Les auteurs, du score à son interprétation.

Dans Hereditary Genius (1869), Galton tente de démontrer, à partir de généalogies de juges, d’hommes politiques et de savants britanniques, que l’éminence intellectuelle se transmet par hérédité plutôt que par l’éducation ou le milieu, un postulat qu’il ne teste jamais contre l’hypothèse concurrente d’un avantage social transmis avec le nom. Pour étayer cette thèse, il développe des outils statistiques restés fondamentaux : le concept de corrélation entre deux variables, qu’il esquisse dès les années 1880 et que son élève Karl Pearson formalisera mathématiquement, ainsi que la notion de régression, décrite dans son article de 1886 « Regression Towards Mediocrity in Hereditary Stature » à partir de mesures de taille entre parents et enfants.

À l’International Health Exhibition de Londres en 1884, Galton installe un « laboratoire anthropométrique » où plusieurs milliers de visiteurs paient un penny pour faire mesurer leur acuité sensorielle, leur force de préhension et leur temps de réaction, dans l’idée que ces indicateurs physiologiques simples révéleraient l’intelligence générale d’un individu. Cette hypothèse sera invalidée quelques années plus tard par les travaux d’Alfred Binet, qui montre que les mesures sensori-motrices ne prédisent pas les performances scolaires, ouvrant la voie à des tests directement cognitifs.

La corrélation, la régression vers la moyenne et l’usage de la loi normale pour décrire la distribution des traits humains sont aujourd’hui des briques indispensables de toute analyse psychométrique, de la validation d’un test à l’étude de l’hérédité des traits de personnalité. Ces méthodes ont depuis longtemps été détachées du programme théorique qui les a vues naître : on peut les utiliser sans souscrire à la moindre thèse héréditariste, de même qu’on utilise la loi de la gravitation sans partager les convictions théologiques de Newton.

Cette séparation entre l’outil et le projet politique qui l’a motivé n’est pas un détail d’histoire des sciences : elle est la condition pour que la psychométrie puisse revendiquer cet héritage technique sans en hériter les conclusions.

Galton forge le terme « eugenics » en 1883, dans Inquiries into Human Faculty and Its Development, pour désigner une politique délibérée d’amélioration de la « race » humaine par la reproduction sélective des individus jugés supérieurs et la restriction de celle des individus jugés inférieurs. Il ne s’agit pas d’une extrapolation abusive faite par d’autres à partir de ses travaux statistiques : Galton lui-même milite activement pour cette politique, finance des recherches en ce sens et lègue une part de sa fortune à la création d’une chaire d’eugénisme à l’University College de Londres, occupée ensuite par Pearson puis par Ronald Fisher.

Ce programme a nourri, au XXe siècle, des lois de stérilisation forcée aux États-Unis et ailleurs, avant d’atteindre son aboutissement le plus extrême dans les politiques raciales nazies qui se réclamaient explicitement de l’eugénisme. En 2020, l’University College de Londres a renommé la chaire Galton et plusieurs espaces portant son nom, reconnaissant officiellement le rôle de l’institution dans la légitimation scientifique de ce programme. Rien dans la corrélation ou la régression statistique n’implique une hiérarchie des vies humaines : cette conclusion est un choix politique de Galton, pas une déduction de ses mathématiques.

En 1904, une commission ministérielle française charge Binet, alors directeur du laboratoire de psychologie de la Sorbonne, de proposer une méthode pour identifier les enfants relevant de classes spéciales, à une époque où cette décision reposait sur le seul jugement, souvent arbitraire, des enseignants. Avec son collaborateur Théodore Simon, médecin à l’asile de Perray-Vaucluse, il publie en 1905 dans L’Année psychologique l’échelle métrique de l’intelligence : une série de trente tâches de difficulté croissante (nommer des objets, répéter des chiffres, définir des mots abstraits, résoudre des problèmes de bon sens), étalonnées sur des enfants d’âges connus.

La révision de 1908 introduit la notion d’« âge mental » : le niveau atteint par un enfant est exprimé comme l’âge auquel ce niveau correspond en moyenne dans la population, ce qui permet de comparer un score au développement typique sans recourir à un chiffre abstrait. C’est William Stern, en Allemagne, qui proposera en 1912 de diviser l’âge mental par l’âge chronologique pour obtenir un quotient, le « QI », que Binet lui-même n’a jamais utilisé.

Binet insiste, dans plusieurs textes, sur le caractère pratique et révisable de son échelle. Dans Les idées modernes sur les enfants (1909), il écrit que certains philosophes affirment qu’« l’intelligence d’un individu est une quantité fixe, une quantité qu’on ne peut augmenter », et qualifie cette idée de « brutal pessimisme » qu’il faut « réagir contre ». Pour lui, l’échelle sert à identifier des besoins pédagogiques précis afin d’organiser une « éducabilité cognitive », par exemple à travers ce qu’il appelle l’« orthopédie mentale », plutôt qu’à établir un verdict définitif sur le potentiel d’un enfant.

Cette position contraste nettement avec l’usage qui sera fait de son outil quelques années plus tard, ce qui rend d’autant plus nécessaire de distinguer, dans l’histoire de la psychométrie, le projet initial de Binet et les détournements institutionnels qu’il n’a pas connus, étant mort en 1911, un an seulement après cette dernière mise en garde.

Aux États-Unis, Henry Goddard traduit et diffuse l’échelle dès 1908 dans les institutions pour déficients, puis Lewis Terman la révise en profondeur en 1916 sous le nom de Stanford-Binet, en y intégrant le quotient intellectuel de Stern et une ambition très différente : classer durablement les individus selon une intelligence supposée largement héréditaire. Ce basculement transforme un outil pensé pour organiser un soutien scolaire en instrument de tri utilisé pour justifier l’exclusion, l’institutionnalisation ou, dans certains cas américains, la stérilisation.

Rappeler l’intention initiale de Binet ne minimise en rien ces dommages : cela permet en revanche de comprendre qu’aucune propriété intrinsèque à la mesure psychométrique n’imposait cette dérive, et que les usages ultérieurs relèvent de décisions institutionnelles et idéologiques distinctes de la construction technique de l’échelle elle-même, un point que l’historien Stephen Jay Gould développe longuement dans The Mismeasure of Man (1981).

Dans « General Intelligence, Objectively Determined and Measured » (1904), Spearman observe que les scores obtenus à des épreuves cognitives très différentes (discrimination sensorielle, mathématiques, langues) sont presque toujours corrélés positivement entre eux, un phénomène qu’il appelle le manifold positif. Il propose une explication mathématique par un modèle à deux facteurs : chaque performance résulterait de la combinaison d’un facteur général g, commun à toutes les tâches, et d’un facteur spécifique s, propre à chacune, et développe pour tester ce modèle une méthode statistique, l’analyse factorielle, qu’il continue de raffiner pendant plus de trente ans.

Cette méthode, exposée plus systématiquement dans The Abilities of Man (1927), deviendra l’un des outils centraux de toute la psychométrie du XXe siècle, bien au-delà du seul débat sur l’intelligence, en fournissant un cadre général pour réduire un grand nombre de variables observées à un petit nombre de dimensions latentes.

La structure positive des corrélations entre épreuves cognitives compte parmi les résultats les plus systématiquement répliqués des sciences sociales, retrouvée dans des centaines d’échantillons, de cultures et de générations différentes depuis plus d’un siècle. Cette robustesse empirique explique pourquoi la quasi-totalité des batteries d’intelligence actuelles continuent de produire, à côté d’indices spécifiques, un score composite censé approcher ce facteur général, et pourquoi g reste une variable de contrôle incontournable dans la recherche en psychologie cognitive et différentielle.

Dès 1916, dans « A Hierarchy Without a General Factor », Godfrey Thomson montre qu’un manifold positif similaire à celui observé par Spearman peut apparaître mathématiquement même si l’intelligence résulte, non pas d’une capacité unique, mais d’un très grand nombre de processus mentaux indépendants dont chaque tâche ne mobilise qu’un sous-ensemble se recoupant partiellement : la corrélation positive ne suffit donc pas, à elle seule, à trancher entre un facteur unique et un agrégat de facteurs multiples.

