L’\u00e9difice de la science moderne repose sur une promesse fondamentale : celle de produire des connaissances fiables, cumulatives et ind\u00e9pendantes des d\u00e9sirs ou des croyances des chercheurs qui les formulent. Depuis l’\u00e9mergence de la m\u00e9thode exp\u00e9rimentale et la formalisation des normes de la recherche acad\u00e9mique \u2014 th\u00e9oris\u00e9es notamment par Robert K. Merton sous les principes de communalisme, d’universalisme, de d\u00e9sint\u00e9ressement et de scepticisme organis\u00e9 \u2014, la validation empirique constitue l’arbitre supr\u00eame des th\u00e9ories scientifiques. Cependant, au cours des deux derni\u00e8res d\u00e9cennies, cet id\u00e9al \u00e9pist\u00e9mologique a \u00e9t\u00e9 \u00e9branl\u00e9 par un ensemble de crises m\u00e9thodologiques convergentes. La d\u00e9couverte de taux alarmants de non-reproductibilit\u00e9 dans des disciplines aussi vari\u00e9es que la psychologie sociale, la pharmacologie pr\u00e9clinique, les neurosciences et l’\u00e9conomie a r\u00e9v\u00e9l\u00e9 une faille structurelle majeure dans la mani\u00e8re dont les donn\u00e9es empiriques sont collect\u00e9es, analys\u00e9es et publi\u00e9es.<\/p>\n
Au c\u0153ur de cette tourmente se trouve la confrontation entre deux approches radicalement divergentes de la pratique scientifique : le p-hacking<\/em> d’un c\u00f4t\u00e9, et les pratiques de science ouverte (Open Science<\/em>) de l’autre. Le p-hacking<\/em>, souvent d\u00e9sign\u00e9 sous les termes d’exploitation opportuniste des donn\u00e9es ou de p\u00eache aux r\u00e9sultats significatifs, renvoie \u00e0 un ensemble de d\u00e9cisions analytiques flexibles et non document\u00e9es prises apr\u00e8s la consultation des donn\u00e9es, ayant pour effet d’abaisser artificiellement la valeur de p<\/em> sous le seuil rituel de 0,05 afin d’obtenir un r\u00e9sultat publiable. Loin d’\u00eatre un acte marginal de fraude manifeste, cette pratique s’est insidieusement banalis\u00e9e au sein des laboratoires du monde entier, nourrie par une \u00e9cologie institutionnelle toxique gouvern\u00e9e par l’adage \u00ab publier ou p\u00e9rir \u00bb (publish or perish<\/em>) et par un biais \u00e9ditorial massif en faveur des r\u00e9sultats statistiquement significatifs et novateurs.<\/p>\n Face \u00e0 cette d\u00e9rive m\u00e9thodologique qui alt\u00e8re la fid\u00e9lit\u00e9 de la litt\u00e9rature scientifique, le mouvement de la science ouverte s’est constitu\u00e9 non seulement comme un contre-mod\u00e8le \u00e9thique, mais surtout comme une refonte structurelle, technique et politique de l’entreprise scientifique. En pr\u00f4nant la transparence int\u00e9grale des protocoles, le pr\u00e9-enregistrement des hypoth\u00e8ses et des plans d’analyse, l’acc\u00e8s universel aux donn\u00e9es brutes ainsi qu’aux codes informatiques, la science ouverte entend immuniser la d\u00e9marche empirique contre l’arbitraire des choix a posteriori. La confrontation entre le p-hacking<\/em> et la science ouverte ne constitue donc pas une simple querelle d’experts sur l’usage des statistiques ; elle incarne un combat d\u00e9cisif pour l’int\u00e9grit\u00e9 de la science contemporaine, opposant la maximisation des opportunit\u00e9s de carri\u00e8re individuelle \u00e0 la p\u00e9rennit\u00e9 du savoir collectif.<\/p>\n L’\u00e9mergence de la crise de la reproductibilit\u00e9 au d\u00e9but des ann\u00e9es 2010 a profond\u00e9ment alt\u00e9r\u00e9 la confiance de la communaut\u00e9 scientifique dans ses propres productions. Si des mises en garde \u00e9pist\u00e9mologiques avaient \u00e9t\u00e9 formul\u00e9es de longue date concernant les limites du paradigme dominant des tests de signification d’hypoth\u00e8se nulle (Null Hypothesis Significance Testing<\/em> ou NHST), l’onde de choc est devenue globale avec la publication de vastes initiatives collaboratives visant \u00e0 reproduire des exp\u00e9riences publi\u00e9es dans les revues les plus prestigieuses. Les constats se sont av\u00e9r\u00e9s sans appel : qu’il s’agisse des projets men\u00e9s en psychologie exp\u00e9rimentale par l’Open Science Collaboration ou des audits internes conduits au sein de l’industrie pharmaceutique par des firmes telles qu’Amgen et Bayer dans le domaine de l’oncologie pr\u00e9clinique, une proportion substantielle des effets rapport\u00e9s dans la litt\u00e9rature s’est av\u00e9r\u00e9e impossible \u00e0 reproduire de mani\u00e8re robuste. Cette faillite empirique ne r\u00e9sultait pas principalement d’actes criminels de falsification d\u00e9lib\u00e9r\u00e9e, tels que la fabrication pure et simple de donn\u00e9es de toutes pi\u00e8ces, mais d’un ph\u00e9nom\u00e8ne bien plus pernicieux, syst\u00e9mique et diffus : le p-hacking<\/em>.