Incertitude en sciences

Il convient également de différencier une incertitude de nature psychologique, qui est subjective et reflète le niveau de confiance qu'un agent attribue à une croyance, de l'incertitude objective, qui renvoie à la validité des preuves disponibles sur un sujet donné^[4]. Ces deux notions sont corrélées mais indépendantes : le niveau de preuves associé à une croyance peut-être objectivement élevé (ex : l'existence d'un réchauffement climatique d'origine anthropique), et pourtant un individu particulier peut-être hautement incertain sur la question (à cause d'un manque d'information par exemple). Réciproquement, on peut avoir un haut degré de certitude psychologique sur un sujet pour lequel les éléments de justification rationnelle disponibles sont faibles, voire inexistants.

L’incertitude se caractérise par un état psychologique d’un individu face à l'absence d’information disponible lui permettant d’établir un jugement ou de se prononcer avec certitude sur le devenir d’un événement^[5]. Cet état psychologique est souvent accompagné d’émotions négatives^[5] et vécu de manière stressante et insatisfaisante. Cela force le sujet à trouver des solutions pour répondre à cette incertitude^[6] et peut donc conduire à de nombreux biais cognitifs quant à la prise de décision ou à la volonté de répondre à cette incertitude. Cet état d’incertitude est inhérent aux capacités cognitives du sujet qui est limité dans sa capacité d’acquérir et de traiter l’information mais également de prendre des décisions sous contrainte de temps.

Cet état peut également émerger de la contradiction entre les attentes et les signaux que nous donne la réalité. Si un individu effectue un entretien d’embauche qui s’est à première vue bien passé, le fait de ne pas recevoir de réponse au bout d’un certain temps est un signal négatif qui va à l'encontre de l’attente et de l’impression vécue initiale ce qui va augmenter le niveau d’incertitude du sujet ainsi que les sentiments négatifs qui y sont liés (crainte, stress etc)^[7].

L’étude de cet état psychologique et des biais qui en découlent trouve de nombreuses applications en économie, en théorie de la décision et plus généralement en sciences humaines, questionnant la capacité des chercheurs à établir des modèles prédictifs ou des théories générales.

L’incertitude est ici subjective et ne concerne pas le monde extérieur, elle provient directement des limites cognitives du sujet à amasser et traiter toute l’information disponible. La rationalité limitée est l’idée développée par Herbert Simon selon laquelle l’agent rationnel est limité dans sa capacité de prise de décision. Cette limitation provient du fait que les individus ne peuvent avoir qu’une connaissance imparfaite des contraintes et des choix possibles^[8]. L’information disponible peut être périmée (l’individu peut être soumis à des informations dépassées au moment de prendre sa décision.) ou biaisée par des intérêts divers. L’information a également un coût qui pourrait faire renoncer le sujet dans sa volonté de vouloir l’acquérir (Ignorance rationnelle)^[8]. Le décideur a en plus une capacité cognitive limitée, il ne peut pas imaginer et analyser précisément tous les scénarios possibles dans une situation incertaine. Cette situation incertaine implique souvent une échéance qui oblige le décideur à prendre des décisions contraintes par un temps donné. La décision effectuée n’est souvent pas la plus efficiente mais vise plutôt à remplir un certain taux de satisfaction^[8].

L'ignorance rationnelle est un concept inventé par l’économiste Anthony Downs dans son traité An Economic Theory of Democracy. C’est une forme de raisonnement affectant le comportement d’un individu, il consiste dans le fait de renoncer à chercher des compléments d’information avant une prise de décision, quand le coût d’obtention de ces dits compléments dépasse l’enjeu de la décision^{[réf. nécessaire]}.

Nous sommes limités dans notre capacité à connaître dans un temps donné ce qui amène délibérément à choisir d'ignorer certaines informations ou connaissances dans un but d’optimisation. Cela entraîne des conséquences positives ou négatives^[9]. L’acquisition d’information est toujours coûteuse (en temps notamment), ainsi il est dit rationnel d’être ignorant quand le coût d’une information semble supérieur à l'avantage qu’elle procurerait. Le problème advient alors avec l’incertitude de l’agent quant à la nature de l’information, l’individu ne peut souvent pas prévoir la valeur bénéfique ou non d’une information tant qu’il ne l’a pas obtenue. Nous devons alors établir nos jugements sur le coût et le gain de telles connaissances sur la base d’expériences personnelles, d’estimations, d’intuition etc. Dès lors, même si l’agent est considéré comme rationnel dans son choix d’ignorer une information, ce choix n’en demeure pas moins affecté par l’incertitude liée à la nature et au contenu même d’une information^[9].