Plus récemment, le modèle du « mutualisme » proposé par Han van der Maas et ses collègues (2006, Psychological Review) offre une troisième lecture : g pourrait émerger dynamiquement de l’interaction réciproque entre des processus cognitifs distincts au cours du développement, sans qu’aucun d’eux ne soit causalement premier. Ces débats rappellent qu’un résultat statistique robuste, comme le manifold positif, laisse ouvertes plusieurs interprétations concurrentes de sa nature psychologique ou biologique, un point trop souvent glissé sous silence dans les usages populaires du concept de QI.

Dans Primary Mental Abilities (1938), Thurstone administre une batterie de 56 tests à des étudiants de l’Université de Chicago et, à l’aide de sa propre méthode d’analyse factorielle multiple, en extrait sept facteurs relativement distincts : compréhension verbale, fluidité verbale, aptitude numérique, visualisation spatiale, mémoire, vitesse perceptive et raisonnement. Contrairement à Spearman, il cherche délibérément une « structure simple » où chaque test charge fortement sur un seul facteur, une technique de rotation des axes factoriels qui deviendra un standard méthodologique bien au-delà du champ de l’intelligence.

Avant même ses travaux sur l’intelligence, Thurstone avait posé en 1927, avec « A Law of Comparative Judgment » (Psychological Review), les bases mathématiques du scaling psychologique moderne, en montrant comment transformer des jugements de comparaison par paires en une échelle d’intervalles pour des attitudes ou des préférences, une contribution aussi durable que ses travaux factoriels.

L’approche de Thurstone légitime, dans la pratique clinique et éducative, l’usage de profils de scores plutôt que d’un indice unique : deux personnes obtenant le même score composite global peuvent présenter des profils très différents (l’une forte en raisonnement spatial et faible en fluidité verbale, l’autre l’inverse), une information perdue par toute mesure agrégée mais précieuse pour orienter un accompagnement pédagogique ou identifier des points d’appui spécifiques.

Le débat opposant Thurstone à Spearman a longtemps été présenté comme un choix binaire entre un facteur général et des aptitudes multiples indépendantes. Les analyses ultérieures montrent en réalité que les sept facteurs primaires de Thurstone restent eux-mêmes corrélés positivement entre eux, un résultat que Thurstone reconnaît d’ailleurs dans ses travaux tardifs et qui autorise l’extraction d’un facteur d’ordre supérieur au-dessus de ses propres facteurs.

Les modèles hiérarchiques développés ensuite, notamment le modèle en trois strates de John Carroll (1993), intègrent ainsi les deux apports sans les opposer : des aptitudes larges et relativement distinctes coexistent avec un facteur général qui les chapeaute statistiquement. L’essentiel du désaccord entre Spearman et Thurstone tenait finalement moins à un fait empirique contesté qu’à un choix de méthode de rotation factorielle, chacune mettant en évidence une facette différente, mais compatible, de la même structure des données.

Élève de Spearman à Londres avant d’émigrer aux États-Unis, Cattell propose dans « Theory of Fluid and Crystallized Intelligence: A Critical Experiment » (1963, Journal of Educational Psychology) de scinder le facteur général en deux composantes empiriquement distinctes : l’intelligence fluide (Gf), la capacité à raisonner et résoudre des problèmes inédits sans dépendre de connaissances préalables, et l’intelligence cristallisée (Gc), qui mobilise le vocabulaire, la culture générale et les savoirs accumulés par l’apprentissage et l’expérience.

Il formule aussi une « théorie de l’investissement » : l’intelligence fluide, mobilisée tout au long de la scolarité, s’« investirait » progressivement dans des acquis stables qui constituent l’intelligence cristallisée, ce qui explique pourquoi les deux facteurs, bien que conceptuellement distincts, restent corrélés au niveau de la population.

Cette distinction éclaire des phénomènes que les modèles antérieurs, réduisant l’intelligence à un score global, expliquaient mal, en particulier le vieillissement cognitif : l’intelligence fluide décline en moyenne plus tôt et plus nettement avec l’âge, tandis que l’intelligence cristallisée peut rester stable, voire continuer de progresser, jusqu’à un âge avancé. Elle a aussi orienté la conception de tests dits « culture-fair », cherchant à limiter le rôle de connaissances scolaires spécifiques pour mieux isoler le raisonnement fluide.

Sur le plan psychométrique, fluide et cristallisée restent partiellement recouvrantes et dépendent fortement des batteries de tests utilisées pour les mesurer : ce sont des construits statistiquement utiles pour organiser l’évaluation, non deux réservoirs biologiquement séparés dans le cerveau, comme le confirment les modèles hiérarchiques ultérieurs qui les intègrent comme facteurs de second ordre sous un g plus général.

Par ailleurs, la carrière de Cattell a été durablement ternie par ses positions personnelles sur l’hérédité raciale de l’intelligence et par ses liens documentés avec des mouvements eugénistes, développées notamment dans des écrits tardifs sur ce qu’il appelait le « beyondisme ». Lorsque l’American Psychological Association lui décerne en 1997 un prix pour l’ensemble de sa carrière, la controverse publique qui s’ensuit, détaillée par l’historien William Tucker dans The Cattell Controversy (2009), conduit Cattell à renoncer lui-même à la distinction avant sa remise officielle.

Dès sa thèse dirigée par Cattell puis dans ses travaux avec lui (Horn & Cattell, 1966, Journal of Educational Psychology), John Horn étend le modèle fluide-cristallisé initial à un ensemble plus large de facteurs larges (mémoire à court terme, vitesse de traitement, capacités visuelles et auditives, mémoire à long terme), qu’il continuera d’affiner jusqu’à sa mort. De son côté, John Carroll publie en 1993 Human Cognitive Abilities, une réanalyse systématique, à l’aide d’une méthode uniforme, de plus de 460 corpus de données factorielles publiés entre les années 1920 et 1990, dont il tire un modèle à trois strates : des aptitudes étroites très nombreuses, regroupées en huit à dix aptitudes larges, elles-mêmes chapeautées par un facteur général g au sommet.

Les deux hiérarchies, construites par des voies indépendantes, présentent une structure remarquablement proche ; Kevin McGrew propose en 2009 de les fusionner formellement sous le nom de modèle Cattell-Horn-Carroll (CHC), aujourd’hui la référence dominante pour organiser le champ des aptitudes cognitives.

Le modèle CHC sert désormais de cadre de référence à la quasi-totalité des grandes batteries d’intelligence contemporaines (WISC, WAIS, Woodcock-Johnson, KABC), qui organisent leurs sous-tests selon ces facteurs larges et étroits. Cette standardisation conceptuelle facilite la comparaison entre instruments différents, la formulation d’hypothèses de bilan neuropsychologique et l’interprétation d’un profil de forces et de faiblesses à partir d’un cadre théorique partagé plutôt que d’une nomenclature propre à chaque test.

CHC demeure une architecture descriptive, issue d’analyses factorielles conduites sur des batteries de tests données : elle ne dit rien, par elle-même, de l’intervention pédagogique ou thérapeutique la plus adaptée à une personne, ni ne garantit qu’un écart entre deux indices d’un même bilan soit cliniquement significatif plutôt qu’imputable à l’erreur de mesure ordinaire.

La pratique dite du « cross-battery assessment », qui combine des sous-tests issus de plusieurs instruments pour mieux couvrir la grille CHC, a par ailleurs été critiquée pour son risque de surinterprétation clinique de la dispersion des scores (le « profile scatter »), une variabilité en partie normale que certains cliniciens tendent à lire à tort comme systématiquement révélatrice d’un trouble.

