« Recueil de données qualitatives » : différence entre les versions

De EduTech Wiki
Aller à la navigation Aller à la recherche
(Page créée avec « {{tutoriel |fait_partie_du_cours=Manuel de recherche en technologie éducative |est_module_de=Recueil de données qualitatives |module_précédant=Recueil de données quan... »)
 
mAucun résumé des modifications
Ligne 10 : Ligne 10 :
|difficulté=débutant
|difficulté=débutant
}}
}}


== Introduction ==
== Introduction ==
= <span id="_Ref227254534" class="anchor"><span id="_Toc227902712" class="anchor"></span></span>Méthodes d'acquisition de données qualitatives =
{|
!<span id="_Ref227602725" class="anchor"></span>Dans ce chapitre, nous présenterons les méthodes et les techniques de recueil de données qualitatives. Nous traiterons tout d'abord les stratégies d'échantillonnage, car la recherche qualitative débute souvent avec des questions ouvertes. Nous fournirons ensuite une vue d'ensemble de différentes techniques de recueil de données ainsi que quelques détails sur les entretiens.
|}
<span id="Qualitative_data_acquisition_methods" class="anchor"></span>'''''Objectifs d'apprentissage'''''
* Etre capable de concevoir une stratégie d'échantillonnage pour un problème de recherche qualitative simple
* Etre capable de faire la distinction entre les principales stratégies de recueil de données
* Connaître les caractéristiques clés des entretiens semi-structurés
== <span id="Sampling_strategies_in_qualitative_resea" class="anchor"><span id="_Toc227902713" class="anchor"></span></span>Stratégies d'échantillonnage en recherche qualitative ==
En technologie éducative (ainsi que dans la plupart des autres sciences sociales), on travaille avec toute une variété de données qualitatives. Puisque la recherche qualitative se focalise le plus souvent sur des données &quot;riches&quot;, l'échantillonnage est plus difficile que dans le cadre de la recherche quantitative, et c'est cette question que nous traiterons en premier.
Souvent, on ne travaille qu'avec 1 ou 2 grand cas (i.e. classes, organisations). La raison à cela est que l'analyse qualitative demande une très grande quantité de travail. Cependant, au sein de chaque grand cas, vous devez également réfléchir à l'échantillonnage! Par exemple, lorsqu'il observe des organisations, un chercheur en innovation peut interagir avec différentes personnes et étudier/observer différents processus:
* informateurs au sein de l'organisation
* experts externes (experts/professionnels du domaine/sujet)
* clients et autres organisations en interaction
* processus observés (e.g. analyse du &quot;workflow&quot; ou flux de travail)
* textes (e.g. décisions écrites, fichiers, ...)
Un autre exemple serait une étude qui examine l'impact d'une initiative sur un espace public (e.g. salles informatiques accessibles au public)
* décideurs externes et groupes d'intérêt
* groupes locaux organisés (e.g. associations de parents)
* population de la zone
* évènements et comportements associés à cette initiative
L'échantillonnage se fait souvent par étapes multiples (par vagues): une recherche en cours peut faire apparaître de nouveaux phénomènes qui requièrent une investigation et donc un échantillonnage.<span id="General_sampling_strategies" class="anchor"></span>
Miles &amp; Huberman (1994:28) présentent les stratégies générales d'échantillonnage suivantes:
{|
!Type de cas
!Utilisation
!Grandes catégories
|-
|variation maximale
|améliorera l'étendue de vos résultats<br />
(mais nécessite des modèles plus complexes!)
|stratégies principales
|-
|homogène
|Permet une meilleure focalisation et les conclusions sont plus &quot;sûres&quot;, puisqu'il sera plus facile d'identifier les variables explicatives et de tester les relations
|
|-
|critique
|Illustrer une théorie avec un exemple &quot;naturel&quot;
|
|-
|selon la théorie, i.e. vos questions de recherche
|vous apporte une meilleure garantie que vous serez capable de répondre à vos questions…
|
|-
|confirmatif / infirmatif
|teste les limites d'une explication
|validation
|-
|cas extrêmes et déviants
|teste les frontières de vos explications, cherche de nouvelles &quot;aventures&quot;
|
|-
|typique
|montre ce qui est normal, moyen ou caractéristique
|
|-
|intense
|complète une étude quantitative avec une étude en profondeur
|spécialisation
|-
|selon la dimension
|étude de phénomènes particuliers
|
|-
|boule de neige
|selon les informations reçues durant l'étude
|approche inductive
|-
|opportun
|suit de nouvelles pistes
|
|-
|tout
|(rarement possible)
|représentativité
|-
|quotas
|sélection de sous-groupes
|
|-
|selon la réputation
|recommandations d'experts
|
|-
|méthode comparative
|selon les variables opérationnelles
|
|-
|selon les critères
|selon les critères que vous voulez étudier
|
|-
|commode
|ceux qui veulent bien...
|mauvais
|-
|politique
|exclusion/inclusion pour raisons politiques
|
|}
<span id="_Toc227903103" class="anchor"></span>Tableau 2: stratégies générales d'échantillonnage pour la recherche qualitative
Il n'existe pas de règles générales en ce qui concerne l'échantillonnage, mais nous pouvons formuler quelques pratiques heuristiques et recommandées! Utilisez ce tableau pour réfléchir au type d'échantillonnage dont vous avez besoin pour votre ''propre'' recherche. Bien choisir vos cas vous permettra d'éviter les problèmes plus tard...
* Evitez d'adopter une stratégie d'échantillonnage par induction (plus difficile)
* ''Examinez vos questions de recherche!'' Pouvez-vous répondre à chacune d'entre elles (mesurer les concepts, trouver les causalités, etc.)?
* Comprenez l'étendue de la tâche que représente l'échantillonnage: échantillonner les rôles (organisation des fonctions), groupes, organisations, institutions, &quot;programmes&quot;, processus…
* Revoyez vos ambitions à la baisse (questions de recherche) lorsque vos listes d'échantillonnage deviennent trop longues.
* Vous pouvez toujours ajouter des cas (stratégie de la boule de neige).
Pour l'échantillonnage ''intra-cas'':
* Identifiez les types d'informations dont vous avez besoin.
* Echantillonnez toutes les catégories (activités, processus, évènements, dates, lieux, agents…).
* Encore une fois, pensez aux questions de recherche auxquelles vous voulez répondre et à leur champ.
Pour l'échantillonnage ''inter-cas'', une bonne stratégie consiste à adopter une sorte de design à systèmes similaires:
* Sélectionnez des cas similaires qui ont une bonne variance parmi vos variables opérationnelles (dépendantes et indépendantes).
* Pour tester les variantes des designs de formation à distance, sélectionnez des domaines relativement similaires, ou des populations cibles relativement similaires.
* Vous pouvez alors ajouter des cas contrastés (extrêmes) afin de tester la validité externe (potentiel de généralisation) de votre analyse.
Souvenez-vous que la recherche qualitative est très onéreuse:
* 2-3 grands cas (e.g. cours, écoles, designs) sont suffisants pour un mémoire de master.
* 12-30 cas au sein de tous les cas (e.g. personnes, processus) sont suffisants pour un mémoire de master.
* En outre, envisagez de compléter les stratégies qualitatives avec des approches quantitatives.

