Psychométrie :
mesurer l’esprit,
et ses limites.

La théorie psychométrique est une branche de la statistique appliquée qui se demande comment inférer une grandeur non observable, une capacité cognitive, un trait de personnalité, une attitude, à partir de réponses observables à des items. Elle fournit un vocabulaire précis : fiabilité, validité, standardisation, erreur type de mesure, fonctionnement différentiel des items. Prise en elle-même, cette théorie ressemble à n’importe quelle théorie de la mesure en science : on ne peut pas peser directement une capacité mentale, on doit construire un instrument et évaluer sa qualité.

Distincte de cette théorie, la pratique du test désigne des instruments concrets : une échelle de Wechsler, un inventaire de personnalité, un test projectif, un indicateur de type. Ces instruments partagent le même vocabulaire mathématique, mais leur qualité effective varie énormément, de la rigueur exemplaire à l’absence quasi totale de validation indépendante. Distincte encore, la psychologie différentielle est le programme de recherche plus large qui étudie d’où viennent les différences entre personnes et entre groupes, ce qu’elles prédisent et ce qu’elles ne prédisent pas. Confondre ces trois niveaux conduit à deux erreurs symétriques : rejeter une théorie statistique solide à cause d’un instrument mal validé, ou défendre un instrument commercialement florissant en invoquant la légitimité générale de la mesure psychologique.

Deux exemples suffisent à rendre cette distinction concrète. Les échelles de Wechsler pour adultes s’appuient sur des décennies de données de fiabilité, de validité et de standardisation, publiées et réexaminées par des équipes indépendantes ; elles illustrent la théorie psychométrique appliquée avec le plus grand soin. Le Myers-Briggs Type Indicator, présenté plus loin dans ce dossier, s’appuie sur le même vocabulaire, fiabilité, types, dimensions, sans jamais avoir satisfait aux mêmes exigences empiriques. Le vocabulaire commun ne garantit donc rien sur la qualité réelle de l’instrument qui l’emploie ; il faut toujours vérifier ce qui se cache derrière le mot « validé ».

Un test peut être statistiquement solide, fidèle d’une passation à l’autre, cohérent en interne, capable de prédire un critère externe, sans que cela règle la question de ce que sa variation signifie. Un test de raisonnement peut classer les personnes de façon reproductible sans que ce classement tranche à lui seul le débat sur l’origine génétique ou environnementale des écarts observés. La qualité psychométrique d’un instrument et la vérité des théories qu’on construit ensuite sur ce qu’il mesure sont deux questions empiriquement distinctes, et la seconde exige des preuves supplémentaires que la première ne fournit pas automatiquement.

Cette distinction protège contre deux usages abusifs très fréquents dans le débat public. Le premier consiste à discréditer toute mesure psychologique parce qu’une interprétation de ses résultats a été utilisée à des fins discriminatoires. Le second consiste à présenter un score comme la preuve d’une nature profonde et immuable simplement parce que l’instrument qui l’a produit est statistiquement fiable. Un chiffre reproductible n’est encore qu’un chiffre ; ce qu’il implique sur une personne, un groupe ou une société doit être démontré séparément, avec ses propres données.

La psychométrie moderne descend de deux lignées historiques aux intentions opposées. La première, portée par Francis Galton à la fin du XIXe siècle, cherchait à mesurer des capacités héréditaires pour orienter la reproduction humaine, un projet explicitement eugéniste examiné en détail plus loin dans ce dossier. La seconde, portée par Alfred Binet au tout début du XXe siècle, répondait à une commande beaucoup plus modeste et concrète : le ministère français de l’Instruction publique voulait un outil pour repérer les enfants parisiens ayant besoin d’un accompagnement pédagogique supplémentaire.

Ces deux filiations se sont ensuite entremêlées dans l’histoire du champ, souvent au détriment de l’intention pragmatique de Binet, comme le montre la section suivante. Garder cette double origine en tête évite de traiter la psychométrie comme un bloc moralement homogène : les mêmes outils statistiques, corrélation, analyse factorielle, ont servi à la fois un projet de tri hiérarchique des populations et un projet de repérage individuel destiné à mieux accompagner un enfant en difficulté.

