Mrsic L3

MÉTHODES DE RECHERCHE EN
SCIENCES DE L’INFORMATION ET
DE LA COMMUNICATION.
3è Année de Licence
Traitement + Analyse des données & Projet de recherche
Avertissement :
La combinaison entre la rationnelle rigueur de la leçon et l’irrationnelle passion d’une connaissance à partager, requiert des
étudiants rendus à l’université d’accroître par leurs propres recherches (cette activité devrait représenter au moins 70 % du
temps consacré à la lecture d’ouvrages) la qualité de ce cours qui ne se présente nullement comme un savoir fini. Peut être
n’offre t-il à tout le moins que les 30 % des savoirs dont l’étudiant est en droit d’en attendre.
Méthodes de recherche en Sciences de l’Information et de la Communication

(3ème année de Licence)
Université de Douala – FLSH – Département de Communication.
Enseignant : Dr Louis Roger KEMAYOU
Objectifs : Le cours de MRSS en 3ème année de Licence de communication se situe dans une optique médiane
entre la formation académique et la formation professionnelle. Ce cours rend compte des dimensions complexes
des approches quantitatives et qualitatives lors de la phase de préparation des données et de l’analyse et de
l’interprétation de ces données.
L’étudiant(e) devrait tirer avantage des cours :
- d’Initiation à la Méthodologie des Sciences Sociales de niveau 1, traitant des de théories et
pratiques relatives aux questions de méthodologie, sous le rapport de l’environnement social de la
recherche, d’une part, mais aussi et surtout ;
- de Méthodes de Recherche en Sciences Sociales de niveau 2, portant sur les questions de la
construction technique de la recherche et de la collecte des données, d’autre part.
Et être plus spécifiquement en mesure à l’issue de ce cours :
- de constituer un manuel de codage ;
- de transférer des données recueillies sur un support adéquat ;
- d’évaluer les usages possibles de l’ordinateur ;
- de nettoyer les données recueillies ;
- de choisir les mesures descriptives appropriées ;
- de représenter des données sous forme de tableaux, graphiques ou figures ;
- d’établir un tableau à double entrées avec des tests statistiques ;
- de construire des indices ;
- de réduire les catégories d’une variable ;
- de préciser les différents types possibles d’analyse des données ;
- d’interpréter des données.
Sommaire :
Introduction :
1. Les traitements préliminaires des données ou mise en ordre
Le codage des données
La codification des questions ouvertes, des questions à
réponses multiples et des non-réponses
La vérification des données
Le transfert des données quantitatives et / ou qualitatives
Le traitement informatique des données
Le nettoyage des données
2. La mise en forme de données
2.1. Les mesures descriptives
2.1.1. Les données en pourcentage et les mesures de tendance centrale
2.1.2. Les mesures de dispersion et les mesures de position
2.2. Les représentations visuelles
2.2.1. Les tableaux, graphiques, diagrammes, histogrammes,
regroupements thématiques et figures
2.2.2. Les relations entre variables et les tests statistiques
3. L’analyse des données et l’interprétation des résultats
3.1. L’analyse des données
3.1.1. Les types d’analyse
3.1.2. Le rapport de l’analyse d’avec les données
3.2. L’interprétation des résultats
Conclusion : études de cas.

Rappel :
Le traitement des données, qualitatives ou quantitatives suppose la collecte de data,
s’inscrivant dans le processus de construction de l’objet dont les lignes qui suivent proposent
les articulations. Il s’agit de :
- rappeler les principales étapes de la construction de l’objet.
- préciser l’opérationnalisation des concepts et la conception des hypothèses,.
- indiquer les principales positions épistémologiques sous-tendant les divers choix
méthodologiques opérés.
Ce rappel n’a pas prétention à l’exhaustivité. D’ailleurs, il n’aborde pas les questions aussi
cruciales que les critères de scientificité, les procédures d’échantillonnage, ni la revue de la
littérature.
Préalables à la construction de l’objet
Quelques notions d’épistémologie

Il peut paraître superflu pour quelques uns d’aborder la construction de l’objet en faisant un
détour par l’épistémologie. Cependant, il faut mettre l’apprenti chercheur en garde
contre «le ritualisme des pratiques » [Bourdieu 1968] qui ne garantie d’aucune façon
l’objectivité des résultats.
La rigueur scientifique passe par les explicitations de toutes les implicatures sous-jacentes
aux choix effectués par le chercheur.
Approche positiviste et approche subjectiviste

Il est courant de présenter relativement aux sciences sociales, la classique opposition entre le
positivisme durkheimien et le subjectivisme weberien. Les SIC n’échappent pas à ce débat
qui pendant longtemps était le principal moteur de l’évolution des sciences sociales.
L’approche positiviste
À la suite de Durkheim, le positivisme est envisageable à travers deux règles essentielles :
- Le renoncement à tout a priori et la recherche par l’observation des données de l’empirie.
Aujourd’hui, l’établissement des corrélations a remplacé la tendance causaliste.
- Le fait, fut-il humain doit dans son traitement être chosifié. Le rejet de toute eidétique est
de mise.
L’axiomatique de la démarche positiviste est soit déductive, soit hypothético-déductive

(cette dernière ayant les faveurs des chercheurs contemporains). Le parti pris positiviste
rejette dès lors toute intentionnalité des acteurs, toute recherche des significations et des
valeurs. Ces catégories relevant du non savoir L’intelligibilité des faits est le fait du
chercheur, reconstruisant des rapports entre le réel.
L’approche positiviste s’inscrit dans le holisme méthodologique. Le holisme considère que le
tout prime sur les parties, abondant dans des explications globalisantes. Les analyses
structurale, fonctionnaliste, systémique sont des expressions de l’attitude positiviste.
Quelques positivistes : Durkheim, Parsons, Lazarsfeld, Lasswell, Rogers.

L’approche subjectiviste
L’approche subjectiviste, systématisée depuis Dilthey, correspond au retour de l’acteur
[Touraine 1984]. Expulsé de la science par l’école positiviste, l’acteur avec son
intentionnalité, ses significations et ses motivations joue un rôle de premier plan.
La quête du sens passe par les méthodes qualitatives, et donc la compréhension.
L’individualisme méthodologique est valorisé.
Avec le tournant ethnométhodologique et interactionniste, un pas supplémentaire a été
franchi relativement à l’objectivation du réel. Contre toute tendance déniant aux acteurs la
capacité d’objectiver leurs actions, ces paradigmes pensent que l’accession à l’intelligibilité
du sens est médiatisée par les acteurs. Les clés de l’intelligibilité de la connaissance
ressortissent de la compétence discursive des acteurs [Giddens 1984]. L’accès à la
compréhension est possible ici, maintenant, dans et pendant l’action.
Quelques subjectiviste : Goffman, Boudon.
Cette brève présentation vise à éveiller l’étudiant à des questions que la recherche ne
manque pas d’exhumer. Ne visant pas à l’exhaustivité, elle a fait l’économie de
certaines questions utiles.
Une précision doit cependant être faite. Les auteurs, classiques ou contemporains
échappent à toute catégorisation simplificatrice. Plusieurs approches théoriques
chevauchent allègrement cette dichotomie.
Méthodes Cadres d’analyse
Dialectique Type idéal

Phénoménologie Typologie
Quantification Systèmes
Herméneutique Modèles structuraux
Pôle épistémologique Pôle morphologique
Pôle théorique Pôle technique
Positivisme Monographie
Compréhension Etudes comparatives
Fonctionnalisme Expérimentations
Structuralisme Simulation
Cadre de référence Modes d’investigation
Dynamique de la recherche en sciences sociales. Les pôles de la pratique méthodologique, P

de Bruyne et alii, Paris, PUF, 1974, P.36.
Construire un objet de recherche, dans le cadre d’une recherche, qu’elle émane de la

demande sociale ou non, c’est inscrire ce processus dans un champ ou des champs

de la connaissance. Des pré requis sont dès lors sollicités. Omar Aktouf relève cinq
préalables au travail de recherche scientifique :
- La maîtrise des connaissances liées au champ de la recherche. Cette exigence rapportée aux
SIC apparaît singulière. Les SIC n’étant pas un champ au sens bourdieusien du terme, mais
un carrefour disciplinaire [Lazar 1991], une interdiscipline [Miège 2002,2006]. Les
connaissances requises s’inscrivent dans les sciences sociales au nombre desquelles : la
sociologie, l’anthropologie, la psychologie, l’économie, la géographie, l’histoire, etc.
- La maîtrise des plus importantes théories explicatives propres au champ en question. La

théorie fonctionnaliste des médias, les diverses pragmatiques, la théorie des jeux, de l’acteur,
des réseaux doivent être connus et maîtrisés.
- La maîtrise d’un certain nombre d’outils propres à recueillir de façon rigoureuse les données
à étudier (le plan d’observation le formulaire de questions, le guide d’entretien), devraient être
connus dans leurs conceptions et leurs manipulations ainsi que les difficultés attachées à
l’utilisation de chacun de ces instruments.
- La maîtrise d’instruments de vérification et de collecte des données non directement

observables ; les données secondaires. L’utilisation des diverses triangulations est impérative.
- La maîtrise de certains outils de traitement et d’analyse de données aussi bien qualitative

que quantitative.
LES ÉTAPES DE LA CONSTRUCTION DE L’OBJET
La recherche scientifique est un processus en trois moments et sept étapes. Le fait scientifique
nous rappelle Bachelard est conquis, construit et constaté. De fait, la conquête apparaît
comme le premier moment de toute recherche. De quelle rupture s’agit-il ? Sur quoi
le fait scientifique est-il conquis ?
Suivons Bachelard qui répond : « Toute culture scientifique doit commencer par une
catharsis intellectuelle et affective (…). Quand il se présente à la culture scientifique, l’esprit
n’est jamais jeune. Il est même très vieux, car il a l’âge des ses préjugés. »
- Les préjugés, la doxa, le sens commun apparaissent comme autant d’obstacles

épistémologiques à la formation rigoureuse de la connaissance. La lutte contre
les préjugés se présente comme un processus permanent, avant, pendant la
recherche.
- La construction de l’objet (second moment de la recherche) requiert un
élagage problématique. C’est à la lumière de la problématique que l’objet est
construit. « La science rappelle, Karl Popper, commence et finit dans les
problèmes ». Quant à Bachelard, « avant tout, il faut savoir poser les problèmes. Et
quoiqu’on dise, dans la vie scientifique, les problèmes ne se posent pas d’eux-mêmes.
C’est ce sens du problème qui donne la marque du véritable esprit scientifique. Pour

tout esprit scientifique toute connaissance est une réponse à une question. S’il n’y a
pas eu de question, il ne peut y avoir de connaissance scientifique ».
- Le troisième moment de la recherche est la constatation qui correspond à
l’expérimentation. La confrontation du montage théorique aux faits est
l’ultime moment de la recherche. Elle permet de valider ou d’invalider les
hypothèses émises à l’orée de la recherche. Une question se pose relativement
à l’objet. Vivant dans une société à complexité croissante, nous sommes aux
prises avec des phénomènes qui nous intriguent, suscitent notre curiosité.
Peut-on prendre tout fait social pour objet d’étude ? tout objet social est- il
objet scientifique ?
Introduction :
Au terme de la collecte des données, le chercheur se retrouve avec des données brutes.
Celles-ci peuvent être des notes d’observation, des enregistrements d’entretiens, des
formulaires de questions remplies, des résultats d’expériences, des extraits de textes ou de
statistiques recueillies. Telles qu’elles se présentent alors, ces données brutes ne sont pas
analysables. Pour qu’elles le deviennent, il faut d’abord que le chercheur les mette en ordre.
Cette mise en ordre est l‘objet de la première articulation de ce cours. Y sont abordés les
procédés de codage, de vérification, de transfert et de nettoyage des données, notamment
sous le rapport du traitement informatique. Une fois mises en ordre, ces données doivent
être mises en forme par le chercheur ; d’où le sens de la deuxième articulation de ce cours,
qui décrit les différentes façons de représenter les données en vue de leur analyse et
interprétation.
Cette phase dite de préparation ou de traitement des données est de la plus haute
importance, et ne doit sous aucun prétexte être négligée pour deux raisons au moins :
- elle permet de mettre en relief la richesse des informations que regorgent les
données brutes. Le chercheur se doit alors de manipuler avec un grand soin les
données qu’il a collectées, en ayant toujours en tête son problème de recherche et
en veillant à vérifier que toutes les opérations sont menées correctement.
- les analyses les plus fines ou les plus originales demeureraient inutiles et
invalides si les données sur lesquelles elles se basent avaient été mal préparées.
1. Les traitements préliminaires ou mise en ordre
Les données brutes doivent donc être soumises à un certain nombre de travaux
préliminaires. C’est ce que l’on entend par mise en ordre des données. Selon le cas, les
données brutes doivent être codées, vérifiées, transférées, informatisées, nettoyées,
synthétisées, représentées, testées, regroupées…
Le codage des données
Le codage est une première façon de mettre de l’ordre dans des données brutes. Il permet de
rattacher un symbole, habituellement un chiffre, à une donnée recueillie. Par exemple, dans
l’analyse de la première page de divers journaux, le chercheur peut avoir décidé d’inscrire le

chiffre 1 si le sujet était la politique, 2 pour les sports, 3 pour les faits divers et ainsi de suite.
Cette opération a pu débuter à l’étape de la construction technique puisqu’un instrument de
collecte nécessite souvent que soient inclus, avant même son utilisation, des éléments de
codage. L’instrument qui s’y prête le plus facilement à l’avance est le formulaire de
questions (questionnaire). Pour éviter un travail énorme et pour réduire les erreurs lors de la
saisie informatique des données, chaque réponse proposée dans le questionnaire doit déjà
être numérotée, dans la mesure du possible, en vue de ce transfert. Il en est de même pour
les autres techniques de recherche ayant servi à un prélèvement quantitatif tel le sondage.
Rappelons que cette numérotation se base sur une catégorisation des résultats possibles pour
chaque question, stimulus ou unité d’analyse. Une catégorisation est acceptable à trois
conditions :
- elle doit être consistante, c’est-à-dire qu’elle se réfère à un seul principe de
classification :
- elle doit être exhaustive, parce qu’elle inclut tous les cas possibles ;
- elle doit être exclusive, c’est-à-dire que chaque possibilité ne recouvre pas en
partie un autre choix possible ou, autrement dit, que chaque catégorie n’en
chevauche pas une autre.
Le codage doit résoudre les ambiguïtés que certaines données brutes pourraient recéler. Il
fait donc appel à une réflexion qui met en rapport la façon dont le problème a été défini, à la
première étape de la recherche, et les données réunies lors de la collecte des données. Il
importe pour le chercheur, de s’assurer que, d’une part, il ne trahit pas le sens de la
définition de son problème et que, d’autre part, il tient compte de tous les aspects des
données prélevées. Il faut savoir pourquoi on retient finalement telle catégorie plutôt que
telle autre. C’est le sens de la remarque de Sellitz et al. (1977. p. 439) :
Le point probablement le plus important qu’il faut vous rappeler au sujet de cette opération, c’est que vous devriez
toujours avoir une raison, une raison que vous pouvez formuler explicitement, pour appuyer vos décisions à propos des
opérations de codage.
Pour guider les opérations de codage, il y a lieu de préparer, si cela n’a pas été déjà fait
lors de la construction de l’instrument, un manuel de codage. Celui-ci contiendra la liste des
codes utilisés dans la recherche, avec leurs significations et leurs justifications. Plus
généralement, le manuel présentera les concepts, dimensions et indicateurs traduits de
différentes manières selon la technique utilisée. Pour ce qui est des variables, le manuel
comportera, pour chacune :
- un nom ;
- une abréviation, s’il y a lieu, quand l’espace disponible est trop restreint, si on a entré les
données sur ordinateur, par exemple ;
- un numéro pour pouvoir la localiser ;
- sa formulation originale pour plus de précision ;
- des numéros de code pour chacun de ses attributs ou chacune de ses catégories ;
Ainsi, on pourra retrouver dans un manuel de codage une inscription comme celle qui suit :

