Parcourir tous les sujets et auteurs

Découvrir des thèmes dans des données qualitatives peut être décourageant et difficile. Résumer une étude quantitative est relativement clair : vous avez obtenu un score de 25 % supérieur à celui de la concurrence, disons. Mais comment résumer une collection d’observations qualitatives ?

Au début d’un projet, on effectue souvent des recherches exploratoires. Cette recherche produit souvent beaucoup de données qualitatives, qui peuvent inclure :

Des données attitudinales qualitatives, telles que les pensées, les croyances et les besoins autodéclarés des personnes, obtenues lors d’entretiens avec les utilisateurs, de groupes de discussion et même d’études de journaux intimes

Des données comportementales qualitatives, telles que les observations sur le comportement des personnes recueillies par le biais d’enquêtes contextuelles et d’autres approches ethnographiques

L’analyse thématique, que tout le monde peut faire, rend visibles les aspects importants des données qualitatives et facilite la mise au jour des thèmes.

Qu’est-ce qu’une analyse thématique ?

Définition : L’analyse thématique est une méthode systématique de décomposition et d’organisation des données riches issues d’une recherche qualitative en étiquetant les observations et citations individuelles avec des codes appropriés, afin de faciliter la découverte de thèmes significatifs.

Comme son nom l’indique, une analyse thématique consiste à trouver des thèmes.

Définition : Un thème :

• est une description d’une croyance, d’une pratique, d’un besoin ou d’un autre phénomène découvert à partir des données
• émerge lorsque des constatations connexes apparaissent plusieurs fois chez les participants ou dans les sources de données

Défis liés à l’analyse des données qualitatives

Beaucoup de chercheurs se sentent dépassés par les données qualitatives issues de la recherche exploratoire menée au début d’un projet. Le tableau ci-dessous met en évidence certains défis courants et les problèmes qui en découlent.

.

CHALLENGES	RESULTING ISSUES
Large quantity of data: Qualitative research results in long transcripts and extensive field notes that can be time-consuming to read; you may have a hard time seeing patterns and remembering what’s important.	Superficial analysis: Analysis is often done very superficially, just skimming topics, focusing on only memorable events and quotes, and missing large sections of notes.
Rich data: There are lots of detail within every sentence or paragraph. It can be hard to see which details are useful and which are superfluous.	Analysis becomes a description of many details: The analysis simply becomes a regurgitation of what participants’ may have said or done, without any analytical thinking applied to it.
Contradicting data: Parfois, les données de différents participants ou même d’un même participant contiennent des contradictions auxquelles les chercheurs doivent donner un sens.	Les conclusions ne sont pas définitives : L’analyse n’est pas définitive parce que les commentaires des participants sont contradictoires ou, pire, les points de vue qui ne correspondent pas à la croyance du chercheur sont ignorés.
Aucun objectif fixé pour l’analyse : Les objectifs de la collecte initiale de données sont perdus car les chercheurs peuvent facilement être trop absorbés par les détails.	Perte de temps et analyse mal orientée : L’analyse manque de concentration et la recherche rend compte de la mauvaise chose.

Sans une certaine forme de processus systématique, les problèmes décrits surviennent facilement lors de l’analyse des données qualitatives. L’analyse thématique permet aux chercheurs de rester organisés et concentrés et leur donne un processus général à suivre lors de l’analyse des données qualitatives.

Outils et méthodes pour réaliser une analyse thématique

Une analyse thématique peut être réalisée de nombreuses façons différentes. Le meilleur outil ou la meilleure méthode pour ce processus est déterminé en fonction de :

• des données
• du contexte et des contraintes de la phase d’analyse des données
• du style de travail personnel du chercheur

3 méthodes courantes comprennent :

• L’utilisation de logiciels
• Le journalisme
• L’utilisation de techniques de diagramme d’affinité

L’utilisation de logiciels

Pour analyser de grandes quantités de données qualitatives, les chercheurs qualitatifs utilisent souvent un logiciel, connu sous le nom de CAQDAS (Computer-Aided Qualitative-Data-Analysis software) – prononcé « cak∙das ». Les chercheurs téléchargent les transcriptions et les notes de terrain dans un logiciel, puis analysent le texte de manière systématique par un codage formel. Le logiciel aide à la découverte de thèmes en offrant divers outils de visualisation, tels que des arbres de mots ou des nuages de mots, qui permettent de manipuler les données codées de nombreuses façons différentes.

