Fiche de révision : Maîtrise des méthodes de recherche quantitative

📋 Plan du Cours

1. Recherche quantitative
2. Types de questions
3. Design de l'enquête
4. Échantillonnage et biais
5. Analyse des données
6. Niveaux de mesure
7. Sources de questions
8. Types de questions spécifiques
9. Ordre et flux du questionnaire
10. Validation et test de l'enquête

📖 1. Recherche quantitative

🔑 Notions clés & Définitions

• Recherche quantitative : Méthode de recherche qui vise à mesurer, quantifier et analyser des phénomènes à l’aide de données numériques, permettant d’assurer la fiabilité, le contrôle et la généralisation des résultats (voir section 3).
• Enquête (survey) vs Expérience (experiment) : L’enquête collecte des données par questionnaires pour décrire ou explorer des comportements, tandis que l’expérience manipule une ou plusieurs variables indépendantes pour établir des relations de cause à effet (voir section 3).
• Objectifs des recherches exploratoires, descriptives et causales :
  • Exploratoires : Gain d’informations, clarification de problèmes, familiarisation avec le sujet (voir section 3).
  • Descriptives : Décrire caractéristiques ou comportements d’un groupe, estimer des proportions (voir section 3).
  • Causales : Identifier des relations de cause à effet entre variables, souvent à travers des expérimentations (voir section 3).
• Caractéristiques principales du design expérimental : Manipulation contrôlée des variables indépendantes, randomisation, groupe témoin, pour établir des relations causales précises (voir section 3).
• Importance de la fiabilité, du contrôle et de la généralisation : La fiabilité garantit la cohérence des résultats, le contrôle limite les biais et confusions, la généralisation permet d’appliquer les résultats à une population plus large (voir section 3).

📝 Points essentiels

• La recherche quantitative repose sur des méthodes structurées, utilisant des questionnaires ou des expérimentations pour recueillir des données numériques (voir section 3).
• La distinction fondamentale entre enquête et expérience repose sur la manipulation des variables : l’enquête observe sans intervention, l’expérimentation manipule pour tester des hypothèses (voir section 3).
• Les objectifs exploratoires visent à comprendre un phénomène, tandis que les objectifs descriptifs cherchent à décrire ses caractéristiques, et les objectifs causaux à établir des relations de cause à effet (voir section 3).
• Le design expérimental nécessite une manipulation précise des variables, une randomisation pour éviter les biais, et une mise en place rigoureuse pour assurer la validité interne (voir section 3).
• La fiabilité, le contrôle et la capacité de généralisation sont essentiels pour que les résultats soient crédibles, reproductibles et applicables à une population plus large (voir section 3).

💡 À retenir

La recherche quantitative se distingue par sa capacité à mesurer précisément des phénomènes, en utilisant des designs contrôlés pour établir des relations causales, tout en garantissant fiabilité et généralisation.

📖 2. Types de questions

🔑 Notions clés & Définitions

• Questions ouvertes : Questions permettant aux répondants d'exprimer leur réponse avec leurs propres mots, sans options prédéfinies. (voir section 8)
• Questions catégoriques : Questions dont les réponses se rangent dans des catégories ou classes distinctes. Se subdivisent en dichotomiques (deux options) et choix multiples (plusieurs options). (voir section 8)
• Questions métriques : Questions dont les réponses sont exprimées par des valeurs numériques ou échelles, permettant une mesure quantitative. Se divisent en naturelles (basées sur des fréquences ou quantités naturelles) et synthétiques (translatées en nombres artificiels). (voir section 8)
• Questions non sondées vs sondées : Les questions non sondées ne sont pas posées directement dans l’enquête (par exemple, questions de contexte ou de pré-test), tandis que les questions sondées sont celles auxquelles les répondants répondent effectivement dans le questionnaire. (voir section 8)
• Formats d’échelle : Méthodes pour mesurer des attitudes ou perceptions via des réponses graduées. Exemples : Likert (de "fortement d’accord" à "fortement pas d’accord") et échelle bipolaire (differentiel sémantique, avec adjectifs opposés). (voir section 8)

📝 Points essentiels

• Les questions ouvertes permettent une richesse d’expression mais sont plus difficiles à analyser, tandis que les questions catégoriques facilitent la quantification.
• La distinction entre questions métriques naturelles (ex. fréquence de consommation) et synthétiques (ex. notation sur une échelle 1-7) est cruciale pour choisir la bonne méthode d’analyse.
• La différence entre questions non sondées et questions sondées influence la conception du questionnaire, notamment pour éviter les biais et assurer la cohérence.
• Les formats d’échelle comme Likert ou semantic differential sont essentiels pour mesurer des perceptions, attitudes ou préférences de façon graduée.
• La maîtrise des 8 péchés capitaux des questions (ambiguïté, complexité, présupposition, termes inconnus, concepts vagues, quantificateurs vagues, questions suggestives, questions double) est indispensable pour garantir la qualité des questions.

