’addiction, de la prise concomitante de psychotropes ou de variations cognitives non directement liées à l’objet de recherche. Cette sélection produit un profil de participant « chimiquement pur » mais statistiquement atypique, totalement déconnecté de la réalité clinique observée en médecine générale ou en pratique de ville.

Par ailleurs, le recrutement exclusif au sein de centres de référence hospitaliers spécialisés (soins tertiaires ou quaternaires) sélectionne par définition les cas les plus réfractaires aux traitements de première intention ou ceux présentant des configurations syndromiques particulièrement complexes. Ce phénomène d’aiguillage préférentiel repose sur le rôle des praticiens référents : un médecin généraliste n’oriente vers un institut universitaire qu’une infime fraction de sa patientèle, caractérisée par une atypicité diagnostique ou une résistance thérapeutique prononcée. Les chercheurs qui analysent les données colligées dans ces centres spécialisés travaillent dès lors sur un échantillon hautement tronqué, projetant sur l’ensemble des patients atteints de l’affection des propriétés qui ne caractérisent que cette frange extrême.

2.3 Facteurs psychologiques et motivationnels à l’engagement

L’engagement d’un individu dans un parcours diagnostique ou dans un protocole de recherche observationnelle dépend intimement de dynamiques psychologiques et de déterminants motivationnels variables. La motivation intrinsèque à participer à une étude est souvent décuplée chez les individus souffrant d’une symptomatologie chronique inexpliquée : la recherche d’une dénomination médicale, d’une écoute spécialisée ou d’une alternative thérapeutique agit comme un puissant incitatif personnel. Ce besoin d’étiquetage diagnostique pousse sélectivement les sujets les plus symptomatiques ou les plus angoissés vers les dispositifs de recherche, tandis que les individus présentant des formes paucisymptomatiques demeurent indifférents aux appels à volontaires.

À l’opposé du spectre motivationnel, la stigmatisation perçue constitue un facteur puissant d’évitement. Dans le champ de la santé mentale, de l’infectiologie (comme le VIH ou les hépatites virales) ou de l’addictologie, la crainte du jugement sociétal, des répercussions professionnelles ou de la rupture d’anonymat conduit une frange considérable des personnes atteintes à dissimuler leur état et à refuser toute inscription dans des cohortes institutionnelles. Ce retrait engendre une sous-constatation massive des individus vulnérables ou marginalisés.

De surcroît, le « paradoxe des volontaires », mis en lumière par le psychologue Robert Rosenthal, démontre que les sujets qui se portent volontaires pour la recherche scientifique présentent systématiquement des traits de personnalité particuliers : extraversion plus marquée, plus haut niveau d’altruisme social, besoin d’approbation plus prononcé et ouverture à l’expérience supérieure à la moyenne. Enfin, la méfiance historique et structurelle nourrie par certaines minorités ethniques ou populations précarisées à l’égard de l’institution médicale — alimentée par des décennies d’abus éthiques ou de discriminations vécues — restreint drastiquement leur représentativité dans les registres épidémiologiques contemporains.

3. Manifestations du biais de constatation en recherche psychologique et psychiatrique

3.1 L’illusion clinique et la distorsion des comorbidités

L’un des impacts les plus spectaculaires du biais de constatation en psychopathologie réside dans la surestimation chronique des associations morbides, un phénomène théorisé sous le concept de paradoxe de Berkson (ou biais d’admission de Berkson). Joseph Berkson a démontré mathématiquement en 1946 que lorsque deux maladies indépendantes augmentent chacune la probabilité d’une hospitalisation, l’observation de la population hospitalière fait apparaître une corrélation statistique positive entre ces deux affections, même si elles sont strictement indépendantes à l’échelle de la population générale.

En psychiatrie clinique, ce mécanisme s’illustre avec acuité dans l’étude des liens entre le trouble dépressif majeur et les troubles anxieux généralisés. Un individu présentant un épisode dépressif isolé peut différer sa consultation médicale ; de même, un individu éprouvant une anxiété modérée peut s’adapter fonctionnellement. En revanche, la coexistence synchrone de ces deux troubles entraîne une dégradation fonctionnelle majeure, précipitant le recours aux urgences psychiatriques ou aux consultations hospitalières. En recrutant exclusivement leurs cohortes au sein de ces structures de soins, les psychiatres et psychologues cliniciens constatent une quasi-systématique co-occurrence des deux syndromes, concluant hâtivement à une étiologie commune ou à une règle psychopathologique fondamentale, là où n’opère qu’un biais d’admission sélective.

La comparaison systématique des profils cliniques issus de cohortes hospitalières avec ceux de grandes enquêtes épidémiologiques communautaires (telles que les études de santé mentale en population générale) révèle des écarts vertigineux. En milieu communautaire, les formes isolées, bénignes et fluctuantes représentent la grande majorité du paysage nosographique. Généraliser à partir des cas extrêmes rencontrés en consultation spécialisée conduit le praticien à une distorsion du pronostic : il prédit une chronicisation et une résistance thérapeutique qui ne concernent en réalité qu’une minorité hautement sélectionnée.

3.2 Surreprésentation des formes sévères et atypiques

La recherche clinique en psychopathologie souffre d’un biais d’observation centripète : les structures universitaires attirent presque exclusivement les profils syndromiques les plus bruyants et les plus déstructurants. Cette concentration produit une sous-évaluation structurelle des trajectoires subcliniques, des formes en rémission spontanée et des présentations atténuées. Ce biais imprègne l’ensemble de la littérature sur les troubles de la personnalité : la description sémiologique historique du trouble de la personnalité borderline ou du trouble narcissique a été quasi exclusivement élaborée à partir d’individus institutionnalisés, judiciarisés ou présentant de sévères passages à l’acte auto- ou hétéro-agressifs.

Ce filtre déforme en profondeur la nosographie. Les manuels diagnostiques successifs (DSM et CIM) ont longtemps intégré des critères de sévérité comportementale extrême au sein même de la définition de ces entités cliniques, omettant les millions d’individus fonctionnels répondant pourtant aux critères structuraux sous-jacents sans jamais franchir le seuil d’une prise en charge psychiatrique lourde. De la même façon, l’évaluation de la résistance aux psychothérapies se trouve lourdement biaisée : en évaluant l’efficacité des interventions psychologiques sur des cohortes saturées en échecs thérapeutiques préalables et en multimorbidités complexes, les essais randomisés peuvent sous-estimer considérablement l’efficacité potentielle de ces mêmes approches lorsqu’elles sont appliquées précocement à des formes non sélectionnées par l’usure institutionnelle.

3.3 Biais de genre et stéréotypes diagnostiques

Le biais de constatation s’entrelace intimement avec les stéréotypes de genre, altérant profondément l’épidémiologie descriptive de nombreux troubles neurodéveloppementaux et psychiatriques. Le trouble du spectre de l’autisme (TSA) en offre l’une des démonstrations les plus frappantes. Historiquement, le ratio de prévalence garçons/filles était estimé à environ 4:1, voire 10:1 dans l’autisme sans déficience intellectuelle. Cette estimation reposait sur des cohortes d’individus constatés selon des critères comportementaux externalisés (stéréotypies motrices visibles, agressivité, intérêts restreints mécaniques ou techniques standardisés).

Or, les recherches contemporaines ont mis en évidence l’ampleur du phénomène de camouflage social chez les femmes autistes, qui développent des stratégies d’adaptation cognitive masquant leurs difficultés en société. Parce que les outils diagnostiques initiaux ont été calibrés sur des garçons identifiés en clinique spécialisée, les femmes ont été massivement sous-constatées, n’accédant au diagnostic qu’à l’âge adulte à la suite de décompensations anxio-dépressives sévères. Le ratio réel de prévalence, mesuré dans des populations dépistées de manière active et universelle, tend désormais à se rapprocher de 2:1 ou 3:1.