Constatant, dans sa pratique clinique à l’hôpital psychiatrique de Bellevue, que le Stanford-Binet, conçu pour des enfants, s’adaptait mal à l’évaluation d’adultes, Wechsler publie en 1939 The Measurement of Adult Intelligence et l’échelle Wechsler-Bellevue qui l’accompagne. Il y introduit une innovation statistique majeure, le QI de déviation, qui situe un score à partir de son écart-type par rapport à la moyenne du groupe d’âge, remplaçant le rapport âge mental sur âge chronologique de Stern devenu peu pertinent une fois la croissance cognitive terminée à l’âge adulte.

Wechsler organise aussi ses échelles en sous-tests verbaux et de performance (non verbaux), produisant des scores partiels distincts en plus d’un score global, un format qui deviendra le standard des batteries suivantes (WAIS pour les adultes, WISC pour les enfants), régulièrement révisées depuis pour tenir compte de l’évolution des connaissances et des populations de référence.

Wechsler définissait dès 1944 l’intelligence comme « la capacité globale d’un individu à agir dans un but déterminé, à penser rationnellement et à interagir efficacement avec son environnement », une définition volontairement large qui justifiait, selon lui, de ne jamais réduire l’évaluation à un seul chiffre. Les indices composites des échelles actuelles (compréhension verbale, raisonnement perceptif, mémoire de travail, vitesse de traitement dans la WAIS-IV, par exemple) permettent de documenter des forces et des fragilités spécifiques, à condition de toujours replacer ces scores dans l’histoire scolaire, la langue maternelle et le fonctionnement quotidien de la personne évaluée.

La nécessité de renormer périodiquement les échelles Wechsler, tous les dix à quinze ans environ, tient en partie à l’effet Flynn : les performances moyennes évoluant dans le temps, un score comparé à une norme trop ancienne surestime artificiellement le niveau réel d’une personne, un biais qui a eu des conséquences concrètes, par exemple dans certains dossiers de peine capitale aux États-Unis où un ancien étalonnage pouvait faire basculer un accusé au-dessus du seuil légal de déficience intellectuelle.

Les échelles Wechsler ont par ailleurs été au cœur de contentieux juridiques majeurs sur l’équité des tests : dans l’affaire Larry P. v. Riles (Californie, jugement définitif en 1979), un tribunal fédéral a interdit l’usage de tests de QI, dont les échelles Wechsler, pour orienter des élèves afro-américains vers des classes destinées aux enfants en situation de handicap intellectuel léger, jugeant que ces tests, insuffisamment validés pour cette population, produisaient un effet disproportionné et discriminatoire indépendamment des intentions de leurs auteurs.

Dans « Coefficient Alpha and the Internal Structure of Tests » (1951, Psychometrika), Cronbach généralise et popularise une formule de cohérence interne dont des versions partielles existaient déjà, notamment chez Kuder et Richardson (1937) pour des items binaires. L’alpha estime, sous certaines hypothèses statistiques précises, dans quelle mesure les items d’un questionnaire mesurent une dimension commune, à partir de leurs intercorrélations moyennes et de leur nombre.

Ce coefficient devient en quelques décennies l’indice de fiabilité le plus systématiquement rapporté dans les publications de psychologie utilisant des questionnaires, au point de figurer presque automatiquement dans la section méthode de la plupart des articles empiriques, souvent sans que ses hypothèses sous-jacentes (notamment l’essentielle tau-équivalence des items) ne soient jamais vérifiées.

Avec Paul Meehl, Cronbach publie en 1955 dans Psychological Bulletin « Construct Validity in Psychological Tests », un article fondateur qui définit pour la première fois de façon systématique ce que signifie valider un test censé mesurer un construit théorique non directement observable (une attitude, un trait de personnalité), en articulant un réseau nomologique de prédictions vérifiables plutôt qu’une simple corrélation avec un critère externe unique.

Avec Gleser, Nanda et Rajaratnam, Cronbach développe ensuite la théorie de la généralisabilité (The Dependability of Behavioral Measurements, 1972), qui décompose la variance d’un score selon ses différentes sources d’erreur (les items utilisés, le moment de passation, l’évaluateur), un cadre statistique plus riche que le simple coefficient alpha pour décider si un instrument est fiable pour un usage donné.

Un alpha élevé ne prouve ni l’unidimensionnalité d’un questionnaire (un score peut regrouper plusieurs dimensions et obtenir malgré tout un alpha satisfaisant dès lors que le nombre d’items augmente), ni la validité du construit mesuré, ni sa pertinence pour une décision clinique individuelle : c’est un indice de cohérence statistique entre items, pas un certificat général de qualité d’un instrument.

En 2004, dans un article publié à titre posthume, « My Current Thoughts on Coefficient Alpha and Successor Procedures » (Educational and Psychological Measurement), Cronbach lui-même reconnaît que l’usage massif et souvent automatique de l’alpha dans la littérature s’est largement éloigné de ses intentions initiales, et recommande de lui préférer, selon les cas, des indices comme l’oméga, mieux adaptés lorsque les hypothèses de l’alpha ne sont pas satisfaites.

Dans son chapitre de référence « Validity » (1989, dans Educational Measurement, 3e éd., dirigé par Robert Linn), Messick rassemble en un cadre unique des aspects jusque-là traités séparément par la littérature (validité de contenu, de critère, de construit) et y ajoute des dimensions négligées : les processus cognitifs réellement mobilisés par les répondants, la généralisabilité des scores à d’autres situations, leur cohérence externe avec d’autres mesures, et surtout les conséquences sociales de leur interprétation et de leur usage.

Pour Messick, un test n’est jamais « validé » dans l’absolu : ce qui est validé, ce sont des inférences précises tirées d’un score, pour une population, un contexte et une décision donnés, une clarification qui a profondément influencé les Standards for Educational and Psychological Testing publiés conjointement par l’APA, l’AERA et le NCME.

L’apport le plus discuté de Messick est d’avoir explicitement intégré les conséquences sociales à la validation : une interprétation peut être techniquement défendable sur le plan statistique tout en produisant, une fois utilisée, des décisions injustes ou disproportionnées pour certains groupes. Selon lui, examiner ces effets fait partie intégrante du travail de validation, et non d’une étape éthique séparée que l’on ajouterait après coup à une mesure jugée par ailleurs « valide ».

Cette extension du concept a été critiquée par une partie de la communauté psychométrique. Dans « The Concept of Validity » (2004, Psychological Review), Denny Borsboom, Gideon Mellenbergh et Jaap van Heerden soutiennent que le cadre de Messick, en cherchant à tout inclure (contenu, structure, conséquences), dilue la notion de validité au point de la rendre difficile à opérationnaliser, et proposent de lui substituer une définition plus étroite et « réaliste » : un test est valide pour un attribut si des variations de cet attribut causent des variations du score, indépendamment des conséquences sociales de son usage.

Ce débat reste ouvert dans la littérature méthodologique : la position de Messick a l’avantage de rappeler qu’un test « bien construit » peut néanmoins produire des effets sociaux problématiques qu’il serait irresponsable d’ignorer, tandis que ses critiques rappellent qu’un usage injuste d’un test valide et un test intrinsèquement invalide restent, en toute rigueur, deux problèmes distincts qu’il peut être utile de nommer séparément.

Sollicité dans les années 1950 par l’Institut danois de recherche pédagogique pour analyser des tests de lecture destinés à des militaires et des écoliers, Rasch développe un modèle logistique où le score attendu à un item dépend d’un seul paramètre de difficulté et d’un seul paramètre d’aptitude, sans paramètre supplémentaire de discrimination propre à chaque item. Il publie ce travail dans Probabilistic Models for Some Intelligence and Attainment Tests (1960).

Rasch défend une exigence qu’il nomme « objectivité spécifique » : le classement relatif de deux personnes selon leur aptitude doit rester le même quels que soient les items utilisés pour les comparer, et le classement relatif de deux items selon leur difficulté doit rester le même quel que soit le groupe de personnes testées. Cette propriété, mathématiquement exigeante, distingue nettement le modèle de Rasch des modèles à deux ou trois paramètres développés par Allan Birnbaum et Frederic Lord dans la même période, où discrimination et pseudo-chasard des items peuvent varier librement.