L’aversion pour l’incertitude est caractérisée par une crainte de l'événement incertain, le sujet pense qu’il y a plus à perdre dans une situation incertaine, et par conséquent que le risque à agir est plus grand que celui de l'inaction. L’individu, s’il a le choix, préférera miser sur une situation alternative où la distribution de probabilités portant sur les issues possibles sont connues plutôt que celles où il ne peut que se référer à son estimation personnelle. Le paradoxe d'Ellsberg est une expérimentation connue de ce type de problème^[10]. Une des versions de ce paradoxe stipule que si l’on propose à une personne deux saladiers remplis de billes, celui de droite contenant 50% de billes rouges et 50% de billes noires et celui de gauche contenant une quantité inconnue de billes noires et de bille rouges, le sujet préférera le premier saladier alors que la probabilité de tirer une bille noire ou rouge est a priori la même^[11],[12].

En psychologie sociale, la clôture cognitive a été proposée en 1993 par Arie W. Kruglanski, Donna Webster, et Adena Klem, c’est le besoin d’un individu à avoir une explication rapide à une question qui a un contenu confus ou ambigu parfois même si la réponse est irrationnelle^[13]. Cela peut mener à de nombreux biais concernant la recherche de l’information. La clôture cognitive est une conséquence de l’aversion pour l’incertitude.

Cette section propose une typologie de l'incertitude objective, organisée autour de 3 axes complémentaires^[2] : la nature de l'incertitude, sa localisation et son intensité.

Au sein de la littérature scientifique (sciences fondamentales, ingénierie, sciences de la décision, philosophie...), il est courant de distinguer deux types ou natures d'incertitude : l'incertitude ontologique (aussi appelée aléatoire, objective, externe, stochastique, inhérente, irréductible ou encore primaire avec des variations de sens plus ou moins importantes en fonction des auteurs^[14],[15]) et l'incertitude épistémique (aussi appelée incertitude subjective, interne, fonctionnelle, informationnelle ou secondaire^[14]).

L'incertitude ontologique est associée à la variabilité inhérente à l’objet ou au système considéré qui est hors de notre contrôle^[2]. Cette incertitude est donc jugée non-réductible, au moins à court terme, compte-tenu de l'état actuel des connaissances^[15].

Dans la description de certains systèmes, il est possible d’interpréter une part de l’incertitude, comme étant une propriété du monde lui-même, en tant qu’il serait intrinsèquement indéterminé (on retrouve ce débat par exemple pour les structures dissipatives et les systèmes quantiques). Selon un tel point de vue, l’expression de l’incertitude serait le reflet d’un indéterminisme fondamental, compris comme une rupture du principe de causalité. Autrement dit, pour un état du monde donné, il n’y aurait pas un unique scénario d’évolution possible, mais plusieurs futurs envisageables^[16]. Ainsi, même une intelligence parfaite et omnisciente, disposant d'une information exhaustive sur les conditions initiales de l'Univers (voir démon de Laplace) ne serait pas en mesure de prédire l'avenir.

Un système complexe est “un ensemble de nombreux éléments qui interagissent de manière désordonnée, ce qui se traduit par une organisation et une mémoire robustes”^[17]. Sa structure est émergente, et ne peut pas être décelée par la seule étude de ses composants. Dans de tels systèmes, il est courant d'observer des phénomènes de rétroaction. Les systèmes complexes se retrouvent dans de nombreux domaines, allant de l’étude du cerveau humain, au fonctionnement de la bourse et des marchés financiers en passant par la régulation des réseaux de gènes.

Certains systèmes dynamiques complexes (ex : le climat) ont une forte sensibilité aux conditions initiales, et sont alors étudiés grâce à la théorie du chaos. Bien qu'ils soient parfaitement déterministes, l'étude de tels phénomènes est entachée d'une incertitude jugée irréductible, car il ne sera jamais possible de décrire avec une précision infinie les paramètres initiaux. En ce sens, la variabilité à l’œuvre dans les systèmes complexes produit une incertitude de nature ontologique.

