Introduction à l'analyse de contenu qualitative : Voyage au pays du qualitatif



Documents pareils
EXAMEN CRITIQUE D UN DOSSIER TECHNIQUE

Il y a trois types principaux d analyse des résultats : l analyse descriptive, l analyse explicative et l analyse compréhensive.

ARIANE. Terrains, techniques et compétences méthodologiques en sciences sociales. Mars 2014

Introduction au datamining

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar

Evaluation des enseignements par les étudiants : que nous disent les commentaires écrits des étudiants?

LIVRE BLANC Décembre 2014

Apprentissage Automatique

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

TUTORIEL Qualit Eval. Introduction :

sentée e et soutenue publiquement pour le Doctorat de l Universitl

Association pour la recherche qualitative

Synthèse «Le Plus Grand Produit»

Customer Intelligence

Rapport d évaluation du master

Title Text. Outil intégré de collecte, d'analyse et de visualisation de données de mobilité

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Ce que doit inclure un projet de mémoire ou de thèse

Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données

LE PROBLÈME DE RECHERCHE ET LA PROBLÉMATIQUE

ANNEXE 4. Réaliser un diagnostic de sécurité Principales méthodes de collecte d information. (Module 3, partie I, section 2.5)

ÉVALUATION DES CONSEILS D ADMINISTRATION/SURVEILLANCE : UN RETOUR D EXPÉRIENCE TRÈS POSITIF DES ADMINISTRATEURS

Stages de recherche dans les formations d'ingénieur. Víctor Gómez Frías. École des Ponts ParisTech, Champs-sur-Marne, France

LA CONDUITE D UNE MISSION D AUDIT INTERNE

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

d évaluation Objectifs Processus d élaboration

PROGRAMME DE CRÉATION ET INNOVATION TECHNOLOGIQUES EN CLASSE DE SECONDE GÉNÉRALE ET TECHNOLOGIQUE Enseignement d exploration

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

Europresse.com. Pour les bibliothèques publiques et de l enseignement. Votre meilleur outil de recherche en ligne. Guide version 1.

Quels outils pour prévoir?

Rédiger et administrer un questionnaire

Les organismes notifiés et les dispositifs médicaux : du constat aux perspectives

Des données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox

EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG

Position de l ASTEE sur l innovation en matière de services d eau et de déchets

Le patrimoine des ménages retraités : résultats actualisés. Secrétariat général du Conseil d orientation des retraites

IBM SPSS Direct Marketing

ISTEX, vers des services innovants d accès à la connaissance

Business & High Technology

Document d orientation sur les allégations issues d essais de non-infériorité

VERS UN OUTIL PRATIQUE D EVALUATION DE LA PERFORMANCE D UNE MISSION DE SERVICES

Le système d accréditation n est pas un système basé sur la conformité à la. de ce fait, il se différencie

Business Intelligence avec SQL Server 2012

Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique

e-recrutement : recherche de mots-clés pertinents dans le titre des annonces d emploi

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Baccalauréat professionnel vente (prospection - négociation - suivi de clientèle) RÉFÉRENTIEL DE CERTIFICATION

En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne

La rencontre des mondes virtuels et du web au service de puissantes applications accessibles à tous

Interne Forces Faiblesses Externe Opportunités Menaces

Structure typique d un protocole de recherche. Préparé par Johanne Desrosiers dans le cadre d une formation au réseau FORMSAV

destiné à: - faciliter la constitution des groupes - mieux vous connaître

Les dessous des moteurs de recommandation

Lutin Laboratoire des Usages en Technologies

LE CONGÉ SOLIDAIRE DEUX SEMAINES POUR AGIR AU SERVICE DE LA SOLIDARITÉ INTERNATIONALE

N SIMON Anne-Catherine

SMALL DATA DANS LA VEILLE

CATALOGUE DES FORMATIONS

Par Akoété Ega AGBODJI FASEG/Université de Lomé

LA BASE DE DONNÉES PATRIMOINE IMMOBILIER, MOBILIER ET

Votre outil pour vous démarquer sur le terrain de l interactivité. www. Moteurs de recherche. Médias Sociaux. Web. Mobilité. Assurance automobile

RAPPORT SYNTHÈSE. En santé après 50 ans. Évaluation des effets du programme Les médicaments :

Pour diffusion immédiate. Nouveau sondage CROP : LES AIRES PROTÉGÉES, UNE PRIORITÉ SELON LES QUÉBÉCOIS

