Qu’est-ce qu’un préjugé ? [Un guide de terrain pour la recherche scientifique]

La science a pour but de découvrir la vérité. Cependant, la vérité des humains est peut-être encore plus insaisissable que dans tout autre domaine de la science. Il ne faut donc pas s’étonner que la recherche sur les humains soit un exploit délicat, et difficile à réaliser correctement.

Sans un dispositif expérimental correctement et rigoureusement conçu, des erreurs peuvent apparaître de multiples façons. Les biais dans la recherche, qui peuvent avoir un large impact et qui, sans préparation, sont difficiles à arrêter, ne sont pas les moindres. Ces facteurs de biais peuvent être produits tout à fait sans intention, mais peuvent finalement nuire à la fiabilité (et à la crédibilité) de la recherche s’ils ne sont pas correctement contrôlés.

Il existe plusieurs aspects et pièges au sein de la recherche qui peuvent produire ces biais erronés, égarant à la fois les participants, ou les chercheurs, et traitant des données qui ne reflètent pas vraiment les pensées et les comportements testés.

Les biais au sein de la recherche sont très répandus, mais peuvent souvent être surmontés avec de bons contrôles méthodologiques, et en choisissant l’équipement le plus approprié pour produire les bonnes réponses. Nous passerons en revue ci-dessous certains des biais les plus courants qui affectent la recherche, et nous proposerons des solutions pour les éviter. En les gardant à l’esprit, vous pourrez guider vos recherches vers des découvertes toujours plus grandes.

Contenu:
Participation biaisée
Sélection biaisée
Chercheur biaisé

Trois biais qui peuvent avoir un impact sur la recherche

1. Le biais du participant

Un des biais centraux qui peut entraver et impacter négativement la recherche est celui du biais du participant. Cela a souvent été décrit comme le participant réagissant purement à ce qu’il pense que le chercheur désire, mais cela peut aussi se produire pour des raisons moins évidentes.

Le biais de désirabilité sociale en est un exemple. Les participants peuvent avoir des idées préconçues sur ce qui constitue une réponse, ou un comportement acceptable, et vont donc adapter leurs réponses en fonction de cela – consciemment ou non.

Cette réaction est particulièrement probable avec les expériences qui couvrent des sujets sensibles (comme avec le revenu personnel, ou la religion par exemple) et finira par déformer les résultats en quelque chose qui n’est pas vrai.

Les participants peuvent également acquiescer à tout, ou répondre négativement aux questions (également connu sous le nom de « yea-saying » ou « nay-saying »). Cela peut se produire en raison de la fatigue, de l’ennui, ou même de tentatives intentionnelles de perturber la recherche.

Voilà donc quelques-uns des problèmes qui peuvent survenir avec le biais des participants, mais quelles sont les solutions ? Prendre des précautions avec la conception expérimentale peut aider beaucoup, et avoir les bons outils peut aider encore plus.

OK – vous aurez besoin de plus que du ruban adhésif pour corriger le biais de recherche (et plus que des notes Post-It aussi).

Dans le cas des biais de désirabilité sociale, il est important d’informer le participant de son anonymat (et de le garantir également). Pour les « oui » et les « non », il est important de motiver correctement le participant – soit par une rémunération, soit par des pauses suffisantes pour s’assurer qu’il ne se fatigue pas. Vérifier l’absence de valeurs aberrantes dans les données peut également être utile comme dernier contrôle.

Vérifiez : Qu’est-ce que le biais du participant ? (Et comment le vaincre)

Pour aller plus loin, les mesures psychophysiologiques peuvent vous aider à voir clair dans les réponses ou les comportements potentiellement trompeurs, et fournir une image plus claire de ce qui se passe réellement. Les biocapteurs vous permettent de mesurer la réponse d’un participant, sans qu’elle soit consciemment filtrée.

Ils peuvent également fournir des données sans réel effort de la part des participants. Par exemple, la mesure de l’attention d’un participant est facilement réalisée avec l’eye tracking, et ne demande pas d’énergie supplémentaire de sa part. Il est donc beaucoup plus facile de maintenir l’engagement du participant dans l’étude.

Il est également possible d’enregistrer l’état émotionnel d’un participant – sa valence – grâce à l’analyse automatique des expressions faciales, et de combiner cela avec des enregistrements de son éveil physiologique (par exemple par des enregistrements de réponse cutanée galvanique), pendant qu’il réalise une expérience. La combinaison de ces méthodes permet un interrogatoire complet de l’état mental d’un participant, sans ajouter de contrainte mentale.

Haut de page

Le participant parfait – engagé. Très engagé. (Peut-être un peu effrayé aussi).

2. Biais de sélection

Avant que les participants ne réalisent l’expérience, ils doivent d’abord être sélectionnés, et c’est là qu’intervient le biais de sélection. Celui-ci peut être défini comme une erreur expérimentale qui se produit lorsque le groupe de participants, ou les données qui en découlent, ne sont pas représentatifs de la population cible.

Cela peut se produire pour plusieurs raisons, dont certaines sont plus évitables que d’autres. Par exemple, les participants eux-mêmes peuvent s’auto-sélectionner – en particulier lorsque l’étude se fait sur la base du volontariat – et certains types de personnalité peuvent être plus répandus dans cette population.

