[Version anglaise accessible ici : « What Can We Do in Face of the Reproducibility Crisis? »]
Les sciences traversent une crise de la reproductibilité. Ce problème a des causes nombreuses et multifactorielles. Parmi elles, des erreurs de bonne foi et des fraudes, souvent provoquées par un contexte de travail sous pression, mais aussi par le manque de disponibilité/transparence des méthodes, des codes, et des données brutes qui devraient faciliter la reproduction des études. Ce libre accès aux résultats de la recherche est pourtant un pilier de l’Ethos scientifique selon le sociologue des sciences Robert Merton, qui parle de « communalisme ». Le déficit d’informations en accès libre entrave l’examen critique des travaux de recherche par nos pairs. Avec une capacité d’autocorrection amoindrie, des erreurs peuvent persister dans la littérature avant d’être corrigées, ce qui érode à la fois le progrès et la confiance dans la science.
Alors, que peut-on faire pour améliorer la situation ? Voici deux catégories de propositions non exhaustives.
Piste n°1 : créer des occasions pour reproduire des articles publiés et reconnaître l’effort de cette démarche
Plusieurs initiatives, à différentes échelles, organisent des efforts de réplication structurés. À ce jour, environ 3000 essais sont répertoriés dans le FORRT Library of Replication Attempts (FLoRA) ! Je vous en donne quelques exemples.
Un des plus célèbres est le Reproducibility Project : Cancer Biology, qui a tenté de répliquer 50 expériences issues de 23 articles à fort impact en biologie du cancer. Bilan après 8 ans d’efforts : un taux de réussite de seulement 46%.
Plus récemment, en février 2026 en France, Raphaël Lévy (Université Sorbonne Paris Nord) et son équipe ont publié les premiers résultats de leur projet NanoBubbles Replication Initiative. Celui-ci tente de reproduire les résultats d’études influentes (agissant comme des bulles d’information) dans la nanobiologie. Spoiler : le premier essai a été abandonné en cours de route, les résultats des réplications différant fortement des originaux. Mais l’équipe continue avec d’autres articles !
À une échelle plus large, l’université de Berne a mené une expérience nommée « ERЯOR », qui consistait à payer des scientifiques pour trouver des erreurs dans des publications. L’expérience semble moins concluante que celle qui consiste à payer des reviewers, et a récemment été abandonnée pour être remplacée par un journal qui publie des articles traitant de la réévaluation / réplication de travaux antérieurs. Avec un journal au lieu de primes, le projet espère mieux valoriser ce travail laborieux dans les carrières des chercheurs et chercheuses.
Dernier exemple, un hackathon de l’International Conference on Machine Learning en août 2026 a lancé le défi de reproduire les résultats du plus grand nombre d’articles possibles. Un agent de cybersécurité (et non un scientifique) a gagné, reproduisant les résultats de 363 papiers scientifiques en 19 jours avec l’aide de ses agents IA. Un tel succès n’a été possible que parce que ces travaux s’appuient sur des données et des méthodes bien documentées et disponibles. Cette réussite soulève d’ailleurs une question intéressante : au lieu d’optimiser l’IA pour faire le peer review (pratique qui reste controversée), serait-il bientôt aisé de l’utiliser pour tester la reproductibilité des analyses computationnelles avant leur publication ?
Piste n°2 : adopter de bonnes pratiques pour rendre nos analyses reproductibles
La réplicabilité à l’échelle de ce hackathon reste aujourd’hui l’apanage des domaines purement computationnels. Pourtant, de nombreuses autres disciplines scientifiques recourent désormais massivement à l’analyse computationnelle, qui mérite le même niveau de transparence et de reproductibilité. Justement, un article récent apporte de bons conseils à toute scientifique. Il reconnaît que rendre un pipeline d’analyse reproductible est chronophage, et que, pour des raisons éthiques, il n’est pas toujours possible de partager les données en libre accès. Cependant, les auteurs et autrices défendent l’intérêt de rendre son travail aussi transparent que possible : cela augmente la probabilité qu’il soit repris et appliqué ailleurs, augmentant ainsi sa visibilité et ses citations. Et même de petits efforts peuvent faire la différence.
L’article inclut une « checklist » dont voici les points les plus importants et/ou originaux :
- Écrivez des fichiers README organisés et explicites, incluant les détails de chaque environnement (en commençant par celui de l’ordinateur) et la version précise de chaque outil / package utilisé.
- Organisez et nommez vos codes, fichiers, et chemins de façon logique et facile à suivre.
- Écrivez des codes distincts pour reproduire chaque analyse et figure en faisant référence à la numérotation du manuscrit.
- Fixez et spécifiez dans les codes les graines aléatoires (random seeds) utilisées pour répliquer les calculs impliquant un élément aléatoire.
- Si partager les vraies données n’est pas possible, fournissez des données artificielles pour permettre de tester et valider le code (et expliquez pourquoi les vraies données ne peuvent pas être en libre accès).
Bien entendu, suivre tous ces conseils représente un travail supplémentaire considérable, en particulier la création (et l’évaluation avant partage) de données artificielles. Pourtant, travaillant dans le domaine de la génétique humaine, l’utilisation des données artificielles pour faciliter l’évaluation du code me semble être l’une des meilleures solutions pour valider l’analyse des données sensibles.
À court terme, la meilleure solution est peut-être de changer notre façon de travailler, en structurant nos travaux pour qu’ils soient le plus reproductibles possible dès le début. Cela facilitera la soumission des articles adhérant à ces pratiques, et nous gagnerons aussi du temps, car il sera beaucoup plus facile de reproduire, d’adapter et de réutiliser nos propres analyses !
Caitlin Martin, postdoctorante à l’Institut Pasteur
Références :
- Haven TL, Ioannidis JPA. Reproducibility Failure in Biomedical Research: Problems and Solutions. Annu Rev Med. 2026;77:537‑49. doi:10.1146/annurev-med-050124-050859
- Errington TM, Mathur M, Soderberg CK, Denis A, Perfito N, Iorns E, et al. Investigating the replicability of preclinical cancer biology. Pasqualini R, Franco E, éditeurs. eLife. 7 déc 2021;10:e71601. doi:10.7554/eLife.71601
- Said M, Gharib M, Lévy R. Towards More Robust Nanobioscience: Launching the NanoBubbles Replication Initiative. Angew Chem Int Ed. 2026;65(12):e11631. doi:10.1002/anie.202511631
- Hornung R, Németh L, Zadorozhnyi O, Ullmann T, Kammer M, Killick R, et al. Overcoming barriers to computational reproducibility. R Soc Open Sci. 1 juin 2026;13(6):252489. doi:10.1098/rsos.252489
