Actions

Des concepts aux mesures, un travail d’opérationnalisation

From Baripedia


L'opérationnalisation : qu’est-ce que c’est ?[edit | edit source]

L’opérationnalisation consiste à rendre les concepts mesurables. Il s’agit de passer d’un très haut niveau d’abstraction conceptuelle à des indicateurs concrets adaptés à la recherche empirique. Par exemple, comment mesurer la participation protestataire ? Ce concept abstrait doit être, en plus de toutes les variables indépendantes permettant de mesurer notre variable dépendante, opérationnalisés. Cette étape est très importante car elle constitue le point de relais entre la théorie et l’empirie.

A la base de chaque recherche sont des questions théoriques. Mais le but de la recherche est de tester les hypothèses formulées ainsi que le modèle théorique plébiscité. Pour se faire, le chercheur agit sur deux axes distincts :

  • Il construit un dessin de recherche adapté et pertinent pour sa recherche.
  • Il opérationnalise tous les concepts afin de pouvoir les mesurer.
  • Ces deux composantes centrales de toutes recherche font donc le pont entre la partie théorique et pratique.

Dans toutes méthodes quantitatives, il faut toujours faire passer des concepts au statut d’indicateur, les mots au statut de chiffres. Durant cette phase cruciale, il s’agit de concrétiser les concepts théoriques imaginés en amont puisque les concepts théoriques n’existent pas dans la réalité sociale ! Pour mesurer un concept abstrait comme le racisme, le chercheur pose des questions préalablement élaborées avec soin à des individus. En effet, demander directement aux individus s’ils sont racistes ne produira, premièrement, pas de résultat fiable à cause du biais de désirabilité sociale, mais surtout cette question ne mesure pas le racisme, mais la possibilité d’exprimer le racisme pour les individus. Ce travail de réflexion se fait en amont de la recherche empirique afin qu’aucune maladresse ne puisse mettre en péril la validité de la recherche.

L’enjeux de l’opérationnalisation[edit | edit source]

L’opérationnalisation doit pouvoir permettre de tester ses hypothèses en descendant dans l’échelle de l’abstraction. Les divers choix effectués par le chercheur tout au long de sa recherche ont pour but de conférer à la recherche un validité interne. Toutefois, aucun résultat n’est accepté unanimement, justement à cause de ces choix potentiellement discutables. De plus, il faut faire attention aux erreurs de mesure pouvant remettre en question la validité de toute la recherche. En effet, le chercheur doit réussir à combler de manière adéquate le fossé existant entre théorie et empirie tout en prenant en compte les différents niveaux d’abstraction de ses concepts. Enfin, les données secondaires doivent être utilisées avec précaution, l’indicateur devant parfaitement convenir à l’item étudié. En tant que lecteurs, il faut toujours faire attention à la manière dont les indicateurs sont sélectionnés.

« Les sociologues utilisent souvent des concepts qui sont formulés à un niveau plutôt haut d’abstraction. Ils sont assez différents des variables élaborées au niveau empirique. Le problème lié au fossé entre la théorie et la recherche est celui de l’erreur de mesure ». (Blalock)

Deux erreurs de mesure[edit | edit source]

Il existe deux types d’erreurs de mesure, elle intervient soit au niveau théorique, soit au niveau empirique. Pour ce qui est de la partie théorique, le chercheur doit faire attention à la validité de sa mesure. Par exemple, conclure à une différence entre le pays X et le pays Y sans prendre en compte les diverses techniques de contact serait une erreur de mesure. De plus, le chercheur doit opérationnaliser avec soin pour ne pas induire d’erreur au moment des mesures. Au niveau empirique, la formulation des questions, la fiabilité des mesures ainsi que la reproductibilité de la mesure doivent être considérés avec attention pour ne pas induire d’erreur.

Validité d’une mesure[edit | edit source]

Pour qu’une mesure soit valide, elle doit utiliser des indicateurs fiables permettant de mesure le concept étudié.

  • Exemple d’une mesure valide : Utiliser la fréquence de participation aux votations et aux élections pour mesurer la participation conventionnelle.
  • Exemple d’une mesure non valide : Utiliser comme indicateur du bien-être individuel le salaire de l’individu !

Mais comment faire en sorte de ne produire des mesures valides ? Cela tient grandement à la rigueur de la démarche mais aussi à la créativité du chercheur. Lazarsfeld a standardisé un processus de déconstruction conceptuelle en quatre temps à cet effet :

  1. La première étape est conceptuelle : le chercheur part de concept abstrait, non directement mesurables. Souvent polysémique, le concept doit être défini précisément et de manière univoque. Cette étape est cruciale car pour obtenir des mesures fiables, il faut être au clair avec le concept que l’on cherche à mesurer. Pour se faire, le chercheur doit s’aider de la littérature pour combler ses potentielles lacunes théoriques, mais aussi pour ne pas refaire un travail qui aurait déjà été préalablement effectué. Par exemple, le concept de compétence politique est défini de manière très variée selon les chercheurs ! Pour Dahl, il s’agit de l’autonomie du citoyen se structurant autour de la connaissance du champ politique et de la verbalisation de préférences claires, pour Kriesi, il s’agit de l’intérêt subjectif et objectif porté à la politique, pour Gaxie, la capacité à se situer dans l’univers politique… Ainsi, on voit que la définition du concept de base est cruciale. 

