{"id":26002,"date":"2026-11-08T22:03:13","date_gmt":"2026-11-08T22:03:13","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_term=dragage-de-donnees-p-hacking"},"modified":"2026-11-08T22:03:13","modified_gmt":"2026-11-08T22:03:13","slug":"dragage-de-donnees-p-hacking","status":"publish","type":"psych_term","link":"https:\/\/french.arabpsychology.com\/?psych_term=dragage-de-donnees-p-hacking","title":{"rendered":"Dragage de donn\u00e9es : Les pi\u00e8ges du p-hacking"},"content":{"rendered":"

Dans le champ contemporain de la recherche en psychologie et des sciences comportementales, la rigueur de l’inf\u00e9rence causale repose sur une stricte d\u00e9marcation entre l’exploration inductive et la confirmation d’hypoth\u00e8ses \u00e9tay\u00e9es. Le dragage de donn\u00e9es, fr\u00e9quemment d\u00e9sign\u00e9 sous les termes anglophones de data dredging<\/em> ou de p-hacking<\/em>, repr\u00e9sente une d\u00e9viance m\u00e9thodologique majeure qui sape les fondements probabilistes de la m\u00e9thode scientifique. En multipliant les analyses r\u00e9trospectives \u00e0 la recherche effr\u00e9n\u00e9e de r\u00e9sultats statistiquement significatifs, cette pratique transforme le hasard d’un \u00e9chantillon particulier en d\u00e9couvertes illusoires, alimentant directement la crise contemporaine de reproductibilit\u00e9.<\/p>\n

Dragage de donn\u00e9es (Data Dredging)<\/h2>\n

1. D\u00e9finition concise<\/h3>\n

Le dragage de donn\u00e9es<\/strong> (ou p\u00eache aux donn\u00e9es) est une pratique m\u00e9thodologique et statistique consistant \u00e0 analyser de mani\u00e8re exhaustive et non planifi\u00e9e de multiples combinaisons de variables au sein d’un jeu de donn\u00e9es afin d’y d\u00e9celer des r\u00e9gularit\u00e9s fortuites pr\u00e9sentant un seuil de significativit\u00e9 statistique conventionnel (typiquement p<\/em> < 0,05), tout en dissimulant le nombre r\u00e9el d’essais r\u00e9alis\u00e9s<\/span>.<\/p>\n

Dans le domaine de la psychologie empirique, cette d\u00e9marche correspond \u00e0 tester r\u00e9trospectivement une multitude de relations hypoth\u00e9tiques sans cadre d\u00e9ductif pr\u00e9alable, puis \u00e0 pr\u00e9senter les corr\u00e9lations ou diff\u00e9rences fortuites comme si elles r\u00e9sultaient de la confirmation d’une hypoth\u00e8se formul\u00e9e a priori<\/em>. Cette manipulation r\u00e9trospective des hypoth\u00e8ses de recherche trahit le paradigme hypoth\u00e9tico-d\u00e9ductif traditionnel.<\/p>\n

Au-del\u00e0 de la simple curiosit\u00e9 exploratoire, le dragage de donn\u00e9es devient pernicieux lorsqu’il s’accompagne d’une omission syst\u00e9matique des tests non concluants dans la communication scientifique finale. Cette s\u00e9lection opportuniste gonfle artificiellement le taux d’erreur de premi\u00e8re esp\u00e8ce (α), produisant une abondante litt\u00e9rature psychologique satur\u00e9e d’effets faussement positifs et incapables d’\u00eatre r\u00e9pliqu\u00e9s par des \u00e9quipes de recherche ind\u00e9pendantes.<\/p>\n

2. \u00c9tymologie et origine linguistique<\/h3>\n

L’expression fran\u00e7aise \u00ab dragage de donn\u00e9es \u00bb est un calque m\u00e9taphorique direct du terme anglais data dredging<\/em>, apparu dans le jargon statistique et \u00e9conom\u00e9trique au cours de la seconde moiti\u00e9 du XXe si\u00e8cle. Le verbe \u00ab draguer \u00bb, issu du moyen n\u00e9erlandais draghen<\/em> ou du vieil anglais dragan<\/em> (\u00ab tirer \u00bb, \u00ab remorquer \u00bb), d\u00e9signe \u00e0 l’origine l’action d’extirper des s\u00e9diments, des boues ou des objets immerg\u00e9s au fond d’un cours d’eau \u00e0 l’aide d’un engin m\u00e9canique appel\u00e9 drague.<\/p>\n

