Méthodologies quantitatives, qualitatives et mixtes dans les sciences sociales numériques

📜🔗LIEN vers la source

🎥 https://www.youtube.com/watch?v=puj44dPDq7c

1. RÉSUMÉ ANALYTIQUE

Contexte et enjeux — La recherche sociale à l'heure numérique

La vie sociale et la production de données migrent en ligne : plateformes, API, capteurs, vastes corpus textuels et réseaux. Ce déplacement ouvre des possibilités inédites (échelle, populations difficiles à atteindre) mais soulève des défis de qualité, de représentativité, de vie privée et de compétence technique (p.1-9). L'ouvrage s'adresse aux doctorants, jeunes chercheurs et chercheurs appliqués en sociologie, psychologie, éducation, politiques publiques, communication et management. Sa thèse centrale : les problèmes contemporains exigent un « bilinguisme méthodologique », capable de mobiliser la rigueur statistique comme la profondeur interprétative (p.7-8).

Apports opérationnels — Un cadre intégré, du design à la rigueur

Le volume déroule un parcours complet : principes du quantitatif (p.11) et du qualitatif (p.26), logique des méthodes mixtes (p.47), conception d'étude (p.63), recueil de données traditionnel et numérique (p.88), stratégies d'analyse statistique, qualitative et computationnelle (p.97), triangulation et intégration (p.119), critères de rigueur (p.135). Pour chaque étape, il précise les adaptations numériques (enquêtes en ligne, ethnographie numérique, minage de réseaux sociaux, IA) et les garde-fous éthiques. Le fil conducteur : « l'innovation avec intégrité » — adopter les nouveaux outils sans relâcher les exigences de validité, de fiabilité et de transparence.

2. POINTS CLÉS DU DOCUMENT

1. Cinq raisons de combiner les méthodes (cadre décisionnel directement transposable). Reprenant Greene, Caracelli et Graham (1989), l'ouvrage distingue triangulation, complémentarité, développement, initiation et expansion (p.47-48). Ce cadre aide à justifier explicitement pourquoi on mixe — et pas seulement à juxtaposer une enquête et des entretiens.
2. Les designs mixtes formalisés : séquentiel, concomitant, imbriqué. Le chapitre 3 décrit comment enchaîner ou emboîter phases quantitative et qualitative, avec l'exemple d'une phase qualitative préalable (Rwanda post-conflit) pour rendre un questionnaire culturellement pertinent (p.47-62).
3. Panorama de l'analyse assistée par logiciel (CAQDAS). Le chapitre 6 oriente vers NVivo, MAXQDA, ATLAS.ti et Dedoose pour stocker, coder et interroger de grands volumes qualitatifs, tout en rappelant que l'interprétation reste un acte humain (p.107-108).
4. Une check-list éthique du recueil numérique. Consentement éclairé, confidentialité, anonymisation, respect des règles des plateformes, référence aux lignes directrices AoIR 2019 et aux comités d'éthique (IRB) : le chapitre 5 pose qu'observer des interactions publiques est généralement admis, mais que capter des groupes privés est contraire à l'éthique (p.92, p.94-95).
5. La rigueur face aux « big social data ». boyd et Crawford (2012) sont mobilisés pour rappeler que plus de données n'égale pas de meilleures données : les gros corpus proviennent souvent d'échantillons de commodité qui amplifient les biais existants. D'où des audits de données, la préinscription des hypothèses (Bakker et al., 2019) et le partage de code contre le « p-hacking » (p.138-140).

