Les instruments,
de la note brute
à la mesure validée.

David Wechsler publie en 1939 l’échelle de Bellevue, puis en 1955 la première WAIS proprement dite, en réaction à ce qu’il juge être les limites du test de Stanford-Binet pour les adultes : un score unique d’âge mental, mal adapté à une population qui ne progresse plus linéairement passé un certain âge. Wechsler introduit à la place un quotient de déviation, comparant chaque personne à un groupe d’âge de référence plutôt qu’à une norme de développement.

L’instrument est révisé à plusieurs reprises (WAIS-R en 1981, WAIS-III en 1997, WAIS-IV en 2008), chaque révision resserrant la structure factorielle. La WAIS-IV abandonne les indices verbal et de performance historiques au profit de quatre indices plus finement définis : compréhension verbale, raisonnement perceptif, mémoire de travail et vitesse de traitement, chacun alimentant un score global.

Des analyses factorielles indépendantes de l’échantillon de standardisation confirment globalement la structure à quatre facteurs de premier ordre chapeautés par un facteur général, avec une validité de construit et une validité incrémentale bien établies pour les indices principaux, même si la validité de certains sous-tests pris isolément reste plus fragile. La fidélité test-retest et la cohérence interne des indices comptent parmi les meilleures de toute la psychométrie clinique.

Utilisée avec ses limites en tête, la WAIS reste un outil légitime pour objectiver un profil cognitif en neuropsychologie, documenter une déficience intellectuelle ou un trouble neurocognitif, ou éclairer une évaluation dans un contexte médico-légal, à condition d’interpréter un profil d’indices plutôt qu’un chiffre unique.

Les scores bruts moyens à des tests d’intelligence progressent mécaniquement d’une génération à l’autre dans la plupart des pays industrialisés, un phénomène appelé effet Flynn, estimé selon les méta-analyses à environ trois points de QI par décennie sur la majeure partie du XXe siècle. Concrètement, un score étalonné sur un échantillon d’il y a quinze ans surestime progressivement les capacités réelles d’une personne testée aujourd’hui, ce qui oblige les éditeurs à renouveler les normes tous les dix à quinze ans sous peine de gonfler artificiellement les résultats.

Des méta-analyses plus récentes montrent que cette hausse n’est ni universelle ni linéaire : elle ralentit, se stabilise, voire s’inverse dans plusieurs pays européens depuis les années 1990, sans que les causes de ce ralentissement fassent consensus. Ce point technique, souvent ignoré du grand public, rappelle qu’un score de QI n’a de sens que rapporté à des normes datées et à une population de référence précise, jamais comme une mesure absolue et intemporelle.

Le psychologue Starke Hathaway et le neuropsychiatre John McKinley publient en 1940 la Multiphasic Personality Schedule à l’université du Minnesota, avant la publication complète du test en 1943. Leur méthode, dite de clé empirique, rompt avec les inventaires de personnalité antérieurs construits sur une théorie a priori du trait à mesurer : les items sont retenus parce qu’ils discriminent statistiquement des groupes de patients ayant reçu un diagnostic psychiatrique donné par rapport à des personnes sans trouble identifié, indépendamment de leur contenu apparent ou de leur plausibilité théorique.

Cette approche, largement athéorique dans son principe, en fait le premier test de personnalité construit sur une sélection statistique des items plutôt que sur une déduction clinique, une méthode qui a durablement marqué la construction des inventaires de personnalité ultérieurs, bien au-delà de la psychopathologie.

Le MMPI intègre, dès sa conception, des échelles de validité distinctes des échelles cliniques : elles ne mesurent pas un trait de personnalité mais l’attitude de la personne face au test, tentative de se présenter sous un jour favorable, exagération de symptômes, réponses incohérentes ou aléatoires. Cette architecture reste, encore aujourd’hui, l’un des dispositifs les mieux validés pour repérer une dissimulation ou une simulation, un enjeu central en expertise médico-légale.

Le MMPI-2, révisé en 1989 avec un échantillon de normes actualisé et plus représentatif, puis le MMPI-2-RF (Restructured Form) en 2008, qui reconstruit les échelles cliniques autour de dimensions restructurées identifiées par analyse factorielle, restent aujourd’hui parmi les instruments les plus recherchés et les plus utilisés en évaluation clinique et légale de la psychopathologie adulte.

La refonte du MMPI-2-RF abandonne les échelles cliniques originales de 1943 au profit d’échelles restructurées, plus pures statistiquement et moins redondantes entre elles, mais qui rompent avec la méthode empirique de clé qui avait fait la force du test d’origine : ces nouvelles échelles ne bénéficient plus directement des soixante-dix ans de recherche accumulée sur les liens entre profils de codes et traits de personnalité établis avec les échelles cliniques classiques.