Transpos\u00e9e \u00e0 la statistique math\u00e9matique, la m\u00e9taphore illustre l’action d’immerger un filet dans une vaste masse d’observations num\u00e9riques pour en ramener tout ce qui s’y trouve, sans discrimination pr\u00e9alable quant \u00e0 la nature th\u00e9orique des \u00e9l\u00e9ments captur\u00e9s. Cette m\u00e9taphore maritime partage son champ lexical avec l’expression concurrente \u00ab p\u00eache aux donn\u00e9es \u00bb (data fishing<\/em>), soulignant la qu\u00eate erratique d’un \u00e9l\u00e9ment remarquable au sein d’un environnement opaque.<\/p>\n

Dans la litt\u00e9rature francophone savante et les manuels de m\u00e9thodologie exp\u00e9rimentale, l’emprunt direct au n\u00e9ologisme anglo-saxon p-hacking<\/a> est \u00e9galement omnipr\u00e9sent. Forg\u00e9 au d\u00e9but des ann\u00e9es 2010 par les psychologues quantitatifs Joseph Simmons, Leif Nelson et Uri Simonsohn, le terme incorpore le pr\u00e9fixe informatique hack<\/em> (bidouiller, d\u00e9tourner, modifier astucieusement un syst\u00e8me pour en forcer le fonctionnement) accoupl\u00e9 \u00e0 la c\u00e9l\u00e8bre valeur p<\/em> (p-value<\/em>), soulignant le caract\u00e8re proactif et parfois semi-conscient de la distorsion analytique op\u00e9r\u00e9e par le chercheur.<\/p>\n

3. Prononciation et forme grammaticale<\/h3>\n

Sur le plan morphosyntaxique, \u00ab dragage de donn\u00e9es \u00bb est une locution nominale masculine invariable au singulier pour le premier terme, tandis que le compl\u00e9ment du nom (\u00ab donn\u00e9es \u00bb) s’emploie traditionnellement au pluriel : [dÊa.Ýaʒ də dɔ.ne]. Son pluriel orthographique r\u00e9gulier est \u00ab dragages de donn\u00e9es \u00bb.<\/p>\n

Dans le discours acad\u00e9mique fran\u00e7ais, le terme est employ\u00e9 comme un substantif d\u00e9signant un processus d’investigation d\u00e9viant ou un vice d’administration de la preuve : on parlera d’\u00ab un recours manifeste au dragage de donn\u00e9es \u00bb ou du \u00ab risque inh\u00e9rent de dragage de donn\u00e9es lors d’analyses exploratoires non d\u00e9clar\u00e9es \u00bb. Le terme concurrent \u00ab p-hacking \u00bb ([pe.a.kiη]) est masculin, utilis\u00e9 comme synonyme fonctionnel d\u00e9signant plus sp\u00e9cifiquement l’exploitation opportune des degr\u00e9s de libert\u00e9 du chercheur pour franchir le seuil fatidique de p<\/em> < 0,05<\/span>.<\/p>\n

4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n

Pour appr\u00e9hender la port\u00e9e \u00e9pist\u00e9mologique du dragage de donn\u00e9es, il convient d’examiner le socle probabiliste de l’inf\u00e9rence statistique fr\u00e9quentiste, conceptualis\u00e9e initialement par Ronald Fisher, Jerzy Neyman et Egon Pearson. Dans ce cadre, la probabilit\u00e9 d’erreur de premi\u00e8re esp\u00e8ce (α) est conventionnellement fix\u00e9e \u00e0 5 % (α = 0,05). Cela signifie qu’en formulant une unique hypoth\u00e8se nulle (H0) formul\u00e9e \u00e0 l’avance, le chercheur accepte un risque maximal de 5 % de rejeter H0 par pur accident d’\u00e9chantillonnage, identifiant ainsi un effet ou une corr\u00e9lation qui n’existe pas dans la population g\u00e9n\u00e9rale<\/span>.<\/p>\n