<\/p>\n Le p-hacking<\/em> se d\u00e9finit comme un ensemble d’inflexions m\u00e9thodologiques, de manipulations statistiques opportunistes et de s\u00e9lections arbitraires op\u00e9r\u00e9es lors du traitement des donn\u00e9es dans le but d’obtenir une valeur de p<\/em> inf\u00e9rieure au seuil conventionnel de significativit\u00e9 statistique (g\u00e9n\u00e9ralement fix\u00e9 \u00e0 $\\alpha = 0{,}05$<\/span>). Cette pratique transforme insidieusement une d\u00e9marche d’investigation inductive en une d\u00e9monstration faussement d\u00e9ductive. En exploitant ce que la litt\u00e9rature nomme les \u00ab degr\u00e9s de libert\u00e9 du chercheur \u00bb, l’analyste teste de multiples combinaisons de mod\u00e8les, ajoute ou soustrait des covariables, exclut certains participants ou transforme ses variables jusqu’\u00e0 ce que le test statistique d\u00e9livre le verdict attendu. Ce processus cr\u00e9e l’illusion d’une r\u00e9gularit\u00e9 empirique l\u00e0 o\u00f9 ne se trouve en r\u00e9alit\u00e9 qu’une fluctuation d’\u00e9chantillonnage al\u00e9atoire.<\/p>\n \u00c0 l’oppos\u00e9 diam\u00e9tral de cette d\u00e9rive se dresse le paradigme de la science ouverte. La science ouverte ne se r\u00e9duit pas \u00e0 une simple modalit\u00e9 de diffusion num\u00e9rique ou \u00e0 une incitation \u00e0 la bienveillance d\u00e9ontologique ; elle constitue un mouvement de r\u00e9organisation institutionnelle et m\u00e9thodologique fond\u00e9 sur le principe de la tra\u00e7abilit\u00e9 absolue du processus de recherche. En postulant que l’acc\u00e8s libre, imm\u00e9diat et sans entrave aux publications, aux protocoles m\u00e9thodologiques, aux donn\u00e9es brutes et aux algorithmes de calcul est la condition sine qua non de la validit\u00e9 scientifique, la science ouverte substitue \u00e0 la culture du r\u00e9sultat isol\u00e9 et sensationnel une culture de la rigueur proc\u00e9durale. La confrontation \u00e9pist\u00e9mologique entre le p-hacking<\/em> et la science ouverte refl\u00e8te ainsi une scission fondamentale : d’une part, une science ferm\u00e9e o\u00f9 les coulisses de l’analyse restent opaques, autorisant la rationalisation post-hoc de contingences empiriques ; d’autre part, une science transparente qui aligne les pratiques des chercheurs sur les exigences de robustesse et de v\u00e9rifiabilit\u00e9 collective.<\/p>\n Confronter le p-hacking<\/em> et les pratiques de science ouverte est une n\u00e9cessit\u00e9 urgente en raison de l’ambigu\u00eft\u00e9 qui a longtemps r\u00e9gn\u00e9 dans les laboratoires quant \u00e0 la fronti\u00e8re entre exploration statistique l\u00e9gitime et manipulation frauduleuse. Pendant des d\u00e9cennies, les chercheurs ont \u00e9t\u00e9 form\u00e9s \u00e0 analyser leurs donn\u00e9es selon des approches it\u00e9ratives, modifiant leurs hypoth\u00e8ses \u00e0 la lumi\u00e8re des r\u00e9sultats interm\u00e9diaires sans percevoir que ces pratiques violaient radicalement les postulats math\u00e9matiques des tests fr\u00e9quentistes d’inf\u00e9rence statistique. Cette porosit\u00e9 entre l’intuition scientifique sinc\u00e8re et la distorsion des protocoles a engendr\u00e9 une zone grise massive o\u00f9 des pratiques m\u00e9thodologiquement toxiques ont \u00e9t\u00e9 normalis\u00e9es sous le couvert de \u00ab l’intuition du chercheur \u00bb ou de la \u00ab clarification des donn\u00e9es \u00bb. Confronter m\u00e9thodiquement le p-hacking<\/em> aux normes de la science ouverte permet de lever cette ambigu\u00eft\u00e9 fondamentale et de dissocier formellement la g\u00e9n\u00e9ration cr\u00e9ative d’hypoth\u00e8ses de leur test rigoureux.<\/p>\n Cette confrontation s’impose \u00e9galement par l’analyse des structures d’incitation qui r\u00e9gissent l’\u00e9conomie universitaire mondiale. Les comit\u00e9s d’\u00e9valuation, les agences de financement et les comit\u00e9s \u00e9ditoriaux ont historiquement valoris\u00e9 des indicateurs quantitatifs r\u00e9ducteurs, tels que le facteur d’impact des revues et l’indice h<\/em> des auteurs, adoss\u00e9s \u00e0 une pr\u00e9f\u00e9rence syst\u00e9matique pour les r\u00e9sultats spectaculaires, positifs et univoques. Dans un tel environnement, le chercheur se trouve confront\u00e9 \u00e0 un conflit d’int\u00e9r\u00eats structurel : appliquer une m\u00e9thodologie d’une rigueur absolue et risquer de n’obtenir aucun r\u00e9sultat statistiquement significatif (condamnant son \u00e9tude aux tiroirs de l’oubli), ou exploiter ses degr\u00e9s de libert\u00e9 analytiques pour transformer un r\u00e9sultat ambigu en une d\u00e9couverte sensationnelle publiable dans une revue de premier plan. La science ouverte n’intervient pas seulement comme un rappel \u00e0 l’ordre moral, mais comme une tentative de subvertir ce syst\u00e8me d’incitations perverses en d\u00e9pla\u00e7ant la valeur accord\u00e9e \u00e0 l’article de la nature spectaculaire de ses conclusions vers la qualit\u00e9 intrins\u00e8que et pr\u00e9-valid\u00e9e de son protocole m\u00e9thodologique.