Version du 26 août 2015 à 15:08

Manuel de recherche en technologie éducative
Page d'entrée du module
Recueil de données qualitatives
brouillon débutant
2015/08/26 ⚒⚒ 2015/08/27



Introduction

Méthodes d'acquisition de données qualitatives

Dans ce chapitre, nous présenterons les méthodes et les techniques de recueil de données qualitatives. Nous traiterons tout d'abord les stratégies d'échantillonnage, car la recherche qualitative débute souvent avec des questions ouvertes. Nous fournirons ensuite une vue d'ensemble de différentes techniques de recueil de données ainsi que quelques détails sur les entretiens.

Objectifs d'apprentissage

  • Etre capable de concevoir une stratégie d'échantillonnage pour un problème de recherche qualitative simple
  • Etre capable de faire la distinction entre les principales stratégies de recueil de données
  • Connaître les caractéristiques clés des entretiens semi-structurés

Stratégies d'échantillonnage en recherche qualitative

En technologie éducative (ainsi que dans la plupart des autres sciences sociales), on travaille avec toute une variété de données qualitatives. Puisque la recherche qualitative se focalise le plus souvent sur des données "riches", l'échantillonnage est plus difficile que dans le cadre de la recherche quantitative, et c'est cette question que nous traiterons en premier.