💡 À retenir

Les questions doivent être adaptées à l’objectif de recherche, en choisissant le bon type (ouverte, catégorique ou métrique) et le format d’échelle approprié, tout en évitant les erreurs fréquentes pour assurer la fiabilité des réponses.

📖 3. Design de l'enquête

🔑 Notions clés & Définitions

• Design exploratoire : méthode visant à recueillir des informations préliminaires pour mieux comprendre un problème, souvent utilisée en phase initiale de recherche (voir section 1).
• Design descriptif : approche qui cherche à décrire les caractéristiques d’un groupe ou d’un phénomène, en répondant aux questions de qui, quoi, où, quand, comment (voir section 1).
• Design causal : méthode expérimentale visant à établir une relation de cause à effet entre variables, en manipulant une variable indépendante et en observant l’effet sur une variable dépendante (voir section 1).
• Étapes du processus de recherche quantitative : incluent la définition du problème, le choix du design, la collecte des données, leur analyse, et l’interprétation des résultats (voir section 1).
• Rôle du design expérimental : manipuler les variables indépendantes pour observer leur impact sur les variables dépendantes, en utilisant la randomisation pour assurer la validité interne (voir section 1).
• Importance de la randomisation : technique essentielle en expérimentation pour répartir aléatoirement les sujets entre groupes, minimisant ainsi les biais et permettant une attribution causale fiable (voir section 1).

📝 Points essentiels

• Le choix du design dépend de l’objectif de la recherche : exploration, description ou causalité. Le design exploratoire est utile pour générer des hypothèses, tandis que le descriptif sert à caractériser un phénomène. Le design causal, quant à lui, permet d’établir des relations de cause à effet via des expérimentations contrôlées.
• La phase de définition du problème doit précéder le choix du design, qui doit être cohérent avec la question de recherche. La collecte et l’analyse suivent logiquement le design choisi, permettant d’obtenir des résultats fiables et généralisables.
• Le design expérimental nécessite la manipulation des variables indépendantes et l’observation des variables dépendantes, avec une attention particulière à la randomisation pour garantir la validité interne.
• La distinction entre enquête (survey) et expérience (experiment) est fondamentale : l’enquête est souvent descriptive, tandis que l’expérience est causale, impliquant une manipulation contrôlée.
• La randomisation est un point à retenir pour assurer la crédibilité des résultats expérimentaux, en évitant les biais de sélection et en permettant une attribution causale claire.

💡 À retenir

Le choix du design de recherche doit être aligné avec la question posée, en privilégiant la randomisation pour les expérimentations afin d’établir des relations causales fiables, tout en respectant les étapes clés du processus de recherche quantitative.

📖 4. Échantillonnage et biais

🔑 Notions clés & Définitions

• Définition de la population cible : Ensemble des individus ou éléments que l’étude souhaite représenter, choisie en fonction des objectifs de recherche (voir section 1).
• Techniques d’échantillonnage en recherche quantitative : Méthodes pour sélectionner un sous-ensemble représentatif de la population cible, telles que l’échantillonnage aléatoire, stratifié ou systématique (voir section 1).
• Identification et minimisation des biais d’échantillonnage : Processus visant à repérer et réduire les erreurs systématiques qui peuvent fausser la représentativité de l’échantillon, comme le biais de sélection ou de non-réponse (voir section 1).
• Importance du design d’échantillonnage pour la validité des résultats : La structure choisie pour l’échantillonnage influence directement la fiabilité et la généralisation des conclusions de l’étude (voir section 1).
• Exemples de biais courants dans les enquêtes : Biais de sélection, biais de non-réponse, biais de réponse, qui peuvent altérer la représentativité et la validité des résultats (voir section 1).