<\/p>\n Enfin, la clarification de cette dichotomie s’av\u00e8re indispensable pour \u00e9tablir un cadre normatif stable \u00e0 l’intention des futures g\u00e9n\u00e9rations de chercheurs. Alors que l’intelligence artificielle et l’automatisation de l’analyse de donn\u00e9es d\u00e9cuplent les capacit\u00e9s de calcul, la facilit\u00e9 avec laquelle des motifs purement fortuits peuvent \u00eatre extraits de volumineuses bases de donn\u00e9es \u2014 ph\u00e9nom\u00e8ne connu sous le nom de data dredging<\/em> ou de forage de donn\u00e9es \u2014 atteint des proportions industrielles. Sans un cadre normatif clair impos\u00e9 par la science ouverte, le risque est grand de voir la litt\u00e9rature scientifique submerg\u00e9e par des artefacts computationnels sophistiqu\u00e9s. Comprendre comment la science ouverte neutralise le p-hacking<\/em> permet de red\u00e9finir la validit\u00e9 de la preuve \u00e0 l’\u00e8re num\u00e9rique, en garantissant que les politiques de sant\u00e9 publique, les innovations technologiques et les consensus scientifiques s’appuient sur des donn\u00e9es irr\u00e9prochables.<\/p>\n Pour appr\u00e9hender la m\u00e9canique du p-hacking<\/em>, il est indispensable de revenir aux fondements math\u00e9matiques de l’inf\u00e9rence fr\u00e9quentiste classique formalis\u00e9e par Ronald Fisher, Jerzy Neyman et Egon Pearson. Dans le cadre canonique du test de signification d’hypoth\u00e8se nulle, la valeur de p<\/em> repr\u00e9sente la probabilit\u00e9 d’obtenir, sous l’hypoth\u00e8se nulle ($H_0$<\/span>) qu’il n’existe aucun effet r\u00e9el dans la population, une statistique de test au moins aussi extr\u00eame que celle observ\u00e9e dans l’\u00e9chantillon. La convention universelle \u00e9tablie arbitrairement par Fisher fixe le seuil de significativit\u00e9 critique \u00e0 $\\alpha = 0{,}05$<\/span>, signifiant qu’un chercheur accepte un risque de 5 % de rejeter l’hypoth\u00e8se nulle alors qu’elle est en r\u00e9alit\u00e9 vraie, commettant ainsi une erreur de type I (faux positif). Cependant, ce postulat math\u00e9matique n’est valide que si le test est appliqu\u00e9 \u00e0 une seule hypoth\u00e8se pr\u00e9d\u00e9finie, sur un jeu de donn\u00e9es fix\u00e9, selon une proc\u00e9dure d’\u00e9chantillonnage arr\u00eat\u00e9e a priori.<\/p>\n D\u00e8s lors que le chercheur d\u00e9ploie ce que Simmons, Nelson et Simonsohn (2011)<\/a> ont conceptualis\u00e9 sous le terme de \u00ab degr\u00e9s de libert\u00e9 du chercheur \u00bb (researcher degrees of freedom<\/em>), la probabilit\u00e9 nominale de 5 % explose de mani\u00e8re exponentielle. Les degr\u00e9s de libert\u00e9 du chercheur d\u00e9signent l’ensemble des d\u00e9cisions informelles, non document\u00e9es et souvent subjectives prises tout au long de la cha\u00eene analytique. L’un des m\u00e9canismes les plus pr\u00e9valents est la collecte de donn\u00e9es conditionnelle, ou arr\u00eat pr\u00e9matur\u00e9 (optional stopping<\/em>). Un investigateur collecte les r\u00e9ponses de 30 participants, effectue un test statistique, constate que $p = 0{,}08$<\/span>, puis d\u00e9cide de recruter 10 participants suppl\u00e9mentaires dans l’espoir de faire basculer la statistique sous la barre des 0,05, r\u00e9p\u00e9tant l’op\u00e9ration jusqu’\u00e0 ce que le seuil soit franchi. Sur le plan probabiliste, cette inspection r\u00e9p\u00e9t\u00e9e des donn\u00e9es multiplie le taux d’erreur de type I r\u00e9el, le faisant grimper bien au-del\u00e0 de 20 % ou 30 % selon la fr\u00e9quence des tests interm\u00e9diaires, car le chercheur donne au hasard de multiples occasions d’atteindre le seuil critique.