L'incertitude épistémique est liée à l'imperfection de nos connaissances. Elle provient notamment des limites des données considérées (quantité, qualité, pertinence), de l'interprétation de ces données, des obstacles techniques, méthodologiques ou économiques ou encore d'erreurs humaines et de biais^[2],[4]. Ainsi, l'incertitude épistémique est susceptible d'être réduite, grâce à un progrès dans notre compréhension du système étudié, par exemple en conduisant davantage d'études^[2],[14].

La distinction entre incertitude ontologique et épistémique permet notamment d'orienter les recherches futures et l'allocation des ressources, en indiquant les incertitudes qui ont été laissées de côté par les travaux en cours, et qui sont susceptibles d'être réduites à l'avenir^[15]. L'incertitude épistémique peut elle-même se subdiviser en une incertitude directe et indirecte^[18]. La première est immédiatement associée à une hypothèse, fait ou résultat particulier, tandis que la seconde reflète la qualité du cadre théorique et des données qui forment l'arrière-plan supportant l'affirmation en question^[18].

L'incertitude peut se manifester à plusieurs endroits au sein d'un modèle et à différentes étapes de son élaboration^[2]:

1. Contexte : conditions et circonstances (incluant aussi les valeurs et intérêts des scientifiques et acteurs de la recherche) qui sous-tendent le choix des limites du système ou de l’objet étudié, ainsi que la formulation des questions et des problèmes à traiter.
2. Modélisation :
   • Incertitude structurelle : manque de connaissance (passé, présent, futur) concernant les éléments du système et leurs relations.
   • Incertitude technique : incertitude émanant de l’implémentation logicielle et matérielle du modèle (bugs, erreurs de programmation, matériel défectueux, etc…)
3. Données d'entrée (inputs) :
   • Incertitude sur les facteurs extérieurs au système : incertitude sur les forces susceptibles de produire des changements dans le système, sur leur intensité et leurs effets précis.
   • Incertitude sur les facteurs internes au système : incertitude sur les valeurs des variables utilisées dans le modèle, ce qui inclut la manière de récolter, trier et mettre en forme l’information c'est-à-dire, par exemple, l'établissement de conventions sur les grandeurs, leur signification ou les normes métrologiques^[19]. L'extension de l'usage des données massives à de nouvelles disciplines (en biologie par exemple) rend cette problématique d'autant plus prégnante^[20].
4. Paramètres : pour un contexte et un scénario donnés, les paramètres sont des invariants du modèle. On distingue les paramètres exacts (constantes mathématiques universelles : Pi, nombre d’Euler…), fixes (issus à l’origine d’un processus de calibration, mais considérés comme très fiables et stables ; ex : la valeur de la force de gravité), a priori (non estimables par calibrage) et calibrés (ajustement successif par comparaison entre des prédictions du modèle et des données expérimentales). L’incertitude porte surtout sur les deux derniers types de paramètres.
5. Prédictions et résultats (outputs) : résultat de l’agglomération des incertitudes précédentes par propagation.

Il existe de multiples échelles de l'incertitude, qui dépendent de l'objectif visé (communication scientifique, public, prise de décision, etc...)^[21].

On peut envisager l'incertitude comme se répartissant sur un spectre, allant de l'ignorance totale à la quasi-certitude (ou au déterminisme complet). On propose ici de distinguer 3 niveaux intermédiaires de l'incertitude^[2]:

1. Incertitude statistique : Les relations fonctionnelles postulées par le modèle sont considérées comme des descriptions adéquates et robustes du système étudié. L'incertitude statistique peut se situer aux différentes localisations du modèle (voir plus haut), mais l'écart avec la "vraie" valeur peut toujours être caractérisé par le biais d'un traitement statistique (par exemple par calibrage). Un cas paradigmatique d'incertitude statistique est l'incertitude de mesure, qui provient notamment d'erreurs d’échantillonnage ou d'un manque de précision des instruments utilisés.
2. Incertitude de scénario : Plutôt qu'une prédiction unique (un seul scénario d'évolution pour le modèle), l'approche par scénario est adopté lorsqu'il existe une gamme de résultats possibles, mais que les mécanismes menant à ces résultats ne sont pas bien compris et qu'il n'est donc pas possible d'évaluer statistiquement la probabilité d'un résultat particulier. Un scénario est une description plausible de l'évolution d'un système, qui ne vise pas à prédire ce qui va se passer au sens strict, mais plutôt à décrire des trajectoires possibles, indiquant ce qui pourrait arriver si tel ou tel ensemble de conditions (souvent non vérifiables empiriquement) est satisfait. On passe alors d'un continuum cohérent de résultats exprimés de manière stochastique à un éventail de possibilités discrètes.
3. Ignorance fonctionnelle : Les mécanismes internes au système, c'est-à-dire l'ensemble de ses relations causales et fonctionnelles sont encore inconnues, ou en cours d'évaluation. Ce faisant, il devient difficile de construire des scénarios sur des fondements rigoureux, en accord avec les exigences méthodologiques de la science. L'ignorance fonctionnelle peut-être de nature épistémique ou ontologique.