À l’inverse, l’expression clinique de la dépression masculine est victime d’une sous-identification structurelle. Les hommes expriment plus fréquemment leur souffrance psychique par l’irritabilité, l’externalisation de la colère, la prise de risque ou l’abus de substances — autant de manifestations traditionnellement exclues des grilles standardisées d’évaluation dépressive. Par conséquent, les cohortes d’études sur la dépression sont composées majoritairement de femmes, renforçant la conviction clinique que la pathologie est fondamentalement féminine et perpétuant un biais circulaire de constatation.

Une asymétrie symétrique prévaut dans les troubles des conduites alimentaires (TCA) : l’anorexie mentale et la boulimie ont été théorisées presque exclusivement sur des populations de jeunes femmes adolescentes blanches de milieu aisé, rendant les hommes et les personnes issues de minorités ethnoculturelles invisibles aux yeux des cliniciens et des chercheurs.

3.4 Évaluation du neurodéveloppement et milieu scolaire

L’école agit comme l’un des premiers tamis institutionnels de sélection pour la recherche sur le neurodéveloppement de l’enfant. L’exemple du trouble du déficit de l’attention avec ou sans hyperactivité (TDAH) est emblématique de cette dynamique de constatation asymétrique. Dans les structures scolaires, la demande d’évaluation médicale émane prioritairement du corps enseignant lorsque le comportement de l’élève perturbe la gestion collective de la classe. Ce filtre opérationnel conduit à un sur-recrutement d’enfants manifestant une hyperactivité motrice et une impulsivité marquée, caractéristiques plus fréquemment observées chez les jeunes garçons.

Les enfants présentant un TDAH à prédominance inattentive — qui se caractérise par une distractibilité interne, une lenteur d’exécution et une rêverie diurne sans tapage comportemental — passent très largement inaperçus dans les flux de signalement scolaire. Non repérés par les enseignants, ils ne sont pas adressés aux consultations de neuropédiatrie ou de pédopsychiatrie et sont de facto exclus des cohortes de recherche fondamentale en neuro-imagerie ou en génétique. Les données scientifiques accumulées sur le TDAH ont donc longtemps décrit un phénotype d’hyperactivité turbulente, négligeant les mécanismes cognitifs de l’inattention pure.

En outre, le capital socio-économique des parents module puissamment cette chaîne de constatation : les familles favorisées disposent des ressources temporelles, culturelles et financières nécessaires pour contourner les délais des centres publics et solliciter des bilans neuropsychologiques privés onéreux. Ce gradient socio-économique produit un biais de détection criant : les cohortes d’enfants diagnostiqués avec un TDAH ou des troubles spécifiques des apprentissages (dyslexie, dyspraxie) dans les centres experts affichent une prédominance anormale de milieux socioculturels élevés, masquant la réalité du fardeau neurodéveloppemental dans les zones d’éducation prioritaires.

4. Le biais de constatation en génétique comportementale et études familiales

4.1 Le rôle du probant et l’effet de grappe intrafamiliale

Dans l’histoire de la génétique quantitative et comportementale, le biais de constatation constitue le premier écueil méthodologique identifié par les biométriciens. Le fondement de l’enquête familiale repose sur l’identification d’un individu atteint — désigné sous le terme technique de probant (ou propositus, index case) — à partir duquel l’ensemble de la parentèle ascendante, descendante et collatérale est recruté et génotypé. Si l’inclusion d’une famille au sein de l’étude est conditionnée par l’existence d’au moins un membre affecté, l’échantillon des familles n’est plus représentatif de la distribution réelle des génotypes au sein de la population.

Ce mécanisme engendre une augmentation artificielle de la concentration de cas secondaires chez les apparentés. Les familles comportant plusieurs individus malades possèdent une probabilité mathématiquement supérieure d’attirer l’attention des cliniciens ou de répondre à des appels à projets que les familles ne comportant qu’un seul membre isolé. De surcroît, le biais de signalement s’ajoute à cette distorsion structurelle : un probant issu d’une lignée où plusieurs membres sont déjà identifiés comme malades rapportera ses antécédents familiaux avec une complétude et une précision infiniment supérieures à celles d’un sujet issu d’une famille où la maladie est méconnue ou tue.

En épidémiologie génétique formelle, on distingue trois régimes d’échantillonnage de constatation :

• La constatation complète (complete ascertainment) : chaque individu atteint au sein de la population cible possède une probabilité égale à 1 d’être identifié. Dans cette hypothèse idéale (très rarement réalisée en pratique), les probabilités de sélection des familles dépendent linéairement du nombre d’individus atteints.
• La constatation simple (single ascertainment) : la probabilité d’identification d’un individu atteint $\pi$ est infinitésimale ($\pi to 0$). Par conséquent, la probabilité qu’une famille soit recrutée via plus d’un probant est virtuellement nulle ; chaque famille sélectionnée ne contient rigoureusement qu’un seul probant indépendant.
• La constatation tronquée ou multiple (truncate/multiple ascertainment) : situation générale intermédiaire où la probabilité de détection $\pi$ est comprise strictement entre 0 et 1. Plusieurs membres d’une même famille peuvent agir indépendamment comme probants, exigeant une modélisation explicite de $\pi$ pour chaque fratrie.

4.2 Surestimation de l’héritabilité des phénotypes psychologiques

L’omission de la correction du biais de constatation a historiquement conduit à une inflation substantielle des estimations d’héritabilité ($h^2$) pour de nombreux traits complexes et affections psychiatriques, telles que la schizophrénie, le trouble bipolaire ou l’intelligence mesurée par le quotient intellectuel. Le calcul classique de l’héritabilité au sens large compare la covariance phénotypique au sein de paires de jumeaux monozygotes (MZ) à celle observée chez des jumeaux dizygotes (DZ). Or, le mode de recrutement des paires gémellaires a longtemps reposé sur des annonces publiques ou des registres hospitaliers.

Dans ce cadre observationnel, les paires de jumeaux concordantes pour une maladie ou un trait comportemental saillant ont une probabilité bien plus élevée d’être portées à la connaissance des investigateurs que les paires discordantes (dont un seul membre est atteint). Cette asymétrie de capture gonfle artificiellement la concordance phénotypique, particulièrement chez les jumeaux monozygotes qui partagent 100 % de leur patrimoine génétique et présentent souvent des phénotypes plus sévères lorsqu’ils sont atteints simultanément. En traitant ces échantillons comme s’ils résultaient d’un tirage au sort dans la population générale, les chercheurs ont fréquemment confondu l’agrégation familiale artificielle induite par le mode de recrutement avec une véritable déterminisme génétique sous-jacent.

De plus, cette distorsion entretient une confusion inextricable entre l’action des facteurs environnementaux partagés et la vulnérabilité génétique additive. En sélectionnant préférentiellement des familles « à haute densité pathologique », l’investigateur enrichit son échantillon en expositions environnementales délétères cumulées (traumatismes intrafamiliaux, précarité chronique, stress toxique) qui covarient avec le risque biologique, compromettant ultérieurement la puissance et la réplicabilité des études d’association pangénomique (GWAS) ciblant des polymorphismes mononucléotidiques (SNP).

4.3 Méthodes historiques et contemporaines d’ajustement génétique

Pour contrer cette distorsion fondamentale, la génétique quantitative a élaboré des outils statistiques correctifs d’une rigueur mathématique remarquable. Le premier de ces dispositifs historiques est la méthode de la fratrie de Weinberg (Weinberg’s Proband Method). Pour neutraliser le fait que la famille n’a été découverte que grâce à la présence du probant, Weinberg a posé une règle élémentaire mais féconde : il convient de retirer impérativement le probant lui-même du calcul de la proportion d’individus atteints au sein de la fratrie. La proportion mendélienne est alors estimée uniquement sur les collatéraux du propositus :

$$\hat{p} = \frac{\sum r_i (r_i – 1)}{\sum r_i (s_i – 1)}$$

où $s_i$ représente la taille totale de la $i$-ème fratrie et $r_i$ le nombre d’individus atteints dans cette fratrie sous constatation complète.