Nom Abréviation Numéro Formulation Codes Catégories
Type TYPDENT VAR018 Combien d’employés 1 Moins de 50

d’entreprises Travaillent ici ? 2 50 à 100
3 Plus de 100
8 Ne sais pas
9 Pas de réponse
Si l’instrument est un formulaire de questions, les réponses sont habituellement déjà codées.
Le chercheur n’a qu’à inclure une copie vierge de ce formulaire dans son manuel, avec des
codes supplémentaires s’il fait des ajouts dans la catégorisation. Il en est de même pour les
autres instruments de collecte déjà construits et codés. Rappelons aussi que chaque
formulaire, qui correspond à un individu de la population, tout comme chaque unité
d’analyse dans les autres techniques, doit avoir reçu un numéro d’identification qui peut être
complexe ou significatif.
Un système de codage bien défini facilite les procédures ultérieures et résout les
interrogations délicates et les ambiguïtés. Le manuel, pour sa part, sert de guide quant à la
signification exacte de chaque variable et d’aide mémoire pour les décisions qui ont été
prises concernant les catégorisations retenues. Il réunit toutes les notations qui permettraient
à un autre chercheur de reconstruire la logique de la classification.
En ce qui concerne le choix des codes, les indications suivantes peuvent contribuer à leur
donner une cohérence et une certaine logique facile à retenir :
o Ainsi quand on a affaire à une variable d’intensité, comme la satisfaction ou le
degré de préoccupation, par exemple, on numérote dans un ordre allant du moins
intense au plus intense, en partant du chiffre 1 jusqu’au nombre nécessaire.
o Quand il n’ y a que deux catégories pour une variable et que ces dernières se
répètent à plusieurs reprises, on les numérote alors toujours pareillement, en
utilisant le chiffre 1 pour la présence ou l’affirmation et le chiffre 2 pour l’absence
ou la négation.
o Lorsque les catégories n’ont pas de logique particulière les unes par rapport aux
autres, comme l’appartenance ethnique ou les préférences musicales, par
exemple, les numéros de la variable peuvent être indifféremment distribués.
o Enfin, certaines variables renvoient déjà à des chiffres et le codage est ainsi donné
par la nature numérique de la variable, comme la fréquence de tel phénomène,
l’âge, le revenu, etc.
La codification des questions ouvertes et des questions à réponses multiples
Si le chercheur a utilisé le questionnaire et que certaines des questions laissaient libre la

formulation de la réponse ou incluaient, dans la liste des réponses proposées, la catégorie
‘’Autres (préciser)’’, il convient alors à ce niveau qu’il catégorise les réponses reçues. Pour ce
faire, trois règles sont à suivre. Elles peuvent possiblement servir aussi au dépouillement de
données obtenues par un autre instrument que le formulaire de questions :
- Règle 1 : choisir au hasard, un certain nombre de formulaires pour avoir un éventail de réponses.
Mucchielli (1970) entend par un « certain nombre » le tiers des réponses pour 40 à 60 questionnaires
et le quart pour une centaine.
- Règle 2 : à partir du but de la question, comparer les réponses les unes aux autres pour voir si elles
traduisent une, deux, trois, … n, réactions différentes à la question, toujours en essayant de ramener
ces réactions à quelques-unes, élémentaires. « Vous constaterez, rappelle Mucchielli, que certains

thèmes apparaissent sous des formules différentes ou même souvent avec des mots identiques ».
(1970. p. 24.).
- Règle 3 : procéder ensuite au dépouillement en dégageant les idées maîtresses des réponses données,
en les resituant, en les combinant, en les distinguant, etc. le chercheur en arrivera ainsi aux
catégories définitives.
Ci-après, un exemple d’application à partir d’une question s’adressant à un groupe particulier

d’étudiants en communication. La question s’énonçait ainsi :
« Pourquoi êtes-vous inscrit en Sciences de la communication ? »
Examinons trois extraits de réponses pour en dégager les idées maîtresses.
Réponse 1 : « j’avais des amis du secondaire qui s’en allaient là-dedans et je connaissais déjà des journalistes. »
Deux idées maîtresses sont ici énoncées : 1) garder ses relations amicales ; 2) connaissance des gens
dans le métier.
Réponse 2 : « Le conseiller d’orientation du secondaire m’a dit que j’étais fait pour ça, et je ne savais pas au juste quoi
prendre d’autre. »
Deux idées maîtresses sont à nouveau énoncées : 3) conseils d’un spécialiste ; 4) ignorance des autres
choix (importance moindre, possiblement de cet aspect).
Réponse 3 : « j’ai déjà été dans les médias et j’ai l’expérience des studios. »
Une seule idée maîtresse est ici énoncée : 5) expérience antérieure pertinente (subjectivement).
En examinant les réponses, cinq idées maîtresses ont pu être dégagées. Il ne reste plus qu’à
les regrouper en quelques réactions élémentaires en retournant à l’indicateur de la question ou,
plus généralement, au cadre conceptuel de la définition du problème.
Si le chercheur visait à savoir quelles personnes ont influencé le candidat, alors trois
catégories pourraient être dégagées et retenues des cinq idées maîtresses :
1) personnes de l’entourage ;
2) personnes étrangères ou extérieures (exemple : le conseiller d’orientation)
3) pas de personnes en particulier.
S’il visait plutôt à connaître la source de l’influence quant au choix, il peut en arriver à ne
retenir que deux catégories dans lesquelles les cinq idées maîtresses pourront être incluses :
1) influence liée à des personnes ;

2) influence liée à la nature du travail.
Le choix entre la première et la deuxième catégorisation dépendra de la définition du

problème.
Le chercheur poursuivra ensuite le dépouillement en essayant de situer les nouvelles

réponses dans les catégories établies. Si certaines réponses n’entrent pas dans les catégories
déjà définies, il convient qu’il revoit s’il y a lieu, la catégorisation ou d’ajouter une nouvelle
catégorie au cas où ce genre de réponse se répéterait. Il procèdera enfin au dépouillement
général en s’assurant qu’il a préalablement numéroté sans ambiguïté les catégories retenues.
Tout au long de ce processus, la principale préoccupation du chercheur doit être de garder
intactes les significations données par les enquêtés à leurs réponses tout en les classant dans
des catégories pertinentes et reliées à la définition du problème. Il importe de conserver la
richesse des données tout en les synthétisant.
La vérification des données

Parallèlement au codage à terminer, le chercheur se doit d’examiner les données brutes et
d’être attentif aux failles possibles, qu’il importe qu’il discerne avant que tout le processus de
compilation se mette en branle et rende ce travail difficile, voire impossible sauf à avoir à
recommencer le dépouillement. Ces failles ont trait à des informations inadéquates
recueillies, qu’il convient que le chercheur corrige dès ce moment, quand cela est encore
possible. Il s’agit entre autres :
- des informations fantaisistes ; certaines unités d’analyse, comme un formulaire rempli ou

un document, peuvent apporter une information qui n’a rien à voir avec ce que le
chercheur demandait ou recherchait. Par exemple, quelqu’un a pu remplir un formulaire
de travers. Le chercheur dès cette découverte, se doit d’éliminer une telle information qui
nuirait à la compilation des autres informations qui ne sont pas, par ailleurs, farfelues.
- des informations non calibrées ; chaque information chiffrée est utile et manipulable pour
autant qu’elle est sur une même base de calcul que les autres informations qui se
rapportent à la même variable. Ainsi, si le chercheur a des données sur le revenu sur une
base annuelle et d’autres sur une base mensuelle, il convient qu’il les ramène à une seule
unité temporelle.
- des informations non discriminantes ; quand tous les éléments étudiés par rapport à une
variable donnée se situent à peu près tous dans la même catégorie – par exemple tous
semblent avoir répondu « oui » à une question –, cette variable ne pourra être utilisée
puisqu’elle ne fait pas de distinction entre les éléments de la population. Le chercheur
peut toutefois en faire mention dans son rapport, mais il est inutile qu’il la garde pour
l’analyse ultérieure, car elle ne pourra pas être mise en relation avec une autre variable,
les éléments n’étant pas discriminés. S’il s’agissait d’une question, elle a pu être mal posée
ou elle s’est révélée non pertinente pour rendre compte de l’indicateur retenu au départ.
- des informations absentes ; entendons par là, dans le cas d’un questionnaire par exemple,
les questions restées sans réponse ou auxquelles l’enquêté a répondu « ne sais pas ».
lorsque « ne sais pas » a été prévu dans le questionnaire, la convention (Baker, 1988) est de
coder 8, ou 98 si on code avec deux chiffres plutôt qu’un. Pour les questions sans réponse,
on code 9 ou 99, selon le cas. Suivant le traitement que le chercheur fera ensuite subir aux
données recueillies lors d’une enquête, il peut apparaître important qu’il distingue entre
les « sans réponse » et les situations où la personne n’avait pas à répondre à une question,
comme à la suite d’une question-filtre ; il affectera alors d’un numéro autre la catégorie
concernée, dans ce cas « ne s’applique pas ». grâce à ces numéros spécifiques, certains
logiciels pourront traiter différemment ces informations particulières tantôt en les
incluant, tantôt en les excluant. L’ordinateur pourra ainsi reconnaître, dans certains cas, ce
genre d’informations, étant donné qu’elles auront été codifiées en ce sens. Il sera par
conséquent possible que le chercheur remette en question la pertinence de l’analyse d’une
certaine variable si trop de personnes se situent à 8 ou à 9, par exemple ; a contrario, il
pourra mieux analyser une variable ayant très peu de 8 ou de 9 s’il exclut ces quelques
cas.
Pour procéder à la vérification des données, entendons par là, une évaluation des données
recueillies en vue de s’assurer qu’elles sont utilisables pour l’analyse, le chercheur doit se
poser un certain nombre de questions (Sellitz et al.., 1977) et, selon les réponses apportées,
diverses décisions peuvent être prises :
- les données sont-elles complètes ? Si la réponse est non, ces informations incomplètes sont
soit à éliminer complètement de l’analyse ultérieure, soit à coder d’une façon particulière
pour pouvoir les isoler par la suite.

- les données sont-elles compréhensibles ? Si la réponse est non pour certaines d’entre elles,
parce que, par exemple, le sens des informations n’est pas clair et que la vérification par
un autre membre de l’équipe ou un spécialiste de l’extérieur ne permet pas une même
interprétation, ces données obscures ne peuvent être gardées pour l’étude subséquente,
car elles empêchent de se baser uniquement sur des données sûres pour l’analyse.
- les données sont-elles cohérentes ? Si la réponse est partiellement négative, dans un
extrait d’entrevue, par exemple, où l’interviewé se contredit ou se dédit sans que le
chercheur puisse y trouver là un sens véritable, il est préférable qu’il ne retienne pas cet
extrait pour l’analyse et même qu’il rejette toute l’entrevue si cette incohérence a un effet
sur la totalité du discours. Il cherchera ainsi à contrôler la consistance des propos tenus,
qui en assure la véracité ou la vraisemblance. Il peut s’agir aussi de comptes rendus mal
complétés ou de transcriptions déficientes qui demandent une rectification quand la chose
est possible, sinon les données sont inutilisables.
- les données sont-elles uniformes ? Si la réponse est partiellement négative, il est probable
que les observateurs, les intervieweurs ou les codeurs, par exemple, n’ont pas travaillé
avec une même compréhension des faits à retenir. Le chercheur doit alors rectifier
l’approche avec eux, faute de quoi il errera dans l’analyse subséquente. Si une donnée
demeure impossible à uniformiser parce que son interprétation ne fait pas consensus
entre les évaluateurs, le chercheur ne devrait pas s’en servir par la suite. S’il le fait, c’est
qu’il privilégie un jugement plutôt qu’un autre et il faut alors qu’il l’explicite dans son
rapport.
Examiner les données à la lumière de ces quatre questions permet donc au chercheur de
vérifier les informations. Une telle vérification est nécessaire avant la compilation des
données sur ordinateur ou autrement, car elle garantit de ne travailler par la suite qu’avec
des données pertinentes ; l’analyse ultérieure ne se fera pas en vain. La vérification des
données est à la recherche ce que la vérification d’un avion au sol est à la navigation
aérienne : elle met l’équipage en condition de poursuivre son vol sans craindre aucune
surprise.
Le transfert des données quantitatives et / ou qualitatives
Par transfert des données, entendons, enregistrement de données sur un support qui en
permet le traitement. Une fois le codage terminé et les données brutes vérifiées, il reste à
procéder au transfert des données sur un support qui en permettra la compilation :
- Les données quantitatives
Pour les données que le chercheur veut soumettre à un traitement quantitatif, il peut
recourir à l’ordinateur, dont l’utilisation s’est généralisée, en particulier grâce aux
possibilités de la micro-informatique, qui permet de stocker et de traiter un grand nombre de
données brutes, facilement et à peu de frais. Il ne reste plus au chercheur qu’une étape à
franchir entre la préparation des données brutes et leur emmagasinage : s’asseoir devant un
clavier d’ordinateur et enter les données directement à partir des informations recueillies à
l’aide de l’instrument de collecte. Des logiciels existent à cet effet.
Supposons qu’un chercheur ait à compiler manuellement les données d’une enquête par
questionnaire. Pour l’enregistrement manuel d’une centaine de formulaires, il lui faudrait
construire un grand tableau de compilation dans lequel lignes et colonnes se croisent. À la
verticale, chaque colonne représente une question ; à l’horizontale, chaque ligne contient
toutes les réponses de chaque enquêté à chacune des questions. À l’intérieur du tableau, il
inscrirait, dans chaque case, le numéro assigné à la catégorie de la réponse. Dit autrement,
chaque case est un point d’intersection entre le code de la réponse donnée à une question du
questionnaire et un enquêté particulier, ainsi que l’illustre le tableau ci-après. Ce tableau se
limite à six enquêtés qui ont eu à répondre à huit questions.
Tableau de compilation manuelle
Question n° : 1 2 3 4 5 6 7 8
Enquêté n° 001 2 18 1 4 100 1 12 85
002 3 17 1 1 150 1 40 70
003 1 16 1 3 90 1 30 65
004 2 17 2 5 200 2 10 75
005 2 17 2 5 178 1 15 80
006 1 17 1 1 80 2 3 67
Ce tableau illustre ce que l’ordinateur emmagasine d’une tout autre manière ; dans les deux
cas, les données brutes recueillies sont compilées. L’ordinateur, dans une première opération
élémentaire, peut procéder à des additions, et le chercheur saura ainsi pour la première
question, par exemple, le nombre de réponses correspondant aux catégories 1, 2 et 3.
L’ordinateur facilitera grandement la tâche du chercheur, car additionner à la main à partir
d’un tableau de compilation entraîne des difficultés inévitables d’attention, particulièrement
si l’échantillon est grand et si le formulaire compte plusieurs questions. Ce tableau
représente, enfin, ce qu’on peut appeler une matrice de données, c’est-à-dire un modèle
réduit du croisement entre variables (questions) et informateurs (enquêtés).
- Les données qualitatives
Supposons aussi que le chercheur revienne de la collecte avec des notes d’observation ou
d’analyse de contenu ; le transfert consiste à classer ces données pour s’y retrouver plus
facilement. Il peut alors regrouper tout ce qui est de l’ordre de la description de faits, de
situations, d’objets, etc., et tout ce qui est de l’ordre de l’interprétation : suppositions,
jugements, tentatives d’explication, rapports présumés entre des faits, etc. Il peut aussi
subdiviser plus précisément à l’intérieur de chacune de ces catégories, selon l’analyse
ultérieure envisagée. L’important dans ce transfert, eu égard à la définition du problème, est de
regrouper les notes de telle manière à savoir immédiatement où retrouver tel ou tel aspect
du problème sans avoir à relire l’ensemble. À ce niveau, il est aussi encore temps pour le
chercheur d’ajouter des remarques qui éclairent, précisent ou complètent les notations.
Pour l’entrevue de recherche, le transfert signifie la transcription littérale de

l’enregistrement. Pour être en mesure d’analyser les propos d’un interviewé, le chercheur
doit les avoir par écrit, car cela permet un va-et-vient facile, ne réflexion sur des propos et
une comparaison entre extraits. En se servant d’un logiciel de traitement de texte qui peut
accomplir certaines opérations supplémentaires de regroupement, on ajoute à la flexibilité de
l’écrit. Lors de la transcription mot à mot, il est nécessaire que la personne qui s’en charge
veille à rendre compte intégralement de l’entretien.
Voici quelques conseils à ce sujet :

