L’informatisation rapide de la société exerce une influence évidente sur les activités humaines aux plans individuels (les mentalités) et social (la nature du travail). Les possibilités que donne l’ordinateur de compiler, d’accéder, d’échanger des informations considérables et d’effectuer des calculs totalement hors de portée des chercheurs il y a quelques années exercent aussi un impact très important sur la démarche scientifique, que ce soit dans les sciences de la nature (sciences dures) ou dans les sciences de l’homme (sciences molles). Cet impact se manifeste par la renaissance d’une certaine forme de scientisme dont les effets se font sentir dans les politiques menées par les pouvoirs publics.

La démarche scientifique dans les sciences de l’homme et de la société.

La statistique appliquée rassemble des méthodes scientifiques qui concernent la quasi totalité des sciences appliquées. Un spécialiste de ces méthodes est amené à travailler sur des données diverses et à aborder des problèmes qui ne concernent plus seulement la statistique proprement dite, mais l’interprétation des résultats qu’elle produit. Inversement, un chercheur en sciences sociales a recours aux méthodes statistiques pour établir les résultats numériques et les interpréter suivant les questions qu’il se pose. L’exemple typique est l’interprétation d’une relation statistique comme relation causale, ce que la statistique ne peut jamais établir et qui relève d’un raisonnement se situant dans un champ scientifique différent : c’est l’explication de la relation statistique observée qui en donne éventuellement l’interprétation causale.
Il existe donc deux démarches : la démarche statistique proprement dite (observation par l’outil statistique) et la démarche interprétative (interprétation des résultats de l’outil). Ces deux démarches sont d’ailleurs classiques dans les sciences de la nature : l’observation (d’un astre par exemple) fait appel à un outil scientifique (le télescope). L’image obtenue doit en-suite être analysée correctement.
Cette dualité est à l’origine d’erreurs nombreuses soit dans la méthodologie utilisée soit dans le sens donné aux résultats : « Si les bergers chaldéens avaient eu nos puissants té-lescopes, ils n’auraient rien appris de la science maîtresse » (Alain, 1932, p. 155). Ils n’auraient pas su utiliser l’appareil d’une part, et n’auraient pu comprendre les images obte-nues d’autre part. L’informatisation, en rendant disponibles à la fois des données considéra-bles et les outils nécessaires pour les analyser, place les chercheurs en sciences sociales dans une situation un peu analogue à celle des bergers : il leur faut maîtriser l’outil technique, – matériel et logiciel – et passer du champ statistique dans lequel se trouvent les résultats numé-riques au champ des sciences sociales qui leur donnent du sens. Les difficultés actuelles résultent surtout de la nouveauté et de la complexité des méthodes et de l’intrication des démarches : il est bien difficile à un même chercheur de mener de front ces deux démarches.

Généralisation de la démarche quantitative.

