Comment choisir une méthode de recherche ?
Le travail n'est pas terminé quand la question de recherche est claire ; c'est là que commence le vrai goulet d'étranglement. Ce guide transforme le choix de méthode d'une affaire de préférence en une décision passée par deux filtres : le type de connaissance que la question demande, et la structure des données disponibles.
Comment choisir une méthode de recherche ?
Une méthode de recherche ne se choisit pas seule ; la question de recherche et la structure des données la choisissent. Les quatre étapes sont listées ci-dessous dans l'ordre.
Inverser cet ordre est une cause fréquente de blocage : quand un chercheur part d'une méthode qu'il connaît déjà, la question se rétrécit vers ce que cette méthode peut répondre. Le résultat est une analyse techniquement irréprochable mais qui ne répond pas à la question de départ.
Chaque étape réduit les options de la suivante.
- Réduisez la question à une seule phrase. La phrase doit préciser qui, quoi, dans quel contexte et sur quelle période.
- Déterminez le type de connaissance que la question demande : prévalence, relation, cause à effet, sens, classement, ou accumulation de preuves existantes.
- Décrivez les données : type d'échelle, nombre d'observations, moment de la mesure, et indépendance ou non des observations entre elles.
- Listez les plans qui passent les deux contraintes, choisissez-en un avec une justification fondée sur la validité, et gardez les plans écartés avec leur motif.
La seconde moitié de la quatrième étape est celle qu'on saute le plus souvent, alors que la liste des alternatives écartées est la première chose qu'un évaluateur demande ; la conserver au moment de la décision coûte bien moins cher que de la reconstituer des mois plus tard.
Le choix ne se fait pas non plus dans le vide ; quels plans ont déjà servi pour la même question ressort de la revue de littérature. Cooper (1988) classe les revues selon leur objet, leur objectif et leur couverture ; Webster et Watson (2002) recommandent d'organiser la revue concept par concept, pas article par article.
Quelle est la différence entre méthodes quantitative, qualitative et mixte ?
La recherche quantitative teste des relations et des grandeurs par la mesure numérique, la recherche qualitative décrit le sens et le processus par le texte et l'observation, et la méthode mixte (mixed methods) combine les deux dans un seul plan. La différence n'est pas vraiment dans le type de données mais dans le type de question : l'une demande combien, l'autre demande comment et en quel sens (Creswell et Creswell, 2018).
- Devis quantitatif : variables mesurables, hypothèse prédéfinie, inférence statistique. Les catégories sont connues avant l'analyse.
- Devis qualitatif : entretien, observation, document. Les catégories émergent des données elles-mêmes pendant l'analyse.
- Devis mixte : deux types de preuves combinés dans une seule étude. Si la phase qualitative prépare la phase quantitative, la séquence est exploratoire ; si elle explique le résultat quantitatif, elle est explicative (Creswell et Creswell, 2018).
La méthode mixte n'est pas deux analyses mises bout à bout : si le point et la règle de fusion des deux phases ne sont pas écrits à l'avance, l'étude ne forme pas un seul plan mais deux études distinctes publiées dans le même article. Le point de fusion se décrit en le nommant dans la section méthode : quel résultat alimente quelle phase, et quelle preuve prévaut en cas de contradiction.
Comment la question de recherche détermine-t-elle la méthode ?
Le type de question détermine le plan ; le tableau ci-dessous montre six types et la famille de plans correspondante. Trouver le type réduit nettement l'ensemble des options.
| Type de question | Ce qu'elle veut apprendre | Famille de plans adaptée |
|---|---|---|
| Combien, en quelle quantité | Prévalence, distribution, grandeur | Quantitatif descriptif : enquête transversale, analyse de données secondaires |
| Pourquoi, sous l'effet de quel facteur | Relation, effet, cause à effet | Quantitatif explicatif : expérience, quasi-expérience, modèle multivarié |
| Comment, qu'est-ce que cela signifie | Processus, expérience, sens | Qualitatif : entretien, étude de cas, analyse documentaire |
| Lequel est le meilleur | Classer des alternatives selon plusieurs critères | Décision multicritère (Hwang et Yoon, 1981 ; Saaty, 1980) |
| Que sait-on | Accumulation de preuves existantes | Revue systématique et méta-analyse (Page et al., 2021) |
| Que disent les chiffres, que disent les gens | Lire ensemble deux types de preuves | Méthode mixte (Creswell et Creswell, 2018) |
Le tableau estime la correspondance, il ne tranche pas ; plusieurs plans peuvent rester valables sous le même type de question. À ce stade, l'élimination ne se fait plus par la question mais par les contraintes de données.