- Il est important de noter le contexte des propos, car il donne plus d’exactitude sur le sens
du discours de l’interviewé. Par exemple, si à tel moment il y a eu des rires, l’indiquer ;
s’il y a eu hésitation de façon significative, le noter aussi ; de même, noter les moments de
colère, de gêne, les changements brusques de ton, etc.
- Même s’il faut transcrire l’entretien mot à mot, il n’est pas nécessaire de rendre compte de
la prononciation. Par exemple, écrire « tu sais » même si on a entendu « t’ sé », non
seulement pour éviter le travail fastidieux de recomposition que cela impliquerait, mais
surtout pour rendre le texte facilement lisible et compréhensible. Transcrire donc dans
une langue standard en français ou en anglais standard à moins qu’un mot inexistant dans
le dictionnaire soit employé. Il peut cependant être pertinent d’indiquer, au début du
texte, le langage particulier qui a pu être utilisé par l’interviewé ou de noter d’autres
considérations générales qui permettent de mieux saisir le contexte de l’entrevue. Il faut,
en effet, réserver une place à de telles remarques et, si possible, préciser certaines
caractéristiques sociales de la personne rencontrée, telles que son âge, son sexe, son
occupation et autres remarques pertinentes.
- De la même manière, le compte rendu de l’entrevue devrait contenir des précisions sur le
langage non verbal de l’interviewé (mimiques, impressions dégagées, etc.) et décrire le
lieu de la rencontre, indications très éclairantes une fois mises en rapport avec certains
propos tenus.
- De façon plus générale, il est importa,t d’adopter une même façon de transcrire les propos
liés au contexte. Vincent (1989, p. 151) propose les codes suivants :
o les parenthèses avec contenu (rire) indiquent un commentaire de la part du transcripteur ;

o les parenthèses vides ( ) indiquent qu’un élément est incompréhensible ;
o les crochets [ ] font état de paroles prononcées en même temps que celles du locuteur ;
o les deux points :, servent à identifier les hésitations du locuteur ; ils s’apparentent en
quelque sorte à des points de suspension.
Le traitement informatique des données
En sciences sociales en général, il n’ y a pas un sondage d’opinion, pas une enquête d’une
certaine envergure, pas une expérimentation qui ne se fait sans le support de l’ordinateur.
Cette technologie offre la possibilité de nos jours, de concentrer les données brutes recueillies
sur une surface minuscule (disque dur, cd rom, clé usb…) ; qui plus est, elle permet à
l’utilisateur, d’organiser et de transformer les données selon ses besoins. En entrant ses
données, l’utilisateur – ici le chercheur –, de constituer un système de fichiers. Chaque fiche
renvoie à une variable avec son nom et les valeurs qu’elle peut prendre, et chaque élément
de la population y est situé avec la catégorie liée ç la valeur qui le concerne. Le chercheur
peut ensuite faire exécuter à l’ordinateur, par des commandes appropriées, différentes
opérations sur ces variables et lui faire compiler les résultats. Par exemple, une base de
données est un logiciel qui permet des systèmes de fichiers.
Nous avons vu plus haut que, plus la taille de l’échantillon prélevé est grande, plus il est
difficile de compiler manuellement et sans erreur les données d’une recherche, alors que
l’ordinateur permet de procéder au traitement des données en un temps relativement court
et avec exactitude. De plus, sa capacité est telle qu’il peut inonder le chercheur de tableaux
pour peu que ce dernier oublie de préciser et de limiter ces demandes. Outre le temps perdu
à examiner des tableaux superflus, des exagérées peuvent éloigner de l’essentiel de la
recherche. La règle pour une utilisation efficace des possibilités de l’ordinateur, est donc de
s’en tenir à la définition du problème et à borner les demandes à ce qui est nécessaire pour
vérifier son ou ses hypothèses. Le chercheur peut par contre se laisser une certaine latitude,

selon les résultats trouvés, pour faire une deuxième demande de tableaux en vue
d’approfondir certains aspects du problème, mais, encore là, dans les limites de ce qui est
essentiel par rapport à ce qu’il cherche.
De plus en plus de logiciels pour le traitement de données de recherche sont disponibles. Ils
permettent divers regroupements des données soit pour l’analyse statistique ou pour le
contrôle expérimental. De même, pour l’analyse de texte, en numérotant chaque paragraphe
par exemple, le chercheur peut faire, grâce à la commande « tri », divers montages selon les
propos qu’il veut regrouper ; il peut aussi rassembler les multiples témoignages reçus sur
une question plus particulière. Il peut aussi faire ressortir, dans l’analyse de discours,
certains mots dont la présence ou l’absence peut avoir une importance pour la
compréhension de l’ensemble du document.
Pour le traitement quantitatif de données, le chercheur se servira de logiciels d’analyse
statistique. Des marques comme StatPac, StatView, StatPlus, Enquête, entre autres, offrent de
tels logiciels pour micro-ordinateurs. D’autres logiciels comme le SAS (Statistical Analysis
System) et surtout, le plus connu, le SPSS (Statistical Package for the Social Sciences) ou sa
version plus récente, le SPSS.7, permettent des analyses encore plus complexes. De façon
générale, un logiciel d’analyse statistique peut calculer chaque variable et regrouper des
données sous forme de tableaux ou de graphiques, d’où l’intérêt de son utilisation pour le
traitement de données de recherche. Le chercheur obtiendra ainsi divers types de
représentations d’une variable ou du croisement de deux variables ou plus, de même que les
résultats de l’application de certains tests. Quand le chercheur travaille à l’analyse de texte,
divers logiciels de traitement de texte peuvent faciliter sa tâche ; les plus connus d’entre eux
sont WordPerfect, Word et plus récent encore, ethnograph . 0… Ces logiciels permettent non
seulement d’emmagasiner sue une simple disquette ou une clé usb, une grande quantité de
texte, mais aussi d’effectuer des opérations de tri, de collage et de duplication à grande
échelle. Le chercheur peut ainsi examiner la signification de tel ou tel passage à la lumière de
tel ou tel autre et faire différents regroupements. Enfin, il existe aussi des logiciels pour
recueillir et traiter des données d’expériences de diverses sortes ou de tel ou tel type
d’expérience spécifique.
Le nettoyage des données
Avant d’entreprendre l’analyse des données recueillies, une fois qu’elles ont été codées,
vérifiées et transférées, il faut encore les nettoyer. Le nettoyage des données consiste en
repérage et élimination des informations erronées. Le chercheur doit alors procéder au
nettoyage de ses données d’observation. Pour ce faire, il les examinera et relèvera les
données aberrantes, insignifiantes ou manquantes.
Pour nettoyer les données quantitatives, le chercheur demandera d’abord à l’ordinateur de
représenter, sous la forme d’un tableau, la compilation des résultats d’ensemble pour chaque
variable. Supposons une enquête menée auprès de 200 personnes et un tableau de
compilation de la variable sexe qui afficherait les résultats suivants :
Tableau de compilation

VAR 028 SEXE
Fréquence
1. (Hommes) 100
2. (Femmes) 98
3. ( ? ) 01
Total 199
Il apparaît immédiatement qu’une catégorie « 3 » se soit infiltrée à ce niveau puisqu’il n’ y

avait que deux choix possibles. De même, il est surprenant que le total soit de 199 réponses si
on avait conservé 198 formulaires. Le tableau de compilation permet donc au chercheur, de
repérer certaines anomalies qu’il importe de corriger. Pour ce faire, il convient qu’il
recherche la source de l’erreur. Trois voies sont alors à explorer :
- L’erreur peut s’être produite lors du transfert des données à l’ordinateur. Il faut alors que
le chercheur retrace dans l’ordinateur, l’endroit où est inscrit ce numéro aberrant ; une
fois qu’il l’a trouvé, il doit noter le numéro de l’individu ayant cette réponse et retourner
au formulaire, s’il s’agit d’un questionnaire, pour voir si la réponse était bien celle qu’il a
enregistrée. S’il s’agit d’une erreur de transcription ou de transfert, il corrigera la catégorie
dans la colonne appropriée ; sinon, il lui donnera la catégorie 9 ou il ne marquera rien,
selon ce que peut recevoir le logiciel, pour indiquer que la question est « sans réponse »
pour cet individu. Cependant, si une information n’est pas aberrante mais apparaît
hautement improbable, comme une étudiante qui déclare avoir 60 ans, il vérifiera tout de
même si cette situation pouvait se rencontrer dans les circonstances de l’enquête avant de
conclure à une réponse erronée.
- L’erreur peut provenir d’une mauvaise manipulation des instruments. Ainsi, un
formulaire à rejeter a pu être gardé parmi les autres, et c’est pourquoi il se retrouve avec
un total de 199 alors que le nouveau total, une fois retrancher ce questionnaire mal rempli,
aurait du être de 198 individus. Il convient alors que le chercheur enlève cette ligne du
fichier informatisé.
-
L’erreur peut être liée à une mauvaise catégorisation des réponses obtenues pour une
variable donnée. Supposons une réponse ouverte pour laquelle le chercheur a hésité entre
deux types de catégorisation et que celle choisie se révèle finalement non significative. Il
doit alors modifier la catégorisation et changer la numérotation correspondante sur la
ligne de chaque individu à la colonne concernée. Dans le cas où les catégories ne sont plus
modifiables parce qu’elles étaient déjà inscrites sur le formulaire et qu’elles ne
discriminaient pas les individus, il supprimera alors cette variable, car elle ne pourrait
rien apporter dans le travail ultérieur. Le chercheur peut cependant mentionner
ultérieurement son existence à titre d’information. En outre, s’il découvre une variable
ayant un nombre anormalement élevé de « ne sais pas » ou de « ne s’applique pas », il y a
aussi la possibilité d’une erreur dans la catégorisation, et c’est à la lumière des indicateurs
que le chercheur doit décider s’il faut tenir compte de cette variable ou la retrancher
définitivement.
Pour faire un nettoyage efficace, il est préférable de passer d’abord en revue tous les
tableaux de compilation et de noter toutes les anomalies rencontrées ; ensuite, nettoyer
l’ensemble des erreurs. Cette façon de faire permet d’épargner du temps, car examiner une
seule erreur à la fois occasionne un va-et-vient inutile.

Si le chercheur a affaire à des notes manuscrites ou à une transcription d’entrevue, il se doit
là aussi de tout relire intégralement et attentivement pour y déceler des erreurs possibles. Il
peut s’agir :
- de portions de texte manquantes,

- de notations bizarres ou qui ne lui rappelle rien,
- de propos impropres, eu égard au problème.
En se remémorant la source de l’information ou en écoutant à nouveau l’enregistrement,

selon le cas, le chercheur peut découvrir s’il y a eu mauvaise transcription ou mauvaise
saisie du contexte du propos. Selon le cas, il corrigera l’écriture en conséquence ou ajoutera
des remarques, telles que son inaudible à cet endroit, prononciation incompréhensible, observation
incomplète ou voilée, et ainsi de suite, selon qu’il importe de mentionner pour clarifier la
situation. De plus, si une notation apparaît après coup aberrante ou surprenante, il faut que
le chercheur l’évalue en relation avec le contexte dans lequel elle s’est présentée avant d’en
disposer d’une manière ou d’une autre.
En bref, le nettoyage des données a pour but de faire disparaître tout ce qui nuirait à la
présentation des données de manière à rendre l’analyse aisée et cohérente. Nous venons de
voir plus haut, que des erreurs peuvent s’être glissées lors de l’utilisation de l’instrument de
collecte, lors du codage ou lors du transfert des données de cet instrument vers un autre
support ; de même, des informations compilées non discriminantes ou absurdes ne peuvent
être utilisées. Le nettoyage peut donc obliger le chercheur à revenir à diverses phases
antérieures, et même parfois jusqu’à la définition du problème. L’important est de faire
preuve de clairvoyance et d’honnêteté pour que cette opération délicate mais nécessaire se
fasse dans le respect des informations obtenues tout en ne se laissant pas arrêter par
certaines données qu’il vaut mieux éliminer, faute de rapport conséquent avec ce qui est
recherché par le chercheur.
2. La mise en forme de données
Par mise en forme de données, entendre : moyens pris pour rendre les données analysables.
Une fois réalisée la mise en ordre des données recueillies, encore faut-il, pour les analyser,
les représenter d’une manière ou d’une autre. Elles prendront alors un sens pour le
chercheur. Il peut vouloir les résumer, les présenter de façon imagée, établir des rapports
entre elles, toujours dans le but de les rendre signifiantes par rapport à son problème de
recherche. Il va donc tenter de leur donner une forme qui permette de caractériser
l’ensemble des faits constatés. On parle alors de mise en forme de données.
Quand un chercheur analyse un ensemble de données chiffrées, il se sert de méthodes
quantitatives qui ont été mises au point pour caractériser les faits constatés. C’est ainsi que la
statistique a conçu des mesures descriptives et déductives, de même que des façons de
présenter des données permettant d’en étudier la pertinence par rapport à ce que l’on veut
vérifier. Pour ce qui est des données qualitatives, il est possible de faire divers
regroupements en vue de les étudier. Il existe différentes façons de mettre en forme des
données de recherche ; il s’agit pour le chercheur, d’en choisir une en fonction de ce qu’il
veut démontrer.
Les mesures descriptives

Par mesures descriptives, entendre grandeurs numériques servant à caractériser et à décrire
un ensemble de données. Elles constituent une première façon de mettre en forme des
données chiffrées.
Les données en pourcentage et les mesures de tendance centrale
o Les données en pourcentage
Nous avons mentionné précédemment que, pour faire le nettoyage des données
quantitatives, le chercheur devait produire une compilation des résultats chiffrés de chaque
catégorie pour chaque variable. Une fois nettoyée, cette compilation peut servir, variable par
variable, de première mesure descriptive. Pour que cette mesure soit quelque peu
signifiante, il est nécessaire de calculer le pourcentage (%), ou la fréquence de chaque
catégorie de la variable concernée. Le chercheur saura ainsi, par exemple, que l’échantillon
comptait 5 % de 16 ans, 46 % de 17 ans, et ainsi de suite, ce qui est plus significatif que de
savoir que 23 personnes avaient 16 ans, 207, 17 ans, etc. en fait, le nombre absolu ne
renseigne pas sur l’importance de la présence d’une caractéristique par rapport à l’ensemble,
alors que le pourcentage s’établit à partir du nombre total d’éléments de la population ou de
l’échantillon pour cette variable.
o Les mesures de tendance centrale
Pour une variable donnée, l’âge ou le revenu par exemple, le chercheur peut avoir besoin
d’une sorte de portrait unique qu’on obtient en en faisant ressortir une mesure dite de
tendance centrale. Cette mesure indique les valeurs autour desquelles se retrouvent les
données et renseigne donc sur leur ordre de grandeur. Les trois mesures de ce type sont le
mode, la médiane et la moyenne :
- le mode précise la catégorie de la variable ayant la plus haute fréquence ;

- la médiane renseigne sur la catégorie qui divise les données en deux parties égales ;
- la moyenne fournit une sorte de résumé de toutes les données.
Ainsi, pour les résultats d’une classe d’étudiants à un examen sur 10 points, on pourrait
obtenir 8 pour le mode parce que ce fut la note la plus souvent obtenue, 7 pour la médiane
puisque la moitié des étudiants se situait au-dessous de cette note et l’autre moitié au-dessus
et, enfin, 6,6 pour la moyenne, qui est le résultat de la somme des notes obtenues divisée par
le nombre d’étudiants.
La moyenne est la mesure de tendance centrale la plus utilisée pour rendre compte d’une
série de chiffres comparables. Cependant, la moyenne se calculant à partir de toutes les
données de la série, elle est influencée par les données extrêmes et peut décrire deux types
de distributions différents ;
- ainsi, une moyenne de 6,6 / 10 peut signifier que les étudiants ont à peu près tous obtenu
cette note ou se sont situés autour de ce chiffre ;
- elle peut aussi signifier qu’aucun étudiant ne se situe à cet endroit mais vers les extrêmes,
des étudiants ayant été très forts et d’autres très faibles.

