Echantillonnage en méthodes qualitatives
| Manuel de recherche en technologie éducative | |
|---|---|
| Module: Recueil de données qualitatives | |
| ◀▬▬▶ | |
| ⚐ brouillon | ☸ intermédiaire |
| ⚒ 2016/04/12 | ⚒⚒ 2015/08/27 |
Introduction
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 une recherche quantitative.
Souvent, on ne travaille qu'avec 1 ou 2 grand cas (i.e. une ou plusieurs classes d'écoles; une institution éducative)car l'analyse qualitative demande beaucoup de travail. Il faut d'autant plus réfléchir soigneusement à la question de l'échantillonnage pour chacun des cas! Par exemple, lorsqu'un chercheur en innovation observe des organisations, il 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). Le chercheur pourrait s'intéresser:
- aux décideurs externes et groupes d'intérêt
- aux groupes locaux organisés (e.g. associations de parents)
- à la population de la zone
- aux évènements et comportements associés à cette initiative
L'échantillonnage se fait souvent par étapes multiples (par vagues): l'analyse des données recueillies durant une première vague peut faire apparaître de nouveaux phénomènes qui requièrent une investigation et donc un nouvel échantillonnage.
Types de stratégies
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
Quelques conseils
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.