Dans le champ des sciences cognitives contemporaines et de la psychologie du jugement, le th\u00e9or\u00e8me de Bayes s’est impos\u00e9 non seulement comme une r\u00e8gle math\u00e9matique fondamentale du calcul des probabilit\u00e9s conditionnelles, mais \u00e9galement comme une m\u00e9taphore matricielle de l’esprit humain. Ce principe formalise math\u00e9matiquement la mani\u00e8re rationnelle dont un agent \u00e9pist\u00e9mique r\u00e9actualise ses croyances ant\u00e9rieures lorsqu’il est confront\u00e9 \u00e0 de nouveaux \u00e9l\u00e9ments de preuve empiriques. En reliant l’incertitude psychologique \u00e0 une m\u00e9canique normative de r\u00e9vision des hypoth\u00e8ses, ce th\u00e9or\u00e8me \u00e9claire aussi bien les m\u00e9canismes computationnels de la perception sensorielle que les d\u00e9viations syst\u00e9matiques observ\u00e9es dans les heuristiques et biais d\u00e9cisionnels de l’\u00eatre humain.<\/p>\n
Le th\u00e9or\u00e8me de Bayes<\/strong> est une proposition math\u00e9matique issue de la th\u00e9orie des probabilit\u00e9s qui \u00e9nonce la r\u00e8gle formelle permettant de calculer la probabilit\u00e9 conditionnelle d’un \u00e9v\u00e9nement ou d’une hypoth\u00e8se sachant la r\u00e9alisation d’un autre \u00e9v\u00e9nement ou l’observation d’une donn\u00e9e empirique. En psychologie et en sciences cognitives, il d\u00e9finit la norme id\u00e9ale selon laquelle un syst\u00e8me cognitif doit ajuster quantitativement le degr\u00e9 de plausibilit\u00e9 attribu\u00e9 \u00e0 une proposition th\u00e9orique ou perceptuelle en fonction de la vraisemblance des nouvelles informations recueillies.<\/p>\n Sur le plan conceptuel, le th\u00e9or\u00e8me de Bayes op\u00e8re une synth\u00e8se dialectique rigoureuse entre l’exp\u00e9rience pass\u00e9e d’un individu et la contingence de son flux sensoriel imm\u00e9diat. Il stipule que la probabilit\u00e9 a posteriori<\/em> d’une hypoth\u00e8se est directement proportionnelle au produit de sa probabilit\u00e9 a priori<\/em> (l’attente ou la croyance initiale ind\u00e9pendante de la nouvelle observation) et de sa vraisemblance (la plausibilit\u00e9 d’observer pr\u00e9cis\u00e9ment cette donn\u00e9e si l’hypoth\u00e8se consid\u00e9r\u00e9e s’av\u00e9rait vraie). Ce m\u00e9canisme constitue le socle normatif d’une rationalit\u00e9 adaptative capable de naviguer dans un monde probabiliste et intrins\u00e8quement bruit\u00e9.<\/p>\n Dans le domaine de la psychologie exp\u00e9rimentale et des neurosciences computationnelles, le th\u00e9or\u00e8me sert \u00e0 la fois d’\u00e9talon de mesure pour \u00e9valuer la rationalit\u00e9 humaine et de mod\u00e8le architectural pour comprendre le fonctionnement c\u00e9r\u00e9bral. L’approche bay\u00e9sienne postule ainsi que nombre d’op\u00e9rations mentales, depuis l’int\u00e9gration multisensorielle jusqu’au diagnostic clinique ou \u00e0 la cat\u00e9gorisation conceptuelle, peuvent \u00eatre formalis\u00e9es comme des inf\u00e9rences inductives optimales op\u00e9rant sous des contraintes environnementales et computationnelles d\u00e9finies.<\/p>\n Le th\u00e9or\u00e8me doit son nom au math\u00e9maticien et pasteur presbyt\u00e9rien non-conformiste britannique Thomas Bayes (vers 1701\u20131761). Le patronyme \u00ab Bayes \u00bb est issu d’une toponymie anglo-normande ancienne, probablement d\u00e9riv\u00e9e du lieu d’origine ou d’une racine m\u00e9di\u00e9vale d\u00e9signant une baie g\u00e9ographique ou un passage. Le mot \u00ab th\u00e9or\u00e8me \u00bb d\u00e9rive quant \u00e0 lui du grec ancien the\u00f4rema<\/em> (\u03b8\u03b5\u03ce\u03c1\u03b7\u03bc\u03b1), qui signifie litt\u00e9ralement \u00ab objet de contemplation \u00bb, \u00ab spectacle \u00bb ou \u00ab proposition que l’on d\u00e9montre par la d\u00e9duction intellectuelle \u00bb, lui-m\u00eame d\u00e9riv\u00e9 du verbe the\u00f4rein<\/em> (contempler, examiner, observer).<\/p>\n Le m\u00e9moire fondateur de Thomas Bayes, intitul\u00e9 An Essay towards solving a Problem in the Doctrine of Chances<\/em>, a \u00e9t\u00e9 pr\u00e9sent\u00e9 \u00e0 titre posthume \u00e0 la Royal Society de Londres en 1763 par son confr\u00e8re et ami Richard Price. Le manuscrit initial ne formulait pas explicitement la version moderne du th\u00e9or\u00e8me sous son \u00e9quation symbolique actuelle ; c’est le math\u00e9maticien, astronome et philosophe fran\u00e7ais Pierre-Simon de Laplace qui, ind\u00e9pendamment et de fa\u00e7on autonome d\u00e8s 1774 dans son m\u00e9moire sur les probabilit\u00e9s des causes par les \u00e9v\u00e9nements, en donna la formalisation alg\u00e9brique compl\u00e8te et rigoureuse, fondant ainsi v\u00e9ritablement ce que l’histoire des sciences nommera plus tard l’inf\u00e9rence bay\u00e9sienne<\/a>.