Voilà qui révèle deux situations différentes, et pourtant la moyenne est la même. C’est
pourquoi, lorsque le chercheur se servira de la moyenne arithmétique, il convient qu’il y
ajoute une ou quelques autres mesures dites de dispersion.
Les mesures de dispersion et les mesures de position
o Les mesures de dispersion
Les mesures de dispersion renseignent sur le plus ou moins grand éparpillement de la

distribution et précisent la signification de la moyenne, par exemple. À cet effet, une mesure
de dispersion très utilisée est l’écart type. Sa valeur permet de mieux évaluer l’étalement des
données de la variable par rapport à la moyenne.
Reprenons l’exemple des résultats académiques et supposons que, dans trois unités
d’enseignement, la moyenne soit la même, soit 6,6 / 10 ; nous savons que cette mesure ne signifie pas
que les notes se sont nécessairement distribuées de la même manière dans chaque UE. C’est l’écart
type qui va fournir des précisions à cet égard. Si l’écart type donne les résultats suivants : UE 1 : 1,43 ;
UE 2 : 2,11 ; UE 3 : 2,48, le chercheur pourra alors affirmer qu’avec une même moyenne dans chaque
UE, le 1er groupe se situe assez près de la moyenne, le 2nd s’en est passablement distancé et le 3è
présente encore plus d’écart, en plus ou et en moins, par rapport à la moyenne. À peu près personne
dans ce dernier groupe d’UE ne doit se situer près de la moyenne.
Cet exemple montre donc que, si le chercheur utilise une mesure de tendance centrale telle la
moyenne pour décrire un ensemble de données, il est souvent important qu’il la complète
par une mesure de dispersion comme l’écart type, pour connaître le plus ou moins grand
éparpillement de la distribution. Si, par exemple, le chercheur veut résumer l’âge des
personnes soumises à une enquête, les mesures combinées de la moyenne et de l’écart type
lui permettront de mieux cerner cette variable. Par ailleurs, dans une expérimentation, ces
mesures peuvent aussi servir au test de comparaison entre groupes expérimentaux et groupe
de contrôle.
o Les mesures de position
Un autre type de mesures à signaler aussi, concerne la place relative d’un certain nombre
d’éléments dans une population ou un échantillon, qu’on détermine par des mesures de
position. Ainsi, supposons que le chercheur veuille examiner des données de recensement en
relation avec le revenu des citoyens et qu’il cherche à connaître quelle partie du revenu
national va au quart, au cinquième ou au dixième des gens les plus riches du pays. Il établira
alors respectivement des quartiles, des quintiles ou des déciles qui divisent la population en
quatre, cinq ou en dix parties. Dans un deuxième temps, il considèrera la part du revenu
national accaparé par les divers groupes déterminés par ces divisions. En se servant des
quintiles, il obtiendra cette répartition en tranches :
Quintile 1 Quintile 2 Quintile 3 Quintile 4 Quintile 5
Chaque quintile sépare en tranche de 20 % l’ensemble des individus de la population, selon

leur revenu par exemple. Ainsi, dans la quintile 1, le chercheur aura la part de tous les
revenus accaparés par les 20 % des gens qui ont, par exemple, les revenus les plus faibles et,
à l’autre extrémité, dans le quintile 5, les revenus les plus élevés.

Ces mesures de position permettent de représenter autrement la distribution de certaines
variables dans une population donnée. Voyons plus précisément comment il est possible de
représenter visuellement les données de recherche.
Les représentations visuelles
Par représentation visuelle, entendre, une façon d’organiser et de présenter des données de
recherche. Une façon pour le chercheur de préparer certaines de ses données pour l’analyse,
consiste à leur donner une forme visuelle particulière. Les deux principales représentations
visuelles de données chiffrées sont le tableau et le graphique. Mais il en existe d’autres.
Tableau, graphique, diagramme, histogramme, regroupements thématiques et figure
o Le tableau
La forme de représentation visuelle de données quantitatives la plus répandue et la plus

simple est le tableau. Il est possible de construire un tableau pour chaque variable, comme
pour chaque question d’un formulaire ou chaque catégorie de prélèvement quantitatif d’une
autre technique. Quand un tableau ne contient qu’une variable, il s’agit d’un tableau à une
entrée ; on y présente habituellement les données en nombre absolu et en pourcentage. On
parle alors d’un tableau de distribution ou de répartition de fréquences. Soit le tableau ci-
après :
Sexe des enquêtés

SEXE F* % **
Masculin 98 49
Féminin 102 51
Total 200 100
* F signifie « fréquence », soit le nombre de fois qu’une catégorie a été rencontrée. On aurait aussi pu inscrire N pour nombre
absolu en l’occurrence.
* * Le pourcentage ( % ) donne la valeur relative de la catégorie sur le total des individus du tableau. Le total de cette colonne doit
toujours être de 100 % ou un nombre s’y apparentant si on arrondit les décimales.
Les principaux points à retenir pour la construction d’un tableau à une entrée sont les
suivants :
- Le début et la fin du tableau se déterminent soit par un encadrement, soit par deux lignes
rapprochées au début et à la fin, soit encore par une ligne en gras au début et à la fin du
tableau.
- La première partie du tableau sert d’introduction. Elle se compose d’abord d’un numéro
pour que l’on puisse s’y référer par la suite. Ce numéro correspond à l’ordre d’apparition
des tableaux dans le rapport. Suit un titre bref mais signifiant, pour bien situer le lecteur.
Pour les techniques d’analyse de contenu et de statistiques, utilisant les données
recueillies possiblement auprès de différentes sources et à différentes époques, il faut
ajouter au titre le lieu de la collecte et l’année. Si un élément du titre nécessite une
explication, on le fait suivre d’un astérisque ou d’une lettre d’appel (placée en exposant

ou entre parenthèses) qui renvoie à la partie explicative au bas du tableau. Cette première
partie se termine par une ligne simple.
- La deuxième partie du tableau, c’est-à-dire sa partie centrale, présente les catégories de la
variable et les données numériques correspondantes. Sur la première ligne à la première
colonne, ses diverses catégories jusqu’à « total ». dans la deuxième colonne, on indique, en
nombre absolu, le nombre d’individus ou d’éléments correspondant à l’une ou l’autre
catégorie. Dans la troisième colonne est donné le pourcentage, calculé sur l’ensemble des
éléments du tableau, de ceux se situant dans l’une ou l’autre catégorie. Cette deuxième
partie du tableau en est la dernière, à moins d’avoir à ajouter d’autres informations par la
suite. Si c’est le cas, cette seconde partie du tableau se termine par une ligne simple.
- La troisième partie du tableau, s’il y a lieu, contient les explications nécessaires à la
compréhension de ce dernier. Ces explications peuvent concerner autant la première que
la deuxième partie du tableau. Elles peuvent être des explications de certains termes du
titre, des précisions sur certaines abréviations (comme dans l’exemple de tableau
précédent) sur lesquelles on ne revient pas par la suite quand ce sont des abréviations
standard, des justifications du nombre total d’éléments du tableau s’il diffère du nombre
total d’éléments des autres tableaux de la recherche ; des références aux sources
consultées, etc.
Notre premier exemple de tableau à une entrée montre une variable ne comprenant que
deux catégories : masculin et féminin. Or une variable peut contenir de nombreuses
catégories ; ainsi en est-il de l’âge, du revenu ou de la durée, par exemple. Inscrire les
multiples catégories de certaines variables les unes à la suite des autres dans un tableau
allongerait ce dernier au point d’en rendre la lecture ardue ; de plus, chaque catégorie
pourrait ainsi avoir un nombre insignifiant de cas et elle ne se prêterait plus à l’analyse. C’est
pourquoi il est préférable pour un chercheur, de ne pas avoir plus de dix catégories dans un
tableau et même moins ; il essaiera donc, pour simplifier pour faire ressortir l’essentiel, de
regrouper les catégories et de les réduire à quelques-unes tout en maintenant le sens de la
variable considérée en une unité appelée classe pour réduire à quelques catégories simples
l’ensemble complexe des observations faites. Ce regroupement des données en classes peut
ensuite être présenté dans un tableau en classes (tableau présentant les données regroupées
en catégories réduites par rapport à toutes les catégories de la variable), tel que dans
l’exemple qui suit, avec la variable « âge » qui peut prendre un grand nombre de valeurs :
Âge des candidats à des postes de superviseur de recherche.
ÂGE F %
29 et moins 12 11
30 - 39 27 24
40 - 49 43 39

50 et plus 29 26
Total 111 100
Quelques remarques s’imposent ici concernant la construction d’un tableau en classes :
- On considère d’abord les limites inférieures et supérieures de la distribution des valeurs

de la variable. Dans l’étude ci-haut, les âges se répartissaient entre 20 et 59 ans.
- On décide ensuite de l’intervalle de classe et, par conséquent, du nombre de classe à
constituer. L’intervalle de classe est l’étendue qu’on donne à chaque classe. Il doit être
compatible avec le sens donné à la variable dans la recherche. Dans notre exemple de
tableau en classes, l’intervalle est de 10 ans. Étant donné la répartition des âges, on a donc
quatre classes. Cette étendue est d’égale longueur pour chacune des classes afin de
permettre, si besoin est, l’application de mesures de tendance centrale et de dispersion.
Les « moins » et « plus » à l’une et l’autre extrémité assurent qu’on n’oublie aucun
individu. Si un nombre significatif de personnes avait moins de 20 ans ou plus de 59 ans,
il faudrait ajouter, selon le cas, une classe supplémentaire : « moins de 20 ans », suivi de
« 20 – 29 » au début, « 60 et plus » précédé de « 50 – 59 » à la fin.
- Les limites de chaque classe ne peuvent en aucun cas chevaucher les limites d’une autre
classe sous peine de rendre le tableau ambigu. Par conséquent, une classe commençant
par le chiffre 40, comme la troisième de notre tableau, ne peut être précédée d’une classe
se terminant par le même chiffre mais plutôt par 39 ou 39,99, faute de quoi on ne saura
pas si des gens de 40 ans, pour garder le même exemple, ont pu être placés tantôt dans
une classe, tantôt dans une autre.
- Si, en règle générale, le nombre de clases dans un tableau ne dépasse pas dix pour plus de
clarté, ce nombre, ainsi que l’intervalle choisi, dépend d’abord de la définition du
problème quant à la variable considérée et des modifications qu’on décide, après
justifications, d’y apporter, s’il y a lieu.
o Le graphique
Une autre façon de représenter visuellement des données recueillies qui peut s’ajouter au
tableau ou le remplacer est le graphique (représentation imagée d’une série de données
organisées ou des relations entre ces données). Le graphique rend compte par une
représentation imagée d’un ensemble de données. Cette représentation imagée peut prendre
différentes formes et on choisit celle qui illustre le mieux, selon le cas, les caractéristiques de
la variable en cause, eu égard aux données concernées.
La plupart des manuels de méthodes quantitatives expliquent les règles de construction des
différents types de graphiques. Il existe des logiciels statistiques qui peuvent construire ces
graphiques ; il faut alors leur fournir les données comme il est spécifié.

o Le diagramme en bâtons
Le diagramme en bâtons est formé de bandes habituellement verticales, représentant

chacune une catégorie de la variable. La hauteur des bandes est en rapport avec la fréquence
de la catégorie.
Le diagramme en bâtons permet de visualiser immédiatement si une catégorie domine les

autres, dans ce cas-ci, les candidats de l’Université de Douala, et si une autre catégorie est
minime dans la distribution, ici les candidats de l’Université de Ngaoundéré.
o L’histogramme
L’histogramme est formé de rectangles placés côte à côte. Il est en quelque sorte une
transformation du diagramme en bâtons obtenue quand les données sont regroupées en
classes : les colonnes alors se juxtaposent.
La base de chaque rectangle correspond à l’intervalle de la classe et la hauteur de chacun

correspond à la fréquence enregistrée. On appelle aussi ce graphique, de façon imagée, les
tuyaux d’orgue.

