génération-d'hypothèses

Génération d'Hypothèses Scientifiques

Transformez une observation en un ensemble transparent d'explications candidates et de tests. Une hypothèse est une proposition à remettre en question, pas un résultat, un fait, un diagnostic ou une recommandation.

Limites non négociables

Avant d'utiliser du matériel non publié, sensible, contrôlé, personnel, propriétaire, soumis au contrôle des exportations ou lié à la sécurité :

1. Confirmer l'autorisation et les politiques institutionnelles, de financement, d'édition, d'utilisation des données, de confidentialité et d'IA applicables.
2. Conserver le matériel localement, sauf si un humain autorisé approuve explicitement une destination externe nommée et un périmètre de données.
3. Minimiser les entrées. Ne pas placer de données sensibles ou non publiées dans des recherches web ou des systèmes d'IA externes sans autorisation.
4. S'arrêter au point de contrôle approprié pour les humains, animaux, la biosécurité, le double usage, la gouvernance des données ou la réglementation.

Ne jamais :

• présenter une hypothèse, un mécanisme, un effet causal, une citation ou un schéma apparent comme une preuve établie ;
• revendiquer la nouveauté parce qu'une recherche rapide n'a rien trouvé ;
• inférer la causalité à partir d'une association, d'un ordre temporel seul, d'une précision prédictive ou d'une sortie de modèle ;
• fournir un diagnostic, un traitement, une dose, un pronostic ou tout autre avis clinique spécifique à un patient ;
• fournir des détails expérimentaux nuisibles d'optimisation ou opérationnels pour les agents pathogènes, toxines, armes, évasions ou autres mauvais usages ;
• contourner les comités d'éthique (IRB/REC, IACUC, IBC), la biosécurité, le double usage, la confidentialité, les examens juridiques ou réglementaires ;
• fabriquer des sources, des identifiants, la couverture de recherche, des données, des résultats, des approbations ou des pré-enregistrements ;
• noter, classer, sélectionner, accepter ou rejeter automatiquement des hypothèses scientifiques.

Si une demande franchit un point de contrôle de sécurité, produisez uniquement une note de haut niveau sur les risques/la supervision et orientez-la vers l'autorité locale qualifiée. Ne continuez pas avec des détails opérationnels.

Garder les objets distincts

Objet	Signification
Observation	Ce qui a été mesuré, remarqué ou rapporté, avec provenance et incertitude
Question de recherche	La question pouvant recevoir une réponse qui définit le champ d'application
Hypothèse	Une proposition explicative ou relationnelle candidate
Mécanisme	Le processus proposé reliant les conditions à un résultat
Estimande causal	Le contraste causal précisément défini à estimer
Prédiction	Une implication observable dérivée avant de vérifier le résultat cible
Explication alternative	Une explication rivale, incluant les biais ou les explications non causales
Hypothèse nulle	Un modèle d'absence d'effet/de différence spécifié utilisé par une analyse
Contrôle négatif	Un contrôle dont on s'attend à ce qu'il ne fonctionne pas via le mécanisme proposé
Opérationnalisation	Comment un construit devient une variable, une mesure, une intervention ou une catégorie
Plan d'analyse	Transformations, modèles, contrastes, incertitude et règles de décision pré-spécifiés
Preuve	Observations ou sources qui appuient une affirmation ; jamais l'affirmation elle-même

Ne pas confondre ces étiquettes. Une histoire mécaniste n'est pas une prédiction ; une prédiction n'est pas une preuve ; le rejet d'une hypothèse nulle ne prouve pas un mécanisme ; le soutien à un candidat n'élimine pas les rivaux non considérés.

Flux de travail

1. Exécuter le point de contrôle de champ et de sécurité

Enregistrer :

• propriétaire humain responsable et utilisation prévue ;
• sensibilité des données, autorisation, conservation et traitement autorisé ;
• personnes, animaux, écosystèmes, communautés ou intérêts de sécurité affectés ;
• examens requis en matière d'éthique, de faisabilité, de biosécurité, de double usage et de réglementation ;
• blocages non résolus et expertise de domaine nécessaire.

