Contenus de la page
ToggleLes biais scientifiques
Voici une sélection d’autres biais scientifiques souvent rencontrés dans les travaux de recherche : Biais d’attrition, Effet plafond, Caractéristiques de la demande, Effet Hawthorne, Biais de variable omise, Effet placebo, Biais de publication, Effet Pygmalion, Prophétie auto-réalisatrice
Biais d'attrition
L’attrition est l’abandon des participants au fil du temps dans les études de recherche. On parle également de mortalité des sujets, mais cela ne fait pas toujours référence à la mort des participants !
Le biais d’attrition constitue une menace pour la validité interne . Dans les expériences, les taux d’attrition différentiels entre les groupes de traitement et les groupes témoins peuvent fausser les résultats.
Ce type de biais de recherche peut affecter la relation entre vos variables indépendantes et dépendantes. Cela peut donner l’impression que les variables sont corrélées alors qu’elles ne le sont pas, ou vice versa.
Le biais d’attrition peut fausser votre échantillon de sorte que votre échantillon final soit sensiblement différent de votre échantillon d’origine. Votre échantillon est biaisé car certains groupes de votre population sont sous-représentés.
Avec un échantillon final biaisé, vous ne pourrez peut-être pas généraliser vos résultats à la population d’origine à partir de laquelle vous avez échantillonné, ce qui compromettra votre validité externe.
Il est préférable d’essayer de prendre en compte le biais d’attrition dans votre étude pour obtenir des résultats valides. Si vous avez un petit biais, vous pouvez sélectionner une méthode statistique pour tenter de le compenser.
Ces méthodes vous aident à recréer autant de données manquantes que possible, sans sacrifier la précision.
L’imputation multiple implique l’utilisation de simulations pour remplacer les données manquantes par des valeurs probables. Vous insérez plusieurs valeurs possibles à la place de chaque valeur manquante, créant ainsi de nombreux ensembles de données complets.
Ces valeurs, appelées imputations multiples, sont générées à maintes reprises à l’aide d’un modèle de simulation pour tenir compte de la variabilité et de l’incertitude. Vous analysez tous vos ensembles de données complets et combinez les résultats pour obtenir des estimations de votre moyenne , de votre écart type ou d’autres paramètres.
Vous pouvez utiliser la pondération de l’échantillon pour compenser l’équilibre inégal des participants de votre échantillon.
Vous ajustez vos données afin que la composition globale de l’échantillon reflète celle de la population. Les données des participants similaires à ceux qui ont quitté l’étude sont surpondérées pour compenser le biais d’attrition.
Effet plafond
Un effet plafond se produit lorsqu’un pourcentage trop important de participants obtiennent le score le plus élevé à un test. En d’autres termes, lorsque les scores des participants au test sont tous regroupés près du meilleur score possible, ou du « plafond », la mesure perd de sa valeur. Ce phénomène est problématique car il va à l’encontre de l’objectif du test, qui est de mesurer quelque chose avec précision.
En médecine et en pharmacologie, un effet plafond fait référence au phénomène dans lequel un médicament atteint un effet maximum, de sorte qu’une augmentation de la posologie n’augmente pas son efficacité. Par exemple, les chercheurs observent parfois qu’il existe un seuil au-dessus duquel un analgésique n’a plus d’effet supplémentaire. Même s’ils augmentent la dose, il n’y a aucun avantage supplémentaire en termes de soulagement de la douleur. Dans ce contexte, l’effet plafond est dû à la biologie humaine.
Un effet plafond associé aux statistiques en sciences sociales fait référence au phénomène dans lequel la majorité des données sont proches de la limite supérieure ou du score le plus élevé possible d’un test. Cela signifie que (presque) tous les participants au test ont obtenu le score le plus élevé (ou très proche du score le plus élevé).
Les effets de plafond peuvent avoir un impact sur la qualité de votre collecte de données. Il est vraiment important de prendre les mesures nécessaires pour prévenir ce phénomène. Il existe quelques stratégies que vous pouvez utiliser pour éviter les effets de plafond dans votre recherche :
Utilisez des instruments préalablement validés, tels que des questionnaires préexistants mesurant le concept qui vous intéresse. De cette façon, vous pouvez vous assurer que le questionnaire vous permettra de recueillir un large éventail de réponses.