Plusieurs théories mathématiques et outils formels sont utilisés pour le traitement et la quantification de l'incertitude à travers les sciences ^[22],[23]. La théorie des probabilités et ses extensions (méthode de Monte-Carlo, inférence bayésienne et théorie de Dempster-Shafer) constitue le cadre le plus largement partagé, et permet le traitement des incertitudes de nature à la fois épistémique et ontologique^[23]. Pour distinguer ces deux types d'incertitude, on fait parfois appel à des distributions de probabilités de second-ordre (c'est-à-dire des probabilités de probabilités)^[24],[25], en particulier en théorie de la décision^[26]. Toutefois, la pertinence des probabilités d'ordre supérieur est contestée par certains auteurs : selon eux, une unique distribution de probabilité classique serait suffisante à rendre compte de toute l'information pertinente^[27],[28]. Ce débat trouve notamment racine dans des conceptions distinctes de la probabilité (voir Interprétations de la probabilité).

Parmi les autres méthodes dédiées exclusivement à l'incertitude épistémique, on retrouve la logique subjective, la logique floue et ses extensions (notamment la Théorie des possibilités), qui modélisent particulièrement bien l'incertitude émanant d'une ambiguïté sémantique, en ne considérant non plus deux valeurs de vérité (vrai ou faux, 0 ou 1), mais un intervalle, contenant une infinité de valeurs possibles entre ces deux extrêmes^[23]. Elle fait également usage d'opérateurs flous, qui permettent de caractériser des relations partielles, notamment celle d'appartenance : un objet appartient à un ensemble à un certain degré, ce qui permet de refléter notre niveau d'incertitude associée^[29].

Les outils issus de l'arithmétique d'intervalles sont aussi utilisés^[22].

La métrologie met au point des méthodes d’évaluation des incertitudes de mesure, définies par le Bureau international des poids et mesures (BIPM) comme “la dispersion des valeurs qui peuvent raisonnablement être attribuées à un mesurande”^[30] (grandeur que l’on cherche à mesurer). On distingue entre évaluation d’incertitude de type A, qui est un traitement purement statistique des données, lié à la variabilité attendue des valeurs expérimentales (généralement suivant une loi normale), et évaluation d’incertitude de type B, qui désigne toute approche d’évaluation non statistique des séries d’observation (prenant par exemple en compte les sources d’erreurs humaines ou techniques associées à la mesure, comme la précision des appareils, ou encore la qualité du protocole expérimental)^[30].

Les stratégies de réduction de l'incertitude peuvent varier grandement en fonction du contexte scientifique, dans la mesure où les types d'incertitude en jeu sont différents d'une discipline à l'autre^[4]. La caractérisation de ces incertitudes (nature, localisation, intensité) permet d'identifier les leviers d'action pour améliorer la fiabilité des recherches futures.

Dans une large mesure, la science progresse par la prise en compte méthodique de ces incertitudes à un niveau institutionnel, grâce à un travail collectif de critique, de recherche et d’évaluation des erreurs passées. Ceci passe notamment par des processus d'évaluation par les pairs, de citation des sources, de réplication des études ou encore de recherche systématique de biais.

Dans cette perspective, la science ne se caractérise par un corpus de méthodes menant à la vérité, mais par un "engagement social à éliminer l'erreur"^[31]: c'est ce que certains auteurs nomme la nature "auto-correctrice" de la science^[31]. Toutefois, certains phénomènes comme les biais de publication, le p-hacking ou la crise de la reproductibilité qui touche actuellement plusieurs disciplines comme la psychologie ou la médecine, mettent au jour certains pressions de nature économique (recherche de financements permanent sur appel à projet, culture du "publish or perish", etc...) et politique qui peuvent venir entraver ces procédures de vérification, pourtant gages de la fiabilité de la science^[32],[33].