Les outils mathématiques inventés par Galton, corrélation, régression, analyse des écarts à une moyenne, sont aujourd’hui indispensables à l’évaluation de tout instrument, y compris ceux qui servent des usages aussi éloignés de son projet que le repérage pédagogique voulu par Binet. Cette continuité technique ne doit pas être confondue avec une continuité de valeurs : utiliser aujourd’hui un coefficient de corrélation ne revient pas à endosser le programme eugéniste qui a motivé son invention, tout comme utiliser un test dérivé de l’échelle de Binet ne revient pas à partager les lectures héréditaires que d’autres en ont tirées contre son intention explicite.

En 1904, le ministère français de l’Instruction publique charge Alfred Binet et Théodore Simon de construire un outil pour identifier les enfants parisiens qui ne progressaient pas au rythme attendu en classe ordinaire, afin de leur proposer un enseignement adapté. L’échelle métrique de l’intelligence publiée en 1905 introduit la notion d’âge mental, un score comparant le niveau d’un enfant à celui attendu pour son âge. Binet a explicitement mis en garde contre l’idée que ce score mesurerait une capacité fixe et innée : il parlait d’un « pessimisme brutal » et insistait sur la possibilité d’améliorer les capacités intellectuelles par une pédagogie appropriée, ce qu’il appelait l’« éducabilité ».

L’ironie historique est que cet avertissement a été largement ignoré par les psychologues américains qui ont importé et adapté son échelle quelques années plus tard, un épisode traité en détail dans la section consacrée à ce qui doit être abandonné. Retenir l’intention initiale de Binet n’efface pas l’usage ultérieur de son outil ; cela permet en revanche de voir que la dérive vers une lecture héréditaire et hiérarchisante n’était ni inévitable ni fidèle au projet fondateur.

La fiabilité d’un test répond à une question simple : si l’on pouvait répéter la mesure dans des conditions comparables, obtiendrait-on un résultat proche ? Elle se décline en plusieurs indices, cohérence interne entre les items d’un même test, stabilité entre deux passations espacées dans le temps, accord entre deux correcteurs pour un test à cotation qualitative. Le coefficient alpha, proposé par Lee Cronbach en 1951, reste l’indice le plus utilisé pour la cohérence interne, bien que son interprétation exige des précautions que beaucoup d’usages commerciaux ignorent.

Un point souvent négligé hors du champ spécialisé : aucune mesure n’est parfaitement fiable, et cette imperfection se traduit par une erreur type de mesure qui devrait toujours accompagner un score individuel. Un résultat de 105 à un test dont l’erreur type est de 5 points ne signifie pas « exactement 105 », mais plutôt un intervalle plausible. Présenter un score comme un chiffre unique et définitif, sans cette marge d’incertitude, trahit la logique même de la théorie qui a permis de le produire.

En 1904, Charles Spearman observe que les résultats à des tests cognitifs très différents, mémoire, raisonnement, vocabulaire, sont systématiquement corrélés entre eux : quelqu’un qui réussit bien un type d’épreuve a tendance à bien réussir les autres. Il propose d’expliquer ce « manifold positif » par un facteur général, g, distinct des aptitudes spécifiques à chaque tâche. Cette régularité statistique compte parmi les résultats les plus reproduits de toute la psychologie, retrouvée dans des dizaines de pays et, plus récemment, confirmée par une réanalyse portant sur plus de cinquante mille participants issus de trente et une nations non occidentales.

Ce qui reste débattu n’est pas l’existence de cette corrélation statistique, mais son interprétation. Certains chercheurs considèrent g comme une capacité cognitive réelle et unifiée, d’autres comme un artefact statistique résultant du fait que de nombreux processus cognitifs partiellement indépendants sont sollicités simultanément par presque toute tâche complexe. Le modèle actuellement dominant, dit Cattell-Horn-Carroll, place g au sommet d’une hiérarchie d’aptitudes plus spécifiques, mémoire de travail, vitesse de traitement, raisonnement fluide, connaissances cristallisées, sans trancher définitivement cette question ontologique.

En pratique clinique, cette architecture se traduit par des batteries comme les échelles de Wechsler, qui ne produisent pas un score unique mais un profil : un indice global apparenté à g, et plusieurs indices plus spécifiques, compréhension verbale, raisonnement perceptif, mémoire de travail, vitesse de traitement. Un profil hétérogène, où ces indices divergent fortement entre eux, est souvent plus informatif cliniquement qu’un score global unique, notamment pour repérer un trouble spécifique des apprentissages qu’un indice moyen pourrait masquer entièrement.