Nom-Projet MODELE PLAN DE MANAGEMENT DE PROJET

UNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************

Tâche complexe produite par l académie de Clermont-Ferrand. Mai 2012 LE TIR A L ARC. (d après une idée du collège des Portes du Midi de Maurs)

Entrepôt de données 1. Introduction

Formation PME Etude de marché

LES DECIMALES DE π BERNARD EGGER

Document d accompagnement pour le référentiel national du C2i niveau 2 Métiers de l environnement et de l aménagement durables

Nobody s Unpredictable

Formation Août 2013 Michèle Garello, IEN économie gestion Caroline Natta, professeur

Commerce International. à référentiel commun européen

Le Programme «Archives Audiovisuelles de la Recherche»

Des consultants forment des consultants Comment créer ma boite de consultant

LA COMMUNICATION A QUATRE CERVEAUX

MASTER LPL : LANGUE ET INFORMATIQUE (P)

Utiliser un tableau de données

Doctorate of Business Administration Programme francophone

Les bonnes résolutions

L INTELLIGENCE D AFFAIRE DANS LA VIE QUOTIDIENNE D UNE ENTREPRISE

Plateforme de capture et d analyse de sites Web AspirWeb

L ANALYSE COUT-EFFICACITE

Thibault Denizet. Introduction à SSIS

Étude auprès de la génération X. Le paiement virtuel et la gestion des finances personnelles

Collège Sainte-Gertrude de Nivelles 7 ème Gestionnaire de Très Petites Entreprises. Vade-mecum

Thèmes et situations : Agenda et Emploi du temps. Fiche pédagogique

Big Data et Graphes : Quelques pistes de recherche

ANNEXE 1 RÈGLEMENTS GÉNÉRAUX 1 ASSOCIATION DES ARCHÉOLOGUES PROFESSIONNELS DU QUÉBEC (AAQ) CODE D ÉTHIQUE ET DES NORMES PROFESSIONNELLES

TP 2 Réseaux. Adresses IP, routage et sous-réseaux

2 nd semestre. Synthèse de l étude D3 Parcours Analyse de la fidélité des clients par marque. En partenariat avec

L évaluation de la performance de la communication media

FORMATION DE COACH CERTIFIÉ

La Chaire Accenture Strategic Business Analytics de l ESSEC

Lecture critique et pratique de la médecine

COMMUNIQUÉ LA CULTURE AUTREMENT. Pour diffusion immédiate

LA SEGMENTATION DANS LES WEB ANALYTICS

Transcription:

1 Introduction à l'analyse de contenu qualitative : Voyage au pays du qualitatif Narration pour présentation Prezi (http://prezi.com/5tjog4mzpuhh/analyse-de-donneestextuelles-analyse-de-contenu-qualitative/) Plan 1 : introduction capsule La présente capsule se veut une introduction rapide sur une méthode d'analyse de données textuelles, soit l'analyse de contenu qualitative. Après le voyage au pays du quantitatif de la capsule précédente, celle-ci vous fera découvrir le paysage de l'analyse qualitative. Il est suggéré d'écouter cette présentation avant de plonger dans les notes de cours détaillées sur l'analyse qualitative. Il est à noter que l analyse de contenu qualitative sera mise en pratique dans le cadre de la partie 2 du Travail 2. Plan 2 : Introduction analyse de données textuelles Au cours de la vie d un chercheur, il est possible que les instruments de collecte retenus amènent sur son bureau des données textuelles, en particulier en texte libre, que ce soit des données provenant de questions ouvertes dans un document, des transcriptions d entrevue en profondeur qu il a menées, des corpus textuels qu il veut analyser. Il doit alors choisir une

2 méthode d analyse de données textuelles en fonction des caractéristiques des données et du type de résultats qu il recherche. Plan 3 : Objectif de l analyse de données textuelles Comme pour tout processus d analyse, l objectif de l analyse des données textuelles en est un de synthèse. Le défi est d arriver à synthétiser l essence des mots, des idées, du sens compris dans les données textuelles et ce pour apporter des réponses aux questionnements à la base de sa recherche. Plan 4 : Exemples de méthodes d analyse textuelle En fonction du volume de données ainsi que de l objectif de sa recherche, le chercheur a à sa portée différentes méthodes pour faire du sens de données textuelles. Il y a d une part des méthodes manuelles comme l analyse de discours et l analyse de contenu. Et, d autre part, des méthodes automatisées ou semi-automatisées comme la fouille de texte