La prise de décision en situation d'incertitude intervient dans des contextes de carence informationnelle, c'est-à-dire lorsque toutes les données pertinentes pour l'évaluation ne sont pas disponibles. En plus d'une incertitude scientifique sur l'état limité de nos connaissances, toute prise de décision fait appel à des jugements de valeur et des évaluations, qu'elle soit le fait d'un agent isolé (théorie de la décision), ou bien le résultat d'une agrégation de préférences (théorie du choix social). En économie, ces préférences sont souvent appréhendées par le concept d'utilité, qui fait l'objet d'un traitement mathématique.

Dès lors, on peut identifier une seconde forme d'incertitude normative ou morale^[34], qui porte sur les valeurs et normes des individus, et par extension, sur le caractère bénéfique ou désirables des futurs états du monde possibles. L'évaluation et la prise en compte de ces différentes formes d'incertitude est cruciale dans la prise de décision^[34],[35].

Entre la production des résultats par les chercheurs et leur transmission au grand public, des médias variés (journaux, radios, télévision, blogs...) jouent généralement le rôle d'intermédiaire^[36]. En effet, la plupart des individus n'accèdent pas directement aux publications scientifiques (par manque de temps, de ressources matérielles, d'envie, etc...).

Les journalistes jouent donc un rôle majeur dans la construction de la perception générale de l'incertitude associée aux productions de la science^[37]. Aussi, le traitement sensationnaliste de l'information par certains médias n'épargnant pas la sphère scientifique, les journalistes peuvent être amené à fournir à leur public une image erronée de la science, généralement poussés par des incitatifs à la fois économique (quête de rentabilité) et symbolique (quête de visibilité). Les deux écueils principaux sont l'exagération ou la minimisation de l'incertitude réelle associée aux résultats scientifiques.

Le premier écueil se manifeste notamment par l'omission des mises en garde associées aux résultats (par exemple en ne mentionnant pas le manque de représentativité d'un échantillon), en ne basant son travail que sur une source unique (un article scientifique, un auteur) ou plus généralement en faisant abstraction du contexte global de la recherche (précédentes publications, état du débat théorique, etc...), et des processus longs et complexes de validation (notamment la réplication), garants de la fiabilité d'une découverte scientifique^[36],[38].

"Bien souvent, les médias ont tendance à tirer des conclusions hâtives d’une seule étude aux résultats surprenants, sans attendre que ces résultats soient confirmés par d’autres études et d’autres équipes. Le temps de la science, qui est par définition lent, n’est pas celui des médias, ni celui de la décision sanitaire en temps de crise."^[39]

À l'opposé, il arrive que le traitement médiatique accentue l'incertitude scientifique. Cet effet peut être amplifié par une minimisation initiale de l'incertitude (premier écueil) : en mettant en avant les résultats d'une première publication comme étant définitifs ("la science a prouvé que..."), il est plus difficile de rendre raison d'une publication future qui vient en nuancer les conclusions (et parfois les contredire), tout en maintenant une image objective de la science^[36]. Aussi, il est possible d'accentuer la caractère polémique d'une question scientifique en donnant le même poids (dans un débat en face-à-face par exemple) aux positions marginales et majoritaires, voire consensuelles au sein de la communauté scientifique. Ce fût par exemple le cas dans le traitement du lien entre cancer du poumon et tabac aux États-Unis dans les années 1950, où les journaux accordaient un temps de parole similaires aux chercheurs financés par l'industrie et à ceux qui ne l'étaient pas^[40],[36]. C'est aussi le cas dans une large mesure pour le changement climatique (avec des disparités en fonction des pays toutefois)^[41] où les scientifiques marginaux, dont beaucoup sont financés par l'industrie et ont d'énormes intérêts dans l'issue politique du débat, se voient parfois accorder un poids presque égal à celui des scientifiques majoritaires, ce qui conduit à créer un sentiment de controverse^[42]. Une version extrême de ce travers consiste à opposer l'avis d'un scientifique à celui d'un non-scientifique (ex : un tenant du créationnisme face à un chercheur en biologie évolutive)^[36].

