Réponses courtes - cours 1 à 6 Flashcards
Expliquez la différence entre un paradigme positiviste et un paradigme constructiviste en termes de méthodologie et d’approche à la réalité.
Un paradigme positiviste postule qu’il existe une réalité objective, mesurable par des méthodes scientifiques, tandis que le constructivisme soutient que la réalité est construite socialement et varie selon les perceptions individuelles. En méthodologie, le positivisme se concentre sur des méthodes quantitatives pour tester des hypothèses, alors que le constructivisme privilégie des approches qualitatives pour comprendre les expériences individuelles.
Décrivez les étapes de la démarche inductive et donnez un exemple de recherche qui pourrait suivre cette démarche.
Démarche inductive :
1. Lectures et synthèse
2. Définition des objectifs
3. Collecte de données
4. Analyse des données
5. Génération d’hypothèses ou de théories
Exemple : Étudier les relations entre l’anxiété et la sexualité chez les adolescents sans cadre théorique initial.
Quels sont les principaux éléments qui différencient un devis de cohorte d’un essai contrôlé randomisé ? Expliquez avec un exemple pour chacun.
Devis de cohorte : on suit un groupe de participants au fil du temps pour observer des résultats liés à des expositions. Ex. : étude sur les effets du tabagisme sur le cancer.
Essai contrôlé randomisé : les participants sont assignés aléatoirement à des groupes pour tester un traitement. Ex. : étude sur l’efficacité d’un nouveau médicament contre la dépression.
Nommez trois types de biais qui peuvent affecter la validité interne d’une étude et expliquez comment ils peuvent être contrôlés dans une étude expérimentale.
Biais de sélection, biais de maturation, et biais d’instrumentation. Pour les contrôler, on peut utiliser la randomisation, la répartition aléatoire des participants, et l’usage d’instruments de mesure standardisés.
Donnez un exemple d’un concept sexologique et expliquez comment ce concept pourrait être opérationnalisé dans une recherche quantitative.
Concept : Satisfaction sexuelle. Opérationnalisation : Mesurer la satisfaction sexuelle à l’aide d’une échelle de Likert de 1 à 7, avec des items évaluant différentes dimensions de la satisfaction dans une relation.
Expliquez la différence entre une hypothèse directionnelle et une hypothèse non directionnelle, et donnez un exemple pour chacune.
Hypothèse directionnelle : “Une hausse du revenu est associée à une diminution de la satisfaction sexuelle.”
Hypothèse non directionnelle : “Il existe une relation entre le revenu et la satisfaction sexuelle.”
Qu’est-ce que le biais de causalité inversée et comment une étude longitudinale peut-elle aider à le prévenir ?
Le biais de causalité inversée (ou biais de causalité inverse) survient lorsque la relation de cause à effet entre deux variables est mal interprétée. En d’autres termes, on pense qu’une variable A cause une variable B, alors qu’en réalité, c’est l’inverse : la variable B cause la variable A. Ce type de biais peut se produire lorsque les données sont simplement corrélationnelles, c’est-à-dire qu’elles montrent une association entre deux variables sans nécessairement indiquer la direction de la causalité.
Exemple de biais de causalité inversée :
Imaginons qu’une étude trouve une association entre l’activité physique et la dépression, et conclut que faire plus d’exercice réduit les symptômes dépressifs. Cependant, il est possible que cette relation fonctionne dans l’autre sens : les personnes qui se sentent moins déprimées sont plus susceptibles d’être physiquement actives. Dans ce cas, il y aurait un biais de causalité inversée.
Comment une étude longitudinale peut-elle aider à prévenir ce biais ?
Une étude longitudinale est une étude qui suit les mêmes individus sur une longue période, recueillant des données à différents moments. Cela permet aux chercheurs d’observer la séquence temporelle des événements ou des changements, ce qui est essentiel pour déterminer la direction de la causalité.
Voici comment elle aide à éviter le biais de causalité inversée :
Observation de l’ordre temporel : L’étude longitudinale permet de voir si les changements dans la variable A précèdent les changements dans la variable B, ou vice versa. Si l’augmentation de l’exercice physique se produit avant la réduction des symptômes dépressifs, cela soutiendrait l’idée que l’exercice pourrait causer cette réduction.
Contrôle des variables confondantes : En suivant les individus au fil du temps, il est possible de mieux contrôler des variables tierces ou des facteurs confondants qui pourraient influencer à la fois la variable A et la variable B. Cela aide à clarifier les véritables relations de cause à effet.
Données sur des périodes prolongées : Les études longitudinales permettent d’observer les effets sur de longues périodes, ce qui rend moins probable l’interprétation erronée d’une relation entre des variables observées à un moment donné (biais momentané).
En résumé, une étude longitudinale, en capturant des données à plusieurs moments et en permettant d’observer la chronologie des événements, réduit les chances de tirer des conclusions erronées en raison d’un biais de causalité inversée.
Quels sont les avantages et inconvénients de l’utilisation des questions ouvertes par rapport aux questions fermées dans un questionnaire de recherche ?
