QCM : Démarches des chercheurs en sciences sociales (14 questions)

Explication

Une enquête sert à collecter des données sur les phénomènes étudiés. Modifier les pratiques relève d’une intervention, construire un modèle ne remplace pas la collecte, et diffuser les résultats n’est pas le but premier de l’enquête.

Explication

Les données aident les chercheurs à mieux connaître les phénomènes et à confirmer ou infirmer les hypothèses des modèles. Les ignorer, les traiter comme une preuve automatique ou confondre étude et intervention ne correspond pas à ce rôle.

Explication

Les trois grandes méthodes de collecte sont les questionnaires auprès d’un grand nombre d’individus, les entretiens et l’observation sur le terrain. L’expérimentation et l’analyse de modèles ne remplacent pas ces méthodes dans la liste donnée.

Explication

La recherche quantitative s’appuie sur des données standardisées produites à l’aide de méthodes statistiques. La recherche qualitative cherche plutôt à comprendre en profondeur attitudes et comportements, tandis que l’observation et l’entretien sont des méthodes de collecte.

Explication

La recherche qualitative vise à comprendre en profondeur les attitudes et les comportements à partir de données le plus souvent non directement chiffrables. Une mesure standardisée et un sondage statistique relèvent plutôt de l’approche quantitative.

Explication

Un échantillon représentatif est un sous-ensemble interrogé afin de limiter les coûts tout en représentant la population. Interroger tous les habitants ne réduit pas les coûts, tandis que les volontaires ne constituent pas nécessairement un échantillon représentatif et que les enquêteurs ne sont pas la population étudiée.

Explication

La population d’une enquête est l’ensemble identifié des personnes concernées par l’étude. Les personnes interrogées forment l’échantillon, les chercheurs conduisent l’enquête, et un territoire sans rapport avec le sujet ne définit pas la population étudiée.

Explication

Un modèle simplifie la réalité pour aider à comprendre une situation complexe en mettant en évidence les éléments essentiels. Une reproduction complète conserve tous les détails, un relevé rassemble des données, et une prévision certaine n’est pas la définition d’un modèle.

Explication

La construction d’un modèle suppose de sélectionner les éléments jugés importants et de formuler des hypothèses sur les comportements et les relations entre variables. Reproduire tous les détails contredit la simplification, tandis que comparer des résultats ou isoler une variable ne constitue pas la démarche décrite.

Explication

La crédibilité et la validité s’évaluent en confrontant les prédictions du modèle aux faits réels. La simplicité des hypothèses, la comparaison avec un autre modèle ou la cohérence interne ne remplacent pas cette vérification empirique.

Explication

Un modèle est considéré comme performant s’il explique les données existantes ou prédit précisément les données futures : l’explication des données suffit ici. L’idée qu’il faut nécessairement prévoir précisément, modifier les hypothèses ou satisfaire les deux critères confond ces conditions.

Explication

Une corrélation est un constat statistique selon lequel deux variables évoluent en même temps. Une causalité affirme un lien de cause à effet, tandis qu’une identité ou une relation logique ne désigne pas cette observation statistique.

Explication

Une corrélation ne suffit pas à établir une causalité : l’association peut être fortuite ou s’expliquer par une variable cachée ou manquante. Déduire un effet direct, imposer une variable cachée ou conclure au hasard dépasse les éléments fournis par la seule corrélation.

Explication

Une corrélation est négative lorsque les deux variables évoluent en sens opposés, comme ici. Une corrélation positive correspond à une évolution dans le même sens, et une corrélation ne démontre pas à elle seule une causalité.