<\/p>\n Un autre vecteur majeur de p-hacking<\/em> r\u00e9side dans la manipulation des covariables et le choix s\u00e9lectif des variables de contr\u00f4le dans les mod\u00e8les d’analyse multivari\u00e9e ou d’analyse de covariance (ANCOVA). Face \u00e0 une relation bivari\u00e9e non significative entre une variable ind\u00e9pendante $X$<\/span> et une variable d\u00e9pendante $Y$<\/span>, l’analyste peut tester des dizaines de combinaisons de covariables (\u00e2ge, genre, niveau d’\u00e9ducation, statut socio-\u00e9conomique, interactions vari\u00e9es). En omettant de mentionner les mod\u00e8les qui ont \u00e9chou\u00e9 pour ne publier que celui o\u00f9 l’introduction d’un ensemble sp\u00e9cifique de r\u00e9gresseurs rend l’effet principal \u00ab significatif \u00bb, le chercheur transforme un bruit statistique en une pr\u00e9tendue d\u00e9couverte. De m\u00eame, les pratiques de transformation non motiv\u00e9e des variables \u2014 passage arbitraire d’une \u00e9chelle continue \u00e0 des cat\u00e9gories discr\u00e8tes par d\u00e9coupage en m\u00e9dianes ou en tertiles, \u00e9limination post-hoc de donn\u00e9es consid\u00e9r\u00e9es comme aberrantes (outliers<\/em>) sans crit\u00e8re formalis\u00e9 pr\u00e9alable, ou recours opportuniste \u00e0 des transformations logarithmiques uniquement lorsque celles-ci am\u00e9liorent la valeur de p<\/em> \u2014 constituent des manifestations quotidiennes de cette manipulation algorithmique.<\/p>\n La persistance et la g\u00e9n\u00e9ralisation du p-hacking<\/em> ne peuvent \u00eatre comprises si on les r\u00e9duit \u00e0 un manque d’\u00e9thique individuelle. Elles r\u00e9sultent de forces macro-structurelles et de biais cognitifs qui convergent pour r\u00e9compenser la flexibilit\u00e9 m\u00e9thodologique. Sur le plan institutionnel, l’acad\u00e9mie contemporaine demeure soumise \u00e0 la tyrannie du facteur d’impact et au ph\u00e9nom\u00e8ne du biais de publication. Depuis des d\u00e9cennies, les revues scientifiques de premier rang rejettent de mani\u00e8re quasi-syst\u00e9matique les \u00e9tudes concluant \u00e0 des absences d’effet (les \u00ab r\u00e9sultats nuls \u00bb), consid\u00e9r\u00e9es comme ennuyeuses, peu vendeuses et incapables de g\u00e9n\u00e9rer des citations. La valeur marchande d’un chercheur sur le march\u00e9 de l’emploi acad\u00e9mique \u2014 pour l’obtention d’une titularisation, l’attribution de bourses de recherche ou la reconnaissance par ses pairs \u2014 d\u00e9pend directement de sa capacit\u00e9 \u00e0 produire des r\u00e9sultats positifs. Cette r\u00e9alit\u00e9 socio-\u00e9conomique g\u00e9n\u00e8re une pression syst\u00e9mique intol\u00e9rable incitant \u00e0 \u00ab faire parler les donn\u00e9es \u00bb \u00e0 tout prix.<\/p>\n \u00c0 cette architecture institutionnelle d\u00e9l\u00e9t\u00e8re s’ajoutent des m\u00e9canismes psychologiques puissants, au premier rang desquels figure le biais de confirmation. Lorsqu’un scientifique con\u00e7oit une exp\u00e9rience, il nourrit presque invariablement une th\u00e9orie pr\u00e9alable qu’il souhaite valider. Si les donn\u00e9es brutes initiales ne confirment pas cette hypoth\u00e8se, le chercheur ne conclut que rarement \u00e0 la fausset\u00e9 de son intuition th\u00e9orique ; il tend plut\u00f4t \u00e0 suspecter un probl\u00e8me technique, un bruit exp\u00e9rimental ind\u00e9sirable ou la pr\u00e9sence de variables mod\u00e9ratrices non contr\u00f4l\u00e9es. Guid\u00e9 par une rationalisation sinc\u00e8re mais biais\u00e9e, il explore activement son corpus de donn\u00e9es jusqu’\u00e0 d\u00e9nicher la configuration statistique qui soutient son intuition premi\u00e8re. Ce processus s’accompagne fr\u00e9quemment du ph\u00e9nom\u00e8ne de HARKing<\/em> (Hypothesizing After the Results are Known<\/em>), d\u00e9crit par Norbert Kerr (1998)<\/a>, qui consiste \u00e0 pr\u00e9senter une d\u00e9couverte purement s\u00e9rendipiteuse ou accidentelle, rep\u00e9r\u00e9e au d\u00e9tour d’un croisement statistique post-hoc, comme si elle avait \u00e9t\u00e9 l’hypoth\u00e8se de d\u00e9part d\u00e9duite logiquement d’un corpus th\u00e9orique bien \u00e9tabli.<\/p>\n Enfin, cette vuln\u00e9rabilit\u00e9 est amplifi\u00e9e par des lacunes persistantes dans la formation p\u00e9dagogique dispens\u00e9e aux apprentis chercheurs. L’enseignement traditionnel des statistiques dans les fili\u00e8res de sciences humaines, biologiques et m\u00e9dicales s’est trop souvent r\u00e9sum\u00e9 \u00e0 un apprentissage m\u00e9canique de recettes algorithmiques, o\u00f9 l’\u00e9tudiant apprend \u00e0 ex\u00e9cuter des tests sous un logiciel propri\u00e9taire sans appr\u00e9hender la profondeur \u00e9pist\u00e9mologique de l’inf\u00e9rence. L’absence d’une compr\u00e9hension intime des paradoxes de l’inf\u00e9rence fr\u00e9quentiste, des dangers des comparaisons multiples et des perspectives alternatives offertes par l’inf\u00e9rence bay\u00e9sienne a cr\u00e9\u00e9 des g\u00e9n\u00e9rations d’analystes inconscients du fait que la flexibilit\u00e9 dans le choix des tests \u00e9quivaut math\u00e9matiquement \u00e0 une auto-illusion statistique d\u00e9vastatrice.