3 Plan 5 : Exemples de méthodes d analyse textuelle (suite) L analyse de contenu qualitative consiste à associer manuellement à des segments de données textuelles des codes représentant les concepts pertinents à la recherche. L analyse de discours, quant à elle, consiste aussi en un exercice de codage manuel, mais qui vise plus particulièrement à étudier la manière dont les objets ou les idées sont présentés dans le discours ainsi que leurs effets. Finalement, la fouille de textes consiste à extraire des connaissances de données textuelles à l aide de techniques d intelligence artificielle et d analyses statistiques. Plan 6 : Analyse de contenu qualitative Introduction Portons maintenant notre regard plus particulièrement sur l analyse de transcriptions d entrevue pour mettre en exergue les grandes lignes du [Autre plan] processus d analyse de contenu qualitative. [Autre plan]. En quoi consiste exactement le travail du chercheur?

4 Plan 7 : Contenu manifeste Parmi les premières décisions qu il doit prendre, il doit décider de ce qu il codera. S en tiendra-til uniquement au contenu manifeste, aussi appelé contenu de surface, c est-à-dire au mot tel que prononcé par les répondants sans aucune interprétation de sa part? Plan 8 : Contenu latent Ou se permettra-t-il de s intéresser au contenu latent ou, en d autres mots, de lire entre les lignes et de se permettre d interpréter les paroles des répondants entre autres en fonction du contexte et de la connaissance que le chercheur a développée du milieu étudié? Le contenu latent est potentiellement plus riche que le contenu de surface, comme par l interprétation, le chercheur peut au-delà du premier niveau des mots prononcés pour atteindre un deuxième niveau de contextualisation des paroles des répondants. Plan 9 : Danger du contenu latent Ceci n est toutefois pas sans danger comme, si le chercheur se permet d interpréter les mots des répondants, les résultats obtenus seront plus difficiles à répliquer. Il peut introduire potentiellement un biais et ainsi amoindrir la qualité de sa recherche s il ne fait pas attention.

5 Car, en analyse qualitative comme en analyse quantitative, le chercheur doit prendre tous les moyens nécessaires pour démontrer la qualité de sa recherche. Plan 10 : Qualité de la recherche En analyse de contenu qualitative, la qualité de l analyse se vérifie au niveau de la stabilité du codage effectué des données. [Autre plan] Stabilité dans le temps, c est-à-dire qu une même personne qui code les données à deux moments différents assez distants dans le temps pour avoir oublié le premier codage doit arriver à un taux d accord satisfaisant, c est-à-dire qu elle doit recoder le plus possible de la même manière. C est ce que l on appelle un test intra-codeur. On y vise habituellement des taux assez élevés d accord comme, par exemple, 90 %. Le test intra-codeur ne se fait pas sur l ensemble des données, mais une certaine proportion (10 % par exemple). [Autre plan] En sus de la stabilité dans le temps, on vise aussi une certaine stabilité entre les chercheurs. C est-à-dire que l on désire que deux personnes différentes qui codent le même ensemble de données avec le même ensemble de codes arrivent à un taux d accord satisfaisant. On veut ainsi démontrer que les résultats obtenus ne sont pas uniquement le fruit de l imagination du chercheur, mais que d autres, avec le même appareillage, peuvent aussi y arriver. On parle alors de tests inter-codeurs. Ici, on vise habituellement des taux d accord un peu moins grands que pour les tests-intracodeurs, comme il est plus difficile pour deux personnes différentes d arriver de manière aussi précise à être en accord. 80 % d accord par exemple est acceptable. Tout comme les tests-intracodeurs, on ne fera pas les tests sur l ensemble des données, mais sur un sous-ensemble de ces dernières (10 % par exemple). On comprendra que les tests-intercodeurs sont particulièrement vulnérables au codage du contenu latent. Si on se permet d interpréter les données dans le codage, il est plus difficile de s assurer que deux personnes différentes interprètent de la même manière. Une manière d essayer de renforcer l accord inter-codeurs est de bien documenter les codes définis, d en donner des définitions précises, des exemples d application, pour essayer d expliciter le plus possible les paramètres d interprétation du chercheur. Il arrive parfois que l on doive faire plus