L’histogramme offre la même représentation que le diagramme en bâtons, mais illustre des
données regroupées en classes.
- Le polygone de fréquences
Dérivant de l’histogramme, le polygone de fréquences est une autre façon de

représenter une même réalité. Il s’agit de relier entre eux, par des lignes droites, les
points milieux du sommet de chaque rectangle de l’histogramme, comme indiqué
dans le graphique ci-après :
- La courbe de fréquences
On peut par la suite adoucir ou arrondir le polygone de fréquences ; on obtient ainsi

une courbe de fréquences, un type de représentation graphique très souvent utilisé.
Entre chaque point du polygone, au lieu de la ligne droite, on utilise la ligne courbe,
comme dans l’exemple suivant. La courbe de fréquences offre une vue beaucoup plus
élégante que le polygone de fréquences, et c’est sans doute la raison de sa plus
grande popularité.
o Le diagramme circulaire
Le diagramme circulaire ou sectoriel ressemble à une tarte découpée en pointes ; la surface

de chaque point est proportionnelle à l’importance de chaque catégorie de la variable, soit en
effectifs, soit en fréquences relatives. Pour plus de précisions, on inscrit le pourcentage de
chaque catégorie dans la pointe ou le secteur qui lui correspond, comme au graphique ci-
après :
Le diagramme circulaire donne une image saisissante d’un ensemble de données et permet
au lecteur de mieux voir si un secteur a plus d’importance qu’un autre comme, dans ce cas-
ci, les dépenses pour la sécurité du revenu :
o Le chronogramme

Le chronogramme illustre les variables dont les catégories sont temporelles ou
chronologiques, que les valeurs s’échelonnent sur des secondes, des mois ou des années. Les
données y sont organisées selon leur ordre temporel, comme au graphique ci-après :
Le chronogramme permet de constater, d’un seul coup d’œil, l’évolution du phénomène et

fait ressortir les moments de changements importants, dans ce cas-ci la montée fulgurante
des campagnes publicitaires entre 1990 et 1996.
Les tableaux et graphiques que nous venons de décrire sont des tableaux et graphiques à une
entrée, sauf le dernier quand le temps est considéré comme une variable : ils illustraient une
seule variable par rapport à ses valeurs prises. Nous verrons plus loin, lorsqu’il sera question
des relations entre variables, le tableau à deux entrées et la représentation graphique qui doit
se modifier en conséquence. Toutefois, les règles de base de la construction d’un tableau ou
d’un graphique concernant la clarté, la précision et la concision demeurent inchangées.
Il existe donc différentes façons de préparer les données pour l’analyse et de les présenter
ensuite dans un rapport de recherche. Précisons que, de façon générale, les tableaux donnent
une représentation plus précise et plus détaillée et sont d’un usage plus courant que les
graphiques. Cependant, quand le chercheur veut illustrer plus rapidement et plus
globalement les tendances et l’évolution d’une série de données ou les prédominances d’une
variable, le graphique sous l’une ou l’autre de ses formes se révèle un outil précieux. Mais le
graphique est utile s’il facilite la lecture d’un ensemble de données et non s’il la complexifie.
C’est au chercheur, qui doit appuyer et illustrer son argumentation, que revient le choix de
la façon de préparer et de présenter les données de sa recherche.
o Les regroupements thématiques
- Le thème
Quand le chercheur a prélevé des données qualitatives, il peut se retrouver face à des
informations disparates provenant d’observations, d’entrevues ou de relevés de divers
documents, ou de toutes ces sources à la fois. Pour analyser ces données, il faut là aussi les
préparer ; il est donc important de trouver des moyens de les organiser et d’en produire une
sorte de résumé. Pour ce faire, le chercheur devrait avoir l’esprit imprégné de la définition
du problème et de son opérationnalisation, et en dégager les thèmes dominants. Ces thèmes
se rapportent directement aux hypothèses formulées et sont comme des fils conducteurs
auxquels le chercheur rattachera les données qualitatives recueillies. Bien qu’il n’existe pas
de règles en ce qui concerne les regroupements thématiques, il importe néanmoins de
procéder méthodiquement, car ces regroupements contribuent à donner de la cohérence à la
mise en forme en vue de l’analyse. Il faut donc pour le chercheur, ne pas perdre de vue ces
fils conducteurs qui pourront même, dans certains cas, faire surgir de nouvelles perspectives
de compréhension du phénomène à l’étude. Enfin, l’important demeure d’arriver, à la
lumière de la définition du problème, à la clarification de certains comportements et à
l’établissement de certaines significations.
- La figure

Une fois les regroupements thématiques achevés et certaines classifications entreprises, le
chercheur peut, comme pour les données quantitatives, chercher à représenter visuellement
des éléments utiles pour l’analyse ultérieure. Il peut alors composer des figures
(représentations schématisées ou descriptives des données recueillies). La figure peut servir
à décrire quelques caractéristiques pertinentes permettant de situer ou d’identifier la nature
de certains comportements ou de certaines mises en relation de concepts ou de variables.
Une classification peut être présentée sous la forme ci-après :
- 1- -2- -3- -4-
Régions des Régions des Régions des Régions du

activités activités activités soin et de
domestiques économiques sociales l’éducation
des enfants
Cette figure ne renvoie à aucune donnée chiffrée et ne représente pas un rapport entre la
surface des divers rectangles représentés et leur importance relative dans l’ensemble, comme
le faisaient les pointes dans le diagramme circulaire. Elle est plutôt le résultat d’un travail de
réflexion d’un observateur de comportements familiaux qui, pour mieux mettre en forme ses
nombreuses données d’observation, a établi une classification à cet effet. La figure montre
qu’il propose de classifier tous les comportements familiaux sous quatre catégories.
La figure est alors une façon commode et claire de représenter cette classification. De la
même manière, un chercheur vouloir représenter les réseaux d’influence dans une
communauté ou la ligne d’autorité dans un milieu de travail pour mieux expliquer ses
observations subséquentes. La figure qui suit, donne un exemple de la façon de représenter
les lignes d’autorité dans un milieu de travail, par un schéma qu’on appelle dans cette
illustration un organigramme. Chaque rectangle représente une fonction de l’entreprise dont
dépendent les fonctions au-dessous de celle-ci, reliées par une ou des lignes.
Les relations entre variables et les tests statistiques
o Les relations entre variables
Une hypothèse peut être simple dans sa formulation, c’est-à-dire être centrée sur une seule
variable dont on prédit la variation. L’énoncé « l’investissement publicitaire des entreprises de
services décroît au Cameroun depuis 1993 » en est un exemple. Le chercheur construira un
tableau à une entrée avec une colonne pour les années (de 1990 à aujourd’hui) et une autre
pour le montant des investissements publicitaires correspondant à chaque année et pourra
vérifier le degré d’exactitude de l’hypothèse.
Cependant, une hypothèse est souvent plus complexe et suppose un rapport entre au moins
deux concepts ou variables. Pour pouvoir la vérifier, il est alors nécessaire pour le chercheur,
de mettre en relation ces deux variables. Il en est ainsi dans l’énoncé suivant : « Les décisions
arbitraires entraînent la démobilisation des salariés. » Ce qu’il veut vérifier, c’est le lien entre

les variables « décisions arbitraires » et « démobilisation des salariés ». Dans ce cas, il faudra
qu’il prépare un tableau ou une série de tableaux reliant ces deux termes. Un tableau qui
relie deux variables s’appelle un tableau à deux entrées ou double entrée.
Prenons l’hypothèse « les jeunes maris ont une conception moins autoritaire de leur rôle d’époux
que les plus vieux.» Le tableau à double entrée mettra en relation les variables « âge du mari »
et sa « conception de l’autorité.» La question rendant compte de cette dernière variable
demandait au mari s’il acquiesçait ou non à l’affirmation que l’homme a autorité sur sa
femme. Le tableau à deux entrées facilite la vérification de l’hypothèse bi-variée.
Âge du mari et sa conception de l’autorité (%)

L’homme a Âge du mari
autorité sur
sa femme moins de 29 30 à 39 40 et plus Total
OUI 42 63 60 57
NON 58 37 40 43
Total (%) 100 100 100 100
Total (F) (45) (83) (47) (175)
Test de khi-carré (x2) : 5,197 pour 2 degrés de liberté (significatif à 0,10)
Coefficient de contingence (C) : 0,170
Quelques remarques concernant la construction d’un tableau à deux entrées s’imposent. Les
points mentionnés à propos du tableau à une entrée s’appliquent également ici :
- Le titre doit mentionner les deux variables mises en relation.
- La deuxième partie du tableau commence par l’identification, à droite, de la variable dont
les valeurs apparaîtront en colonnes ou à la verticale ; inscrire en dessous les noms des
catégories de cette variable. Dans l’exemple ci-dessus, cette variable est « âge du mari ». À
l’extrême gauche de cette ligne est identifiée l’autre variable dont les valeurs apparaîtront
en lignes ou à l’horizontale, avec en dessous, les noms des catégories de cette seconde
variable. Dans ce tableau, c’est la variable « autorité de l’homme sur sa femme » avec les
catégories « oui » ou « non », selon que l’homme avait répondu à cette proposition.
- Pour que les données soient comparables, il faut les exprimer en pourcentage ; cependant,
il est nécessaire de préciser le nombre d’individus que ces chiffres représentent, car 60 %
de 5 ne représente que 3 personnes alors que 60 % de 47 en représente 28. L’éventail
d’individus, dans ce dernier cas, est assez large pour que 60 % ne soit pas imputé
seulement à quelques excentriques alors qu’avec 3 personnes, cela pourrait être avancé. Il
faudra, dans le cas de quelques enquêtés, être prudent dans l’analyse. C’est pour ces
raisons qu’il faut ajouter à la dernière ligne, entre parenthèses, le nombre d’individus
représentés dans chaque colonne. Le dernier chiffre de la dernière ligne fournit, quant à
lui, le nombre total d’individus de l’échantillon ou de la population.
- Quand on a appliqué, sur les données du tableau, un ou des tests statistiques, on fait état
des résultats en dessous des données, comme dans notre exemple.
o Les tests statistiques
Entendre par test statistique, une procédure visant à déterminer si des observations faites sur
un échantillon sont valables pour toute la population et s’il existe une relation entre deux
variables. Pour préparer des données quantitatives en vue de leur analyse, les
représentations que nous avons vues précédemment sont d’une grande utilité mais ne
suffisent pas toujours à préciser ce que l’on cherche, surtout si le chercheur veut connaître

l’intensité du lien entre deux variables ou s’il veut savoir si deux variables sont associées
entre elles. C’et pourquoi la statistique a mis au point différentes sortes de tests pour
déterminer s’il existe une relation entre les variables et pour mesurer l’intensité de celle-ci.
Signalons pour ne pas entrer dans les détails de ces tests, ce qui demanderait une élaboration
importante, que par ailleurs, les manuels sur les méthodes quantitatives et sur la statistique
en fournissent. De plus, les logiciels de statistiques utilisent, à la demande, plusieurs de ces
tests pour autant qu’on leur fournit les données appropriées adéquatement. L’important, si
l’on utilise un test statistique, est de bien en connaître la signification pour juger des limites
de ce qu’on peut lui faire dire. Il y a deux types de tests statistiques : les tests d’hypothèses et
les tests d’association.
- les tests d’hypothèse
Le terme « hypothèse » dans « test d’hypothèse » ne renvoie pas à l’hypothèse que le

chercheur a formulée à la première étape de sa recherche, même si l’hypothèse statistique lui
servira à vérifier l’hypothèse de recherche. L’hypothèse statistique fait référence à ce qu’on
peut présumer qu »il se passerait entre deux variables si elles étaient indépendantes l’une de
l’autre ou si, au contraire, elles étaient reliées l’une à l’autre ; en d’autres mots, l’hypothèse
statistique vise à vérifier si la variable X influence ou n »influence pas la variable Y.
reprenons l’exemple du tableau précédent, à titre d’illustration simplifiée. La logique que
nous utiliserons pourrait de la même façon s’appliquer à l’étude de groupes dans une
situation expérimentale. Il s’agit, dans ce tableau, de découvrir s’il existe une relation entre la
conception qu’on se fait de l’autorité et l’âge des enquêtés.
L’hypothèse d’indépendance entre les variables, appelée hypothèse nulle en statistique,
prédit qu’il n’ y a pas de relation entre les deux variables. Elle laisse entendre, par exemple,
que si 57 % des hommes de l’échantillon affirment que l’homme a autorité sur sa femme
(total de la première ligne), ce m^me pourcentage devrait théoriquement se retrouver pour
toutes les classes d »âge considérées (sur la première ligne). En d’autres mots, que les
hommes aient moins de 29 ans, 30 à 39 ou 40 ans et plus, 57 % d’entre eux, et ce pour chaque
classe d’âge, devraient avoir répondu « oui » à l’énoncé, ce qui démontrerait q’il n’ y a pas de
différence dans les conceptions peu importe la classe d’âge considérée. Il en est de même
pour la deuxième ligne du tableau par rapport à son total (43 %) et, si la variable
« conception de l’autorité » avait eu d’autres correspondant à une troisième catégorie de la
variable, et ainsi de suite.
Dans les faits, un échantillon ne pouvant jamais être la réplique exacte d’une population, il y
a toujours des différences constatées entre les pourcentages ou proportions de chaque ligne
par rapport au total en marge. Mais, justement, ces différences sont-elles non
significatives, comme le propose l’hypothèse nulle, à savoir que ces dernières ne seraient
dues qu’à l’écart inévitable entre population et échantillon, lui-même dû au hasard de la
détermination de l’échantillon ? Ou bien ces différences sont-elles significatives, allant à
l’encontre de l’hypothèse nulle, c’est-à-dire possiblement causées par l’existence réelle
d’une relation entre les deux variables ? C’est à cette question fondamentale qu’essaient de
répondre les tests d’hypothèse statistique pour permettre au chercheur d’affirmer, par
exemple, qu’il y a un rapport de dépendance entre deux variables qui peut aller, après une
analyse logique de l’association statistique à la lumière de son problème, jusqu’à
l’affirmation d’un lien de cause à effet si toute autre variable ayant pu intervenir dans le
processus a été contrôlée. Toujours dans notre tableau, on se sert du test largement utilisé en
sciences sociales, dit du khi-carré (x2), pour faire cette vérification. Il se calcule à partir du

nombre absolu et non à partir des pourcentages. D’autres tests peuvent être utilisés, et le
choix doit tenir compte de la nature des variables en cause et de l’analyse recherchée.
L’hypothèse statistique, à l’aide d’un test, vient donc confirmer ou infirmer l’hypothèse de
recherche.
Tous les tests d’hypothèse n’ont de sens que si les données de la recherche ont été recueillies
auprès d’un échantillon de type probabiliste ou, autrement dit, qui offre des garanties quant
à sa représentativité par rapport à la population dont il est extrait. Mais, comme un
échantillon n’est jamais la réplique de la population dont il provient, une marge d’erreur est
inévitable dans les différences constatées par les tests statistiques. C’est pourquoi l’on parle,
à propos de ces tests, d’un seuil de signification, c’est-à-dire d’un niveau de confiance
acceptable pour pouvoir ensuite affirmer que la différence observée est significative ou non.
Le seuil au-dessous duquel on rejettera l’hypothèse nulle est habituellement de 0,05 ou 5 %,
c’est-à-dire qu’on pourra alors affirmer qu’il y a 95 ¨des chances que la différence constatée
ne soit pas due au hasard du prélèvement de l’échantillon, mais à une relation significative
entre les deux variables en cause. Dans certains cas, on peut admettre qu’il y a une relation
significative jusqu’à un seuil de 10 %,, comme dans notre tableau. Pour plus de sûreté dans
ce dernier cas, on peut faire appel à un autre test ou à une mesure d’association.
- les tests d’association
Les tests d’association ou de corrélation visent, pour leur part, à mesurer l’intensité de la
relation entre deux variables. Ils permettent de compléter l’étude de la relation entre ces
variables. Le plus connu est sans doute le C, ou cœfficient de contingence, qui renseigne sur
le degré d’association entre variables. Il s’établit à partir du khi-carré et de la taille de
l’échantillon. Chaque mesure d’association a son étendue de variation qu’il faut d’abord
connaître si on veut ensuite en évaluer le sens. Le coefficient de contingence, par exemple,
varie entre 0 et 1 ou un peu moins selon le nombre de lignes et de colonnes à l’intérieur du
tableau. Pour notre dernier tableau, avec trois lignes et trois colonnes, sa valeur maximale est
de 0,816. il s’agit alors de vérifier si C, à 0,170 en l’occurrence, traduit une relation forte ou
faible entre les deux variables. La relation est faible dans le cas de ce tableau.
De nombreux tests peuvent être utilisés en sciences sociales, pour peu qu’on veuille
s’enquérir du rapport entre deux variables et de l’intensité de ce rapport. Les manuels de
statistiques font état des conditions qui permettent d’utiliser un test plutôt qu’un autre selon
la nature des variables à combiner. Les variables en présence, en effet, peuvent être à échelle
nominale ‘catégories autonomes), à échelle ordinale (catégorie en rang), à échelle à intervalle
(même distance entre catégories) ou à échelle à rapport (rapport arithmétique entre les
valeurs des catégories possibles). Selon la nature des variables combinées, il y a ainsi des
tests et des mesures différents pour en permettre «’étude. Les ouvrages de statistiques
décrivent ces différentes mesures et montrent aussi que certains tests, comme le « t » de
Student ou le « F » de Fisher, sont plus particulièrement en usage lors d’une expérimentation
et se basent sur des comparaisons de moyennes, mais le khi-carré y est partiellement en
usage et sert à la comparaison entre groupes. Là aussi, il faut d’abord identifier l’échelle de
mesure où l’on se situe, car les formules et les calculs ne seront pas les mêmes. Une fois
choisi le test à appliquer, on peut avoir recours à des logiciels statistiques qui pour la
plupart, effectuent le calcul et fournissent les résultats.
Ces tests ne sont naturellement pas nécessaires si on a pu faire des tableaux sur des données
obtenues auprès de toute la population, car alors une différence constatée est nécessairement

