Introduction à la psychométrie

Transcription

1 Licence 3 Psychologie Introduction à la psychométrie vincent.berthet@univ-lorraine.fr

2 Plan 1. Les bases de la psychométrie : introduction 2. Les bases de la psychométrie : histoire et concepts 3. L étalonnage 4. Le recueil des observations 5. Les modèles de mesure 6. La fidélité 7. La validité 8. La mesure de l intelligence

3 Bibliographie Anastasi (1994). Introduction à la psychométrie. Montréal : Guérin Dickes, Tournois, Flieller, & Kop (1994). La psychométrie : théories et méthodes de la mesure en psychologie. Paris : PUF. Laveault & Grégoire (2002). Introduction aux théories des tests en psychologie et en sciences de l'éducation. Bruxelles : De Boeck Université.

4 Partie 1 Les bases de la psychométrie : introduction

5 1. Les biais de l évaluation subjective L esprit humain est doté d un processus par lequel il peut faire des «mesures» : l évaluation subjective. On peut évaluer la taille et le poids d un objet, la température extérieure, etc. Lorsque l évaluation subjective porte sur des caractéristiques objectives (taille, température), celle-ci ne produit pas une mesure fiable et on doit donc externaliser le processus de mesure. On utilise alors des instruments de mesure (règle, thermomètre) Quand l évaluation subjective porte sur des caractéristiques subjectives (personnalité, motivation, etc.), est-elle fiable ou doit-on recourir aussi à des instruments de mesure?

6 1. Les biais de l évaluation subjective Pour un certain courant de la psychologie (psychologie clinique), seule l intuition du psychologue est légitime pour appréhender la subjectivité d une personne Pour un courant opposé de la psychologie (psychologie quantitative), l intuition du psychologue n est pas suffisante pour évaluer les caractéristiques psychologiques car elle peut être victime de biais

7 1. Les biais de l évaluation subjective L erreur fondamentale d attribution : biais qui consiste à expliquer les comportements observés davantage par des causes internes (individu) que par des causes externes (environnement) Exemple : Lors d un entretien de recrutement, un candidat éprouve de la difficulté à répondre à une question de mise en situation. Ce comportement reflète t il : un manque de compétence de la personne (cause interne)? une mauvaise formulation de la question (cause externe)?

8 1. Les biais de l évaluation subjective Les stéréotypes : croyances relatives à certaines catégories Exemple : Linda a 31 ans, elle est célibataire, franche, et très brillante. Elle est diplômée en philosophie. Lorsqu elle était étudiante, elle était très concernée par les questions de discrimination et de justice sociale, et elle participait aussi à des manifestations antinucléaires. Selon vous, quel cas de figure est le plus probable? Linda est banquière Linda est banquière et féministe 90% des sujets choisissent l option 2. Le texte active le stéréotype de la jeune femme intelligente, active et engagée

9 1. Les biais de l évaluation subjective Le biais de confirmation : tendance à favoriser les information qui vont dans le sens de nos attentes (plutôt que les informations qui les infirment) Exemple : Lors d un entretien de recrutement, un psychologue peut avoir une image de départ favorable à l égard d une candidate parce que celleci lui a été recommandée. De ce fait, il se montre particulièrement bienveillant envers cette candidate lors de l entretien et cette bienveillance a pour effet de la rendre très à l aise

10 1. Les biais de l évaluation subjective L effet de contraste : un jugement peut être biaisé par un précédent jugement Exemple : Un psychologue reçoit un premier candidat qui est introverti. Il reçoit un deuxième candidat modérément extraverti. Le deuxième candidat lui paraîtra plus extraverti que s il l avait reçu en premier attente observation jugement trait

11 1. Les biais de l évaluation subjective L effet de contraste : un jugement peut être biaisé par un précédent jugement eau chaude eau froide eau tiède

12 1. Les biais de l évaluation subjective L effet de Halo : le jugement d une personne sur une dimension particulière est extrapolé à l ensemble de la personne «Il est intelligent, il doit être aussi sympathique et sociable. C est quelqu un de bien.»

13 2. Objectiver l évaluation Paul Meehl (1954) : ouvrage Clinical vs. Statistical Prediction. D une façon générale, les prédictions basées sur des indicateurs objectifs sont plus précises que celles qui sont basées sur l intuition Exemple 1 : 14 conseillers scolaires devaient prédire la moyenne générale qu aurait des étudiants en première année à la fin du semestre ils avaient des entretiens de 45 min avec chacun, et un accès à leurs notes au lycée et à leurs scores à plusieurs tests d aptitudes prédiction clinique : prédictions des conseillers scolaires prédiction statistique : prédictions basées uniquement sur les notes au lycée et les scores aux tests la prédiction statistique bat 11 des 14 conseillers scolaires

14 2. Objectiver l évaluation Exemple 2 : Daniel Kahneman devait trouver une procédure d évaluation des nouvelles recrues dans l armée israélienne afin d affecter chaque recrue à un poste adapté à son profil psychologique la procédure alors en place était l entretien : chaque recrue passait un entretien de 15 min avec un psychologue mais les évaluations des psychologues ne prédisaient pas du tout la performance ultérieure des recrues Kahneman a objectivé et standardisé la procédure : 1. il a défini 6 traits à évaluer (ex: responsabilité, sociabilité) 2. il a défini un ensemble de questions factuelles pour chacun des 6 traits (ex: nombre de jobs réalisés) 3. après avoir posé les questions relatives à un trait, le psychologue devait attribuer un score au sujet de 1 à 5

15 2. Objectiver l évaluation Exemple 3 : Robyn Dawes (1979) : la durée d un mariage peut être prédite avec précision à partir d une formule simple : fréquence des rapports sexuels fréquence des disputes

16 2. Objectiver l évaluation Conclusion L évaluation subjective n est pas suffisante pour appréhender les caractéristiques psychologiques Le rôle de la psychométrie est de construire des procédures et des outils permettant d objectiver l évaluation psychologique

17 Partie 2 Les bases de la psychométrie : histoire et concepts

18 1. Introduction La psychométrie est l étude des théories et des méthodes de la mesure en psychologie La psychométrie est une discipline à la fois fondamentale (analyse et développement d outils) et appliquée (utilisation de ces outils). L application d outils psychométriques s inscrit dans le cadre de l évaluation psychologique : la mesure est une évaluation quantitative L objectif de la psychométrie est de mesurer des construits. Un construit est une entité non observable, causale, et dont l existence est inférée à partir d un ensemble d observations ex: intelligence, névrosisme, empathie

19 1. Introduction Notation graphique : construit C observations 1 2 3

20 1. Introduction La prise en compte de plusieurs observations est cruciale pour qu un construit soit scientifiquement pertinent Exemple : rat dans une boîte de Skinner. Le rat appuie beaucoup sur le levier parce qu il a faim. Cette explication repose sur un raisonnement circulaire : on explique une observation par cette observation elle-même Faim 1. définit 2. explique Appui sur le levier Pour qu un construit soit pertinent, il doit rendre compte de plusieurs observations corrélées entre elles

21 1. Introduction L opérationnalisation d un construit est une procédure consistant à produire des observations relatives à ce construit. La mesure est une forme particulière d opérationnalisation où les observations produites sont transformées en nombres En méthodologie, un construit est une variable latente alors qu un observable est une variable manifeste On peut ainsi distinguer entre : la définition théorique du construit ex: l intelligence est un comportement adaptatif orienté vers un but la définition opérationnelle du construit ex: l intelligence est le QI construit (variable latente) opérationnalisation observable (variable observée)

22 2. Histoire de la psychométrie Les travaux fondateurs de la psychométrie relèvent de 2 traditions : une tradition fondamentale une tradition sociale

23 2.1 La tradition fondamentale A l origine, la mesure est une approche de la réalité extérieure. Lord Kelvin (1824) : «Tout ce qui existe, existe dans une certaine quantité et peut dès lors être mesuré.» Cette approche a ensuite été appliquée en psychologie Francis Galton (1879) : «La psychométrie est l art d imposer aux opérations de l esprit la mesure et le nombre.» Les deux principaux psychologues qui ont jeté les bases de la psychométrie dans la tradition fondamentale sont Francis Galton et James McKeen Cattell

24 2.1 La tradition fondamentale Pourquoi Galton et Cattell ont fondé la psychométrie : Darwin (1859) Théorie de l évolution implique l étude de Hérédité implique l étude de Différences individuelles implique Mesure des caractéristiques individuelles Galton (1884) Cattell (1890) Caractéristiques physiques Caractéristiques psychologiques BIOMETRIE PSYCHOMETRIE

25 2.1 La tradition fondamentale L apport de Galton Le sujet d étude central de Galton était l hérédité : transmission au sein d'une espèce de caractéristiques d'une génération à la suivante Galton a notamment mis en évidence un phénomène lié à l hérédité de caractéristiques physiques (ex: la taille) : la régression vers la moyenne. (La régression vers la médiocrité dans la stature héréditaire, 1886). Exemple : les enfants de parents grands ont tendance à être plus petits que leurs parents et que les enfants de parents petits ont tendance à être plus grands que leurs parents

26 2.1 La tradition fondamentale La régression vers la moyenne : Taille des enfants moyenne («point médiocre») Taille des parents

27 2.1 La tradition fondamentale Galton a ainsi défini un ensemble de notions statistiques : la régression et la corrélation la variance et l écart-type En 1884, Galton a fondé un laboratoire anthropométrique situé à Londres. Il y a recueilli des mesures anthropométriques (taille, longueur des membres, acuité visuelle, force de préhension, empreintes digitales, etc.) sur plus de 9000 personnes

28 2.1 La tradition fondamentale L apport de Cattell James McKeen Cattell : a réalisé un doctorat avec Wundt à Leipzig (1886) a été le premier à employer le terme «test mental» en 1890 Cattell a construit une batterie de tests mesurant plusieurs aptitudes cognitives de bas niveau ex: seuil de perception, vitesse de lecture, empan mnésique Cattell pensait que ces tests mesuraient l intelligence. La passation de ces tests était obligatoire pour les étudiants en première année dans son université (Columbia)

29 2.1 La tradition fondamentale La psychophysique Un autre courant de recherches fondamentales a aussi contribué à définir la psychométrie : la psychophysique. Etude des relations quantitatives entre une stimulation physique et la perception (sensation) qu elle génère Weber invente la méthode de la «plus petite différence perceptible» pour mesurer les seuils de perception. Pour la perception tactile, il utilise le compas de Weber

30 2.1 La tradition fondamentale La méthode de la plus petite différence perceptible : ( ) 100 = 0.5 «différence» «pas de différence» «pas de différence»

31 2.1 La tradition fondamentale Weber découvre ainsi une régularité : la fraction de Weber ΔI = k I ΔI : plus petite différence perceptible I : intensité du stimulus étalon k : constante (caractéristique de la modalité sensorielle)

32 2.2 La tradition sociale Un autre facteur ayant joué un rôle important dans la progression des travaux en psychométrie est la demande sociale Deux demandes sociales historiques ont particulièrement influencé le développement d outils psychométriques : le dépistage du retard mental l adéquation personne-poste

33 2.2 La tradition sociale Le dépistage du retard mental Ce facteur est à l origine de la création et du développement du premier véritable test d intelligence : le test Binet-Simon En 1882, la loi Ferry rend obligatoire l instruction primaire pour les enfants âgés de 6 ans à 13 ans. Une conséquence directe de cette loi est l augmentation du taux d enfants déficients intellectuels dans les écoles En 1904, une commission du Ministère de l Education sollicite Alfred Binet pour créer un outil permettant de diagnostiquer de façon objective le retard mental

34 2.2 La tradition sociale En 1905, Binet publie en collaboration avec Théodore Simon une échelle métrique de l'intelligence : permet de comparer le développement mental (âge mental) d un enfant avec son âge chronologique mesure les fonctions cognitives de haut niveau (raisonnement, langage, mémoire, etc.) sera révisée en 1908 et 1911 (version définitive)

35 2.2 La tradition sociale L adéquation personne-poste Cette problématique consiste à optimiser l adéquation entre le profil d une personne et celui de son activité professionnelle. L importance de cette problématique a notamment été révélée lors des deux Guerres Mondiales Durant la 1 ère Guerre Mondiale, l armée américaine est confrontée au problème d assigner un poste adéquat à des millions de recrues. Pour que cet assignement soit optimal, il faut connaître le profil psychologique des recrues. Des psychologues ont été sollicités pour créer des tests permettant de déterminer rapidement le profil d une personne

36 2.2 La tradition sociale En 1917, Yerkes publie deux tests pour l armée américaine : le test Alpha : mesure des aptitudes verbales, numériques, et psychomotrices le test Beta : équivalent non-verbal du test Alpha Ces tests ont été administrés à 1.7 millions de soldats La 2 nde Guerre Mondiale a notamment motivé la création du MBTI (inventaire typologique de Myers-Briggs)

37 2.2 La tradition sociale Le test Alpha : Les thermomètres sont utiles parce que : Ils régulent la température Ils indiquent la température Ils contiennent du mercure chaussure pied ; chapeau? chaton tête couteau Complétez la série :

38 3. Les conceptions de la mesure La mesure est l évaluation numérique d une caractéristique. On ne mesure pas un sujet, mais certaines de ses caractéristiques (sa tension, son extraversion, son intelligence, etc.) On distingue 3 conceptions de la mesure en fonction des contraintes que l on impose sur l évaluation numérique : la théorie classique la théorie opérationnelle la théorie représentationnelle

39 3. Les conceptions de la mesure La théorie classique Définition : «la mesure d une quantité consiste à déterminer combien de fois elle contient une quantité élémentaire du même type.» (Fechner, 1860) la quantité de référence (étalon) définit l unité de mesure l opération qui consiste à déterminer combien de fois une quantité comporte une unité de mesure est la concaténation Le Système International des unités de mesure identifie 7 unités fondamentales (mètre, kilogramme, seconde, ampère, etc.)