Une partie de la littérature considère donc le MMPI-2-RF comme un instrument suffisamment distinct pour nécessiter sa propre validation indépendante plutôt qu’une simple révision du MMPI-2, même si une littérature empirique substantielle s’est depuis accumulée en sa faveur. Le débat porte moins sur la qualité statistique du nouvel outil que sur la question de savoir ce qui, dans l’usage clinique quotidien, se perd lorsqu’un instrument aussi ancien change de logique de construction.

Le modèle des cinq grands facteurs, ouverture, conscienciosité, extraversion, agréabilité et neuroticisme (OCEAN), n’a pas de auteur unique : il émerge progressivement à partir des années 1960 de travaux indépendants en psycholexicologie, l’hypothèse que les traits de personnalité les plus importants se sont sédimentés dans le vocabulaire courant des langues naturelles, puis se stabilise statistiquement dans les années 1980 grâce aux analyses factorielles de Lewis Goldberg et d’autres.

Paul Costa et Robert McCrae construisent à partir de cette convergence un inventaire structuré, le NEO Personality Inventory, publié en 1978 puis révisé en 1992 sous le nom de NEO-PI-R, qui ajoute à chacun des cinq facteurs six facettes plus spécifiques, devenant l’instrument de référence pour mesurer ce modèle de façon standardisée.

La structure à cinq facteurs se retrouve, avec des variations mineures, dans des dizaines de cultures et de langues étudiées par traduction du NEO-PI-R et par des analyses lexicales indépendantes menées dans d’autres langues que l’anglais, ce qui en fait l’une des structures de personnalité les mieux répliquées de la discipline. Cette robustesse a conduit une partie du champ à parler d’une structure universelle de la personnalité humaine.

Le modèle a aussi montré une utilité prédictive réelle, en particulier la conscienciosité et le neuroticisme, associés de façon reproductible à des critères externes comme la performance professionnelle, la satisfaction conjugale ou certains indicateurs de santé, ce qui distingue le NEO-PI-R d’instruments de personnalité plus populaires mais empiriquement plus fragiles.

Une étude menée en 2019 sur près de 95 000 personnes interrogées en face à face dans vingt-trois pays à revenu faible ou intermédiaire montre que la structure factorielle à cinq facteurs se reconstitue nettement moins bien dans ces échantillons que dans les populations occidentales, éduquées, industrialisées, riches et démocratiques (WEIRD) sur lesquelles le modèle a d’abord été validé, notamment en raison d’un biais d’acquiescement plus marqué et d’une moindre familiarité avec le format d’auto-évaluation par items abstraits.

Ce résultat ne réfute pas nécessairement l’existence d’une structure universelle de la personnalité, mais il montre que les instruments actuels, construits et validés dans un format culturellement situé, peinent à la capturer fidèlement hors de ce format. Le débat porte donc autant sur la méthode de mesure que sur la théorie elle-même, une distinction que ce dossier a déjà soulignée à propos d’autres instruments.

Le psychiatre suisse Hermann Rorschach publie en 1921 Psychodiagnostik, où il propose dix planches de taches d’encre symétriques et une méthode de cotation des réponses selon leur localisation, leurs déterminants formels et leur contenu, initialement conçue pour aider au diagnostic différentiel en psychiatrie. Rorschach meurt l’année suivante, avant d’avoir pu développer et valider systématiquement sa méthode.

Pendant plusieurs décennies, le test se fragmente en plusieurs systèmes de cotation concurrents et peu comparables entre eux. John Exner unifie ces approches en 1974 dans le Système intégré (Comprehensive System), qui devient la référence dominante jusqu’au développement, en 2011, du Système d’évaluation de la performance au Rorschach (R-PAS), qui cherche à corriger plusieurs des faiblesses statistiques identifiées dans le système d’Exner.

Une synthèse de référence publiée en 2013, regroupant 53 méta-analyses portant sur 65 variables du système d’Exner, trouve une validité moyenne de r = 0,27 lorsque les variables sont comparées à des critères évalués par un observateur externe (diagnostic, évaluation clinique), mais seulement r = 0,08 face à des critères d’auto-évaluation, avec environ 40 des 65 scores montrant un soutien modéré à bon et le reste peu ou pas de soutien empirique. Autrement dit, le Rorschach n’est ni globalement valide ni globalement invalide : sa valeur dépend entièrement de la variable et du critère considérés.

Les indices qui mesurent le mieux ce que Rorschach cherchait initialement, la désorganisation de la pensée et les troubles de la perception de la réalité, comptent parmi les mieux soutenus empiriquement, y compris dans le R-PAS, dont plusieurs variables de perception et de pensée (comme l’indice composite de pensée et perception) montrent une validité au moins comparable, voire supérieure, à celle du système d’Exner pour repérer une désorganisation cognitive de type psychotique.