  2. La deuxième étape implique de spécifier les dimensions et les sous-dimensions du concept étudié. En effet, un concept est toujours multidimensionnel. Ainsi, il s’agit d’identifier chaque facette du concept étudié et d’en extraire le sens de chacune. Pour les concepts simples, le chercheur décomposera son objet en dimensions telles que l’âge, le sexe, le lieu de résidence…
Toutefois, les concepts complexes seront eux décomposés en dimensions mais aussi en sous-dimensions pour rendre compte
de l’entier du phénomène. Mais
attention, tout comme pour le concept, chaque composante doit
être définie précisément et de
manière univoque. Cette étape est
très importante puisqu’elle
permet de descendre sur l’échelle de l’abstraction. Sur ce schéma, on voit comment Gaxie a décomposé le concept de la participation politique, préalablement défini comme la capacité de se situer dans l’univers politique. 

  3. La troisième et ultime étape de la partie de l’opérationnalisation est celle de la sélection des indicateurs pertinents pour la recherche. Chaque dimension du concept peut être représentée par un ou plusieurs indicateurs. Un indicateur est une variable qui elle-même correspond à une mesure qui provient elle-même d’une question (Indicateur à Variable à Mesure à Question). Mais encore une fois, pour ce faire, le chercheur doit préalablement avoir parfaitement défini la (sous-)dimension en question. Un indicateur est créé par le chercheur afin de lui permettre de mesurer directement une dimension ou sous-dimension issue d’un concept abstrait. C’est pourquoi il est toujours bien de mesurer un concept à l’aide de plusieurs indicateurs pour minimiser les risques d’erreur. Mais l’agencement des différents indicateurs sélectionnés par le chercheur doivent ensemble reconstituer le concept ! Ainsi, le nombre d’indicateurs ne doit pas être trop petit pour éviter tout effet discriminant. Le chercheur doit donc sélectionner les bons indicateurs conférant à sa recherche une validité et une cohérence interne. Les deux questions ci-jointes sont issues d’un sondage ayant pour but de mesurer l’islamophobie. Toutefois, on remarque qu’elles consistent en de très mauvais indicateurs ! Premièrement car le concept très complexe de l’islamophobie est ici saisi au travers de seulement deux indicateurs, mais aussi parce que la seconde question a grandement influencé la réponse des femmes, voulant défendre leurs droits.

Ainsi, cette étape pose la question du nombre d’indicateurs nécessaires pour rendre compte au mieux de la réalité mais aussi de la manière de poser les questions pour que celles-ci suscitent les réponses attendues.

Ces trois étapes représentent l’opérationnalisation, pouvant être définie comme une toujours plus grande descente dans l’échelle de l’abstraction. Alors qu’elles interviennent en amont de la recherche, avant la partie empirique, la quatrième étape du processus mis en place par Lazarsfeld s’effectue en aval de la recherche, après la récolte des données.

  1. Enfin, c’est lors de la quatrième étape que le chercheur forme ses indices. Il s’agit pour le chercheur de reconstruire les dimensions de ses concepts après la récolte des données. C’est lors
de cette étape que le chercheur crée des échelles d’indices, lui permettant d’effectuer une analyse factorielle. Cette étape fait le chemin inverse des trois précédentes puisqu’il s’agit de remonter l’échelle de l’abstraction et ce, pour s’assurer que les indicateurs pris rendent bien compte du concept premier.

Sélection des indicateurs[edit | edit source]

Ultime étape de l’opérationnalisation[edit | edit source]

Il faut se demander si on prend un ou plusieurs indicateurs pour une dimension. Il faut identifier des indicateurs pour chacune de nos dimensions puisque chaque dimension est mesurée par des indicateurs précis. Pour faire un bon travail, on dépend du travail en amont (étape 1 et 2). Il faut être bien au clair sur le sens de la dimension et si le sens reste ambigu, cela veut dire qu’il y a encore d’autres dimensions qui se cachent derrière donc il faut revenir à l’étape 2. Ce n’est pas un processus linéaire mais bien circulaire qui englobe des allers-retours !

Si la dimension est clair, il faut 2 clés :

  • Notre inventivité et la tester
  • Reprendre des mesures élaborées par d’autres chercheurs

Pour arriver à une validité interne, il faut plusieurs indicateurs. Il faut des concepts latents. Toutefois, la relation entre indicateurs et concepts reste probabiliste, c’est-à-dire qu’il ne couvre jamais entièrement le concept. Un indicateur indique et ce n’est pas une reproduction parfaite. Chaque indicateur doit avoir la même relation à la dimension. Dans l’idéal, ils pourraient devenir interchangeables. En théorie c’est facile mais pas en réalité. Un indicateur indique toujours un aspect d’une dimension c’est pour cela qu’il en faut plusieurs. Si on met ensemble tous les items d’une dimension, on peut reconstruire empiriquement un concept.