Avantages

• L’analyse est très approfondie.
• Un fichier de projet physique (qui contient les données brutes et l’analyse) peut être partagé avec d’autres. (Cette méthode est populaire dans les projets d’étudiants dans les établissements universitaires.)

Inconvénients

• Temporisation, car il en résulte de nombreux codes qui doivent être condensés dans une petite, liste gérable
• Coûtant
• Difficile d’analyser avec d’autres de manière synchrone
• Requiert un certain apprentissage du logiciel
• Peut se sentir restrictif

Journal

L’écriture des processus de pensée et des idées que vous avez sur un texte est commune parmi les chercheurs pratiquant la méthodologie de la théorie ancrée. Journaling as a form of thematic analysis is based on this methodology and involves manual annotation and highlighting of the data, followed by writing down the researchers’ ideas and thought processes. The notes are known as memos (not to be confused with the office memo delivering news to employees).

Benefits

• The process encourages reflection through the writing of detailed notes.
• Researchers have a record of how they arrived at their themes.
• The analysis is cheap and flexible.

Drawbacks

• Hard to do collaboratively

Affinity-Diagramming Techniques

The data is highlighted, cut out physically or digitally, and reassembled into meaningful groups until themes emerge on a physical or digital board. (See a video demonstrating affinity-diagramming.)

Benefits

• Can be done collaboratively
• Quick arriving at themes
• Cheap and flexible
• Visual, et supporte un processus d’analyse itératif

Des inconvénients

• Pas aussi approfondi que les autres méthodes car souvent les segments de texte ne sont pas codés plusieurs fois
• Difficile à faire lorsque les données sont très variées, ou qu’il y a beaucoup de données

Codes et codage

Toutes les méthodes d’analyse thématique supposent une certaine quantité de codage (à ne pas confondre avec l’écriture d’un programme dans un langage de programmation).

Définition : Un code est un mot ou une phrase qui agit comme une étiquette pour un segment de texte.

Un code décrit ce dont parle le texte et est un raccourci pour des informations plus compliquées. (Une bonne analogie est qu’un code décrit les données comme un mot-clé décrit un article ou comme un hashtag décrit un tweet). Souvent, les chercheurs qualitatifs ont non seulement un nom pour chaque code, mais aussi une description de la signification du code et des exemples de textes qui correspondent ou non au code. Ces descriptions et ces exemples sont particulièrement utiles si plus d’une personne est responsable du codage des données ou si le codage est effectué sur une longue période de temps.

Définition : Le codage fait référence au processus d’étiquetage des segments de texte avec les codes appropriés.

Une fois les codes attribués, il est facile d’identifier et de comparer les segments de texte qui portent sur la même chose. Les codes nous permettent de trier facilement les informations et d’analyser les données pour découvrir les similitudes, les différences et les relations entre les segments. Nous pouvons alors parvenir à une compréhension des thèmes essentiels.

Types de codes : Descriptifs et interprétatifs

Les codes peuvent être :

• Descriptifs : Ils décrivent ce sur quoi portent les données
• Interprétatifs : Ils constituent une lecture analytique des données, en y ajoutant la lentille interprétative du chercheur.

Pour voir des exemples de codes descriptifs et interprétatifs, examinons une citation d’un entretien que j’ai réalisé avec un praticien UX plus tôt cette année (dans le cadre de notre recherche sur les carrières UX, qui sera publiée dans notre rapport sur les carrières UX).