📝 Points essentiels

• La définition précise de la population cible est essentielle pour orienter le choix de la technique d’échantillonnage adaptée.
• Les techniques d’échantillonnage doivent garantir la représentativité de la population pour assurer la validité externe des résultats.
• La sélection de l’échantillon doit éviter ou réduire les biais d’échantillonnage, qui peuvent introduire des erreurs systématiques et compromettre la généralisation des résultats.
• Le design d’échantillonnage doit être réfléchi en amont, en tenant compte des contraintes pratiques et du contexte de recherche, pour optimiser la validité des conclusions.
• Les biais courants, tels que le biais de non-réponse ou de sélection, doivent être identifiés et contrôlés par des techniques spécifiques, comme l’échantillonnage stratifié ou la correction statistique.

💡 À retenir

Le choix du design d’échantillonnage et la minimisation des biais sont cruciaux pour garantir la représentativité et la validité des résultats en recherche quantitative.

📖 5. Analyse des données

🔑 Notions clés & Définitions

• Organisation, collecte et traitement des données quantitatives : Ensemble des méthodes permettant de structurer, rassembler et préparer les données numériques pour l’analyse, en assurant leur qualité et leur cohérence (voir section 4).
• Techniques d’analyse statistique adaptées aux différents types de données : Méthodes statistiques spécifiques selon la nature des données (nominales, ordinales, métriques), telles que les tests de fréquence, moyennes, ou analyses de variance (voir section 6).
• Interprétation des résultats en fonction du niveau de mesure : Analyse des données en tenant compte du type de mesure (nominal, ordinal, intervalle, ratio), ce qui détermine les statistiques descriptives ou inférentielles appropriées (voir section 6).
• Calculs spécifiques : moyennes pour données métriques, fréquences pour données catégoriques : Opérations statistiques fondamentales : la moyenne pour résumer une variable métrique, et les fréquences pour analyser la distribution d’une variable catégorique (voir section 6).
• Présentation des résultats et rédaction du rapport : Structuration claire des résultats sous forme de tableaux, graphiques, et rédaction d’un rapport synthétique, précis et accessible, pour communiquer efficacement les conclusions (voir section 10).

📝 Points essentiels

• La collecte et le traitement des données doivent respecter la qualité et la cohérence pour garantir la validité des analyses (voir section 4).
• La sélection des techniques d’analyse doit être adaptée au niveau de mesure des données : par exemple, utiliser des fréquences pour les données nominales ou ordinales, et des moyennes ou écarts-types pour les données métriques (voir section 6).
• L’interprétation doit prendre en compte le niveau de mesure pour éviter des conclusions erronées, notamment en choisissant les statistiques descriptives ou inférentielles appropriées (voir section 6).
• La présentation doit privilégier la clarté : tableaux, graphiques, et une rédaction structurée facilitent la compréhension et la communication des résultats (voir section 10).
• La rédaction du rapport doit synthétiser les résultats, en soulignant leur signification par rapport à la problématique initiale, tout en étant rigoureuse et objective.

💡 À retenir

L’analyse des données quantitatives repose sur une organisation rigoureuse, l’utilisation de techniques statistiques adaptées au type de données, et une interprétation précise en fonction du niveau de mesure, afin de produire des résultats clairs et exploitables.

📖 6. Niveaux de mesure

🔑 Notions clés & Définitions

• Niveau nominal : Niveau de mesure où les données sont classées en catégories sans ordre hiérarchique. AUTEUR (date) : "Les données nominales permettent uniquement de distinguer des groupes ou des catégories" (source).
• Niveau ordinal : Niveau où les données sont classées selon un ordre ou une hiérarchie, mais sans précision sur l'écart entre les rangs. AUTEUR (date) : "Les données ordinales indiquent un ordre mais pas la distance" (source).
• Niveau intervalle : Niveau où les données sont ordonnées avec des intervalles constants, mais sans zéro absolu. AUTEUR (date) : "Les échelles d'intervalle ont des intervalles fixes, mais le zéro n'est pas absolu" (source).
• Niveau ratio : Niveau le plus précis, avec des intervalles constants et un zéro absolu permettant des comparaisons de proportions. AUTEUR (date) : "Les données de niveau ratio permettent des opérations mathématiques comme la multiplication" (source).
• Correspondance entre types de questions et niveaux de mesure : Les questions nominales correspondent à des réponses catégoriques, ordinales à des classements, intervalle et ratio à des mesures numériques.