40 3. Les conceptions de la mesure La théorie classique ne décrit la mesure que dans le cadre des sciences exactes. En psychologie, on ne dispose pas d unités de mesure D autres théories de la mesure sont apparues pour rendre compte d autres formes de mesure qui ne comportent pas la contrainte de la présence d une unité de mesure

41 3. Les conceptions de la mesure La théorie opérationnelle Définition : la mesure est «toute opération, définie avec précision, qui conduit à un nombre.» (Dingle, 1950) «l attribution de nombres à des objets ou événements selon des règles.» (Stevens, 1946) Cette conception de la mesure est à l opposé de la théorie classique : pour faire une mesure, il suffit d avoir une procédure opérationnelle qui aboutit à une valeur numérique. Tout est donc potentiellement mesurable

42 3. Les conceptions de la mesure Dans la conception opérationnelle, l attribut mesuré est défini par sa mesure. Binet : «L'intelligence, c'est ce que mesure mon test.» La théorie opérationnelle offre une définition très large de la mesure et ouvre ainsi la porte à de nombreuses possibilités avantage : on peut parler de mesure même en dehors des sciences exactes inconvénient : on ne fait pas de distinction entre des mesures pourtant très différentes

43 3. Les conceptions de la mesure La théorie représentationnelle Définition : la mesure est «la représentation numérique de faits empiriques.» (Michell, 1986) Cette conception affine la conception opérationnelle de la mesure puisqu on parle de mesure d un attribut lorsque : on assigne des nombres à des objets les propriétés des nombres représentent certaines propriétés des objets

44 4. Les niveaux de mesure On distingue donc différents niveaux de mesure suivant la propriété des objets qui est représentée Stevens (1946) a distingué quatre niveaux de mesure : niveau nominal (propriété : différence) niveau ordinal (propriété : ordre) niveau d intervalle (propriété : distance) niveau de rapport (propriété : rapport) Les niveaux nominal et ordinal sont qualitatifs, les niveaux de rapport et d intervalles et sont quantitatifs

45 4. Les niveaux de mesure Pour un attribut donné, tout ensemble de nombres qui représente la propriété des objets suivant cet attribut est valable La mesure d un attribut (processus) peut donc aboutir à plusieurs mesures différentes (résultats). On peut passer d une mesure à une autre par une transformation transformation CARACTERISTIQUE mesure (processus) MESURE1 MESURE2

46 4. Les niveaux de mesure La mesure d un attribut est de niveau nominal si la propriété des objets qui est représentée par les nombres est la différence Exemple : le sexe On utilise la propriété de différence entre les nombres 1 et 2 pour représenter la propriété de différence entre les modalités H et F On a une infinité de mesures possibles : Attribut Mesure 1 Mesure 2 Mesure 3 Homme Femme La transformation qui permet de passer d une mesure à l autre est la substitution terme à terme

47 4. Les niveaux de mesure La mesure d un attribut est de niveau ordinal si la propriété des objets qui est représentée par les nombres est l ordre Exemple : les classements On utilise la propriété d ordre entre les nombres pour représenter la propriété d ordre entre les modalités On a une infinité de mesures possibles : Attribut Mesure 1 Mesure 2 Mesure 3 Premier Deuxième Troisième La transformation qui permet de passer d une mesure à l autre est toute fonction monotone croissante

48 4. Les niveaux de mesure Dans les niveaux de mesure quantitatifs, la relation entre les valeurs de l attribut et les nombres est une relation linéaire La mesure d un attribut est de niveau de rapport si la propriété des objets qui est représentée par les nombres est le rapport les nombres représentent les rapports et les distances Les mesures de niveau de rapport peuvent représenter les rapports parce qu elles possèdent une origine absolue : celle-ci correspond à l absence de l attribut Exemple : la température en Kelvin est une mesure de rapport de la température 0 K = absence de température («zéro absolu») à 400 K, il fait deux fois plus chaud qu à 200 K

49 4. Les niveaux de mesure La mesure d un attribut est de niveau d intervalle si la propriété des objets qui est représentée par les nombres est la distance les nombres représentent les distances Les mesures de niveau d intervalle ne peuvent pas représenter les rapports parce qu elles possèdent une origine arbitraire Exemple : la pointure est une mesure d intervalle de la taille du pied pointure = (taille en cm + 1) 1.5 taille du pied = 25 cm, pointure = 39 pointure de 0 = 1 cm une personne faisant du 42 (27 cm) n a pas un pied deux fois plus long qu une personne faisant du 21 (13 cm)

50 5. Le processus de la mesure «Mesurer» renvoie à deux sens : construire une mesure appliquer un instrument de mesure déjà existant

51 5.1 La construction d une mesure Ce processus implique : 4 éléments : construit, observations, données, scores bruts 3 applications : dispositif de recueil, règle de transformation, modèle de mesure niveau de mesure CONSTRUIT OBSERVATIONS DONNEES SCORES BRUTS dispositif de recueil règle de transformation modèle de mesure

52 5.1 La construction d une mesure Etape 1 : du construit aux observations La mesure d un construit passe par le recueil d observations qui correspondent à des comportements liés au construit. Un dispositif de recueil est une méthode standardisée qui produit un certain type d observations Standardisation : les conditions d application de la méthode sont identiques pour tous les sujets ex: si on utilise le questionnaire comme dispositif de recueil, les observations sont les réponses des sujets aux items Il existe une infinité de dispositifs de recueil potentiels. Certains dispositifs sont plus récurrents que d autres (questionnaires et tests)

53 5.1 La construction d une mesure Exemple : questionnaire d attitude Je pense que François Hollande est un homme juste. Pas du tout d accord Plutôt pas d accord Plutôt d accord Tout à fait d accord

54 5.1 La construction d une mesure Etape 2 : des observations aux données La deuxième opération de mesure consiste à définir une règle de transformation qui permet d attribuer des nombres aux observations les données correspondent à ces nombres elles possèdent un certain niveau de mesure cette règle de transformation est parfois appelée le codage numérique des observations

55 5.1 La construction d une mesure Exemple : questionnaire d attitude Je pense que François Hollande est un homme juste. Pas du tout d accord Plutôt pas d accord Plutôt d accord Tout à fait d accord

56 5.1 La construction d une mesure Etape 3 : des données aux scores bruts Souvent, les données sont des mesures «intermédiaires» et sont utilisées pour calculer une mesure résultante. Cette mesure résultante est appelée score brut : c est un score composite calculé à partir de scores élémentaires Un modèle de mesure est une technique qui permet de transformer des données en une mesure résultante Exemple : additionner les réponses aux différents items pour obtenir un score d attitude

57 5.2 L application d un instrument de mesure Lorsqu on réalise une mesure en appliquant un instrument déjà existant, la procédure permettant de passer du construit au score brut est prédéfinie : le dispositif de recueil n a pas à être choisi l ensemble des règles qui permettent d obtenir le score brut à partir des observations s appelle la cotation

58 6. Les qualités métrologiques d une mesure Une fois que l on a défini une procédure permettant d obtenir une mesure, on doit examiner ses qualités métrologiques : (métrologie = science de la mesure en général) son étalonnage : signification statistique du score brut sa fidélité : précision du score brut sa validité : signification psychologique du score brut

59 Partie 3 L étalonnage

60 1. Définition Lorsqu on obtient un score, on veut pouvoir faire une interprétation en termes de «c est beaucoup / c est pas beaucoup». Pour pouvoir faire cette interprétation, il faut comparer ce score à une certaine valeur de référence On distingue trois logiques d interprétation des scores en fonction de la valeur à laquelle le score du sujet est comparé : logique critériée logique ipsative logique normative

61 1. Définition Logique critériée : comparer le score à un critère externe Cette logique est valable si l instrument a fait l objet d une validation critériée (cf. cours validité) Logique ipsative : comparer le score avec d autres scores du même sujet ex: un élève a une moyenne de 11 en maths, on peut interpréter cette moyenne en la comparant à sa moyenne en physique Logique normative : comparer le score avec les scores d autres sujets ex: un élève a une moyenne de 11 en maths, on peut interpréter cette moyenne en la comparant à la moyenne de la classe

62 1. Définition Différence entre logique ipsative logique normative : Paul et Pierre répondent à la question : Je préfère : le tennis le golf Paul préfère le tennis au golf Pierre préfère le golf au tennis Peut-on en conclure que Paul aime le tennis plus que Pierre?

63 1. Définition En psychologie, l étalonnage relève de la logique normative. L interprétation du score d un sujet se fait donc suivant un critère relatif : le rang de ce score dans la distribution des scores de la population à laquelle appartient le sujet Réaliser l étalonnage d un instrument consiste à : obtenir les scores bruts d un échantillon représentatif d une population donnée : échantillon d étalonnage transformer la distribution des scores bruts obtenus sur cet échantillon en une nouvelle distribution calquée sur une distribution théorique connue : transformation des scores bruts

64 2. L échantillon d étalonnage Les scores caractéristiques d une population à un test sont obtenus en l administrant à un échantillon représentatif de cette population cet échantillon représentatif est l échantillon d étalonnage on dit que le test a été étalonné sur cet échantillon Exemple : la WAIS-III (test d intelligence pour adolescents et adultes) Ce test a été étalonné en sur un échantillon représentatif de la population française (N = 1104) constitué suivant 4 critères : l âge (de 16 ans à 89 ans) le sexe la catégorie socioprofessionnelle la catégorie de commune

65 2. L échantillon d étalonnage Les étalonnages doivent être régulièrement actualisés. Le score d un sujet testé aujourd hui est comparé aux scores des sujets de l échantillon d étalonnage (datant de ) Exemple : la WAIS est régulièrement ré-étalonnée WAIS : 1955 WAIS-R : 1981 WAIS-III : 1997 WAIS-IV : 2008

66 3. La transformation des scores bruts L objectif de l étalonnage est de pouvoir déterminer le rang d un score dans la population de référence Souvent, la distribution des scores bruts est telle qu elle ne permet pas de déterminer le rang d un score facilement On transforme donc cette distribution en une distribution théorique connue qui permet de situer le rang d un score facilement On distingue 3 types d étalonnages en fonction de la distribution théorique choisie : distribution normale : notes standard et normalisation distribution uniforme : quantilage

67 3.1 Les notes standard Si la distribution des scores bruts suit une loi normale, l étalonnage le plus simple consiste à transformer les scores bruts en scores centrés-réduits (scores z) Exemple : scores bruts : moyenne = 12, écart-type = 4 un sujet a un score brut = 16 score z = 1 le sujet a un score supérieur à 84 % des sujets