3. PISTES D'ACTION POUR LES ACTEURS LOCAUX

1. Clarifier l'intention avant de mixer. Avant une évaluation, choisir sa raison de combiner méthodes parmi les cinq rationales de Greene et al. (p.47-48) : corroborer un résultat, l'expliquer, préparer un outil, explorer une contradiction ou élargir le champ.
2. Séquencer une évaluation participative. S'appuyer sur les designs séquentiels du chapitre 3 : recueillir d'abord la parole des publics (focus groups, entretiens) pour construire un questionnaire culturellement adapté, plutôt que l'inverse (p.47-62).
3. Structurer le codage qualitatif. Pour un recueil de témoignages volumineux (diagnostic local), s'orienter vers un CAQDAS (NVivo, MAXQDA, ATLAS.ti ou Dedoose) afin de coder, requêter et visualiser les thèmes (p.107-108) — en gardant l'interprétation sous responsabilité humaine.
4. Sécuriser l'usage de données issues des réseaux sociaux. Appliquer les garde-fous du chapitre 5 : ne pas exploiter de groupes privés, anonymiser et agréger même si les contenus sont publics, respecter les conditions des plateformes, se référer aux lignes directrices AoIR (p.92, p.94-95).
5. Croiser les sources par triangulation. Utiliser les « joint displays » / matrices du chapitre 7 pour confronter résultats chiffrés et thèmes qualitatifs : les convergences renforcent la conclusion, les divergences signalent un écart entre le dire et le faire à investiguer (p.119-134).
6. Fiabiliser toute donnée numérique automatisée. Avant de conclure à partir d'avis en ligne ou de traces, vérifier la composition du corpus, comparer aux données démographiques connues, refaire un recueil pour tester la cohérence (audit de fiabilité), et préinscrire son plan d'analyse (p.138-140). Besoin non couvert : l'ouvrage n'offre pas de protocole « clé en main » adapté à la promotion de la santé — l'adaptation au contexte reste à faire par le lecteur.

4. RÉFÉRENCES COMPLÉMENTAIRES

1. OMS — Artificial intelligence and evidence-informed policy: emerging challenges and opportunities (document de discussion, juin 2026). Prolonge les chapitres 6 et 8 sur l'IA dans la production et la synthèse de preuves pour la décision publique. URL vérifiée : https://www.who.int/news/item/02-06-2026-new-who-discussion-paper-sets-out-opportunities-and-risks-of-ai-in-evidence-informed-health-policy
2. Cochrane, Campbell Collaboration, JBI & CEE — Position statement on AI use in evidence synthesis / recommandations RAISE (2025). Complément méthodologique sur l'usage responsable de l'IA et la responsabilité de l'auteur dans la synthèse de preuves. URL vérifiée : https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12594113/
3. ASPQ — Guide pratique : Vers une santé publique participative (Association pour la santé publique du Québec, diffusé 2026). Fait le pont vers le terrain francophone : repères concrets pour intégrer la participation citoyenne, là où l'ouvrage reste théorique. URL vérifiée : https://aspq.org/guide-pratique-vers-une-sante-publique-participative/

5. FOIRE AUX QUESTIONS (FAQ)

1. À qui s'adresse ce livre ? À des chercheurs, doctorants et professionnels orientés recherche en sciences sociales et management (Introduction, p.1-9). Ce n'est pas un manuel d'intervention de terrain.
2. Pourquoi combiner quantitatif et qualitatif ? Pour compenser les faiblesses de chaque approche : le chiffre donne l'ampleur et la généralisation, le récit donne le sens et le contexte (p.47-48).
3. Quels sont les grands types de designs mixtes ? Séquentiel, concomitant et imbriqué, selon que les phases se succèdent, se mènent en parallèle ou s'emboîtent (chapitre 3, p.47-62).
4. Quels logiciels pour analyser des données qualitatives ? NVivo, MAXQDA, ATLAS.ti, Dedoose — pour organiser, coder et requêter ; l'interprétation reste humaine (p.107-108).
5. Peut-on utiliser librement des données de réseaux sociaux ? Non sans précautions : observer des contenus publics est généralement admis, exploiter des groupes privés ne l'est pas ; anonymisation et respect des plateformes s'imposent (p.92, p.94-95).
6. Qu'est-ce que la triangulation, concrètement ? Croiser méthodes, sources, théories ou chercheurs pour vérifier un résultat ; convergences et divergences se traitent différemment (chapitre 7, p.119-134).
7. Comment garder de la rigueur avec le « big data » et l'IA ? Vérifier les biais du corpus, préinscrire ses hypothèses, partager données et code, garder un contrôle humain sur les algorithmes « boîte noire » (p.138-140, Conclusion p.145).

6. RÉÉCRITURE EN FALC

De quoi parle ce livre ?