<\/p>\n Dans la litt\u00e9rature francophone en sciences humaines, l’expression s’est progressivement stabilis\u00e9e au cours du XXe si\u00e8cle, d’abord dans les trait\u00e9s d’\u00e9pist\u00e9mologie et de logique probabiliste, avant de p\u00e9n\u00e9trer le champ de la psychologie cognitive dans les ann\u00e9es 1960 sous l’impulsion de chercheurs pionniers \u00e9tudiant la mani\u00e8re dont les sujets humains s’\u00e9cartent ou se conforment \u00e0 cette norme d\u00e9ductive lors de la prise de d\u00e9cision en environnement incertain.<\/p>\n Sur le plan phon\u00e9tique, \u00ab th\u00e9or\u00e8me de Bayes \u00bb se prononce couramment en fran\u00e7ais standard sous la forme transcrite dans l’Alphabet Phon\u00e9tique International : \/te.\u0254.\u0281\u025bm d\u0259 b\u025bjz\/ ou \/te.\u0254.\u0281\u025bm d\u0259 ba.j\u025bs\/. L’anglicisation fr\u00e9quente conduit souvent les locuteurs \u00e0 prononcer le patronyme \/b\u025bjz\/, tandis qu’une francisation plus litt\u00e9rale fait parfois entendre la forme \/bajs\/ ou \/ba.j\u025bs\/. Dans les contextes acad\u00e9miques francophones, la prononciation \/b\u025bjz\/ pr\u00e9domine largement en raison de l’origine britannique de Thomas Bayes.<\/p>\n Sur le plan grammatical, l’expression est un syntagme nominal masculin singulier compos\u00e9 d’un nom commun r\u00e9gissant (\u00ab th\u00e9or\u00e8me \u00bb) et d’un compl\u00e9ment de d\u00e9termination form\u00e9 de la pr\u00e9position \u00ab de \u00bb suivie du nom propre invariable (\u00ab Bayes \u00bb). Ses d\u00e9riv\u00e9s linguistiques incluent l’adjectif \u00ab bay\u00e9sien \u00bb (f\u00e9minin : \u00ab bay\u00e9sienne \u00bb ; pluriel : \u00ab bay\u00e9siens \u00bb, \u00ab bay\u00e9siennes \u00bb), le substantif \u00e9pist\u00e9mique \u00ab bay\u00e9sianisme \u00bb (d\u00e9signant le cadre doctrinal et philosophique qui interpr\u00e8te la probabilit\u00e9 comme un degr\u00e9 de croyance subjective) et le verbe technique d’usage scientifique \u00ab bay\u00e9sianiser \u00bb (formaliser une probl\u00e9matique selon les principes de l’actualisation bay\u00e9sienne).<\/p>\n Le terme s’utilise invariablement en contexte d\u00e9claratif pour d\u00e9signer soit la formule math\u00e9matique en tant qu’\u00e9nonc\u00e9 axiomatique, soit le principe m\u00e9thodologique g\u00e9n\u00e9ral d’actualisation probabiliste qui en d\u00e9coule dans l’analyse de donn\u00e9es exp\u00e9rimentales ou dans la mod\u00e9lisation des architectures cognitives.<\/p>\n La compr\u00e9hension approfondie du th\u00e9or\u00e8me de Bayes<\/a> exige de clarifier la rupture \u00e9pist\u00e9mologique qu’il introduit par rapport \u00e0 la conception fr\u00e9quentiste traditionnelle de la probabilit\u00e9. Alors que l’approche fr\u00e9quentiste restreint la notion de probabilit\u00e9 \u00e0 la limite asymptotique de la fr\u00e9quence relative d’un \u00e9v\u00e9nement reproductible \u00e0 l’infini, la vision bay\u00e9sienne conf\u00e8re \u00e0 la probabilit\u00e9 un statut \u00e9pist\u00e9mique : elle quantifie la certitude, la plausibilit\u00e9 ou le degr\u00e9 de confiance rationnelle qu’un observateur accorde \u00e0 une hypoth\u00e8se donn\u00e9e dans un \u00e9tat particulier de connaissance incompl\u00e8te.<\/p>\n L’expression math\u00e9matique standard du th\u00e9or\u00e8me de Bayes s’\u00e9nonce selon la relation canonique suivante : la probabilit\u00e9 a posteriori<\/em> d’une hypoth\u00e8se H<\/em> sachant l’observation empirique D<\/em>, not\u00e9e P(H|D)<\/em>, est \u00e9gale au produit de la vraisemblance de ces donn\u00e9es sous l’hypoth\u00e8se, P(D|H)<\/em>, et de la probabilit\u00e9 a priori<\/em> de cette hypoth\u00e8se, P(H)<\/em>, le tout divis\u00e9 par la probabilit\u00e9 marginale d’apparition des donn\u00e9es, not\u00e9e P(D)<\/em>. Cette probabilit\u00e9 marginale joue le r\u00f4le d’une constante de normalisation garantissant que l’ensemble des probabilit\u00e9s a posteriori<\/em> attribu\u00e9es \u00e0 toutes les hypoth\u00e8ses mutuellement exclusives et exhaustives forme une distribution dont la somme est \u00e9gale \u00e0 1.<\/p>\n Ce formalisme \u00e9tablit une dialectique continue de r\u00e9vision des repr\u00e9sentations mentales. Toute probabilit\u00e9 a posteriori<\/em> obtenue \u00e0 l’issue de l’int\u00e9gration d’un indice perceptif ou d’une observation empirique se transforme instantan\u00e9ment en probabilit\u00e9 a priori<\/em> pour le cycle d’apprentissage ou de perception suivant. Il en r\u00e9sulte un processus it\u00e9ratif dynamique o\u00f9 l’agent cognitif raffine continuellement son mod\u00e8le interne du monde \u00e0 mesure qu’il interagit avec son environnement, r\u00e9duisant progressivement son entropie informationnelle ou incertitude globale.