La règle de base pour le choix des indicateurs : plus d’indicateurs mieux c’est mais pas trop. Moins il y a d’indicateurs, plus on a d’effet discriminant.

Exemple avec l’islamophobie : les chercheurs ont pris deux indicateurs pour indiquer l’islamophobie ; autoriser les pratiques religieuses en Suisse et le port du voile. Le problème avec le second indicateur est que les femmes soient plus islamophobes. Mais au final, le sont-elles vraiment ou est-ce un effet de mesure ? Dans ce cas, la multiplication des indicateurs aurait été souhaitable surtout qu’ici, on est face à un concept complexe.

Un 2ème effet discriminant est quand 2 indicateurs produisent deux résultats différents. On est face à une discrimination voulue parce qu’on veut créer de la variation entre individus.

Comment éviter ou produire ces effets discriminants ?

Avec des données primaires, on peut faire des pré-test tandis que pour les données secondaires, il faut passer impérativement par l’analyse descriptive avant de les mettre en relation. On va voir ainsi comment notre variable est distribuée selon les réponses et cela va juger la qualité de notre indicateur.

En résumé

Pour les concepts simples ou périphériques, un indicateur suffit. Par exemple : l’âge, si ce n’est pas un concept clé dans notre recherche, un indicateur suffit.

Pour les concepts complexes et centraux, il faut plusieurs indicateurs comme la compétence politique. Attention à la variable dépendante ! Il faut faire attention à l’opérationnalisation et on prend rarement le risque d’avoir qu’un indicateur pour la variable dépendante. Pour les causes principales, on prend rarement qu’un seul indicateur.

  • Ainsi, l’opérationnalisation, c’est une descente dans l’échelle d’abstraction !

Formation des indices[edit | edit source]

Elle se fait après la récolte des données au moment de l’analyse. La formation d’indices et la reconstruction du concept à partir des indicateurs. On va faire la synthèse des indicateurs pour chaque concept et c’est une étape qui se déroule après la récolte des données au moment de l’analyse. Concrètement, on construit une mesure unique à partir de ces informations numériques car au moment de l’analyse, on veut travailler avec nos concepts et tester nos relations causales. On construit nos concepts à la base de plusieurs indicateurs et on peut apprendre différentes techniques (additionner). Attention ! cette étape de la formation des indices n’est pas toujours nécessaire. Si nos indicateurs mesurent la même chose, on peut en prendre qu’un seul ! Pour la formation des indices, on prend les résultats et on monte en abstraction pour mettre nos concepts en relation.

Opérationnalisation a un intérêt vital pour la théorie car elle permet d’avoir une implication de la théorie et de l’empirie en spécifiant les cadres théoriques. Cela permet d’éviter les deux mesures majeures ; la fiabilité et la validité. La validité de la fiabilité permet de juger de la qualité de nos mesures. La validité est la manière dont on juge l’opérationnalisation d’un point de vue théorique. Une mesure non-valide est celle qui ne mesure pas le concept qu’on a voulu mesure. L’idée de la validité est simple mais difficile à réaliser ; elle dépend directement du travail d’opérationnalisation. S’il n’est pas fait de manière rigoureuse, on a de fortes chances d’avoir des mesures non-valides.

Exemple : mesurer la participation politique en suisse avec un indicateur de participation, il manque le pan de votation ou le pan de la participation protestataire.

Deux erreurs de mesure[edit | edit source]

La fiabilité est liée à la formulation et l’élaboration des questions.

Double stimuli (inputs)

Imprécision (jamais de question avec un « ou »)

Jamais bien de supposer les pratiques mais directement les demandées parce que si on le suppose, les gens pensent qu’ils sont censés le faire et ne répondent pas comment c’est effectivement.

On voit que la validité se situe au niveau de l’opérationnalisation même donc au processus qui lie les concepts aux indicateurs pendant que la fiabilité regarde le lien entre les indicateurs et la question.

Conséquence de ces erreurs : introduisent des biais qui peuvent être systématiques (confronté à un problème de validité), les biais systématiques sont des erreurs qui ont une structure et ne sont pas distribuées au hasard. Elles ne sont pas intégrées dans les analyses en termes d’erreur. Le biais systématique implique souvent un problème de validité même s’il y a des problèmes de fiabilité qui sont de cette nature mais ils sont plus rares.

Lien entre fiabilité et visibilité : pour avoir une mesure valide, elle doit être fiable mais le contraire n’est pas forcément le cas. La fiabilité est une condition nécessaire mais pas suffisante pour juger de la robustesse de la mesure.

Pour faire un bon travail d’opérationnalisation et maximiser la validité, il faut des concepts clairs, une déconstruction maximale des concepts on multiple les indicateurs pour éviter les effets discriminants. Ce travail d’opérationnalisation est très important car il nous permet de nous approche de la réalité.