Dans la tradition raschienne, développée notamment par Benjamin Wright et David Andrich, ce n’est pas le modèle qui doit être ajusté aux données mais les données qui doivent être examinées pour vérifier qu’elles satisfont les contraintes du modèle : un item qui s’ajuste mal est retiré ou révisé, plutôt que compensé par un paramètre supplémentaire. Cette logique diagnostique a trouvé de nombreuses applications concrètes, de l’examen du fonctionnement différentiel des items entre groupes à la construction d’échelles de santé perçue ou de qualité de vie où l’on cherche une mesure d’intervalle véritable, comparable au mètre ou au kilogramme.

Le prix de cette rigueur mathématique est que peu de jeux de données réels satisfont pleinement les contraintes du modèle de Rasch sans retrait substantiel d’items, ce qui a nourri un débat méthodologique persistant, y compris chez les praticiens de l’IRT, sur l’opportunité de privilégier une élégance mathématique parfois obtenue au prix d’un appauvrissement empirique du contenu testé.

Même lorsqu’un ensemble d’items s’ajuste correctement au modèle, cet ajustement statistique ne garantit ni que le test mesure réellement le concept qu’il prétend mesurer, ni qu’il soit équitable pour tous les groupes évalués, ni qu’il soit approprié pour la décision qu’on veut fonder sur son score : l’objectivité spécifique est une propriété de mesure interne au modèle, distincte de la question, plus large, de la validité de construit.

Dans « The Mean IQ of Americans: Massive Gains 1932 to 1978 » (1984, Psychological Bulletin) puis « Massive IQ Gains in 14 Nations » (1987, Psychological Bulletin), Flynn compare les performances obtenues sur des versions successives d’un même test, étalonnées à des dates différentes sur des échantillons représentatifs, et constate des hausses de l’ordre de trois points de QI par décennie dans la plupart des pays industrialisés étudiés, particulièrement marquées sur les épreuves de raisonnement abstrait non verbal comme les matrices progressives de Raven.

Cette ampleur pose un problème logique frappant : si l’on prenait ces chiffres au pied de la lettre, une majorité de la population d’il y a un siècle se situerait, au regard des normes actuelles, dans une zone de déficience intellectuelle, une conclusion manifestement absurde qui montre que l’intelligence mesurée par les tests ne peut pas être un attribut purement biologique et fixe.

Flynn attribue ces gains à des transformations sociales et cognitives de grande ampleur : scolarisation prolongée, familiarisation croissante avec le raisonnement abstrait et hypothétique exigé par les sociétés modernes, amélioration de la santé et de la nutrition infantiles. Dans What Is Intelligence? (2007), il développe l’image des « lunettes scientifiques » que les sociétés contemporaines apprennent progressivement à porter, un mode de pensée classificatoire et abstrait de plus en plus sollicité par l’école et le monde professionnel, plutôt qu’une hausse de l’intelligence générale au sens le plus courant du terme.

Avec William Dickens, Flynn propose en 2001 un modèle du « multiplicateur social » : de petits avantages cognitifs initiaux, même d’origine génétique, peuvent être amplifiés par des environnements qui y répondent favorablement (de meilleures écoles, davantage de stimulation), produisant des écarts de population bien plus larges que ne le laisserait attendre l’héritabilité individuelle de l’intelligence.

Depuis les années 1990-2000, plusieurs pays scandinaves ainsi que la France et le Royaume-Uni montrent un ralentissement, voire une inversion, de la tendance : Bernt Bratsberg et Ole Rogeberg (2018, PNAS) documentent ainsi, sur des données de conscription norvégiennes portant sur plusieurs millions d’individus, une baisse des scores à partir des cohortes nées après 1975, et montrent, en comparant des frères au sein d’une même famille, que ce déclin ne peut s’expliquer par un changement de composition génétique de la population, ce qui pointe plutôt vers des facteurs environnementaux ou éducatifs récents.

Une méta-analyse de Jakob Pietschnig et Martin Voracek (2015, Perspectives on Psychological Science), portant sur plus de quatre millions de participants, confirme que l’ampleur et même la direction de l’effet Flynn varient fortement selon les pays, les décennies et les types d’épreuves. L’effet Flynn décrit ainsi une histoire mouvante des scores, sensible au contexte social de chaque époque, et non une loi générale et irréversible de l’évolution de l’intelligence humaine.

Dans Clinical versus Statistical Prediction (1954), Meehl passe en revue une vingtaine d’études comparant, sur des tâches comme le pronostic psychiatrique, la récidive ou la réussite universitaire, des jugements cliniques non structurés à des règles statistiques combinant un petit nombre de variables prédictives simples. Dans la quasi-totalité des cas recensés, la règle statistique égale ou dépasse le clinicien, y compris lorsque celui-ci dispose de davantage d’informations que la formule elle-même.

Ce résultat, provocateur pour une profession qui valorisait l’expertise du jugement individuel, sera largement confirmé par la suite : Grove, Zald, Lebow, Snitz et Nelson (2000, Psychological Assessment) synthétisent 136 études comparatives publiées sur un demi-siècle et concluent que les méthodes actuarielles surpassent en moyenne le jugement clinique, avec un écart d’autant plus net que la tâche de prédiction est complexe.

Ces travaux ont directement inspiré la diffusion des entretiens structurés en évaluation clinique, des grilles actuarielles utilisées pour estimer un risque de récidive en contexte judiciaire, et plus largement d’une exigence de transparence méthodologique dans les décisions professionnelles à fort enjeu, remplaçant autant que possible l’intuition informelle par des critères explicites et vérifiables empiriquement.

La performance moyenne d’une règle statistique ne dispense pas d’examiner ses propres biais (une formule entraînée sur une population donnée peut mal généraliser à une autre), ni de comprendre le cas individuel qu’elle prétend classer, ni d’assumer la responsabilité humaine des conséquences d’une décision affectant une personne : Meehl lui-même mettait en garde contre une application mécanique et déresponsabilisante de ses propres conclusions.

Meehl a laissé une seconde contribution majeure, moins connue du grand public mais très influente en méthodologie : dans « Theoretical Risks and Tabular Asterisks » (1978, Journal of Consulting and Clinical Psychology), il critique la culture du simple test de significativité nulle en psychologie, qu’il juge trop peu exigeante pour départager de véritables théories concurrentes, une mise en garde considérée aujourd’hui comme annonciatrice des débats contemporains sur la réplicabilité des résultats en psychologie.

Publié en 1954 puis révisé jusqu’à sa septième édition en 1997 (avec Susana Urbina pour les dernières éditions), Psychological Testing structure durablement la formation des psychologues aux principes techniques de la mesure : standardisation, normes, fiabilité, validité, et surtout aux précautions nécessaires pour interpréter prudemment un score plutôt que le traiter comme un fait brut. Devenue en 1972 seulement la troisième femme présidente de l’American Psychological Association, Anastasi occupe une position institutionnelle rare pour une femme de sa génération dans un champ alors largement dominé par des hommes.

Dans « Heredity, Environment, and the Question "How?" » (1958, American Psychologist), Anastasi conteste frontalement la manière dont le débat inné-acquis est habituellement posé, jugeant absurde de vouloir répartir en pourcentages fixes la part de l’hérédité et celle du milieu dans un trait donné. Elle propose de remplacer la question « combien » par la question « comment » : comment hérédité et environnement interagissent-ils concrètement pour produire la performance observée, une reformulation qui a durablement influencé la manière dont la psychologie différentielle pose ses questions de recherche.

Cette perspective interactionniste s’oppose autant aux lectures purement héréditaristes de l’intelligence, dominantes chez certains de ses prédécesseurs comme Terman ou Goddard, qu’à une négation naïve du rôle des différences biologiques, en insistant sur le fait qu’aucun score de test ne peut, à lui seul, démêler ces deux influences pour un individu donné.