Quelles méthodes la structure des données élimine-t-elle ?
La structure des données est le second filtre qui élimine des options ; le tableau ci-dessous montre comment cinq propriétés des données réduisent le choix. Si les observations ne sont pas indépendantes entre elles, les méthodes qui supposent l'indépendance sont éliminées d'emblée.
| Propriété des données | Comment elle réduit le choix |
|---|---|
| Type d'échelle | La somme et la moyenne ne sont pas définies pour les mesures nominales et ordinales ; les méthodes fondées sur la moyenne ne peuvent pas s'appliquer à ce type de données. |
| Nombre d'observations | Si le nombre de paramètres à estimer est grand par rapport au nombre d'observations, le modèle ne peut pas être ajusté. Un petit échantillon élimine les plans à nombreux paramètres. |
| Transversal ou longitudinal | Les données transversales (cross-sectional) ne captent pas le changement dans le temps ; les questions qui exigent de mesurer un changement demandent un plan longitudinal. |
| Observations dépendantes | Des mesures répétées sur la même personne, ou des observations issues de la même classe ou institution, ne sont pas indépendantes ; cette structure exige un plan multiniveau ou à mesures répétées. |
| Jugement vague, linguistique | Si l'entrée est un degré verbal plutôt qu'un nombre précis, des cadres fondés sur les ensembles flous (fuzzy set), qui permettent une appartenance partielle, entrent en jeu (Zadeh, 1965). |
Ce filtre doit être appliqué avant la collecte des données ; si les données déjà collectées sont dans le mauvais type d'échelle, il n'y a pas de retour en arrière, et la seule option est de réduire la question. Savoir quelle analyse sera lancée dès la conception du formulaire de collecte est une tâche différente de vouloir ensuite adapter la méthode aux données.
Que signifient validité et fiabilité ?
La fiabilité est le fait qu'une mesure donne un résultat cohérent quand elle est répétée dans les mêmes conditions ; la validité est le fait qu'une mesure mesure réellement ce qu'elle est censée mesurer. Une mesure peut être fiable et pourtant invalide (elle peut constamment donner la même valeur fausse) ; quand différents instruments mesurant la même construction convergent, c'est la validité convergente, et quand des constructions différentes divergent, c'est la validité discriminante.
Campbell et Fiske (1959) ont proposé la matrice multitrait-multiméthode pour tester ces deux validités ensemble : la même construction est mesurée par des méthodes différentes, des constructions différentes sont mesurées par la même méthode, et on examine le motif de corrélations qui en résulte. La matrice fonde l'affirmation de validité sur un motif, pas sur un seul coefficient.
Dans le choix de méthode, ces notions ne sont pas décoratives, ce sont des critères d'élimination : si les deux plans conviennent à la question et que les données supportent les deux, la décision se prend en regardant lequel ferme le plus de menaces à la validité.
- Validité interne : la relation observée provient réellement du facteur étudié, pas d'une autre explication.
- Validité externe : le résultat peut être transporté au-delà de l'échantillon et du contexte.
- Validité de construction : l'instrument de mesure représente le concept. Les validités convergente et discriminante relèvent de cette catégorie.
- Fiabilité : la cohérence d'une mesure répétée ; c'est une condition préalable à la validité mais elle ne s'y substitue pas.
Comment justifier un choix de méthode face à un évaluateur ?
La justification comporte trois parties : pourquoi la méthode choisie convient à la question, comment la structure des données satisfait les hypothèses de cette méthode, et pourquoi les alternatives évaluées et écartées l'ont été. La troisième partie manque dans la plupart des textes ; si les décisions sont consignées, la justification ne s'écrit pas après coup, elle se montre.
- Établissez le lien entre la question et le plan en une phrase : la question demande ceci, ce plan le produit.
- Écrivez les hypothèses de la méthode une par une et montrez comment chacune est satisfaite dans les données.
- Listez les alternatives évaluées et les motifs de leur élimination ; le motif est souvent une contrainte de données, et l'écrire n'est pas une faiblesse.
- Donnez la preuve de validité et de fiabilité des instruments de mesure avec sa source.
- Écrivez les étapes d'analyse, les versions utilisées et les paramètres avec assez de détail pour qu'un tiers puisse les répéter.