<\/p>\n L’\u00e9tendue th\u00e9orique du th\u00e9or\u00e8me embrasse ainsi deux niveaux distincts de l’analyse psychologique : un niveau descriptif et un niveau normatif. En tant que norme de rationalit\u00e9, le th\u00e9or\u00e8me d\u00e9termine comment un esprit rationnel sans limitation de m\u00e9moire ni contrainte temporelle devrait combiner de mani\u00e8re optimale des indices vari\u00e9s pour formuler un jugement. En tant qu’outil descriptif, il sert de mod\u00e8le de r\u00e9f\u00e9rence face auquel les conduites r\u00e9elles des sujets humains sont compar\u00e9es, permettant aux chercheurs d’identifier des \u00e9carts de calibration, des conservatismes intellectuels ou des n\u00e9gligences d’information statistique.<\/p>\n Enfin, \u00e0 l’\u00e9chelle des architectures neurocognitives, le th\u00e9or\u00e8me de Bayes a cess\u00e9 d’\u00eatre une simple hypoth\u00e8se relative au raisonnement explicite pour devenir la pierre angulaire des th\u00e9ories contemporaines du traitement de l’information corticale. Le syst\u00e8me nerveux est d\u00e9sormais envisag\u00e9 comme un moteur d’inf\u00e9rence active qui compare en permanence des pr\u00e9dictions descendantes (fond\u00e9es sur des priors<\/em> m\u00e9moris\u00e9s) \u00e0 des entr\u00e9es sensorielles ascendantes, le th\u00e9or\u00e8me bay\u00e9sien dictant la pond\u00e9ration relative qu’il convient d’accorder \u00e0 ces deux flux en fonction de leur pr\u00e9cision respective.<\/p>\n L’histoire de l’\u00e9mergence et de la diffusion du th\u00e9or\u00e8me de Bayes traverse plus de deux si\u00e8cles et demi de d\u00e9bats philosophiques et de r\u00e9volutions m\u00e9thodologiques. Au milieu du XVIIIe si\u00e8cle, Thomas Bayes, influenc\u00e9 par la pol\u00e9mique suscit\u00e9e par David Hume autour de la validit\u00e9 de l’induction et de la possibilit\u00e9 de prouver des causes \u00e0 partir d’effets observ\u00e9s, chercha \u00e0 concevoir un mod\u00e8le math\u00e9matique permettant de remonter de mani\u00e8re probabiliste d’un \u00e9chantillon fini vers la loi g\u00e9n\u00e9rale sous-jacente. Son exp\u00e9rience de pens\u00e9e de la table de billard, consign\u00e9e dans son carnet et formalis\u00e9e par Richard Price en 1763, illustre comment la position inconnue d’une premi\u00e8re boule peut \u00eatre progressivement localis\u00e9e gr\u00e2ce aux positions successives d’autres boules lanc\u00e9es al\u00e9atoirement.<\/p>\n Cependant, c’est au g\u00e9nie de Pierre-Simon de Laplace que l’on doit la formulation du principe sous le nom de \u00ab principe de probabilit\u00e9 inverse \u00bb en 1774, puis son d\u00e9veloppement magistral dans sa Th\u00e9orie analytique des probabilit\u00e9s<\/em> de 1812. Laplace utilisa la r\u00e8gle bay\u00e9sienne pour r\u00e9soudre des probl\u00e8mes astronomiques d’envergure, estimer la masse de Jupiter et analyser la pr\u00e9cision des donn\u00e9es d\u00e9mographiques. Malgr\u00e9 ces triomphes initiaux, le XIXe si\u00e8cle et la premi\u00e8re moiti\u00e9 du XXe si\u00e8cle virent un recul marqu\u00e9 de l’approche bay\u00e9sienne, vivement attaqu\u00e9e par des statisticiens \u00e9minents tels que Ronald Fisher, Jerzy Neyman et Egon Pearson, qui rejetaient l’introduction des probabilit\u00e9s a priori<\/em> en raison de leur caract\u00e8re jug\u00e9 irr\u00e9m\u00e9diablement subjectif et non scientifique.<\/p>\n La renaissance de la doctrine bay\u00e9sienne s’op\u00e9ra au cours de la Seconde Guerre mondiale sous l’\u00e9gide d’Alan Turing et de Jack Good lors du d\u00e9cryptage de la machine Enigma \u00e0 Bletchley Park, puis gr\u00e2ce aux travaux fondateurs de math\u00e9maticiens et d’\u00e9conomistes tels que Harold Jeffreys, Bruno de Finetti et Leonard Jimmie Savage. Dans les ann\u00e9es 1960, Ward Edwards et ses coll\u00e8gues de l’Universit\u00e9 du Michigan introduisirent le formalisme bay\u00e9sien en psychologie exp\u00e9rimentale par une s\u00e9rie d’articles historiques d\u00e9montrant que, bien que les humains modifient leurs estimations dans la direction prescrite par le th\u00e9or\u00e8me de Bayes, ils le font g\u00e9n\u00e9ralement de fa\u00e7on trop conservatrice par rapport \u00e0 la norme math\u00e9matique.