L’utilisation systématique de l’informatique impose la numérisation des observations. Pour utiliser les techniques quantitatives, il faut rendre l’information contenue dans les observations compatibles avec les traitements numériques : on généralise la mesure quantitative ou la catégorisation des comportements et des faits sociaux, et on perd la part qualitative de ces observations. On évalue par exemple le coût pour des parents de s’occuper de leurs enfants évaluant le coût engendré par le recours à une personne extérieure et en tenant compte du sa-laire que l’on aurait pu avoir (Lewis, 2001). On mesure le temps consacré aux enfants par le père et par la mère pour évaluer la façon dont chacun s’en occupe. Le service fourni devient totalement anonyme, indépendant des liens personnels entre les personnes concernées. La catégorisation est une autre forme de quantification : l’information conservée de chaque observation est réduite à celle du groupe dans laquelle elle est classée.
La rapidité avec laquelle l’informatique s’est imposée dans toutes les sciences appliquées explique la confiance illusoire dans les résultats numériques produits par l’ordinateur et l’adhésion parfois sans recul aux chiffres qui sont donnés. S. J. Gould (1997) parle même de « l’anxiété que suscitent les chiffres chez les commentateurs non scientifiques » (p. 383). Selon P. Manent (2001) « [le discours scientifique] est le seul contenu de pensée publiquement recevable » (p.19). Cette adhésion accentue la recherche de paramètres quantitatifs, tandis que le développement des banques de données laisse croire que l’homme dispose de toutes les informations possibles sur l’objet qu’il étudie.
On assiste donc actuellement à un renforcement du scientisme : de même que le développement de la génétique donne à l’homme l’illusion de la maîtrise de sa propre nature et même de sa pensée, le développement de l’approche quantitative des sciences sociales lui donne celle de la maîtrise de la société. Cette première illusion n’est pas bien sûr partagée par tout le monde, mais la conjonction de ces évolutions n’est pas fortuite : c’est simplement le remplacement du modèle de la physique mécanique, qui a conduit à la « domination des grands paradigmes unitaires comme le fonctionnalisme, le marxisme ou le structuralisme » (Dosse, 2001, p.681), par celui de la génétique et de la théorie de l’information. Ce scientisme favorise le développement de techniques quantitatives au détriment d’une réflexion qualitative plus difficile à mener : « cette suprématie de la statistique va trop souvent conduire à privilégier l'instrument par rapport à l'objet. C'est alors la technologie qui commande la problématique : on fera une analyse factorielle sur tel ensemble de données plutôt que d'étudier tel problème en utilisant l'analyse factorielle… » (Derivry, 1997). L’analyse des données devient systématiquement exploratoire, sans modèle préalable au détriment de l’analyse en facteurs communs utilisée par exemple par Spearman au début du 20e siècle.
La masse de données disponibles fait confondre peu à peu la réalité et le modèle ; cette confusion, sans grand effet dans les sciences de la nature parce que les modèles représentent beaucoup plus fidèlement la réalité observée et qu’ils sont plus facilement réfutables, a des conséquences importantes dans les politiques sociales lorsque les analyses prétendent à la fois donner une image exacte des faits sociaux et des outils suffisants pour régler les problèmes. Il s’agit en quelque sorte d’un déterminisme social, dont la conséquence au plan de la recherche apparaît immédiatement : c’est l’intervention de l’Etat dans la recherche scientifique, beaucoup plus intéressé par la résolution de problèmes sociaux que par des recherches dont l’intérêt à court terme est loin d’être évident. Cette intervention, caractérisée par exemple par la création des IUFM pour analyser et résoudre les problèmes du système éducatif, date, suivant Le Bras (2000), des années 1970, c’est-à-dire de l’époque de l’informatisation de la société (rapport Nora S., Minc A., 1978).
La confusion de la réalité et du modèle résulte donc d’une seconde illusion, qui consiste à croire que les méthodes modernes de traitement de l’information donnent les outils plus ou moins nécessaires et suffisants pour résoudre les problèmes sociaux.

Intrication des démarches de modélisation et d’interprétation.

Ces méthodes quantitatives ne se bornent pas à des procédures de calcul qu’il serait inutile, pour l’usager, de connaître, ni à des outils dont l’interprétation serait relativement simple. En astronomie, ce n’est pas l’astre lui-même qui est observé, mais la lumière qu’il émet, et c’est en analysant le spectre de cette lumière qu’on obtient des informations sur la composition de l’atmosphère de l’astre. La situation est analogue dans les sciences sociales : les deux démarches statistique et interprétative interviennent simultanément dans la conception intime du modèle et dans les interprétations de ses résultats. Les hypothèses nécessaires au modèle sont d’autant plus fortes et nécessaires que le concepteur du modèle ignore la réalité. C’est l’ignorance d’une loi de probabilité qui impose une hypothèse sur cette loi, l’ignorance de la nature d’une relation qui amène à supposer qu’elle est linéaire. Ces hypothèses, tout en étant indispensables, perturbent évidemment l’image du fait social étudié. Elles sont rarement explicitées en détail, et le contrôle a posteriori du modèle ne montre jamais qu’il est vrai, mais seulement qu’il est acceptable, même si on sait qu’il est faux. Le modèle est en effet toujours faux, en ce sens qu’il n’est finalement qu’une représentation déformée de la réalité telle que le concepteur du modèle l’appréhende.
Les modèles génèrent donc des artefacts. Imaginons par exemple un questionnaire comportant vingt questions de cinq modalités de réponse chacune. L’analyse des liaisons entre ces questions prises deux par deux consiste à établir tous les tableaux croisés possibles, soit cent quatre vingt dix ( = 20 x 19 / 2). En procédant à un test d’indépendance du Ki2 sur chaque tableau, dix liaisons en moyenne vont être considérées comme significatives quand les vingt variables sont en réalité indépendantes. C’est un artefact relativement connu. Mais on peut aussi se demander combien de liaisons seront considérées comme non significatives, alors que les variables sont liées. Comme on ne connaît pas la réponse à cette question dans le cas du test du Ki2, cet artefact est en général complètement négligé, et par suite ignoré. Plus généralement, les artefacts sont d’autant plus difficiles à détecter que les modèles sont complexes. L’exemple du modèle linéaire est assez typique : il suppose implicitement l’existence d’un effet propre des variables explicatives sur la variable expliquée. Il devient dès lors contradictoire de l’utiliser pour montrer l’existence d’un tel effet.
Les difficultés méthodologiques sont donc nombreuses, et le manque de personnel spécialiste du traitement de l’information par ordinateur patent, en particulier au sein des laboratoires du CNRS et des universités. L’exemple précédent montre concrètement la nécessité d’un travail pluridisciplinaire, les deux démarches ne pouvant guère être maîtrisées par une même personne. L’existence d’un langage commun aux différents spécialistes est évidemment indispensable et impose à chacun de connaître la discipline de l’autre.
Le manque de personnel compétent n’est évidemment pas sans conséquence et les limites des modèles sont fréquemment dépassées. On exige d’eux des résultats même s’ils n’ont pas été conçus pour cela, et on les obtient parce que les calculs sont toujours possibles, même s’ils n’ont pas de sens. Cela revient à la démarche suivante dans les sciences de la na-ture : prévoir le résultat d’une expérience dans des conditions de température et de pression incompatibles. Dans ce dernier cas, l’erreur est décelée par une simple expérience tandis que l’impossibilité de procéder ainsi dans les sciences sociales rend indispensable une analyse critique des conditions dans lesquelles les résultats sont établis.