Par la suite, Ronald A. Fisher a perfectionné ce cadre en formulant le modèle de la distribution binomiale tronquée. Dans l’échantillonnage familial, les fratries ne comportant aucun enfant malade ($r=0$) ne peuvent être observées. Fisher a établi que la vraisemblance statistique devait être conditionnée sur le fait d’observer au moins un enfant atteint, modifiant la fonction de probabilité classique par la division par $1 – (1-p)^s$, où $p$ est la probabilité de ségrégation et $s$ la taille de la fratrie.

À l’ère de la génomique contemporaine et des études GWAS, ces corrections s’incarnent dans les techniques d’estimation par vraisemblance conditionnelle. Lorsque les études cas-témoins surreprésentent massivement les cas pathologiques par rapport aux témoins pour optimiser la puissance statistique de détection allélique, les modèles doivent intégrer le ratio de constatation pour recalculer les scores de risque polygénique (PRS) sur l’échelle de responsabilité sous-jacente (liability scale). Sans ces transformations mathématiques correctives, la variance phénotypique expliquée par les variants génétiques serait systématiquement surestimée, conduisant à des extrapolations erronées en médecine prédictive personnalisée.

5. Illustrations concrètes en épidémiologie et santé publique

5.1 Estimation trompeuse de la prévalence des pathologies chroniques

L’estimation de la prévalence et de l’incidence des pathologies chroniques non transmissibles (affections cardiovasculaires, diabète de type 2, démences neurodégénératives, maladies auto-immunes) offre un terrain d’observation privilégié des ravages du biais de constatation. Si un système de veille épidémiologique s’appuie exclusivement sur les données hospitalières ou sur les bases médico-administratives de remboursement de soins pour évaluer la fréquence d’une maladie au sein d’une nation, les estimations produites ne reflètent que la fraction émergée de l’iceberg étiologique.

Ce mécanisme engendre le mirage sociologique de la « pathologie des nantis ». Dans les régions ou pays où l’accès à l’imagerie cérébrale par résonance magnétique (IRM) ou aux biomarqueurs du liquide céphalorachidien est conditionné par un niveau élevé de couverture assurantielle ou une proximité géographique avec les métropoles, la maladie d’Alzheimer ou la sclérose en plaques semblent frapper de manière disproportionnée les segments les plus fortunés de la société. En réalité, cette observation traduit une asymétrie de constatation diagnostique : les populations résidant dans les déserts médicaux ou les zones de précarité décèdent fréquemment avec des tableaux de démence sénile non spécifiée ou de perte d’autonomie motrice sans qu’aucun codage nosologique précis n’ait jamais été consigné dans les registres officiels.

Il en résulte une distorsion dramatique des cartes épidémiologiques régionales et nationales. Les décideurs publics, trompés par ces données de prévalence brute apparente, sont conduits à allouer prioritairement les ressources sanitaires et les financements d’infrastructures médico-sociales dans les bassins de population où la maladie est la plus visiblement constatée, renforçant le cercle vicieux de l’abandon institutionnel des territoires marginalisés.

5.2 Biais d’auto-sélection dans les campagnes de dépistage volontaire

Les campagnes de santé publique reposant sur l’adhésion volontaire des citoyens — qu’il s’agisse du dépistage organisé du cancer colorectal, des bilans de santé cardiovasculaire gratuits ou des études de séroprévalence lors d’épidémies émergentes — sont structurellement vulnérables au biais de constatation par auto-sélection. Les cohortes formées par appel public recrutent préférentiellement une typologie sociologique bien documentée : le profil dit du sujet sain inquiet (ou worried well).

Ces participants sont généralement des individus asymptomatiques, dotés d’un niveau d’éducation supérieur, adoptant des comportements hygiéno-diététiques protecteurs (consommation de tabac marginale, activité physique régulière, régime alimentaire équilibré) et particulièrement vigilants quant à leur capital santé. À l’inverse, les segments de la population cumulant les facteurs de risque cardiovasculaire ou oncologique majeurs (isolement social, addictions, travail de nuit précarisé, stress chronique, évitement phobique du milieu médical) affichent un taux de non-participation massif.

Cette asymétrie de participation mine les évaluations de l’efficacité réelle des politiques de prévention en créant un biais d’immortalité apparente ou d’auto-sélection bienveillante. Si une cohorte de dépistage volontaire montre une mortalité à 5 ans nettement inférieure à celle de la population générale non dépistée, cette différence ne saurait être attribuée sans réserve au seul bénéfice de l’intervention clinique : elle traduit principalement la sous-représentation critique des sujets à très haut risque au sein de l’échantillon constaté.

5.3 Surveillance des pathologies en contextes captifs ou institutionnalisés

L’observation épidémiologique au sein de contextes dits « captifs » — tels que les établissements pénitentiaires, les centres de rétention, les unités psychiatriques fermées ou les Établissements d’hébergement pour personnes âgées dépendantes (EHPAD) — illustre la dynamique inverse : une hyper-constatation structurelle. Dans ces univers institutionnels fermés, les individus sont soumis à une surveillance médicale passive ou active continue, sans équivalent dans la vie civile ordinaire.

Un exemple frappant concerne l’évaluation de la prévalence des troubles de la personnalité antisociale ou des addictions sévères. En extrapolant directement les données épidémiologiques colligées en milieu carcéral à l’ensemble de la société, certains rapports publics ont dressé un portrait alarmiste de la santé mentale de sous-groupes démographiques. De surcroît, le fait d’être incarcéré accroît la probabilité qu’un trouble psychiatrique mineur soit étiqueté et consigné, tandis que le même comportement en milieu libre demeurerait sous le radar institutionnel. De la même manière, la concentration quasi universelle d’antécédents cardiovasculaires ou neurocognitifs enregistrés chez les résidents d’EHPAD reflète la rigueur du recueil soignant quotidien plutôt qu’une distribution représentative de la sénescence globale.

Enfin, l’usage des bases de données de remboursement médico-administratif nationales (comme le Système National des Données de Santé – SNDS en France) génère ses propres biais de constatation : une affection n’existe dans ces registres que si elle donne lieu à la prescription d’une molécule remboursée ou à une hospitalisation codée en Affection de Longue Durée (ALD). Les pans entiers de la morbidité traités en automédication ou gérés sans recours pharmaceutique direct disparaissent purement et simplement de la vision épidémiologique nationale.

6. Le biais de constatation dans les sondages d’opinion et l’évaluation des politiques

6.1 Enquêtes d’opinion publique et militantisme des répondants

Si le biais de constatation trouve son assise historique dans les sciences biomédicales, son mécanisme opère avec une virulence tout aussi déstabilisatrice dans le champ de la sociologie politique, de la démoscopie et de la mesure de l’opinion publique. Dès lors qu’une enquête consultative ou un sondage participatif ne garantit pas un tirage au sort probabiliste strict avec relance exhaustive des non-répondants, la constitution du panel repose sur l’auto-désignation des participants. Ce processus sélectionne de manière disproportionnée les individus situés aux extrémités du spectre idéologique ou ceux possédant un intérêt matériel direct dans la question posée.

Ce phénomène s’observe avec acuité lors des consultations publiques locales relatives aux politiques d’urbanisme, de transition écologique ou de fiscalité territoriale. Les citoyens qui acceptent de consacrer une heure de leur temps à remplir un registre d’enquête publique ou à participer à un forum participatif numérique sont très majoritairement des opposants résolus à un projet (syndrome Not In My Backyard – NIMBY) ou des militants investis. La vaste majorité silencieuse, modérée ou simplement indifférente, ne s’exprime pas, n’ayant pas d’intérêt immédiat à franchir le coût cognitif et temporel de la démarche.

