Fiche de révision : Hypothèses et variables expérimentales

📋 Plan du Cours

1. Méthode expérimentale et causalité
2. Formulation des hypothèses théoriques
3. Hypothèses opérationnelles et directionnelles
4. Hypothèses statistiques et décisions
5. Valeur p et seuil de significativité
6. Erreurs et interprétation des tests
7. Du théorique à l’opérationnel
8. Variable indépendante
9. Variable dépendante et mesure
10. Variables parasites et contrôle

📖 1. Méthode expérimentale et causalité

🔑 Notions clés & Définitions

• Méthode expérimentale : Méthode qui teste une relation causale en faisant varier un ou plusieurs facteurs et en observant les conséquences de ces variations sur les comportements.
• Opérationnalisation : Processus qui concrétise une question de recherche ou une hypothèse théorique afin de la rendre observable et manipulable.
• Variable indépendante : Variable explicative, considérée comme la cause présumée de la variable dépendante, que le chercheur manipule ou fait varier.
• Variable dépendante : Variable mesurée qui subit l’influence présumée de la VI et représente le résultat produit par sa manipulation.

📝 Points essentiels

• La méthode expérimentale vise à contrôler les conditions d’apparition d’un phénomène et les sources de variation susceptibles de parasiter les observations et de fragiliser les conclusions causales.

💡 Astuce mémo

Manipuler la cause (VI) → mesurer l’effet (VD)

📖 2. Formulation des hypothèses théoriques

🔑 Notions clés & Définitions

• Hypothèse théorique : Proposition affirmative et réfutable qui établit un lien de cause à effet entre une VI et une VD.

★ À maîtriser

• L’induction part d’observations de faits particuliers pour dégager des propositions générales, tandis que la déduction part de principes généraux ou de théories pour produire des prédictions sur des cas particuliers.

📌 Une hypothèse scientifique doit être affirmative, claire, sans ambiguïté et testable, et son énoncé doit pouvoir être réfuté par une observation possible.

Compléments

• L’hypothèse « tous les cygnes sont blancs » est réfutable, car l’observation d’au moins un cygne non blanc peut l’infirmer. - Collins & Rateau, 2022

• Une hypothèse nulle prédit généralement l’absence d’un phénomène ou l’égalité entre conditions, ce qui peut la rendre difficile à vérifier comme prédiction causale.

💡 Astuce mémo

Induction : des faits vers une règle ; déduction : d’une théorie vers une prédiction

📖 3. Hypothèses opérationnelles et directionnelles

🔑 Notions clés & Définitions

• Hypothèse opérationnelle : Supposition affirmative et probable d’un lien causal spécifique qui précise les modalités concrètes de la VI et la mesure exacte de la VD dans un dispositif expérimental.

★ À maîtriser

• Une opérationnalisation fidèle transforme les concepts théoriques en éléments manipulables et mesurables objectivement, ce qui contribue à la validité conceptuelle de l’étude.

• Une hypothèse faible ou bilatérale prédit qu’une VI modifie une VD sans préciser à l’avance le sens de cette variation.

• Une hypothèse forte ou unilatérale prédit à l’avance le sens de la variation de la VD.

Compléments

• Pour tester si l’alcool altère la conduite, on peut comparer la conduite d’un groupe ayant consommé de l’alcool à celle d’un groupe ayant consommé une boisson sans alcool et mesurer la conduite, par exemple avec un simulateur.

• Les hypothèses faibles sont utiles lorsque plusieurs sens d’effet contradictoires sont envisageables pour un phénomène nouveau.

💡 Astuce mémo

Faible : sens indéterminé ; forte : sens prédit

📖 4. Hypothèses statistiques et décisions

🔑 Notions clés & Définitions

• Hypothèse statistique : Traduction de l’hypothèse opérationnelle en termes numériques afin de permettre des tests portant sur les changements observés dans les mesures.

★ À maîtriser

• H₁ postule une différence entre conditions expérimentales ou une relation entre variables, tandis que H₀ postule l’absence de différence ou de relation.

• Lorsque le test rejette H₀, les résultats soutiennent H₁ sans démontrer que H₁ est vraie.