Déconstruction des modèles.

L’explicitation des relations et des hypothèses d’un modèle met en évidence les critères qui ont été utilisés pour le concevoir. Ces critères ne sont pas nécessairement individuels, ni conscients. Ils peuvent résulter de l’appréhension collective du fait social étudié. Par exemple, la règle proposée pour le dépistage de la trisomie 21 chez les femmes enceintes dans la région de Marseille (Moatti et coll., 1993) montre la perception sociale du handicap :
• on propose aux familles un dépistage lorsque le risque statistique d’une fausse couche d’un enfant normal provoquée par le geste médical (un prélèvement du liquide amniotique) est inférieur ou égal au risque d’une naissance d’un enfant trisomique.
• dans le cas où une anomalie génétique du fœtus est détectée, on suggère une interruption de grossesse.
Le critère d’égalité des risques revient à considérer de facto que les deux situations : perte d’un enfant normal et naissance d’un enfant trisomique, sont équivalentes en termes de coût économique et humain, et on émet implicitement un jugement de valeur sur la vie d’un trisomique et d’un enfant normal. L’eugénisme, typique de cette démarche, n’est pas loin. Il existe d’ailleurs officiellement en France, par l’article L2123-2 du code de la santé.
De la même façon, lorsqu’on compare le temps consacré à un enfant par le père et par la mère, l’hypothèse implicite est l’identité de leurs rôles. Cela revient à émettre un jugement de valeur sur le fait et la façon de s’occuper d’un enfant.
Enfin, la déconstruction des modèles permet de mettre en évidence les idéologies scientifiques, c’est-à-dire l’utilisation volontairement abusive des méthodes mathématiques pour donner une apparence scientifique à une idéologie. L’exemple le plus typique est celui des théories racistes de Murray et Herrnstein, publiées dans leur ouvrage The bell curve et sévèrement démolies par S.J. Gould dans La malmesure de l’homme.

Conséquences de la quantification généralisée.

La quantification des observations présente apparemment l’avantage d’une certaine objectivité, d’une certaine indépendance par rapport à l’observateur. Mais la classification, le choix des indices restent une décision de l’expert : un enfant sera classé parmi les enfants normaux, ayant un retard mental léger ou moyen suivant son QI, mais ce QI reste déterminé par le psychologue. L’objectivité par rapport à l’observateur ne peut donc être qu’apparente. En outre, la définition des catégories est effectuée par la société, dans le cas précédent par le ministère de la santé. L’objectivité est donc obtenue au prix d’une subjectivité sociale, collective, qui peut apparaître dans le choix des mots, et dont des témoignages sont la transformation des catégories débiles légers, moyens et lourd, en retard mental léger et moyen, ou la disparition de l’hystérie des pathologies psychiatriques recensées dans la classification officielle de l’OMS (Blanchon, 2000).
La quantification présente en outre un grave inconvénient : les nombres étant ordonnés, elle donne une hiérarchie. La relation d’ordre qui existe sur les nombres devient une relation d’ordre sur les faits mesurés ou les actions observées. Examinons par exemple les loisirs : on peut mesurer le plaisir donné par le vélo ou le golf par l’argent qu’on dépense pour cela. Dès que l’on compare ces dépenses, la quantification n’a plus de sens : le golf coûte évidemment plus cher que le vélo, mais cela ne signifie pas que la pratique du golf apporte plus de plaisir que celle du vélo.