68 3.1 Les notes standard Mais les valeurs des scores z (-1.79, 2.12, ) sont peu commodes à manipuler «Votre fils a un QI de 0.04, ce qui signifie que son intelligence se situe dans la moyenne» La pratique consiste à transformer les scores z en notes standard dont la moyenne et l écart-type sont arbitrairement choisis (une note standard est un score z) Formule : note standard = écart-type score z + moyenne

69 3.1 Les notes standard Exemple 1 : les subtests dans la WAIS où l on a choisi moyenne = 10 écart-type = 3 Les notes standard varient donc entre : 3 (-3) + 10 = 1 3 (+3) + 10 = 19 (99 % des individus se situent entre -3 et +3 écarts-types) Subtest «Information» : le sujet doit répondre à 28 questions de connaissances (Qu est ce qu un thermomètre? Où est la Finlande?) Cotation : 0 point (réponse fausse) / 1 point (réponse correcte)

70 3.1 Les notes standard Conversion des scores bruts en notes standard Exemple : score brut 23 = note standard 13 le sujet est 1 écart-type au-dessus de la moyenne Notes standard Scores bruts

71 3.1 Les notes standard Exemple 2 : le QI dans la WAIS et le WISC où l on a choisi moyenne = 100 écart-type = 15 Les notes standard varient donc entre : 15 (-4) = (+4) = 160 (100 % des individus se situent entre -4 et +4 écarts-types)

72 3.1 Les notes standard Exemple 3 : les scores T où l on a choisi moyenne = 50 écart-type = 10 Les notes standard varient donc entre : 10 (-4) + 50 = (+4) + 50 = 90 De nombreux tests psychologiques utilisent les scores T (ex: MMPI)

73 3.1 Les notes standard Equivalence des notes standard : % % % 0.13 % 2.14 % % % % % 2.14 % 0.13 % écart-type - 4 σ - 3 σ - 2 σ - 1 σ + 1 σ + 2 σ + 3 σ + 4 σ scores z scores T scores QI

74 3.2 La normalisation La normalisation est un étalonnage qui consiste à transformer la distribution des scores bruts en une distribution de n classes chaque classe regroupe plusieurs scores bruts les effectifs des classes correspondent à ceux de la distribution normale les limites entre les classes partagent les scores en intervalles égaux La normalisation produit des scores standards normalisés

75 3.2 La normalisation Les normalisations les plus utilisées sont : la normalisation en 5 classes la normalisation en 7 classes la normalisation en 9 classes la normalisation en 11 classes Le nombre de classes est toujours impair afin de pouvoir faire des intervalles égaux

76 3.2 La normalisation Normalisation en 5 classes : Classes % théoriques % cumulés théoriques Un sujet dans la classe 3 a un score supérieur à au moins 30.85% des sujets

77 3.2 La normalisation Normalisation en 9 classes : Classes % théoriques % cumulés théoriques

78 3.2 La normalisation Exemple : on réalise une normalisation en 9 classes questionnaire d anxiété 145 sujets les scores bruts vont de 0 à 24

79 Scores bruts Effectifs Effectifs cumulés % cumulés

80 3.2 La normalisation Distribution des scores bruts : 14 on veut transformer cette distribution en 9 classes Effectifs Scores bruts

81 Scores bruts Effectifs Effectifs cumulés % cumulés % cumulés théoriques Classes

82 3.2 La normalisation Résultat : Distribution des scores bruts Distribution normalisée classes Effectifs 8 6 Effectifs Scores bruts Classes

83 3.2 La normalisation Présentation des résultats : Classe Scores bruts

84 3.3 Le quantilage Le quantilage est un étalonnage qui consiste à transformer la distribution des scores bruts en une distribution de n classes chaque classe regroupe plusieurs scores bruts les effectifs des classes sont égaux (distribution uniforme) les limites entre les classes partagent le continuum des scores en intervalles inégaux On relève deux types de quantilages fréquents : le décilage (10 classes) le centilage (100 classes)

85 3.3 Le quantilage Le décilage : Déciles (classes) % théoriques % cumulés théoriques

86 3.3 Le quantilage Exemple : on réalise un décilage questionnaire d anxiété 145 sujets les scores bruts vont de 0 à 24

87 Scores bruts Effectifs Effectifs cumulés % cumulés % cumulés théoriques Déciles

88 3.3 Le quantilage Effectifs Résultat : Distribution des scores bruts Distribution décilée Effectifs Scores bruts Classes interdéciles

89 3.3 Le quantilage Le centilage produit une distribution uniforme de 100 classes les classes sont appelées des centiles le pourcentage associé à un centile est appelé percentile (ou rang percentile) ex: dans la WAIS-III, le rang percentile d un QI de 105 est 63 (63% des sujets ont un QI inférieur à 105)

90 4. Bilan Comparaison normalisation/quantilage Normalisation forte discrimination des sujets aux extrémités faible discrimination des sujets autour de la moyenne Quantilage faible discrimination des sujets aux extrémités forte discrimination des sujets autour de la moyenne

91 4. Bilan Les normes d un instrument La majorité des tests rapportent plusieurs types de scores étalonnés (scores standard, centiles, etc.) Pour un instrument donné, la correspondance entre les scores bruts et les scores étalonnés définit les normes de l instrument

92 4. Bilan Le niveau de mesure des scores étalonnés Les scores étalonnés constituent une mesure ordinale : un score étalonné indique le rang d un sujet dans son groupe d appartenance Exemple : le QI est une mesure ordinale de l intelligence pas une mesure de rapports un sujet avec un QI de 150 n est pas deux fois plus intelligent qu un sujet avec un QI de 75 ni une mesure d intervalle (mais souvent traitée comme telle) les différences de 10 points entre d une part un QI de 110 et un QI de 100 et d autre part un QI de 140 et un QI de 130 ne renvoient pas à une même différence d intelligence

93 4. Bilan Le niveau de mesure des scores étalonnés Binet (1905) : Son échelle «permet non pas à proprement parler la mesure de l intelligence car les qualités intellectuelles ne se mesurent pas comme des longueurs, elles ne sont pas superposables mais un classement, une hiérarchie entre des intelligences diverses.»

94 Partie 4 Le recueil des observations

95 1. Observation vs. Tâche La mesure d un construit passe par l analyse d observations qui sont ensuite transformées en nombres On distingue deux méthodes générales de recueil des observations : la mesure par observation se base sur des comportements tels qu ils se produisent dans des situations naturelles la mesure par tâche consiste à analyser des comportements provoqués dans des situations standardisées Une tâche désigne une situation dans laquelle le sujet doit produire une réponse à un stimulus en fonction d une consigne stimulus : ensemble des informations présentées réponse : production du sujet consigne : instructions indiquant le comportement à effectuer pour produire sa réponse

96 1. Observation vs. Tâche Exemple : mesure de l autodiscipline (dimension Conscience du Big Five) Mesure par tâche : réponse à l item (item n 80 du NEO PI-R) Quand je commence un programme d amélioration personnelle (par exemple : faire de la gymnastique, faire un régime, ou suivre une série de cours, etc.), j abandonne habituellement au bout de quelques jours. Mesure par observation : durée de maintien d un régime alimentaire dans la vie réelle

97 2. Mesures auto-rapportées vs. non-rapportées Le critère de distinction entre mesures auto-rapportées et mesures non-rapportées est le fait que la mesure repose ou non sur un rapport du sujet sur lui-même une mesure auto-rapportée est obtenue par ce rapport (également appelée mesure directe) une mesure non-rapportée n est pas obtenue par ce rapport (également appelée mesure indirecte) Pour rapporter une information sur lui-même, le sujet doit utiliser l introspection : observation et analyse de soi-même

98 2. Mesures auto-rapportées vs. non-rapportées Les mesures auto-rapportées La forme générale d une mesure auto-rapportée d un attribut X est : Je suis X Pas du tout d accord Tout à fait d accord Le sujet rapporte lui-même l information relative à l attribut : il «est» l instrument de mesure Les réponses du sujet exprime directement ou indirectement le rapport du sujet sur lui-même (!! ne pas confondre avec mesures directes et indirectes)

99 2. Mesures auto-rapportées vs. non-rapportées Rapport direct du sujet : Exemple 1 : mesure de la douleur (échelle visuelle analogique) Face patient (recto) Face soignant (verso)

100 2. Mesures auto-rapportées vs. non-rapportées Rapport direct du sujet : Exemple 2 : mesure du stress psychologique (MSP-9) item n 9 : Je suis stressé(e). Pas du tout Enormément

101 2. Mesures auto-rapportées vs. non-rapportées Rapport indirect du sujet : Exemple : mesure de la moralité (MDBS-R) item n 1 : Tricher sur les impôts quand on en a l occasion est : Jamais justifié Toujours justifié Un sujet qui choisit la réponse 1 rapporte l information : «je suis une personne morale»

102 2. Mesures auto-rapportées vs. non-rapportées Les mesures non-rapportées Elles consistent à obtenir une mesure du construit par l intermédiaire d une mise en situation de celui-ci Dans ce type de mesures, on crée une situation standardisée dans laquelle les comportements analysés sont directement influencés par le construit mesuré

103 2. Mesures auto-rapportées vs. non-rapportées Exemple 1 : mesure de l empathie Mesure auto-rapportée : questionnaire de quotient empathique (Baron-Cohen et Wheelwright, 2004) item n 25 : Je suis doué(e) pour dire ce que quelqu un ressent. Mesure par non-rapportée : test de Baron-Cohen Identifier le ressenti subjectif d une personne sur une photo

104 2. Mesures auto-rapportées vs. non-rapportées La personne ressent : de la tristesse de l amusement de l embarras de la honte

105 2. Mesures auto-rapportées vs. non-rapportées Exemple 2 : mesure de la théorie de l esprit La théorie de l esprit désigne la capacité à inférer les états mentaux d autrui (croyances, désirs, émotions, etc.) L empathie est un cas particulier de la théorie de l esprit. Mesure non-rapportée : test de Sally et Anne (test pour enfants), créé par Wimmer et Perner (1983) et repris par Leslie et Frith (1988)

106

107 2. Mesures auto-rapportées vs. non-rapportées Exemple 2 : mesure de la théorie de l esprit Test réussi : l enfant répond en fonction de ce que Sally croit Test échoué : l enfant répond en fonction de ce que lui croit Etude de Baron-Cohen (1985) : 23 enfants normaux sur 27 réussissent le test (m = 4.5 ans) 4 enfants autistes sur 20 réussissent le test (m = 11 ans)

108 2. Mesures auto-rapportées vs. non-rapportées Le type de mesure (auto-rapportée/non-rapportée) et la méthode de recueil des observations sont deux critères orthogonaux : Méthode de recueil des observations Mesure auto-rapportée Observation Rapports verbaux en situation naturelle Tâche Questionnaire Mesure non-rapportée Données de vie Test

109 2. Mesures auto-rapportées vs. non-rapportées Exemple : mesure de la préférence Coca/Pepsi Méthode de recueil des observations Mesure auto-rapportée Mesure non-rapportée Observation «Je bois plus de Coca que de Pepsi» Consommation réelle de Coca et Pepsi Je préfère : Coca-Cola Pepsi Tâche Quelle boisson choisissezvous de boire : Coca-Cola ou Pepsi?