L’utilisation d’enquêtes menées exclusivement sur les réseaux sociaux ou sur des sites d’actualité en ligne aggrave ce biais jusqu’à la caricature : ces dispositifs ne mesurent pas l’état réel de l’opinion publique, mais la capacité de mobilisation de minorités actives polarisées. Interpréter les résultats de ces consultations spontanées comme le reflet de la volonté populaire constitue une erreur épistémologique majeure de constatation, conduisant fréquemment les décideurs politiques à adopter des mesures disproportionnées pour apaiser des colères virtuelles ou satisfaire des demandes sectorielles hyper-visibles mais minoritaires.

6.2 Évaluation des programmes sociaux et sélection des usagers

Dans l’évaluation des politiques publiques et des programmes d’action sociale, le biais de constatation se matérialise sous la forme d’un processus administratif bien connu des sociologues de l’action publique : l’écrémage (ou creaming). Lorsqu’un organisme gestionnaire ou une agence d’insertion professionnelle est évalué et financé sur la base de ses indicateurs de réussite — par exemple le taux de retour à l’emploi durable de ses usagers à 6 mois —, les conseillers de terrain sont incités, consciemment ou inconsciemment, à recruter et accompagner les candidats les plus proches de l’autonomie, les mieux formés et les plus faciles à insérer.

Les individus en situation de très grande précarité, souffrant de troubles psychiatriques non stabilisés, de ruptures d’hébergement ou de freins linguistiques majeurs sont discrètement écartés du dispositif ou orientés vers des structures de relégation non évaluées. Lorsque les chercheurs en sciences sociales réalisent l’évaluation finale du programme à partir de la cohorte des usagers pris en charge, ils observent des taux de succès flatteurs. Toutefois, cette apparente efficacité ne reflète pas la pertinence intrinsèque de la pédagogie d’insertion, mais résulte d’un biais de constatation administratif qui a exclu les publics pour lesquels l’intervention aurait été véritablement déterminante.

À cet écrémage s’articule le phénomène structurel du non-recours aux droits sociaux. Des pans entiers de la population éligible au Revenu de Solidarité Active (RSA), aux allocations de logement ou à l’aide médicale de l’État ne sollicitent jamais ces prestations en raison de la complexité bureaucratique, de l’absence d’information ou de la peur de la stigmatisation. L’analyse exclusive des bases d’allocataires réels engendre ainsi une distorsion majeure des métriques de pauvreté et de vulnérabilité sociale.

6.3 Fracture numérique et collecte de données contemporaine

L’essor des technologies numériques a transformé les modalités de recueil de données en sciences humaines et comportementales. Si le déploiement d’enquêtes par voie électronique et le recours aux panels en ligne offrent une accessibilité et un coût marginal dérisoire, ils introduisent une vulnérabilité méthodologique considérable à travers la fracture numérique. Les personnes très âgées, les ménages ruraux privés d’infrastructures de télécommunication à haut débit, les personnes en grande précarité économique et les individus en situation d’illettrisme numérique sont structurellement exclus de ces cadres de collecte.

Cette exclusion numérique crée une distorsion pernicieuse lors de la capture de données dites « passives » via les applications mobiles ou les montres connectées. Les études de psychologie computationnelle prétendant modéliser le sommeil, les fluctuations de l’humeur ou les niveaux d’activité physique globale à partir des capteurs de téléphones intelligents capturent en réalité une strate étroite de la population : de jeunes adultes urbains, technophiles et socio-économiquement stables. Les détresses psychologiques majeures des personnes âgées isolées ou des ouvriers postés en travail de nuit demeurent totalement invisibles dans ces ensembles de données massives.

Ce tableau illustre l’un des sophismes les plus répandus de l’ère du Big Data : l’illusion de la volumétrie. De nombreux chercheurs et analystes de données postulent implicitement qu’un échantillon comprenant plusieurs centaines de milliers d’observations s’affranchit des lois de la représentativité. Or, la théorie statistique enseigne que la taille de l’échantillon ne réduit que l’erreur d’échantillonnage aléatoire (la variance) ; elle ne corrige en rien l’erreur systématique (le biais). Un échantillon d’un million d’individus recrutés via un processus de constatation vicié ne constitue pas une approximation fidèle de la réalité : il s’agit simplement d’une estimation biaisée avec un intervalle de confiance infiniment étroit, conférant une certitude mathématique trompeuse à une conclusion empiriquement fausse.

7. Conséquences méthodologiques et menaces sur la validité scientifique

7.1 Altération de la validité externe et de la transférabilité

L’impact immédiat du biais de constatation s’exerce sur la validité externe des recherches empiriques, c’est-à-dire la capacité à généraliser les conclusions obtenues sur un échantillon à la population cible globale, ainsi que sur sa transférabilité vers des contextes de pratique courante. Lorsqu’un essai d’intervention psychothérapeutique ou un protocole pharmacologique est validé au sein d’une cohorte hospitalière hyper-sélectionnée, débarrassée de toute comorbidité par des critères d’admissibilité restrictifs, l’efficacité observée — l’efficacy en langue anglaise — ne préjuge aucunement de son efficacité pratique sur le terrain réel — l’effectiveness.

Le transfert de ces protocoles standardisés vers des cliniques ambulatoires de secteur, où les patients cumulent des pathologies somatiques, des consommations de toxiques et des contextes de détresse sociale aiguë, se solde fréquemment par des échecs patents. Les praticiens de terrain observent des taux de rechute ou d’abandon thérapeutique bien plus élevés que ceux publiés dans les revues académiques de premier rang. Cet écart délétère entre théorie et pratique ne témoigne pas de l’incompétence des soignants de terrain, mais matérialise l’incompatibilité fondamentale entre un savoir scientifique forgé sur une constatation hautement sélectionnée et la réalité hétérogène de la population clinique générale.

Cette altération dégrade directement la pertinence des lignes directrices de pratique clinique (guidelines). Lorsque des agences sanitaires internationales formulent des recommandations thérapeutiques universelles fondées sur des méta-analyses d’études hospitalières biaisées, elles imposent des algorithmes de soins inadaptés à la majorité des patients du monde réel, conduisant à des prescriptions inutiles, à des sous-dosages ou à des iatrogénies évitables.

7.2 Distorsion des mesures d’association et fausse causalité

Sur le plan de l’inférence causale formelle, le biais de constatation représente une menace mortelle pour l’estimation non biaisée des mesures d’association épidémiologiques. Il est capable d’infléchir artificiellement, voire d’inverser complètement la direction des rapports de cotes (odds ratios) et des risques relatifs. Ce phénomène de distorsion s’éclaire à la lumière de la théorie des graphes acycliques dirigés (DAG) développée par Judea Pearl, à travers le mécanisme de conditionnement sur un collisionneur (conditioning on a collider).

Soit une exposition $E$ (par exemple, un trait de personnalité spécifique) et une maladie $M$ (par exemple, un trouble affectif). Supposons que dans la population générale, $E$ et $M$ soient rigoureusement non corrélés (indépendance stochastique). Si la présence du trait $E$ accroît la probabilité d’entrer dans le système de soins ($C=1$), et si l’émergence de la maladie $M$ accroît également cette même probabilité, alors la variable d’inclusion $C$ constitue un « collisionneur » vers lequel convergent deux flèches causales ($E to C \leftarrow M$). Dès l’instant où l’analyste restreint son observation aux seuls individus constatés dans les soins — c’est-à-dire dès lors qu’il conditionne sur la variable $C=1$ —, il crée mécaniquement une corrélation fallacieuse négative ou positive entre $E$ et $M$ :

$$P(E mid M, C=1) \neq P(E mid C=1)$$

Ce conditionnement sur un collisionneur peut transformer un facteur rigoureusement inoffensif en un faux facteur de risque majeur, ou inversement, masquer totalement un effet thérapeutique ou protecteur réel au sein de sous-populations spécifiques. L’introduction de ce biais de sélection dans les méta-analyses et les revues systématiques est particulièrement destructrice : l’accumulation d’études souffrant toutes d’un biais de constatation directionnel homogène ne corrige pas l’erreur, mais réduit artificiellement la variance d’estimation, scellant un consensus scientifique erroné au sein de la littérature internationale.