• Ne pas rejeter H₀ signifie que les données ne fournissent pas assez de preuves pour mettre en évidence un effet ou un lien, et ne prouve pas l’absence d’effet.

Compléments

• L’absence de résultat significatif peut notamment s’expliquer par :
  • un manque de puissance statistique
  • un échantillon trop petit
  • une mesure peu sensible

💡 Astuce mémo

Rejeter H₀ soutient H₁ ; ne pas rejeter H₀ ne prouve pas son exactitude

📖 5. Valeur p et seuil de significativité

🔑 Notions clés & Définitions

• Valeur p : En supposant H₀ vraie, la probabilité d’obtenir une statistique de test au moins aussi extrême que celle observée.

★ À maîtriser

• Plus la valeur p est faible, moins les données observées sont compatibles avec H₀ et plus son rejet peut être envisagé.

• Le seuil α est fixé avant l’expérience et sert de critère statistique pour décider si H₀ est rejetée.

• Avec le seuil conventionnel α = 0,05, une valeur p inférieure ou égale à 0,05 conduit à rejeter H₀ et à qualifier le résultat de significatif.

• La p-valeur indique à quel point les données observées seraient rares si H₀ était vraie, mais elle ne donne pas la probabilité que H₀ soit vraie ou fausse.

📌 Le seuil de significativité α est fixé avant l’analyse et sert à décider si H₀ doit être rejetée.

• Les tests statistiques seuls ne suffisent pas à établir les relations entre variables : la méthodologie, les hypothèses théoriques et opérationnelles contribuent à la crédibilité des résultats.

Compléments

📌 Avec α = 0,05, une valeur p supérieure à 0,05 conduit à ne pas rejeter H₀ et à qualifier le résultat de non significatif, sans prouver que H₀ est vraie.

• Ronald A. Fisher a proposé le seuil de 0,05 comme convention pratique dans Statistical Methods for Research Workers (1925), sans le présenter comme une frontière universelle entre le vrai et le faux.

• Jerzy Neyman et Egon S. Pearson (1933) ont développé une approche de test où α représente le risque maximal accepté de commettre une erreur de type I, c’est-à-dire rejeter H₀ alors qu’elle est vraie.

• Fixer α = 0,05 revient à accepter, lorsque H₀ est vraie, un risque de 5 % de la rejeter à tort.

• La taille d’effet, la puissance et les intervalles de confiance complètent la p-valeur pour renseigner sur la qualité de l’étude et l’importance du résultat.

📌 L’approche bayésienne évalue la plausibilité d’une hypothèse à partir des données et des connaissances préalables, tandis que l’approche fondée sur la p-valeur évalue la probabilité des données sous H₀.

💡 Astuce mémo

Rareté des données sous H₀ ≠ probabilité que H₀ soit vraie

📖 6. Erreurs et interprétation des tests

🔑 Notions clés & Définitions

• Erreur de type I : L’erreur de type I consiste à rejeter H₀ à tort et constitue un faux positif : on conclut à un effet réel alors qu’il n’y en a pas dans la population.
• Erreur de type II : L’erreur de type II consiste à ne pas rejeter H₀ à tort et constitue un faux négatif : on conclut à l’absence d’effet alors qu’un effet existe dans la population.

📝 Points essentiels

• Le risque d’erreur de type I peut être fixé par convention à 5 % ou à une valeur plus basse.

• Le risque d’erreur de type II dépend du risque alpha fixé à l’avance.

• Dans l’exemple de l’atelier de danse, le test sur le nombre d’idées donne t(18) = 4,63 et p < .001, ce qui conduit à rejeter H₀ au seuil α = .05.

• Pour le nombre d’idées, les moyennes sont de 13,5 chez les élèves ayant participé à l’atelier et de 8,7 chez ceux qui n’y ont pas participé.

• Pour l’originalité, le test donne t(18) = 0,62 et p = .54 ; H₀ n’est donc pas rejetée, même si les moyennes observées sont de 5,10 avec atelier et de 4,70 sans atelier.