Anastasi insiste sur le fait qu’un test standardisé, même techniquement irréprochable dans sa construction statistique, peut rester profondément inéquitable si ses normes de référence, sa langue de passation ou les usages qu’on en fait ne correspondent pas à la population réellement évaluée. Cette exigence, banale aujourd’hui dans les standards professionnels, restait novatrice dans le contexte des années 1950-1960, où les batteries héritées de Terman et Yerkes continuaient d’être appliquées telles quelles à des populations très éloignées des échantillons d’étalonnage d’origine.

Dans A Technique for the Measurement of Attitudes (1932, Archives of Psychology), Likert compare sa méthode de « sommation de notations » (des items déclaratifs auxquels le répondant indique son degré d’accord sur une échelle graduée) à la méthode alors dominante de Thurstone, fondée sur des jugements de comparaison par paires nettement plus coûteux à mettre en œuvre, exigeant un panel de juges pour étalonner chaque item avant même de commencer la collecte de données. Likert montre que sa méthode, beaucoup plus simple à administrer, produit des scores dont la fiabilité est comparable à celle obtenue par la méthode de Thurstone.

Le format de réponse à modalités graduées (« pas du tout d’accord » à « tout à fait d’accord ») s’est depuis imposé comme le standard de facto des questionnaires en sciences sociales, en santé, en éducation et en évaluation de la personnalité, bien au-delà du seul domaine des attitudes pour lequel Likert l’avait conçu. Devenu directeur de l’Institute for Social Research de l’Université du Michigan, Likert a par ailleurs développé une seconde carrière influente en théorie des organisations, notamment son modèle des « systèmes de management » (System 4), largement distinct de sa contribution méthodologique initiale.

La simplicité du format Likert a longtemps masqué la difficulté réelle de construire une bonne échelle : rien dans le format lui-même ne garantit que les items retenus couvrent effectivement une seule dimension psychologique cohérente, ni que les intervalles entre modalités de réponse (par exemple entre « plutôt d’accord » et « tout à fait d’accord ») soient perçus comme égaux par l’ensemble des répondants, une hypothèse pourtant nécessaire pour justifier le calcul d’une moyenne au sens strict.

Ce débat statistique, résumé notamment par Geoff Norman dans « Likert Scales, Levels of Measurement and the "Laws" of Statistics » (2010, Advances in Health Sciences Education), a néanmoins montré, à travers des simulations, que les tests paramétriques usuels (moyennes, t de Student, analyse de variance) restent raisonnablement robustes même appliqués à des données ordinales de type Likert, nuançant une objection méthodologique longtemps considérée comme rédhibitoire.

Pendant la Seconde Guerre mondiale, Guttman rejoint l’équipe de recherche de Samuel Stouffer chargée d’étudier le moral des soldats de l’armée américaine, dont les résultats seront publiés dans The American Soldier (1949). Il y développe le « scalogramme », une méthode qui ordonne les items d’un questionnaire selon une difficulté ou une intensité supposée croissante, de sorte qu’un répondant qui approuve un item jugé « difficile » ou extrême devrait, dans l’idéal, approuver aussi tous les items considérés plus modérés, et propose un coefficient de reproductibilité pour évaluer dans quelle mesure les réponses réelles se conforment à ce patron cumulatif attendu.

Installé à l’Institut israélien de recherche appliquée en sciences sociales, Guttman développe ensuite la théorie des facettes, une méthode systématique pour définir a priori le domaine de contenu d’un instrument avant de construire ses items, ainsi qu’une technique d’analyse non métrique, l’analyse du plus petit espace (« smallest space analysis »), alternative à l’analyse factorielle classique qui ne présuppose pas la linéarité des relations entre variables.

Guttman s’est aussi montré l’un des critiques les plus constants de certaines conventions statistiques dominantes en psychologie, jugeant excessive la confiance accordée aux tests de signification statistique et aux variables « hypothétiques » (les facteurs latents non directement observables), qu’il jugeait insuffisamment ancrées dans les données empiriques réellement recueillies.

Les réponses humaines réelles suivent rarement un patron parfaitement cumulatif : erreurs de réponse, styles de réponse divergents et complexité multidimensionnelle des construits psychologiques produisent presque toujours des écarts au modèle idéal. Les développements ultérieurs de la théorie de la réponse à l’item, en particulier le modèle de Rasch, ont fourni des cadres statistiques permettant de quantifier précisément ces écarts plutôt que de simplement déclarer une échelle valide ou invalide sur le seul critère, assez rigide, du coefficient de reproductibilité de Guttman.

Dès l’entrée en guerre des États-Unis en avril 1917, Yerkes convainc l’armée d’adopter un dispositif de classification psychologique des recrues et réunit une équipe de psychologues, dont Lewis Terman et Henry Goddard, pour concevoir deux batteries administrables en groupe : l’Army Alpha, écrite, destinée aux recrues sachant lire l’anglais, et l’Army Beta, en images et pictogrammes, destinée aux recrues illettrées ou non anglophones. Entre 1917 et 1919, environ 1,75 million de soldats sont testés, un changement d’échelle sans précédent dans l’histoire de la psychologie appliquée.

Ce programme démontre, pour la première fois à cette échelle, la faisabilité d’une passation collective standardisée de tests psychologiques et met en évidence l’importance cruciale des instructions données, des conditions matérielles de passation et de la comparabilité des scores lorsque des décisions institutionnelles reposent sur une évaluation de masse. Carl Brigham, l’un des collaborateurs de Yerkes durant ce programme, réutilisera directement ce format d’examen collectif pour concevoir en 1926 le Scholastic Aptitude Test (SAT), encore utilisé aujourd’hui sous une forme largement remaniée.

En 1923, Carl Brigham publie A Study of American Intelligence, qui exploite les résultats des tests Army Alpha et Beta pour classer les groupes ethniques et nationaux d’immigrants selon un score moyen présenté comme le reflet de leur valeur héréditaire, ignorant que la maîtrise de l’anglais, le niveau de scolarisation et les conditions de passation (souvent chaotiques pour les recrues immigrées récemment arrivées) expliquaient l’essentiel des écarts observés. Ces conclusions sont citées lors des débats au Congrès américain qui aboutissent à l’Immigration Act de 1924, restreignant fortement l’immigration en provenance d’Europe du Sud et de l’Est ainsi que d’Asie.

Brigham lui-même reviendra publiquement sur ses conclusions dans « Intelligence Tests of Immigrant Groups » (1930, Psychological Review), qualifiant sa propre étude de 1923 de « dépourvue de fondement » et reconnaissant que les comparaisons raciales qu’il en avait tirées étaient scientifiquement injustifiables, une rétractation rare qui n’a cependant pas empêché la loi de 1924 de rester en vigueur pendant plus de quarante ans.

En 1916, Terman publie The Measurement of Intelligence, une révision approfondie de l’échelle Binet-Simon, étalonnée sur environ mille enfants californiens, un échantillon dont l’homogénéité géographique et sociale limite d’emblée la portée des normes obtenues. C’est cette révision, baptisée Stanford-Binet, qui introduit dans la pratique américaine courante le quotient intellectuel proposé par William Stern, contribuant à diffuser massivement l’usage du QI dans les écoles, les tribunaux pour mineurs, les services d’orientation professionnelle et, via sa participation au programme de Yerkes, dans l’armée.

À partir de 1921, Terman lance Genetic Studies of Genius, un suivi longitudinal d’environ 1 500 enfants californiens repérés pour un QI élevé (les « Termites »), poursuivi pendant des décennies bien après sa mort. Cette étude a fourni des données précieuses sur les trajectoires de vie d’enfants à haut potentiel intellectuel, montrant notamment qu’un QI élevé ne garantit ni une réussite professionnelle exceptionnelle ni un bien-être psychologique particulier. L’étude présente cependant un biais de sélection connu : plusieurs futurs scientifiques éminents, dont le physicien lauréat du prix Nobel William Shockley, avaient été testés enfants dans la région mais n’avaient pas atteint le seuil de QI requis pour intégrer l’échantillon, illustrant les limites d’un repérage précoce fondé sur un seul score.