James Flynn documente en 1987 une hausse massive et continue des scores moyens de QI au cours du XXe siècle dans quatorze pays, de l’ordre de plusieurs points par décennie selon les tests et les périodes considérées. Une méta-analyse portant sur près de trois cents études et plus de quatorze mille échantillons a depuis confirmé l’ampleur et la régularité du phénomène à l’échelle internationale, tout en montrant qu’il ralentit ou s’inverse dans certains pays depuis les années 1990.

La cause exacte de cette hausse reste débattue : amélioration de la nutrition et de la santé infantile, allongement et généralisation de la scolarisation, complexification de l’environnement cognitif quotidien, plus grande familiarité avec le format même des tests. Quelle qu’en soit la part exacte, l’effet Flynn établit un fait difficile à contourner : les scores moyens de QI d’une population entière peuvent varier fortement en une ou deux générations sous l’effet de changements environnementaux, ce qui interdit de traiter un score de QI comme le simple reflet d’une capacité biologique fixe et insensible au contexte.

L’héritabilité est une statistique décrivant la part de la variance d’un trait, au sein d’une population donnée et dans des conditions environnementales données, associée à la variance génétique. Ce n’est ni une propriété fixe du trait lui-même, ni un pourcentage applicable à un individu, ni une constante universelle : elle varie selon le milieu socio-économique étudié, plus élevée dans des environnements homogènes et favorisés, plus faible dans des environnements plus contrastés ou plus défavorisés, où les différences d’accès aux ressources pèsent davantage que les différences génétiques.

Une conséquence méthodologique importante, régulièrement rappelée dans les synthèses de référence sur l’intelligence, est qu’une héritabilité élevée au sein d’un groupe ne dit strictement rien sur la cause d’un écart de moyenne entre deux groupes différents. Deux populations de plantes génétiquement variées, cultivées l’une dans un sol riche et l’autre dans un sol pauvre, peuvent chacune présenter une forte héritabilité de la taille tout en différant en moyenne uniquement à cause du sol. Cette confusion entre héritabilité intra-groupe et explication des écarts inter-groupes revient constamment dans les usages publics et médiatiques du mot, presque toujours de façon incorrecte.

Cette variabilité de l’héritabilité selon le contexte, documentée notamment dans les synthèses citées plus haut, illustre une interaction entre gènes et environnement plutôt qu’une opposition entre les deux : plus l’environnement est appauvri, plus les différences de milieu expliquent la variance observée, et moins les différences génétiques ont l’occasion de s’exprimer pleinement. Cette interaction rend particulièrement trompeuse toute affirmation du type « l’intelligence est génétique à tel pourcentage », énoncée sans préciser dans quelle population et sous quelles conditions environnementales cette estimation a été obtenue.

Des écarts de score moyen entre certains groupes socialement définis ont été documentés sur certains tests standardisés aux États-Unis, un fait statistique qui n’est pas sérieusement contesté. Ce qui est en revanche vivement débattu, et souvent instrumentalisé politiquement bien au-delà de ce que les données permettent, est l’explication de ces écarts. Le rapport de synthèse publié en 1996 par un groupe de travail de l’association américaine de psychologie, réuni après la controverse publique suscitée par un ouvrage affirmant une origine largement génétique à ces écarts, concluait qu’aucune explication génétique de ce type ne disposait alors d’un support empirique suffisant, et qu’une combinaison de facteurs sociaux, économiques, éducatifs et historiques offrait un cadre explicatif nettement mieux étayé.

Une mise à jour publiée en 2012 par plusieurs des mêmes spécialistes confirme cette orientation générale tout en actualisant les données : les écarts observés se réduisent dans certains contextes au fil des décennies à mesure que les conditions sociales et éducatives se rapprochent, une évolution incompatible avec une explication purement génétique et figée, puisqu’un plafond génétique ne se déplacerait pas aussi vite. La position la plus honnête reste donc double : les écarts de score sont un fait mesuré, leur origine principalement environnementale est l’explication la mieux soutenue par les données actuelles, et affirmer une certitude scientifique définitive dans un sens comme dans l’autre dépasse ce que la littérature permet réellement de conclure.

Le mot « biais » est souvent employé de façon impressionniste, pour désigner le simple fait qu’un test produit des scores moyens différents selon les groupes. Ce n’est pourtant pas la définition technique retenue par les spécialistes de la mesure. Un test est dit biaisé lorsqu’il existe une différence dans la relation entre les réponses observées et le trait latent selon le groupe considéré, par exemple lorsqu’un même niveau réel de compétence produit un score différent selon l’origine culturelle ou linguistique de la personne testée. Cette question se tranche par des méthodes statistiques précises, comme l’analyse du fonctionnement différentiel des items ou les tests d’invariance de mesure en analyse factorielle confirmatoire.