📝 Points essentiels

• La nature des données détermine le niveau de mesure : par exemple, une question sur le genre est nominale, une sur la satisfaction est ordinale, une mesure de revenu est ratio.
• Implications pour le choix des analyses statistiques :
  • Nominal : analyses de fréquences, chi carré.
  • Ordinal : médiane, rangs, tests non paramétriques.
  • Intervalle : moyenne, écart-type, tests paramétriques.
  • Ratio : opérations mathématiques complètes, analyses paramétriques.
• Exemples concrets :
  • Nominal : sexe, couleur préférée.
  • Ordinal : classement de satisfaction (pas du tout satisfait à très satisfait).
  • Intervalle : température en Celsius.
  • Ratio : âge, revenu annuel.

💡 À retenir

Les niveaux de mesure déterminent le type d’analyse statistique appropriée et doivent être choisis en fonction de la nature des questions et des réponses pour garantir la validité des résultats.

📖 7. Sources de questions

🔑 Notions clés & Définitions

• Littérature et études antérieures : Sources documentaires permettant de repérer des questions validées ou pertinentes pour le sujet, en s’appuyant sur des travaux existants pour assurer la cohérence et la pertinence des questions (voir adaptation et validation des questions existantes).
• Experts : Professionnels ou chercheurs spécialisés dont l’avis permet d’élaborer ou d’affiner des questions, garantissant leur validité et leur adéquation avec les objectifs de recherche (voir création de nouvelles questions en fonction des objectifs).
• Création de nouvelles questions : Processus d’élaboration de questions inédites, adaptées aux objectifs spécifiques de la recherche, lorsque les questions existantes ne suffisent pas ou ne conviennent pas (voir importance de la cohérence et de la pertinence).
• Adaptation et validation des questions existantes : Processus de modification, test et validation de questions préexistantes pour qu’elles soient adaptées au contexte de l’étude, en vérifiant leur fiabilité et leur validité (voir adaptation et validation des questions existantes).
• Pertinence par rapport aux objectifs : Critère essentiel assurant que chaque question contribue directement à répondre aux objectifs de recherche, évitant les questions hors sujet ou redondantes (voir importance de la cohérence et de la pertinence).

📝 Points essentiels

• La littérature et les études antérieures constituent une base solide pour élaborer des questions pertinentes, en s’appuyant sur des travaux validés pour éviter les biais et erreurs (voir sources possibles de questions).
• La consultation d’experts permet d’assurer la validité du contenu, d’adapter les questions aux spécificités du contexte et d’éviter les ambiguïtés ou incohérences.
• La création de nouvelles questions doit être guidée par les objectifs précis de la recherche, en veillant à leur cohérence avec la problématique et leur capacité à mesurer ce qui est visé.
• L’adaptation et la validation des questions existantes garantissent leur fiabilité, leur compréhension par les répondants et leur adéquation au contexte spécifique de l’étude.
• La pertinence des questions est primordiale pour obtenir des données exploitables, en évitant les questions hors sujet ou peu informatives, conformément aux objectifs de recherche.

💡 À retenir

Les questions doivent être élaborées à partir de sources fiables comme la littérature ou les experts, puis adaptées et validées pour garantir leur pertinence et leur cohérence avec les objectifs de la recherche.

📖 8. Types de questions spécifiques

🔑 Notions clés & Définitions

• Questions ouvertes non sondées : Questions permettant aux répondants d'exprimer librement leurs idées ou opinions sans intervention ou réponse prédéfinie, souvent utilisées en phase exploratoire pour recueillir des données qualitatives riches (voir section 2).
• Questions ouvertes sondées : Questions ouvertes où l’enquêteur propose des options ou des catégories pour guider la réponse, facilitant la quantification ou la catégorisation des réponses tout en laissant une part de liberté au répondant (voir section 2).
• Questions catégoriques dichotomiques : Questions proposant deux options exclusives, généralement "oui/non" ou "vrai/faux", permettant une classification simple et claire des réponses (voir section 2).
• Questions à choix multiples : Questions offrant plusieurs options de réponse, parmi lesquelles le répondant peut choisir une ou plusieurs réponses, permettant une analyse plus fine des préférences ou comportements (voir section 2).
• Questions métriques naturelles : Questions qui utilisent des échelles ou des fréquences naturelles, telles que "combien de fois par semaine ?", permettant de recueillir des données quantitatives directes et concrètes (voir section 2).
• Questions métriques synthétiques : Questions qui transforment des jugements ou opinions en chiffres ou échelles artificielles, comme les échelles de Likert ou le differential sémantique, facilitant la mesure des attitudes ou perceptions (voir section 2).
• Échelle Likert : Format d’échelle bipolaire permettant d’évaluer une attitude ou perception sur une gamme ordonnée, généralement de "pas du tout d’accord" à "tout à fait d’accord" (voir section 2).
• Échelle bipolaire (semantic differential) : Échelle d’évaluation où le répondant positionne une réponse entre deux adjectifs ou descripteurs opposés, permettant d’évaluer la perception ou l’attitude de manière nuancée (voir section 2).