110 2. Mesures auto-rapportées vs. non-rapportées On retrouve les trois grands types de données psychologiques identifiés par Cattell : données de vie (L-data) : observations du sujet dans sa vie courante et données biographiques données de questionnaires (Q-data) données de tests (T-data)

111 3. Mesures subjectives vs. objectives Le critère de distinction entre mesures subjectives et objectives renvoie à la nature du processus qui produit la mesure dans une mesure subjective, le processus qui détermine la mesure est un jugement subjectif du sujet (une appréciation) dans une mesure objective, le processus de mesure est indépendant de la subjectivité du sujet La distinction entre mesure subjective et mesure objective repose sur une conception réaliste des construits : on distingue la valeur réelle (objective) du sujet sur le construit de la représentation (subjective) que celui-ci en a

112 3. Mesures subjectives vs. objectives Exemple : mesure de la douleur On distingue : le degré de douleur réel : douleur objective le degré de douleur ressenti : douleur subjective Mesure subjective : échelle visuelle analogique cette mesure est déterminée par la douleur subjective Mesure objective : variabilité du rythme cardiaque cette mesure est déterminée par la douleur objective

113 4. Mesures verbales vs. comportementales Le critère de distinction entre mesures verbales et comportementales correspond à la nature de l information prise en compte dans les observations dans les mesures verbales, on prend en compte ce que le sujet «dit» (au sens large) dans les mesures comportementales, prend en compte ce que le sujet «fait» (au sens large) La distinction verbal/comportemental est floue car toute observation (même dans les mesures verbales) est le produit d un comportement

114 Bilan La mise en correspondance des différents types de mesure fait qu on peut identifier deux pratiques de mesure récurrentes Pratique 1 Pratique 2 Mesures auto-rapportées (directes) Mesures subjectives Mesures verbales Mesures non-rapportées (indirectes) Mesures objectives Mesures comportementales Ces correspondances ne sont pas systématiques ex: une mesure non-rapportée peut ne pas être comportementale (test de Rorschach)

115 5. Les différents formats d items Le format d un item correspond à la façon dont l information est présentée au sujet et à la tâche que celui-ci doit réaliser pour produire sa réponse (modalités de réponse) On distingue 2 catégories de formats d items en fonction du type de construit mesuré : aptitude ou personnalité (au sens large) Les réponses des sujets aux items définissent les observations qui sont ensuite transformées en données (codage numérique des observations : 2 ème étape du processus de mesure) Le codage numérique est intrinsèquement lié au format des items mesures d aptitudes : présence d une réponse correcte mesures de personnalité : pas de réponse correcte

116 5. Les différents formats d items Réponse ouverte/fermée Une réponse ouverte est une réponse construite par le sujet permet de recueillir le maximum d informations favorise la spontanéité des sujets requiert un traitement coûteux (analyse de contenu) Une réponse fermée est une réponse choisie par le sujet parmi un ensemble de modalités prédéfinies permet de recueillir une information ciblée requiert un traitement peu coûteux (automatisé) peut donner lieu à des résultats artificiels

117 5.1 Mesure d aptitudes Les items de complétion Le sujet doit fournir une réponse ouverte, il doit élaborer une réponse ex : «17 24 =?» «Qui était Ronald Reagan?» Avantage : ce format d item empêche les sujets de répondre au hasard (la probabilité de donner la réponse correcte en répondant au hasard est faible) Inconvénient : le codage des réponses (ce type d items requiert que les réponses soient universelles et sans ambiguïté)

118 5.1 Mesure d aptitudes Les items d appariement Le sujet doit apparier les éléments d une liste (prémisses) avec ceux d une autre liste (réponses) En général, le nombre de réponses doit être supérieur au nombre de prémisses afin de réduire l effet du hasard Exemple : associer chaque auteur à la discipline correspondante 1. Noam Chomsky A. Psychiatrie 2. Marie Curie B. Anthropologie 3. Sigmund Freud C. Physique 4. Margaret Mead D. Sociologie E. Linguistique

119 5.1 Mesure d aptitudes Les items à choix multiples Le sujet doit choisir une réponse parmi un ensemble d options, l une d entre elles étant la réponse correcte, les autres options étant des distracteurs Le choix des distracteurs est crucial : ceux-ci doivent apparaître comme des réponses plausibles pour un sujet qui ne connait pas la réponse correcte, les différentes réponses proposées doivent avoir la même probabilité d être choisies nombre de distracteurs préconisé : entre 4 et 6

120 5.1 Mesure d aptitudes Les items dichotomiques VRAI/FAUX sont un sous-ensemble des items à choix multiples Avantage : le codage des réponses est rapide Inconvénient : la probabilité p de donner la réponse correcte en répondant au hasard est non négligeable n = nombre de réponses proposées, p = 1/n cette probabilité correspond à la ligne de base du hasard comme le nombre de réponses proposées n est jamais très élevé, cette probabilité doit être prise en compte Exemple : un examen comporte 20 items à choix multiples (4 choix) Un étudiant qui répond au hasard à tous les items aura en moyenne une note de 5 (si les items sont indépendants)

121 5.2 Mesure de traits de personnalité Les items dichotomiques Le sujet doit choisir entre 2 propositions celle qui le décrit le mieux Ces items sont parfois appelés «items à choix forcé» : ceci est une conséquence du fait qu ils comportent un nombre pair de modalités de réponse (mais un item à choix forcé n est pas nécessairement un item dichotomique) Les items dichotomiques sont notamment utilisés pour : réaliser une mesure ipsative (cas du MBTI) contrôler la désirabilité sociale : les deux modalités de réponse possèdent le même degré de désirabilité sociale ex : Je suis sérieux(se) énergique

122 5.2 Mesure de traits de personnalité Les items polytomiques Le sujet doit choisir entre plusieurs propositions Les items polytomiques les plus utilisés sont les items de Likert (ne pas confondre avec les échelles de Likert) où les modalités de réponse ordonnées et étiquetées verbalement ou numériquement Pour l étiquetage des échelons de réponse, il est recommandé : d utiliser un étiquetage verbal des échelons de réponse plutôt qu un étiquetage numérique d utiliser un étiquetage complet plutôt qu un étiquetage partiel (les extrémités) Ces deux options rendent explicite la signification psychologique des échelons de réponse

123 5.2 Mesure de traits de personnalité Concernant le nombre d échelons de réponse : utiliser entre 5 ou 7 échelons l effet de la présence ou non d une réponse neutre sur les résultats est négligeable Item unipolaire ou bipolaire : item unipolaire : présence ou d absence d un attribut ex : pas du tout satisfait / peu satisfait / modérément satisfait / satisfait / totalement satisfait (codage : de 0 à 1) item bipolaire : deux attributs opposés (présence d une modalité neutre) ex : totalement insatisfait / insatisfait / plutôt insatisfait / sans avis / plutôt satisfait / satisfait / totalement satisfait (codage : de -3 à +3)

124 5.2 Mesure de traits de personnalité La question de savoir si les nombres assignés aux échelons d un item de Likert sont une mesure ordinale ou une mesure d intervalle est une question débattue Au plan théorique, la mesure réalisée avec des items de Likert est ordinale les nombres assignés aux échelons sont arbitraires rien ne permet d affirmer que des intervalles identiques entre les échelons (ex : 1-2 et 5-6) représentent la même différence au niveau de l attribut mesuré Au plan pratique, on considère que la mesure réalisée avec des items de Likert est d intervalle si les échelons sont : symétriques par rapport à une modalité médiane étiquetés avec des labels verbaux précis

125 5.3 Les styles de réponse Les réponses à des questionnaires sont susceptibles d être biaisées par des styles de réponse Un style de réponse est une tendance du sujet, plus ou moins marquée et plus ou moins permanente, à répondre de manière spécifique aux items indépendamment de leur contenu Les styles de réponse dépendent de caractéristiques : des sujets (ex: traits de personnalité) des items (ex: items ambigus ou complexes) de la situation (ex: évaluation avec enjeu)

126 5.3 Les styles de réponse On identifie 4 styles de réponse principaux : la désirabilité sociale la tendance à répondre au hasard la tendance à l acquiescement : tendance à choisir davantage les réponses qui reflètent un accord («Vrai», «Oui», «Fortement en accord», ) le biais de la réponse médiane : tendance à choisir davantage la réponse médiane, le milieu de l échelle Dans les questionnaires, les styles de réponse sont gérés : a priori (ex: items dichotomiques pour la désirabilité sociale) a posteriori en utilisant des échelles spécifiques

127 Les mesures indirectes et implicites

128 Mesures indirectes ou mesures implicites? Mesures directes/indirectes : Critère de distinction : méthode mesures directes : reposent sur les rapports verbaux du sujet mesures indirectes : ne passent pas par les rapports verbaux Mesures explicites/implicites : Critère de distinction : nature du construit mesures explicites : portent sur des construits explicites mesures implicites : portent sur des construits implicites

129 1. Les mesures indirectes Lorsque le sujet rapporte des informations sur lui-même, le construit mesuré est transparent : il sait ce que l on cherche à mesurer La transparence du construit mesuré est un continuum attribut mesuré très transparent : Je suis heureux(se). attribut mesuré relativement transparent : Parfois, j ai besoin d être seul(e).

130 1. Les mesures indirectes Les rapports verbaux du sujet peuvent manquer de fiabilité pour deux raisons : le sujet rapporte ce qu il veut : biais d auto-présentation il peut ne pas être honnête dans ses réponses le sujet rapporte ce qu il peut : limites introspectives il n a pas une connaissance parfaite de lui-même «Tout individu a des souvenirs qu il ne partagerait qu avec ses amis. Il a d autres pensées qu il ne révèlerait pas même à ses amis ; il ne se les avouerait qu en secret. Mais il y a d autres choses qu un individu craint de se révéler à luimême, et tout individu qui se respecte a un certain nombre de telles choses cachées dans son esprit.» (Dostoïevski)

131 1. Les mesures indirectes Le biais d auto-présentation majeur est la désirabilité sociale : tendance à donner une image de soi excessivement favorable Les réponses d un sujet dans un questionnaire sont largement affectées par cette tendance. Edwards (1953) : corrélation entre désirabilité sociale d un item et endossement de l item = 0.87 De nombreuses études attestent de la présence de duperie dans les questionnaires de personnalité un sujet sur deux admet avoir déjà fourni de fausses réponses dans ces questionnaires comparaison entre les réponses en condition normale et en condition tricherie : de 0.5 à 0.75 écart-type de différence

132 1. Les mesures indirectes Même si un sujet ne cherche pas à falsifier ses réponses, celles-ci doivent être relativisées car le sujet n a pas une connaissance parfaite de lui-même Les limites introspectives ont été mises en évidence par Nisbett et Wilson (1977) : certains contenus mentaux ne sont pas accessibles à l introspection Ils montrent notamment que dans certaines situations, nous ne sommes pas conscients de : la présence d un stimulus qui influence notre comportement la présence d un comportement en réponse à ce stimulus la présence d un lien entre ce stimulus et cette réponse

133 1. Les mesures indirectes Exemple : semaine Bateson (2006) : dans une cafétéria, les personnes mettent plus d argent dans une cagnotte lorsqu une image de regard est disposée juste au-dessus de la cagnotte. Aucun sujet n est conscient de cette influence argent

134 2. Les mesures implicites L inconscient cognitif Dans les années 1950, la révolution cognitive a non seulement permis de replacer la conscience comme objet d'étude mais a aussi permis à la psychologie scientifique de redécouvrir l'inconscient L'utilisation de nouvelles méthodes permettant l'étude des processus cognitifs tout en évitant les problèmes posés l introspection a mis au jour l'importance des processus inconscients C est l'inconscient cognitif (Kilhstrom, 1987) : processus cognitifs et représentations mentales dont le sujet n'a pas conscience mais qui influencent néanmoins son comportement

135 2. Les mesures implicites Exemple 1 : neuropsychologie Cas d un patient atteint d une hémi-négligence visuo-spatiale. Une lésion dans l hémisphère droit fait que le patient n est pas conscient de son champ visuel gauche

136 2. Les mesures implicites Exemple 1 : neuropsychologie

137 2. Les mesures implicites Exemple 1 : neuropsychologie

138 2. Les mesures implicites Exemple 1 : neuropsychologie «Y a-t-il une différence entre les deux maisons?» Patient P.S. : «Non, aucune.» «Dans laquelle de ces deux maisons préféreriez-vous habiter?» Patient P.S. : «Dans la maison du haut.» (14 fois sur 17)

139 2. Les mesures implicites Exemple 2 : stéréotype inconscient (Bargh, 1996) Les sujets réalisaient une tâche qui consistait à reformer des phrases à partir de mots donnés dans le désordre. Pour un groupe de sujets, la plupart des mots étaient associés au stéréotype de la personne âgée (ex : «gris», «lent»). Pour un autre groupe de sujets, les mots n étaient pas liés à ce stéréotype (groupe contrôle). Une fois le test terminé, on enregistrait à l insu des sujets le temps qu ils mettaient pour traverser le couloir menant à la sortie. Résultat : les sujets du groupe «stéréotype» étaient plus lents que les sujets du groupe contrôle

140 2. Les mesures implicites La cognition sociale implicite La cognition sociale implicite résulte du croisement de deux domaines de recherche : l inconscient cognitif et la cognition sociale La cognition sociale désigne le traitement de l information sociale ce courant de recherches est apparu dans les années 1970 il s agit du paradigme dominant en psychologie sociale Il existe des représentations spécifiques au traitement de l information sociale : les représentations sociales (attitudes, stéréotypes, )

141 2. Les mesures implicites Des chercheurs ont suggéré qu il existe des représentations sociales implicites et plus généralement, des construits implicites Selon Greenwald et Banaji (1995), un construit implicite est : une trace en mémoire de notre expérience passée non identifiable de façon introspective (ou de manière imprécise) capable d'influencer nos sentiments, nos pensées et nos actions envers divers objets sociaux Les construits explicites sont mesurés par des mesures autorapportées, mais comment mesurer les construits implicites?