💡 Astuce mémo

Type I : faux positif ; type II : faux négatif

📖 7. Du théorique à l’opérationnel

★ À maîtriser

• Le passage du théorique à l’opérationnel suit ces étapes :
  • Définir la thématique
  • Formuler la problématique
  • Énoncer l’hypothèse générale
  • Formuler l’hypothèse opérationnelle faible ou forte
  • Énoncer l’hypothèse statistique

Compléments

• Pour la reconnaissance des visages, l’hypothèse générale est que la familiarité influence l’identification, et l’hypothèse opérationnelle forte prévoit un seuil d’identification inférieur pour les visages familiers que pour les visages peu familiers.

💡 Astuce mémo

Thématique → problématique → hypothèses générale, opérationnelle puis statistique

📖 8. Variable indépendante

🔑 Notions clés & Définitions

• Variable indépendante : La variable indépendante (VI), aussi appelée facteur principal, source de variation ou variable explicative, est choisie comme cause possible d’une modification du comportement, d’un état mental ou d’un processus mental.
• Variable invoquée : Une variable invoquée est inhérente au participant ou à un environnement non modifiable et ne peut pas être directement manipulée par le chercheur, qui peut sélectionner ses modalités pour les comparer.
• Variable provoquée : Une variable provoquée est directement manipulée ou créée par le chercheur, qui construit ses modalités.

★ À maîtriser

• Une variable indépendante comprend au moins deux modalités, qui déterminent les conditions expérimentales du protocole.

Compléments

📌 Une recherche impliquant uniquement des variables indépendantes provoquées est qualifiée d’expérimentale ; une étude comprenant au moins une variable invoquée est qualifiée de quasi-expérimentale.

• Les variables indépendantes peuvent renvoyer :
  • aux caractéristiques du participant
  • à son environnement physique ou social
  • à la tâche
  • aux stimuli présentés

💡 Astuce mémo

Invoquée : sélectionnée ; provoquée : manipulée

📖 9. Variable dépendante et mesure

🔑 Notions clés & Définitions

• Variable dépendante : La variable dépendante (VD) est une mesure dont les fluctuations sont traitées comme les conséquences du changement d’une ou de plusieurs variables indépendantes.

★ À maîtriser

📌 Une variable dépendante adéquate doit mesurer ce qu’elle est censée mesurer, et rien d’autre, en évitant les confusions de mesure.

Compléments

• En psychologie, la variable dépendante mesure la réponse du participant, par exemple sa performance à une tâche, ses erreurs, ses réponses à un questionnaire ou l’occurrence d’un comportement.

📌 Le matériel expérimental et la variable dépendante doivent être testés afin de vérifier qu’ils mesurent bien ce que l’étude vise à mesurer.

• Dans l’échelle de néosexisme de Tougas et al. (1995), les items marqués d’un astérisque sont inversés avant le calcul du score moyen, et un score plus élevé indique davantage de néosexisme. - Tougas, F., Brown, R., Beaton, A. M., & Joly, S., Neosexism: Plus Ça Change, Plus C’est Pareil

📖 10. Variables parasites et contrôle

🔑 Notions clés & Définitions

• Variable parasite : Une variable parasite ou confondue n’intéresse pas le chercheur, mais influence la variable dépendante et varie en même temps que la variable indépendante, empêchant de distinguer leurs effets.
• Variable contrôle : Une variable contrôle est une variable parasite identifiable dont l’effet potentiel est minimisé par l’expérimentateur.

★ À maîtriser

• Un effet de confusion apparaît lorsqu’une variable autre que celle manipulée covarie avec le traitement expérimental, rendant incertaine l’origine du résultat observé.

📌 L’expérimentateur doit maintenir constantes les modalités des facteurs secondaires afin qu’ils ne varient pas et n’interfèrent pas avec l’effet étudié.

Compléments

• Dans une étude sur la fréquence d’usage des mots, la taille des lettres et la longueur des mots sont des variables parasites à contrôler lorsqu’on mesure le seuil d’identification.

• Les variables parasites peuvent provenir : des caractéristiques des participants, comme l’âge, la catégorie socioprofessionnelle ou le genre, de la manipulation expérimentale, comme un matériel exigeant une bonne acuité visuelle, d’un changement de lieu de passation, de différentes mesures pour une même question

💡 Astuce mémo

Une variable parasite covarie avec la VI → l’effet observé devient ambigu

📊 Tableaux de synthèse

Hypothèses faibles et fortes

Décisions sur H₀