📝 Points essentiels

• Les questions ouvertes non sondées sont idéales pour la phase exploratoire, car elles permettent une liberté d’expression totale, mais leur traitement demande souvent une analyse qualitative approfondie.
• Les questions ouvertes sondées combinent la liberté d’expression avec une certaine structuration, ce qui facilite leur analyse quantitative ou catégorique.
• Les questions dichotomiques simplifient la réponse et sont efficaces pour des questions de classification ou de décision binaire, mais peuvent limiter la nuance dans les réponses.
• Les questions à choix multiples offrent une flexibilité pour explorer différentes options, avec des variantes pour répondre à plusieurs réponses ou une seule.
• Les questions métriques naturelles recueillent des données précises et concrètes, souvent utilisées pour mesurer des fréquences ou des quantités.
• Les questions métriques synthétiques transforment des perceptions en chiffres, permettant une analyse statistique plus fine, notamment avec des échelles de Likert ou le differential sémantique.
• Les formats d’échelles comme Likert ou le semantic differential sont essentiels pour mesurer des attitudes, perceptions ou préférences de façon structurée et comparable.

💡 À retenir

Les différents types de questions permettent d’adapter la collecte de données en fonction des objectifs, allant de la liberté d’expression qualitative aux mesures quantitatives précises, avec des formats spécifiques comme l’échelle Likert ou le semantic differential pour évaluer attitudes et perceptions.

📖 9. Ordre et flux du questionnaire

🔑 Notions clés & Définitions

• Flux logique : Organisation cohérente des questions permettant de guider le répondant de manière fluide, en évitant les ruptures dans la progression (voir section 3).
• Questions d’échauffement : Questions simples et générales placées en début de questionnaire pour mettre à l’aise le répondant et favoriser sa participation (voir section 3).
• Questions principales : Questions centrées sur le cœur du sujet de recherche, placées après les questions d’échauffement pour approfondir le thème (voir section 3).
• Questions de classification : Questions permettant de segmenter ou catégoriser les répondants (ex : âge, genre), généralement placées en fin ou en début selon leur rôle de filtrage (voir section 3).
• Questions de filtrage (screening) : Questions qui déterminent si le répondant appartient à la population cible, permettant de filtrer ou d’orienter la suite du questionnaire (voir section 3).
• Questions de saut (skip logic) : Questions conditionnelles qui orientent le répondant vers certaines questions ou sections en fonction de ses réponses précédentes, pour personnaliser le parcours (voir section 3).

📝 Points essentiels

• Importance du flux logique : Un bon flux garantit la cohérence et la compréhension du questionnaire, évitant la confusion et améliorant la qualité des réponses (voir section 3).
• Progression du général au spécifique : Commencer par des questions larges ou simples pour engager, puis aborder des questions plus précises ou sensibles, afin de maintenir l’attention et la motivation du répondant (voir section 3).
• Placement des questions démographiques : Généralement en fin, sauf si elles servent à filtrer ou segmenter dès le début, pour ne pas décourager ou influencer le répondant (voir section 3).
• Utilisation des questions de filtrage et de saut : Permettent de cibler la population pertinente et d’adapter le parcours, améliorant la pertinence et la précision des données (voir section 3).
• Conseils pour le confort : Structurer le questionnaire de façon logique, éviter les questions redondantes ou ambiguës, et respecter un ordre naturel pour maintenir l’attention et réduire la fatigue (voir section 3).

💡 À retenir

L’ordre et le flux du questionnaire doivent suivre une progression logique du général au spécifique, en intégrant questions d’échauffement, de filtrage, principales et de classification, pour optimiser la qualité des réponses et le confort du répondant.