Des travaux appliquant ces méthodes à des tests de QI utilisés pour évaluer des minorités montrent un résultat contre-intuitif : ignorer les différences d’ordonnée à l’origine entre groupes, une étape technique souvent omise dans les analyses plus superficielles, peut conduire à conclure à tort qu’un test est peu biaisé alors qu’un examen plus complet révèle un biais substantiel. Ce résultat illustre à la fois la valeur de la méthode, elle permet de trancher une question autrement livrée à l’intuition, et son exigence technique, une différence de score entre groupes n’est ni automatiquement la preuve d’un biais, ni automatiquement son absence.

Une distinction supplémentaire mérite d’être connue : le biais de contenu, où un item lui-même avantage un groupe indépendamment du trait mesuré, un problème de vocabulaire ou de référence culturelle non pertinente par exemple, ne se confond pas avec le biais de prédiction, où un même score prédit différemment un critère externe selon le groupe. Un test peut être exempt du premier tout en présentant le second, ou l’inverse, ce qui explique pourquoi les organismes professionnels de référence recommandent d’examiner les deux séparément plutôt que de traiter la question du biais comme un verdict global unique portant sur l’instrument entier.

Francis Galton fonde au XIXe siècle la psychométrie et la psychologie différentielle : il invente des outils statistiques encore utilisés aujourd’hui, la corrélation et la régression, pour étudier comment les capacités humaines se transmettent dans les familles. Son ouvrage de 1869, Hereditary Genius, soutient que le talent exceptionnel est presque entièrement héréditaire. En 1883, il forge le mot « eugénisme » pour désigner explicitement un programme visant à améliorer la population humaine par la reproduction sélective, en encourageant la descendance des individus jugés supérieurs et en décourageant celle des individus jugés inférieurs.

Ce n’est pas une note biographique anecdotique : les outils statistiques de Galton ont été développés au service direct de ce projet, et son influence institutionnelle a durablement orienté une partie de la psychologie différentielle naissante vers un programme de classification hiérarchique des populations plutôt que vers la compréhension de la diversité humaine. Que ses inventions statistiques restent des outils mathématiquement valides aujourd’hui n’efface pas l’intention explicitement eugéniste qui a présidé à leur création, et cette intention doit être nommée pour ce qu’elle est plutôt que passée sous silence.

L’influence de ce programme a largement dépassé les cercles académiques : des concours de « bébés parfaits » organisés dans des foires agricoles américaines au début du XXe siècle jusqu’aux lois de stérilisation forcée détaillées plus bas, l’eugénisme galtonien a irrigué des institutions publiques bien au-delà de la psychologie. Rappeler cette diffusion sociale évite de réduire l’épisode à l’égarement isolé d’un savant du XIXe siècle : il s’agissait d’un programme politique organisé, porté par des institutions scientifiques reconnues de l’époque, avec des relais légaux et administratifs concrets.

Pendant la Première Guerre mondiale, le psychologue Robert Yerkes fait administrer les tests Army Alpha et Army Beta à plus d’un million de soldats américains, dans des conditions très éloignées d’une passation standardisée rigoureuse : temps limité, instructions parfois données uniquement en anglais à des recrues récemment immigrées et non anglophones, environnement de test bruyant et stressant. Les résultats, montrant des scores plus faibles chez les immigrants récents d’Europe du Sud et de l’Est, ont été interprétés à tort comme la preuve d’une infériorité intellectuelle innée de ces populations plutôt que comme le reflet attendu de la maîtrise de l’anglais et de la familiarité avec la culture testée.

Des eugénistes se sont appuyés directement sur ces résultats mal interprétés pour faire campagne en faveur de restrictions migratoires, campagne qui a contribué à l’adoption de la loi sur l’immigration de 1924 limitant sévèrement l’entrée aux États-Unis de personnes originaires de ces régions. Cette loi restera en vigueur assez longtemps pour compter, plus tard, parmi les obstacles administratifs rencontrés par des réfugiés juifs fuyant l’Allemagne nazie. La même période voit aussi Lewis Terman et Henry Goddard adapter l’échelle de Binet aux États-Unis d’une manière que Binet avait explicitement anticipée et redoutée, en la transformant en instrument de tri héréditaire plutôt qu’en outil de repérage pédagogique.

