« Design comparaison de systèmes similaires » : différence entre les versions
mAucun résumé des modifications |
mAucun résumé des modifications |
||
| (3 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 3 : | Ligne 3 : | ||
|fait_partie_du_module=Designs de recherche orientés test de théorie | |fait_partie_du_module=Designs de recherche orientés test de théorie | ||
|page_precedente=Designs statistiques | |page_precedente=Designs statistiques | ||
|page_suivante=Design de recherche orientés formulation de théorie | |page_suivante=Design de recherche orientés formulation de théorie | ||
|statut=à améliorer | |statut=à améliorer | ||
| Ligne 9 : | Ligne 8 : | ||
|difficulté=débutant | |difficulté=débutant | ||
}} | }} | ||
===Design de systèmes | ===Design comparaison de systèmes similaires === | ||
Ce design (en Anglais: ''similar systems design'') est largement utilisé dans l’analyse comparée de politiques publiques. Il permet de comparer les systèmes éducatifs de districts / régions et de pays. Ce design se contente généralement d’utiliser des statistiques descriptives très simples, et souvent des données globales officielles. | Ce design (en Anglais: ''similar systems design'') est largement utilisé dans l’analyse comparée de politiques publiques. Il permet de comparer les systèmes éducatifs de districts / régions et de pays. Ce design se contente généralement d’utiliser des statistiques descriptives très simples, et souvent des données globales officielles. | ||
| Ligne 19 : | Ligne 17 : | ||
2. Assurez-vous qu’aucune autre variable n’ait de la variance (i.e qu’aucune variable de contrôle cachée ne puisse produire d’effets) | 2. Assurez-vous qu’aucune autre variable n’ait de la variance (i.e qu’aucune variable de contrôle cachée ne puisse produire d’effets) | ||
[[Fichier:Design de systèmes comparatifs similaires.png|800px|cadre|néant|Figure 37: Design comparaison de systèmes similaires]] | |||
Figure 37: Design de systèmes | |||
En d’autres termes, sélectionnez des cas différents en ce qui concerne les variables pertinentes pour votre recherche, mais similaires pour les autres aspects. | En d’autres termes, sélectionnez des cas différents en ce qui concerne les variables pertinentes pour votre recherche, mais similaires pour les autres aspects. | ||
Dernière version du 4 avril 2016 à 13:36
| Manuel de recherche en technologie éducative | |
|---|---|
| Module: Designs de recherche orientés test de théorie | |
| ◀▬▬▶ | |
| ⚐ à améliorer | ☸ débutant |
| ⚒ 2016/04/04 | ⚒⚒ 2015/03/27 |
Design comparaison de systèmes similaires
Ce design (en Anglais: similar systems design) est largement utilisé dans l’analyse comparée de politiques publiques. Il permet de comparer les systèmes éducatifs de districts / régions et de pays. Ce design se contente généralement d’utiliser des statistiques descriptives très simples, et souvent des données globales officielles.
Principe (Figure 37):
1. Assurez-vous d’avoir une bonne variance parmi les 'variables opératoires', i.e l’ensemble de toutes les variables dépendantes et indépendantes.
2. Assurez-vous qu’aucune autre variable n’ait de la variance (i.e qu’aucune variable de contrôle cachée ne puisse produire d’effets)
En d’autres termes, sélectionnez des cas différents en ce qui concerne les variables pertinentes pour votre recherche, mais similaires pour les autres aspects.
Exemple: si vous voulez mesurer les effets des TIC, ne choisissez pas une école prestigieuse qui utilise les TIC et une école normale qui ne les utilise pas. Choisissez soit des écoles prestigieuses, soit des écoles «normales», sans quoi vous ne pourriez savoir si c’est réellement l’utilisation des TIC qui fait la différence.
Avantages et inconvénients de cette méthode:
- fiabilité moins bonne et problèmes de validité de construction
- meilleur contrôle de variables inconnues en ce qui concerne la plupart des systèmes de designs différents
- validité externe moins bonne (impossibilité à généraliser)
- tests statistiques faibles ou inexistants. La plupart du temps, les chercheurs comparent uniquement des données descriptives et ne peuvent fournir de résultats significatifs sur le plan statistique, car les cas sont trop peu nombreux.