📖 10. Validation et test de l'enquête

🔑 Notions clés & Définitions

• Validation du questionnaire : processus de vérification de la qualité et de la fiabilité des questions avant la collecte, incluant des tests préalables et des ajustements (voir feedback et ajustements).
• Tests préalables : étapes de vérification effectuées avant la mise en ligne du questionnaire pour détecter d’éventuelles erreurs ou ambiguïtés, souvent via un pilote ou un test interne.
• Pilotage : phase de test du questionnaire sur un échantillon représentatif ou restreint pour évaluer sa compréhension, sa pertinence et sa fluidité, permettant d’ajuster les questions si nécessaire.
• Consentement éclairé : information donnée aux participants pour qu’ils comprennent le but, la durée, et l’usage de leurs réponses, leur permettant de participer en toute connaissance de cause (voir section 3).
• Critères de qualité des questions : ensemble de standards garantissant la clarté, l’absence d’ambiguïté, la pertinence et la neutralité des questions, afin d’éviter les biais liés à la formulation (voir techniques pour éviter biais).
• Feedback et ajustements : étape d’analyse des retours des tests pour corriger, reformuler ou supprimer des questions, assurant la validité et la fiabilité de l’enquête finale.

📝 Points essentiels

• La validation du questionnaire repose sur des tests préalables et un pilotage rigoureux pour garantir la compréhension et la pertinence des questions (voir feedback et ajustements).
• Le pilotage permet d’identifier les ambiguïtés, les biais ou les questions peu pertinentes, et d’y remédier avant la collecte définitive.
• La mise en place d’un consentement éclairé est essentielle pour respecter l’éthique de la recherche, en informant clairement les participants sur le déroulement et l’usage des données (voir section 3).
• Les critères de qualité des questions incluent leur clarté, leur absence d’ambiguïté, leur pertinence par rapport aux objectifs, et leur neutralité pour éviter d’influencer les réponses.
• Le feedback recueilli lors des tests doit conduire à des ajustements précis pour optimiser la fiabilité et la validité de l’enquête, en évitant notamment les biais liés à la formulation.

💡 À retenir

La validation du questionnaire, via tests préalables et pilotage, est une étape cruciale pour assurer la qualité, la neutralité et la fiabilité des questions, permettant une collecte de données pertinente et éthique.

📅 Repères chronologiques

(aucune date significative dans le contenu fourni, cette section est omise)

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre enquête et expérience : l’enquête ne manipule pas les variables, contrairement à l’expérimentation.
2. Utiliser des questions ambiguës ou complexes, pouvant générer des réponses incohérentes.
3. Négliger la randomisation dans le design expérimental, compromettant la validité interne.
4. Oublier d’éviter les biais liés à la formulation des questions (suggestion, présupposition).
5. Confondre questions ouvertes et questions fermées, impactant l’analyse.
6. Mal choisir le format d’échelle (Likert vs différentiel sémantique) selon l’objectif.
7. Ne pas tester ou valider le questionnaire avant sa diffusion, risquant des erreurs de compréhension.
8. Ignorer la maîtrise des 8 péchés capitaux des questions (ambiguïté, complexité, etc.).
9. Confondre les niveaux de mesure : nominal, ordinal, intervalle, ratio.
10. Omettre la phase de pré-test pour ajuster le design et le contenu du questionnaire.

✅ Checklist Examen

• Connaître la définition de la recherche quantitative et ses objectifs (exploratoire, descriptive, causale) selon Conception de section 3.
• Savoir différencier une enquête d’une expérience, notamment en termes de manipulation des variables.
• Maîtriser les caractéristiques principales du design expérimental : manipulation, randomisation, groupe témoin.
• Identifier les critères pour assurer la fiabilité, le contrôle et la généralisation des résultats.
• Connaître les différents types de questions : ouvertes, catégoriques (dichotomiques, choix multiples), métriques (naturelles, synthétiques).
• Savoir distinguer questions non sondées et questions sondées, et leur impact sur le questionnaire.
• Connaître les formats d’échelle : Likert, différentiel sémantique, et leur utilisation.
• Comprendre le processus de conception d’un questionnaire : étape, cohérence avec l’objectif, éviter les biais.
• Savoir définir le design exploratoire, descriptif et causal, et leur utilisation selon la phase de recherche.
• Maîtriser l’importance de la randomisation dans le design expérimental.
• Connaître les étapes du processus de recherche quantitative : définition, design, collecte, analyse, interprétation.
• Vérifier la maîtrise des 8 péchés capitaux des questions pour garantir leur qualité.