7.3 La contribution du biais à la crise de la reproductibilité

Depuis le début des années 2010, les sciences du comportement, la psychologie sociale et la recherche biomédicale traversent une profonde crise de la reproductibilité. Si l’accent a été abondamment mis sur les pratiques de recherche contestables (le dragage de données ou p-hacking, le manque de puissance statistique et l’hypothétisation après connaissance des résultats dite HARKing), le biais de constatation en constitue une composante structurelle sous-estimée.

De nombreuses expériences princeps en psychologie cognitive ou sociale ayant rapporté des tailles d’effet spectaculaires ont été menées sur des échantillons de convenance extrêmement homogènes et hautement spécifiques (très souvent des étudiants de premier cycle universitaire en psychologie, jeunes, occidentaux et issus de classes favorisées). Lorsque des consortiums internationaux tentent de répliquer ces protocoles sur des échantillons probabilistes tirés en population représentative générale, les effets observés s’effondrent ou disparaissent intégralement. Ce constat d’échec ne signifie pas nécessairement que les chercheurs initiaux ont falsifié leurs données, mais que l’effet identifié ne s’exprime que sous les conditions d’ascertainment très singulières de l’échantillon d’origine.

Ce phénomène nourrit le biais de publication consécutif : les revues scientifiques ayant historiquement privilégié les résultats spectaculaires et inattendus obtenus sur des cohortes d’exception, les données nulles ou modérées observées en population non sélectionnée ont été refoulées dans les tiroirs des laboratoires (le fameux file-drawer problem). La sédimentation de cette littérature déséquilibrée alimente une érosion continue de la confiance du public et des décideurs envers la solidité des sciences du comportement.

8. Le biais de constatation à l’ère de l’intelligence artificielle et du Big Data

8.1 Entraînement algorithmique sur bases de données cliniques biaisées

L’intégration massive de l’intelligence artificielle et de l’apprentissage profond (deep learning) dans la prise de décision diagnostique et pronostique ne résout pas la question du biais de constatation ; elle en démultiplie au contraire l’impact à une échelle industrielle. Les réseaux de neurones artificiels et les modèles prédictifs sont entraînés sur des corpus massifs de données rétrospectives, issues principalement des dossiers de santé électroniques (DSE) de grands hôpitaux universitaires ou de cohortes de recherche préexistantes.

Puisque ces bases de données sont le produit direct des mécanismes de filtration institutionnelle et d’asymétrie d’accès aux soins décrits précédemment, les algorithmes absorbent et reproduisent mathématiquement ces biais d’échantillonnage historiques. Si un algorithme prédictif du risque de réadmission psychiatrique ou du geste suicidaire est calibré sur des données hospitalières issues à 80 % de patients issus de certains quartiers ou de certaines ethnicités, ses représentations latentes optimiseront la prédiction pour cette population spécifique. Appliqué ensuite à des minorités sous-représentées, l’algorithme exhibe une sous-performance prédictive critique, générant des taux massifs de faux négatifs ou de faux positifs.

Pire encore, le déploiement opérationnel de ces modèles crée des boucles de rétroaction amplificatrices (feedback loops). Si un algorithme d’aide à la décision étiquette préférentiellement certains profils sociodémographiques comme étant « à haut risque » en raison du biais de constatation présent dans ses données d’entraînement, les cliniciens soumettront ces individus à une surveillance accrue et à des réhospitalisations préventives plus fréquentes. Ces nouveaux événements médicaux viendront alors alimenter la base de données d’apprentissage de l’année suivante, « validant » rétroactivement la justesse de l’algorithme par un pur artefact d’auto-réalisation statistique.

8.2 Détection automatisée et disparités diagnostiques numériques

Le traitement automatique du langage naturel (TALN) appliqué aux notes cliniques des médecins, aux retranscriptions d’entretiens psychiatriques ou aux publications sur les réseaux sociaux constitue un domaine d’innovation en plein essor. Cependant, ces outils de diagnostic linguistique automatisé sont hautement sensibles aux variations socioculturelles de l’expression langagière. Les modèles de langage de grande taille (LLM) sont entraînés sur des corpus de textes où les dialectes standardisés des classes éduquées dominent outrageusement.

Lorsqu’un tel outil analyse l’expression d’un affect dépressif, les sociolectes des classes populaires, les idiomes vernaculaires ou les constructions narratives non occidentales de la détresse peuvent ne pas être reconnus comme des marqueurs de morbidité par l’algorithme, conduisant à une sous-constatation algorithmique de la psychopathologie chez ces groupes. À l’inverse, l’emploi de certaines expressions métaphoriques non standardisées peut être faussement interprété comme un indice de désorganisation de la pensée ou de délire paranoïaque, conduisant à une sur-constatation automatisée de troubles psychotiques chez des patients issus de minorités culturelles.

De la même façon, la démocratisation des applications mobiles de thérapie cognitivo-comportementale et des interfaces conversationnelles (chatbots thérapeutiques) génère un biais d’usage massif : ces outils ne collectent que les données d’utilisateurs disposant d’équipements technologiques récents, d’une aisance rédactionnelle et d’une motivation à l’introspection numérique, excluant les formes les plus sévères de décompensation psychique des bases d’apprentissage du futur.

8.3 Stratégies d’audit algorithmique et d’équité statistique

Face à ces risques de dérive systémique, la communauté de l’apprentissage automatique et de la bioéthique a développé un champ de recherche dédié à l’équité algorithmique (algorithmic fairness) et aux protocoles d’audit statistique des données de santé. La première exigence méthodologique consiste à soumettre les corpus d’entraînement à des tests d’audit de représentativité démographique en amont de toute modélisation : il s’agit de cartographier avec exactitude les lacunes d’inclusion et de comparer la distribution multidimensionnelle des données cliniques avec les données censitaires nationales.

Sur le plan mathématique, plusieurs métriques d’équité concurrentes ont été formulées :

• La parité démographique (demographic parity) : exige que la probabilité d’une prédiction positive $P(\hat{Y}=1)$ soit strictement identique quel que soit le sous-groupe d’appartenance $A$, soit $P(\hat{Y}=1 mid A=0) = P(\hat{Y}=1 mid A=1)$.
• L’égalité des chances (equalized odds) : stipule que l’algorithme doit présenter des taux de vrais positifs et de faux positifs équivalents à travers tous les groupes démographiques, assurant que le biais de constatation historique ne pénalise pas la sensibilité de l’outil pour les minorités.
• L’invariance prédictive (predictive rate parity) : impose que la valeur prédictive positive soit constante d’un groupe à l’autre.

Pour restaurer l’équité au sein de jeux de données entachés de biais de constatation, les ingénieurs recourent à des techniques de pré-traitement algorithmique, telles que le rééquilibrage d’échantillonnage (sous-échantillonnage des groupes sur-représentés ou sur-échantillonnage synthétique des groupes sous-représentés via SMOTE) et la repondération des fonctions de perte mathématiques. Parallèlement, les cadres réglementaires internationaux — à l’instar de l’AI Act de l’Union européenne — imposent désormais des exigences de gouvernance strictes sur la représentativité et la qualité métrologique des données d’entraînement utilisées dans les dispositifs médicaux logiciels certifiés.

9. Méthodes préventives de conception d’étude et d’échantillonnage

9.1 Plans d’échantillonnage probabilistes rigoureux

La manière la plus robuste d’immuniser une investigation scientifique contre le biais de constatation consiste à intervenir dès la racine méthodologique de la collecte : la conception de l’échantillonnage. Aucune technique de correction statistique a posteriori ne peut compenser pleinement l’absence totale de certaines sous-populations dans une base de données. Le recours aux méthodes d’échantillonnage probabiliste constitue la norme méthodologique de référence.