« J’étais pétrifié à l’idée d’animer une réunion et mon entreprise a proposé un cours d’une journée et demie. J’y suis donc allé et l’instructeur a fait quelque chose que j’ai trouvé horrible à l’époque, mais que j’ai appris à apprécier depuis. La première chose que nous avons faite était de remplir une feuille de papier avec notre nom et d’écrire notre pire peur de modérer ou d’animer et nous l’avons rendu et ensuite il a dit, ok, demain vous allez jouer cette situation (…) le jour suivant nous sommes revenus et j’ai quitté la salle pendant que le reste de l’équipe lisait, ils ont lu ma pire peur, ont trouvé comment ils allaient la jouer, et ensuite je suis entré et j’ai animé pendant 10 minutes avec ça. Et cela m’a vraiment aidé à réaliser qu’il n’y a rien à craindre, que nos peurs sont vraiment dans notre tête la plupart du temps et faire face à cela m’a fait réaliser que je peux gérer ces situations. »

Voici les codes descriptifs et interprétatifs possibles pour le texte ci-dessus :

Code descriptif : comment les compétences sont acquises
Raison d’être du libellé du code : Les participants ont été invités à décrire comment ils en sont venus à posséder certaines compétences.

Code interprétatif : autoréflexion
Raison d’être de l’étiquette de code : La participante décrit comment cette expérience a changé ses croyances sur l’animation et comment elle a réfléchi à sa peur.

Étapes pour mener une analyse thématique

Quel que soit l’outil que vous utilisez (logiciel, journal ou diagramme d’affinité), l’acte de mener une analyse thématique peut être décomposé en 6 étapes.

Étape 1 : Rassemblez toutes vos données

Débutez par les données brutes, telles que les transcriptions d’entretiens ou de groupes de discussion, les notes de terrain ou les entrées d’étude du journal. J’ai recommandé de transcrire les enregistrements audio des entretiens et d’utiliser les transcriptions pour l’analyse au lieu de se fier à une mémoire parcellaire.

Étape 2 : Lisez toutes vos données du début à la fin

Familiarisez-vous avec les données avant de commencer l’analyse, même si c’est vous qui avez effectué la recherche. Lisez toutes vos transcriptions, notes de terrain et autres sources de données avant de les analyser. À cette étape, vous pouvez faire participer votre équipe au projet. Faire participer votre équipe permet d’inculquer une connaissance des utilisateurs et une empathie pour eux et leurs besoins.

Réalisez un atelier (ou une série d’ateliers si votre équipe est très importante ou si vous avez beaucoup de données). Suivez les étapes suivantes :

1. Avant que les membres de votre équipe ne s’engagent avec les données, écrivez vos questions de recherche sur un tableau blanc ou une feuille de tableau de papier afin que les questions soient faciles à consulter pendant le travail.
2. Donnez à chaque membre une transcription ou une entrée d’étude de terrain ou de journal intime. Dites aux gens de surligner tout ce qui leur semble important.
3. Une fois que les membres de l’équipe ont terminé de lire leurs entrées, ils peuvent passer leur transcription ou leur entrée à quelqu’un d’autre et en recevoir une nouvelle d’un autre membre de l’équipe. Cette étape est répétée jusqu’à ce que tous les membres de l’équipe se soient engagés avec toutes les données.
4. Discutez en groupe de ce que vous avez remarqué ou trouvé surprenant.

Si l’idéal est que votre équipe observe toutes vos sessions de recherche, cela peut ne pas être possible si vous avez beaucoup de sessions ou une grande équipe. Lorsque les membres individuels de l’équipe n’observent qu’une poignée de sessions, ils repartent parfois avec une compréhension incomplète des résultats. L’atelier peut résoudre ce problème, puisque tout le monde lira toutes les transcriptions des sessions.