En 1927, la Cour suprême des États-Unis rend sa décision dans l’affaire Buck v. Bell, confirmant par huit voix contre une la constitutionnalité d’une loi de Virginie autorisant la stérilisation forcée des personnes internées jugées « faibles d’esprit ». Le juge Oliver Wendell Holmes justifie cette décision par une phrase restée tristement célèbre, affirmant que « trois générations d’imbéciles suffisent », en s’appuyant sur une évaluation sommaire présentée comme scientifique de Carrie Buck, de sa mère et de sa fille.

Cette décision, jamais formellement renversée par la Cour, a ouvert la voie à une trentaine d’autres États américains adoptant des lois similaires, et plus de soixante mille personnes ont été stérilisées sans leur consentement aux États-Unis entre les années 1920 et le milieu des années 1970. Ce précédent illustre concrètement comment un vocabulaire d’apparence scientifique, mobilisant des évaluations présentées comme objectives des capacités mentales, a servi de justification légale à l’une des atteintes les plus graves aux droits reproductifs de l’histoire du pays.

Le Myers-Briggs Type Indicator classe les personnes en seize types selon quatre dimensions binaires inspirées, très librement, de la typologie de Carl Jung. Il reste l’un des instruments de personnalité les plus utilisés au monde en entreprise, en orientation professionnelle et en formation. Ses scores dimensionnels peuvent montrer une cohérence interne et recouper partiellement certains traits reconnus, notamment l’extraversion. La difficulté porte sur la conversion de ces scores continus en seize catégories : une personne proche d’un seuil peut recevoir un type différent lors d’une autre passation, sans que son trait ait nécessairement changé. Les distributions observées soutiennent mal l’hypothèse de types psychologiques nettement séparés.

L’analyse publiée en 2019 conclut que la théorie des types sous-jacente au MBTI ne correspond pas bien aux résultats contemporains de la psychologie de la personnalité. Contrairement au modèle des cinq grands facteurs présenté plus loin dans ce dossier, le MBTI n’a pas été construit à partir d’une analyse factorielle des données. Il peut servir de support de discussion lorsqu’il est explicitement présenté comme tel, mais sa typologie ne fournit pas une base suffisamment solide pour décider seul d’un recrutement, d’une orientation ou d’une prise en charge clinique.

Sa persistance commerciale tient aussi à l’attrait intuitif de descriptions de personnalité simples et positives. Cet attrait ne suffit pas à établir la validité d’une typologie, et il ne remplace ni une validation indépendante pour l’usage envisagé, ni la prudence requise lorsqu’une décision a des conséquences pour une personne.

Les méta-analyses classiques en psychologie du travail concluaient que les tests d’aptitude cognitive générale comptent parmi les meilleurs prédicteurs individuels de la performance professionnelle future, devant l’entretien non structuré ou l’ancienneté. Une réanalyse majeure publiée en 2022 montre cependant que ces estimations historiques souffraient d’une surcorrection statistique systématique lors de l’ajustement pour la restriction de gamme, une étape technique nécessaire mais délicate des méta-analyses en sélection du personnel, ce qui a conduit à surestimer pendant des décennies la validité prédictive réelle de plusieurs méthodes de sélection, tests cognitifs inclus.

La validité prédictive réelle, bien que revue à la baisse, reste suffisante pour justifier un usage encadré de ces tests dans certains contextes de recrutement. Le problème pratique le plus persistant n’est cependant pas seulement statistique mais légal et éthique : un test peut prédire correctement la performance en moyenne tout en produisant un taux de sélection très inégal entre groupes, ce que la réglementation américaine appelle un impact disproportionné et évalue notamment par la règle dite des quatre cinquièmes. Un employeur qui utilise un test cognitif sans examiner cet impact s’expose à la fois à un risque juridique et à une pratique de sélection potentiellement injuste, indépendamment de la validité statistique brute de l’instrument.

La littérature en psychologie du travail converge par ailleurs sur un point moins controversé : combiner un test cognitif avec un entretien structuré ou une mise en situation professionnelle améliore la validité prédictive globale du processus de sélection, davantage que l’utilisation d’un seul de ces outils isolément. Ce constat plaide pour une utilisation des tests comme un élément parmi d’autres d’un processus de recrutement documenté, plutôt que comme un filtre unique et suffisant à lui seul, une leçon méthodologique qui rejoint celle formulée à propos de l’usage clinique des mêmes instruments.