Aucune approbation de script n'est une approbation éthique, de sécurité, réglementaire ou scientifique.

2. Geler l'observation

Rédiger l'observation avant l'interprétation :

• mesure ou source ;
• population, système, lieu et temps ;
• unité d'observation et unité d'analyse ;
• incertitude, données manquantes, exclusions et prétraitement ;
• si le schéma était attendu, exploratoire ou sélectionné après l'affichage des résultats.

Utiliser « rapporté », « observé » ou « associé », pas un langage causal, sauf si un plan causal et un estimande le justifient.

3. Cadrer la question de recherche

Choisir un cadre uniquement lorsqu'il convient :

• PICO/PICOT pour les questions d'intervention/efficacité : population, intervention, comparateur, résultat, et optionnellement le temps.
• PECO pour les questions d'exposition.
• Population–test index–référence standard–condition cible pour la précision diagnostique.
• Population–facteur pronostique–résultat–temps pour le pronostic.
• Un cadre construit–contexte–résultat spécifique au domaine pour un travail qualitatif, descriptif, mécaniste ou théorique.

PICO n'est pas un modèle universel. Définir les parties prenantes, le contexte, les limites, la faisabilité et quelle réponse changerait les connaissances ou la pratique. FINER est un mnémonique d'affinement de question — Faisable, Intéressant, Nouveau, Éthique, Pertinent — pas un système de notation. Traiter « Nouveau » comme non résolu jusqu'à ce qu'une recherche documentée et adaptée à l'objectif et un examen d'expert le soutiennent.

4. Établir une limite de preuve datée

Rechercher avant de faire des déclarations dépendantes de la littérature. Privilégier la recherche primaire, les politiques officielles, les articles de méthodes primaires, les directives de signalement actuelles et les revues systématiques utilisées pour l'orientation.

Enregistrer :

• date de recherche et date limite ;
• bases de données/index, requêtes, filtres et limite de filtrage ;
• types de sources inclus et exclus ;
• sources soutenant, contestant ou contextualisant chaque affirmation ;
• limitations connues d'accès, de langue, de base de données et de temps.

Une recherche peut établir ce qui a été recherché, pas une absence universelle. Dire « non localisé dans les limites de recherche documentées », jamais « aucun travail antérieur n'existe ». Utiliser assets/search_boundary_template.json, assets/evidence_ledger_template.csv, et references/literature_search_strategies.md.

5. Générer des rivaux avant de choisir des tests

Créer plusieurs candidats à partir de classes explicatives vraiment différentes lorsque c'est plausible :

• mécanisme proposé ;
• artefact de mesure ou de traitement ;
• facteur de confusion ou cause commune ;
• sélection ou attrition ;
• conditionnement sur un collider ;
• causalité inverse ;
• différences temporelles, contextuelles ou de condition limite ;
• variation stochastique ;
• mécanismes concurrents à une autre échelle.

Générer un ensemble initial de rivaux indépendamment avant une expansion assistée par IA pour réduire l'ancrage et l'homogénéisation. Ne pas forcer un nombre fixe ou une symétrie factice. Conserver chaque candidat étiqueté candidat.

Le modèle d'inférence forte de Platt motive les hypothèses alternatives et les tests cruciaux, mais les alternatives échouées ne rendent pas le survivant vrai. Les alternatives inconnues, les hypothèses auxiliaires, l'erreur de mesure et les mécanismes mixtes restent possibles.

6. Déclarer le type d'affirmation et l'estimande

Classifier chaque cible comme :

• descriptive ;
• associative ;
• prédictive ;
• causale ;
• mécaniste.