<\/p>\n Les r\u00e9percussions du p-hacking<\/em> sur l’\u00e9difice scientifique mondial sont profondes et d\u00e9l\u00e9t\u00e8res. La cons\u00e9quence la plus imm\u00e9diate est une inflation massive et invisible du taux de faux positifs dans la litt\u00e9rature \u00e0 comit\u00e9 de lecture. Comme l’a d\u00e9montr\u00e9 de mani\u00e8re fondatrice John Ioannidis dans son article iconique de 2005 intitul\u00e9 \u00ab Why Most Published Research Findings Are False \u00bb, la combinaison d’une faible puissance statistique, d’une flexibilit\u00e9 analytique \u00e9lev\u00e9e et de biais de s\u00e9lection des r\u00e9sultats conduit \u00e0 une situation o\u00f9 la majorit\u00e9 des d\u00e9couvertes publi\u00e9es pr\u00e9tendant \u00e0 la v\u00e9rit\u00e9 empirique sont en r\u00e9alit\u00e9 des aberrations statistiques. En saturant les revues de relations causales chim\u00e9riques, le p-hacking<\/em> transforme des corpus scientifiques entiers en ch\u00e2teaux de sable m\u00e9thodologiques, rendant les synth\u00e8ses quantitatives ult\u00e9rieures, telles que les m\u00e9ta-analyses traditionnelles, particuli\u00e8rement vuln\u00e9rables \u00e0 l’illusion du consensus.<\/p>\n Au-del\u00e0 de la multiplication des faux positifs, le p-hacking<\/em> induit une surestimation dramatique et syst\u00e9matique de la taille des effets r\u00e9els, un ph\u00e9nom\u00e8ne connu sous le vocable de \u00ab mal\u00e9diction du vainqueur \u00bb (winner’s curse<\/em>). Lorsqu’un effet r\u00e9el existe mais pr\u00e9sente une magnitude modeste dans la population g\u00e9n\u00e9rale, seules les fluctuations d’\u00e9chantillonnage qui gonflent artificiellement sa taille permettent d’atteindre le seuil critique de significativit\u00e9 statistique en pr\u00e9sence d’\u00e9chantillons de taille r\u00e9duite. En publiant exclusivement ces versions hypertrophi\u00e9es de l’effet, les chercheurs transmettent \u00e0 la communaut\u00e9 une estimation erron\u00e9e de la puissance des ph\u00e9nom\u00e8nes \u00e9tudi\u00e9s, trompant ainsi les cliniciens, les d\u00e9cideurs publics et les concepteurs de politiques d’intervention sur l’efficacit\u00e9 v\u00e9ritable des th\u00e9rapeutiques ou des programmes sociaux mis en \u0153uvre.<\/p>\n Ce dysfonctionnement engendre un gaspillage colossal de ressources publiques et philanthropiques. Des millions d’heures de travail de chercheurs hautement qualifi\u00e9s et des budgets de recherche colossaux sont engloutis dans la tentative de r\u00e9pliquer ou de prolonger des r\u00e9sultats initiaux prestigieux mais fondamentalement vici\u00e9s par l’exploitation statistique des donn\u00e9es. Dans le secteur biom\u00e9dical, cette d\u00e9rive prend une tournure tragique : des essais cliniques de phases pr\u00e9coces sont initi\u00e9s chez l’humain sur la base de d\u00e9couvertes fondamentales in vitro ou animales obtenues par p-hacking<\/em>, exposant des patients \u00e0 des th\u00e9rapeutiques d\u00e9nu\u00e9es d’efficacit\u00e9 r\u00e9elle et retardant le d\u00e9veloppement de solutions m\u00e9dicales authentiquement curatives. Enfin, sur le plan soci\u00e9tal, l’\u00e9talage r\u00e9current de controverses scientifiques n\u00e9es de l’effondrement de th\u00e9ories adul\u00e9es alimente le scepticisme public et offre des arguments sp\u00e9cieux aux mouvements contestataires rejetant l’autorit\u00e9 de la preuve scientifique.<\/p>\n En rupture radicale avec les pratiques d’opacit\u00e9 qui ont rendu le p-hacking<\/em> possible et structurellement rentable, le mouvement de la science ouverte (Open Science<\/em>) s’est affirm\u00e9 comme une r\u00e9ing\u00e9nierie globale de la m\u00e9thode scientifique. Loin d’\u00eatre une simple posture id\u00e9ologique favorable \u00e0 la gratuit\u00e9 num\u00e9rique, la science ouverte s’articule autour de piliers m\u00e9thodologiques rigoureux con\u00e7us pour r\u00e9tablir une correspondance stricte entre la r\u00e9alit\u00e9 des protocoles de recherche et les affirmations publi\u00e9es. Le premier de ces piliers, et indubitablement le plus structurant pour juguler les d\u00e9rives statistiques, est le pr\u00e9-enregistrement (preregistration<\/em>) des \u00e9tudes. Le pr\u00e9-enregistrement contraint les chercheurs \u00e0 consigner formellement, sur une plateforme num\u00e9rique immuable et horodat\u00e9e avant d’avoir acc\u00e8s aux donn\u00e9es, l’ensemble de leurs hypoth\u00e8ses de recherche, les crit\u00e8res pr\u00e9cis d’inclusion et d’exclusion des participants, la taille d\u00e9finitive de l’\u00e9chantillon vis\u00e9 et le script complet des analyses statistiques pr\u00e9vues.