<\/p>\n \u00c0 partir des ann\u00e9es 1970, le paradigme des heuristiques et biais popularis\u00e9 par Daniel Kahneman et Amos Tversky mit en lumi\u00e8re la tendance r\u00e9currente de l’esprit humain \u00e0 ignorer les probabilit\u00e9s a priori<\/em> (le fameux biais de l’oubli de la fr\u00e9quence de base), rel\u00e9guant temporairement l’inf\u00e9rence bay\u00e9sienne au rang de mod\u00e8le que l’esprit n’applique pr\u00e9cis\u00e9ment pas. N\u00e9anmoins, \u00e0 la fin du XXe si\u00e8cle et \u00e0 l’or\u00e9e du XXIe si\u00e8cle, une r\u00e9volution computationnelle majeure men\u00e9e par des chercheurs comme David Knill, Alexandre Pouget, Joshua Tenenbaum et Thomas Griffiths a r\u00e9habilit\u00e9 le th\u00e9or\u00e8me de Bayes comme cadre explicatif fondamental du fonctionnement de l’esprit, r\u00e9conciliation qui a trouv\u00e9 son aboutissement le plus spectaculaire dans l’hypoth\u00e8se du cerveau bay\u00e9sien<\/a> et les th\u00e9ories du codage pr\u00e9dictif.<\/p>\n Les fondements th\u00e9oriques de l’application du th\u00e9or\u00e8me de Bayes en psychologie reposent sur plusieurs paradigmes articul\u00e9s autour de la rationalit\u00e9 \u00e9pist\u00e9mique, de la th\u00e9orie computationnelle de l’esprit et de la thermodynamique de l’information. L’un des piliers majeurs r\u00e9side dans la d\u00e9monstration math\u00e9matique fournie par le th\u00e9or\u00e8me de Cox (1946) et les arguments de \u00ab Dutch Book \u00bb (livre hollandais) issus de la philosophie pragmatiste : toute entit\u00e9 dont les degr\u00e9s de croyance violent les axiomes de la th\u00e9orie des probabilit\u00e9s et le principe d’actualisation bay\u00e9sienne s’expose in\u00e9vitablement \u00e0 des d\u00e9cisions sous-optimales ou \u00e0 des paris intrins\u00e8quement perdants, quelle que soit l’issue des \u00e9v\u00e9nements.<\/p>\n Dans la typologie des niveaux d’analyse formul\u00e9e par David Marr, le th\u00e9or\u00e8me de Bayes op\u00e8re initialement au niveau computationnel : il d\u00e9finit l’objectif de la t\u00e2che cognitive (la r\u00e9solution optimale de l’ambigu\u00eft\u00e9 informationnelle) et la logique formelle sous-jacente qui permet d’atteindre ce but. Ce niveau se distingue du niveau algorithmique (les heuristiques, approximations et raccourcis mentaux concr\u00e8tement mobilis\u00e9s) et du niveau de l’impl\u00e9mentation physique (les circuits neuronaux et les synapses qui mat\u00e9rialisent ces op\u00e9rations probabilistes). L’id\u00e9alisme normatif bay\u00e9sien postule que l’esprit humain s’approche d’une optimisation bay\u00e9sienne contrainte par les limites des ressources \u00e9nerg\u00e9tiques et attentionnelles.<\/p>\n Sur le plan des neurosciences th\u00e9oriques, le cadre formel s’est greff\u00e9 sur le principe de l’\u00e9nergie libre formul\u00e9 par Karl Friston<\/a>. Selon ce cadre th\u00e9orique, les organismes vivants sont des syst\u00e8mes auto-organis\u00e9s qui luttent activement contre la tendance naturelle \u00e0 l’augmentation de l’entropie interne en minimisant l’erreur de pr\u00e9diction ou \u00e9nergie libre informationnelle. Cette minimisation continuelle \u00e9quivaut math\u00e9matiquement \u00e0 maximiser la probabilit\u00e9 marginale de leurs donn\u00e9es sensorielles en proc\u00e9dant \u00e0 une inf\u00e9rence bay\u00e9sienne approch\u00e9e sur les \u00e9tats du monde ext\u00e9rieur.<\/p>\n Enfin, dans le domaine de la psychologie du d\u00e9veloppement et de la mod\u00e9lisation cognitive des concepts, la th\u00e9orie de l’apprentissage bay\u00e9sien (d\u00e9velopp\u00e9e notamment par Tenenbaum et ses collaborateurs) soutient que l’acquisition des connaissances ne consiste pas en une accumulation passive d’associations de stimuli, mais en un processus d’inf\u00e9rence inductive structur\u00e9 o\u00f9 l’enfant formule des th\u00e9ories intuitives et ajuste hi\u00e9rarchiquement ses croyances face aux contre-exemples fournis par le milieu social et mat\u00e9riel.<\/p>\n La mise en \u0153uvre et l’analyse de l’inf\u00e9rence bay\u00e9sienne reposent sur plusieurs composantes structurelles et variations th\u00e9oriques qui articulent sa m\u00e9canique interne :<\/p>\n L’utilit\u00e9 p\u00e9dagogique et explicative du th\u00e9or\u00e8me de Bayes s’illustre de mani\u00e8re particuli\u00e8rement frappante dans le probl\u00e8me paradigmatique du diagnostic m\u00e9dical rare. Imaginons une pathologie neuropsychiatrique affectant 1 personne sur 1 000 au sein d’une population g\u00e9n\u00e9rale (probabilit\u00e9 a priori<\/em> P(M) = 0,001<\/em>). Un test biologique diagnostique pr\u00e9sente une sensibilit\u00e9 de 99 % (probabilit\u00e9 d’un test positif si le sujet est malade, P(+|M) = 0,99<\/em>) et un taux de faux positifs de 5 % (probabilit\u00e9 d’un test positif si le sujet est sain, P(+|Non-M) = 0,05<\/em>). Si un patient lambda re\u00e7oit un r\u00e9sultat positif, l’intuition spontan\u00e9e de la majorit\u00e9 des profanes, et m\u00eame de nombreux cliniciens chevronn\u00e9s, sugg\u00e8re que ce patient a pr\u00e8s de 95 % \u00e0 99 % de risque d’\u00eatre atteint.