Utilisés par des professionnels formés, dans le cadre défini par les normes professionnelles de référence pour les tests éducatifs et psychologiques, les tests cognitifs standardisés restent parmi les instruments les plus fiables et les mieux validés de toute la psychologie appliquée pour repérer un trouble spécifique des apprentissages, orienter vers un accompagnement adapté ou documenter un haut potentiel. Cet usage reste fidèle, sur le fond sinon dans la forme, au projet initial de Binet : produire un repère utile pour ajuster un accompagnement pédagogique, pas pour classer un enfant une fois pour toutes.

Le risque documenté n’est pas dans l’outil lui-même mais dans son mésusage : traiter un score obtenu à un âge donné comme un plafond définitif de potentiel, orienter précocement et rigidement un parcours scolaire sur cette seule base, ou administrer un test dans une langue ou un cadre culturel éloigné de celui de l’enfant sans corriger pour ce décalage. Un score de QI mesuré à huit ans prédit imparfaitement les capacités à dix-huit ans, et l’effet Flynn documenté plus haut rappelle que ces capacités elles-mêmes évoluent avec l’environnement plutôt que de rester figées.

En neuropsychologie et en évaluation clinique, des instruments comme les échelles de Wechsler pour adultes ou pour enfants restent des outils légitimes pour documenter un profil cognitif, objectiver une plainte, suivre l’évolution après une lésion cérébrale ou étayer un diagnostic dans le cadre d’un bilan plus large. Leur légitimité clinique repose précisément sur l’appareil de fiabilité et de validité décrit plus haut : ce sont, pour l’essentiel, des instruments bien étudiés, utilisés selon des protocoles standardisés, par des professionnels formés à interpréter un profil de scores plutôt qu’un chiffre isolé.

Cette légitimité s’effondre dès qu’un score devient l’unique fondement d’une décision qui engage l’accès à des soins, à un statut administratif ou à des droits, sans être intégré à une évaluation clinique plus large incluant l’histoire de la personne, son fonctionnement quotidien et d’autres sources d’information. Le cadre professionnel de référence insiste explicitement sur ce point : la validité d’un usage inclut ses conséquences réelles, et un instrument par ailleurs bien construit peut être utilisé de façon dommageable s’il devient un couperet administratif plutôt qu’un élément parmi d’autres d’une évaluation complète.

Le risque de mésusage n’est pas hypothétique : des décisions d’orientation scolaire, d’accès à des aménagements ou de reconnaissance d’un handicap ont pu, par le passé, reposer presque exclusivement sur un seuil de score arbitraire, sans réévaluation régulière ni prise en compte du contexte de passation. Les recommandations professionnelles actuelles insistent au contraire sur le réexamen périodique, l’intégration de plusieurs sources d’information convergentes et l’explicitation, auprès de la personne évaluée ou de sa famille, des limites de ce qu’un score isolé peut réellement établir.

Le modèle Cattell-Horn-Carroll, qui synthétise plusieurs décennies de recherches en analyse factorielle sur des dizaines de batteries de tests cognitifs à travers le monde, organise les capacités intellectuelles en une hiérarchie à trois niveaux : un facteur général au sommet, dont la robustesse statistique et la réplication transculturelle ont été rappelées plus haut, des facteurs larges intermédiaires comme le raisonnement fluide, la mémoire de travail ou la vitesse de traitement, et des aptitudes plus étroites et spécifiques à la base.

Ce modèle n’est pas une vérité définitive gravée dans le marbre ; il reste discuté sur des points précis, notamment le nombre exact de facteurs larges et la meilleure façon de les mesurer séparément. Il constitue néanmoins la synthèse la mieux soutenue empiriquement à ce jour, dans la mesure où elle est directement issue de l’analyse statistique de données collectées sur des populations très variées, plutôt que d’une intuition théorique posée en amont puis illustrée après coup par des exemples choisis.

La distinction entre raisonnement fluide, la capacité à résoudre des problèmes nouveaux sans s’appuyer sur des connaissances acquises, et intelligence cristallisée, l’ensemble des connaissances et compétences verbales accumulées par l’expérience et l’apprentissage, illustre l’utilité pratique de ce modèle hiérarchique. Ces deux composantes évoluent différemment au cours de la vie, le raisonnement fluide culminant plus tôt que la richesse du vocabulaire par exemple, une distinction qu’un score global unique masquerait entièrement et que seul un modèle à plusieurs niveaux permet de rendre visible.

