Académique Documents
Professionnel Documents
Culture Documents
Recueil de données au service d’une recherche et non l’inverse ; objectifs : 1. Recueil de données de
terrain ; 2. Opérations de traitement et d’analyse ; 3. Propositions d’interprétations et/ou d’actions
Différentes méthodes :
- Méthodes non réactives : élaboration de corpus de données à partir de traces recueillies a posteriori et
auxquelles on donne un statut particulier (données de la recherche), (études des traces)
- Méthodes numériques : portent sur des objets numériques ou numérisés, tout ayant recours à des
méthodes elles-mêmes numériques, (digital humanities, cultural analytics, digital methods) ;
(ethnographies virtuelles, méthodes computationnelles, digital methods, méthodes numériques quali-
quantitatives)
> Close reading (analyse du document) vs Distant reading (examiner les liens qu’il y à l’intérieur de
l’intégralité de l’œuvre)
1. recrutement du sujet
3. calibration de l’eye-tracking
4. questionnaire de profilage
9. entretien semi-dirigé
10. questionnaire WAMMI sur le 1er site visité puis sur le second
Objectif > recueillir des données sur les usages et pratiques numériques des étudiants au lycée et chez soi
Organisation du questionnaire en 4 parties > pratiques numériques chez soi ; pratiques numérique au
lycée ; croisement entre les deux univers ; données sociodémographiques
Résultat > 1/3 d’établissements ont répondu à l’enquête, 5715 questionnaires exploitables.
Démarche d’enquête
1. Problématique
2. Réalisation du questionnaire
3. Choix du terrain
4. Mise au point du protocole de diffusion du questionnaire
5. Phase de collecte de données
6. Nettoyage des données obtenues et préparation pour le traitement
7. Exploitation
8. Analyses et conclusion
Exercice sur le questionnaire TRANSLIT
1. proposer une démarche d’analyse pour la question ouverte (onglet 3) :
Présentation de la question
Démarche proposée pour analyser les réponses
Test sur un échantillon d’une centaine de réponses
Résultats
Analyse
OU
Avantages et limites
Question éthique ; pas de donnés sur les usagers ; risque de surinterprétation de donnés.
o Approches Big Data > traitement de données massives par des outils statistiques et algorithmiques (on
ne peut pas faire ça à la main).
o Big Data > théorie de 4 V pour le Big Data > volume, vélocité, variété, véracité, (5 V) visibilité
o Autres caractéristiques des Big Data > mise en réseau (et en relation) de différents jeux de données,
prolifération de données sociales utilisables
o Volume ET capacité de traitement et de corrélations (algorithmique)
o Domaines d’application : domaine public + privé > recherche, marketing, éducation, institutions
gouvernamentales
o Exploitation de grands corpus de donnée numériques (plateformes en ligne, comme facebook, twitter)
o Différentes traces, données > traces volontaires (commentaires, tweets, etc.) et traces involontaires
o Recherches de corrélations pourquoi est-il si difficile de trouver un taxi à Singapour quand il pleut
(pour éviter le risque d’accident, les polices d’assurance étant très chères).
o Mais ne pas confondre « corrélation » et « casualités ».
o Bilan : les données parlent-elles d’elles-mêmes ? Non. Elles sont fabriquées, analysées, visualisées
d’une certaine façon.
o Forme d’autorité des « Data » et de « Big Data » > objectivité ? corrélations ?
o Renversement de perspective : de la construction d’un terrain de recherche (top down) à l’analyse
spontanée (bottom up).
o Méthodes computationnelles, au croisement de plusieurs contraintes :
1. accessibilité à des corpus aux propriétés particulières
2. recours à des techniques computationnelles et à une expertise (statistiques)
3. recours fréquent à des outils de visualisation associés (www.visualcomplexity.com )
o Exemple de recherches de ce type : http://manovich.net/
o Exemple : http://lab.culturalanalytics.info/2016/04/exploratory-visualizations-of-thomas.html
o Une recherche en méthodes mixtes > combinaison de méthodes qualitatives et quantitatives.
o Plusieurs types de combinaisons > triangulation, embedded, explanatory, explicatory.
o Quelques disciplines où le MM sont bien implantées : sociologie, psychologie, éducation, management
des systèmes d’information, santé publique…
o Lien important entre MM et interdisciplinarité
o Lient important entre MM et data
o Difficultés liées à la mise en œuvre de méthodologies mixtes : processus de production de données
complexes, production de données hétérogènes, analyse
PROJET MAN (méthode d’évaluation croisée pour l’accès aux ressources numériques en contexte
d’usage)
o Objectif : Testé l’exploitation des outils numériques par des personnes âgées.
o Partenariat éclectique
o Méthodes qualitatives : entretien personnalisé, observation par vidéo, verbatims du participant
o Méthodes quantitatives : questionnaires numériques, logs d’activités, enregistrements cardiaques,
données de capteurs ambiants, capture du mouvement de la personne, acquisition des mouvements
oculaires
o Un projet fondamentalement appuyé sur les méthodes mixtes > de la collecte à l’analyse, démarche
convergente multiphases (quan + qual), difficultés : opérationnalisation du protocole (synchronisation
des données)
6. traiter la question : quel est aujourd’hui selon vous le problème le plus important ? sous forme de nuages
de mots > https://www.nuagesdemots.fr/
7. bilan
Démarche :
- télécharger le fichier