Eltjo Haselhoff, PhD, physicien hollandais affilié au "Dutch Centre for Crop Circle Studies" a écrit une étude publiée dans la revue professionnelle de biologie, "Physiologia Plantarum" en janvier 2001. Il a repris des mesures effectuées par l'équipe du Dr Levengood et Nancy Talbot, sur la dilatation des noeuds des tiges et il a formulé un modèle mathématique d'où il ressort que les effets sur les plantes peuvent être provoqués par une source de radiation électromagnétique située à faible hauteur au-dessus du cercle. Après les contestations qui ont suivies, il a répondu en une série d'article, dont voici le premier.
Note importante: Je publie cet article, cela ne signifie pas que je sois d'accord avec les idées qui s'y trouvent. Lisez aussi mon article ici.
Cet article peut être copié et distribué librement, mais uniquement s'il n'est pas modifié. Un lien vers www.dcccs.org serait apprécié.
"Les céréalogistes qui prétendent que quelques cercles sont authentiques n'utilisent jamais le test en double aveugle pour éliminer les biais de leurs expériences. Quand ils examinent les plantes pour y trouver des anomalies, ils savent toujours à l'avance que les plantes proviennent des cercles," dit Joe Nickell, senior research fellow au Committee for the Scientific Investigation of Claims of the Paranormal [CSICOP].
Et il n'est pas le seul. "L'absence de test en double aveugle" est une attaque souvent entendue contre la recherche sur les crop circles. Cependant, bien que cela sonne probablement très bien pour les profanes, cette remarque démontre seulement le manque de la connaissance effective du sujet de la recherche sur les crop circles. Ou même une ignorance profonde. Voici pourquoi.
Tout d'abord, il convient noter que la plupart des tests sur les crop circles ont été réalisés en test simple ou test en double aveugle! Les affirmations que les chercheurs concernés par les crop circles "refusent" d'exécuter des tests en double aveugle sont simplement des inventions.
"Un test en double aveugle est un test avec un groupe de contrôle où ni l'expert ni le sujet ne sait quels articles sont les vrais articles et lesquels sont des articles de contrôle. Le but du test en double aveugle est de réduire l'erreur, l'aveuglement et le manque d'objectivité."
Voici un exemple. Supposez qu'une compagnie pharmaceutique développe un nouveau médicament contre le mal de tête. Afin d'examiner son efficacité, des gens ayant mal à la tête (les sujets) reçoivent le médicament, après quoi un expert demande à ces personnes s'ils se sentent mieux. L'exécution d'une telle expérience de cette façon présente quelques risques.
En premier lieu, si les gens se rendent compte qu'ils viennent juste de prendre un nouveau médicament développé contre le mal de tête, il est bien possible qu'ils se sentiront mieux par le seul fait qu'ils savent qu'ils ont pris le médicament. C'est un facteur psychologique, mais très réel, qui peut sérieusement entacher les résultats du test. C'est bien mieux si les sujets ne savent pas s'ils ont pris le médicament ou pas. Plutôt que de choisir des personnes avec une mémoire très courte pour cette sorte de test, une approche plus efficace est l'utilisation des placebos ou médicaments de contrôles. Les placebos, dans ce cas-ci, pourraient être des pilules qui semblent identiques aux pilules contenant le médicament. Cependant, les placebos ne contiennent rien d'autre que du calcium, ou tout autre chose ce qui n'affecte pas la physiologie du corps humain. Tous les sujets prennent une pilule, cependant, aucun d'eux ne sait si leur pilule est vraie, ou un "canular" (c'est une mauvaise façon de l'exprimer, mais c'est ce que j'avais en tête. Vous savez ce que je veux dire!). Avec cette approche, quand on demande aux sujets si leur mal de tête est diminué, leur réponse ne peut plus être biaisée.
Cependant, il peut encore y avoir un problème. Supposez qu'on demande à un des sujets si le mal de tête a diminué, et il ou elle répond "euh, je crois..." Si l'expert sait déjà à ce moment que le sujet a pris un placebo (par conséquent, pas le vrai médicament), il peut être tenté (même sans s'en rendre compte) d'interpréter cette réponse comme "pas vraiment, en fait!" De même, si l'expert sait que la personne a pris le vrai médicament, il peut l'interpréter plutôt comme "oui, cela va mieux." Si l'expert était impliqué dans le développement de la molécule (ce qui est souvent le cas), il a probablement aussi des espoirs que son médicament fonctionne, de sorte que se crée un autre biais dans les résultats. "Euh je crois...?" Cela signifie: "OUI!" je l'ai toujours su! Cela fonctionne!"
