39 L’art de l’interprétation des résultats

Introduction

Il ne fait aucun doute que l’interprétation des résultats de la recherche est une des principales compétences permettant de déterminer la qualité d’un chercheur ou d’une chercheuse et de la recherche qu’il ou elle mène. Comme le souligne Vasilachis de Gialdino (2012 : 163), « l’analyse des données constitue le cœur du processus de recherche, son noyau primordial et donc déterminant de la qualité des résultats obtenus ». Il va donc sans dire que le chercheur ou la chercheuse devra accorder une attention toute particulière à cette étape du processus de création de savoir.

Dans sa plus simple expression, l’interprétation des données concerne l’examen des données recueillies à travers des processus prédéfinis afin d’attribuer un sens à ces données primaires, puis d’en tirer une conclusion pertinente.

Il existe deux grandes approches d’analyse des données : les méthodes d’analyse quantitative et les méthodes d’analyse qualitative. Les méthodes d’interprétation des données quantitatives sont utilisées pour analyser des données numériques à l’aide d’outils statistiques ou mathématiques. La méthode d’interprétation qualitative est, quant à elle, utilisée pour l’analyse de données tirées du langage et de la compréhension du monde par les individus. Les données peuvent alors être tirées de textes, de récits, d’observations ou encore d’entrevues. Les données qualitatives sont généralement recueillies à l’aide d’une grande variété de techniques qui impliquent des rapports entre êtres humain-e-s. Ces rapports peuvent être directs (comme dans le cas d’entrevues ou d’observations) ou indirects (comme dans le cas de discours ou de textes), et peuvent demander une analyse plus complexe que les méthodes utilisées lors d’une analyse quantitative.

Ce chapitre porte sur le processus d’interprétation des résultats en recherche qualitative et vise à fournir des réflexions théoriques et des conseils pratiques pour améliorer cette étape fondamentale dans tout processus de recherche. Il cherche à vous expliquer comment vous pouvez, en tant que chercheurs et chercheuses, assurer une interprétation des données rigoureuse et efficace.

Trois aspects centraux de l’interprétation des données

Bien que la capacité d’interpréter une abondance de données de manière non systématisée n’est certainement pas innée chez la majorité des individus, les compétences analytiques de chacun-e peuvent être cultivées et améliorées grâce à la formation et à l’expérience. Un chercheur ou une chercheuse universitaire ne peut interpréter ses résultats de recherche sans adhérer à un processus scientifique rigoureux, qui devra minimalement passer par trois aspects centraux de l’interprétation des données : 1) une organisation cohérente des données, 2) la transparence quant aux processus utilisés, 3) et la limitation des biais subjectifs.

Tout d’abord, le processus interprétatif sera facilité par la capacité du chercheur ou de la chercheuse à organiser les données collectées tout au long des premières phases de la recherche. Peu importe le sujet travaillé ou l’ampleur de la recherche, un bon chercheur ou une bonne chercheuse devrait avoir un système adéquat pour organiser les informations collectées au fil du temps. Certes, la complexité de leur organisation dépend de la quantité de données collectées lors des phases préliminaires de la recherche. Pourtant, de manière générale, assurer un suivi et une gestion serrés des données au fur et à mesure que vous les collectez facilitera grandement la tâche lorsque vous commencerez la phase d’analyse de toutes les données recueillies.

D’un point de vue pratique, il s’avère très important de sauvegarder les données dans un format standard qui peut être utilisé avec la méthode d’analyse choisie. Il peut simplement s’agir d’une simple feuille de calcul Excel ou d’un tableau Word de base. La clé d’un bon système d’enregistrement des fichiers contenant les données est de s’assurer de demeurer cohérent. D’un point de vue conceptuel, comme la collecte des données peut durer plusieurs mois, voire plusieurs années (par exemple, dans le cas de recherches ethnographiques), le chercheur ou la chercheuse doit garder un certain contrôle sur l’évolution de ses propres réflexions et idées analytiques tout au long du processus de collecte des données.