Si aucun instrument de ce type n’existe, effectuez une enquête pilote ou une expérience pour vérifier les effets de plafond. Effectuer un essai à petite échelle de votre enquête vous donnera la possibilité d’ajuster vos questions au cas où vous remarqueriez un effet plafond.
Lorsque votre enquête comprend des sujets sensibles ou personnels, comme des questions sur les revenus ou la consommation de drogues, assurez l’anonymat et ne fixez pas de limites artificielles aux réponses. Au lieu de cela, vous pouvez laisser les participants remplir eux-mêmes la valeur la plus élevée.
Caractéristiques de la demande et effet Hawthorne
En recherche, les caractéristiques de la demande sont des indices qui peuvent indiquer aux participants les objectifs de la recherche. Ces indices peuvent amener les participants à modifier leurs comportements ou leurs réponses en fonction de ce qu’ils pensent de la recherche.
Les caractéristiques de la demande sont problématiques car elles peuvent biaiser les résultats de votre recherche. Ils se produisent généralement dans les expériences de psychologie et les études en sciences sociales, car elles impliquent des participants humains.
Ces sources comprennent : Titre de l’étude sur les supports de recrutement; Rumeurs sur l’étude; Interactions du chercheur avec le participant (par exemple, un sourire ou un froncement de sourcils après une réponse); Procédure d’étude (par exemple, l’ordre des tâches); Cadre d’étude (par exemple, environnement de laboratoire); Outils et instruments (par exemple, caméras vidéo, mesures de conductance cutanée).
L’effet Hawthorne fait référence à la tendance des gens à se comporter différemment lorsqu’ils se rendent compte qu’ils sont observés. En conséquence, ce qui est observé peut ne pas représenter un comportement « normal », menaçant la validité interne et externe de votre recherche.
Lorsque vous disposez de caractéristiques de demande, la validité interne de votre expérience n’est pas garantie. Vous ne pouvez pas dire avec certitude que la manipulation de votre variable indépendante à elle seule a provoqué le changement de votre variable dépendante.
La validité externe de votre expérience est également compromise par les caractéristiques de la demande. La présence de ces indices peut signifier que vos résultats ne peuvent pas être généralisés à des personnes ou à des contextes extérieurs à votre étude.
Vous pouvez contrôler les caractéristiques de la demande en prenant quelques précautions dans la conception et le matériel de votre recherche. Ces méthodes aideront à minimiser le risque que les caractéristiques de la demande affectent votre étude.
Vous pouvez recourir à la tromperie pour cacher le but de l’étude aux participants. La tromperie peut signifier cacher certaines informations aux participants ou les induire activement en erreur sur les tâches, le matériel ou les objectifs de l’étude.
D’un point de vue éthique , la tromperie peut être utilisée dans la recherche lorsqu’elle est justifiable et qu’il n’y a aucun risque de préjudice. Vous devez toujours informer les participants des véritables objectifs de l’étude une fois qu’ils l’ont terminée.
Dans la recherche quantitative, vous utilisez généralement une conception entre ou au sein des groupes. Alors que les participants ne reçoivent qu’un seul traitement variable indépendant dans une conception inter-groupes , ils reçoivent tous les traitements variables indépendants dans une conception intra-groupes.
Lorsque vous utilisez la mise en aveugle ou le masquage en médecine, vous dissimulez aux participants s’ils font partie d’un groupe de traitement ou d’ un groupe témoin. Dans une conception en simple aveugle, vous connaissez la condition assignée au participant, tandis que dans une conception en double aveugle, ni vous ni les participants ne connaissez la condition assignée.
En psychologie, les mesures implicites (cachées) vous aident à enregistrer les capacités cognitives, les traits ou les comportements sur lesquels les gens peuvent ne pas être ouverts ou ne pas être en mesure de signaler. Ces mesures évaluent indirectement les attitudes ou les traits de caractère sans demander explicitement aux participants de rapporter leurs expériences.
Biais aux variables omises
Un biais lié aux variables omises se produit lorsqu’un modèle statistique ne parvient pas à inclure une ou plusieurs variables pertinentes. En d’autres termes, cela signifie que vous avez omis un facteur important dans votre analyse.
