Interprétation et vérification des données qualitatives

De EduTech Wiki
Aller à : navigation, rechercher
Manuel de recherche en technologie éducative
Module: Analyse de données qualitatives
◀▬▬▶
2016/04/28


1 Introduction

En guise d'introduction à l'interprétation et à la vérification de cette dernière, nous proposons l'extrait ci-dessous de Miles & Huberman.

Il faut "être particulièrement vigilants en recherche qualitative vis-à-vis des multiples sources d'éventuels biais analytiques pouvant affaiblir, ou même invalider, nos conclusions. Certains de ces biais sont identifiés dans des ouvrages d'anthropologie classique, accompagnés de quelques conseils permettant de les éviter (voir par exemple Wax, 1971). En voici trois archétypes:
  • L'illusion holiste : accorder aux événements plus de convergence et de cohérence qu'ils n'en ont en réalité, en éliminant les faits anecdotiques dont la vie sociale est faite.
  • Le biais d'élite : surestimer l'importance des données provenant d'informateurs clairs, bien informés, habituellement de statut élevé, et sous-estimer celle des données provenant d'informateurs difficiles à manier, plus confus, au statut moins élevé.
  • La sur-assimilation : perdre sa propre vision ou sa faculté de « mise entre parenthèses », être « coopté » dans les perceptions et les explications des informateurs locaux.

Il est intéressant de noter que chacun de ces trois biais correspond, respectivement, à l'un des trois principaux critères « à risque » (« judgmental heuristics »; définis par les chercheurs : « représentativité », « proximité », et « pondération ». Nous recommandons Nisbett et Ross (1980) et Gilovich (1991) qui pourront guider le lecteur dans cette littérature et l'aider à éviter l'auto-illusion". Miles & Huberman, 2003, p. 472

2 Quelles différences entre analyse et interprétation?

Tandis que l'analyse demande de décomposer les données pour produire des concepts et des thèmes, l'interprétation implique la traduction de ces concepts et thèmes. L'analyse décrit ce qui a été dit par les participants alors que l'interprétation essaye de fournir une explication de la réflexion sous-jacente à ce qui a été dit. En bref, l'analyse consiste à dévoiler des patterns (modèles, thèmes) dans les données et l'interprétation consiste à dévoiler du sens; en cela l'analyse aide l'interprétation. Pour interpréter, nous suggérons les stratégies suivantes: relever les marques de sens, choisir un cadre de travail, travailler dans une approches de recherche et rédiger (réfléchir et écrire).

3 Quelques approches et leurs objectifs d'interprétation

Inscrire son travail dans une approche donnée fournit souvent au chercheur une ligne directrice qui rendra le processus de production de sens plus aisé. Voici quelques approches et leur objectif, en termes d'interprétation de données:

  • Recherche qualitative pragmatique: L'interprétation se focalise sur une description du problème étudié. L'interprétation est guidée par les thèmes qui apparaissent pendant l'analyse de données. L'interprétation se produit lorsque des interconnexions entre les données sont mises en évidence.
  • Théorie ancrée: L'interprétation se focalise sur le développement d'une nouvelle théorie. Les interprétations sont guidées par les concepts et théories qui apparaissent pendant l'analyse de données. L'interprétation se produit lorsque un concept central est identifié et expliqué et d'autres sont relevés (Strauss & Corbin). Le concept central a pour vocation d'expliquer le problème étudié.
  • Phénoménologie: L'interprétation se focalise sur la compréhension d'un phénomène ou d'une expérience. L'interprétation est guidée par la recherche d'éléments essentiels communs. Le chercheur présente la signification et les contextes de ces derniers.
  • Etude de cas: L'interprétation est centrée sur l'unité ou le point focal étudié. L'interprétation se produit lorsque le chercheur considère différentes interprétations (Yin).
  • Ethnographie: L'interprétation se focalise sur la culture. Le chercheur essaie d'éviter les biais en imposant ses propres croyances. L'interprétation a pour objectif d'identifier des comportements crédibles.

Les critères d'évaluation de l'interprétation sont les suivants:

Est-elle raisonnable?

  • Est-ce que les interprétations fournissent une bonne vue d'ensemble des situations ?
  • Est-ce que les interprétations font-elles sens? sont-elles plausibles et doivent-elles être inclues dans le travail ?
  • Est-ce que les interprétations contribuent à expliquer et représenter les avis des participants et à leur donner une voix ?
  • Est-ce que les interprétations reflètent fidèlement les perspectives des participants et leurs contextes ?
  • Les histoires sont-elles logiques et cohérentes ?
  • Y a-t-il des explications alternatives ou des cas négatifs qui rendraient les interprétations peu crédibles?

Conduit-elle à de la compréhension?

  • Est-ce que les interprétations vont au-delà de l'analyse pour apporter de la compréhension?
  • Est-ce que des forces complexes, souvent en jeu, comme le pouvoir, la différence et la culture, ont été prises en considération?
  • Est-ce que les interprétations sont élaborées sur les dires des participants pour les clarifier?

Est-elle utile?

  • Est-ce quel l'interprétation est effectué à un niveau acceptable pour le public cible de l'étude?
  • Est-ce que le lecteur aura des moyens d'évaluer la pertinence de l'interprétation proposée?

Source: Savin-Badin, M. & Howell Major, C. (2013, pp. 452-467).

4 Méthodes de vérification

Extrait de Miles & Huberman:

"Nous décrivons treize tactiques, en commençant par les tactiques visant à garantir la qualité intrinsèque des données, puis passons à celles qui contrôlent les résultats en les contrastant de diverses manières, et concluons avec les tactiques qui adoptent une approche critique, exigeante vis-à-vis des explications émergentes.

Pour évaluer la qualité des données, on peut contrôler la représentativité (1) contrôler les effets du chercheur (2) sur le site, et vice versa; et trianguler (3) au travers des sources de données et des méthodes. Au cours de ces contrôles, on peut aussi pondérer les données (4), décider lesquelles sont les plus fiables. L'examen des différences est très révélateur. Vérifier la signification des cas atypiques (5), utiliser les cas extrêmes (6), traquer les faits surprenants (7) et rechercher les preuves contraires (8) sont autant de tactiques qui testent une conclusion relative à un « pattern » en établissant à quoi il ne ressemble pas. Comment tester réellement nos explications ? Réaliser des tests si-alors (9), écarter les relations fallacieuses (10), reproduire un résultat (11), vérifier les explications rivales (12) permettent de soumettre nos superbes théories aux assauts de la réalité brutale, ou de les mettre en compétition avec la superbe théorie de quelqu'un d'autre. Enfin, une bonne explication mérite l'attention de ceux-là mêmes dont le comportement est en question : les informateurs qui ont fourni les données d'origine. La tactique solliciter les réactions des informateurs (13) conclut notre liste". Miles & Huberman, 2003, p. 473