Terman siège au conseil d’administration de la Human Betterment Foundation, une organisation californienne qui promeut activement la stérilisation forcée des personnes jugées « feebleminded », et soutient les lois de stérilisation eugénique de Californie, qui aboutiront à plus de 20 000 stérilisations forcées entre 1909 et les années 1960, le programme le plus important mené par un État américain. Dans The Measurement of Intelligence (1916), Terman écrit explicitement que les enfants mexicains, noirs et amérindiens qu’il a testés appartiennent à un « niveau qui est extrêmement commun parmi leur stock familial », affirmant leur inéducabilité présumée pour des raisons raciales.

Ces positions ne sont pas des égarements isolés mais s’inscrivent dans un usage systématique et assumé du Stanford-Binet à des fins de hiérarchisation sociale et raciale, documenté notamment par l’historien Leslie Minton dans sa biographie de référence (1988). Elles doivent être nommées sans détour : aucune propriété technique d’un test d’intelligence n’autorise une conclusion sur la valeur ou les droits d’un être humain.

Directeur de la recherche à la Vineland Training School, un établissement pour enfants présentant une déficience intellectuelle, Goddard traduit et diffuse dès 1908 une version de l’échelle Binet-Simon, contribuant à en faire l’instrument dominant d’évaluation dans les institutions américaines. En 1910, il propose le terme « moron » (du grec moros, « stupide »), destiné à désigner une catégorie clinique intermédiaire de déficience légère, entre l’« imbécile » et la personne de développement typique, un terme qui connaîtra un tel succès dans le langage courant qu’il en perdra rapidement toute précision clinique.

En 1912 et 1913, Goddard envoie des assistantes évaluer, à l’aide de versions traduites ou administrées via interprète de son échelle, des immigrants arrivant au centre d’Ellis Island, souvent épuisés par plusieurs semaines de traversée en troisième classe et confrontés à des tâches conçues pour une culture et une langue qui n’étaient pas les leurs. Il en conclut que des proportions extrêmement élevées d’immigrants juifs, hongrois, italiens et russes seraient « feebleminded », un résultat qu’aucune procédure de contrôle des biais linguistiques et culturels ne venait alors questionner, et qui a directement nourri les débats publics sur la restriction migratoire de l’époque.

Dans The Kallikak Family (1912), Goddard retrace la généalogie sur plusieurs générations d’une famille pseudonyme pour montrer que la déficience intellectuelle se transmettrait héréditairement selon un schéma quasi mendélien. L’historien J. David Smith démontre en 1985, dans Minds Made Feeble, que plusieurs photographies de membres de la famille publiées dans l’ouvrage avaient été retouchées pour leur donner une apparence délibérément inquiétante, une manipulation qui jette un doute sérieux sur l’intégrité méthodologique de l’ensemble de l’étude.

Il faut néanmoins noter, sans minimiser la gravité de ces épisodes, que Goddard nuance partiellement ses positions en fin de carrière : dans une communication de 1928, il reconnaît que la déficience légère n’est pas nécessairement permanente ni incurable et que l’institutionnalisation à vie qu’il avait longtemps recommandée n’était pas toujours justifiée, une évolution qui ne compense pas les dommages sociaux déjà causés mais qui complique une lecture univoque de sa trajectoire intellectuelle.

Rorschach met au point ses dix planches d’encre symétriques après plusieurs années d’essais, retenant celles qui, selon lui, suscitent des réponses les plus informatives sur le fonctionnement psychique du répondant. Il publie sa méthode dans Psychodiagnostik en 1921, un ouvrage encore largement exploratoire, dans un contexte disciplinaire antérieur aux standards modernes de validation psychométrique. Rorschach meurt d’une péritonite en avril 1922, un an à peine après cette publication, sans avoir eu le temps de systématiser lui-même une procédure de cotation rigoureuse.

Dans les décennies suivantes, plusieurs cliniciens (Samuel Beck, Bruno Klopfer, Zygmunt Piotrowski et d’autres) développent chacun leur propre système de cotation, souvent incompatibles entre eux, ce qui nuit longtemps à la comparabilité des résultats publiés. John Exner tente d’y remédier en 1974 avec le Comprehensive System, qui domine la pratique clinique pendant plusieurs décennies, avant d’être remplacé par une version révisée disposant de meilleures données normatives et de validité, le Rorschach Performance Assessment System (R-PAS, 2011), coordonné notamment par Gregory Meyer.

Dans What’s Wrong with the Rorschach? (2003), James Wood, Teresa Nezworski, Scott Lilienfeld et Howard Garb documentent des problèmes sérieux dans les normes du Comprehensive System d’Exner, notamment une tendance à sur-pathologiser des personnes sans trouble avéré, ainsi qu’une validité empirique faible pour un grand nombre des variables cotées habituellement en pratique clinique. Une méta-analyse plus récente de Gregory Meyer et ses collègues (2013, Psychological Bulletin), portant sur les variables du R-PAS, nuance ce constat en montrant qu’un petit nombre d’indices, en particulier ceux liés à la désorganisation de la pensée, présentent une validité respectable, tandis que la majorité des autres variables restent insuffisamment étayées.

Le test reste régulièrement contesté lors de son admissibilité devant les tribunaux américains au regard des critères Daubert de validité scientifique. Le verdict n’est donc pas uniforme : le Rorschach n’est ni un « détecteur de personnalité cachée » infaillible comme le prétend parfois sa vulgarisation populaire, ni un instrument entièrement dénué de valeur, mais un outil dont l’utilité dépend étroitement de la variable cotée, du système utilisé et de la question clinique précise qu’on lui pose.

Passionnée depuis les années 1920 par la typologie développée par Carl Jung dans Psychological Types (traduit en anglais en 1923), Katharine Briggs élabore avec sa fille Isabel Myers, sans formation académique en psychométrie ni en psychologie, un questionnaire destiné à classer les personnes selon quatre dichotomies (extraversion/introversion, sensation/intuition, pensée/sentiment, jugement/perception), combinées en seize « types » désignés chacun par quatre lettres. Une première version voit le jour en 1943 ; l’Educational Testing Service en publie une forme révisée en 1962, avant que l’éditeur Consulting Psychologists Press ne reprenne sa diffusion, l’ETS ayant jugé ses qualités psychométriques insuffisantes pour continuer à le porter.

Le MBTI est aujourd’hui utilisé, selon les estimations de son éditeur, par une écrasante majorité des entreprises du classement Fortune 500 pour des usages de formation, de développement personnel ou de constitution d’équipe, générant une industrie évaluée à plusieurs dizaines de millions de dollars par an. Ce contraste entre une diffusion massive et une validation scientifique modeste en fait un cas d’école particulièrement instructif pour expliquer au public pourquoi la séduction d’une typologie mémorisable, valorisante et apparemment stable ne garantit en rien la robustesse psychométrique d’un instrument.

Les recherches sur la fidélité test-retest du MBTI, résumées notamment par David Pittenger, montrent qu’une proportion substantielle des répondants, parfois jusqu’à la moitié selon les études et l’intervalle de temps considéré, se voient attribuer un type différent lorsqu’ils repassent le test quelques semaines plus tard, un problème directement lié au fait que le questionnaire force artificiellement en catégories dichotomiques des dimensions dont les scores sont en réalité continus et dont beaucoup de répondants se situent près du point médian.

Les quatre dichotomies du MBTI ne correspondent par ailleurs que partiellement à la structure des cinq grands facteurs de personnalité la mieux établie empiriquement (le Big Five), et aucune étude solide n’a démontré que le type MBTI prédit la performance professionnelle ou l’efficacité d’une équipe. L’éditeur du test lui-même déconseille explicitement son usage pour le recrutement ou la sélection professionnelle, une mise en garde régulièrement ignorée dans la pratique des ressources humaines.