Souvent, on ne travaille qu'avec 1 ou 2 grand cas (i.e. classes, organisations). La raison à cela est que l'analyse qualitative demande une très grande quantité de travail. Cependant, au sein de chaque grand cas, vous devez également réfléchir à l'échantillonnage! Par exemple, lorsqu'il observe des organisations, un chercheur en innovation peut interagir avec différentes personnes et étudier/observer différents processus:

  • informateurs au sein de l'organisation
  • experts externes (experts/professionnels du domaine/sujet)
  • clients et autres organisations en interaction
  • processus observés (e.g. analyse du "workflow" ou flux de travail)
  • textes (e.g. décisions écrites, fichiers, ...)

Un autre exemple serait une étude qui examine l'impact d'une initiative sur un espace public (e.g. salles informatiques accessibles au public)

  • décideurs externes et groupes d'intérêt
  • groupes locaux organisés (e.g. associations de parents)
  • population de la zone
  • évènements et comportements associés à cette initiative

L'échantillonnage se fait souvent par étapes multiples (par vagues): une recherche en cours peut faire apparaître de nouveaux phénomènes qui requièrent une investigation et donc un échantillonnage.

Miles & Huberman (1994:28) présentent les stratégies générales d'échantillonnage suivantes:

Type de cas Utilisation Grandes catégories
variation maximale améliorera l'étendue de vos résultats

(mais nécessite des modèles plus complexes!)

stratégies principales
homogène Permet une meilleure focalisation et les conclusions sont plus "sûres", puisqu'il sera plus facile d'identifier les variables explicatives et de tester les relations
critique Illustrer une théorie avec un exemple "naturel"
selon la théorie, i.e. vos questions de recherche vous apporte une meilleure garantie que vous serez capable de répondre à vos questions…
confirmatif / infirmatif teste les limites d'une explication validation
cas extrêmes et déviants teste les frontières de vos explications, cherche de nouvelles "aventures"
typique montre ce qui est normal, moyen ou caractéristique
intense complète une étude quantitative avec une étude en profondeur spécialisation
selon la dimension étude de phénomènes particuliers
boule de neige selon les informations reçues durant l'étude approche inductive
opportun suit de nouvelles pistes
tout (rarement possible) représentativité
quotas sélection de sous-groupes
selon la réputation recommandations d'experts
méthode comparative selon les variables opérationnelles
selon les critères selon les critères que vous voulez étudier
commode ceux qui veulent bien... mauvais
politique exclusion/inclusion pour raisons politiques

Tableau 2: stratégies générales d'échantillonnage pour la recherche qualitative

Il n'existe pas de règles générales en ce qui concerne l'échantillonnage, mais nous pouvons formuler quelques pratiques heuristiques et recommandées! Utilisez ce tableau pour réfléchir au type d'échantillonnage dont vous avez besoin pour votre propre recherche. Bien choisir vos cas vous permettra d'éviter les problèmes plus tard...

  • Evitez d'adopter une stratégie d'échantillonnage par induction (plus difficile)
  • Examinez vos questions de recherche! Pouvez-vous répondre à chacune d'entre elles (mesurer les concepts, trouver les causalités, etc.)?
  • Comprenez l'étendue de la tâche que représente l'échantillonnage: échantillonner les rôles (organisation des fonctions), groupes, organisations, institutions, "programmes", processus…
  • Revoyez vos ambitions à la baisse (questions de recherche) lorsque vos listes d'échantillonnage deviennent trop longues.
  • Vous pouvez toujours ajouter des cas (stratégie de la boule de neige).

Pour l'échantillonnage intra-cas:

  • Identifiez les types d'informations dont vous avez besoin.
  • Echantillonnez toutes les catégories (activités, processus, évènements, dates, lieux, agents…).
  • Encore une fois, pensez aux questions de recherche auxquelles vous voulez répondre et à leur champ.

Pour l'échantillonnage inter-cas, une bonne stratégie consiste à adopter une sorte de design à systèmes similaires:

  • Sélectionnez des cas similaires qui ont une bonne variance parmi vos variables opérationnelles (dépendantes et indépendantes).
  • Pour tester les variantes des designs de formation à distance, sélectionnez des domaines relativement similaires, ou des populations cibles relativement similaires.
  • Vous pouvez alors ajouter des cas contrastés (extrêmes) afin de tester la validité externe (potentiel de généralisation) de votre analyse.

Souvenez-vous que la recherche qualitative est très onéreuse:

  • 2-3 grands cas (e.g. cours, écoles, designs) sont suffisants pour un mémoire de master.
  • 12-30 cas au sein de tous les cas (e.g. personnes, processus) sont suffisants pour un mémoire de master.
  • En outre, envisagez de compléter les stratégies qualitatives avec des approches quantitatives.