une différence significative puisqu’elle concerne toute la population. Ces tests ne sont donc
utiles que lorsqu’on a recueilli les données auprès d’un échantillon de la population.
o Les variables à créer
Le chercheur peut se rendre compte, en regroupant des catégories d’une variable, que de
nouvelles variables seraient à créer, soit des variables synthétiques comme un indice, soit des
variables simplifiées.
Lors de l’opérationnalisation, il a pu imaginer la construction ultérieure d’indices. Si c’est le
cas, le moment est venu de réaliser cette construction. Il construira en quelque sorte une
nouvelle variable en regroupant certains indicateurs en une mesure unique qu’il considère
comme nécessaire pour l’analyse. Il s’agit de choisir un certain nombre d’indicateurs se
rapportant à une même réalité ou à un même univers de sens. Par exemple, on a souvent
étudié en sciences sociales les attitudes des gens selon différents axes – conservatisme /
libéralisme, ouverture / fermeture d’esprit, tolérance / intolérance – à l’aide d’indices.
Habituellement par le biais de questions d’opinion qui traduisent un certain nombre
d’indicateurs de la recherche, on forme un indice qui renseigne sur chaque enquêté et sur
son degré de rapprochement d’une attitude particulière à l’un ou l’autre bout d’un axe. Cet
axe se compose de degrés sur lesquels on peut situer chaque individu. L’exemple ci-après
l’illustre bien. L’axe présenté laisse entendre que chaque question à laquelle répondait un
informateur touchant à la tolérance religieuse, et en supposant qu’il y avait dix questions
dichotomiques, était ensuite codée dans les réponses qu’elle offrait avec le chiffre 0 s’il
s’agissait d’une réponse manifestant de l’intolérance et avec le chiffre 1 s’il s’agissait d’une
réponse manifestant de la tolérance. Au total, par conséquent, un informateur pouvait
obtenir de 0 à 10 points.
L’indice de tolérance religieuse
INTOLÉRANCE TOLÉRANCE
*
0 2,5 5,0 7,5 10,0
* On peut définir l’indice de tolérance comme une attitude d’acceptation de croyances et de pratiques
différentes des siennes.
- La construction d’un indice
Il existe quatre phases dans l’établissement d’un indice :
o On choisit un certain nombre d’indicateurs dont on peut justifier le

regroupement. Cette justification doit être à la fois théorique, à savoir que
ces indicateurs doivent faire partie d’un même univers de sens (et c’est
déjà le cas si on les avait dégagés d’une même dimension lors de
l’opérationnalisation), et pratique, à savoir que les catégories de chaque
indicateur ou variable sont comparables pour ce qui est des valeurs
numériques qu’on peut leur assigner. On montrerait, par exemple, que les
chiffres 0 et 1 sont utilisables comme poids à donner d’un indicateur à
l’autre.

o On donne un poids numérique à chaque catégorie de chaque indicateur
ou variable, lequel traduit l’intensité que cette catégorie manifeste en
relation avec la nature de l’indice. Le nombre de points ainsi donnés varie
selon la signification de la catégorie et le nombre de catégories de chaque
indicateur ou variable. Ainsi, un indicateur « acceptation d’un voisin
d’une autre religion que la sienne » va permettre d’accorder 1 point à
l’affirmation et 0 à la négation de l’énoncé ; ensuite, pour garder une
même logique par rapport au sens des points, in indicateur comme
« acceptation uniquement d’amis de sa religion » devra cette fois être
numéroté 0 pour l’affirmation et 1 pour le contraire.
o On calcule, à partir de tous les indicateurs touchant l’indice, l’étendue des

résultats possibles parmi les individus interrogés. La figure ci-dessus
montre les résultats possibles qui varient entre 0 et 10 points.
o On établit, s’il y a lieu, des coupes ou des regroupements dans cette

étendue pour distinguer des types de comportements ou d’attitudes en
rapport avec la définition du problème. Ainsi, dans notre exemple, on
pourrait distinguer les intolérants (0 à 3 points), les gens à préjugés (4 à 7
points) et les tolérants (8 à 10 points). Parfois, chaque chiffre sur le
continuum peut suffire à distinguer les individus. On ne fait pas alors de
regroupement de résultats.
L’indice ainsi construit devient une nouvelle variable de la recherche et, comme pour
toute variable, on lui donne un nom et on code ses catégories. Pour poursuivre avec cet
exemple, la nouvelle variable créée par cet indice de tolérance religieuse pourra porter le
même nom, « tolérance religieuse », et aura trois catégories codées : 1- les intolérants ; 2- les
gens à préjugés ; 3- les tolérants.
Il est maintenant possible de calculer le résultat de chaque individu de l’échantillon et de le
catégoriser. Le code de chaque individu sera ensuite enregistré dans l’ordinateur comme on
a déjà entré, par exemple, les réponses aux questions qu’on a pu lui poser. La nouvelle
variable est alors prête, à son tour, à être compilée et mise en relation avec d’autres variables,
s’il y a lieu.
Voici un exemple d’application qui se base sur trois indicateurs retraduits sous la forme de
trois questions dans un questionnaire. Les trois indicateurs du cadre conceptuel étaient : 1)
action de voter ; 2) action de porter attention à la politique ; 3) action de parler de politique.
Ces trois indicateurs étaient déjà regroupés depuis l’opérationnalisation sous la dimension
« préoccupation politique de l’étudiant », ce qui justifie la construction d’un indice du même
nom. Voici les trois questions formulées à partir de ces indicateurs. Les enquêtés avaient
l’âge requis pour aller voter.
__________________________________________________________________________________
____________
(Extraits du questionnaire)
Question 18
Prenez-vous la peine d »aller voter quand il y a les élections ?

1 Certainement
2 Parfois
3 Pas du tout
(…)
Question 27
Dans les mass media (radio, T.V., journaux), vous arrêtez-vous quand il s’agit de politique ?
1 Jamais
2. çà m’arrive quelquefois
3 Assez souvent
4 Régulièrement
(…)
______________________________________________________________________________________________
Question 102
Parlez-vous de politique avec certaines personnes que vous rencontrez quotidiennement ?
1 Jamais
2 Quelquefois
3 Assez souvent
4 Régulièrement
______________________________________________________________________________________________
On peut constater que les catégories de réponses, quoiqu’elles ne soient pas identiques,
permettent des comparaisons. On va donc donner des poids ou des valeurs numériques à
chacune de ces catégories. La question 18 comporte trois catégories de réponses et les
questions 27 et 102 en comportent quatre. Comme on cherche à connaître le degré de
préoccupation de l’étudiant, on va donc pondérer chaque catégorie de réponse suivant la
logique de cet indice. Ainsi, on peut décider d’accorder « 0 » au moins préoccupé et « 3 » au
plus préoccupé pour chaque question. On obtiendra la pondération suivante :
___________________________________________________________________
Question 18 POINTS Questions 1 et 20 POINTS
Cat. 1 3 Cat. 1 0
Cat. 2 2 Cat. 2 1
Cat. 3 0 Cat. 3 2
Cat. 4 3
____________________________________________________________________

___________________________________________________________________
0 3 8 9
___________________________________________________________________
Cet indice du degré de préoccupation politique des étudiants devient donc la variable « préoccupation
politique de l’étudiant » avec trois catégories.
___________________________________________________________________
1- Les moins préoccupés. 0 à 2 points
2- Les moyennement préoccupés. 2 à 5 points
3- Les plus préoccupés.
___________________________________________________________________
Chaque enquêté pourra désormais être catégorisé suivant cet indice ou variable de
préoccupation politique, dont le chiffre va s’ajouter, dans le fichier, au numéro de cette
nouvelle variable.
Les indices de type métrique sont plus simples à imaginer et à construire quand on a affaire
à des indicateurs qui s’expriment tous en nombre pour une même unité de mesure, comme
en dollars ou en temps, par exemple. Ainsi l’indice des prix à la consommation (IPC) dont
les médias font rapport régulièrement se base sur des produits-indicateurs dont les prix de
vente sont notés et calculés à période fixe.
- La réduction des catégories d’une variable
Un peu comme lors de la construction d’un indice quand le chercheur arrive à la phase de
réduction en quelques types, il peut vouloir, une fois compilées les données pour une
variable, en réduire le nombre de catégories. Cette opération peut être d’autant plus utile
qu’une telle réduction permet de simplifier la mise en relation de cette variable avec une
autre. La réduction peut aussi amener à mieux faire ressortir les orientations principales des
individus sur une question donnée. Ainsi, il arrive souvent qu’on pose une question ou une
série de questions dites d’évaluation à des informateurs auxquels on demande de répondre
dans des termes comme « très » ou « plutôt » en faveur et « plutôt » ou « très » en défaveur.
Voici une question du genre :
___________________________________________________________________________________________
Quand à l’abolition définitive de la peine de mort, êtes-vous très favorable, plutôt favorable,
plutôt défavorable ou très défavorable ?
1 Très favorable
2 Plutôt favorable
3 Plutôt défavorable
4 Très défavorable

______________________________________________________________________________________________
Il peut apparaître utile, pour faire ressortir l’essentiel des options ou pour combiner cette
question avec d’autres par la suite, de réduire cette variable de quatre à deux catégories ; les
personnes favorables d’un côté (1 + 2) et les personnes défavorables de l’autre (3 + 4). Il ne
s’agit pas de faire disparaître l’ancienne catégorisation puisqu’elle peut toujours être utile
dans une autre partie de l’analyse, mais d’en ajouter une nouvelle. Pour ce faire, il faut,
comme pour l’indice, créer dans le fichier une nouvelle variable dont le nom sera légèrement
différent de celui de la variable d’origine pour les distinguer. De cette façon, on ne perd pas
les catégories de la variable initiale qui peuvent encore être fécondes et on enrichit l’analyse
ultérieure par une nouvelle variable à la catégorisation simplifiée et plus maniable. La
plupart des logiciels statistiques permettent cette transformation et, possiblement,
l’opération plus complexe de la construction d’un indice.
3. L’analyse et l’interprétation des données
Les données brutes ont été préparées en vue d’une analyse des données et une
interprétation des résultats ainsi rassemblées.
L’analyse des données

L’analyse des données procède d’un mouvement de la pensée examinant chaque fait
ou chaque observation pour en dégager les constats pertinents par rapport au
problème de recherche. Étant entendu qu’ont été scrutées les données de différentes
manière pour en dégager le plus de significations possible en fonction de ce qui était
cherché au départ. Ces façons de procéder peuvent se ramener à quatre types
d’analyse.
Les types d’analyse
Supposons que nous ayons à analyser un objet matériel, soit une montre ; il faudrait
d’abord décrire(1) toutes les pièces qui la composent : boîtier, cadran, aiguilles,
roues, levée, balancier, spiral, etc. Ensuite, il faudrait pouvoir expliquer(2) comment
ces pièces sont reliées les unes aux autres pour former un tout qui se tient et qui
donne l’ensemble « montre ». On aurait ainsi examiné l’emboîtement des pièces,
c’est-à-dire comment l’une s’assemble à une autre, ainsi de suite. Une analyse peut
donc se présenter sous un angle descriptif et sous un angle explicatif.
Dans cet ordre d’idée, un travail de recherche descriptif fait simplement un compte
rendu de chacune des composantes de la réalité étudiée. L’hypothèse univariée se
prête tout particulièrement à ce type de travail. Souvent, un rapport préliminaire
demandé par les commanditaires d’une recherche se présente de cette façon puisque
l’analyse descriptive peut se faire plus rapidement dans un premier temps que
l’analyse explicative. Un sondage d’opinion, de même, se limite habituellement à ce
type d’analyse. En d’autres mots, produire un rapport descriptif signifie qu’on

rédige à partir de chacune des observations pertinentes faites lors de la collecte des
données. Ces données, naturellement, ont dû être préparées pour l’analyse !
Reprenons l’exemple précédent avec un autre type d’analyse, en supposant cette fois
qu’une montre ait conscience d’exister et qu’elle puisse l’exprimer, car une autre
façon d’analyser consiste à s’intéresser à ce que les humains pensent et aux
significations qu’ils donnent à leurs actions. On dit alors qu’on cherche à
comprendre (3) les phénomènes humains à l’étude. En sciences sociales, l’objet
d’étude peut donc permettre de faire une analyse compréhensive de ses conduites et
de ses propos : le chercheur se penche alors plus particulièrement sur les
significations que les sujets de la recherche ont pu donner à leurs agissements. Cette
analyse peut être une visée de la recherche ou s’intégrer aux deux précédents types
d’analyse pour mieux cerner le phénomène étudié.
Selon les visées de la recherche, l’analyse peut aussi être classificatrice, c’est-à-dire
chercher à établir des types de comportements ou des modèles de conduites, par
exemple. L’analyse peut donc, en dernier lieu, chercher à classifier(4) des
phénomènes regroupant diverses données d’observation.
Supposons maintenant une recherche portant sur la politique de communication
d’une organisation particulière ; la décrire signifie en montrer les composantes,
l’expliquer, la mettre en relation avec d’autres caractéristiques organisationnelles, la
comprendre, tenir compte des justifications données à cette politique par le manager
lui-même ou par son porte parole. Analyser, ce peut donc être tour à tour, décrire,
classifier, expliquer ou comprendre. Cependant, un chercheur peut faire un seul type
d’analyse comme il peut en combiner plus d’un. La recherche scientifique essaie
généralement de décrire et d’expliquer les phénomènes.
Le rapport de l’analyse d’avec les données
Dès les phases préparatoires de la recherche, l’esprit d’analyse est déjà à l’œuvre : en
effet, n’a-t-on pas dès le départ décomposé la recherche en étapes et n’a-t-on pas
décomposé les termes de l’hypothèse ? Dans la dernière étape de la recherche,
commencée par la préparation des données, l’esprit d’analyse peut-il être absent ?
Assurément pas si on a eu à catégoriser et à codifier des questions ouvertes ou se
terminant par « Autres (préciser » ou si on a eu à bâtir un ou des indices. De même, il
a été à l’œuvre quand il a fallu transférer les données sur un support comme
l’ordinateur et décider des commandes à lui adresser. Il s’agit toujours d’exercer son
esprit à décomposer la réalité.
À la phase de rédaction du rapport de recherche, l’analyse porte sur les données
recueillies et regroupées à cette fin : ceci donne éventuellement lieu à la possibilité de
rendre compte de chacune des observations, puis des rapports de causalité ou
d’interdépendance entre les variables, de l’importance relative des liens entre
diverses variables, et ainsi de suite. L’hypothèse sera ainsi vérifiée à travers
l’ensemble des données mises en forma pour en permettre l’examen
L’analyse peut aussi s’orienter vers certaines données particulières qu’il semble
pertinent d’examiner. Ceci procède d’une attitude dite « phénoménologique »
consistant à s’arrêter à un ou quelques sujets ou cas qui semblent mériter un
approfondissement en eux-mêmes au lieu d’être combinés avec un ensemble plus
large. C’est ce que l’on fait lorsqu’on analyse quelques entrevues de recherche, qu’on
observe un seul milieu particulier ou qu’on s’arrête à quelques éléments de la
population ou de l’échantillon qui ont eu des comportements qu’on ne peut classer
avec l’ensemble des autres. L’analyse est alors plutôt qualitative et s’applique à
approfondir le ou le cas retenus alors que l’analyse quantitative se concentre sur la
répétition des cas. Cette dernière permet plus facilement la généralisation des
observations à d’autres situations, quoique la profondeur de l’analyse de quelques
cas puisse tout aussi bien avoir une valeur scientifique.
L’analyse ne peut se faire qu’en considérant la façon dont on a précédemment
opérationnalisé le problème. Ce travail ayant été résumé sous la forme d’un schéma
d’analyse conceptuelle. L’hypothèse qui chapeaute ce cadre conceptuel est la
référence dominante, pour ne pad dire unique, de toute l’analyse. C’est toujours par
rapport à cette hypothèse que le chercheur évalue les données de mises en forme.
L’unité d’analyse tient pour beaucoup à cette référence constante à l’hypothèse de
recherche qui assure la validité des propos. Le chercheur a donc tout intérêt à garder
près de lui tout au long de l’analyse le schéma du cadre conceptuel et l’hypothèse
qui lui a donné naissance. Chaque tableau, chaque témoignage, chaque observation,
chaque thème seront ainsi scrutés en regard de la définition du problème. Et cette
analyse conduit presque naturellement à interpréter les résultats.
L’interprétation des résultats.
Cet autre mouvement de la pensée qu’est l’interprétation n’est pas toujours