Dans le cadre de la Baltimore Longitudinal Study of Aging, Costa et McCrae développent d’abord en 1978 un inventaire à trois dimensions (Névrosisme, Extraversion, Ouverture), avant d’y intégrer en 1985 deux dimensions supplémentaires, l’Agréabilité et le Caractère consciencieux, pour aboutir à une opérationnalisation complète des cinq grands facteurs de personnalité identifiés indépendamment par plusieurs traditions lexicales depuis les années 1960. La version révisée, le NEO-PI-R (1992), ajoute trente facettes plus fines réparties sous les cinq domaines, permettant une description plus détaillée que le seul score global sur chaque dimension.

Avec de nombreux collaborateurs internationaux, McCrae et Costa montrent que la structure en cinq facteurs se retrouve, avec des variations mineures, dans des dizaines de langues et de cultures très différentes (« Personality Trait Structure as a Human Universal », 1997, American Psychologist), un argument fort en faveur d’une base au moins partiellement biologique de cette organisation des traits, plutôt que d’un simple artefact du vocabulaire de la langue anglaise dans laquelle le modèle avait initialement été développé.

Costa et McCrae ont longtemps défendu, dans leur théorie des cinq facteurs (Five-Factor Theory), l’idée que les traits de personnalité adulte constituent des « tendances de base » largement endogènes et stables après environ 30 ans, une position parfois résumée par l’image d’une personnalité qui se « fige comme du plâtre ». Une méta-analyse de Brent Roberts et Wendy DelVecchio (2000, Psychological Bulletin) montre que si la stabilité des traits augmente effectivement avec l’âge, elle reste loin d’être absolue à aucun moment de la vie adulte, et que des changements significatifs, notamment liés aux événements de vie, continuent d’être documentés bien après 30 ans, nuançant la théorie initiale.

Le modèle en cinq facteurs a par ailleurs été concurrencé par le modèle HEXACO d’Ashton et Lee (2007, Personality and Social Psychology Review), qui ajoute une sixième dimension, l’Honnêteté-Humilité, absente du NEO-PI-R mais retrouvée de façon récurrente dans les analyses lexicales de plusieurs langues, suggérant que le Big Five de Costa et McCrae, bien que robuste, ne représenterait pas nécessairement la structure complète et définitive de la personnalité humaine.

Dans « The Rediscovery of Bifactor Measurement Models » (2012, Multivariate Behavioral Research), Reise retrace l’histoire d’un modèle statistique formulé dès 1937 par Karl Holzinger et Frances Swineford mais resté largement délaissé pendant des décennies avant que la puissance de calcul et les logiciels d’équations structurelles ne permettent de l’estimer plus facilement. Le modèle bifactoriel permet à chaque item de charger simultanément sur un facteur général, censé résumer la dimension commune à l’ensemble du questionnaire, et sur un facteur spécifique orthogonal, propre à un sous-groupe d’items, ce qui aide à examiner ce qu’un score total représente réellement lorsque l’instrument couvre en fait plusieurs sous-dimensions.

Avec ses collègues, Reise développe et popularise plusieurs indices dérivés du modèle bifactoriel (l’oméga hiérarchique, la variance commune expliquée ECV, le pourcentage de corrélations non contaminées PUC) qui permettent de quantifier, au-delà du simple ajustement global du modèle, si le facteur général capture une part suffisamment substantielle de la variance commune pour justifier l’usage clinique ou empirique d’un score total unique, plutôt que de multiples scores par sous-dimension.

Reise et ses collègues mettent eux-mêmes en garde, dans « Three Concerns with Applying a Bifactor Model as a Structure of Psychopathology » (Bonifay, Lane & Reise, 2017, Clinical Psychological Science), contre une application trop systématique du modèle : parce qu’il ajoute davantage de paramètres libres que la plupart des modèles concurrents, un modèle bifactoriel obtient presque toujours un meilleur ajustement statistique, même lorsque la structure factorielle générale sous-jacente ne correspond à aucune réalité théorique solide.

Un bon ajustement bifactoriel ne suffit donc pas, à lui seul, à conclure qu’un facteur général « existe » psychologiquement : il faut le combiner à une justification théorique préalable, à la réplication sur des échantillons indépendants et à l’examen conjoint de plusieurs indices complémentaires plutôt que du seul critère d’ajustement global du modèle.

Dans un article fondateur de 1983, « Construct Validity: Construct Representation Versus Nomothetic Span » (Psychological Bulletin), Embretson distingue deux questions habituellement confondues dans la validation d’un test : la représentation du construit, qui porte sur les processus cognitifs internes réellement mobilisés pour résoudre un item, et la portée nomothétique, qui porte sur les corrélations externes du score avec d’autres variables. Elle observe que la psychométrie classique s’est presque exclusivement concentrée sur la seconde question, en négligeant largement la première.

Dans « A Cognitive Design System Approach to Generating Valid Tests » (1998, Psychological Methods), Embretson propose de spécifier d’abord les opérations cognitives précises qu’un item doit solliciter (par exemple les règles de transformation dans une tâche de matrices de type Raven), puis de générer et calibrer automatiquement de nombreux items qui manipulent ces opérations de façon contrôlée, plutôt que d’écrire des items un par un puis d’en constater empiriquement la difficulté. Cette approche a des implications pratiques importantes pour les tests adaptatifs informatisés, qui nécessitent de vastes réservoirs d’items calibrés et renouvelés régulièrement, une contrainte coûteuse à satisfaire par les méthodes de construction d’items traditionnelles.

La sophistication de cette approche n’est utile que si le modèle cognitif postulé correspond réellement aux stratégies effectivement utilisées par les répondants, ce qui exige des études indépendantes (protocoles de verbalisation, suivi oculaire, temps de réponse) et non la seule cohérence interne du modèle statistique. Cette approche s’est révélée particulièrement fructueuse pour des tâches de raisonnement bien structurées comme les matrices progressives, mais nettement plus difficile à transposer à des construits moins décomposables en opérations discrètes, comme la plupart des traits de personnalité ou de nombreux symptômes cliniques.

Avec Hariharan Swaminathan, Hambleton publie en 1985 Item Response Theory: Principles and Applications, puis en 1991, avec Swaminathan et Jane Rogers, Fundamentals of Item Response Theory, deux ouvrages qui traduisent en langage accessible aux praticiens des développements mathématiques jusque-là réservés à un cercle restreint de spécialistes, contribuant largement à la diffusion des modèles IRT dans la construction opérationnelle des grands tests éducatifs et professionnels à travers le monde.

Hambleton copréside l’élaboration des lignes directrices de la Commission internationale des tests (International Test Commission) pour l’adaptation des instruments entre langues et cultures, régulièrement révisées depuis leur première publication en 1994. Ces lignes directrices insistent sur le fait qu’une adaptation responsable exige des traductions inverses indépendantes, l’intervention d’experts du contexte culturel visé, des études pilotes locales et la vérification statistique de l’invariance de mesure, et non la simple supposition qu’une traduction fidèle du texte préserve automatiquement le sens psychologique de chaque item.

Hambleton a par ailleurs largement contribué à diffuser les méthodes de détection du fonctionnement différentiel des items (DIF), qui permettent de repérer statistiquement un item plus difficile pour un groupe que pour un autre à niveau d’aptitude équivalent, un outil devenu standard dans la construction de tests à grande échelle soucieux d’équité.

L’absence de fonctionnement différentiel détecté par les méthodes statistiques usuelles (comme le test de Mantel-Haenszel ou les méthodes fondées sur l’IRT) ne garantit pas, à elle seule, qu’un test soit équitable dans l’ensemble de ses usages et de ses conséquences pour les groupes concernés : ces méthodes ne repèrent que certains types de biais liés au contenu des items, et peuvent laisser passer des inégalités plus structurelles liées à l’accès inégal à la préparation, aux conditions de passation ou à l’usage social qui sera fait du score, un point qui rejoint directement la mise en garde de Messick sur les conséquences comme dimension propre de la validité.