<\/p>\n L’application rigoureuse du th\u00e9or\u00e8me de Bayes r\u00e9v\u00e8le une r\u00e9alit\u00e9 radicalement diff\u00e9rente. La probabilit\u00e9 marginale d’obtenir un test positif dans cette population est la somme des vrais positifs (0,001 \u00d7 0,99 = 0,00099<\/em>) et des faux positifs (0,999 \u00d7 0,05 \u2248 0,04995<\/em>), soit environ 0,05094<\/em>. La probabilit\u00e9 a posteriori<\/em> r\u00e9elle que le sujet soit malade sachant que le test est positif s’\u00e9tablit alors \u00e0 0,00099 \/ 0,05094 \u2248 0,0194<\/em>, soit moins de 2 %. L’intuition humaine courante subit ici l’effet d\u00e9l\u00e9t\u00e8re de l’oubli de la fr\u00e9quence de base : elle focalise son attention sur la haute sensibilit\u00e9 du test en omettant la raret\u00e9 extr\u00eame de la pathologie dans la population initiale.<\/p>\n Un second exemple embl\u00e9matique concerne la perception visuelle des figures bistables, telle que la c\u00e9l\u00e8bre illusion du vase de Rubin ou le cube de Necker. Face \u00e0 une entr\u00e9e sensorielle r\u00e9tinienne intrins\u00e8quement \u00e9quivoque qui pr\u00e9sente une vraisemblance \u00e9gale pour deux interpr\u00e9tations spatiales distinctes (deux visages se regardant de profil ou un vase central), le cerveau humain ne per\u00e7oit jamais une superposition floue de ces deux \u00e9tats. Au lieu de cela, l’appareil perceptif alterne dynamiquement entre l’une et l’autre de ces repr\u00e9sentations. Chaque interpr\u00e9tation correspond \u00e0 un maximum local de probabilit\u00e9 a posteriori<\/em> dict\u00e9 par des priors<\/em> de sym\u00e9trie, de figure sur fond ou de contexte s\u00e9mantique, d\u00e9montrant comment l’inf\u00e9rence bay\u00e9sienne tranche le flou sensoriel en favorisant les mod\u00e8les perceptifs coh\u00e9rents les plus plausibles.<\/p>\n Sur le plan clinique enfin, le mod\u00e8le bay\u00e9sien offre une compr\u00e9hension \u00e9l\u00e9gante des distorsions cognitives observ\u00e9es dans les troubles anxieux ou la d\u00e9pression majeure. Un individu souffrant de d\u00e9pression s\u00e9v\u00e8re poss\u00e8de souvent un prior<\/em> n\u00e9gatif sur\u00e9valu\u00e9 et excessivement rigide concernant sa propre valeur personnelle ou l’hostilit\u00e9 de son environnement (par exemple, la conviction intime que \u00ab tout le monde me rejette \u00bb). Lorsqu’il est confront\u00e9 \u00e0 un \u00e9v\u00e9nement relationnel ambigu \u2014 comme un coll\u00e8gue qui passe dans un couloir sans lui adresser imm\u00e9diatement la parole \u2014, la vraisemblance de cette donn\u00e9e sous l’hypoth\u00e8se du rejet est \u00e9lev\u00e9e, et le prior<\/em> est si herm\u00e9tiquement verrouill\u00e9 qu’aucune preuve de sympathie ult\u00e9rieure ne parvient \u00e0 r\u00e9actualiser le posterior<\/em>, perp\u00e9tuant ainsi la souffrance psychique par imperm\u00e9abilit\u00e9 de l’actualisation bay\u00e9sienne.<\/p>\n Dans la recherche contemporaine en psychologie cognitive et comportementale, l’\u00e9valuation de la comp\u00e9tence bay\u00e9sienne des individus repose sur des protocoles d’estimation probabiliste et des t\u00e2ches de r\u00e9vision de croyances rigoureusement calibr\u00e9es. Les participants sont classiquement confront\u00e9s \u00e0 des probl\u00e8mes dits d’urnes ou de jetons (par exemple, la t\u00e2che classique du \u00ab book-bag and poker-chips \u00bb initi\u00e9e par Edwards) o\u00f9 ils doivent ajuster leurs estimations subjectives de la composition d’une urne au fur et \u00e0 mesure que l’exp\u00e9rimentateur en tire des \u00e9chantillons successifs d’objets bicolores. L’\u00e9cart entre les estimations subjectives fournies par le participant et les valeurs exactes calcul\u00e9es via l’\u00e9quation de Bayes permet de quantifier le degr\u00e9 de conservatisme informationnel ou de variabilit\u00e9 stochastique du sujet.<\/p>\n Parall\u00e8lement, la mesure computationnelle des processus d’inf\u00e9rence perceptuelle utilise les m\u00e9thodes de la psychophysique moderne. Les chercheurs font varier syst\u00e9matiquement la pr\u00e9cision (la variance inverse) du stimulus sensoriel (par exemple, le contraste d’un r\u00e9seau de Gabor ou le rapport signal\/bruit d’un flux de points lumineux en mouvement al\u00e9atoire) conjointement \u00e0 la fiabilit\u00e9 d’un indice pr\u00e9alable contextuel (un signal sonore ou visuel annonciateur). En mesurant les seuils de discrimination et les temps de r\u00e9action, il est possible d’ajuster des mod\u00e8les de r\u00e9gression bay\u00e9sienne hi\u00e9rarchique pour estimer avec une haute pr\u00e9cision les param\u00e8tres individuels caract\u00e9risant la force du prior<\/em> et la sensibilit\u00e9 du syst\u00e8me sensoriel chez chaque participant.