Étape 3 : coder le texte en fonction de ce dont il s’agit

Dans l’étape de codage, les sections surlignées doivent être catégorisées afin de pouvoir les comparer facilement.

À ce stade, rappelez-vous vos objectifs de recherche. Imprimez vos questions de recherche. Collez-les sur un mur ou sur un tableau blanc dans la pièce où vous effectuez l’analyse.

Si vous disposez de suffisamment de temps, vous pouvez faire participer votre équipe à cette étape initiale de codage. Si le temps est limité et qu’il y a beaucoup de données à traiter, faites cette étape tout seul et invitez votre équipe plus tard pour revoir vos codes et aider à étoffer les thèmes.

Pendant le codage, passez en revue chaque segment de texte et demandez-vous « De quoi s’agit-il ? ». Donnez au fragment un nom qui décrit les données (un code descriptif). Vous pouvez également ajouter des codes interprétatifs au texte à ce stade. Cependant, ceux-ci seront généralement plus faciles à attribuer plus tard.

Le code peut être créé avant ou après que vous ayez regroupé les données. Les deux sections suivantes de cette étape décrivent comment et quand vous pouvez ajouter les codes.

Méthode traditionnelle : Créer les codes avant le regroupement

Dans l’approche traditionnelle, à mesure que vous mettez en évidence des segments de données, comme des phrases, des paragraphes, des expressions, vous les codez. Il est utile de garder une trace de tous les codes utilisés et de souligner ce qu’ils sont, afin de pouvoir vous référer à cette liste lors du codage d’autres sections du texte (surtout si plusieurs personnes codent le texte). Cette approche permet d’éviter de créer plusieurs codes (qu’il faudra ensuite consolider) pour le même type de question.

Une fois que tout le texte a été codé, vous pouvez regrouper toutes les données qui ont le même code.

Si vous utilisez CAQDAS pour ce processus, alors le logiciel enregistre automatiquement les codes que vous attribuez pendant le codage, afin que vous puissiez les réutiliser. Il vous offre ensuite un moyen de visualiser tout le texte codé avec le même code.

Méthode rapide : Regroupez des segments de texte, puis attribuez un code

Plutôt que de trouver un code lorsque vous surlignez du texte, vous découpez (physiquement ou numériquement) et regroupez tous les segments surlignés similaires (de manière similaire à la façon dont différents autocollants peuvent être regroupés dans une carte d’affinité). Un code est ensuite attribué à ces regroupements. Si vous effectuez le regroupement numériquement, vous pourriez tirer les sections codées dans un nouveau document ou une plateforme de collaboration visuelle.

Dans les images ci-dessous, le regroupement a été effectué manuellement. Les transcriptions ont été découpées, fixées sur des autocollants, et déplacées sur le tableau jusqu’à ce qu’elles tombent dans des groupes de sujets naturels. Le chercheur a ensuite attribué un autocollant rose avec un code descriptif au regroupement.

À la fin de cette étape, vous devriez avoir des données regroupées par sujets et des codes pour chaque sujet.

Regardons un exemple. J’ai interviewé 3 personnes sur leur expérience de la cuisine à la maison. Dans ces entretiens, les participants ont parlé de la façon dont ils ont choisi de cuisiner certaines choses et pas d’autres. Ils ont parlé des défis spécifiques auxquels ils ont été confrontés en cuisinant (par ex, exigences alimentaires, budgets serrés, manque de temps et d’espace physique) et des solutions pour certains de ces défis.