L’échantillonnage stratifié proportionnel consiste à diviser la population globale en strates homogènes non chevauchantes fondées sur des critères cruciaux (tranche d’âge, sexe biologique, niveau socio-économique, zone géographique) et à tirer au sort de manière aléatoire les participants au sein de chaque strate dans des proportions rigoureusement calquées sur celles de la population de référence. Si une strate s’avère particulièrement critique pour l’analyse mais hautement minoritaire au sein du pays (par exemple une population autochtone ou un groupe d’âge très avancé), le chercheur peut employer un échantillonnage stratifié avec sur-échantillonnage (oversampling), en appliquant ensuite des poids correctifs lors de l’analyse finale.

Pour les enquêtes épidémiologiques de grande envergure où l’établissement d’une liste nominative de tous les résidents nationaux est irréalisable, les méthodologistes déploient des plans d’échantillonnage en grappes à plusieurs degrés (par exemple : tirage au sort de départements, puis de circonscriptions électorales, puis d’îlots urbains, et enfin de ménages individuels au sein de chaque foyer). De surcroît, le recours aux bases de données spatiales et aux cadres de tirage aréolaires fondés sur l’imagerie satellite permet de couvrir exhaustivement les territoires isolés ou périurbains informels, garantissant une mise à jour continue des probabilités d’inclusion face aux mutations démographiques dynamiques.

9.2 Techniques pour atteindre les populations difficiles d’accès

Certaines populations cibles — usagers de drogues intraveineuses, travailleurs du sexe, personnes sans domicile fixe, sans-papiers, minorités de genre — évoluent en dehors des cadres institutionnels et des registres administratifs officiels. Pour ces groupes dits « difficiles à joindre » (hard-to-reach populations), l’échantillonnage probabiliste classique échoue systématiquement, créant un biais de constatation d’une magnitude extrême. Des protocoles d’échantillonnage alternatifs ont été conçus pour surmonter cette impasse.

La méthode la plus documentée est l’échantillonnage dirigé par les répondants (Respondent-Driven Sampling – RDS), formalisée par Douglas Heckathorn. Le RDS est un modèle d’échantillonnage en chaîne reposant sur la théorie mathématique des réseaux sociaux et des chaînes de Markov. Le recrutement débute par un petit groupe d’individus clés (« les graines » ou seeds) sélectionnés dans la communauté. Chaque participant reçoit un nombre fixe et strictement limité de coupons codés et sécurisés pour recruter des membres de son propre réseau social personnel. L’attribution d’une double gratification financière éthique (l’une pour avoir complété le protocole, l’autre pour chaque pair recruté avec succès) dynamise la propagation de la chaîne d’échantillonnage.

Si la chaîne de parrainage est suffisamment longue, le processus de Markov converge vers un équilibre mathématique indépendant des caractéristiques initiales des graines d’amorçage. Un algorithme statistique ajuste ensuite les estimations en fonction de la taille autodéclarée du réseau personnel de chaque répondant (les individus connectés à un large réseau ayant une plus forte probabilité d’être contactés). Parallèlement, l’échantillonnage par temps et lieu (Time-Location Sampling – TLS) identifie les lieux et créneaux horaires de rassemblement de la population cible pour y opérer un tirage au sort spatiotemporel rigoureux. L’intégration de partenariats de recherche participative avec des associations communautaires de base et l’affrètement d’unités de recherche mobiles (véhicules équipés se déplaçant au plus près des campements ou des zones rurales) parachèvent la neutralisation des barrières à la constatation.

9.3 Levée proactive des barrières à l’inclusion

L’élimination du biais de constatation impose une révision logistique profonde des protocoles de recherche. Participer à une étude clinique ou psychologique représente une charge de travail et un coût matériel non négligeables pour les individus issus de milieux précaires. La mise en place d’une compensation financière juste, éthique et proportionnée au temps investi par le participant constitue un impératif méthodologique de premier ordre, et non une simple libéralité. Cette rétribution permet de compenser la perte de gains économiques pour les travailleurs horaires ou indépendants qui ne peuvent s’absenter gratuitement de leur emploi.

De surcroît, les investigateurs doivent faire preuve d’une flexibilité organisationnelle maximale : délocalisation des séances de passation des tests psychométriques en dehors des murs des hôpitaux universitaires (au sein de centres de santé communautaires, de bibliothèques de quartier ou directement au domicile des participants), ouverture des consultations en soirée ou le week-end, prise en charge intégrale des frais de transport en commun ou de taxi, et mise à disposition de services professionnels et sécurisés de garde d’enfants sur le lieu de recherche.

Enfin, l’accessibilité cognitive et linguistique doit être systématiquement assurée : les batteries de questionnaires et les formulaires de consentement éclairé doivent faire l’objet de traductions transculturelles validées selon les normes de l’OMS (traduction, rétro-traduction indépendante et panels d’harmonisation sémantique), doublées de versions adaptées en français facile à lire et à comprendre (FALC) pour les sujets en situation de handicap mental ou de faible niveau d’alphabétisation.

10. Techniques statistiques correctives et modélisation a posteriori

10.1 Méthodes de repondération et calage sur marges

Lorsque la collecte des données s’achève sur un échantillon manifestement affecté par un biais de constatation mais que des données démographiques auxiliaires de référence (issues du recensement national ou de grandes enquêtes représentatives de l’institut national de la statistique) sont accessibles, des procédures de redressement mathématique a posteriori s’imposent. La méthode la plus intuitive est la pondération par l’inverse de la probabilité d’inclusion (Inverse Probability Weighting – IPW).

Sous ce paradigme, si un individu appartenant à un sous-groupe démographique donné (par exemple, un homme jeune sans diplôme résidant en zone rurale) ne possédait théoriquement qu’une chance sur 10 000 d’être inclus dans l’échantillon alors qu’un profil favorisé urbain possédait une chance sur 100, l’observation du premier se verra attribuer un poids statistique cent fois supérieur ($w_i = 1 / P(C_i=1 mid X_i)$) lors de l’estimation des régressions ou des calculs de moyennes. La post-stratification directe applique ce principe en réajustant les effectifs de chaque cellule du tableau croisé des variables sociodémographiques sur la distribution connue de la population cible.

Toutefois, dès que le nombre de variables de stratification augmente, de nombreuses cellules du tableau croisé se retrouvent vides ou sous-peuplées dans l’échantillon. Pour surmonter cette « malédiction de la dimensionnalité », les statisticiens mobilisent les algorithmes de calage sur marges (technique du raking ratio ou algorithme de Deming-Stephan). Cette procédure itérative réajuste successivement les poids d’échantillonnage le long de chaque marge unidimensionnelle (âge, puis sexe, puis région, puis diplôme) jusqu’à ce que la distribution multidimensionnelle converge harmonieusement vers les totaux marginaux connus de la population générale.

Néanmoins, la limite épistémologique fondamentale de la repondération doit être soulignée : elle ne peut corriger le biais de constatation que si celui-ci dépend exclusivement de covariables observables et mesurées dans l’échantillon. Si la probabilité d’inclusion est modulée par un facteur psychologique ou comportemental non mesuré (une variable latente omise), l’IPW et le calage sur marges échouent à restaurer la validité de l’inférence.

10.2 Modélisation économétrique et sélection de Heckman

Pour traiter les situations complexes où la constatation dépend de variables non observées corrélées à la variable de résultat, l’économètre James Heckman (lauréat du prix de la Banque de Suède en sciences économiques en mémoire d’Alfred Nobel en 2000) a conçu une approche révolutionnaire : le modèle de sélection en deux étapes de Heckman (ou Heckit).

Ce formalisme modélise explicitement le processus de constatation comme une variable latente non observée régie par un mécanisme probit. Le système d’équations se décompose en :

• L’équation de sélection : $z_i^* = gamma’ w_i + u_i$, où l’individu $i$ est constaté dans l’étude ($C_i=1$) si $z_i^* > 0$, et exclu ($C_i=0$) sinon.
• L’équation de résultat substantielle : $y_i = beta’ x_i + \epsilon_i$, où la valeur $y_i$ (par exemple, le niveau de sévérité d’un symptôme ou le score cognitif) n’est observée que si $C_i=1$.