Une pratique très utile pour optimiser le processus d’interprétation consiste ainsi à écrire vos réflexions préliminaires au fur et à mesure que les données sont collectées. Il s’agit d’une sorte de « carnet de progression » dans lequel le chercheur ou la chercheuse annote ses observations, analyses et réflexions. L’objectif derrière cet exercice est de construire une piste de réflexion progressive qui vous accompagnera tout au long de la recherche, mais qui pourra aussi servir de point de départ pour l’analyse à la fin de la collecte de données. Vous pouvez par exemple, décrire les tendances que vous observez au fil du temps en comparant les données collectées à un moment donné avec les données qui ont été collectées de la même manière à un autre moment^[1].

En deuxième lieu, le chercheur ou la chercheuse doit assurer la transparence du processus d’interprétation, afin que le lectorat et la communauté scientifique comprennent clairement les processus utilisés pour le traitement et l’analyse des données. Comme l’explique Tracy (2010), le chercheur ou la chercheuse doit expliquer le processus interprétatif dans son ensemble, y compris les détails relatifs à l’organisation des données collectées, leur systématisation et leur transformation en résultats et conclusions de recherche. Il faut donc vous assurer d’être en mesure de décrire en détail les méthodes utilisées lors de l’analyse et de l’interprétation des données afin de permettre aux membres de la communauté scientifique de bien comprendre les méthodes et processus que vous avez utilisés lors de toutes les phases de la recherche.

Un troisième élément à considérer lors de l’interprétation des données est la nécessité de minimiser le biais subjectif lors de l’interprétation. Plus particulièrement dans les disciplines des sciences sociales, les chercheurs et chercheuses sont souvent confronté-e-s à la nécessité d’interpréter les données collectées à travers leurs propres observations et interactions avec d’autres êtres humain-e-s, des groupes de personnes, ou encore la société dans son ensemble. C’est ce qu’on appelle communément la distanciation face à sa recherche et son objet. À cet égard, comme le souligne Cheek (2004 : 1144), « la parole contenue dans une expression écrite ou orale n’a pas de signification universelle; son “sens particulier” lui est plutôt donné par les locuteurs et les auditeurs selon la situation précise dans laquelle le langage est utilisé ». Dans une perspective interprétative et compréhensive en recherche, ce sens doit donc être décelé par le chercheur ou la chercheuse, qui, selon Kvale (2006), possède le monopole de l’interprétation des récits des sujets interviewés. Le chercheur ou la chercheuse a donc à la fois l’honneur et le fardeau d’interpréter et de transmettre ce qui a été dit.

Vous devrez donc porter une attention toute particulière à la façon dont le récit des participant-e-s à votre recherche est reproduit, afin de minimiser le biais interprétatif du chercheur ou de la chercheuse. Pour cette raison, les processus de collecte et d’interprétation des données devraient être précédés par une immersion profonde dans le contexte où se déroule la recherche, et parmi les individus qui feront l’objet de la recherche. Si le chercheur ou la chercheuse n’a pas une compréhension adéquate des espaces et des mécanismes qui régulent la société ou le groupe analysé, le processus de collecte des données peut se révéler stérile et le chercheur ou la chercheuse risque alors de ne pas saisir le sens réel ou intime de certains mots, gestes, expressions et interactions (Morrow, 2005). Ainsi, le processus d’interprétation sera optimisé par une immersion préalable dans le contexte de l’objet de recherche, à l’aide d’une enquête exploratoire sur le terrain afin de se familiariser avec l’environnement et ainsi être en mesure de pleinement comprendre le contexte dans lequel la collecte de données se déroule (Marzo, 2020).

Nettoyage et codage des données

Une fois la collecte de données terminée et avant d’interpréter les résultats pour en tirer des conclusions, il est très important de procéder au nettoyage des données. Ce nettoyage consiste à mettre à l’écart les données inintelligibles, incomplètes ou hors contexte pour la recherche (Chu et Ilyas, 2016). Dans le cas de données quantitatives, il peut s’agir d’erreurs dans les réponses aux questions d’un sondage, par exemple si les répondant-e-s ont sélectionné deux réponses alors qu’une seule devait être sélectionnée. Pour les données qualitatives, il faut s’assurer que les notes ou transcriptions sont complètes et compréhensibles. De plus, il est bon d’examiner si les participant-e-s à la recherche n’ont pas donné de réponses sans rapport avec la question, donc sans pertinence pour le processus interprétatif.