Cependant, ce seuil de tol\u00e9rance n’est valide que pour un unique test statistique isol\u00e9 ou pour une famille de tests explicitement corrig\u00e9e. Si un psychologue teste 20 associations ind\u00e9pendantes au sein d’un m\u00eame jeu de donn\u00e9es sans correction pr\u00e9alable, la probabilit\u00e9 globale d’observer au moins un faux positif (connue sous le nom de taux d’erreur par famille de comparaisons, ou family-wise error rate<\/em>) n’est plus de 5 %, mais bondit \u00e0 environ 64 % selon la formule : 1 – (1 – α)n<\/sup>. En testant 100 associations possibles, la certitude statistique d’obtenir au moins une valeur p<\/em> < 0,05 en l’absence totale de tout effet r\u00e9el d\u00e9passe 99,4 %<\/span>.<\/p>\n

Le dragage de donn\u00e9es consiste pr\u00e9cis\u00e9ment \u00e0 exploiter cette in\u00e9vitabilit\u00e9 stochastique tout en occultant le d\u00e9nominateur de l’\u00e9quation. Le chercheur r\u00e9alise en r\u00e9alit\u00e9 des dizaines, voire des centaines de mod\u00e9lisations, d’ajustements de sous-groupes, de filtrages de cas aberrants ou de croisements de variables, puis isole l’unique comparaison ayant atteint le seuil canonique de significativit\u00e9. Il r\u00e9dige ensuite un compte rendu scientifique pr\u00e9sentant ce r\u00e9sultat isol\u00e9 comme l’aboutissement triomphal d’une d\u00e9marche th\u00e9orique univoque.<\/p>\n

Cette transgression conceptuelle repose sur la n\u00e9gation de ce que les statisticiens appellent les degr\u00e9s de libert\u00e9 du chercheur (researcher degrees of freedom<\/em>). Tout au long de l’analyse empirique, le chercheur fait face \u00e0 une infinit\u00e9 d’embranchements analytiques : choix des covariables \u00e0 inclure dans les r\u00e9gressions, transformation logarithmique ou standardisation des \u00e9chelles, exclusion discr\u00e9tionnaire de participants pr\u00e9tendument \u00ab inattentifs \u00bb, ou encore fusion arbitraire de modalit\u00e9s de r\u00e9ponse. L’exploration de ce que le statisticien Andrew Gelman a nomm\u00e9 le \u00ab jardin des sentiers qui bifurquent \u00bb (garden of forking paths<\/em>) permet presque invariablement d’aboutir \u00e0 un r\u00e9sultat statistiquement publiable, quel que soit le niveau de vacuit\u00e9 de la proposition initiale.<\/p>\n

Les fronti\u00e8res d\u00e9limitant le dragage de donn\u00e9es d’une saine recherche exploratoire sont avant tout d\u00e9ontologiques et m\u00e9thodologiques. L’exploration de donn\u00e9es n’est aucunement condamnable en soi ; elle constitue un moteur essentiel de la d\u00e9couverte scientifique en g\u00e9n\u00e9rant des conjectures in\u00e9dites. La faute \u00e9pist\u00e9mique survient d\u00e8s lors que les r\u00e9sultats d’une analyse post hoc<\/em> inductive sont dissimul\u00e9s sous les oripeaux d’une confirmation d\u00e9ductive, faussant la valeur probabiliste de la preuve et abusant la communaut\u00e9 des pairs.<\/p>\n