6 d un test inter-codeur, chaque test permettant, par la verbalisation des codeurs et l explicitation des différences dans le codage, de raffiner et préciser l ensemble de codes utilisés. Dans certains contextes où la prise en compte du contexte dans le codage pour l interprétation des données est grande, on peut même parfois ne pas faire de tests intercodeurs car la différence est alors trop grande entre le chercheur qui a été en immersion dans la collecte des données et qui a développé une compréhension en profondeur du contexte et un deuxième codeur qui n aurait pas participé à la collecte. La part du contexte est alors si grande dans l interprétation et le codage qu il est très difficile d arriver à des taux d accord élevés. Plan 11 : Processus de codage Le processus de codage de l analyse de contenu qualitative peut se faire de différentes manières. Une manière intéressante de procéder, entre autres pour des entrevues en profondeur, est de commencer par un premier grand découpage par rapport aux thématiques abordées, ce que certains appellent l organisation des données. Les thématiques seront ainsi les catégories utilisées. Imaginons par exemple des entrevues avec des professionnels de l information en charge de SIW. Nous pourrions retrouver comme catégories les tâches. Donc chaque extrait des données où un répondant parle de ses tâches se verra associé la catégorie tâche. Une fois ce découpage fait, la deuxième étape consiste à analyser les données de chacune des catégories pour en extraire les différentes variantes, ce que l on appelle les valeurs de catégorie. Si nous reprenons notre exemple, l analyse de tous les segments codés avec la catégorie tâches nous permettrait de préciser les tâches dont il est question. Nous aurions comme valeurs de catégories, par exemple, l élaboration de la politique éditoriale, la programmation de page Web dynamique, la mise à jour de contenu, etc. Il est à noter que certains éléments des données peuvent ne pas être codés s ils ne portent pas sur des thèmes pertinents à nos questions de recherche. Il faut apprendre, en quelque sorte, à

7 faire le deuil des éléments non pertinents qui, dans le contexte entre autres d entrevues semistructurées plus ouvertes, ne sont pas rares. Plan 12 : Arbre de codage Une question légitime à se poser est d où vient l arbre de codage, c est-à-dire l ensemble des codes les catégories et les valeurs de catégories que le chercheur utilise pour analyser ses données. En fait, ces codes peuvent potentiellement provenir de deux sources. [Autre plan] Dans un premier temps, le chercheur peut prédéfinir des codes de manière déductive à partir de son cadre de référence. Si nous reprenons l exemple utilisé précédemment, le chercheur aurait pu avoir dans son cadre de référence un ensemble de tâches endossées par les professionnels de l information provenant d études empiriques antérieures. Dans une recherche où il n y a pas de cadre de référence, il n y aurait ainsi pas de codes développés de manière déductive. [Autre plan] Dans un deuxième temps, et c est ici la source principale des codes, ces codes seront développés de manière inductive à partir des données qui viendront ici enrichir, s il y en a, les codes déduits du cadre de référence. Dans une approche qualitative où le chercheur alterne la collecte et l analyse et où il procède par un échantillon théorique, il continuera sa collecte et son analyse jusqu à la saturation de ses codes, c est-à-dire jusqu à ce que l ajout de nouvelles données ne vienne pas ajouter de nouveaux codes.

8 Plan 13 : Logiciel d analyse qualitative Tel que mentionné précédemment, l analyse de contenu qualitative est un processus manuel, le chercheur codant lui-même ses données. Il peut le faire sur papier, bien entendu, mais il peut aussi profiter de l aide d un logiciel d analyse qualitative. Plusieurs logiciels de ce type existent. Mentionnons par exemple Atlas/TI, QDA Miner, NVivo, Qualrus ou HyperResearch. Tous ont en commun à peu de choses près, le fait qu on puisse y développer un arbre de codage et par la suite appliquer ces codes aux données. Leurs différences résident en fait surtout dans leur capacité par la suite à traiter les codes attribués. Au-delà de pouvoir les visualiser à même le texte, un outil comme QDA Miner qui sera celui utilisé pour le Travail 2 permet de calculer par exemple la fréquence des codes dans les données, permet de croiser certains codes (par exemple pour voir le nombre de fois que deux codes sont attribués au même segment de texte). Ceci termine l introduction rapide à l analyse de contenu qualitative. La lecture des notes de cours vous permettra de découvrir plus en profondeur ce type d analyse tandis que le Travail 2 vous permettra, par l expérimentation de cette technique, d en découvrir le potentiel en général et, plus particulièrement, pour votre projet doctoral.