facilement dissociable de l’analyse, car elle porte, elle aussi, sur les données, mais en
cherchant à aller plus loin. D’aucuns prétendent qu’il s’agit tout simplement d’une
analyse plus fine ne consistant, en effet, qu’à dépasser les simples constatations.
Qu’en est-il en réalité ?
Revenons à l’exemple de la montre : si l’analyse avait pour but d’en faire ressortir la
composition, l’interprétation soit de chaque composante de la montre, soit de la
montre comme entité, aura plutôt pour but de découvrir les liens des divers éléments
qui la constituent. Par conséquent, de l’étude de la montre mécanique par exemple,
on arrivera à des considérations sur les conceptions théoriques qui lui ont donné
forme ou sur la méthode utilisée pour l’étudier, ou sur les autres sortes de montres,
ou sur les appareils de mesure du temps, ou encore sur les appareils de mesure en
général.
L’interprétation part donc de constatations sur un objet ou un phénomène, faites
grâce à l’analyse. En effet, l’interprétation porte à des considérations plus générales
sur les liens entre les éléments analysés. Dire, par exemple, que les « femmes ont un
taux de prévalence au VIH Sida plus élevé que les hommes », fait constaté lors de
l’analyse de données de l’enquête en communication pour la santé, amène à réfléchir
sur le sens de cette observation, sa portée, ses conséquences théoriques et sociales,
ses limites étant donné la population interrogée, sa généralisation possible à d’autres
contextes, et soulève de nouvelles questions. L’interprétation apparaît donc comme
une opération mentale distincte de l’analyse tout en lui étant reliée. C’est pourquoi
on retrouve des interprétations dans les rapports de recherche, plus fréquemment
insérées tout au long de l’analyse des données plutôt que faisant l’objet d’une section
à part, sauf en recherche expérimentale.
L’interprétation, tout comme l’analyse, se penche sur l’observation de la réalité en
regard de l’hypothèse de départ. Le chercheur sera par conséquent amené soit à
réviser la prédiction initiale, voire la théorie dans laquelle elle s’inscrit si l’hypothèse
se révèle plutôt non fondée, soit à enrichir le problème à l’étude de nouvelles
considérations théoriques ou pratiques si l’hypothèse se révèle plutôt fondée. Par
l’interprétation, le chercheur démontre ses qualités de raisonnement et d’ouverture
d’esprit.
Pour tout dire, l’interprétation est une argumentation logique qui a pour but de
situer les résultats de la recherche quant à leur portée. Il faut noter, d’ailleurs, que
cette partie du travail de recherche, tout en se devant d’être claire et logique, est
supposée plus personnelle que les autres parties : la façon d’interpréter les résultats
sera différente d’un chercheur à un autre.
Être personnel ne signifie nullement être moins rigoureux ni s’éloigner du propos de
l’analyse. Être personnel signifie simplement que, tout en s’en tenant strictement à la
démarche suivie précédemment, le chercheur essaie d’amener de nouvelles
considérations à partir de ce que les résultats inspirent.
Conclusion
Une fois terminée la collecte des données, le chercheur se retrouve donc devant une masse
de données brutes qui, telles qu’elles se présentent, ne se prêtent à aucune analyse. En effet,
pour être analysées, les données doivent d’abord être préparées, opération pour le moins
délicate, car le chercheur peut être amené à procéder à certaines transformations qu’il lui
faut justifier ; il doit donc noter toutes les décisions qu’il prend en préparant ses données
tant pour ne pas s’égarer lors de l’analyse qui va suivre que pour être en mesure d’étayer
solidement son argumentation ultérieure. Ces informations pourront aussi servir à d’autres
chercheurs. Lui-même voudra peut-être y revenir quelques années plus tard en vue
d’approfondir son analyse, ce qui ne saurait se faire que si toutes les informations
concernant la préparation des données ont été enregistrées et conservées.
L’ordinateur, nous l’avons vu, est un outil indispensable qui facilite grandement le travail de
traitement des données. Il n’est toutefois pas à l’abri de certains impondérables (feu, vol,
bris, etc.). Il importe alors de garder, dans un endroit autre que le lieu de travail, une copie
des données enregistrées. Il en est de même des rubans d’entrevues, des notes d’observation
ou des divers documents. Si le travail se fait en équipe, il est aussi préférable d’avoir
plusieurs copies des données préparées pour ne pas toujours être à la recherche de parties de
l’étude et pour que chacun puisse travailler quand bon lui semble à l’un ou l’autre aspect de
la recherche. De même, il faut prévoir plus d’un exemplaire du manuel de codage. Après
avoir investi temps, énergie et ressources pour mener la recherche jusque-là, il serait certes
dommage que, parce que de simples précautions, somme toute élémentaires, n’ont pas été
prises, la suite du travail soit compromise.

L'organisation et la philosophie du travail de recherche :
Une recherche est un effort constant de rigueur et d'organisation jamais achevée, une
remise en cause permanente de ses façons de voir et de faire. Une connaissance est
seulement approchée, jamais atteinte...
Le temps : donnée fondamentale d'un projet de recherche

Le temps imparti à un projet ou une recherche n'est pas indéfini, et l’on ne peut le
trouver avant d'avoir commencé à chercher, il est donc nécessaire de : débuter le
plus tôt possible - se rendre disponible - définir un échéancier - progresser
régulièrement – (s’) investir fortement - fournir un effort soutenu - gérer son temps
avec précision…
Écriture et ré-écriture
Seules les traces écrites peuvent baliser une progression conceptuelle :
* chaque évolution de la pensée est perdue s'il n'existe pas de traces écrites
* chaque ré-écriture marque une évolution dans la démarche
* les intervalles de temps (et la façon dont on les rempli) entre chaque ré-écriture sont
décisifs pour la maturation de l'idée de départ - la problématique - l'hypothèse
"Bouclage" ou "Réitération"
Rechercher nécessite un ordre logique et chronologique des étapes, mais cet ordre
bien qu'existant est théorique - la réalité est plus complexe : chaque étape constitue
l'autre dans les deux sens. Les différentes étapes sont donc en interaction ce qui
suppose de nombreux "retours arrière" ou "bouclages de rétroaction", au moins
jusqu’à l’élaboration de l’hypothèse et du modèle d’analyse qui marquent une étape
décisive.
La démarche est une manière de progresser vers le but.
La méthode est un principe organisateur que l’on se donne, une façon de faire, un
ordre et une succession d’étapes dans l'utilisation d'un ensemble de techniques et
outils. Il existe différentes méthodes soit, différentes mises en forme particulières de
la démarche, adaptées aux phénomènes ou domaines étudiés.
LE PARCOURS D’UNE DÉMARCHE DE RECHERCHE ET DE LA REDACTION D’UN PROJET
1ère étape : le choix de l’objet de recherche

Déterminer le thème puis l’objet - tester la faisabilité…
2ème étape : le questionnement de départ

Lister toutes les questions qui se posent. Séparer les questions simples (réponses sur
le terrain ou dans des ouvrages), des questions complexes auxquelles personne n’a
de réponse satisfaisante. A priori, la question de départ se trouve dans ces questions.
Formuler la question de départ en veillant à respecter les qualités de clarté, de

faisabilité, de pertinence.
3ème étape : l’exploration

• Les lectures
- Sélectionner les textes (en fonction du thème, de l’objet, de la question…)
- Lire avec méthode (se donner une logique de progression)
- Faire des fiches de lecture (se doter d’un système de classement, de codage)
- Comparer les textes entre eux, établir des synthèses, schématiser…
• Les entretiens exploratoires
- Rencontrer des professionnels et/ou personnes concernées (les personnes
ressources)
- Se préparer à l'entretien (définir un argumentaire sans livrer ses intentions)
- Adopter une attitude d'écoute et d'ouverture (+ enregistrer ou prendre des notes)
- Décoder les discours (analyser le sens, au delà du discours apparent)
- Comparer les entretiens entre eux, établir des synthèses, schématiser…
• Comparer les synthèses des textes et des entretiens, schématiser…
4ème étape : la construction du modèle d’analyse (problématique/hypothèse)

• Faire le point des lectures et des entretiens (analyser les convergences, les
écarts…)
• Se donner un cadre théorique (se référer à une théorie formulée par un
auteur)
• Expliciter la problématique retenue (monter en quoi il y a « tension
d’idées »)
• Construire le corpus d’hypothèses et le modèle d’analyse en précisant :
- les concepts, les dimensions et indicateurs de chaque hypothèse
- les relations entre les concepts
- les relations entre les hypothèses
5ème étape : la validation ou observation (enquête /recueil des données)

- Délimiter le champ d'observation (quoi ? qui ? où ? combien ?…)
- Concevoir l'outil d'observation (questionnaire, entretiens, récits de vie, etc.)
- Tester l’outil d'observation (test du questionnaire, de la grille d’entretien ou
d’observation)
- Procéder au recueil des informations.
6 ème étape : l'analyse des informations
- Décrire et préparer les données pour l'analyse
- Mesurer les relations entre les variables
- Comparer les résultats attendus et les résultats observés
- Rechercher la signification des écarts…
7ème étape : les conclusions

Au fur et à mesure de la recherche, la problématique et le protocole d’enquête ont été
rédigés. À l’issue de l’analyse des données, il reste à « discuter », c’est à dire

confronter les résultats obtenus avec les hypothèses :
- rappeler la démarche, énoncer les résultats obtenus, les enseignements à en tirer…
- mettre en évidence les nouvelles connaissances et leurs conséquences pratiques ;
- conclure.
LE BUT D'UNE RECHERCHE
Faire le point d'une situation, l’analyser (démonter l’objet, trier, classer, etc.) :
- Éclairer et comprendre le sens d’un événement, d'une conduite sociale ;

- Saisir plus finement les logiques de fonctionnement d'une organisation ; -
- Réfléchir avec justesse aux conséquences d'une décision politique -
- Élucider, comment des personnes ou des groupes perçoivent un problème (mise
à jour des systèmes de représentations), etc.
Interroger le choix d’un objet de recherche dès le début sur deux axes :
- les caractéristiques du chercheur et

- les spécificités de l'objet d'étude.
Mais c'est essentiellement la relation entre les deux qui peut se révéler source de
difficultés. Il s’agira de répondre de manière explicite et authentique à deux séries
de questions :
- l’une portant sur les caractéristiques de l'objet d'étude ;

- l’autre concernant les caractéristiques du chercheur (ou du groupe de
recherche).
Les questions à se poser relativement à l’objet de recherche :

- Quelle est l’ampleur de l’objet ?
- Quelle est sa situation dans le champ des connaissances ?
- Quelle est la signification sociale de l’objet
- Quel est le moment social de la recherche ?
- Quelles difficultés de traitement de l’objet peut-on prévoir ?
Les questions à se poser pour le chercheur ou le groupe de recherche :

- Quel type d’intérêt est porté à l’objet ? (implication - objectif implicite...)
- Quelles sont les capacités du chercheur pour traiter cet objet ? (compétences)
- Quelle est la position sociale du chercheur ?
- De quelles ressources dispose-t-il pour étudier l’objet ? (temps - moyens de
déplacement, budget, matériel informatique - accès à des sources de données...)

Toute recherche en sciences sociales commence donc par des constats ou une intuition
(dont il faut savoir se distancier), ensuite il s’agit d'énoncer l’objectif de la recherche
sous la forme d'une question de départ. Cette question se trouve imbriquée dans un
grand nombre de questions parmi lesquelles il faut faire un tri.
Par cette question, le chercheur tente d'exprimer le plus exactement possible ce qu'il
cherche à savoir, à élucider, à mieux comprendre. La question de départ est le fil rouge
de la recherche. Pour remplir correctement sa fonction, la question de départ doit avoir
un certain nombre de qualités de clarté, de faisabilité et de pertinence :
• Les qualités de clarté : précise - concise et univoque

• Les qualités de faisabilité : réaliste ;
• Les qualités de pertinence : vraie question
Par ailleurs l'étude devra se fonder sur ce qui existe (et non sur un idéal qui devrait
exister), l’intention étant de comprendre ou d’expliquer le phénomène dans une
optique non moralisatrice ou philosophique.
Tout sujet de recherche destiné à éclairer l’action (diagnostic, recherche préalable au
projet professionnel...), devra commencer d’abord par un questionnement explicatif
(pourquoi), et aborder seulement le résolutif en deuxième lieu.
Une question de départ présente

3 critères Clarté - Faisabilité - Pertinence
et 6 qualités 1. Précise (ni vague, ni confuse)
2. Concise (pas trop longue)
3. Univoque (ni embrouillée, ni "à tiroirs")
4. Réaliste (en rapport avec les moyens)
5. Explicative (permettant de comprendre)
6. Falsifiable (possibilité d'y apporter une réponse)
Travail du questionnement de départ

Commencer un travail de recherche en sciences sociales, impose cette première
étape. Peu importe qu’on lui consacre une heure, une journée ou une semaine,
pourvu qu’elle se fasse avec l'aide critique de collègues, d'amis, d'enseignants.
Retravailler son questionnement de départ jusqu'à obtenir une formulation
satisfaisante et correcte, est indispensable. Le résultat de ce travail n'occupera sans
doute qu’une ou deux feuilles de papier mais il constituera le véritable point de
départ de la recherche.
Procédure à suivre :
 Si la recherche est une commande (école, fin de formation), et que vous n’avez
aucune idée de départ
Définissez le thème et lisez un ou deux ouvrages sur celui-ci (ouvrages de synthèse
ou mieux, articles de synthèse).

Repérez les zones de tension ou de contradiction. Consultez des professionnels du
sujet.
 Si vous commencez avec une intuition ou des constats de terrain ou si vous avez
terminé le point n° 1
Listez toutes les questions qui se posent à vous et classez les en trois catégories :
- questions simples dont les réponses se trouvent quelque part sur le terrain ;
- questions théoriques générales ;
- questions complexes dont personne ne possède la réponse a priori.
Votre question de départ se trouve probablement dans la troisième liste.
 Formulez un projet de question de départ

- Testez cette question de départ auprès de votre entourage, de votre formateur guide, et
professionnels concernés, pour vérifier ses qualités de clarté, de précision, et qu'elle est
comprise de la même manière par tout le monde.
- Vérifiez si elle possède également les autres qualités et critères énoncés ci-dessus,
reformulez-la en tenant compte des remarques qui vous ont été faites.
Les lectures préparatoires servent d'abord à s'informer des recherches déjà menées sur le
thème du travail et à situer la nouvelle contribution envisagée par rapport à elles. Grâce à ses
lectures, le chercheur pourra en outre mettre en évidence la perspective qui lui paraît la plus
pertinente pour aborder son objet de recherche.
Le choix des lectures demande à être fait en fonction de critères précis :
• Liens avec le questionnement de départ.