5. \u00c9volution historique<\/h3>\n

La prise de conscience des d\u00e9rives li\u00e9es au surajustement statistique remonte aux origines m\u00eames de la m\u00e9thodologie contemporaine. D\u00e8s les ann\u00e9es 1960 et 1970, des pionniers de la statistique comme John Tukey soulignent la n\u00e9cessit\u00e9 absolue de dissocier formellement l’analyse exploratoire de donn\u00e9es (Exploratory Data Analysis<\/em>, EDA) de l’analyse confirmatoire. Tukey plaidait pour que les hypoth\u00e8ses sugg\u00e9r\u00e9es par l’exploration d’un premier jeu de donn\u00e9es soient rigoureusement test\u00e9es sur un \u00e9chantillon neuf et ind\u00e9pendant.<\/p>\n

Durant les ann\u00e9es 1980 et 1990, des \u00e9pid\u00e9miologistes et \u00e9conom\u00e8tres d\u00e9noncent la multiplication des publications affirmant tour \u00e0 tour que tel aliment pr\u00e9vient ou cause le cancer, pointant du doigt les analyses de sous-groupes non contr\u00f4l\u00e9es. Le terme data snooping<\/em> ou data dredging<\/em> devient un leitmotiv d’avertissement contre les conclusions h\u00e2tives tir\u00e9es de vastes cohortes observationnelles.<\/p>\n

Le v\u00e9ritable tournant paradigmatique survient dans les ann\u00e9es 2000, catalys\u00e9 par la publication en 2005 du manifeste retentissant de John Ioannidis, \u00ab Why Most Published Research Findings Are False \u00bb. Ioannidis y d\u00e9montre math\u00e9matiquement que la majorit\u00e9 des d\u00e9couvertes publi\u00e9es en biom\u00e9decine et en sciences comportementales sont fausses en raison d’\u00e9chantillons trop r\u00e9duits, de faibles tailles d’effet r\u00e9elles, et surtout de la flexibilit\u00e9 d\u00e9mesur\u00e9e dans la conduite et la d\u00e9claration des analyses statistiques.<\/p>\n

Au d\u00e9but des ann\u00e9es 2010, la psychologie sociale et cognitive traverse un s\u00e9isme institutionnel qui marque l’av\u00e8nement officiel de la crise de la reproductibilit\u00e9<\/a>. L’\u00e9l\u00e9ment d\u00e9clencheur est la parution en 2011 d’un article de Daryl Bem dans le prestigieux Journal of Personality and Social Psychology<\/em>, pr\u00e9tendant apporter des preuves empiriques de l’existence de la pr\u00e9cognition (perception extrasensorielle du futur) \u00e0 travers une s\u00e9rie de neuf exp\u00e9riences conventionnelles. Incapables d’admettre la r\u00e9alit\u00e9 de ph\u00e9nom\u00e8nes paranormaux tout en constatant la parfaite conformit\u00e9 apparente des statistiques pr\u00e9sent\u00e9es, les m\u00e9thodologistes r\u00e9alisent que les standards usuels de publication sont structurellement perm\u00e9ables \u00e0 la fabrique de faux positifs.<\/p>\n

Quelques mois plus tard, Joseph Simmons, Leif Nelson et Uri Simonsohn publient leur article s\u00e9minal \u00ab False-Positive Psychology \u00bb. Les auteurs y prouvent, \u00e0 grand renfort de simulations informatiques et d’une d\u00e9monstration empirique absurde (d\u00e9montrant qu’\u00e9couter une chanson pour enfants rajeunit litt\u00e9ralement les auditeurs de plus d’un an), qu’un chercheur exploitant sans scrupule quatre degr\u00e9s de libert\u00e9 banals peut \u00e9lever le taux de faux positifs d’une \u00e9tude d’un seuil nominal de 5 % \u00e0 un taux r\u00e9el sup\u00e9rieur \u00e0 60 %. D\u00e8s lors, la lutte contre le p-hacking et le dragage de donn\u00e9es devient la priorit\u00e9 du mouvement pour la science ouverte (Open Science Framework<\/em>).<\/p>\n