Si les termes d’erreur $u_i$ et $\epsilon_i$ suivent une loi normale bivariée avec un coefficient de corrélation $rho$, l’estimation par les moindres carrés ordinaires de $\beta$ sur les seules données constatées est biaisée dès lors que $\rho \neq 0$. Heckman a démontré que ce biais équivaut à l’omission d’une variable explicative dans l’équation de résultat. Dans la première étape, un modèle probit estime les paramètres de l’équation de sélection sur l’ensemble de la population éligible. À partir de ces estimations, on calcule pour chaque sujet observé une quantité mathématique appelée le ratio inverse de Mills ($\lambda_i$) :

$$\lambda_i = \frac{\phi(\hat{\gamma}’ w_i)}{\Phi(\hat{\gamma}’ w_i)}$$

où $phi$ est la densité normale standard et $Phi$ sa fonction de répartition. Dans la seconde étape, $\lambda_i$ est réinjecté comme une covariable explicative additionnelle dans la régression de $y_i$ sur $x_i$. Le coefficient associé à $\lambda_i$ capture l’effet de sélection non observée, assainissant l’estimation du vecteur de paramètres d’intérêt $\beta$. La puissance de ce modèle dépend toutefois de l’identification d’une restriction d’exclusion (variable instrumentale) : une variable présente dans le vecteur $w$ qui influence fortement la probabilité d’être constaté, mais qui n’exerce aucun effet causal direct sur la variable de résultat $y$.

10.3 Analyses de sensibilité et bornage d’incertitude

Lorsque les hypothèses paramétriques strictes des modèles de sélection ne peuvent être empiriquement garanties, l’investigateur intègre doit déployer des analyses de sensibilité quantitatives pour évaluer la robustesse de ses conclusions face à l’ampleur hypothétique d’un biais de constatation résiduel. L’une des métriques contemporaines les plus influentes est la valeur E (E-value), conceptualisée par Tyler VanderWeele et Peng Ding.

La valeur E quantifie l’intensité minimale de l’association qu’un facteur de confusion ou un mécanisme de sélection non mesuré devrait entretenir simultanément avec l’exposition et avec l’événement de santé pour annuler totalement la relation causale observée (ramener le risque relatif à 1,0). Si la valeur E calculée pour une association thérapeutique est très élevée (par exemple 4,5), il est extrêmement peu probable qu’un simple biais d’échantillonnage de constatation puisse suffire à expliquer l’intégralité du résultat. À l’inverse, si la valeur E est modeste (par exemple 1,2), une infime asymétrie de recrutement est susceptible d’annihiler la signification statistique de la découverte.

Dans une perspective méthodologique encore plus rigoureuse et non paramétrique, les techniques de bornage de Manski (développées par Charles Manski) refusent de postuler une distribution a priori pour les données non constatées. Manski propose de modéliser le paramètre d’intérêt en supposant les scénarios les plus défavorables et les plus favorables pour les individus non inclus dans l’étude. Cette démarche génère non pas une estimation ponctuelle unique, mais un intervalle d’identification certain. Même si cet intervalle est structurellement plus large qu’un intervalle de confiance classique, il possède l’immense vertu de délimiter rigoureusement l’espace des possibles sans recourir à des hypothèses d’équiprobabilité non vérifiables.

Enfin, les simulations de Monte-Carlo permettent de paramétrer des milliers de scénarios virtuels de troncature et de censure sélective pour cartographier le comportement de l’estimateur sous différentes topologies de biais de constatation, conférant à la démarche scientifique une résilience métrologique optimale.

11. Enjeux éthiques, épistémologiques et justice distributive

11.1 Invisibilisation épistémique et injustice testimoniale

Le biais de constatation ne se résume pas à un défi d’optimisation mathématique ou à une équation de variance mal calibrée ; il s’inscrit au cœur des théories de la justice épistémique formalisées par la philosophe Miranda Fricker. Lorsque les protocoles de recherche et les infrastructures diagnostiques échouent systématiquement à constater les souffrances et les trajectoires cliniques des populations marginalisées, ils commettent une forme d’injustice testimoniale structurelle : la parole, l’expérience vécue et la sémiologie singulière de ces groupes sont discréditées ou ignorées du corpus officiel des savoirs médicaux et scientifiques.

Ce mécanisme d’invisibilisation s’incarne dans la critique épistémologique fondamentale formulée par Joseph Henrich, Steven Heine et Ara Norenzayan en 2010 concernant la nature des échantillons dits WEIRD (acronyme de Western, Educated, Industrialized, Rich, and Democratic). Les auteurs ont révélé que près de 96 % des sujets recrutés dans les études de psychologie expérimentale comportementale de premier plan provenaient de sociétés occidentales industrialisées, alors que ces populations ne représentent que 12 % de l’humanité. Présenter des lois générales du fonctionnement psychologique humain, de la régulation émotionnelle ou de la cognition sociale élaborées sur une frange aussi restreinte et atypique de la population planétaire constitue un biais d’ascertainment à l’échelle civilisationnelle.

Cette hégémonie WEIRD efface la pluralité des ontologies psychopathologiques locales. L’imposition de cadres diagnostiques occidentaux (comme le concept de trouble de stress post-traumatique) à des populations non occidentales confrontées à des catastrophes sans prise en compte de leurs modes d’expression culturelle de l’affliction constitue un impérialisme épistémique qui prend racine dans un refus méthodologique d’élargir le cadre d’ascertainment clinique.

11.2 Impact direct sur l’allocation des ressources de santé mentale

Dans les démocraties contemporaines, les budgets alloués par la puissance publique à la recherche biomédicale, à la construction d’infrastructures de soins et au remboursement des thérapeutiques innovantes sont guidés par les données de prévalence et le fardeau global de morbidité (les Disability-Adjusted Life Years – DALYs) documentés par les épidémiologistes. Dès lors que ces indicateurs sont biaisés par une constatation asymétrique, la justice distributive se trouve directement pervertie.

Les pathologies hautement visibles, sur-diagnostiquées au sein des classes moyennes et supérieures dotées d’un fort capital revendicatif (lobbies associatifs puissants, couverture médiatique soutenue), captent une part disproportionnée des financements publics et privés de recherche. À l’opposé, les affections qui prolifèrent dans le silence des marges sociales — les troubles dissociatifs complexes résultant de traumatismes infantiles chroniques, les psychoses débutantes non soignées dans les ghettos urbains, les troubles dépressifs des travailleurs agricoles isolés — subissent une sous-dotation institutionnelle chronique.

Cette iniquité budgétaire se répercute sur les grilles de remboursement assurantiel : un acte médical ou psychologique n’est pris en charge par la solidarité nationale que s’il répond à des critères d’efficacité clinique mesurés dans des essais standardisés. Si ces essais ont été menés sur des cohortes dont les patients précaires ont été exclus, les protocoles retenus s’avèrent inopérants sur le terrain réel, justifiant cyniquement le désengagement financier de l’État sous prétexte de « non-observance » ou d’« inefficacité » des populations défavorisées.

11.3 Responsabilité des comités d’éthique et des revues scientifiques

La neutralisation systémique du biais de constatation relève d’une responsabilité collective qui engage l’ensemble des instances de régulation de la science. Historiquement, les comités de protection des personnes (comités d’éthique institutionnels ou IRB) ont concentré leur vigilance sur le respect du consentement éclairé, la minimisation des risques invasifs et la confidentialité des données personnelles. Si ces impératifs demeurent cruciaux, une nouvelle exigence éthique s’impose désormais : l’équité d’inclusion.