142 3. Le test des associations implicites (IAT) La mesure indirecte la plus utilisée est l IAT IAT = Implicit Association Test créé en 1998 par Greenwald, McGhee, et Schwartz L IAT permet de dépasser : les biais d auto-présentation : le sujet ne peut pas «tricher» les limites introspectives : pas de rapports verbaux

143 3. Le test des associations implicites (IAT) L IAT permet de mesurer des associations implicites. Cet instrument a une grande applicabilité car la plupart des construits psychologiques se définissent comme des associations : attitude envers X = association entre la représentation de X et une valence (positif / négatif) stéréotype envers X = association entre la représentation d un groupe social et un attribut estime de soi = association entre la représentation de soi et une valence (positif / négatif) concept de soi = association entre la représentation de soi et un attribut

144 3. Le test des associations implicites (IAT) Exemple : mesure de l attitude envers les personnes homosexuelles HETEROSEXUEL ou BON HOMOSEXUEL ou MAUVAIS LESBIENNE TOUCHE «E» TOUCHE «I»

145 3. Le test des associations implicites (IAT) Exemple : mesure de l attitude envers les personnes homosexuelles «Hétérosexuel» et «Homosexuel» sont les catégories cibles «Bon» et «Mauvais» sont les catégories attributs Le stimulus qui apparaît au centre de l écran est un exemplaire (de l une des quatre catégories) Le sujet doit catégoriser l exemplaire le plus rapidement si l exemplaire appartient à l une des 2 catégories à gauche : appuyer sur la touche E si l exemplaire appartient à l une des 2 catégories à droite : appuyer sur la touche I On enregistre le temps de réponse du sujet

146 3. Le test des associations implicites (IAT) Exemple : mesure de l attitude envers les personnes homosexuelles Condition 1 : Hétérosexuel Bon / Homosexuel Mauvais Condition 2 : Hétérosexuel Mauvais / Homosexuel Bon Effet IAT : différence entre les temps de réponse dans les deux conditions Interprétation : si le sujet est plus rapide dans la condition 1 que dans la condition 2, son attitude implicite envers les homosexuels est négative

147 3. Le test des associations implicites (IAT) Les mesures indirectes : sont moins sensibles à la désirabilité sociale et à la duperie que les mesures directes ne peuvent pas être utilisées comme détecteur de mensonge ne permettent pas de révéler le «vrai soi»

148 Partie 5 Les modèles de mesure

149 1. Définition Un modèle de mesure est une procédure qui permet de transformer les données en une mesure résultante (scores bruts) : étape n 3 Le niveau de mesure de la mesure résultante peut être différent de celui des données Appliquer un modèle de mesure est effectuer un échelonnement. Echelonner consiste positionner des sujets (ou des objets) sur un ou plusieurs continuums latents un continuum : échelonnement unidimensionnel plusieurs continuums : échelonnement multidimensionnel ex: échelonnement unidimensionnel de 5 sujets sujet 4 sujet 1 sujet 3 sujet 5 sujet 2 continuum

150 1. Définition On distingue plusieurs échelonnements unidimensionnels en fonction de la propriété caractéristique de la procédure qui produit des valeurs numériques échelonnement de Likert : addition échelonnement de Guttman : cumul échelonnement de Thurstone : comparaison par paires

151 2. L échelonnement de Likert L échelonnement de Likert est le modèle de mesure qui est souvent appliqué aux données recueillies par questionnaire. C est le modèle de mesure le plus utilisé en psychologie Cet échelonnement s applique à un questionnaire composé d items de Likert (l échelle de Likert correspond au modèle de mesure) Principe : on calcule le score brut d un sujet en additionnant ses réponses aux items

152 3. L échelonnement de Guttman L échelonnement de Guttman est un modèle de mesure qui permet de positionner les sujets sur un continuum latent de façon ordinale Cet échelonnement : s applique à des données dichotomiques (nominales) produit une mesure résultante ordinale repose sur une propriété des items : la propriété cumulative est adéquat pour la mesure d attitudes et d aptitudes

153 3. L échelonnement de Guttman La propriété cumulative des items Questionnaire de connaissances générales en psychologie : 1. Milgram a mis en évidence le phénomène de soumission à l autorité. VRAI FAUX 2. Skinner était cognitiviste. VRAI FAUX 3. Broadbent est connu pour ses travaux sur l attention. VRAI FAUX 4. Freud est l inventeur de la psychanalyse. VRAI FAUX 5. Hathaway et McKinley sont les auteurs du MMPI. VRAI FAUX

154 3. L échelonnement de Guttman On fait passer ce questionnaire à 5 étudiants (0 : faux / 1 : juste). Les données ont la forme d une matrice sujets-variables sujet item 1 item 2 item 3 item 4 item 5 Tableau

155 3. L échelonnement de Guttman 1. On calcule les scores des sujets : somme pour chaque ligne sujet item 1 item 2 item 3 item 4 item 5 scores Tableau 1

156 3. L échelonnement de Guttman 2. On calcule les indices de difficulté des items (ID) : moyennes des colonnes sujet item 1 item 2 item 3 item 4 item 5 scores Tableau 1a ID Indice de difficulté d un item : % de réponses correctes à l item. Plus cet indice est élevé, plus l item est facile

157 3. L échelonnement de Guttman 3. On range les items suivant leur indice de difficulté : sujet item 4 item 2 item 1 item 5 item 3 scores ID Tableau 1b

158 3. L échelonnement de Guttman 4. On range les sujets suivant leurs scores : sujet item 4 item 2 item 1 item 5 item 3 scores ID Tableau 1c

159 3. L échelonnement de Guttman A ce stade, on constate une structure particulière dans les données : sujet item 4 item 2 item 1 item 5 item 3 scores Tableau 1d ID La réussite à un item de difficulté donnée implique la réussite à tous les items de difficulté inférieure : c est la propriété cumulative Lorsque cette propriété est parfaitement respectée, chaque score ne peut être obtenu que d une seule façon

160 3. L échelonnement de Guttman La construction d une échelle de Guttman On veut mesurer l attitude envers les personnes immigrées avec l échelonnement de Guttman On génère des énoncés en rapport avec cette attitude Accepteriez-vous une personne immigrée : comme collègue au travail comme ami proche comme relation proche par mariage (beau-frère, belle-mère...) On demande à des sujets (juges) de dire si chaque énoncé exprime une attitude favorable (1) ou défavorable (0) envers les personnes immigrées

161 3. L échelonnement de Guttman On examine si les items ont la propriété cumulative : sujet item 2 item 7 item 5 item 3 item 8 Tableau IE Indice d endossement d un item : % de sujets qui ont endossé l item (équivalent de l indice de difficulté quand il n y a pas de réponse juste)

162 3. L échelonnement de Guttman Parmi les items de départ, on sélectionne un sous-ensemble d items qui respectent la propriété cumulative. Ces items constitue l instrument final : Accepteriez vous une personne immigrée : 1. comme relation proche par mariage 2. comme ami proche 3. comme voisin ou habitant dans la même rue 4. comme collègue au travail 5. comme habitant de la même ville 6. comme visiteur dans le pays 7. vous ne l'excluriez pas du pays OUI OUI OUI OUI OUI OUI OUI Figure 1 NON NON NON NON NON NON NON

163 3. L échelonnement de Guttman Cet instrument existe, il s agit de l échelle de distance sociale de Bogardus (1925) Figure 1 item 1 item 2 item 3 item 4 item 5 item 6 item 7 score

164 3. L échelonnement de Guttman Bilan L échelonnement de Guttman permet de transformer des données nominales (ex: réponses oui/non, d accord/pas d accord ) en une mesure résultante ordinale (rangs des sujets sur l attribut mesuré)

165 4. L échelonnement de Thurstone L échelonnement de Thurstone est un modèle de mesure qui positionne des objets sur un continuum latent en prenant en compte la distance (mesure résultante d intervalle) Cet échelonnement s applique sur des données issues de la tâche des comparaisons par paires on présente au sujet deux stimuli A et B et il doit en choisir un des deux selon une caractéristique donnée (préférence, importance) les données produites sont ordinales (A > B ou B > A)

166 4. L échelonnement de Thurstone Exemple : on veut échelonner cinq valeurs individuelles : la liberté, le plaisir, la réussite, le pouvoir, l accomplissement On fait passer la tâche des comparaisons par paires avec ces 5 stimuli à un échantillon de sujets Selon vous, le plus important est : 1. liberté plaisir 2. pouvoir accomplissement 3. plaisir réussite 4. pouvoir liberté Pour n stimuli, le nombre de comparaisons est : n(n 1)/2

167 4. L échelonnement de Thurstone 1. On présente les données sous la forme suivante : pouvoir accomp. réussite liberté plaisir Tableau 3a pouvoir accomp réussite liberté plaisir Chaque case indique le % de sujets qui ont préféré le stimulus en colonne au stimulus en ligne.

168 4. L échelonnement de Thurstone 1. On présente les données sous la forme suivante : pouvoir accomp. réussite liberté plaisir Tableau 3a pouvoir accomp réussite liberté plaisir Chaque case indique le % de sujets qui ont préféré le stimulus en colonne au stimulus en ligne. ex: 82% des sujets ont préféré la réussite au pouvoir

169 4. L échelonnement de Thurstone 1. On présente les données sous la forme suivante : pouvoir accomp. réussite liberté plaisir Tableau 3a pouvoir accomp réussite liberté plaisir Chaque case indique le % de sujets qui ont préféré le stimulus en colonne au stimulus en ligne. ex: 82% des sujets ont préféré la réussite au pouvoir Les valeurs sont en miroir par rapport à la diagonale

170 4. L échelonnement de Thurstone 2. On transforme les % en scores z : pouvoir accomp. réussite liberté plaisir pouvoir accomp réussite liberté plaisir pouvoir accomp. réussite liberté plaisir pouvoir accomp réussite liberté plaisir Tableau 3b

171 4. L échelonnement de Thurstone 2. On transforme les % en scores z : pouvoir accomp. réussite liberté plaisir pouvoir accomp réussite liberté plaisir pouvoir accomp. réussite liberté plaisir pouvoir accomp réussite liberté plaisir Tableau 3b

172 4. L échelonnement de Thurstone Dans la loi normale : z = 0 z = 1.40

173 4. L échelonnement de Thurstone 3. Dans le tableau des scores z, on calcule les moyennes en colonne : pouvoir accomp. réussite liberté plaisir pouvoir accomp réussite liberté plaisir moyenne Tableau 3c La moyenne d un stimulus correspond à sa position sur le continuum pouvoir accomplissement réussite liberté plaisir continuum

174 4. L échelonnement de Thurstone Bilan L échelonnement de Thurstone permet de transformer des données ordinales (réponses dans la tâche des comparaisons par paires) en une mesure résultante d intervalle Cet échelonnement fut le premier modèle de mesure explicite pour construire une échelle. Thurstone l avait par exemple appliqué à la mesure de la gravité des délits (1927) vagabondage diffamation cambriolage adultère viol continuum

175 L analyse factorielle

176 1. Définition L analyse factorielle (AF) est une méthode statistique inventée par Spearman permettant d analyser un ensemble de corrélations. Le facteur d intelligence général : est commun aux différentes épreuves d intelligence permet de résumer les corrélations observées est hypothétique L AF est une méthode de réduction des données nombre de facteurs < nombre de variables observées facteurs = dimensions fondamentales En psychologie : variables observées = comportements facteurs = dimensions fondamentales des comportements

177 2. Fonctionnement de l analyse factorielle On distingue cinq étapes : 1. on part d une matrice sujets-variables 2. on calcule la matrice des corrélations observées 3. on estime la matrice des saturations factorielles 4. on calcule la matrice des corrélations reproduites 5. on compare les corrélations reproduites aux corrélations observées

178 2. Fonctionnement de l analyse factorielle 1. Matrice sujets variables p v 1 v n v 1 v n 2. Matrice des corrélations observées 3. Matrice des saturations factorielles v 1 v n F 1 F m v 1 v n v 1 v n nombre de facteurs interprétation des facteurs 4. Matrice des corrélations reproduites v 1 v n 5. Différences?

