Le point de départ de cette note est un usage courant, chez des chercheurs comme chez des journalistes : on explique des comportements à grande échelle (inaction climatique, obésité, endettement, discrimination) par des biais cognitifs. La question est de savoir ce que vaut une telle explication. J’emploie quelques termes dans un sens fixe. L’agent est celui dont on étudie le comportement. L’observateur est celui qui le décrit, avec ses mesures et ses modèles. La référence est ce par rapport à quoi l’observateur juge un comportement correct ou erroné. J’évite ici le mot norme, que je réserve ailleurs à un étalon porté par l’agent lui-même.
Un biais est un écart systématique à une référence. Ce n’est donc pas une propriété de l’agent seul, mais du couple formé par l’agent et la référence choisie par l’observateur. Si l’on change la référence, l’écart peut changer de signe ou disparaître. Trois exemples le montrent. Quand on tient compte du coût du calcul, l’ancrage devient une stratégie optimale (l’analyse dite « resource-rational » de Lieder & Griffiths). Quand on prend comme référence les statistiques réelles de l’environnement, plusieurs biais deviennent des règles efficaces (Gigerenzer). Quand le risque de mortalité extérieure est élevé, la dévalorisation des gains futurs cesse d’être un défaut de volonté et devient une réponse adaptée au contexte (Pepper & Nettle). Souvent, la référence est l’optimum d’un modèle normatif, c’est-à-dire d’un modèle de ce qu’un agent idéal devrait faire : maximiser une utilité attendue, décider comme un agent bayésien idéal. Cet optimum est calculé par le modélisateur à partir d’une grandeur qu’il choisit, et c’est lui qui définit le biais. Tant que le choix de la référence n’est pas justifié, le mot biais ne dit rien de l’agent.
À ce problème de définition s’ajoutent quatre difficultés, qu’il vaut mieux ne pas confondre.
La première est la circularité : le biais est souvent mesuré par le comportement même qu’il doit expliquer. Cela ne veut pas dire que le nom soit vide. Dire qu’un verre s’est cassé parce qu’il est fragile est une explication pauvre, mais elle affirme que la cause est dans l’objet plutôt que dans le choc, que l’objet se cassera dans d’autres circonstances du même type, et qu’une structure sous-jacente en rend compte. Chacune de ces affirmations peut être fausse. Il en va de même pour un biais. Si l’on constate qu’un sujet refuse un pari à pile ou face où il peut gagner un peu plus qu’il ne risque de perdre, et qu’on parle d’« aversion à la perte », on affirme que le refus vient du sujet plutôt que de la situation, qu’il se reproduira dans d’autres paris du même type, et qu’il est lié à d’autres comportements. La circularité commence quand on traite le nom comme une réponse suffisante au « pourquoi », en disant que le sujet a refusé le pari parce qu’il a une aversion à la perte, sans vérifier ces affirmations.
Un terme gagne en contenu explicatif quand il devient un terme d’un modèle, avec une forme précise, qui fait des prédictions que d’autres modèles ne font pas et qui peut échouer face à des alternatives sur un dispositif conçu pour les départager ; il en gagne aussi quand il est relié à des mesures indépendantes de celles qui l’ont introduit. L’erreur la plus fréquente est de conclure plus loin que les tests réalisés : traiter comme une propriété de l’agent, voire comme un trait individuel, un paramètre ajusté sur les données mêmes qu’il explique, ou étendre une étiquette établie dans une tâche à une autre tâche sans vérifier que celle-ci ne permet pas d’autres lectures. Pour l’aversion à la perte, une mesure indépendante serait, par exemple, un coefficient estimé sur une série de paris où l’on fait varier séparément le gain et la perte, et qui prédirait un autre comportement, comme l’écart entre le prix auquel on accepte de céder un objet et celui auquel on l’achèterait. Ce n’est pas toujours simple à obtenir : il faut que les deux tâches mesurent bien la même chose chez le même sujet, et même alors, un refus stable peut encore relever d’autre chose, par exemple d’une aversion à la variance.
La deuxième est empirique, et elle met à l’épreuve l’un de ces engagements, la stabilité : c’est la fragilité psychométrique. Pour qu’un biais explique la conduite d’un individu, il doit être une propriété stable de cet individu. Or Hedge et al. (2018) ont mesuré la fiabilité test-retest de sept tâches cognitives classiques (Stroop, Flanker, stop-signal, entre autres) et trouvé des valeurs allant de 0 à 0,82, faibles pour la plupart. Cette faiblesse vient surtout de ce que les sujets varient peu entre eux : les tâches qui produisent des effets robustes et faciles à répliquer sont justement celles où les individus diffèrent peu, ce qui en fait de mauvais outils pour mesurer des différences individuelles. Enkavi et al. (2019) ont étendu ce constat à grande échelle aux mesures d’autorégulation. Les instruments qui définissent les biais ne mesurent donc pas assez bien les individus pour porter l’inférence qu’on leur fait porter.
La troisième est une erreur de niveau : expliquer un phénomène collectif par un mécanisme individuel. Chater & Loewenstein, deux fondateurs de l’économie comportementale, reviennent sur leur propre programme en distinguant un cadrage individuel des problèmes (le « i-frame ») d’un cadrage systémique (le « s-frame »), et en montrant que le premier a souvent servi à détourner l’attention du second.
La quatrième tient au vernis neuroscientifique. Nommer un biais puis le localiser (dans le « système 1 », l’amygdale ou la dopamine) donne l’apparence d’un mécanisme sans ajouter de contrainte explicative. Le cadre à deux systèmes sur lequel reposent beaucoup de ces localisations est lui-même contesté (Melnikoff & Bargh 2018). Plus généralement, Krakauer & Ramsey (2026) rappellent qu’on ne doit pas s’attendre à trouver aux niveaux d’organisation inférieurs les mêmes notions explicatives qu’aux niveaux supérieurs ; un biais, notion psychologique, n’a pas de raison de correspondre tel quel à une structure cérébrale.