L’indice de schizophrénie (SCZI) du système d’Exner, censé détecter une pensée psychotique à partir d’un score composite, a été jugé insuffisamment valide et a été remplacé par l’indice de pensée perceptive (PTI), une révision explicitement motivée par des résultats décevants plutôt qu’une simple mise à jour cosmétique. Des critiques indépendantes ont par ailleurs souligné qu’une partie importante des données de validation originales du système d’Exner reposait sur des études non publiées coordonnées par l’auteur lui-même, un problème méthodologique qui a nourri la défiance envers l’ensemble de l’édifice.

Un échange académique direct entre les auteurs de la méta-analyse de 2013 et leurs critiques les plus sévères a confirmé un accord sur un point précis : les scores cognitifs liés à la désorganisation de la pensée disposent d’un soutien empirique suffisant pour un usage clinique ou de recherche prudent, tandis que plusieurs autres indices, notamment ceux censés mesurer des traits de personnalité plus globaux, restent insuffisamment validés pour justifier les usages diagnostiques larges qui en ont parfois été faits.

David Wechsler publie en 1949 la première WISC, adaptation de son échelle pour adultes à la population de 6 à 16 ans, avec des items et des normes développementales propres à l’enfance plutôt qu’une simple version simplifiée du test adulte. L’instrument connaît depuis des révisions régulières (WISC-R en 1974, WISC-III en 1991, WISC-IV en 2003, WISC-V en 2014), chacune resserrant la structure factorielle et actualisant les normes.

La WISC-V introduit un cinquième indice, le raisonnement fluide, distinct du raisonnement perceptif de la version précédente, une évolution censée mieux isoler les capacités de résolution de problèmes nouveaux des capacités de traitement visuospatial pur.

La WISC reste l’instrument le plus utilisé pour objectiver un profil cognitif chez l’enfant, dans le repérage du haut potentiel intellectuel comme dans l’identification de troubles spécifiques des apprentissages, où un profil hétérogène entre indices, plutôt qu’un score global unique, oriente souvent l’hypothèse diagnostique et les recommandations pédagogiques.

Les manuels techniques successifs documentent une fidélité et une validité de critère globalement satisfaisantes pour le score composite et pour les indices principaux, avec des données de standardisation régulièrement renouvelées pour limiter l’effet Flynn déjà documenté pour la WAIS.

Des ré-analyses indépendantes de l’échantillon de standardisation de la WISC-V, menées par confirmatoire factorielle, ont montré que les modèles hiérarchiques à cinq facteurs présentés dans le manuel technique produisaient des erreurs de spécification, notamment une variance négative pour le facteur de raisonnement fluide, et que des modèles bifactoriels, non testés dans le manuel d’origine, s’ajustaient mieux aux données. Les mêmes auteurs notent que le manuel technique n’a pas confronté ses modèles hiérarchiques aux modèles bifactoriels concurrents avant publication.

Cette controverse ne remet pas en cause l’utilité clinique globale de l’instrument, mais elle invite à une prudence particulière sur l’interprétation détaillée de certains indices spécifiques, en particulier le raisonnement fluide, et rappelle qu’un manuel technique publié par l’éditeur d’un test ne constitue pas, à lui seul, une validation indépendante suffisante de sa structure.

Le psychiatre américain Aaron Beck publie en 1961, avec Ward, Mendelson, Mock et Erbaugh, un article fondateur proposant un inventaire de 21 items destiné à quantifier la sévérité des symptômes dépressifs plutôt que de simplement en signaler la présence. L’outil naît directement de l’observation clinique de Beck sur les distorsions cognitives associées à la dépression, une conception qui préfigure sa thérapie cognitive développée dans la décennie suivante.

Le BDI-II, publié en 1996, reformule plusieurs items pour mieux correspondre aux critères diagnostiques du DSM-IV et devient la version de référence utilisée en recherche clinique contemporaine, remplaçant progressivement la version originale.

Une revue de synthèse publiée en 1988, portant sur vingt-cinq ans de recherche accumulée, documente une cohérence interne élevée et une bonne validité concourante avec d’autres mesures cliniques et d’auto-évaluation de la dépression, ce qui explique sa diffusion massive comme instrument de recherche et de suivi de l’évolution des symptômes au cours d’un traitement.

Sa brièveté, sa passation rapide et son coût de correction quasi nul en ont fait l’un des instruments de dépistage les plus utilisés en recherche clinique dans le monde, largement traduit et validé dans de nombreuses langues et populations.

Le BDI mesure une sévérité symptomatique autodéclarée, pas un diagnostic clinique structuré : un score élevé signale une probabilité de dépression clinique justifiant une évaluation plus approfondie, mais ne remplace pas un entretien diagnostique mené par un clinicien formé, notamment parce que l’auto-questionnaire reste sensible à la désirabilité sociale, à la compréhension des items et à des comorbidités qui peuvent gonfler artificiellement le score sans dépression caractérisée.

Cette distinction, régulièrement rappelée dans la littérature méthodologique, est trop souvent oubliée dans des usages non cliniques où le BDI ou ses dérivés servent à poser, à tort, un diagnostic autosuffisant, un mésusage que son propre auteur n’a jamais recommandé.