179 3. L hypothèse fondamentale Les corrélations observées sont dues à la présence de facteurs latents communs aux variables Un facteur commun est : une variable latente : un facteur est une entité hypothétique une variable causale : les covariations des variables sont dues aux variations d un facteur commun L hypothèse fondamentale de l analyse factorielle se décline sous deux aspects : le principe d indépendance locale la notion de corrélation reproduite

180 3. L hypothèse fondamentale Le principe d indépendance locale Chez des enfants de 5 à 12 ans, on constate une corrélation élevée entre la richesse du vocabulaire et la longueur du pouce En fait, cette corrélation est artificielle car elle due à la présence d une covariable : l âge La corrélation entre deux variables lorsqu une covariable est maintenue constante (ou contrôlée) est appelée corrélation partielle. Chez des enfants du même âge, il n y a plus de corrélation entre la richesse du vocabulaire et la longueur du pouce Principe d indépendance locale : si l on maintient constant un facteur, les corrélations entre les variables observées deviennent nulles

181 3. L hypothèse fondamentale La notion de corrélation reproduite La saturation ( ) d une variable observée dans un facteur est la corrélation entre le facteur et la variable ² = % de variance de la variable expliquée par le facteur Une saturation correspond donc au degré auquel le facteur influence la variable

182 3. L hypothèse fondamentale Si l on connait les saturations des variables dans les facteurs, on peut reproduire les corrélations entre les variables. Ce sont les corrélations attendues sur la base des facteurs communs Si deux variables observées sont influencées par un facteur commun : corrélation reproduite = produit de leurs saturations respectives dans ce facteur r(x 1,X 2) = X 1 e 1 F X 2 e 2

183 4. La matrice des saturations factorielles Cette matrice indique les saturations des variables dans les différents facteurs. Il s agit de la matrice centrale dans l AF car elle montre comment les variables sont reliées aux facteurs variable 1 variable 2 variable n Facteur 1 Facteur 2 Facteur m Une matrice de saturation est définie par deux caractéristiques : le nombre de facteurs la signification des facteurs

184 4. La matrice des saturations factorielles Pour une même matrice de corrélations, l AF peut donner lieu à une infinité de matrices de saturations possibles : problème de l indétermination de la solution Il faut donc des critères pour décider du nombre de facteurs la matrice des corrélations résiduelles le pourcentage de variance expliquée les valeurs propres et des critères pour décider de la signification des facteurs la cohérence théorique

185 4. La matrice des saturations factorielles Le nombre de facteurs Le nombre de facteurs retenus définit une solution factorielle solution à 1 facteur : solution à 2 facteurs : variable 1 variable 2 variable n Facteur 1 variable 1 variable 2 variable n Facteur 1 Facteur 2

186 4. La matrice des saturations factorielles Critère 1 : les corrélations résiduelles La matrice des saturations permet de calculer les corrélations attendues entre les variables sur la base des facteurs communs : la matrice des corrélations reproduites La différence entre les corrélations observées et les corrélations reproduites correspond aux corrélations résiduelles Matrice des corrélations résiduelles Matrice des corrélations observées Matrice des corrélations reproduites v 1 v 1 v n v 1 v 1 v n = v 1 v 1 v n v n v n v n

187 4. La matrice des saturations factorielles Critère 1 : les corrélations résiduelles Les corrélations résiduelles correspondent à la part des corrélations observées qui n est pas expliquée par les facteurs Le nombre de facteurs doit être tel que les corrélations résiduelles soient faibles corrélations résiduelles faibles : bonne solution factorielle corrélations résiduelles importantes : mauvaise solution factorielle

188 4. La matrice des saturations factorielles Critère 2 : le pourcentage de variance expliquée Facteur 1 Facteur 2 item item item item item item

189 4. La matrice des saturations factorielles Critère 2 : le pourcentage de variance expliquée La communauté (h²) d une variable exprime le % de sa variance qui est expliqué par la solution factorielle. Elle est égale à la somme des carrés des saturations de la variable (si les facteurs sont indépendants) : h Facteur 1 Facteur 2 h² item item item item item item

190 4. La matrice des saturations factorielles Critère 2 : le pourcentage de variance expliquée La communauté (h²) d une variable exprime le % de sa variance qui est expliqué par la solution factorielle. Elle est égale à la somme des carrés des saturations de la variable (si les facteurs sont indépendants) : h Facteur 1 Facteur 2 h² item item item item item item % La moyenne des communautés indique le % de variance totale expliquée par la solution factorielle

191 4. La matrice des saturations factorielles Critère 2 : le pourcentage de variance expliquée Le nombre de facteurs doit être tel que le pourcentage de variance totale expliquée est élevé. Plus il y a de facteurs, plus le % de variance expliquée est élevé Il faut trouver le juste milieu entre : avoir un % de variance expliquée important avoir un petit nombre de facteurs (principe de parcimonie)

192 4. La matrice des saturations factorielles Critère 3 : les valeurs propres La valeur propre d un facteur est égale à la somme des carrés des saturations des variables Facteur 1 Facteur 2 h² item item item item item item vp

193 4. La matrice des saturations factorielles Critère 3 : les valeurs propres valeur propre du facteur % variance expliquée par un facteur = 100 nombre variables Facteur 1 Facteur 2 h² item item item item item item vp % var

194 4. La matrice des saturations factorielles Critère 3 : les valeurs propres La notion de valeur propre d un facteur donne lieu à deux critères pour décider du nombre de facteurs à retenir. Le critère de Kaiser : ne retenir que les facteurs dont la valeur propre est > 1 (facteurs qui expliquent une part importante de la variance)

195 4. La matrice des saturations factorielles Critère 3 : les valeurs propres La chute des valeurs propres (Cattell) : ne pas retenir les facteurs dont les valeurs propres se situent sur une droite Valeur propre Facteur

196 4. La matrice des saturations factorielles L interprétation des facteurs Après avoir décidé du nombre de facteurs retenus, il faut les interpréter : leur attribuer une signification psychologique. Un facteur est une entité statistique qui n a pas de signification en soi Chaque facteur doit être interprété en fonction du contenu des variables qui saturent fortement dans celui-ci (en valeur absolue)

197 4. La matrice des saturations factorielles Pour que les facteurs puissent être facilement interprétés, la matrice des saturations doit présenter une structure simple : chaque facteur doit avoir des saturations proches de 0 ou de 1. C est le principe de structure simple (Thurstone, 1947) Structure simple Facteur 1 Facteur 2 v1-0.08iiiiiiiii 0.81iiiiiiiii v2 0.10iiiiiiiii 0.92iiiiiiiii v3 0.09iiiiiiiii -0.86iiiiiiiii v4 0.92iiiiiiiii -0.11iiiiiiiii v5-0.89iiiiiiiii 0.19iiiiiiiii v6 0.94iiiiiiiii -0.21iiiiiiiii Pas de structure simple Facteur 1 Facteur 2 v1 0.54iiiiiiiii 0.71iiiiiiiii v2 0.69iiiiiiiii 0.74iiiiiiiii v3 0.81iiiiiiiii 0.67iiiiiiiii v4-0.52iiiiiiiii 0.33iiiiiiiii v5 0.36iiiiiiiii -0.43iiiiiiiii v6 0.75iiiiiiiii 0.67iiiiiiiii

198 4. La matrice des saturations factorielles La matrice des saturations peut être représentée par un graphique dans lequel : facteurs = axes variable = point saturations = coordonnées La méthode standard pour trouver la structure simple est la rotation orthogonale (Kaiser, 1958). Cette méthode consiste à modifier le pattern des saturations des variables dans les facteurs afin de faire apparaître une structure simple. Graphiquement, on impose aux axes (= facteurs) une rotation

199 4. La matrice des saturations factorielles Exemple : matrice des saturations avec 4 items et 2 facteurs Avant rotation : pas de structure simple Facteur 1 Facteur 2 Je me sens tendu(e), crispé(e) Je me sens nerveux(se), irritable Je suis une personne chaleureuse Je me sens calme

200 4. La matrice des saturations factorielles Exemple : matrice des saturations avec 4 items et 2 facteurs Après rotation : pas de structure simple Facteur 1 Facteur 2 Je me sens tendu(e), crispé(e) Je me sens nerveux(se), irritable Je suis une personne chaleureuse Je me sens calme

201 4. La matrice des saturations factorielles Exemple : matrice des saturations avec 4 items et 2 facteurs Après rotation : pas de structure simple Anxiété Agréabilité Je me sens tendu(e), crispé(e) Je me sens nerveux(se), irritable Je suis une personne chaleureuse Je me sens calme

202 4. La matrice des saturations factorielles Avant rotation : Facteur 1 Facteur 1 Facteur 2 item item item item item 4 item 2 item 1 Facteur 2 item 3

203 4. La matrice des saturations factorielles Avant rotation : Facteur 1 Facteur 1 Facteur 2 item item item item item 4 item 2 item 1 Facteur 2 item 3 Après rotation : Facteur 1 Facteur 2 item item item item item 4 Facteur 1 item 2 item 1 item 3 Facteur 2

204 4. La matrice des saturations factorielles ATTENTION : la rotation ne change pas le % de variance expliquée La solution factorielle retenue est associée à un certain % de variance expliquée. Pour une solution factorielle donnée, la rotation ne change que la répartition de la variance expliquée entre les facteurs (principe des vases communicants) Exemple : Avant rotation Facteur 1 Facteur 2 h² item item item item vp % Après rotation Facteur 1 Facteur 2 h² item item item item vp %

205 4. La matrice des saturations factorielles Deux types de rotations : la rotation orthogonale (ou «varimax») les facteurs sont indépendants graphiquement : les axes sont orthogonaux la rotation oblique (ou «oblimin») les facteurs sont corrélés graphiquement : les axes sont obliques

206 4. La matrice des saturations factorielles Pour une solution factorielle donnée, le principe de rotation fait qu il y a une infinité de matrices de saturations possibles toutes expliquent le même % de variance globale toutes reproduisent aussi bien les corrélations observées La matrice de saturations qui doit être retenue est celle qui permet l interprétation des facteurs la plus cohérente En résumé, l objectif de l analyse factorielle est de rendre compte d un ensemble corrélations à l aide d un petit nombre de facteurs : qui expliquent un % important de la variance totale dont la signification psychologique est claire

207 4. La matrice des saturations factorielles L estimation des saturations Comment les valeurs des saturations sont-elles trouvées? Ces valeurs sont déterminées par un algorithme qui cherche à minimiser les différences entre les corrélations observées et les corrélations reproduites Cet algorithme procède par essai-erreur : il démarre avec une certaine configuration de saturations il calcule les corrélations résiduelles il recommence avec une autre configuration de saturations l algorithme s arrête lorsque l ajustement ne s améliore plus

208 5. Les scores factoriels Les facteurs latents identifiés par l analyse factorielle sont des nouvelles variables. On peut calculer les scores des sujets à ces facteurs : il s agit des scores factoriels Exemple : 3 variables et 1 facteur Le score d un sujet au facteur est une somme pondérée si 1v1 2v2 3v3 sujet v 1 v 2 v 3 F 1 2 p v 1 v 2 v n F 1 2 3

209 5. Les scores factoriels Cas particulier : les saturations sont égales à 1 s i = v 1+ v 2+ v3 Remarques : Ce cas particulier caractérise l échelonnement de Likert (on additionne les réponses aux items pour obtenir le score brut) Cet échelonnement est valable si les items mesurent le même facteur (unidimensionnalité des items)

210 6. Les deux logiques d utilisation de l AF Logique exploratoire : le modèle factoriel est défini a posteriori (après les données) On cherche à faire émerger un modèle factoriel à partir des données qui permet d expliquer au mieux des corrélations observées Logique confirmatoire : le modèle factoriel est défini a priori (avant les données) On définit un ensemble d hypothèses relatives aux facteurs et on vérifie si le modèle rend compte des données