Cette hiérarchie est systématiquement créée dans toutes les techniques statistiques et se traduit en échelle collective des valeurs. Suivant cette soi-disant échelle, il est « mieux » d’être riche que pauvre, blanc que noir, ingénieur qu’ouvrier, homme que femme etc, indépendamment des situations personnelles. On sait que, suivant le théorème de Hume, on ne peut inférer des conclusions normatives à partir de prémisses descriptives. Il s’agit ici en quelque sorte de sa réciproque : la modélisation quantitative d’un fait social ou d’un comportement humain crée de facto une hiérarchie collective des valeurs mises en jeu.
La tentation est grande de déterminer les injustices sociales en référence à cette échelle collective qui n’a pourtant aucun sens au plan individuel, et on peut se sentir dévalorisé par cette échelle sociale, chercher à s’y conformer. Lorsque le critère est discriminatif (par exemple, la race, le sexe, la religion), l’inégalité est interprétée suivant cette échelle collective en terme d’injustice sociale : c’est le groupe qui est défavorisé aux yeux de lui-même et des autres. C’est finalement une explication possible des revendications communautaires.

Alors , statistique ou pas statistique ?

Une réponse est donnée par Tocqueville (1840, p.310) : « Quand la statistique n’est pas fondée sur des calculs rigoureusement vrais, elle égare au lieu de diriger. L’esprit se laisse prendre aisément aux faux airs d’exactitude qu’elle conserve jusque dans ses écarts, et il se repose sans trouble sur des erreurs qu’on revêt à ses yeux des formes mathématiques de la vérité.
Abandonnons donc les chiffres, et tâchons de trouver nos preuves ailleurs. ».
Tocqueville compensait l’absence des banques de données et des logiciels de traitement de l’information par ses capacités d’observation et la puissance de sa pensée. Prenons garde à ne pas inverser la démarche, à ne pas compenser l’absence de réflexion par la puissance de l’ordinateur, et profitons au contraire au plan intellectuel des possibilités immenses offertes par l’informatique. Les banques de données, les moyens de calcul, les technologies de la communication et de l’information doivent être utilisées pour approfondir les analyses et non pour les faciliter.

BIBLIOGRAPHIE
Alain, 1932, Propos sur l’éducation, PUF, Paris, p. 155 (ed. 1976)
Blanchon Y.C., 2000, Eloge d’une soupçonnée, Réflexions sur la disparition de l’hystérie dans les classifications des troubles mentaux, L’Information Psychiatrique, vol. 76, n°6, p.641-645.
Derivry D., 1997, Sociologie – les méthodes, Encyclopædia Universalis.
Dosse F., 2001, Paul Ricœur, Les sens d’une vie, La Découverte, Paris
Gould S.J., 1997, La mal-mesure de l’homme, Odile Jacob, Paris.
Herrnstein C., P. Murray, 1994, The bell curve, The Free Press, New York.
Le Bras H., Les sciences sociales entre biologie et politique, La Recherche, novembre 2000
Lewis J., 2001, Les femmes et le Workfare de Tony Blair, Esprit, mars-avril, 174-186.
Manent P., 2001, Cours familier de philosophie politique, Gallimard, Paris
Moatti J-P, C. Julian-Reynier, V. Séror, C. Le Gales, S. Aymé, Evaluation économique et éthique médicale, Natures-Sciences-Sociétés, vol.1, n°4 p. 300-308.
Nora S., Minc A., 1978, Rapport sur l'informatisation de la société, Documentation française.
Tocqueville A., 1840, De la démocratie en Amérique, tome I, Garnier Flammarion, Paris

Cette communication est inspirée des articles suivants, disponibles sur le site internet :
http://iut86-fad.univ-poitiers.fr/StatPC/Articles/articles.htm :

L’interprétation statistique, Mathématiques et Sciences Humaines, n° 153, p.21-28, 2001.
L’argumentation statistique dans la politique sociale, Mathématiques et Sciences Humaines, n° 156, p.33-42, 2002.
L’illusion du savoir, Science et Conscience, n° 7, p.29-33, 2002.
Politique sociale et cognitivisme, Science et Conscience, n° 9 p.66-69 et 10, p.65-68, 2003.
Enseignement et nouvelles technologies, Idées, n°137, p.68-74, 2004.
Statistique et idéologies scientifiques, Idées, n°138, 2004.
La bulle providentielle, Sociétal, n°46, p.39-44, 2004.
Toutes choses égales par ailleurs (non publié).

Ressources complémentaires

• - Introduction au Colloque
• CEN "Tout, tout en un" Traitement informatique des sources aztèques du Mexique ancien
• Discordances ontologiques et questions d’interopérabilité
• Histoire et Ingénierie des Connaissances
• La capitalisation des données qualitatives en vue de leur ré-utilisation: réflexion et expérience du GRETS à EDF
• Les savoirs experts à l'épreuve de la collecte et de la restitution de données sur Internet : l'exemple du site «Technorisque»
• Limites et conséquences de la modélisation dans les sciences de l’homme
• L’expérience de la revue « d’ethnographiques.org » : la diffusion des connaissances en anthropologie par le biais des T.I.C
• L’exploitation des données biographiques avec le logiciel Alceste
• Plaidoyer pour les archives orales ou comment faire des archives parlées des archives parlantes