Pour une cible causale, définir avant l'analyse :

• population ou système cible ;
• intervention/exposition et comparateur ;
• résultat et horizon temporel ;
• résumé au niveau de la population ;
• versions du traitement et gestion des événements intercurrents le cas échéant ;
• hypothèses d'identification et analogue de l'essai cible/plan.

Documenter séparément les risques de confusion, de sélection, de collider, de mesure et de causalité inverse. Une estimation causale observationnelle reste dépendante des hypothèses. Utiliser references/causal_inference_and_claims.md.

7. Dériver des prédictions discriminantes

Pour chaque candidat :

1. Énoncer les conditions et les conditions limites.
2. Nommer l'observable et la mesure.
3. Énoncer le schéma attendu et l'incertitude.
4. Énoncer un résultat incompatible avec le candidat sous les hypothèses déclarées.
5. Contraster le résultat attendu avec au moins un rival.
6. Définir les résultats indéterminés et ce qui serait appris d'eux.

Privilégier les tests où les rivaux prédisent des résultats significativement différents. Ajouter des contrôles positifs, de procédure et négatifs lorsque cela est scientifiquement approprié. Un contrôle négatif doit être incapable de fonctionner via le mécanisme cible tout en partageant les voies de biais pertinentes ; ce n'est pas un groupe non traité décoratif.

Utiliser assets/prediction_rival_matrix_template.csv et assets/falsification_controls_template.json.

8. Opérationnaliser et valider la mesure

Pour chaque construit, enregistrer :

• rôle de la variable et définition opérationnelle ;
• population/système, unité, moment et conditions ;
• instrument/méthode, étalonnage, contrôle qualité et mise en aveugle ;
• fiabilité/reproductibilité ;
• preuves de validité et applicabilité ;
• données manquantes, limites de détection, transformations, points de coupure et leurs justifications ;
• invariance de la mesure ou comparabilité inter-groupes le cas échéant ;
• biais et limitations de mesure prévisibles.

Ne pas traiter un proxy pratique comme le construit lui-même. Valider avec :

python3 scripts/check_operationalization.py local-operationalization.json

9. Adapter le plan et l'analyse à l'affirmation

Spécifier :

• échantillonnage, unité expérimentale, répartition, randomisation, mise en aveugle et contrôles ;
• règles d'inclusion/exclusion et d'arrêt ;
• justification de la taille de l'échantillon, de la précision ou de l'information basée sur les hypothèses déclarées ;
• résultats, contrastes, estimandes, modèles, mesures d'effet et incertitude ;
• gestion des données manquantes et des événements intercurrents ;
• multiplicité entre les résultats, les modèles, les sous-groupes, les analyses intermédiaires et les hypothèses ;
• hypothèses, diagnostics, robustesse et analyses de sensibilité ;
• plan de réplication ou de validation indépendante ;
• ce qui est confirmatoire versus exploratoire.

Ne pas utiliser de minima universels de taille d'échantillon. Ne pas interpréter une valeur p seuillée comme la probabilité qu'une hypothèse soit vraie ou comme l'importance de l'effet. Voir references/experimental_design_patterns.md.

Pour les essais d'intervention, utiliser les directives actuelles du protocole SPIRIT 2025 et les directives de rapport CONSORT 2025 le cas échéant. Elles améliorent l'exhaustivité ; elles ne certifient pas la qualité de la conception, l'éthique ou la conformité réglementaire.

10. Prévenir le HARKing et exposer les écarts

Avant d'accéder aux résultats cibles, horodater la question, les candidats, les prédictions, les résultats, les exclusions, les transformations, l'analyse, la multiplicité, le plan de données manquantes et la règle d'arrêt lorsque cela est possible.

Après :

• étiqueter les idées et analyses dépendantes des données comme exploratoires ;
• conserver et rapporter les analyses planifiées ;
• lister les écarts avec la date, la justification, la personne qui a décidé et l'impact attendu ;
• ne jamais réécrire un schéma observé comme une prédiction a priori.