Afin d'empêcher cette deuxième source de polarisation, il vaut mieux que l'expert également ne sache pas si les sujets ont pris un placebo ou le vrai médicament. Ceci s'appelle un test en double aveugle. Naturellement, il y a beaucoup de variantes de tests en double aveugle, mais le principe est toujours identique.
Non. Ces tests sont en général nécessaires quand vous devez déterminer de petites différences dans des groupes de données. Ceci veut dire que des différences qui sont si petites que quand vous les mesurez, même un petit changement d'interprétation peut être crucial pour les résultats. Si vous ne pouvez pas expliquer comment l'utilisation (ou l'absence d'utilisation) d'un test en double aveugle pourrait affecter vos résultats, vous pouvez exécuter probablement votre expérience d'une façon plus franche. Évidemment, vous ne devriez pas employer des protocoles obscurs si vous ne comprenez pas pourquoi! Par exemple, si vous voyez immédiatement qu'il y a une différence d'un facteur de deux entre la quantité à mesurer dans deux groupes de données, un test en double aveugle ne servira pas à grand-chose. Deuxièmement, les tests en double aveugles sont typiquement employés dans les examens statistiques pour étudier si un effet existe réellement ou pas. Cependant, si l'effet est si fort que vous puissiez réellement le mesurer quantitativement (c.-à-d., vous pouvez identifier un certain comportement organisé dans les données), tout l'argument au sujet des tests en double aveugle devient plus ou moins sans objet.
Un exemple: le graphique ci-dessous montre le poids de cerveau d'une collection de mammifères par rapport à leur poids corporel. (les données originales peuvent être trouvées ici.)
De ce graphique, vous pouvez conclure immédiatement qu'il y a là une corrélation claire, un rapport plus ou moins linéaire entre les deux quantités mesurées. Aucun test en double aveugle n'a été exécuté, ni n'a été nécessaire. Les données parlent d'elles-mêmes.
Voici un autre exemple. Supposer que vous effectuez des mesures de longueur de noeud sur une collection d'échantillons de tige. Si vous trouvez seulement une différence très petite dans la longueur moyenne des noeuds entre les collections de tiges, vous pouvez devoir exécuter un test en double aveugle. Cependant, quand les tests des crop circles montrent des différences dans des données mesurées, l'effet n'est habituellement pas petit. Ceci peut être vu dans le graphique ci-dessous. Les différentes barres jaunes indiquent la longueur moyenne des noeuds de croissance à divers endroits à l'intérieur d'un crop circle.
Comme vous pouvez voir, les noeuds les plus courts étaient d'environ 2 millimètres, tandis que les plus grands étaient de 4,3 millimètres de long. C'est plus de deux fois plus. C'est un résultat typique. Quand vous mesurez de telles énormes différences, et que vous identifiez une corrélation si claire dans vos données, il n'y a aucun intérêt additionnel à effectuer des mesures sans visibilité. Ceux qui affirment que c'est nécessaire (comme Joe Nickell), disent dans le fond que vous devez porter un bandeau avant que vous puissiez déterminer à coup sûr qu'il y a une différence de taille entre un chien et un cheval!
Quand vous travaillez avec les systèmes expérimentaux avec peu de variabilité dans les données et peu d'erreur expérimentale, et que vous trouvez de grandes différences entre différentes mesures (comme dans le cas de beaucoup des expériences sur les crop circles), les données parlent d'elles-mêmes, et "vous ne devez pas vous interrompre," comme ils disent. Toute la recherche sur les crop circles qui a été publiée dans la littérature scientifique (les papiers de Levengood et les miens) ont rempli ces conditions. Des tests en aveugle (quoiqu'ils ont été employés!) n'ont aucune valeur supplémentaire dans ces cas, et tout ceux qui prétendent le contraire ont simplement tort.
Les mesures en aveugle sont seulement nécessaires quand vous devez déterminer de petites différences.
Eltjo H. Haselhoff.
Plus d'informations sur les questions abordées ici peuvent être trouvées dans le livre:
The Deepening Complexity of Crop Circles. (La Complexité Croissante des Crop Circles)