Ce livre parle de méthodes pour faire des recherches. Il aide à étudier la société. Aujourd'hui, beaucoup de données viennent d'Internet. Le livre montre comment bien utiliser ces données.

Deux façons de chercher

Il y a deux grandes façons de chercher.

• Les chiffres : on compte et on mesure.
• Les récits : on écoute et on comprend les gens.
  Le livre dit : les deux façons vont bien ensemble.

Bien mélanger les deux

On peut faire une enquête avec des chiffres. On peut aussi faire des entretiens. On met les deux ensemble. On voit mieux la réalité.

Utiliser Internet avec prudence

On peut utiliser des données des réseaux sociaux. Mais il faut respecter des règles.

• On demande l'accord des gens.
• On protège leur nom et leur vie privée.
• On ne prend pas les données des groupes privés.

Rester rigoureux

Beaucoup de données ne veut pas dire des bonnes données. Il faut vérifier. Il faut être honnête sur les limites. On note ce qu'on a fait, étape par étape.

7. ANALYSE TRANSVERSALE — VALEURS DE PRATIQUES EN SANTÉ

• Littératie : faible en direct — l'ouvrage est un texte académique dense en anglais, sans version simplifiée ; il thématise toutefois la clarté des termes méthodologiques (p.5-6).
• Empowerment : abordé indirectement via le paradigme transformatif et les approches participatives (chapitre 3), mais les publics y sont surtout des « participants », rarement des co-concepteurs.
• Participation : présente à travers l'ethnographie numérique et les designs mixtes engageant les communautés ; la co-construction n'est pas centralement formalisée.
• Santé communautaire : illustrée par un exemple (données épidémiologiques + focus groups sur les croyances de santé, p.48), mais la dimension collective reste un cas parmi d'autres.
• Éthique : point fort — consentement, confidentialité, anonymisation, lignes AoIR/IRB, biais algorithmiques et « p-hacking » sont traités (chapitres 5, 6, 8).
• Droits humains : équité par l'échantillonnage inclusif des populations difficiles à atteindre (p.13) et protection de la vie privée ; principe de non-nuisance affirmé.
• Intersectorialité : dimension surtout interdisciplinaire (sociologie, psychologie, éducation, politiques publiques, communication, management) plutôt que partenariale au sens du terrain.
• Partenariat : évoqué via la triangulation par les chercheurs (investigator triangulation) ; pas de modèle de collaboration formalisé avec les acteurs de terrain.
• Lutte contre les discriminations : traitée à l'échelle des données — biais algorithmiques (fairness), corpus non représentatifs qui marginalisent certains groupes, big data qui amplifie les biais existants (boyd & Crawford, 2012 ; p.138).

8. ÉVALUATION DE LA FIABILITÉ DE LA RESSOURCE

Pertinence scientifique : élevée. Éditeur académique de référence (Routledge), relecture par les pairs identifiée, Open Access CC-BY, mobilisation de littérature classique (Greene 1989 ; Johnson & Onwuegbuzie 2004 ; boyd & Crawford 2012) et récente (Bakker 2019 ; sources 2023-2024). Point de transparence à signaler : les auteurs déclarent ouvertement avoir utilisé ChatGPT comme « voix médiatrice » dans l'édition et l'harmonisation du texte (p.6). Cette divulgation est un gage d'honnêteté, mais invite le lecteur à garder un regard critique sur une synthèse partiellement assistée par IA. Certaines citations dans le texte apparaissent en « et al. » avec un appareil critique allégé.

Pertinence opérationnelle : modérée pour la recherche/évaluation, faible pour l'intervention directe. C'est une ressource de référence doctorale, non une boîte à outils de terrain. Éléments directement mobilisables : cadre décisionnel des méthodes mixtes, orientation CAQDAS, check-list éthique du numérique, triangulation par « joint displays », préinscription. L'adaptation au champ de la promotion de la santé reste à la charge du lecteur.

10. HASHTAGS STRATÉGIQUES

#pratiquesensante #MéthodesMixtes #RechercheParticipative #ÉvaluationSanté #DonnéesNumériques #ÉthiqueRecherche #LittératieScientifique #IAenRecherche