<\/p>\n Le deuxi\u00e8me pilier repose sur le principe de l’Open Data<\/em> (donn\u00e9es ouvertes) et de l’Open Materials<\/em> (mat\u00e9riels ouverts). Dans le mod\u00e8le traditionnel de l’article scientifique herm\u00e9tique, le lecteur ne dispose que d’un r\u00e9cit synth\u00e9tique et \u00e9pur\u00e9 r\u00e9dig\u00e9 par les auteurs, les donn\u00e9es brutes demeurant inaccessibles sur les disques durs personnels, prot\u00e9g\u00e9es par le pr\u00e9texte commode mais souvent fallacieux de la confidentialit\u00e9 ou de la propri\u00e9t\u00e9 intellectuelle. La science ouverte exige que les matrices de donn\u00e9es anonymis\u00e9es compl\u00e8tes soient d\u00e9pos\u00e9es dans des entrep\u00f4ts s\u00e9curis\u00e9s et publics, accompagn\u00e9es de l’ensemble des stimuli exp\u00e9rimentaux, des questionnaires, des protocoles de laboratoire et des guides de codage. Cette mise \u00e0 disposition permet non seulement l’audit minutieux des r\u00e9sultats par des pairs ind\u00e9pendants, mais elle facilite \u00e9galement la d\u00e9tection des anomalies, la v\u00e9rification de la robustesse des mod\u00e8les et l’agr\u00e9gation continue des donn\u00e9es au sein de m\u00e9gabases de donn\u00e9es ouvertes.<\/p>\n Le troisi\u00e8me pilier r\u00e9side dans l’ouverture des codes sources et des scripts de calcul computationnels (Open Code<\/em>). \u00c0 une \u00e9poque o\u00f9 l’\u00e9crasante majorit\u00e9 des sciences empiriques repose sur des cha\u00eenes de traitement informatique complexes sous des langages tels que R, Python, Julia ou MATLAB, la simple description textuelle des analyses dans la section m\u00e9thodologique d’un article s’av\u00e8re syst\u00e9matiquement insuffisante pour assurer la reproductibilit\u00e9 computationnelle exacte. La mise \u00e0 disposition int\u00e9grale du code ex\u00e9cutable garantit que la transformation des donn\u00e9es brutes en tableaux de r\u00e9sultats d\u00e9finitifs ne dissimule aucune ligne de commande subreptice, aucune exclusion arbitraire de lignes du tableau et aucun param\u00e9trage biais\u00e9 d’algorithmes d’estimation. Enfin, ce dispositif est parachev\u00e9 par l’acc\u00e8s ouvert aux publications (Open Access<\/em>) et par l’\u00e9valuation par les pairs ouverte (Open Peer Review<\/em>), qui permettent de d\u00e9senclaver le savoir scientifique en soumettant les expertises critiques \u00e0 la vue de tous, renfor\u00e7ant ainsi la responsabilit\u00e9 d\u00e9ontologique des \u00e9valuateurs.<\/p>\n Pour d\u00e9passer le stade de l’incantation morale, le mouvement de la science ouverte a d\u00e9velopp\u00e9 un \u00e9cosyst\u00e8me d’infrastructures techniques robustes et de nouveaux standards \u00e9ditoriaux. Au premier rang de ces technologies figurent les plateformes d’archivage et de pr\u00e9-enregistrement, telles que l’Open Science Framework (OSF)<\/a>, d\u00e9velopp\u00e9e par le Center for Open Science, ou le service simplifi\u00e9 AsPredicted<\/a>. Ces plateformes offrent aux \u00e9quipes de recherche un environnement cryptographiquement s\u00e9curis\u00e9 permettant de sceller des plans d’exp\u00e9rience horodat\u00e9s, rendus infalsifiables gr\u00e2ce \u00e0 des m\u00e9canismes d’empreintes num\u00e9riques (hash<\/em>). Le chercheur peut conserver son protocole sous un embargo temporaire le temps de la collecte des donn\u00e9es pour prot\u00e9ger sa primeur intellectuelle, tout en garantissant qu’au moment de la publication, la conformit\u00e9 entre le plan initial et le manuscrit final pourra \u00eatre rigoureusement audit\u00e9e par les pairs.<\/p>\n L’innovation institutionnelle la plus radicale et la plus efficace contre les d\u00e9rives du p-hacking<\/em> est incontestablement le format \u00e9ditorial des Registered Reports<\/em> (rapports pr\u00e9-enregistr\u00e9s). Contrairement au cycle de publication standard o\u00f9 les pairs n’\u00e9valuent le manuscrit qu’une fois les donn\u00e9es collect\u00e9es et les analyses achev\u00e9es \u2014 ce qui encourage les auteurs \u00e0 polir artificiellement leurs r\u00e9sultats pour s\u00e9duire les r\u00e9viseurs \u2014, les Registered Reports<\/em> scindent l’\u00e9valuation par les pairs en deux \u00e9tapes temporelles \u00e9tanches :<\/p>\n Parall\u00e8lement, la standardisation de la gestion des donn\u00e9es a trouv\u00e9 une assise universelle \u00e0 travers les principes directeurs