En conséquence, le modèle attribue par erreur l’effet de la variable manquante aux variables incluses. L’exclusion de variables importantes peut limiter la validité des résultats de votre étude.
Une variable omise est une variable confusionnelle liée à la fois à la cause supposée et à l’effet supposé d’une étude. En d’autres termes, il est lié à la fois à la variable indépendante et à la variable dépendante.
Même si une variable peut être omise parce que vous ne savez pas qu’elle existe, il est également possible d’omettre des variables que vous ne pouvez pas mesurer, même si vous connaissez leur existence.
Une variable omise est source d’endogénéité. L’endogénéité se produit lorsqu’une variable du terme d’erreur est également corrélée à une variable indépendante. Lorsque cela se produit, l’effet causal de la variable omise s’emmêle dans le coefficient de la variable avec laquelle elle est corrélée. Ceci, à son tour, mine notre capacité à déduire une causalité et a de graves conséquences sur nos résultats.
L’omission d’une variable peut entraîner une surestimation (biais à la hausse) ou une sous-estimation (biais à la baisse) du coefficient de votre ou de vos variables indépendantes. Puisque le coefficient devient peu fiable, le modèle de régression devient également peu fiable.
Si les données requises ne sont pas disponibles, comme dans le cas de la capacité, vous pouvez utiliser des variables de contrôle. Si vous ne disposez pas des données, utilisez des proxys pour les variables omises. Il s’agit de variables suffisamment similaires à la variable omise pour vous donner une idée de sa valeur, mais que vous pouvez mesurer.
Si vous ne parvenez pas à résoudre le biais de recherche, essayez de prédire dans quelle direction vos estimations sont biaisées. C’est ce qu’on appelle « signer » le biais. Vous pouvez le signer comme positif ou négatif, ce qui vous aide à estimer le biais de variable omise .
Effet Placebo et Nocebo
L’effet placebo est un phénomène dans lequel les personnes rapportent une réelle amélioration après avoir pris un traitement faux ou inexistant, appelé placebo. Étant donné que le placebo ne peut réellement guérir aucune maladie, tous les effets bénéfiques rapportés sont dus à la croyance ou à l’attente d’une personne que sa maladie est traitée. L’effet placebo est souvent observé dans les conceptions expérimentales où les participants sont répartis au hasard dans un groupe témoin ou dans un groupe de traitement.
Un placebo peut être une pilule de sucre, une injection d’eau salée ou même une fausse intervention chirurgicale. Autrement dit, un placebo n’a aucune propriété thérapeutique. Les placebos sont souvent utilisés dans la recherche médicale et les essais cliniques pour aider les scientifiques à évaluer les effets de nouveaux médicaments.
Dans ces essais cliniques, les participants sont assignés au hasard soit au placebo, soit au médicament expérimental. Surtout, ils ne savent pas quel traitement ils reçoivent. Les résultats des deux groupes sont comparés pour voir s’ils diffèrent. Dans les études en double aveugle, les chercheurs ne savent pas non plus qui a reçu le traitement réel ou le placebo. Ceci afin d’éviter qu’ils transmettent aux participants des caractéristiques de la demande qui pourraient influencer les résultats de l’étude.
La réponse des personnes affectées au groupe témoin placebo peut ne pas toujours être positive. Ils peuvent ressentir ce qu’on appelle un « effet nocebo », ou un résultat négatif, lorsqu’ils prennent un placebo. La même explication s’applique ici. Si vous vous attendez à un résultat négatif, il est plus probable que vous obteniez un résultat négatif.
Par exemple, dans un essai clinique, les participants reçoivent un placebo mais sont informés des effets secondaires que le « traitement » peut provoquer. Ils peuvent avoir les mêmes effets secondaires que les participants qui reçoivent le traitement actif, uniquement parce qu’ils s’attendent à ce qu’ils se produisent.
De nombreuses études se penchent sur l’effet placebo, nocebo et comment en tenir compte dans les résultats cliniques. Nous n’exposerons pas toutes les théories sur ce site. Nous vous invitons à voir les derniers travaux de recherche en la matière afin de comprendre comment tenir compte de ces deux effets dans vos travaux.