Le modèle des cinq grands facteurs de personnalité, ouverture, conscience, extraversion, agréabilité et neuroticisme, résulte de décennies d’analyses factorielles convergentes menées à la fois à partir d’adjectifs de langue courante et à partir de questionnaires théoriquement construits. Une étude portant sur plus de sept mille participants dans six pays et six langues très différentes, allemand, portugais, hébreu, chinois, coréen et japonais, a montré que cette structure à cinq facteurs se retrouve de façon remarquablement stable d’une culture à l’autre, ce qui en fait l’un des résultats les plus répliqués de toute la recherche en personnalité.

Ce modèle reste néanmoins un cadre descriptif plus qu’une théorie causale aboutie : il décrit efficacement comment les traits de personnalité se regroupent statistiquement, sans expliquer complètement pourquoi cette structure existe ni épuiser tout ce qui distingue les individus. Des modèles concurrents, notamment le modèle HEXACO qui ajoute une dimension d’honnêteté-humilité, discutent certains de ses aspects sans remettre en cause l’essentiel de sa validité empirique. La comparaison avec le MBTI, présenté plus haut, est ici instructive : la même famille de méthodes statistiques, appliquée rigoureusement d’un côté et jamais réellement appliquée de l’autre, produit deux statuts scientifiques radicalement différents pour deux instruments pourtant aussi populaires l’un que l’autre dans certains milieux professionnels.

Chacun des cinq grands facteurs se décompose lui-même en facettes plus étroites ; la conscience professionnelle, par exemple, regroupe l’ordre, le sens du devoir et l’autodiscipline, ce qui permet des prédictions plus fines que le facteur global seul. Ce facteur de conscience professionnelle prédit ainsi de façon relativement constante la performance au travail à travers de nombreuses professions, tandis que d’autres facteurs, l’agréabilité par exemple, prédisent des critères différents selon le contexte considéré, une nuance qui illustre la maturité du modèle par rapport à des typologies plus rudimentaires.

La théorie des intelligences multiples, proposée en 1983, postule l’existence de huit ou neuf intelligences indépendantes, logico-mathématique, linguistique, musicale, corporelle-kinesthésique, entre autres, chacune fonctionnant selon ses propres règles. Cette théorie a rencontré un immense succès dans le monde éducatif, mais une revue critique publiée en 2006 souligne qu’elle n’a jamais été soumise à une validation empirique rigoureuse par ses propres promoteurs, et que les analyses factorielles menées sur des tâches censées mesurer ces différentes intelligences continuent au contraire de retrouver un facteur général de type g, contredisant directement le postulat central d’indépendance totale entre les intelligences proposées.

L’intelligence émotionnelle appelle une évaluation plus nuancée, à séparer selon la façon dont elle est mesurée. Les tests dits d’aptitude, qui demandent de résoudre des problèmes émotionnels concrets avec des réponses évaluables comme correctes ou incorrectes, présentent des propriétés psychométriques défendables, bien que leur pouvoir prédictif reste modeste une fois les traits de personnalité classiques pris en compte. Les questionnaires dits de trait, en revanche, où la personne s’auto-évalue sur des énoncés généraux, se recoupent fortement avec les cinq grands facteurs déjà mesurés par ailleurs et ajoutent peu d’information réellement nouvelle, ce qui limite sérieusement leur intérêt en tant que construit distinct plutôt qu’en tant que reformulation de traits déjà connus sous un nom plus vendeur.

La théorie classique des tests, décrite plus haut dans ce dossier, traite le score total, la somme des bonnes réponses, comme l’estimation du niveau d’une personne, et la fiabilité comme une propriété globale du test entier. La théorie de la réponse à l’item part d’un principe différent : chaque item est modélisé séparément, par une fonction qui relie la probabilité d’y répondre correctement au niveau de la personne sur le trait latent mesuré, capacité, connaissance, attitude, et à des paramètres propres à cet item.

Le modèle le plus simple, dit à un paramètre ou modèle de Rasch, ne retient que la difficulté de l’item. Le modèle à deux paramètres ajoute la discrimination, soit la capacité de l’item à distinguer les personnes de niveaux proches autour de sa difficulté. Le modèle à trois paramètres ajoute encore un paramètre de pseudo-chance, utile notamment pour les questions à choix multiples où une réponse correcte peut résulter d’une devinette plutôt que d’une réussite réelle. Le choix entre ces modèles n’est pas neutre : plus un modèle ajoute de paramètres, plus il exige de données pour les estimer correctement, un point détaillé plus loin dans cette section.