FAIR<\/strong> (Findable, Accessible, Interoperable, Reusable<\/em>), qui imposent que les donn\u00e9es scientifiques soient identifi\u00e9es par des identifiants p\u00e9rennes (comme les DOI), accompagn\u00e9es de m\u00e9tadonn\u00e9es riches, structur\u00e9es dans des formats ouverts non propri\u00e9taires et associ\u00e9es \u00e0 des licences d’utilisation transparentes (telles que les licences Creative Commons). En outre, plus de mille revues scientifiques ont souscrit aux normes TOP<\/strong> (Transparency and Openness Promotion Guidelines<\/em>), qui instaurent une graduation d’exigences contractuelles obligeant les auteurs \u00e0 divulguer si leurs donn\u00e9es, leurs codes et leurs protocoles sont partag\u00e9s, voire \u00e0 conditionner la soumission de tout manuscrit \u00e0 l’ouverture effective de ces artefacts m\u00e9thodologiques.<\/p>\n L’adoption des pratiques de science ouverte engendre des externalit\u00e9s positives consid\u00e9rables qui transcendent la seule neutralisation des erreurs m\u00e9thodologiques. Le premier b\u00e9n\u00e9fice r\u00e9side dans la restauration de la robustesse fondamentale du corpus scientifique mondial. Lorsque les \u00e9tudes sont publi\u00e9es sous le format des Registered Reports<\/em>, le taux de confirmation des hypoth\u00e8ses initiales s’effondre de mani\u00e8re spectaculaire, passant d’un niveau artificiel de plus de 90 % dans la litt\u00e9rature conventionnelle \u00e0 environ 40 % ou 50 %. Ce chiffre, loin de t\u00e9moigner d’un \u00e9chec de l’investigation, refl\u00e8te fid\u00e8lement la r\u00e9alit\u00e9 de la d\u00e9marche exploratoire dans des domaines complexes : il r\u00e9habilite pleinement la dignit\u00e9 \u00e9pist\u00e9mique des \u00ab r\u00e9sultats nuls \u00bb, qui cessent d’\u00eatre des \u00e9checs professionnels honteux pour redevenir des donn\u00e9es scientifiques informatives \u00e9cartant des impasses th\u00e9oriques.<\/p>\n Sur le plan de l’\u00e9quit\u00e9 et de la justice \u00e9pist\u00e9mique internationale, la science ouverte constitue un formidable vecteur de d\u00e9mocratisation. Pendant des g\u00e9n\u00e9rations, l’acc\u00e8s aux avanc\u00e9es de la recherche et la possibilit\u00e9 de conduire des m\u00e9ta-recherches novatrices sont demeur\u00e9s l’apanage quasi-exclusif des universit\u00e9s occidentales richement dot\u00e9es, capables de s’acquitter des tarifs prohibitifs impos\u00e9s par les grands cartels de l’\u00e9dition scientifique priv\u00e9e (les paywalls<\/em>). En rendant les jeux de donn\u00e9es bruts, les outils computationnels open-source et les publications accessibles instantan\u00e9ment \u00e0 n’importe quel chercheur ou \u00e9tudiant sur la plan\u00e8te, de l’Afrique subsaharienne \u00e0 l’Asie du Sud-Est, l’Open Science<\/em> permet une r\u00e9utilisation productive des corpus empiriques existants par des \u00e9quipes d\u00e9pourvues de budgets colossaux pour financer des laboratoires exp\u00e9rimentaux lourds.<\/p>\n Enfin, pour la soci\u00e9t\u00e9 civile dans son ensemble, l’ouverture structurelle de la d\u00e9marche de recherche permet d’acc\u00e9l\u00e9rer substantiellement le rythme des d\u00e9couvertes cumulatives tout en consolidant le pacte de confiance entre la cit\u00e9 et la communaut\u00e9 acad\u00e9mique. La crise sanitaire mondiale de la COVID-19 en a fourni une illustration saisissante : le partage imm\u00e9diat de la s\u00e9quence g\u00e9nomique virale sur des serveurs ouverts et la diffusion en pr\u00e9publication ouverte des essais th\u00e9rapeutiques ont permis le d\u00e9veloppement de vaccins \u00e0 une vitesse historiquement sans pr\u00e9c\u00e9dent. La science ouverte d\u00e9place le centre de gravit\u00e9 de l’activit\u00e9 intellectuelle de la proprietary science (science de possession et de r\u00e9tention) vers une ressource commune universelle, offrant aux citoyens et aux d\u00e9cideurs publics la garantie que les connaissances mobilis\u00e9es n’ont pas \u00e9t\u00e9 sculpt\u00e9es par les biais opportunistes du p-hacking<\/em>.