6. Fondements th\u00e9oriques<\/h3>\n

Sur le plan \u00e9pist\u00e9mologique, le dragage de donn\u00e9es entre en conflit frontal avec le falsificationnisme de Karl Popper. Dans l’architecture popp\u00e9rienne de la science, une th\u00e9orie ne gagne en robustesse que si elle se pr\u00eate \u00e0 des tentatives d\u00e9lib\u00e9r\u00e9es et impitoyables de r\u00e9futation au moyen de pr\u00e9dictions risqu\u00e9es formul\u00e9es en amont. Le dragage de donn\u00e9es renverse cette logique : au lieu de soumettre une hypoth\u00e8se pr\u00e9alable au tribunal de l’empirie, le chercheur s\u00e9lectionne l’hypoth\u00e8se qui s’accorde miraculeusement avec les bruits al\u00e9atoires de l’\u00e9chantillon. Ce proc\u00e9d\u00e9 constitue une circularit\u00e9 herm\u00e9neutique qui immunise le chercheur contre l’\u00e9chec tout en annulant la valeur de confirmation de l’\u00e9tude.<\/p>\n

Le ph\u00e9nom\u00e8ne s’enracine \u00e9galement dans le mod\u00e8le des incitations perverses th\u00e9oris\u00e9 par l’\u00e9conomie des sciences et formul\u00e9 par la loi de Goodhart : \u00ab Lorsqu’une mesure devient un objectif, elle cesse d’\u00eatre une bonne mesure. \u00bb Dans le milieu acad\u00e9mique, la survie professionnelle des chercheurs est conditionn\u00e9e par l’adage \u00ab publier ou p\u00e9rir \u00bb (publish or perish<\/em>). Les comit\u00e9s de r\u00e9daction des revues \u00e0 fort impact ayant historiquement privil\u00e9gi\u00e9 les r\u00e9sultats spectaculaires, novateurs et statistiquement significatifs (rejetant les \u00e9tudes aux r\u00e9sultats nuls dans les tiroirs m\u00e9taphoriques de la science), le chercheur est soumis \u00e0 une pression s\u00e9lective l’incitant \u00e0 draguer ses donn\u00e9es jusqu’\u00e0 ce qu’un signal significatif apparaisse.<\/p>\n

D’un point de vue cognitif, le dragage de donn\u00e9es n’est pas toujours le fruit d’une fraude consciente ou malveillante, mais r\u00e9sulte souvent de biais psychologiques universels d\u00e9crits par la psychologie cognitive. Le premier est le biais de confirmation : le chercheur est intimement convaincu de la v\u00e9racit\u00e9 de sa th\u00e9orie psychologique. Lorsqu’une premi\u00e8re analyse statistique \u00e9choue \u00e0 r\u00e9v\u00e9ler l’effet attendu, il n’attribue pas cet \u00e9chec \u00e0 la fausset\u00e9 de son hypoth\u00e8se, mais \u00e0 un pr\u00e9tendu \u00ab bruit \u00bb m\u00e9thodologique qu’il estime n\u00e9cessaire de corriger (en \u00e9cartant des observations d\u00e9viantes ou en changeant de test).<\/p>\n

\u00c0 cela s’ajoute le biais r\u00e9trospectif (hindsight bias<\/em>) et le ph\u00e9nom\u00e8ne identifi\u00e9 par Norbert Kerr sous l’acronyme HARKing<\/a> (Hypothesizing After the Results are Known<\/em>). Apr\u00e8s avoir dragu\u00e9 un jeu de donn\u00e9es et d\u00e9cel\u00e9 une interaction totalement inattendue entre trois variables d\u00e9mographiques, le chercheur reconstruit mentalement son raisonnement pour se convaincre que cette corr\u00e9lation \u00e9tait hautement pr\u00e9visible au vu de la litt\u00e9rature, r\u00e9\u00e9crivant la section th\u00e9orique de son manuscrit pour faire passer une trouvaille fortuite pour une d\u00e9duction magistrale.<\/p>\n

7. Composantes cl\u00e9s, types et dimensions<\/h3>\n

Le dragage de donn\u00e9es ne constitue pas un acte unitaire, mais un spectre polymorphe de manipulations m\u00e9thodologiques et analytiques. On peut en r\u00e9pertorier les dimensions dominantes au sein des sciences psychologiques :<\/p>\n