211 7. Conditions d application de l AF L application de l AF requiert qu un certain nombre de conditions soient remplies : variables d intervalles (analyse factorielle des correspondances pour variables nominales) normalité des distributions des variables linéarité des relations entre les variables nombre d observations : 5 sujets pour une variable

212 Partie 6 La fidélité

213 1. Définition Un instrument de mesure doit permettre de différencier les sujets : les scores doivent présenter une certaine variance L étude de la fidélité des scores est l étude de leur variance. Est-ce que les différences dans les scores observés sont : stables? Elles reflètent des différences psychologiques réelles aléatoires? Elles reflètent des fluctuations aléatoires La fidélité des scores renvoie donc à leur précision, au degré d erreur qu ils comportent

214 1. Définition Le modèle principal de la fidélité est la théorie du score vrai proposée par Gulliksen (1950) également appelée théorie classique des tests cette théorie offre une définition théorique de la fidélité

215 2. Le modèle Pour une mesure donnée : chaque individu se caractérise par un score vrai le score observé d un individu reflète son score vrai ET une erreur de mesure Formule : X = V + E X : score observé V : score vrai E : erreur de mesure

216 2. Le modèle La notion d erreur de mesure Postulat : l erreur de mesure suit une distribution normale de moyenne égale à 0 L erreur de mesure est la résultante de facteurs qui affectent les scores de façon aléatoire facteurs individuels (humeur, état de forme, ) facteurs situationnels (environnement) On qualifie également l erreur de mesure de bruit L erreur de mesure influence la variance des scores observés mais pas leur moyenne

217 2. Le modèle Il existe un autre type d erreur de mesure : l erreur de mesure systématique. On la qualifie également de biais Cette erreur de mesure est la résultante d un (ou plusieurs) facteur(s) qui affectent tous les scores de la même façon L erreur de mesure systématique influence la moyenne des scores observés mais pas leur variance

218 2. Le modèle La notion de scores vrai On administre 10 fois le même instrument à sujet. A cause de l erreur de mesure, il est très probable qu on obtienne 10 scores différents. Ces scores suivent une distribution normale. Quel est le «bon» score? Le score vrai d un sujet est la moyenne de ses scores (espérance mathématique) s il passait l instrument un grand nombre de fois On ne connait donc pas le score vrai d un sujet à un instrument

219 2. Le modèle Les caractéristiques formelles Quatre propriétés du modèle du score vrai : Propriété n 1 La corrélation entre les scores vrais et l erreur de mesure est nulle Propriété n 2 Les corrélations entre différentes erreurs de mesure sont nulles Propriété n 3 Deux formes d un test sont dites parallèles si elles ont : mêmes scores vrais mêmes erreurs de mesure (donc mêmes moyennes et mêmes variances)

220 2. Le modèle Propriété n 4 La variance des scores observés est égale à la variance des scores vrais plus la variance d erreur V X = V V + V E Les différences dans les scores observés reflètent : des différences psychologiques réelles : variance vraie des différences aléatoires : variance d erreur

221 2. Le modèle La définition théorique de la fidélité La propriété n 4 permet de donner la définition théorique de la fidélité : La fidélité est la proportion de variance vraie dans la variance des scores observés Fidélité = V V / V X Cette définition est théorique, elle n est pas opérationnelle. (on ne connait pas les scores vrais donc on ne peut pas calculer la variance vraie) Par conséquent, la fidélité d une mesure ne peut pas être calculée mais seulement estimée

222 3. Les méthodes d estimation de la fidélité On répertorie quatre méthodes pour estimer la fidélité d une mesure qui se différencient suivant deux critères : le nombre de formes de l instrument le nombre d administrations de l instrument Nombre d administrations Une Nombre de formes Deux Une Deux Consistance interne Stabilité temporelle (test-retest) Formes parallèles sans délai Formes parallèles avec délai

223 3. Les méthodes d estimation de la fidélité La méthode de la stabilité temporelle (test-retest) Cette méthode consiste à calculer la corrélation entre les scores à un même instrument à deux occasions différentes (t1 et t2) t1 : test t2 : retest

224 3. Les méthodes d estimation de la fidélité La méthode de la consistance interne Cette méthode générale consiste à estimer la fidélité avec une seule forme et une seule administration d un instrument (cas le plus fréquent donc méthode la plus utilisée) Logique de la méthode : on examine si les items qui composent l instrument mesurent la même chose cette propriété s appelle la consistance interne (ou cohérence ou homogénéité)

225 3. Les méthodes d estimation de la fidélité Procédure : on divise l instrument en plusieurs parties on considère les différentes parties comme des formes parallèles on calcule les corrélations entre les parties Deux techniques : le split-half l alpha de Cronbach

226 3. Les méthodes d estimation de la fidélité Le split-half Procédure : on divise (split) l instrument en deux parties égales (half) on calcule la corrélation entre les deux parties Deux critères classiques pour créer les deux parties : Partie 1 : 1 ère moitié des items Partie 2 : 2 nde moitié des items Partie 1 : items pairs Partie 2 : items impairs (on prend un item sur deux suivant l ordre de passation)

227 3. Les méthodes d estimation de la fidélité La méthode split-half présente deux inconvénients majeurs : Inconvénient 1 : la fidélité estimée dépend du critère choisi pour créer les deux moitiés Inconvénient 2 : la fidélité estimée est en fait sous-estimée car elle ne porte que sur la moitié des items de l instrument La correction de Spearman-Brown permet d estimer la fidélité si on prenait en compte l ensemble des items de l instrument fidélité corrigée 2 r 1 r A,B A,B avec r A,B : corrélation entre les scores aux deux moitiés

228 3. Les méthodes d estimation de la fidélité Exemple : si la corrélation entre les scores aux deux moitiés d un instrument est de 0.80, la fidélité corrigée est : fidélité corrigée

229 3. Les méthodes d estimation de la fidélité La correction de Spearman-Brown est un cas particulier de la formule de prophétie de Spearman-Brown Logique : Si la fidélité est de avec m items, quelle serait la fidélité avec n items? (m : nombre d items actuel, n : nouveau nombre d items) nouvelle fidélité n ancienne fidélité m n 1 1 ancienne fidélité m Exemple : avec 10 items, fidélité = 0.80 fidélité avec 15 items : 0.86 fidélité avec 20 items : 0.89

230 3. Les méthodes d estimation de la fidélité Le coefficient alpha de Cronbach Procédure : dans le split-half, on divise le test en deux parties avec le alpha de Cronbach, on divise le test en autant de parties que d items : chaque item est une partie on calcule soit les : covariances entre les items alpha de Cronbach non standardisé corrélations entre les items alpha de Cronbach standardisé

231 3. Les méthodes d estimation de la fidélité Le coefficient alpha de Cronbach standardisé est le plus utilisé car il n est pas sensible aux unités de mesure des items On analyse les corrélations entre toutes les paires d items : corrélations inter-items Formule : n r 1 r (n 1) n : nombre d items rd : moyenne des corrélations entre toutes les paires d'items

232 3. Les méthodes d estimation de la fidélité Convention pour l interprétation du coefficient alpha : Valeur de α α 0.9 Consistance interne Excellente 0.9 > α 0.8 Bonne 0.8 > α 0.7 Acceptable 0.7 > α 0.6 Discutable 0.6 > α 0.5 Faible 0.5 > α Non acceptable

233 3. Les méthodes d estimation de la fidélité Bilan Le alpha de Cronbach augmente avec le nombre d items. On peut augmenter artificiellement le alpha en ajoutant des items redondants à l instrument. La valeur d un coefficient alpha ne prend véritablement sens que si les items ne sont pas redondants, ce qui requiert donc une analyse du contenu des items

234 4. L erreur-type de mesure Les scores possibles d un sujet à un instrument se distribuent normalement autour d une valeur moyenne (score vrai) on peut calculer l écart-type de cette distribution si on fait de même pour l ensemble des sujets, on peut calculer la moyenne des écarts-types des différents sujets cet écart-type moyen est appelé l erreur-type de mesure (s e ) Formule : s = s 1 fidélité e x s x : écart-type de la distribution des scores

235 5. Intervalle de confiance d un score L erreur-type de mesure permet de calculer l intervalle de confiance d un score La plupart du temps un sujet passe un test une seule fois : son score à cette occasion n est probablement pas son score vrai La confiance dans le fait que le score observé d un individu correspond à son score vrai dépend de l erreur-type de mesure. On calcule donc un intervalle de confiance du score

236 5. Intervalle de confiance d un score Formule : X z s score vrai X z s e e X : score observé du sujet s e : erreur-type de mesure Intervalle de confiance à 68% : z = 1 Intervalle de confiance à 95% : z = 1.96 Exemple : score du sujet = 105 et erreur-type de mesure = 8 95% de chances que le score vrai du sujet se situe entre 89 et 120

237 6. La correction d atténuation Lorsqu on calcule la corrélation entre deux mesures, la valeur de la corrélation est atténuée par le fait qu une partie de la variance des mesures correspond à une variance d erreur (la fidélité des mesures n est jamais parfaite) On peut calculer une corrélation désatténuée en prenant en compte la fidélité des mesures Formule : r ' XY r XY fidélité X fidélité Y r XY : corrélation observée entre X et Y

238 7. L analyse d items Afin d améliorer la fidélité d une mesure, on peut analyser les caractéristiques des items a posteriori pour sélectionner les items qui contribuent le plus à la fidélité : c est l analyse d items On analyse deux caractéristiques des items : la moyenne de l item On parle d indice de difficulté dans le cas d items d aptitudes (proportion de sujets qui ont réussi/échoué à l item) l indice de discrimination Corrélation entre les scores à l item et les scores totaux : c est la corrélation item-total (r it ) Logique : un item est un «portrait miniature» du test, le score à un item doit donc apporter la même information que le score total

239 7. L analyse d items Les items à sélectionner sont ceux : dont les moyennes ne sont ni trop faibles ni trop élevées qui sont corrélés aux autres items (r it ) exemple : items de Likert en 7 points 1 0,8 r it 0,6 0,4 0, moyenne de l item

240 Partie 7 La validité

241 1. Définition La validité d un instrument correspond au degré auquel il mesure ce qu il prétend mesurer. C est le concept central de la psychométrie Comme la fidélité, la validité d une mesure ne peut être qu estimée. Mais contrairement à la fidélité, elle ne peut pas être résumée par un seul indicateur : son appréciation se base sur plusieurs informations On distingue trois grandes approches de la validité : la validité critérielle la validité de contenu la validité de construit

242 2. La validité critérielle Première conception historique de la validité La validité critérielle d une mesure correspond au degré auquel elle est liée avec une autre mesure indépendante et directe de la même caractéristique, appelée critère «Un test est valide dès lors qu il corrèle avec quelque chose.» Guilford (1954) Ce type de validité est entièrement empirique On distingue deux types de validité critérielle : la validité concourante la validité prédictive

243 2. La validité critérielle La validité concourante Le critère est un état actuel des sujets. C est la capacité du test à détecter un état actuel des sujets : on parle également de validité diagnostique Exemple : On a construit un test mesurant les aptitudes en lecture. Si ce test est valide, il doit détecter si un enfant appartient au groupe des enfants déficients en lecture ou au groupe des enfants normaux

244 2. La validité critérielle Lorsque le critère est l appartenance à un groupe, on étudie la validité critérielle par la méthode des groupes contrastés But : construire un outil valide en retenant les items qui différencient le plus un groupe représentatif d une population cible d un groupe représentatif de la population normale Le MMPI est l inventaire le plus célèbre issu de cette méthode MMPI = Minnesota Multiphasic Personality Inventory inventaire de personnalité pathologique créé en 1939 par Hathaway et McKinley MMPI-2 (1989) : 567 items (choix entre «Vrai», «Faux» ou «ne sait pas»)

245 2. La validité critérielle L objectif était de construire un outil diagnostic qui : ait la forme d un questionnaire d auto-évaluation soit l équivalent d un entretien psychiatrique structuré permette d identifier les principales pathologies mentales Le MMPI a été développé suivant trois étapes : Etape n 1 : la génération des items Création d un ensemble d items sur la base de différents éléments : échelles existantes, rapports cliniques, observations de patients, Génération d environ 1000 items ex : «Quand j étais jeune, j ai quelquefois volé des choses»

