L’information est quelque chose de puissant à l’ère d’Internet et de la diffusion massive de contenus. Cependant, l’interprétation que nous en proposons est plus importante que l’information elle-même. Ces tonnes d'articles, d'opinions et de données qui nous parviennent doivent avoir un filtre analytique, une critique sceptique, et pour cela nous devons recourir à la science pour évaluer et prendre les meilleures décisions et émettre des avis, surtout si l'accent est mis sur les décisions et les politiques publiques. qui touchent des milliers de personnes.
Par conséquent, comprendre où, quand et surtout comment interpréter les informations que nous recevons devient très important, d’un point de vue individuel et collectif. De nombreuses erreurs se produisent lors de ces interprétations, qui conduisent à de mauvaises prises de décision pouvant entraîner des pertes incalculables pour les villes, les États et même les pays.
L’une des principales causes d’interprétations erronées dans les textes et les documents est le concept de corrélation adopté à tort et à quel point il peut être dangereux pour l’adoption de politiques et de décisions publiques à grand impact. Voir par exemple l’article dans le lien : « Corrélation possible détectée entre la pollution de l’air et les décès dus au Covid-19 ». Plusieurs lecteurs, en analysant ce titre, ont immédiatement pensé : pour lutter contre le Covid-19, nous devons donc réduire la pollution de l’air, ce qui entraînera une diminution de la contagion et, par conséquent, du nombre de décès dus au virus. Ainsi, ces lecteurs, s’ils occupaient des postes publics élevés, auraient pris de mauvaises décisions, créant des politiques qui n’auraient aucun effet ni aucun résultat satisfaisant.
Pourquoi ces lecteurs avaient-ils tort ? Parce qu'il ne faut jamais confondre corrélation et causalité . Dire que la pollution de l’air et les décès dus au Covid-19 sont corrélés ne sera jamais la même chose que de dire qu’un niveau élevé de pollution de l’air provoque davantage de décès dus au Covid-19. En d’autres termes, deux variables (dans l’exemple, la pollution de l’air et les décès dus au Covid-19) qui co-varient n’ont pas nécessairement de relation de cause à effet. Pour rendre cette différence encore plus évidente, voir l'exemple désemparé du site tylervigen.com : la très forte corrélation (rappelez-vous que la valeur mathématique maximale d'une correction est de 1) entre le taux de divorce dans l'État du Maine et la consommation nord-américaine. par habitant de margarine : 0,9926.
Les divorces peuvent être considérés comme des problèmes sociaux et bureaucratiques, qui créent davantage de processus juridiques, exigeant ainsi de la main d'œuvre et des coûts pour les caisses publiques. De cette manière, les gestionnaires publics doivent réfléchir à des moyens de réduire les taux de divorce et, selon le graphique ci-dessus, le niveau des achats de margarine doit donc être réduit . Peut-être que le plus grand résultat qu'un manager obtiendra avec ce raisonnement est la révocation de son poste, êtes-vous d'accord ?
Des exemples étranges comme celui mentionné sont peut-être plus faciles à rejeter comme erronés, mais revenons au cas du Covid-19 : la pollution de l’air provoque- plus de décès dus au virus ? Un gestionnaire public qui répond « oui » à cette question se trompe et peut prendre des décisions qui sont également erronées. Dans ce raisonnement, faut-il interdire la circulation de véhicules polluants (qui provoquent) une augmentation des niveaux de pollution, afin de réduire le nombre de décès dus au Covid-19 ?
Certains lecteurs remarqueront un problème qui constitue la plus impressionnante et la plus ironique des décisions publiques : ce gestionnaire pourrait obtenir une diminution des cas et des décès dus au coronavirus grâce à cette interdiction, devenant ainsi un héros . Mais non pas parce que les niveaux de pollution provoquent davantage de décès dus au Covid-19, mais précisément parce qu’ils sont positivement corrélés, c’est-à-dire qu’ils varient de la même manière. Pour parler de causalité, il faut ajouter une troisième variable à la recette : l'isolement social .
On peut dire que l’isolement social entraîne une diminution de la circulation des personnes dans les rues, ce qui entraîne une diminution du nombre de véhicules sur la voie publique, ce qui entraîne une diminution des niveaux de pollution. En revanche, l’isolement entraîne une diminution des interactions interpersonnelles, ce qui entraîne une diminution du taux de contagion du Covid-19, et par conséquent du nombre de décès. Les deux variables principales diminuent, indiquant ainsi une corrélation et non une cause à effet .
C’est le principal conseil pour analyser les gros titres et les informations qui nous parviennent chaque jour : la causalité déduit qu’une variable entraîne l’autre, et donc aucune autre n’est nécessaire pour que cette relation se produise. Ainsi, lorsque vous lisez des informations telles que « Corrélation possible détectée entre la pollution de l’air et les décès dus au Covid-19 », recherchez d’autres variables qui peuvent être associées et trouvez ainsi la véritable relation de cause à effet. Dans ce cas, par exemple, une forte densité de population entraîne une plus grande pollution de l’air, mais également davantage d’interactions sociales et, par conséquent, une plus grande contagion du virus . Ce n’est pas la pollution qui cause davantage de décès dus au Covid-19, mais plutôt la forte densité de population qui est à l’origine des deux problèmes. Nous sommes quotidiennement bombardés d’informations, certaines vraies et d’autres moins. La pensée critique et analytique doit être appliquée aux gros titres et aux nouvelles telles que celle présentée, évitant ainsi des problèmes modernes récurrents et extrêmement importants, tels que des prises de décision erronées, la propagation de fausses informations et le soutien à des campagnes qui n'auront pas les effets escomptés. Lorsque vous recevez tout type d'informations, en particulier celles qui prétendent des relations causales (le médicament x améliore la situation y, la réduction de x empêche y de se produire, entre autres), remettez toujours en question et cherchez des réponses plus réalistes. En d’autres termes, il ne faut jamais confondre causalité et corrélation, ni relation et cause à effet.