À un niveau individuel, une étude menée sur 202 journalistes scientifiques en Allemagne a pu mettre en lumière plusieurs facteurs associés à la volonté personnelle de représenter (ou non) l'incertitude^[37] : la perception de l'incertitude réelle associée au champ scientifique couvert, la manière dont les autres médias traitent l'incertitude ou encore la façon dont le journaliste se représente les attentes et capacités de son audience (en pensant par exemple que le public cible n'est pas capable d'interpréter correctement un discours incluant des marqueurs d'incertitude) semblent ainsi jouer un rôle important^[37].

Les effets de la communication de l'incertitude scientifique sur le public dépendent de très nombreux paramètres, relatifs aussi bien à la nature du sujet traité, aux conditions matérielles qu'aux tendances idéologiques des individus qui reçoivent l'information (préférences politiques, milieu socio-économique, capacité à supporter le doute, etc...)^[36],[43].

Toutefois, il est important de noter que dans de nombreuses situations, les conséquences d'une communication de l'incertitude scientifique ne sont pas négatives : elles ne changent pas systématiquement l'opinion des individus sur la nature de la science et sa fiabilité^[44], et peuvent même avoir tendance à augmenter l'intérêt et l'engagement envers la science et les technologies^[45]. Il semblerait toutefois que la nature de l'incertitude transmise ait une influence importante. En particulier, une revue récente de la littérature^[43] met en avant que l'incertitude de nature technique, transmise grâce à des probabilités, des intervalles de confiance ou des marges d'erreurs est toujours associée à des effets positifs ou nuls, tandis qu'à l'inverse, l'incertitude de consensus, qui exhibe des formes de désaccord ou de controverse entre plusieurs experts d'un champ donné, semblent globalement avoir des impacts plutôt négatifs sur la perception de la crédibilité des résultats^[43]. Néanmoins, les auteurs rappellent l'importance des variables contextuelles et individuelles dans la réponse à l'incertitude, dont le rôle précis est encore méconnu. Les effets de la communication de l'incertitude doivent donc être évalués localement, et rattachés à un sujet particulier, et un public spécifique^[43],[44].

Au cours des années, la manière de communiquer l'incertitude dans les rapports du GIEC a connu d'importantes révisions^[46],[47], motivées notamment par des résultats de la recherche en sciences de la communication sur les effets de la transmission de l'incertitude.

Depuis le cinquième rapport d'évaluation, l'incertitude est traitée selon deux axes^[47] :

• L'incertitude directe (voir Incertitude épistémique) est exprimée de façon à la fois quantitative (probabilités) et qualitative, sur une échelle discrète allant d'exceptionnellement improbable (0 à 1%) à presque certain (99 à 100%),
• L'incertitude indirecte est traduite par un niveau de confiance purement qualitatif, basée à la fois sur la nature, la qualité, la quantité et la cohérence des preuves disponibles, et sur le niveau de consensus qui émerge de la littérature.

Dans ces trois premiers rapports, le GIEC avait été critiqué pour ses méthodes de communication de l'incertitude, source de confusion pour le public et les décideurs^[48],[49]. L'utilisation d'une échelle qualitative de l'incertitude a été introduite à cet effet dans le quatrième rapport, associée à une traduction probabiliste fournie en annexe. Mais de nombreux résultats en psychologie expérimentale ont montré une grande variabilité dans la réception de ce type d'échelle : en fonction des croyances initiales des sujets et du contexte (notamment du pays d'origine), le niveau de probabilité associé par les agents aux énoncés qualitatifs varient grandement, créant un décalage entre la perception et les intentions des auteurs du rapport^[50],[51] , la tendance générale étant de minimiser les probabilités hautes et de sur-estimer les probabilités faibles, conduisant à un aplatissement de l'incertitude. Pour corriger ces défauts, l'utilisation d'indicateurs couplés (qualitatifs et quantitatifs) apparaît être une solution plus satisfaisante, permettant une plus grande homogénéité dans les interprétations par le public, et une meilleure adéquation avec le niveau réel d'incertitude^{[49],[50],[47]}.

L’économiste Frank Knight fait une distinction entre incertitude et risque^[52]. Il commence d’abord par distinguer trois types de probabilité qu’il va nommer la probabilité a priori, la probabilité statistique et l’estimation^[53]. Dans le langage bayésien contemporain, dans le premier cas, la distribution de probabilité de l'a priori et tous ses moments sont connus par définition ; dans le deuxième cas, ils sont spécifiés par l'analyse statistique de données empiriques bien définies ; dans le troisième cas, les données existantes ne se prêtent pas à l'analyse statistique^[53]. Les situations de risque concernent les deux premiers cas : elles sont caractérisées par des événements auxquels on peut attribuer une probabilité et ainsi prédire l’issue attendue. Dans une situation de risque, l’agent a assez d’information et de données pour estimer la distribution de probabilité des résultats potentiels. On peut alors prendre des décisions éclairées sur la base de calculs de probabilité sur les valeurs attendues^[52].