<\/p>\n Pour appr\u00e9hender la rupture paradigmatique qui s’op\u00e8re dans la recherche contemporaine, il est n\u00e9cessaire de confronter le p-hacking<\/em> et la science ouverte le long d’axes \u00e9pist\u00e9mologiques pr\u00e9cis. La premi\u00e8re dimension de divergence concerne la finalit\u00e9 t\u00e9l\u00e9ologique de l’acte de recherche. Dans le paradigme traditionnel o\u00f9 s’\u00e9panouit le p-hacking<\/em>, l’objectif op\u00e9rationnel implicite de l’analyste est la maximisation du r\u00e9sultat<\/strong> : la validation d’une hypoth\u00e8se orient\u00e9e et l’obtention d’un seuil $p < 0{,}05$ conditionnent l'acceptabilit\u00e9 sociale et professionnelle du travail. La fin (le r\u00e9sultat spectaculaire et propre) justifie les moyens (la s\u00e9lection des donn\u00e9es et la transformation opportuniste des variables). \u00c0 l'inverse, la science ouverte promeut une \u00e9pist\u00e9mologie o\u00f9 la fin est subordonn\u00e9e \u00e0 la fid\u00e9lit\u00e9 absolue au processus<\/strong> : la valeur d’une \u00e9tude r\u00e9side exclusivement dans la rigueur formelle de son design, dans sa puissance statistique a priori et dans l’exactitude de son ex\u00e9cution, quelle que soit la direction finale prise par les donn\u00e9es.<\/p>\n La deuxi\u00e8me divergence majeure a trait \u00e0 la transparence et \u00e0 la tra\u00e7abilit\u00e9 de l’espace d’analyse statistique. Dans une d\u00e9marche compromise par le p-hacking<\/em>, l’analyste \u00e9volue dans ce qu’Andrew Gelman et Eric Loken (2014)<\/a> ont m\u00e9taphoris\u00e9 sous le concept de \u00ab jardin aux sentiers qui bifurquent \u00bb (garden of forking paths<\/em>). Au fil du traitement des donn\u00e9es, le chercheur emprunte une multitude de bifurcations analytiques possibles (inclure ou exclure tel sujet, transformer telle variable, ajouter telle covariable), tout en dissimulant l’ensemble des branches non fructueuses pour ne pr\u00e9senter dans son article final qu’un sentier rectiligne et immacul\u00e9. La science ouverte impose au contraire une tra\u00e7abilit\u00e9 int\u00e9grale : chaque embranchement doit \u00eatre sp\u00e9cifi\u00e9 \u00e0 l’avance dans un plan d’analyse immuable, et si des d\u00e9viations en cours de route s’av\u00e8rent scientifiquement in\u00e9vitables (par exemple en raison d’un probl\u00e8me technique impr\u00e9vu sur un instrument), elles doivent \u00eatre explicitement \u00e9tiquet\u00e9es, justifi\u00e9es et document\u00e9es dans le cahier de laboratoire num\u00e9rique public.<\/p>\n Une troisi\u00e8me ligne de fracture fondamentale concerne la gestion du risque statistique et la temporalit\u00e9 de l’engagement th\u00e9orique. Le p-hacking<\/em> repose math\u00e9matiquement sur une exploitation syst\u00e9matique de l’erreur d’\u00e9chantillonnage et de l’erreur de type I : en multipliant silencieusement les angles d’attaque sur un jeu de donn\u00e9es, l’analyste augmente consid\u00e9rablement la probabilit\u00e9 d’observer un r\u00e9sultat trompeur d\u00fb au hasard tout en le pr\u00e9sentant comme une r\u00e9gularit\u00e9 d\u00e9terministe. De plus, la formulation des hypoth\u00e8ses s’y effectue trop souvent de mani\u00e8re r\u00e9troactive (HARKing<\/em>), r\u00e9\u00e9crivant l’histoire intellectuelle du projet pour faire co\u00efncider les pr\u00e9misses th\u00e9oriques avec les anomalies statistiques d\u00e9cel\u00e9es post-hoc. La science ouverte, en restaurant la primaut\u00e9 du pr\u00e9-enregistrement, contraint l’esprit scientifique \u00e0 un engagement prospectif absolu : les pr\u00e9dictions sont grav\u00e9es dans le marbre num\u00e9rique avant la r\u00e9v\u00e9lation des donn\u00e9es, r\u00e9tablissant la fronti\u00e8re logique infranchissable entre le contexte de d\u00e9couverte et le contexte de justification conceptualis\u00e9 par Hans Reichenbach.<\/p>\n Le tableau ci-dessous formalise l’opposition syst\u00e9matique entre les pratiques caract\u00e9ristiques du p-hacking<\/em> et les m\u00e9canismes correcteurs institu\u00e9s par l’\u00e9cosyst\u00e8me de la science ouverte :<\/p>\n1. Introduction : La crise de reproductibilit\u00e9 et les dynamiques m\u00e9thodologiques contemporaines<\/h2>\n
1.1 D\u00e9finition pr\u00e9liminaire et contextualisation \u00e9pist\u00e9mologique<\/h3>\n
1.2 Pourquoi confronter ces deux paradigmes ?<\/h3>\n
2. Comprendre le P-Hacking : M\u00e9canismes, motivations et manifestations<\/h2>\n
2.1 M\u00e9canismes statistiques et degr\u00e9s de libert\u00e9 du chercheur<\/h3>\n
2.2 Facteurs structurels et psychologiques sous-jacents<\/h3>\n
2.3 Cons\u00e9quences syst\u00e9miques sur la litt\u00e9rature acad\u00e9mique<\/h3>\n
3. Comprendre la Science Ouverte : Principes, piliers et \u00e9cosyst\u00e8me<\/h2>\n
3.1 Les piliers fondamentaux du mouvement open science<\/h3>\n
3.2 Outils et architectures institutionnelles<\/h3>\n
\n
3.3 B\u00e9n\u00e9fices pour la communaut\u00e9 scientifique et la soci\u00e9t\u00e9<\/h3>\n
4. Diff\u00e9rences fondamentales entre P-Hacking et Science Ouverte<\/h2>\n
4.1 Dimensions conceptuelles et m\u00e9thodologiques<\/h3>\n
4.2 Matrice comparative des dimensions op\u00e9rationnelles<\/h3>\n