• Dimension raisonnable du programme de lecture.
• Éléments d'analyse et d'interprétation.
• Approches diversifiées (disciplinaire, par supports : ouvrages, revues, Internet...) ;
•Temps disponible pour la réflexion personnelle, les échanges de vues, l’écriture.
De plus, la lecture proprement dite doit être effectuée à l'aide d'une grille de lecture
appropriée aux objectifs poursuivis. Enfin, des résumés correctement structurés, sous forme
de fiches de lecture, permettront de dégager les idées essentielles des textes étudiés et de les
comparer entre eux.
Les entretiens exploratoires
Les entretiens exploratoires complètent concrètement les lectures ; ils permettent au

chercheur de prendre conscience d'aspects de la question, absents de sa propre expérience et
de ses lectures. Pourtant, ils ne peuvent remplir cette fonction que s'ils sont peu directifs car
l'objectif ne consiste pas à valider les idées préconçues du chercheur, mais bien à en
construire de nouvelles fidèles à la réalité du terrain.
Les fondements de la méthode sont à rechercher dans les principes de la non-directivité de

Carl Rogers, mais adaptés en fonction d'une application dans les sciences sociales. Trois
types d'interlocuteurs intéressent ici le chercheur : les spécialistes scientifiques de l'objet

étudié (chercheurs - enseignants), les témoins privilégiés (professionnels - associatifs...), et
les personnes directement concernées (public - usagers - bénéficiaires...).
Attitudes à adopter au cours d’un entretien exploratoire
• Poser le moins de questions possible.

• Intervenir de manière aussi ouverte que possible.
• S’abstenir de s'impliquer soi-même dans le contenu.
• Veiller à ce que l'entretien se déroule dans un environnement adéquat.
• Enregistrer les entretiens. En cas de prise de notes, prévoir un temps de travail
aussitôt après l’entretien, pour mettre les notes en forme (trier, classer les idées), et les
compléter de mémoire éventuellement.
L'exploitation des entretiens est double :
- d'une part, le discours entendu sera utilisé directement en tant que source d'information ;
- d'autre part, son interprétation en tant que processus doit rendre compte de ce que
l'interlocuteur exprime sur lui-même sans que cela lui soit toujours perceptible.
Les entretiens exploratoires sont souvent mis en œuvre en même temps que d'autres méthodes
complémentaires, telles que l'observation et l'analyse de certains documents (comptes-rendus
- rapports...). Au terme de la phase exploratoire, le chercheur est souvent amené à reformuler
sa question de départ en tenant compte des enseignements de ses lectures et des entretiens.
Reformulation de la question de départ

Il s’agit de confronter la question de départ aux informations recueillies au cours de la phase
exploratoire et de l'adapter éventuellement au développement de la réflexion issue des apports
de celle-ci. Cette restructuration de la question de départ se conçoit en trois temps :
- Dans sa formulation actuelle la question de départ traduit-elle l’objectif de recherche clarifié

par les informations du travail exploratoire ?
- Reste-t-elle le fil conducteur de la démarche ? Si oui, pourquoi ? Si non, pourquoi ?
- En cas de réponse négative à l’une des deux premières questions, la question de départ doit
être modifiée ou reformulée entièrement.
La nouvelle question devra répondre positivement aux deux premières interrogations. S'il est
important qu'elle traduise aussi justement que possible l’objectif de recherche, elle n'en doit
pas moins conserver les qualités qui la rendent opérationnelle. Il est donc inutile de tenter d’y
exprimer toutes les nuances nécessaires pour préciser le sujet. Une question de départ trop
développée, commence en fait à traiter certains aspects de la problématique... ou tente
d’apporter la réponse avant même d’effectuer la recherche.
La “Problématique” est un construit de l’ensemble des réponses aux questions que l’on doit
se poser à partir de l’énoncé de base de la situation problème, en vue de proposer une réponse
provisoire (“l’Hypothèse”), qui sera infirmée ou confirmée par “l’Observation” ou
“Expérimentation” (soit la vérification de la validité de la proposition, avec un outil
d’investigation : “Questionnaire” - “Entretiens” ou autres...). Le vide entre les données de
base et “l’Hypothèse” doit être rempli à partir de questions intermédiaires à inventer et dont

les réponses progressives permettent de relier les “deux bouts” de la situation problème.
En bref, l'ensemble thème, objet d'étude, champs d'analyse, théorie de référence, constitue
la problématique. Pour certains auteurs la problématique est la manière d’argumenter et de
poser la question, pour d’autres, elle est plutôt le projet de traitement de la question. Quoi
qu’il en soit, toute problématique se termine par une question, et l’hypothèse constitue la
réponse (provisoire), à cette question.
Concevoir une problématique se fait donc en trois temps.
• 1er temps : il convient de faire d'abord le point sur le problème tel qu'il est posé par les
constats de terrain, le questionnement de départ enrichi par la recherche documentaire
(lectures) et les entretiens de la phase exploratoire. Concrètement, cela consiste, d'une part, à
repérer et à décrire les différents aspects ou dimensions du problème (sociologiques,
psychologiques, économiques, politiques, institutionnelles, juridiques…, et d'autre part, à
prendre en compte le vécu du problème par les principaux protagonistes : population,
professionnels, hiérarchies, institutions, etc.
Il s’agira ensuite de montrer les liens et oppositions qui existent entre ces aspects ou
dimensions et points de vue d’acteurs. Enfin il faut replacer l’ensemble dans la perspective de
diverses approches se rattachant implicitement ou explicitement à des systèmes théoriques qui
pourraient servir de cadre à autant de problématiques.
• 2ème temps, il s'agit soit d'inscrire son travail dans un des cadres théoriques exposés, soit de
concevoir un nouveau modèle. L’étudiant aura souvent intérêt à se référer à un cadre
théorique existant. Ce choix se fait en tenant compte des convergences apparaissant entre le
cadre théorique, la question de départ et les autres informations retirées de la phase
exploratoire. C'est à la lumière de la problématique retenue que la question de départ prend un
sens particulier et précis. Lorsque celle-ci n'a pas été bien précisée antérieurement, le choix
d'une problématique est aussi l'occasion de reformuler la question de départ en référence à un
cadre théorique particulier et de la rendre plus précise.
• 3ème temps, il s'agit d'expliciter sa problématique. Pratiquement, l'opération consiste à

exposer les concepts fondamentaux et la structure conceptuelle qui fondent les propositions
qu'on élabore en réponse à la question de départ et qui prendront forme définitive dans la
construction.
Problématique et hypothèse
Il y a généralement plusieurs hypothèses dans une recherche. Distinguons :
- l’hypothèse principale ;
- les hypothèses secondaires ;
L'ensemble des hypothèses constitue le corps d'hypothèses, mais c’est l'ensemble thème,
champs d'analyse, corps d'hypothèses, théorie de référence, qui constitue la problématique :
manière de poser la question selon les uns, projet de traitement de la question selon les autres.
Toutefois :

 La question définit le thème, l'objet d'étude, le champ d'analyse :
- psychologique : relation propre à un individu, analyse d'attitudes, d'aptitudes, de

perceptions...
- sociologique : phénomènes relatifs aux groupes humains, sociétés... ;
- anthropologique : phénomènes observés dans certaines ethnies, certaines
civilisations...
 La réponse à la question constitue l'hypothèse (thèse placée avant) : dans

certains cas : oui ou non ; dans d'autres cas : explications nécessitées par la question.
L'hypothèse est ainsi une thèse de départ, fixée a priori ; une supposition.
 Intérêt de l'hypothèse : elle détermine le thème, le champ d'analyse, et contient

déjà en filigrane le plan de la recherche, elle détermine par là même la démarche, le
plan d'étude. L’hypothèse est un fil d'Ariane ; elle permet de ne pas se perdre en
route puisqu'elle contient le but de l'étude, avec sa confirmation ou son infirmation.
Il n'est pas gênant qu'elle soit fausse, dans ce cas l'anti-thèse sera la conclusion, on
aboutira tout de même à un résultat.
 Une hypothèse n'est pas une affirmation gratuite, elle s'inspire d'observations ou
de connaissances antérieures : observations personnelles, impressions, intuition ;
observations empiriques, construction théorique ; - résultat de lectures ; - recherches
antérieures. Elle est ainsi, déjà, l'aboutissement d'une pré-enquête que constitue la
phase exploratoire.
 L’hypothèse doit être opératoire : pour permettre une recherche, une exploitation,
elle doit reposer sur des concepts sûrs, avoir des conséquences vérifiables. Le plus
souvent elle rend compte d'un mécanisme ou d'une relation entre phénomènes.
 Nous avons tous une hypothèse en début de recherche. Mais souvent elle n'est
pas consciente. Le premier travail est de la formuler : la rendre consciente pour
qu'elle ne biaise pas la démarche, à notre insu.
 Qualité d’une hypothèse. Une hypothèse doit être falsifiable au sens poppérien
du terme. Autrement dit, elle doit se prêter à réfutation.
Les qualités d’une question de départ lui reviennent de fait. Elle doit se rattacher à
un cadre théorique connu.
La construction de l’hypothèse passe par un préalable qu’est la construction du

concept.
Les concepts
Le concept est un guide permettant au chercheur d’approcher le réel. Il organise dès

lors, la perception, car, toute perception est sélective. Construire un concept, ce n’est
pas donner une définition abstraite à la réalité. Construire, c’est sélectionner les
dimensions pertinentes, indiquer les composantes de ces dimensions en y appariant
les indicateurs.
De manière simple, la conceptualisation obéit à une logique duale. Le chercheur fait

le point sur les différentes acceptions du concept. Ce recensement lui permet ensuite
d’abstraire de ces acceptions celle correspondant le mieux à la perspective dans
laquelle il inscrit sa problématique. À la suite de ce premier travail définitionnel, il
procède à l’opérationnalisation du concept en lui attribuant ; dimensions,
composantes et indicateurs
Opérationnalisation du concept
Dimension 1 indicateur 2.1.1
Composante 2.1
indicateur 2.1.2
Dimension 2 Composante 2.2
Dimension 3

Bibliographie :
BACHELARD Gaston (1992), Le Nouvel esprit scientifique, PUF ‘’Quadrige’’ n° 47, (première
édition 1934).
DERÈZE Gérard (2009), Méthodes empiriques de recherche en communication, Bruxelles, Éditions
De Boeck Université.
DURKHEIM Émile (1988), Les Règles de la méthode sociologique, précédé de L’instauration du
raisonnement expérimental en sociologie, par Jean-Michel BERTHELOT, Paris, Flammarion.
GHIGLIONE Rodolphe, MATALON Benjamin (1995), Les Enquêtes sociologiques. Théories et
pratiques, Paris, Armand Colin (U).
JUMEL Guy, GUIBERT Joël (1997), Méthodologie des pratiques de terrain en sciences humaines
et sociales, Paris, Armand Colin (Cursus).
LOUBET DEL BAYLE Jean-Louis (2001), Initiation aux méthodes des sciences sociales, Paris,
L’Harmattan.
PAILLE Pierre, MUCCHIELLI Alex (2003), L’analyse qualitative en sciences humaines et
sociales, Paris, Armand Colin (U).
PERETZ Henri (2004), Les Méthodes en sociologie, L’observation, Paris, La Découverte
(Repères).
ROSENTAL Claude, MURPHY Camille (2001), Introduction aux méthodes quantitatives en
sciences humaines et sociales, Paris, Dunod.
OLIVESI Stéphane, (Sous la dir. de), (2007), Introduction à la recherche en SIC, Grenoble,
Presses Universitaires de Grenoble


Mrsic L3

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mrsic L3

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

MÉTHODES DE RECHERCHE EN

Méthodes de recherche en Sciences de l’Information et de la Communication

Méthodes de recherche en Sciences de l’Information et de la Communication

Préalables à la construction de l’objet

Quelques notions d’épistémologie

Approche positiviste et approche subjectiviste

L’axiomatique de la démarche positiviste est soit déductive, soit hypothético-déductive

Méthodes de recherche en Sciences de l’Information et de la Communication

Méthodes Cadres d’analyse

Dialectique Type idéal

Pôle épistémologique Pôle morphologique

Pôle théorique Pôle technique

Cadre de référence Modes d’investigation

Dynamique de la recherche en sciences sociales. Les pôles de la pratique méthodologique, P

Construire un objet de recherche, dans le cadre d’une recherche, qu’elle émane de la

Méthodes de recherche en Sciences de l’Information et de la Communication

- La maîtrise des plus importantes théories explicatives propres au champ en question. La

- La maîtrise d’instruments de vérification et de collecte des données non directement

- La maîtrise de certains outils de traitement et d’analyse de données aussi bien qualitative

LES ÉTAPES DE LA CONSTRUCTION DE L’OBJET

- Les préjugés, la doxa, le sens commun apparaissent comme autant d’obstacles

Méthodes de recherche en Sciences de l’Information et de la Communication

1. Les traitements préliminaires ou mise en ordre

Le codage des données

Méthodes de recherche en Sciences de l’Information et de la Communication

Méthodes de recherche en Sciences de l’Information et de la Communication

Type TYPDENT VAR018 Combien d’employés 1 Moins de 50

La codification des questions ouvertes et des questions à réponses multiples

Si le chercheur a utilisé le questionnaire et que certaines des questions laissaient libre la

Méthodes de recherche en Sciences de l’Information et de la Communication

Ci-après, un exemple d’application à partir d’une question s’adressant à un groupe particulier

1) influence liée à des personnes ;

Le choix entre la première et la deuxième catégorisation dépendra de la définition du

Le chercheur poursuivra ensuite le dépouillement en essayant de situer les nouvelles

La vérification des données

Méthodes de recherche en Sciences de l’Information et de la Communication

- des informations fantaisistes ; certaines unités d’analyse, comme un formulaire rempli ou

Méthodes de recherche en Sciences de l’Information et de la Communication

Le transfert des données quantitatives et / ou qualitatives

- Les données quantitatives

Tableau de compilation manuelle

- Les données qualitatives

Pour l’entrevue de recherche, le transfert signifie la transcription littérale de

Voici quelques conseils à ce sujet :

Méthodes de recherche en Sciences de l’Information et de la Communication

o les parenthèses avec contenu (rire) indiquent un commentaire de la part du transcripteur ;

Le traitement informatique des données

Méthodes de recherche en Sciences de l’Information et de la Communication

Le nettoyage des données

Méthodes de recherche en Sciences de l’Information et de la Communication

Il apparaît immédiatement qu’une catégorie « 3 » se soit infiltrée à ce niveau puisqu’il n’ y

Méthodes de recherche en Sciences de l’Information et de la Communication

- de portions de texte manquantes,

En se remémorant la source de l’information ou en écoutant à nouveau l’enregistrement,

2. La mise en forme de données

Les mesures descriptives

Méthodes de recherche en Sciences de l’Information et de la Communication

Les données en pourcentage et les mesures de tendance centrale

o Les données en pourcentage

o Les mesures de tendance centrale

- le mode précise la catégorie de la variable ayant la plus haute fréquence ;

Méthodes de recherche en Sciences de l’Information et de la Communication