Un protocole de recherche qui exclut systématiquement, par commodité logistique, des populations vulnérables sans justification scientifique impérieuse ne doit plus être considéré comme éthiquement neutre : il commet une faute méthodologique et morale qui dégrade la validité du savoir universel. De plus en plus de comités d’éthique exigent désormais que les investigateurs justifient explicitement leurs critères d’exclusion et détaillent la stratégie proactive déployée pour recruter un échantillon représentatif de la population susceptible de bénéficier du traitement.

Parallèlement, les comités de rédaction des revues scientifiques internationales (éditeurs et relecteurs pairs) exercent un pouvoir de filtrage déterminant. Longtemps complices d’une survalorisation de la pureté statistique interne au détriment de l’ancrage réel des cohortes, les grandes revues médicales et psychologiques doivent désormais refuser les manuscrits qui revendiquent une portée universelle tout en reposant sur des échantillons d’étudiants de convenance ou des recrutements hospitaliers monocentriques non ajustés. Enfin, les bailleurs de fonds publics (comme l’Agence Nationale de la Recherche ou les National Institutes of Health) doivent conditionner l’octroi des bourses d’excellence à des plans d’échantillonnage garantissant une stricte diversité démographique et socioculturelle.

12. Recommandations pratiques pour la recherche et la clinique

12.1 Guide d’évaluation critique de la littérature scientifique

Pour le médecin praticien, le psychologue clinicien ou le jeune chercheur confronté à la lecture d’un article scientifique, la détection du biais de constatation constitue une compétence méthodologique essentielle. Face à toute publication clinique ou observationnelle, une grille d’interrogation systématique de la section « Méthodes » doit être déployée :

• La source exacte du recrutement : Par quel canal précis les participants sont-ils entrés dans l’étude ? S’agit-il de patients issus d’un centre tertiaire hyperspécialisé, d’annonces sur les réseaux sociaux, de cabinets libéraux ou d’un registre de population universel ?
• Le taux et les motifs de non-éligibilité : Combien d’individus ont été initialement approchés pour constituer l’échantillon final ? Quel est le ratio d’attrition entre les sujets dépistés et les sujets analysés ? Quels critères ont justifié l’exclusion de la majorité des candidats ?
• La comparaison avec la population cible : Les caractéristiques sociodémographiques de base (âge, sexe, origine géographique, niveau d’éducation, profession et catégorie socioprofessionnelle) de l’échantillon sont-elles confrontées aux données épidémiologiques du monde réel ? Des disparités flagrantes sont-elles visibles ?
• La présence de correctifs méthodologiques : Les auteurs ont-ils modélisé le mécanisme d’inclusion ? Ont-ils réalisé des analyses de sensibilité (comme le calcul de la valeur E) ou des régressions pondérées pour tester la robustesse de leurs conclusions face à une sélection non aléatoire ?

12.2 Standards de déclaration et directives internationales

L’assainissement méthodologique de la production académique s’appuie sur la mise en œuvre de directives de déclaration internationales contraignantes élaborées par le réseau EQUATOR. Pour les études épidémiologiques observationnelles (études de cohorte, cas-témoins et transversales), l’application rigoureuse de la déclaration STROBE (Strengthening the Reporting of Observational Studies in Epidemiology) est indispensable. STROBE impose aux auteurs d’expliciter sans ambiguïté les méthodes de sélection des participants, les critères d’éligibilité, les sources de recrutement et la description détaillée des non-répondants.

Dans le domaine des essais cliniques randomisés, la grille CONSORT (Consolidated Standards of Reporting Trials) constitue le rempart fondamental contre l’opacité de la sélection. L’élément central exigé par la déclaration CONSORT est le diagramme de flux (flow chart). Ce schéma normalisé retrace méticuleusement l’intégralité du parcours méthodologique : le nombre de patients évalués pour l’éligibilité, le nombre précis d’exclus décomposé selon les critères d’exclusion spécifiques, le nombre de refus de participer, le nombre de sujets randomisés, et le suivi final après déperdition.

L’intégration obligatoire de ces diagrammes de flux transparents permet aux cliniciens de visualiser immédiatement la sévérité du filtrage institutionnel opéré par l’étude. Si un essai clinique portant sur une psychothérapie de la dépression a dû éliminer 92 % des patients évalués pour isoler une cohorte éligible, le praticien sait d’emblée que les conclusions de l’article ne seront pas transférables à sa patientèle de consultation quotidienne, limitant ainsi les déconvenues thérapeutiques.

12.3 Perspectives d’avenir pour une science psychologique représentative

Pour rompre définitivement avec les impasses du biais de constatation, les sciences du comportement et de la santé doivent opérer une mutation paradigmatique de leurs pratiques de production empirique. L’avenir de la discipline réside dans le développement de vastes consortiums de recherche multi-sites, multi-pays et multi-populations. Des initiatives collectives telles que le Psychological Science Accelerator (PSA) ou le consortium ENIGMA en neuro-imagerie génétique démontrent la faisabilité de protocoles synchronisés à l’échelle planétaire, mutualisant les infrastructures pour recruter des dizaines de milliers d’individus issus de l’ensemble des continents et des strates socio-économiques.

Parallèlement, la réconciliation méthodologique entre l’épidémiologie quantitative et l’ethnographie qualitative offre des pistes fécondes. Les approches mixtes (mixed-methods research) permettent d’éclairer les angles morts statistiques : une enquête ethnographique immersive sur un territoire marginalisé révèle les mécanismes sous-jacents de méfiance institutionnelle et d’autocensure diagnostique qu’un modèle de régression multivariée échoue à conceptualiser. L’ethnographie permet d’ajuster le cadre de tirage quantitatif en informant les statisticiens sur les véritables logiques de vie des populations invisibles.

Enfin, cette révolution scientifique passe obligatoirement par la formation académique initiale des futurs chercheurs et praticiens. L’enseignement de la méthodologie de recherche au sein des universités ne doit plus être réduit à l’apprentissage mécanique du test de Student ou de l’analyse de variance sur des jeux de données d’exercice aseptisés. L’épistémologie de la mesure, la modélisation rigoureuse de la sélection, l’analyse causale par les graphes acycliques dirigés et la déconstruction sans concession du biais de constatation doivent être érigées au rang de compétences de base. Ce n’est qu’au prix de cette exigence métrologique et déontologique que la science pourra prétendre légitimement produire un savoir rigoureux, universel et au service de l’ensemble de la société.

Références

• Berkson, J. (1946). Limitations of the application of fourfold table analysis to hospital data. Biometrics Bulletin, 2(3), 47–53. https://doi.org/10.2307/3002000
• Fisher, R. A. (1934). The effect of methods of ascertainment upon the estimation of frequencies. Annals of Eugenics, 6(1), 13–25. https://doi.org/10.1111/j.1469-1809.1934.tb02105.x
• Fricker, M. (2007). Epistemic injustice: Power and the ethics of knowing. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780198237907.001.0001
• Heckathorn, D. D. (1997). Respondent-driven sampling: A new approach to the study of hidden populations. Social Problems, 44(2), 174–199. https://doi.org/10.2307/3096941
• Heckman, J. J. (1979). Sample selection bias as a specification error. Econometrica, 47(1), 153–161. https://doi.org/10.2307/1912352
• Henrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2-3), 61–83. https://doi.org/10.1017/S0140525X0999152X
• Manski, C. F. (2003). Partial identification of probability distributions. Springer-Verlag. https://doi.org/10.1007/b97486
• Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161
• Rosenthal, R., & Rosnow, R. L. (1975). The volunteer subject. John Wiley & Sons.
• VanderWeele, T. J., & Ding, P. (2017). Sensitivity analysis in observational research: Introducing the E-value. Annals of Internal Medicine, 167(4), 268–274. https://doi.org/10.7326/M16-2607
• von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. The Lancet, 370(9596), 1453–1457. https://doi.org/10.1016/S0140-6736(07)61602-X
• Weinberg, W. (1912). Methode und Fehlerquellen der Untersuchung auf Mendelsche Zahlen beim Menschen. Archiv für Rassen- und Gesellschafts-Biologie, 9, 165–174.