Une fois ce nettoyage des données effectué, le processus interprétatif entre dans ce qui est probablement l’une des étapes les plus stimulantes pour le chercheur ou la chercheuse, car c’est à ce moment qu’est récolté le fruit de mois, voire d’années, de travail. Il va sans dire, l’analyse des données peut être très complexe ou très simple, selon le type de données dont le chercheur ou la chercheuse dispose. La démarche consiste à se demander ce que les données peuvent vous révéler de pertinent pour votre projet de recherche. Ce qui en résultera constituera vos principales conclusions. Que racontent les données? Quelles sont les principales conclusions qui en ressortent et qui permettraient de répondre à votre question de recherche?

Avant de poursuivre la démarche interprétative, il pourrait être utile de lire attentivement vos données et vos notes de recherche (incluant les notes et réflexions préliminaires que vous avez écrites) afin d’apprendre à connaître les données. Vous pouvez également discuter avec des collègues ou des personnes qui connaissent bien l’objet ou le sujet de votre recherche pour leur partager vos réflexions.

Par la suite vient le codage des données : plongez-vous dans vos données pour tenter de déceler les modèles, les tendances ou les thèmes qui vous permettraient de répondre à votre question de recherche (Ryan et Bernard, 2003). Il s’agit d’identifier les thèmes sur lesquels vous vous concentrerez dans votre analyse, que vous catégoriserez comme des « codes ». Pour ce faire, lisez les transcriptions et les réponses ouvertes et mettez en évidence les phrases ainsi que des citations clés à l’aide des fonctions de surbrillance dans Word ou entre parenthèses manuscrites. Finalement, ajoutez le code correspondant à chaque section en surbrillance, par exemple en utilisant une couleur différente pour chacun des codes.

Il est essentiel de choisir les outils qui seront employés pour identifier les thèmes et effectuer le codage. Une analyse simple peut être effectuée à l’aide de tableaux de base dans Word. Sinon, vous pouvez imprimer les transcriptions ou les réponses ouvertes et mettre en évidence les thèmes ou les modèles à la main. Pour des analyses plus complexes, certains logiciels peuvent vous aider (par exemple, NVivo), mais l’utilisation de la plupart d’entre eux nécessite une formation spécifique.

Parallèlement, identifiez les thèmes et les citations ou extraits pertinents parmi vos données pour appuyer votre argumentation et votre démonstration lors de l’écriture. Triez les citations en groupes en fonction des codes afin de pouvoir examiner en même temps toutes les citations qui ont été codées de la même manière.

Rédaction et limites de la recherche

Extraire des conclusions significatives à partir des données peut être simple si les données fournissent des réponses claires et directes à vos questions, mais c’est rarement le cas. Le processus peut ainsi s’avérer être plus complexe si les réponses sont moins apparentes ou si différentes sources de données donnent des résultats qui conduisent à des conclusions différentes. Si les conclusions ne sont pas claires, c’est une bonne idée de retourner sur le terrain et de clarifier certains aspects.

Il est primordial d’éviter de « forcer » l’interprétation de vos données pour répondre à tout prix à votre question de recherche. Ce serait une falsification du processus interprétatif qui affecterait la valeur de vos résultats. Très souvent, les chercheurs et chercheuses ont en tête des réponses possibles aux phénomènes étudiés avant même d’avoir démarré le processus de collecte des données. Il s’agit là d’un des biais inhérents au processus de recherche, et il est important pour le chercheur ou la chercheuse d’y porter attention. En ce sens, il faut absolument éviter de ne considérer que les données en phase avec la réponse que vous attendez.

Une partie importante du processus consiste aussi à identifier les limites de l’interprétation des données, c’est-à-dire tous les facteurs endogènes et exogènes qui pourraient avoir affecté les résultats de la recherche ainsi que les limites intrinsèques à votre recherche. Il peut s’agir d’éléments directement liés aux données en tant que tels, comme la manière dont les données ont été collectées, de faibles taux de réponse ou des biais qui auraient pu être introduits. Il peut également s’agir d’éléments indépendants de votre action, comme des difficultés sur le terrain engendrées par exemple par des changements politiques ou économiques dans la région étudiée (Shipman, 2014).

