I.
Connaissances de base en statistiques et en erreurs
Pourquoi étudier les erreurs : enseignements essentiels pour une société des données
L'illusion des statistiques : la dualité de la croyance et de la méfiance envers les chiffres
Les quatre sophismes : biais, erreur, méprise et interprétation
La pensée statistique : trouver de l’ordre dans l’incertitude
Le monde probabiliste : les compétences humaines face à l’incertitude
Le pouvoir des chiffres : pourquoi les données semblent être la vérité
La psychologie de l'illusion : les pièges dans lesquels tombent chercheurs et lecteurs
Statistiques et société : le pouvoir qui anime la science, les médias et les politiques publiques
Les répercussions de l'erreur : les coûts sociaux de la mauvaise interprétation
Une attitude sceptique : faire confiance aux statistiques tout en restant prudent.

II.
Les multiples facettes des préjugés et de la distorsion
Biais d'échantillonnage - Le risque de résultats non représentatifs
Biais de mesure - distorsions dues aux questions et aux instruments
Biais du chercheur : une illusion créée par les attentes de l’observateur
Biais de publication : la structure de la science où seuls les résultats positifs survivent
Biais de désirabilité sociale - fausses réponses créées par le visage
Biais d'auto-sélection - distorsions créées par ceux qui participent volontairement.
Biais de conception des questionnaires : les pièges que la structure des questions crée dans les réponses
Biais de fatigue des répondants - l'erreur causée par des enquêtes répétées.
Biais de collecte de données : l’illusion de l’omission et du déséquilibre
Biais liés au Big Data : les biais invisibles dans les données massives
Biais algorithmiques : les inégalités sociales reproduites par l’IA
Biais politiques – Erreurs d’appréciation dues à la sélection intentionnelle d’indicateurs

III.
Erreur statistique et erreur humaine
Erreur d'échantillonnage - grande incertitude due à un petit échantillon
Erreurs non liées à l'échantillonnage - erreurs découlant de la conception et de la mise en œuvre
Erreur de type I – l’illusion d’attribuer un effet inexistant
Erreur de type II - Manque de prise en compte de l'effet réel
Erreur de mesure - écarts révélés par des mesures répétées
Erreurs de spécification de modèles : des études tombant dans le piège de la sélection des variables
Violation des hypothèses – rupture de la normalité, de l’homoscédasticité et de l’indépendance
Erreurs de traitement des données - erreurs survenant lors de la saisie et du nettoyage.
Erreurs de codage - Pièges courants en Python et R
Erreur de procédure d'analyse - Les valeurs manquantes et les comparaisons multiples n'ont pas pu être gérées.

IV.
Erreurs d'interprétation et erreurs numériques
Confusion entre corrélation et causalité : la troisième variable et les pièges de l’inférence causale
Signification statistique et pratique - Comprendre la taille de l'effet au-delà des valeurs p
Généralisation excessive – l’erreur qui consiste à étendre des résultats partiels à l’ensemble.
L'exploration de données consiste à ne sélectionner que les résultats favorables parmi de nombreuses analyses.
Le p-hacking : la tentation du chercheur de forcer la signification
L'illusion de causalité : interpréter la cause et l'effet à rebours.
Erreurs d'interprétation graphique - Les illusions de la visualisation
Le piège de la moyenne : la distorsion des chiffres due aux valeurs extrêmes
Ignorer la médiane et la distribution est une illusion d'optique qui ne met en évidence que la moyenne.
Ignorer les interactions – réduire les relations multidimensionnelles à un seul effet.
Surestimation des petits effets – l’illusion de la signification statistique
Sous-estimer les effets importants - l'erreur consistant à ignorer l'influence réelle

V.
Erreurs réelles et défis futurs
Erreurs de reportage des médias : chiffres exagérés et interprétations erronées
Erreurs d'évaluation des politiques : les pièges des indicateurs d'éducation et de santé
Erreurs de marketing d'entreprise : Moyennes et rapports sélectifs en publicité
Stratégies de prévention des erreurs - Procédures à suivre par les chercheurs (liste de vérification)
Reproductibilité et éthique de la recherche : les clés d’une science des données intègre
La pensée statistique à l'ère de l'IA : au-delà des biais algorithmiques

VI.
Les personnes derrière les chiffres (Cas hypothétique 1)
Le fossé émotionnel : le bonheur peut-il se définir par des chiffres ?
La psychologie du risque : pourquoi la peur est plus puissante que la probabilité
L'angle mort des statistiques : les histoires individuelles occultées par les moyennes
Intuition et données – Des choix éclairés par le ressenti
Le poids de la confiance : peut-on faire davantage confiance aux personnes qu'aux données ?
Statistiques et morale - Des chiffres justes, des jugements erronés
La vérité atypique : les exceptions que les statistiques ne peuvent pas déchiffrer
L'homme derrière les chiffres - Le courage d'embrasser l'incertitude
Le langage des graphiques – Quand la visualisation devient manipulatrice
Justice des données – Une nouvelle norme d’équité et de transparence

VII.
La philosophie de l'incertitude (Cas hypothétique 2)
Les limites de la probabilité : pourquoi le monde est imprévisible
L'imagination statistique : voir au-delà des données
Le pouvoir du récit : le langage humain donne un sens aux nombres
Les frontières du monde universitaire : là où se rencontrent statistiques, philosophie et art
L'esthétique du doute - La liberté dans l'incertitude
Entre croyance et illusion : l'ultime question posée par les statistiques