Dans « A General Structural Equation Model with Dichotomous, Ordered Categorical, and Continuous Latent Variable Indicators » (1984, Psychometrika), Muthén s’attaque à un problème connu mais mal résolu : les modèles d’équations structurelles classiques, fondés sur l’hypothèse de normalité continue des variables observées, produisent des estimations biaisées lorsqu’ils sont appliqués tels quels à des items de type Likert ou à des réponses binaires, pourtant omniprésents dans les questionnaires psychologiques. Il propose un estimateur, les moindres carrés pondérés, adapté à ces données catégorielles ordonnées, qui deviendra la méthode de référence pour l’analyse factorielle confirmatoire de questionnaires à réponses discrètes.

Avec Linda Muthén, sa collaboratrice puis épouse, Bengt Muthén développe les modèles de croissance mixte (« growth mixture models »), qui combinent l’analyse de trajectoires individuelles dans le temps avec une recherche de sous-groupes latents suivant des trajectoires qualitativement différentes (par exemple des profils distincts de consommation d’alcool à l’adolescence), sans que l’appartenance à ces sous-groupes soit observée directement. Le couple fonde en 1998 le logiciel Mplus, devenu un standard largement utilisé dans les sciences sociales et comportementales pour l’ensemble de ces modèles à variables latentes.

Les modèles de croissance mixte sont particulièrement sensibles à un problème méthodologique documenté par Daniel Bauer et Patrick Curran dans « Distributional Assumptions of Growth Mixture Models » (2003, Psychological Methods) : lorsque les données proviennent en réalité d’une population unique et homogène mais dont la distribution s’écarte de la normalité, le modèle peut malgré tout extraire plusieurs classes latentes apparemment distinctes, un artefact statistique plutôt que la découverte de véritables sous-populations psychologiques.

Une variable latente n’est donc jamais démontrée par la seule convergence numérique d’un modèle : l’identification du nombre correct de classes reste un exercice délicat, sensible aux valeurs de départ de l’algorithme d’estimation, à la taille de l’échantillon et aux hypothèses distributionnelles retenues, ce que Muthén lui-même souligne régulièrement dans ses recommandations méthodologiques sur l’énumération des classes.

Dès sa monographie A Theory of Test Scores (1952), Lord formalise l’idée qu’un item peut être décrit par une courbe caractéristique reliant le niveau d’aptitude d’un répondant à sa probabilité de réussite, une fonction dont la pente et la position varient d’un item à l’autre. Il développe ensuite, avec Melvin Novick, dans Statistical Theories of Mental Test Scores (1968), un traité qui devient la référence de la théorie classique des tests et de la théorie de la réponse à l’item pour toute une génération de psychométriciens.

Ce cadre aboutit aux modèles logistiques à deux paramètres (2PL, discrimination et difficulté variables selon l’item) puis à trois paramètres (3PL, ajoutant un pseudo-hasard pour les items à choix multiples où deviner une bonne réponse reste possible), aujourd’hui parmi les modèles les plus utilisés en évaluation à grande échelle, notamment dans le modèle à deux ou trois paramètres évoqué au sujet du travail d’Allan Birnbaum et de Rasch lui-même.

En autorisant chaque item à avoir son propre pouvoir discriminant, les modèles de Lord permettent de sélectionner, pour un candidat donné, les items les plus informatifs compte tenu des réponses déjà données : c’est le principe du test adaptatif par ordinateur (CAT), que Lord contribue à poser dans Applications of Item Response Theory to Practical Testing Problems (1980) et qui équipe aujourd’hui des examens à grande échelle comme le GRE.

Cette flexibilité a aussi permis de traiter des questions restées difficiles dans le cadre plus contraint de Rasch, notamment la détection du fonctionnement différentiel des items (un item plus difficile pour un groupe que pour un autre à niveau d’aptitude égal), devenue un outil courant de détection de biais dans les grands programmes de test internationaux.

Contrairement au modèle à un paramètre de Rasch, où le classement des personnes reste, par construction, indépendant du sous-ensemble d’items utilisé, les modèles 2PL et 3PL n’offrent aucune garantie de ce type : ajouter un paramètre de discrimination signifie que le classement relatif de deux candidats peut changer selon les items choisis pour les comparer. Des psychométriciens de tradition raschienne, dont Benjamin Wright, ont ainsi reproché aux modèles de Lord d’ajuster le modèle aux données plutôt que l’inverse, une critique qui reste vive dans certains sous-champs.

Cette souplesse a toutefois un revers largement documenté : l’estimation fiable des trois paramètres du modèle 3PL exige des échantillons nettement plus grands que celle du modèle de Rasch, et le paramètre de pseudo-hasard reste notoirement instable à estimer, ce qui pousse de nombreux praticiens à le fixer arbitrairement plutôt qu’à l’estimer librement à partir des données.

Dans Frames of Mind: The Theory of Multiple Intelligences (1983), Gardner s’appuie non sur des données psychométriques de corrélation entre tests, la méthode qui fonde la lignée de Spearman, Thurstone et Cattell, mais sur un faisceau d’arguments tirés de la neuropsychologie des lésions cérébrales, du développement exceptionnel de certains enfants prodiges, et de l’anthropologie culturelle, pour proposer huit intelligences relativement indépendantes : linguistique, logico-mathématique, spatiale, musicale, corporelle-kinesthésique, interpersonnelle, intrapersonnelle et naturaliste.

Pour Gardner, chaque intelligence répond à des critères précis, dont une localisation cérébrale au moins partiellement distincte, l’existence de cas de dissociation où l’une est préservée et l’autre atteinte après une lésion, et une trajectoire développementale propre, ce qui distingue sa proposition d’un simple inventaire de talents ou d’aptitudes.

La théorie des intelligences multiples a eu une influence pratique considérable sur l’enseignement dans le monde entier, en encourageant les enseignants à diversifier les formes d’évaluation et de pédagogie au-delà des seules compétences verbales et logico-mathématiques traditionnellement valorisées par l’école, et en légitimant la reconnaissance de talents (musicaux, spatiaux, interpersonnels) longtemps peu valorisés dans les cursus scolaires classiques.

Cette influence dépasse largement le monde académique : le vocabulaire des « intelligences multiples » est aujourd’hui l’un des concepts psychologiques les plus connus du grand public, cité dans des programmes scolaires, des formations professionnelles et des tests de carrière bien au-delà de ce que Gardner avait initialement anticipé pour une thèse conçue comme une contribution théorique à la psychologie cognitive.

Contrairement à la lignée du facteur g, dont les prédictions (la corrélation positive entre performances à des tests cognitifs très divers, documentée depuis Spearman) sont parmi les plus robustes et les plus répliquées de toute la psychométrie, la théorie de Gardner n’a jamais été formulée de façon à générer des tests standardisés permettant de vérifier empiriquement que ces huit intelligences sont bien statistiquement indépendantes les unes des autres : Gardner lui-même a longtemps refusé de développer un instrument de mesure, jugeant qu’un test standardisé trahirait l’esprit de sa théorie.

Les rares tentatives de validation empirique indépendante, notamment celles de Lynn Waterhouse (2006, Educational Psychologist) et de Beth Visser, Michael Ashton et Philip Vernon (2006, Intelligence), ne trouvent pas de soutien clair pour l’indépendance statistique des intelligences proposées, et documentent au contraire que les mesures les plus proches de chaque « intelligence » restent corrélées entre elles d’une manière compatible avec l’existence d’un facteur général sous-jacent. La théorie reste ainsi un cadre pédagogique fécond et une critique légitime de la survalorisation scolaire des seules compétences verbales et logico-mathématiques, mais sa prétention scientifique à remplacer le modèle du facteur g n’est, à ce jour, pas démontrée par les données disponibles.