Le pré-enregistrement est un plan transparent, pas une interdiction d'adaptation. Les Registered Reports ajoutent une évaluation par les pairs en aveugle des résultats et une acceptation de principe selon la politique de la revue. Voir references/preregistration_and_open_science.md.

11. Planifier la réplication et la mise à jour

Distinguer :

• reproductibilité : résultats computationnels cohérents à partir des mêmes données/code/conditions ;
• réplicabilité : cohérence entre des études collectant de nouvelles données pour la même question.

Préserver la provenance, les versions, le code, les matériaux et les journaux de décision lorsque le partage est autorisé. Planifier une réplication indépendante ou des tests de transport à travers les limites pertinentes. Mettre à jour le statut du candidat lorsque des preuves contraires, nulles ou de réplication arrivent ; ne pas cacher les résultats négatifs.

12. Appliquer la responsabilité humaine

L'humain responsable doit vérifier :

• chaque citation et lien source-affirmation ;
• la plausibilité du domaine et la validité de la mesure ;
• les hypothèses causales et la conception statistique ;
• l'état éthique, de faisabilité, de sécurité, de confidentialité et réglementaire ;
• tout texte, idée et citation assistés par IA ;
• si une expertise plus large ou un apport de la communauté est nécessaire.

L'IA peut confabuler des citations, ancrer le raisonnement et homogénéiser les ensembles de candidats. Enregistrer l'utilisation autorisée de l'IA et l'influence matérielle. Maintenir une idéation humaine indépendante et une génération de rivaux dans le processus.

Index des outils locaux

Tous les CLI sont bornés, sans dépendance, locaux, déterministes et non notants :

Tâche	Ressource	Commande
Schéma d'enregistrement d'hypothèse	assets/hypothesis_record_template.json	python3 scripts/validate_hypothesis_schema.py record.json
Liste de contrôle de mesure	assets/operationalization_template.json	python3 scripts/check_operationalization.py checklist.json
Matrice prédiction/rival	assets/prediction_rival_matrix_template.csv	python3 scripts/validate_prediction_matrix.py matrix.csv
Vérification du langage d'affirmation	Markdown annoté	python3 scripts/lint_causal_claims.py draft.md
Falsification/contrôles	assets/falsification_controls_template.json	python3 scripts/check_falsification_controls.py controls.json
Audit de preuve/source	assets/evidence_ledger_template.csv + assets/search_boundary_template.json	python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json
Échafaudage de pré-enregistrement	assets/preregistration_scaffold_template.md	python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md

Les codes de sortie sont 0 pour une sortie structurellement valide, 1 pour une validation terminée avec erreurs, et 2 pour une entrée mal formée/non sûre. Les rapports valident uniquement les déclarations et la cohérence interne ; ils ne vérifient pas la vérité scientifique ni ne choisissent une hypothèse. Les schémas complets sont dans references/tool_reference.md.

Références

• references/concepts_and_workflow.md — modèle d'objet, inférence forte, incertitude et cycle de vie des candidats
• references/hypothesis_quality_criteria.md — critères d'examen humain non notants
• references/literature_search_strategies.md — recherche documentaire traçable et bornée
• references/causal_inference_and_claims.md — estimandes et risques de biais causal
• references/experimental_design_patterns.md — conception, contrôles, mesure, multiplicité et réplication
• references/preregistration_and_open_science.md — pré-enregistrement, Registered Reports, écarts et science ouverte
• references/ethics_safety_and_ai.md — points de contrôle de surveillance, double usage, traitement des données et IA responsable
• references/tool_reference.md — schémas CLI, limites et exemples
• references/source_ledger.md — notes de sources faisant autorité et datées
• references/security_validation.md — résultats de base et dossier de validation

Le registre source groupé est assets/source_ledger.csv, vérifié jusqu'au 2026-07-23. Revérifier les politiques et directives sensibles au temps avant une date ultérieure.