<\/p>\n En psychom\u00e9trie et en m\u00e9thodologie statistique, le th\u00e9or\u00e8me de Bayes a \u00e9galement r\u00e9volutionn\u00e9 l’\u00e9valuation des th\u00e9ories psychologiques elles-m\u00eames \u00e0 travers l’usage du \u00ab facteur de Bayes \u00bb (Bayes Factor<\/em>). Ce ratio de vraisemblances marginales quantifie la force de la preuve apport\u00e9e par un ensemble de donn\u00e9es exp\u00e9rimentales en faveur d’un mod\u00e8le th\u00e9orique H1<\/em> comparativement \u00e0 une hypoth\u00e8se nulle H0<\/em>. Contrairement \u00e0 la valeur p<\/em> de l’inf\u00e9rence fr\u00e9quentiste classique (qui ne permet pas de quantifier le soutien empirique accord\u00e9 \u00e0 l’hypoth\u00e8se nulle), le facteur de Bayes offre aux chercheurs un continuum d’\u00e9vidence gradu\u00e9 permettant de statuer avec rigueur sur l’absence d’effet ou la sup\u00e9riorit\u00e9 d’une hypoth\u00e8se alternative.<\/p>\n La port\u00e9e pratique du th\u00e9or\u00e8me de Bayes traverse de multiples disciplines appliqu\u00e9es des sciences de l’esprit, exer\u00e7ant un impact profond sur la m\u00e9thodologie de l’intervention et l’ing\u00e9nierie cognitive :<\/p>\n La litt\u00e9rature exp\u00e9rimentale sur le th\u00e9or\u00e8me de Bayes en psychologie se caract\u00e9rise par une controverse historique f\u00e9conde opposant deux grands courants \u00e9pist\u00e9mologiques : l’\u00e9cole des \u00ab heuristiques et biais \u00bb et le paradigme de l’\u00ab \u00e9cologie cognitive \u00bb ou du \u00ab bay\u00e9sianisme computationnel \u00bb.<\/p>\n Dans les ann\u00e9es 1970 et 1980, Daniel Kahneman et Amos Tversky ont accumul\u00e9 des preuves empiriques massives attestant que les jugements intuitifs humains violent syst\u00e9matiquement les prescriptions du th\u00e9or\u00e8me de Bayes. Dans leur c\u00e9l\u00e8bre probl\u00e8me des avocats et des ing\u00e9nieurs (1973), ils ont d\u00e9montr\u00e9 que les participants confront\u00e9s \u00e0 des descriptions de personnalit\u00e9 st\u00e9r\u00e9otyp\u00e9es \u00e9valuent la probabilit\u00e9 qu’un individu appartienne \u00e0 une profession donn\u00e9e sur la seule base de sa ressemblance avec le st\u00e9r\u00e9otype (le biais de repr\u00e9sentativit\u00e9<\/a>), ignorant compl\u00e8tement la proportion r\u00e9elle d’ing\u00e9nieurs et d’avocats pr\u00e9sente dans la population de r\u00e9f\u00e9rence. Ces travaux ont \u00e9tabli la notion d’irrationalit\u00e9 cognitive pr\u00e9visible des agents humains.<\/p>\n Cependant, \u00e0 partir du milieu des ann\u00e9es 1990, Gerd Gigerenzer et son \u00e9quipe du Centre pour le comportement adaptatif et la cognition de l’Institut Max Planck ont apport\u00e9 une r\u00e9interpr\u00e9tation majeure de ces r\u00e9sultats. Gigerenzer a d\u00e9montr\u00e9 exp\u00e9rimentalement que lorsque les probl\u00e8mes probabilistes sont pr\u00e9sent\u00e9s sous forme de \u00ab fr\u00e9quences naturelles \u00bb (le format dans lequel nos anc\u00eatres hominid\u00e9s ont acquis leurs informations statistiques au fil de l’\u00e9volution biologique, par \u00e9chantillonnage successif d’\u00e9v\u00e9nements discrets) plut\u00f4t que sous forme de probabilit\u00e9s conditionnelles normalis\u00e9es et abstraites, la proportion de r\u00e9solutions strictement conformes au th\u00e9or\u00e8me de Bayes bondit de moins de 20 % \u00e0 plus de 75 %. Selon cette approche, l’esprit humain n’est pas structurellement inapte au calcul bay\u00e9sien, mais poss\u00e8de des algorithmes optimis\u00e9s pour des repr\u00e9sentations \u00e9cologiquement valides.<\/p>\n Dans le domaine de la perception, les recherches fondatrices de David Knill, Alexandre Pouget, ainsi que les \u00e9tudes de Michael Landy et Marc Ernst sur l’int\u00e9gration multisensorielle (notamment leur article s\u00e9minal de 2002 publi\u00e9 dans Nature<\/em>) ont apport\u00e9 la preuve irr\u00e9futable que le syst\u00e8me nerveux int\u00e8gre les signaux visuels et haptiques selon une combinaison lin\u00e9aire rigoureusement pond\u00e9r\u00e9e par l’inverse de leurs variances respectives, exactement comme le pr\u00e9dit l’estimation bay\u00e9sienne de variance minimale. \u00c0 ce niveau sensorimoteur implicite, l’humain se comporte en observateur bay\u00e9sien quasi parfait (\u00ab optimal Bayes observer \u00bb), r\u00e9conciliant ainsi l’optimisme computationnel des neurosciences avec les limites explicites du jugement verbal.