Cette modélisation item par item change ce qu’on peut faire avec un test. Deux personnes ayant répondu à des items complètement différents, parce qu’elles ont passé des versions distinctes d’un même test ou parce qu’un test adaptatif leur a présenté des items différents selon leurs réponses précédentes, peuvent malgré tout être situées sur une échelle commune du trait mesuré, dès lors que les paramètres des items ont été correctement estimés au préalable sur un large échantillon. C’est une possibilité que la théorie classique des tests, où le score dépend directement des items précis auxquels une personne a répondu, ne permet pas d’obtenir aussi simplement.

Les travaux fondateurs de Frederic Lord au tournant des années 1980 ont posé l’essentiel de l’appareil mathématique encore utilisé aujourd’hui pour appliquer ces modèles à des problèmes de test concrets. Cet appareil a ensuite trouvé son application la plus visible dans le test adaptatif informatisé : un logiciel sélectionne, après chaque réponse, l’item suivant le plus informatif compte tenu du niveau déjà estimé pour la personne, un item plus difficile après une bonne réponse, plus facile après une mauvaise. Ce principe équipe aujourd’hui plusieurs grands tests standardisés utilisés à large échelle.

L’intérêt pratique est réel : un test adaptatif peut estimer le niveau d’une personne avec une précision comparable à celle d’un test classique beaucoup plus long, en présentant nettement moins d’items, puisqu’il évite de faire répondre longuement une personne de haut niveau à des items trop faciles pour elle, ou l’inverse. Cette efficacité explique pourquoi la théorie de la réponse à l’item a largement supplanté la théorie classique des tests dans la conception des grandes banques d’items et des tests informatisés à enjeu élevé, sans pour autant la rendre obsolète ailleurs, un point repris dans la dernière partie de cette section.

La théorie de la réponse à l’item rend également possible une gestion plus fine du fonctionnement différentiel des items, déjà mentionné plus haut dans ce dossier à propos du biais de test : elle permet de comparer, item par item, si la même valeur du trait latent produit la même probabilité de réussite selon le groupe considéré, plutôt que de se contenter d’une différence de score moyen entre groupes qui ne dit rien, à elle seule, de son origine.

Cette puissance a un coût méthodologique que les présentations grand public de l’IRT mentionnent rarement. Estimer correctement les paramètres d’un modèle à deux ou trois paramètres exige des échantillons de calibration nettement plus larges, souvent plusieurs centaines à quelques milliers de répondants selon la complexité du modèle et le nombre d’items, que ce qu’exige le calcul d’un simple coefficient de cohérence interne en théorie classique. Un test construit ou revalidé sur un petit échantillon clinique ou un usage de niche n’a généralement pas les moyens de cette exigence, ce qui explique pourquoi la théorie classique des tests reste, dans ces contextes, l’outil le plus réaliste plutôt qu’un simple pis-aller.

Les modèles de réponse à l’item reposent en outre sur des hypothèses fortes qu’il faut vérifier avant de leur faire confiance : l’unidimensionnalité, soit l’idée qu’un seul trait latent suffit à expliquer les réponses à l’ensemble des items d’un test, et l’indépendance locale, soit l’idée que deux items ne sont plus corrélés entre eux une fois ce trait pris en compte. Un test qui mobilise en réalité plusieurs dimensions distinctes, du raisonnement verbal et du calcul mental par exemple, sans que cette pluralité ne soit modélisée explicitement, produira des estimations de paramètres trompeuses si on le traite comme unidimensionnel.

Il serait donc inexact de présenter la théorie de la réponse à l’item comme ayant simplement rendu la théorie classique des tests caduque. Les deux cadres répondent à des besoins différents : la théorie classique reste plus simple, plus économe en données et suffisante pour beaucoup de tests de recherche ou de tests cliniques à échelle modeste ; la théorie de la réponse à l’item apporte un gain réel, mais coûteux à obtenir, pour les grandes banques d’items, les comparaisons entre versions différentes d’un même test et les tests adaptatifs. Et dans les deux cadres, une bonne modélisation statistique ne dispense jamais des questions de validité développées plus haut dans ce dossier : un item bien calibré statistiquement peut rester un item qui mesure mal, ou autre chose, ce qu’il prétend mesurer.