Il ne faut pas en conclure que la notion de biais est toujours vide. Elle est productive quand la référence est fixée par la tâche et que la vérité-terrain est accessible : priors sensoriels, compromis biais-variance, paramètres d’un modèle d’apprentissage par renforcement. Le biais est alors un paramètre d’un modèle de l’agent, rattaché à une variable qu’on peut manipuler, et l’écart renseigne sur l’agent, par exemple sur le prior qu’il utilise. La distinction utile n’est pas entre biais et absence de biais, mais entre un paramètre identifié dans un modèle et une étiquette posée après coup.
L’usage des biais a aussi une dimension politique. Localiser la cause d’un comportement, c’est localiser un point d’intervention, et donc une responsabilité. Si le déficit est dans la tête des individus, c’est la tête des individus qu’on cible. Ce n’est pas une contamination de la science par la politique : c’est une propriété du concept, puisqu’il n’y a pas de choix de référence sans contenu évaluatif. Deux vérifications empiriques sont disponibles. DellaVigna & Linos (2022) comparent les effets des « nudges » publiés dans les revues académiques (8,7 points de pourcentage en moyenne) à ceux de tous les essais menés par deux unités gouvernementales chargées de les déployer (1,4 point). Forscher et al. (2019), dans une méta-analyse de 492 études et plus de 87 000 participants, trouvent que les procédures qui modifient les mesures de biais implicites ne modifient pas pour autant le comportement : le changement de la mesure ne médie pas le changement de conduite.
L’usage est d’ailleurs symétrique, et c’est peut-être le point le plus intéressant. Le vocabulaire du biais sert aussi à disqualifier un adversaire en traitant son désaccord comme une défaillance. Kahan et al. (2012) montrent que les personnes qui ont la meilleure culture scientifique et les meilleures compétences numériques ne sont pas les plus inquiètes du changement climatique, mais les plus polarisées selon leur appartenance culturelle. Si l’on prend comme référence l’intérêt qu’a chacun à partager les croyances de son groupe, ce comportement cesse d’être un biais. Un modèle qui attribue le désaccord à un manque de connaissances ne rend pas compte de ce résultat.
On peut en tirer un critère. Une affirmation de la forme « le comportement X s’explique par le biais Y » ne tient que si Y est mesuré indépendamment de X, si Y est stable d’un contexte à l’autre, si une manipulation qui déplace Y déplace aussi X, et si l’on sait dire quel biais s’applique dans quelle situation. La dernière condition est rarement remplie : les listes de biais sont longues, et aucune théorie ne dit lequel s’applique où.
Le même problème se pose chez l’animal. Dans les microsociétés de souris décrites par Solié et al. (2026), des rôles apparaissent spontanément : un Worker actionne le dispositif qui délivre la nourriture, un Scrounger en profite. Jugé par rapport à une référence d’optimalité individuelle, le Scrounger apparaît comme un exploiteur et le Worker comme une dupe. Ces qualificatifs viennent de la référence choisie par l’observateur, pas des animaux. La différence avec les débats sur les comportements humains est qu’on peut ici manipuler les conditions et regarder si l’écart se déplace.
Plusieurs points restent ouverts. Le critère ne vise que les explications de comportements individuels : un effet robuste au niveau d’une population peut rester utile même si la mesure distingue mal les individus, ce que Hedge et al. soulignent eux-mêmes. Faut-il alors parler de biais au niveau de la population plutôt que de l’individu ? Ensuite, qui choisit la référence dans une politique publique, et peut-on la justifier autrement que par commodité, par exemple par les buts que les personnes déclarent elles-mêmes ? Enfin, existe-t-il, hors de la perception et des modèles d’apprentissage, un biais qui satisfasse les quatre conditions du critère ?
Références
- Chater N. & Loewenstein G. (2023). The i-frame and the s-frame: how focusing on individual-level solutions has led behavioral public policy astray. Behav. Brain Sci. 46:e147.
- DellaVigna S. & Linos E. (2022). RCTs to scale: comprehensive evidence from two nudge units. Econometrica 90:81–116.
- Enkavi A.Z. et al. (2019). Large-scale analysis of test–retest reliabilities of self-regulation measures. PNAS 116:5472–5477.
- Forscher P.S. et al. (2019). A meta-analysis of procedures to change implicit measures. J. Pers. Soc. Psychol. 117:522–559.
- Gigerenzer G. & Gaissmaier W. (2011). Heuristic decision making. Annu. Rev. Psychol. 62:451–482.
- Hedge C., Powell G. & Sumner P. (2018). The reliability paradox: why robust cognitive tasks do not produce reliable individual differences. Behav. Res. Methods 50:1166–1186.
- Kahan D.M. et al. (2012). The polarizing impact of science literacy and numeracy on perceived climate change risks. Nat. Clim. Change 2:732–735.
- Krakauer J.W. & Ramsey W. (2026). Mental representation without neural representation: understanding the evidence. Philosophy and the Mind Sciences 7.
- Lieder F. & Griffiths T.L. (2020). Resource-rational analysis: understanding human cognition as the optimal use of limited computational resources. Behav. Brain Sci. 43:e1.
- Melnikoff D.E. & Bargh J.A. (2018). The mythical number two. Trends Cogn. Sci. 22:280–293.
- Pepper G.V. & Nettle D. (2017). The behavioural constellation of deprivation: causes and consequences. Behav. Brain Sci. 40:e314.
- Solié et al. (2026). Nature.