Ne pas avoir suffisamment de participants ou sélectionner les données résultantes de manière incorrecte sont également des exemples d’aspects méthodologiques qui conduisent finalement à l’examen d’un pool de participants incorrect.

En savoir plus : Qu’est-ce que le biais de sélection ? (Et comment le vaincre)

Ces facteurs de biais peuvent être corrigés de multiples façons. La prévention du biais d’un groupe de participants autosélectionnés peut être traitée en ayant plusieurs canaux ou voies ouvertes aux participants pour accéder à l’étude. Idéalement, ils seront tirés d’un groupe d’échantillons mixtes, de participants autosélectionnés ou sélectionnés (par exemple, avec des étudiants universitaires complétant l’étude pour des crédits de cours, et des volontaires).

A part cela, avoir un grand bassin de participants aide aussi presque toujours (bien que cela ne soit pas toujours possible), tandis qu’être transparent sur les sources de données aidera aussi à la crédibilité d’une étude.

Les mesures psychophysiologiques peuvent également aider à la fiabilité des résultats des participants, car elles sont facilement combinées sous forme d’enregistrements multiples, dans lesquels une validation croisée des sources de données peut avoir lieu. En combinant un large éventail de mesures, les valeurs aberrantes devraient être beaucoup plus faciles à repérer.

Une valeur aberrante dans vos données n’est probablement pas si facile à repérer, mais la combinaison de métriques vous en rapproche.

Haut de page

3. Le biais du chercheur

Il y a aussi les effets souvent négligés, et malheureusement trop fréquents, du biais du chercheur, dans lequel les scientifiques eux-mêmes induisent en erreur les recherches qu’ils mènent, souvent involontairement mais parfois intentionnellement.

Les chercheurs peuvent être implicitement biaisés en faveur d’un certain résultat, et une collecte de données gênante peut aussi aller dans ce sens, même si elle est fausse. Ils peuvent également affecter les participants simplement par leur présence – le fait de négliger les autres peut avoir des effets assez drastiques (connus sous le nom d’effet Hawthorne), et modifier les comportements de manière non représentative.

Voir : Qu’est-ce que le biais du chercheur ? (Et comment le vaincre)

Pour contourner ce problème, il pourrait être nécessaire de réaliser la recherche en double aveugle – dans laquelle les participants, et les personnes effectuant la collecte des données, ne savent pas quel groupe expérimental est lequel. Cela réduit un grand degré de biais qui pourrait autrement se produire, et malgré le fait que cela ajoute une grande quantité de fiabilité à un cadre expérimental, cela pourrait être trop laborieux ou coûteux à réaliser.

Un exemple de configuration en double aveugle. Le chercheur 1 sépare les groupes, tandis que le chercheur 2 réalise l’expérience avec les groupes, sans savoir lequel est lequel. Les données sont ensuite remises au chercheur 1, qui n’apprendra à quel groupe elles appartiennent qu’après l’analyse.

L’utilisation de plates-formes prédéfinies pour créer un plan expérimental, et pour faire respecter les conditions qu’il contient, assure un niveau de cohérence et de fiabilité qui est autrement difficile à construire. En mettant en œuvre (et en enregistrant à partir de) les différentes conditions expérimentales avec une approche standardisée, tout peut être rendu cohérent, ce qui réduit les chances de toute interférence potentiellement confondante.

Utiliser un logiciel tel que iMotions de cette manière aide également les chercheurs à passer moins de temps à devoir diriger les participants à travers l’étude. Cela permet de consacrer plus de temps à la mise en place de la bonne méthodologie, à l’interprétation des données et à la sortie des résultats.

Cela vous permet également de passer plus de temps à rendre vos données cool également.

Haut de page

Conclusion

Les mesures psychophysiologiques permettent finalement aux chercheurs de scruter davantage l’esprit des participants, et leurs états physiologiques sous-jacents, ce qui donne accès à des réponses et des sentiments non filtrés. Les enregistrements de ces biocapteurs peuvent dresser un tableau beaucoup plus honnête de ce que pense une personne, et des raisons pour lesquelles elle se comporte d’une certaine manière.

L’utilisation combinée de biocapteurs permet à la fois une validation croisée et une plus grande profondeur des résultats, ce qui augmente la validité des résultats, et donc la force de l’expérience. Cela est à la fois plus facile et moins chronophage, dans iMotions.

Avec cela en tête, il est plus simple à la fois d’ajouter plus de sources de données à une étude, et d’utiliser le temps de manière plus efficace, ce qui signifie que parvenir à des résultats impartiaux – et à des conclusions incroyables – est plus facile que jamais.

Check out : L’étude du comportement humain : Mesurer, analyser et comprendre

Les préjugés sont bien trop répandus au sein de la recherche, et j’espère que cet article vous aidera à vous guider vers des résultats plus objectifs, fiables et reproductibles. Si vous souhaitez en savoir plus sur les biais, jetez un coup d’œil à nos articles précédents qui traitent plus en détail des biais des participants, des biais de sélection et des biais des chercheurs. Et si vous recherchez encore plus de conseils et d’astuces pour la recherche, lisez notre guide complet de la conception expérimentale. C’est gratuit et étonnant, une combinaison parfaite.

Haut de la page

.