<\/p>\n Bien que les lois formelles du th\u00e9or\u00e8me de Bayes poss\u00e8dent une universalit\u00e9 math\u00e9matique intrins\u00e8que, la fa\u00e7on dont les agents humains acqui\u00e8rent, encodent et r\u00e9visent leurs distributions a priori<\/em> est intimement tributaire de l’environnement socioculturel, de la linguistique et des syst\u00e8mes \u00e9ducatifs. Les recherches en psychologie transculturelle men\u00e9es par Richard Nisbett et ses collaborateurs ont mis en \u00e9vidence des variations notables entre les populations occidentales et est-asiatiques dans les styles cognitifs d’attribution causale et de traitement de l’information.<\/p>\n Les individus issus de cultures occidentales individualistes tendent \u00e0 adopter un style de raisonnement plus analytique, focalisant leur attention sur des objets isol\u00e9s de leur contexte et fondant leurs inf\u00e9rences sur des r\u00e8gles logiques cat\u00e9gorielles d\u00e9contextualis\u00e9es. En revanche, les participants issus de cultures orientales collectivistes d\u00e9ploient pr\u00e9f\u00e9rentiellement un raisonnement holistique, accordant une attention accrue aux relations d’interd\u00e9pendance entre les \u00e9l\u00e9ments, \u00e0 l’historique global de la situation et au contexte environnemental \u00e9tendu. Dans une mod\u00e9lisation bay\u00e9sienne, ces orientations culturelles se traduisent par la mobilisation de priors<\/em> structurellement dissemblables : les observateurs holistiques assignent souvent une probabilit\u00e9 a priori<\/em> plus \u00e9lev\u00e9e \u00e0 des causes distales, complexes et interconnect\u00e9es, modifiant substantiellement la trajectoire de r\u00e9actualisation de leurs croyances face \u00e0 une donn\u00e9e isol\u00e9e.<\/p>\n De surcro\u00eet, le niveau de litt\u00e9ratie statistique (\u00ab statistical numeracy \u00bb) et la familiarit\u00e9 culturelle avec les repr\u00e9sentations du hasard jouent un r\u00f4le m\u00e9diateur d\u00e9terminant dans la capacit\u00e9 des individus \u00e0 r\u00e9soudre des probl\u00e8mes bay\u00e9siens explicites. Dans les soci\u00e9t\u00e9s ou sous-groupes o\u00f9 l’\u00e9ducation math\u00e9matique formelle privil\u00e9gie le par-c\u0153ur au d\u00e9triment du raisonnement inductif appliqu\u00e9, ou au sein de cultures privil\u00e9giant des explications d\u00e9terministes, th\u00e9ologiques ou fatalistes du monde, les individus manifestent une r\u00e9ticence marqu\u00e9e \u00e0 concevoir les croyances comme des grandeurs probabilistes continues r\u00e9visables, pr\u00e9f\u00e9rant une \u00e9pist\u00e9mologie binaire du \u00ab vrai ou faux \u00bb peu compatible avec l’actualisation continue propre \u00e0 Bayes.<\/p>\n Malgr\u00e9 son h\u00e9g\u00e9monie grandissante dans les sciences de l’esprit, l’application du th\u00e9or\u00e8me de Bayes \u00e0 la cognition humaine fait l’objet de critiques conceptuelles et m\u00e9thodologiques aigu\u00ebs. L’un des d\u00e9bats les plus virulents concerne le risque de \u00ab pan-bay\u00e9sianisme \u00bb ou d’irr\u00e9futabilit\u00e9 \u00e9pist\u00e9mologique d\u00e9nonc\u00e9 par des chercheurs comme David Marcus ou Matthew Jones et Bradley Love. En raison de l’extr\u00eame flexibilit\u00e9 math\u00e9matique du cadre, un chercheur peut a posteriori ajuster la forme des priors<\/em> et la nature des fonctions de co\u00fbt d’un mod\u00e8le pour s’adapter \u00e0 quasiment n’importe quel patron de donn\u00e9es comportementales, m\u00eame le plus paradoxal ou sous-optimal, \u00e9rigeant ainsi l’approche bay\u00e9sienne en un syst\u00e8me th\u00e9orique potentiellement non falsifiable au sens popp\u00e9rien.<\/p>\n Une seconde objection fondamentale repose sur le probl\u00e8me computationnel de la tractabilit\u00e9 c\u00e9r\u00e9brale. Les calculs bay\u00e9siens complets pour des environnements naturels hautement multidimensionnels exigent le calcul d’int\u00e9grales d’une complexit\u00e9 combinatoire vertigineuse, d\u00e9passant de loin la capacit\u00e9 \u00e9nerg\u00e9tique et computationnelle des quelques dizaines de watts consomm\u00e9s par le cerveau humain. Si le cerveau applique effectivement une logique bay\u00e9sienne, il ne peut s’agir que d’une heuristique tr\u00e8s approximative. Certains th\u00e9oriciens de la cognition incarn\u00e9e et situ\u00e9e arguent d’ailleurs que le recours \u00e0 de telles machineries probabilistes internes hyper-complexes est un artefact intellectualiste de mod\u00e9lisateurs informatiques, ignorant les raccourcis sensorimoteurs directs et la frugalit\u00e9 de l’intelligence biologique en interaction directe avec le monde (la rationalit\u00e9 \u00e9cologique de Gigerenzer).