246 2. La validité critérielle Etape n 2 : la création des groupes Deux groupes ont ensuite été créés : un groupe clinique (700 sujets pathologiques) : constitué de sousgroupes correspondant aux catégories nosologiques majeures connues à l époque (dépression, hystérie, schizophrénie, ) un groupe témoin (sujets non pathologiques) : visiteurs et parents des patients, étudiants et personnel de l université

247 2. La validité critérielle Etape n 3 : la comparaison des groupes Logique : on compare les réponses du groupe témoin avec celles d un sous-groupe clinique à l ensemble des items on retient les items qui discriminent (différencient) le plus les deux groupes ex : item «Quelqu un m en veut.» taux de réponses «VRAI» : dans le groupe témoin : 24% dans le sous-groupe «Paranoïa» : 91%

248 2. La validité critérielle Validité critérielle du MMPI : méta-analyse de Hiller (1999) MMPI (5007 protocoles) et Rorschach (2276 protocoles) différents critères : diagnostic psychiatrique, auto et hétéro évaluation, comportement réel (ex : réponse au traitement) résultats : MMPI : 0.30 Rorschach : 0.29

249 2. La validité critérielle La validité prédictive Le critère est un état futur des sujets. C est la capacité de la mesure à prédire un comportement futur des sujets : on parle également de validité pronostique «Le coefficient de validité d un test est le coefficient de corrélation entre la performance des sujets au test et la performance dans une activité que le test est censé prévoir.» Piéron (1979)

250 2. La validité critérielle Exemple 1 : la validité prédictive du QI Beaucoup d études ont examiné dans quelle mesure le QI prédit différents critères liés à l intelligence la performance scolaire : corrélation de 0.50 (le QI prédit 25% de la variance des résultats scolaires) le revenu : corrélation entre 0.40 et 0.50 (le QI prédit entre 16% et 25% de la variance du revenu)

251 2. La validité critérielle Exemple 2 : la validité prédictive du «test du chamallow» Test comportemental créé en 1972 par Walter Mischel. Un enfant a le choix entre manger un chamallow immédiatement ou attendre 15 min pour en avoir 2 (avec un chamallow sous les yeux)

252 2. La validité critérielle

253 2. La validité critérielle Exemple 2 : la validité prédictive du «test du chamallow» 653 enfants de 4 ans avaient participé à l expérience : 1/3 des enfants avaient attendu quelques secs : les «impulsifs 1/3 des enfants avaient attendu quelques minutes 1/3 des enfants avaient attendu les 15 min : les «contrôlés»

254 2. La validité critérielle Exemple 2 : la validité prédictive du «test du chamallow» Ce test mesure la capacité à différer la gratification (attendre avant d obtenir un plaisir, une récompense) Comparaison entre «impulsifs» et «contrôlés» 14 ans plus tard sur plusieurs critères, dont les scores au SAT. Le SAT (Scholastic Assessment Test) est un test d aptitudes scolaires américain composé de deux échelles, mathématiques et verbal (scores : de 600 à 2400) Résultats : score moyen des impulsifs : 1052 score moyen des contrôlés : 1262

255 2. La validité critérielle On relève 3 difficultés théoriques et méthodologiques auxquelles sont confrontées les études de validité critérielle : la validité du critère la contamination du critère l effet de sélection

256 2. La validité critérielle La validité du critère Sur le théorique, la validité critérielle n est pas une démarche valable car elle entraîne un problème de régression à l infini on examine si une mesure corrèle avec un certain critère Comment savoir si ce critère est valide? il faut regarder la corrélation de ce critère avec un autre critère Comment savoir si ce dernier critère est valide? etc. Sur le plan pratique, on est obligé d admettre qu un certain critère est valide. En médecine, ce critère de référence est le gold standard

257 2. La validité critérielle La contamination du critère La contamination du critère renvoie au cas où la mesure que l on cherche à valider influence la mesure du critère. Ce phénomène aboutit à une augmentation artificielle de la validité Exemple : Mesure de la satisfaction conjugale t1 : estimer la fréquence des disputes/rapports sexuels t2 : estimer son degré de satisfaction conjugale (critère) La 2 ème mesure peut être influencée par la 1 ère

258 2. La validité critérielle L effet de sélection Lorsque le critère est lié à un processus de sélection des sujets (scolarité, concours, recrutement, ), la validité critérielle est sousestimée en raison d une restriction de la variance du critère : c est l effet de sélection Exemple : On cherche à prédire la moyenne en L2 à partir de la moyenne en L1 La corrélation est sous-estimée car on ne connait pas la moyenne en L2 de ceux qui n ont pas validé la L1

259 3. La validité de contenu Validité de contenu : degré de représentativité des items en tant qu'échantillon du domaine de comportements à mesurer Un construit renvoie à un grand nombre d observations et donc à un grand nombre d items potentiels : univers d items. Les items retenus pour composer un instrument ne constituent qu un échantillon de cet univers Un instrument est valide si ses items sont représentatifs de l univers d items relatif au construit qu il mesure Deux méthodes principales pour l étude de la validité de contenu : l approche en facettes le recours à des juges

260 3. La validité de contenu L approche en facettes L approche en facettes d un construit consiste à le définir par les différentes sources de variation des réponses (facettes) une définition d un construit ayant ce format est appelée une phrase en facettes un item = combinaison de certaines modalités des facettes cette approche permet donc de générer l univers d items de façon exhaustive (ensemble de toutes les combinaisons)

261 3. La validité de contenu Exemple : la mesure des valeurs Définition du construit par une phrase en facettes : Une valeur est une conception individuelle : d un objectif (= facette 1) : terminal instrumental exprimant des intérêts (= facette 2) : individuels collectifs mixtes relatifs à un domaine motivationnel (= facette 3) : autonomie bienveillance etc.

262 3. La validité de contenu Exemple : la mesure des valeurs On peut ainsi générer l univers des items (les différentes valeurs) en fonction de ces facettes : FACETTE Objectif Intérêt Domaine ITEMS Liberté terminal individuel autonomie Amitié terminal collectif bienveillance

263 3. La validité de contenu Le recours à des juges On demande à des juges d évaluer le degré de représentativité de chaque item par rapport au construit les juges utilisent un item de Likert on calcule le degré de concordance entre les juges (accord inter-juges) Cette méthode requiert une définition théorique précise du construit (point de référence des juges)

264 4. La validité de construit Approché proposée par Cronbach et Meehl (1955) A l origine, l objectif de la validité de construit était d assurer l existence du construit mesuré et en éclairer la signification La validité de construit a laissé place au concept de validation d une mesure : processus d accumulation de tout élément permettant de préciser la signification de la mesure «la validation n est rien d autre, par essence, qu une recherche scientifique de la signification des mesures» Messick (1989)

265 4. La validité de construit Dans cette perspective, l approche centrale pour valider une mesure consiste à établir son réseau nomologique La mesure acquiert progressivement sa validité si l on peut construire un réseau de relations avec d autre mesures (du même construit et d autres construits)

266 4. La validité de construit Exemple : validité de construit d une mesure de l anxiété On s attend théoriquement à ce que cette mesure : corrèle (positivement) avec des mesures du névrosisme corrèle (négativement) avec des mesures d estime de soi ne corrèle pas avec des mesures d intelligence soit liée de façon curvilinéaire avec des performance scolaires C'est sur la vérification empirique de ces prédictions théoriques que s'appuiera la validité de la mesure développée

267 4. La validité de construit Une partie du réseau nomologique de l anxiété : NEVROSISME ESTIME DE SOI ANXIETE mesure1 mesure2 mesure1 mesure2 mesure1 mesure2

268 4. La validité de construit Deux types de validités liées à la notion de réseau nomologique : la validité convergente : des mesures d un même construit obtenues avec des méthodes différentes doivent converger (corréler) (elle englobe la validité critérielle) la validité divergente : des mesures de construits différents doivent diverger (ne pas corréler) Campbell et Fiske (1959) ont proposé une méthode pour examiner ces 2 types de validité ainsi que la fidélité : la matrice multitraitsmultiméthodes

269 4. La validité de construit Exemple : trois construits : anxiété (A), dépression (D), névrosisme (N) deux méthodes : auto-évaluation (AE), hétéro-évaluation (HE) AE HE A 0.9 A D N A D N AE D N A HE D N

270 4. La validité de construit Exemple : fidélité : corrélations monotrait-monométhode AE HE A 0.9 A D N A D N AE D N A HE D N

271 4. La validité de construit Exemple : validité convergente : corrélations monotrait-hétérométhodes AE HE A 0.9 A D N A D N AE D N A HE D N

272 4. La validité de construit Exemple : validité divergente (1) : corrélations hétérotraits-monométhode AE HE A 0.9 A D N A D N AE D N A HE D N

273 4. La validité de construit Exemple : validité divergente (2) : corrélations hétérotraits-hétérométhodes AE HE A 0.9 A D N A D N AE D N A HE D N

274 Conclusion La validité n est pas une propriété d un test : elle renvoie davantage à la pertinence des inférences que l'on tire à partir des résultats au test, ou à l interprétation des scores dans la cadre d un usage précis

275 Conclusion Exemple : validation d un test d arithmétique pour enfants Usage du test : prédire la performance en mathématiques au collège interprétation : quelle sera la réussite future du sujet? validité prédictive Usage du test : diagnostiquer des difficultés d apprentissage interprétation : quelles sont les difficultés spécifiques du sujet? validité concourante Usage du test : caractériser les stratégies de raisonnement interprétation : quels sont les processus cognitifs du sujet? validité de construit

276 Conclusion La validité d un test se rapporte non pas au test lui-même mais aux inférences faites à partir des résultats au test Il est inapproprié de parler de validité d un test en général : un test peut être valide dans un contexte donné mais peu valide dans un autre contexte La validité n est pas une affaire de «tout ou rien» : on parle de degré de validité Un test n est jamais valide ou validé à 100% Un test acquiert sa validité par un cumul de preuves et non par le biais d une seule étude

277 Partie 8 La mesure de l intelligence

278 1. Historique Galton et Cattell (James McKeen) A la fin du 19 ème siècle, Galton et Cattell réalisent indépendamment des mesures de caractéristiques individuelles Galton mesure des caractéristiques physiques (anthropométriques) Cattell a été formé par Wundt à la psychologie expérimentale. A l époque, cette discipline s assimile à la psychophysique Cattell a utilisé des paradigmes de la psychophysique pour réaliser des mesures sensorielles. En 1890, il développe une batterie de 10 «tests mentaux»

279 1. Historique Galton et Cattell pensaient que ces mesures étaient en rapport avec l intelligence (mais ils savaient qu elles étaient imparfaites) Ces mesures étaient utilisées parce qu elles fonctionnaient : elles étaient fidèles (mais on ne savait rien sur leur validité) Cette approche de l intelligence sera abandonnée après les résultats d une étude réalisée par un étudiant de Cattell. Wissler (1901) avait administré la batterie de tests de Cattell à des étudiants de 1 er cycle et il avait montré que : les corrélations entre les performances aux différents tests étaient quasiment nulles (ces tests ne mesurent pas tous l intelligence) les corrélations entre les performances aux différents tests et les notes des étudiants étaient quasiment nulles

280 1. Historique Binet Alfred Binet : l intelligence est un ensemble de facultés mentales supérieures (mémoire, jugement, abstraction, etc.) Bien qu il soit l auteur du premier véritable test d intelligence, Binet ne cherchait pas vraiment à mesurer l intelligence. Objectif : faire un outil qui permette de diagnostiquer si l intelligence d un enfant est en retard ou non sur l intelligence caractéristique des enfants du même âge Binet avait défini l intelligence caractéristique des enfants d un âge donné comme leur performance moyenne dans différentes tests

281 1. Historique Exemple 1 : test verbal Que vois-tu sur cette gravure? Enfants de 3 ans : «il y a un monsieur, il y a une dame, il y a un banc» Enfants de 7 ans : «il y a un monsieur et une dame qui sont assis sur un banc» Enfants de 14 ans : «c est la misère, ils sont malheureux» Exemple 2 : test de mémoire de travail (rappel de chiffres) Enfants de 3 ans : 2 chiffres Enfants de 8 ans : 5 chiffres Enfants de 15 ans : 7 chiffres