Conclusion

Le processus d’analyse des résultats est une étape passionnante de la recherche, car il donne de l’espace aux interprétations du chercheur et de la chercheuse, et permet, dans la plupart des cas, de produire le résultat final de la recherche, récompensant ainsi les efforts déployés dans les phases de conception de la recherche et de la collecte des données. Cependant, il ne s’agit pas d’un processus simple et il est important pour le chercheur ou la chercheuse de prendre de nombreux éléments en considération afin d’assurer une production de savoir scientifique valable, de la planification de la recherche jusqu’à la rédaction finale des résultats. Loin d’être exhaustif, ce chapitre a fourni quelques conseils utiles pour améliorer le processus d’analyse des résultats.

Bibliographie commentée  

Cheek, J. (2004). At the margins? Discourse analysis and qualitative research. Qualitative Health Research, 14(8), 1140-1150. https://doi.org/10.1177/1049732304266820

Dans cet article, l’auteur explore l’analyse du discours et examine comment elle offre des possibilités de compréhension des phénomènes sociaux.

Chu, X. et Ilyas, I. F. (2016). Qualitative data cleaning. Proceedings of the VLDB Endowment, 9(13), 1605-1608. http://www.vldb.org/pvldb/vol9/p1605-chu.pdf

Dans cet article, les auteurs décrivent les tendances les plus récentes concernant la pratique de la bonification des données primaires.

Marzo, P. (2020). La dimension internationale de la transition démocratique en Tunisie. Défis méthodologiques d’une recherche qualitative. Recherches qualitatives, 39(1), 42-61. https://doi.org/10.7202/1070015ar

En s’appuyant sur sa recherche de terrain en Tunisie, l’auteur de cet article y discute de quelques pratiques méthodologiques pour améliorer la collecte et l’interprétation des données.

Morrow, S. L. (2005). Quality and trustworthiness in qualitative research in counselling psychology. Journal of Counseling Psychology, 52(2), 250-260. https://doi.org/10.1037/0022-0167.52.2.250

Cet article examine les concepts de la fiabilité et de la crédibilité de la recherche qualitative. L’auteur suggère des stratégies pour mener et rédiger des rapports de recherche qualitative.

Ryan, G. W. et Bernard, H. R. (2003). Techniques to identify themes. Field methods, 15(1), 85-109. https://doi.org/10.1177/1525822X02239569

Les auteurs décrivent les techniques les plus adaptées pour coder les données qualitatives, en expliquant comment identifier les thèmes récurrents.

Shipman, M. D. (2014). The limitations of social research. Routledge.

Un ouvrage qui offre un survol sur les limites de la recherche en sciences sociales, en y incluant les méthodologies et limites épistémologique.

Tracy, S. J. (2010). Qualitative quality: eight “big-tent” criteria for excellent qualitative research. Qualitative Inquiry, 16(10), 837-851. https://doi.org/10.1177/1077800410383121

Une lecture incontournable pour saisir les pratiques les plus importantes de la recherche qualitative.

Vasilachis De Gialdino, I. (2012). L’interprétation dans la recherche qualitative: problèmes et exigences. Recherche Qualitative, 31(3), 155-187. https://ri.conicet.gov.ar/handle/11336/31164

Un article qui offre une analyse d’envergure sur les défis de l’interprétation de données qualitatives, très riche de références pour le débat sur la question.

Références complémentaires

Morse, J. M. (2009). Going beyond your data and other dilemmas of interpretation. Qualitative Health Research, 19(5), 579. https://doi.org/10.1177/1049732308330603

Olivier de Sardan, J.-P. (2008). La rigueur du qualitatif. Les contraintes empiriques de l’interprétation socio-anthropologique. Louvain-la-Neuve, Academia-Bruylant.

Paillé, P. et Mucchielli, A. (2021). L’analyse qualitative en sciences humaines et sociales (5^e éd.). Armand Colin.

Silverman, D. et Marvasti, A. (2008). Doing qualitative research: A comprehensive guide. Sage.