<\/p>\n Sur le plan philosophique, le bay\u00e9sianisme subjectif se heurte \u00e9galement au c\u00e9l\u00e8bre probl\u00e8me du \u00ab prior z\u00e9ro \u00bb. Si un syst\u00e8me cognitif attribue par dogmatisme, traumatisme ou limitation inn\u00e9e une probabilit\u00e9 a priori<\/em> rigoureusement nulle \u00e0 une hypoth\u00e8se particuli\u00e8re (P(H) = 0<\/em>), l’\u00e9quation de Bayes stipule que cette probabilit\u00e9 restera \u00e9ternellement \u00e9gale \u00e0 z\u00e9ro, quelle que soit la masse infinie d’observations empiriques favorables accumul\u00e9es par la suite. Cette rigidit\u00e9 math\u00e9matique absolue pose un d\u00e9fi pour rendre compte de la cr\u00e9ativit\u00e9 humaine, des ruptures paradigmatiques radicales et des intuitions novatrices qui \u00e9mergent chez un sujet en rupture totale avec ses cadres de pens\u00e9e pr\u00e9existants.<\/p>\n Afin de d\u00e9limiter rigoureusement le champ op\u00e9ratoire du th\u00e9or\u00e8me de Bayes, il importe de le confronter \u00e0 des concepts adjacents avec lesquels il entretient des relations dialectiques ou compl\u00e9mentaires :<\/p>\n Le th\u00e9or\u00e8me de Bayes s’est m\u00e9tamorphos\u00e9, au cours des derni\u00e8res d\u00e9cennies, d’une simple formule math\u00e9matique de calcul probabiliste en un paradigme th\u00e9orique unificateur majeur de la psychologie, des sciences cognitives et des neurosciences computationnelles. Il offre la formulation math\u00e9matique rigoureuse de la mise \u00e0 jour des croyances sous l’effet de nouvelles donn\u00e9es empiriques, articulant harmonieusement les attentes ant\u00e9rieures (priors<\/em>) et la nettet\u00e9 des observations pr\u00e9sentes (vraisemblance).<\/p>\n Alors que la psychologie du jugement a largement mis en lumi\u00e8re l’\u00e9chec r\u00e9current des \u00eatres humains \u00e0 ex\u00e9cuter consciemment des calculs bay\u00e9siens lors de t\u00e2ches verbales abstraites \u2014 donnant naissance \u00e0 l’\u00e9tude document\u00e9e des biais cognitifs tels que l’oubli de la fr\u00e9quence de base \u2014, les neurosciences contemporaines ont simultan\u00e9ment r\u00e9v\u00e9l\u00e9 qu’au niveau perceptif, sensorimoteur et implicite, le cerveau biologique op\u00e8re comme une machine d’inf\u00e9rence bay\u00e9sienne extraordinairement sophistiqu\u00e9e et optimale, pond\u00e9rant les signaux de son environnement en stricte proportion de leur fiabilit\u00e9 informationnelle.<\/p>\n Malgr\u00e9 des controverses \u00e9pist\u00e9mologiques persistantes autour de sa flexibilit\u00e9 explicative et des exigences m\u00e9taboliques consid\u00e9rables requises par ces calculs chez l’organisme vivant, le mod\u00e8le bay\u00e9sien s’affirme aujourd’hui comme une passerelle d’une f\u00e9condit\u00e9 in\u00e9gal\u00e9e pour relier les dynamiques cellulaires du cortex c\u00e9r\u00e9bral aux processus cognitifs de haut niveau, r\u00e9volutionnant conjointement l’intelligence artificielle, la psychopathologie clinique et la m\u00e9thodologie de la recherche exp\u00e9rimentale.<\/p>\n Le th\u00e9or\u00e8me de Bayes est une r\u00e8gle fondamentale de r\u00e9actualisation probabiliste qui mod\u00e9lise la fa\u00e7on dont l’esprit humain et le cerveau int\u00e8grent l’incertitude et les informations.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[1578,647,1486],"tags":[1622,2206,2207,2113,176,1841,2112],"class_list":["post-21699","psych_term","type-psych_term","status-publish","hentry","category-neurosciences-computationnelles","category-psychologie-cognitive","category-sciences-cognitives","tag-biais-cognitifs","tag-cerveau-bayesien","tag-codage-predictif","tag-inference-bayesienne","tag-prise-de-decision","tag-probabilites","tag-theoreme-de-bayes"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/21699","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_term"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/21699\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=21699"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=21699"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=21699"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. \u00c9tymologie et origine linguistique<\/h3>\n
3. Prononciation et forme grammaticale<\/h3>\n
4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n
5. D\u00e9veloppement historique<\/h3>\n
6. Fondements th\u00e9oriques<\/h3>\n
7. Composantes cl\u00e9s, types et dimensions<\/h3>\n
\n
8. Exemples et cas illustratifs<\/h3>\n
9. Mesure et \u00e9valuation<\/h3>\n
10. Applications et port\u00e9e pratique<\/h3>\n
\n
11. Recherche et preuves empiriques<\/h3>\n
12. Consid\u00e9rations culturelles et transculturelles<\/h3>\n
13. Critiques, d\u00e9bats et limites<\/h3>\n
14. Termes connexes et distinctions<\/h3>\n
\n
15. R\u00e9sum\u00e9 et points cl\u00e9s<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n