Le vrai critère d'une section méthode est la reproductibilité : un autre chercheur prenant les mêmes données et les mêmes étapes devrait pouvoir atteindre le même résultat (Peng, 2011). La condition préalable est que les données soient trouvables, accessibles, interopérables et réutilisables (Wilkinson et al., 2016). Les modèles de provenance, qui enregistrent quelle sortie vient de quelle entrée et de quel traitement, rendent cette trace transportable côté machine aussi (W3C, 2013).
Dans certains plans, la forme de la justification dépend aussi d'une norme : dans une revue systématique, la manière de rapporter la recherche, la sélection et l'inclusion est définie point par point (Page et al., 2021), et dans le domaine de la santé le cadre méthodologique est en plus donné par le Cochrane Handbook (Higgins et al.). Quand une telle norme existe, la section méthode s'écrit selon ses points, pas en texte libre.
Si un composant assisté par l'IA a été utilisé dans l'analyse, la même traçabilité en est attendue : comment le jeu de données utilisé a été collecté et ce qu'il représente (Gebru et al., 2021), ainsi que pour quoi le modèle a été conçu et quelles sont ses limites (Mitchell et al., 2019), doivent être documentés.
Quelles sont les erreurs les plus fréquentes en rédigeant un choix de méthode ?
L'erreur la plus fréquente consiste à choisir la méthode avant que la question soit claire, puis à réécrire la question pour qu'elle s'y adapte. Six erreurs fréquentes sont listées ci-dessous.
- Le nom de la méthode est pris pour une justification. Le nom dit au lecteur ce qui a été fait, pas pourquoi.
- Les alternatives écartées ne sont pas écrites. Le lecteur suppose que la seule option a été retenue sans jamais être pesée.
- Les hypothèses ne sont pas vérifiées. Le tableau de résultats paraît correct, mais la condition sur laquelle il repose n'a jamais été testée.
- La méthode mixte est revendiquée, mais la règle de fusion n'est jamais écrite. Deux études distinctes cohabitent dans le même texte.
- L'échantillon et les critères d'inclusion restent vagues. Qui a été inclus, qui a été exclu et selon quelle règle ; sans ces trois éléments, l'étude ne peut pas être répétée.
- Le nom du logiciel remplace la méthode. Le nom d'un logiciel n'est pas la justification de la méthode exécutée avec ce logiciel.
Le point commun de ces erreurs est qu'elles apparaissent toutes au moment de la rédaction, pas au moment de la décision : le choix de méthode s'étale sur des semaines, mais la section méthode s'écrit en général la dernière semaine, période où l'on a oublié pourquoi telle alternative a été écartée. Consigner les décisions avec leur justification au moment où elles sont prises transforme le travail de rédaction, du souvenir à la simple transcription.
Avec quels outils exécuter ces étapes ?
Le flux de travail ci-dessus fonctionne aussi au stylo et au papier ; il devient difficile quand le nombre de méthodes augmente et que la justification d'une décision est demandée un mois plus tard. Les produits SciMind ciblent ces deux points : trouver une méthode avec sa source, et garder la trace d'une décision déjà prise.
Guides associés
Références
- Campbell, D. T. et Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56(2), 81-105.
- Cooper, H. M. (1988). Organizing knowledge syntheses: a taxonomy of literature reviews. Knowledge in Society, 1(1), 104-126.
- Creswell, J. W. et Creswell, J. D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (5e éd.). SAGE.
- Gebru, T. et al. (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86-92.
- Higgins, J. P. T. et al. (Ed.). Cochrane Handbook for Systematic Reviews of Interventions. Cochrane.
- Hwang, C. L. et Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications. Springer.
- Mitchell, M. et al. (2019). Model cards for model reporting. FAT* 2019, 220-229.
- Page, M. J. et al. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, 372, n71.
- Peng, R. D. (2011). Reproducible research in computational science. Science, 334(6060), 1226-1227.
- Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill.
- W3C (2013). PROV-DM: The PROV Data Model. W3C Recommendation.
- Webster, J. et Watson, R. T. (2002). Analyzing the past to prepare for the future: writing a literature review. MIS Quarterly, 26(2), xiii-xxiii.
- Wilkinson, M. D. et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018.
- Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338-353.
Prenez votre décision de méthode avec un dossier.
Des plateformes conçues pour trouver une méthode avec sa source, placer les alternatives côte à côte et garder la trace de la décision prise. Écrivez-nous pour une licence institutionnelle ou un pilote.