Indicateurs et données
Introduction
Dans le déroulement d’une recherche scientifique, l’étape d’expérimentation suit l’étape de problématisation durant laquelle l’apprenant ou le chercheur émet des hypothèses quant à la réalité qui l’entoure. Dans le but d’éprouver ces postulats, c’est-à-dire vérifier les hypothèses exprimées, une récolte d’information sur le terrain est nécessaire; il s’agit ainsi d’effectuer des mesures. L’action de la mesure s’effectue à l’aide de données, d’instruments et d’indicateurs lors d’un processus de traduction du langage abstrait (concept) au langage empirique (observation).
Données
Dans son document sur les “Principes et lignes directrices pour l’accès aux données de la recherche financée sur fonds publics”, L’OCDE (Organisation de Coopération et de développement économique) définie les données de la recherche comme “des enregistrements factuels (chiffres, textes, images et sons), qui sont utilisés comme sources principales pour la recherche scientifique et sont généralement reconnus par la communauté scientifique comme nécessaires pour valider des résultats de recherche.” (p.18, OCDE, 2007)
Les données sont donc des informations brutes, une suite ou une liste de caractères alphanumériques, des images ou des sons qui sans l’application d’un traitement et leur groupement ne permettent pas de tirer des conclusions. Ainsi, les données doivent être transformées en indicateurs pour permettre de répondre aux questions de recherche de l’étude envisagée.
Indicateurs
Afin de mesurer les concepts, il faut établir des indicateurs. L’indicateur est le signe concret issu de la transformation des données brutes qui permet de visualiser un concept abstrait. Ils permettent de traduire de manière plus concrète le concept défini dans les hypothèses de recherche et ainsi de valider ou invalider celles-ci. Avant d’être utilisés, les indicateurs doivent être construits au moyen d’instruments puis évalués selon des critères spécifiques.
Tout d’abord, le chercheur passe par une étape de recensement des indicateurs. Il établit une liste des indicateurs possibles qui permettent de visualiser un concept. Ensuite, ces indicateurs seront évalués selon l’appréciation de la validité et de la fidélité pour s’assurer de leur niveau de confiance et de la qualité de la mesure. Après l’évaluation et la sélection des indicateurs, ceux-ci peuvent être appliqués pour mesurer et traduire les concepts. Afin de construire des indicateurs, des instruments permettent de récolter des données et de les mettre en forme : l’observation directe, l’analyse de contenu (discours, données institutionnelles chiffrées ou textuelles, entrevues) et le questionnaire en sont des exemples.
Fidélité
Pour évaluer la fidélité d’un indicateur, il faut commencer par regarder le nombre d'objets qui est mesuré. L’indicateur est fidèle si un seul objet est mesuré à la fois. Dans le cas où il en mesure plusieurs, il vaut mieux le rejeter, car cela peut amener à un doute sur l’objet mesuré et des résultats nébuleux. Il est donc important de faire des vérifications de la fidélité des indicateurs et des mesures, afin de s’assurer de la pertinence des résultats les plus pertinents.
De plus, un indicateur se doit d’être précis. Sa typologie et sa signification doivent correspondre à un niveau de langage approprié à tous, c’est-à-dire, il doit être compris de la même manière par tout le monde. Un indicateur aussi être non contaminé, c’est-à-dire que l’instrument de récolte de données ne doit pas influencer les résultats. Pour cela, l’instrument doit être stable. Il ne doit pas être modifié lors des différents moments de la récolte des données, car cela peut risquer de biaiser les résultats.
Validité
Pour évaluer la validité d’un indicateur, il faut en premier temps qu’il soit fidèle, c’est-à-dire, précis, non contaminé et stable. La validité permet de déterminer si un indicateur représente bien un concept. Pour cela, nous pouvons nous poser la question : est-ce que l’indicateur mesure vraiment ce qu’il est censé mesurer ?
Exemples d'utilisation
Références
Durand, C. et Blais, A. (2009). La mesure. Dans B. Gauthier (dir.), Recherche sociale : De la problématique à la collecte des données (5e éd., p. 227-250). PUQ.
Nleme Ze, Y. S. et Molinari, G. (2021). L’engagement des étudiants dans les forums de discussion des MOOC : Dimensions et indicateurs. Distances et médiations des savoirs, 36, 1-17. https://doi.org/10.4000/dms.6674
OCDE (2007). Principes et lignes directrices de l'OCDE pour l'accès aux données de la recherche financée sur fonds publics. Éditions OCDE. https://doi.org/10.1787/9789264034020-en-fr.
Strauß, S. et Rummel, N. (2021). Promoting regulation of equal participation in online collaboration by combining a group awareness tool and adaptive prompts. But does it even matter? International Journal of Computer-Supported Collaborative Learning, 16(1), 67-104. https://doi.org/10.1007/s11412-021-09340-y