Après avoir regroupé les coupures surlignées de mes entretiens par sujet, j’ai fini par obtenir 3 grands codes descriptifs et les regroupements correspondants :

• Expériences de cuisine : expériences positives et négatives mémorables liées à la cuisine
• Points douloureux : tout ce qui empêche quelqu’un de cuisiner ou rend la cuisine difficile (y compris la navigation dans les restrictions alimentaires, les budgets limités, etc.)
• Les choses qui aident : ce qui aide (ou est censé aider éventuellement) quelqu’un à surmonter des défis ou des points de douleur spécifiques

Étape 4 : créer de nouveaux codes qui encapsulent des thèmes potentiels

Regardez tous les codes et explorez les relations causales, les similitudes, les différences ou les contradictions pour voir si vous pouvez découvrir des thèmes sous-jacents. Ce faisant, certains des codes seront mis de côté (archivés ou supprimés) et de nouveaux codes interprétatifs seront créés. Si vous utilisez une approche de cartographie physique comme celle abordée à l’étape 3, alors certains de ces regroupements initiaux peuvent s’effondrer ou s’étendre au fur et à mesure que vous recherchez des thèmes.

Posez-vous les questions suivantes :

• Que se passe-t-il dans chaque groupe ?
• Comment ces codes sont-ils liés ?
• Comment ceux-ci se rapportent-ils à mes questions de recherche ?

Pour en revenir à notre sujet sur la cuisine, en analysant le texte au sein de chaque groupe et en recherchant des relations entre les données, j’ai remarqué que deux participants ont dit qu’ils aimaient les ingrédients qui peuvent être préparés de différentes manières et se marier avec d’autres ingrédients différents. Une troisième participante a dit souhaiter disposer d’un ensemble d’ingrédients pouvant être utilisés pour de nombreux repas différents au cours de la semaine, plutôt que de devoir acheter des ingrédients distincts pour chaque plan de repas. C’est ainsi qu’est apparu un nouveau thème sur la flexibilité des ingrédients. Pour ce thème, j’ai trouvé le code un ingrédient convient à tous, pour lequel j’ai ensuite écrit une description détaillée.

Étape 5 : faire une pause d’une journée, puis revenir aux données

C’est presque toujours une bonne idée de faire une pause et de revenir regarder les données avec un regard neuf. Faire cela vous aide parfois à voir clairement les modèles significatifs dans les données et à en tirer des insights révolutionnaires.

Étape 6 : Évaluez vos thèmes pour une bonne adéquation

Dans cette étape, il peut être utile d’avoir d’autres personnes impliquées pour vous aider à examiner vos codes et les thèmes émergents. Non seulement de nouveaux aperçus sont tirés, mais vos conclusions peuvent être remises en question et critiquées par des yeux et des cerveaux neufs. Cette pratique réduit le risque que votre interprétation soit colorée par des préjugés personnels.

Passez vos thèmes au crible. Posez-vous les questions suivantes :

• Le thème est-il bien étayé par les données ? Ou pourriez-vous trouver des données qui ne soutiennent pas votre thème ?
• Le thème est-il saturé par de nombreuses instances ?
• D’autres personnes sont-elles d’accord avec les thèmes que vous avez trouvés dans les données après avoir analysé les données séparément ?

Si la réponse à ces questions est non, cela peut signifier que vous devez retourner au tableau d’analyse. En supposant que vous ayez recueilli des données solides, il y a presque toujours quelque chose à apprendre, alors passer plus de temps avec votre équipe à répéter les étapes 4 à 6 en vaudra la peine.

Conclusion

Utilisez l’analyse thématique comme un guide utile pour patauger efficacement dans de nombreuses données qualitatives. Il n’y a pas une seule façon de faire une analyse thématique. Choisissez une méthode d’analyse qui convient au type et au volume de données que vous avez recueillies. Dans la mesure du possible, invitez d’autres personnes à participer au processus d’analyse afin d’accroître la précision de l’analyse et la connaissance qu’a votre équipe des comportements, motivations et besoins de vos utilisateurs. L’analyse peut être un processus long, donc une bonne règle de base est de budgétiser autant de temps que vous avez eu pour la collecte de données pour compléter l’analyse.

En savoir plus : Les entretiens avec les utilisateurs, des techniques avancées pour découvrir les valeurs, les motivations et les désirs, un cours d’une journée complète à l’UX Conference.

.