L’incertitude au contraire correspond au troisième cas, celui de l'estimation^[54] : il désigne des situations qui ne peuvent être soumises à aucune quantification probabiliste. L’agent rationnel est confronté à des événements complexes et unique, en constante évolution. Le futur n’est donc pas connu et ne peut l’être d’aucune manière que ce soit. Il y a un degré fondamental d’ignorance, une limite de la connaissance dans la prise de décision et une imprédictibilité des futurs potentiels. La différence entre risque et incertitude se fait donc au niveau de ce qui est peut être mesuré à l’aide des outils mathématiques probabilistes (risque) de ce qui ne l’est pas (incertitude).

"La différence pratique entre les deux catégories, le risque et l’incertitude, est que s’agissant de la première, la distribution du résultat parmi un ensemble de cas, est connue (soit par le calcul a priori, soit par des statistiques fondées sur les fréquences observées), tandis que ceci n’est pas vrai de l’incertitude en raison de l’impossibilité de regrouper les cas, la situation à traiter présentant un degré élevé de singularité."^[53],[54]

John Maynard Keynes distingue la probabilité qu’un évènement se produise, mesurée par le rapport entre les cas favorables et le nombre total de cas possibles (qui peut-être traité par les mathématiques) de l’incertitude psychologique auquel le sujet fait face lors d’une prise de décision. Dans le deuxième cas, nous avons à faire à un degré de confirmation ou de croyance qu’il serait raisonnable d’avoir envers un ensemble de propositions^[55]. La probabilité devient donc ici un rapport d'estimation entre deux propositions qu’il peut être difficile de comparer quantitativement et d’affirmer que tel événement a plus de chances de se produire qu’un autre. Il est également possible que ces deux propositions ne soient pas comparables du tout^[55]. L’intuition et le jugement jouent alors généralement un rôle essentiel dans la manière d’appréhender les probabilités. Pour Keynes, certains événements probabilistes n'impliquent pas l’utilisation des mathématiques, mais plutôt le jugement du sujet, et ce qu'il appelle son "esprit animal"^[56]. Il prend plusieurs cas pour illustrer cela. Imaginons par exemple une situation où la pluie tombe fréquemment et de manière inattendue dans un endroit donné :

« Supposons que M. Smith s'apprête à partir en promenade lorsque le baromètre est élevé mais que les nuages sont sombres. Le problème qui se pose est de savoir s'il devrait emporter un parapluie en prévision de la pluie. La possibilité de pluie peut être faible si le baromètre est élevé, tandis qu'elle peut ne pas l'être si les nuages sont sombres. Par conséquent, si le baromètre est élevé mais que les nuages sont sombres, il n'est pas toujours rationnel qu'une possibilité l'emporte sur l'autre dans son esprit. Il pourrait être absurde de mesurer numériquement la probabilité de pluie, ou même de comparer la probabilité de pluie à celle de l'absence de pluie. Il s'agit vraiment d'une question arbitraire pour M. Smith de décider en faveur ou contre le parapluie. En cas de disponibilité du bulletin météorologique, il est susceptible d'affecter la probabilité de pluie et sa décision concernant le parapluie. »^[56]

Ici le sujet est donc confronté à deux propositions contradictoires qui ne peuvent être soumises à une quelconque quantification. Keynes dénonce l’attitude des grands penseurs des probabilités et cette tendance à vouloir quantifier et formaliser à outrance la réalité sociale à l'aide des probabilités, notamment à travers la notion d’utilité en économie^[55]. L’incertitude se distingue ainsi de la probabilité par la place centrale qui est offerte au sujet et à son esprit animal. Ainsi l’instabilité économique ne résulte pas seulement de la nature stochastique de l’environnement, il existe une instabilité inhérente et caractéristique du sujet : c’est l’esprit animal qui guide les décisions. Cela se transcrit par une spontanéité optimiste plutôt que par des choix mathématiques calculés. Ces choix peuvent être de nature hédoniste, morale ou économique.