L’utilisation de questions ouvertes et de questions fermées dans un questionnaire de recherche a ses avantages et inconvénients respectifs. Voici une comparaison détaillée :
Avantages des questions ouvertes :
1. Richesse des réponses :
- Les questions ouvertes permettent aux participants de s’exprimer librement et de fournir des réponses détaillées, ce qui peut révéler des insights et des opinions profondes.
-
Flexibilité :
- Elles laissent place à des réponses inattendues ou nouvelles qui n’auraient pas été envisagées par le chercheur. Cela peut aider à découvrir des thèmes ou des problématiques non anticipés.
-
Évitement de biais de réponse :
- Elles réduisent le risque que les participants se sentent limités par les options proposées, ce qui peut conduire à des réponses plus authentiques et représentatives.
-
Compréhension nuancée :
- Les réponses ouvertes peuvent fournir un contexte ou une explication supplémentaire qui aide à interpréter les résultats.
Inconvénients des questions ouvertes :
-
Analyse complexe :
- Les réponses ouvertes nécessitent souvent une analyse qualitative, qui peut être plus complexe et chronophage que l’analyse des réponses fermées.
-
Variabilité des réponses :
- La diversité des réponses peut rendre difficile la comparaison et l’interprétation des résultats, car chaque réponse peut être formulée différemment.
-
Biais d’interprétation :
- Les réponses peuvent être influencées par la manière dont les questions sont formulées, ce qui peut introduire un biais dans l’interprétation des résultats.
-
Fatigue des répondants :
- Les questions ouvertes peuvent être perçues comme plus exigeantes pour les répondants, ce qui pourrait les amener à répondre moins soigneusement ou à abandonner le questionnaire.
Avantages des questions fermées :
-
Facilité d’analyse :
- Les questions fermées peuvent être analysées quantitativement de manière plus simple et rapide, car les réponses sont limitées à des choix prédéfinis.
-
Comparabilité :
- Elles facilitent la comparaison des réponses entre différents participants, car toutes les réponses sont normalisées.
-
Gain de temps pour les répondants :
- Les questions fermées sont généralement plus rapides à répondre, ce qui peut réduire la fatigue des répondants et augmenter le taux de réponse.
-
Clarté :
- Les options prédéfinies peuvent aider à clarifier les attentes et à guider les répondants vers des réponses qui correspondent à ce que le chercheur recherche.
Inconvénients des questions fermées :
-
Limitation des réponses :
- Les questions fermées peuvent restreindre la pensée des participants, les empêchant de fournir des réponses qui pourraient être pertinentes mais qui ne rentrent pas dans les choix proposés.
-
Biais potentiel :
- Les réponses peuvent être influencées par la manière dont les options sont formulées, ce qui peut introduire un biais dans les résultats.
-
Perte de nuances :
- Les questions fermées ne capturent souvent pas la complexité ou les sentiments derrière les opinions, ce qui peut limiter la compréhension des motivations des participants.
-
Problème d’interprétation :
- Certaines questions fermées peuvent prêter à confusion si les participants interprètent les options de manière différente, ce qui peut nuire à la fiabilité des données.
Explique la différence entre une variable médiatrice et modificatrice.
Bien sûr ! La distinction entre une variable modificatrice et une variable médiatrice est importante en statistiques et en recherche.
Une variable médiatrice explique le mécanisme par lequel une variable indépendante influence une variable dépendante. En d’autres termes, elle agit comme un intermédiaire dans la relation entre ces deux variables. Par exemple, si on étudie l’effet de l’exercice physique (variable indépendante) sur la santé mentale (variable dépendante), une variable médiatrice pourrait être le niveau de stress, qui pourrait être réduit par l’exercice, menant ainsi à une meilleure santé mentale.
Une variable modificatrice, en revanche, change la force ou la direction de la relation entre une variable indépendante et une variable dépendante. Par exemple, si l’on examine l’effet du stress sur la performance au travail, le soutien social pourrait être une variable modificatrice. Dans ce cas, le soutien social pourrait atténuer l’effet négatif du stress sur la performance : chez les personnes avec un bon soutien social, l’effet du stress sur la performance pourrait être moins prononcé.
- Médiatrice : explique comment ou pourquoi une variable influence une autre.
- Modificatrice : influence la force ou la direction de la relation entre deux variables.
J’espère que cela t’aide à mieux comprendre ces concepts !
Explique la biais important de la confusion.
Bien sûr ! Le biais de confusion est un concept crucial en recherche qui peut affecter la validité des résultats d’une étude. Voici une explication simple :
Le biais de confusion se produit lorsqu’une variable externe (appelée variable de confusion) est liée à la fois à la variable indépendante et à la variable dépendante, ce qui fausse la relation entre elles. En d’autres termes, il peut donner l’impression qu’il y a un lien direct entre ces deux variables alors qu’il s’agit en réalité de l’influence de la variable de confusion.
Imaginons que tu étudies l’effet de la consommation de café (variable indépendante) sur le niveau d’anxiété (variable dépendante).
- Variable de confusion : Niveau de stress. Les personnes qui consomment beaucoup de café peuvent être plus stressées, ce qui peut également augmenter leur niveau d’anxiété.
Dans ce cas, le niveau de stress est une variable de confusion. Si tu ne contrôles pas cette variable, tu pourrais conclure à tort que la consommation de café augmente l’anxiété, alors qu’en réalité, c’est le stress qui influence à la fois la consommation de café et le niveau d’anxiété.
- Contrôle des variables : Inclure des variables de confusion dans l’analyse pour voir si elles influencent les résultats.
- Randomisation : Dans les essais cliniques, assigner aléatoirement les participants à des groupes pour équilibrer les variables de confusion.
- Analyse statistique : Utiliser des techniques statistiques comme la régression pour ajuster l’effet des variables de confusion.
Le biais de confusion peut gravement compromettre l’interprétation des résultats d’une étude. Il est essentiel de l’identifier et de le contrôler pour garantir que les conclusions tirées sont valides.
Si tu veux plus de détails ou un autre exemple, n’hésite pas à demander !
Explique la différence entre médiation et confusion
Résumé des différences
Médiation : Explique le mécanisme causal entre deux variables.
Confusion : Fait référence à une variable externe qui fausse la relation apparente entre deux variables.
En somme, la médiation s’intéresse à la façon dont une variable influence une autre, tandis que la confusion concerne les influences externes qui peuvent distordre cette relation
Qu’est-ce que l’erreur écologique?
• L’association observée à l’échelle des groupes n’est pas une estimation valide de l’association qui existe au niveau des individus
• C’est le passage de niveau groupe à individuelle qui peut causer problème
S’attendre à observer les mêmes résultats en groupe et individuelle = erreur écologique
Nomme moi les 5 types d’échantillonnage non probabiliste. Et explique brièvement
Échantillons de volontaire (ou accidentels, de convenance)
Prendre les gens disponibles (pas de contrôle du chercheur)
→ Risque important de biais de sélection
○ Processus de sélection des participants qui produit mauvaise représentation de ce qui se passe réellement dans la population
○ Ex: coin de rue dans un quartier commercial huppé = surreprésentation des personnes aisées (si on classe les individus par niveau de richesse, leur distribution entre les niveaux de richesse ne sera pas la même dans l’échantillon que dans la population)
→ Probabilités de sélection inégales
Échantillons typiques (ou intentionnels)
Échantillon déterminé par le choix d’un groupe que l’on considère typique de la population cible
→ Exemple : les usagers d’un CLSC si on juge que les groupes ainsi obtenus ont une composition qui réflète bien (est typique de) la composition de la population cible
Échantillons boule de neige (ou par réseaux)
On demande aux participants de référer d’autres personnes ayant la même caractéristiques qu’eux
→ Permet de constituer des échantillons de personnes appartenant à de petits groupes (ex: personnes transgenres), rencontre participants et demande à participants de recruter, les personnes recrutés deviennent recruteurs
Échantillon par quotas
« modèle réduit » de la population
→ Détermine la nature de tous les sous groupes de la population
→ Sélectionner des participants dans chaque sous-groupe et dont le nombre de population que représente chacun des sous-groupes
→ Tous les sous-groupes??
○ NON, on peut se limiter aux variables qui ont une influence sur d’autres variables
○ Ex: inclure les niveaux socioéconomiques permet d’inclure aussi l’état de santé
Échantillons systématiques
On sonde une personne à toutes les X nb de personnes
→ Exemple = pour obtenir un échantillon de 200 personnes d’une population de 10 000, on sélectionnera une personne toutes les 50 personnes
→ Ce n’est pas aléatoire car les participants ex: 2,3,4… n’ont aucune chance d’être sélectionné dès le début
→ Par contre, si notre liste est randomisé, ça peut devenir aléatoire car tout le monde ont maintenant une chance égale
Nomme moi les 4 types d’échantillonnage probabiliste et explique un peu
Échantillonnage probabiliste
Échantillons aléatoire simples Tirage au sort et tous les individus d’une population ont une chance égale d’être sélectionnés
→ Exige une liste exhaustive des personnes admissibles (de la population cible)
→ Liste électorale ou RAMQ = bonnes ressources (quasi complètes)
Échantillons systématiques Peuvent être probabilistes si…
→ Point de départ est déterminé aléatoirement (ex: 1ère personne est choisi au hasard)
→ Ou l’ordre de classement des personnes admissibles est aléatoire
→ Devient alors équivalent à un échantillon aléatoire simple
Échantillons en grappes Tirage au sort de groupes (et non d’individus)
→ On peut ensuite interroger l’Ensemble des individus ainsi identifiés
→ Aréolaire: grappes définies par secteurs géographiques (aires)
→ Échantillonnage à plusieurs degrés: tirages successifs parmi les groupes tirés précédemment
○ Exemple: sélection de villes, ensuite de quartiers et ensuite de personnes
Échantillons stratifiés (par strates)** Comme par grappes, mais les sous-groupes (strates) sont calqués sur des sous groupes de la population cible
→ Les taux de sondage peuvent varier entre les strates