Biais de publication
Le biais de publication fait référence à la publication sélective d’études de recherche en fonction de leurs résultats. Ici, les études avec des résultats positifs sont plus susceptibles d’être publiées que les études avec des résultats négatifs.
Les résultats positifs sont également susceptibles d’être publiés plus rapidement que les résultats négatifs. En conséquence, un biais est introduit : les résultats des études publiées diffèrent systématiquement des résultats des études non publiées.
Un certain nombre de facteurs peuvent entraîner un biais de publication :
– Souvent, les chercheurs ne soumettent pas leurs résultats négatifs parce qu’ils estiment que leur recherche a « échoué » ou qu’elle n’est pas assez intéressante.
– Dans certains cas, les chercheurs peuvent supprimer les résultats négatifs des essais cliniques par crainte de perdre leur financement. Cela peut se produire, par exemple, lorsque des entreprises à but lucratif parrainent la recherche médicale.
– Les chercheurs sont eux-mêmes conscients des biais de publication. Ils savent que s’ils soumettent des résultats positifs, ils auront plus de chances de voir leurs travaux publiés dans des revues prestigieuses. Ceci, à son tour, peut augmenter leur réputation auprès de leurs pairs, le nombre de citations générées par leurs articles, leurs chances d’obtenir une subvention, etc. Cela pourrait même les amener à ne pas soumettre d’autres résultats.
– La situation financière des revues universitaires dépend également du nombre et de la fréquence des citations générées par les études publiées. Ce sont une indication de la mesure dans laquelle un journal est remarqué ou respecté. Étant donné que les études présentant des résultats négatifs sont moins susceptibles d’être citées que les études présentant des résultats positifs, il est plus intéressant pour les revues de publier des résultats positifs.
En d’autres termes, les chercheurs et les éditeurs introduisent des biais de recherche dans le processus consistant à déterminer quels résultats méritent d’être publiés.
Le biais de publication peut causer des problèmes dans votre recherche pour plusieurs raisons :
– Cela augmente la probabilité que les résultats publiés reflètent des erreurs de type I. Ces effets de biais s’accentuent et suggèrent des effets plus importants sur les études futures, qui pourraient en réalité être dus au hasard. Par exemple, cela peut conduire à une surestimation de l’efficacité d’un nouveau médicament.
– Les chercheurs gaspillent peut-être leurs efforts et leurs ressources en menant des études déjà réalisées mais non publiées parce que le traitement ou l’intervention ne s’est pas révélé efficace.
– Cela affecte la qualité des revues de littérature. Une revue de la littérature limitée aux études publiées est très sélective et peut conduire à des effets surestimés.
– Le fait de ne pas publier des résultats nuls parce qu’ils « n’ont pas fonctionné » limite notre capacité à comprendre en profondeur tous les aspects d’un sujet scientifique étudié. Même si des résultats solides signifient des traitements ou des interventions efficaces, le fait de ne pas publier de résultats nuls signifie qu’une grande partie du sujet reste cachée ou inconnue.
– Cela fait que les études publiées ne constituent plus un échantillon représentatif des connaissances disponibles. Ce biais peut fausser les résultats des revues systématiques utilisant des méta-analyses ou des analyses statistiques combinant les résultats de plusieurs études axées sur le même sujet. Lorsqu’il n’est pas pris en compte, le biais de publication compromet les résultats.
– Cela peut amener certains chercheurs à manipuler leurs résultats pour garantir des résultats statistiquement significatifs. Un exemple de cela consiste à recourir au dragage de données ou à exécuter des tests statistiques sur un ensemble de données jusqu’à ce que quelque chose de statistiquement significatif se produise.
Effet Pygmalion et Prophétie auto-réalisatrice
L’effet Pygmalion fait référence à des situations dans lesquelles des attentes élevées conduisent à une amélioration des performances et des attentes faibles conduisent à une dégradation des performances. Si un chercheur s’attend beaucoup à ce que les patients affectés au groupe de traitement réussissent, ces patients peuvent obtenir de meilleurs résultats que le groupe témoin. Dans cet exemple, l’effet Pygmalion prend la forme d’ un biais (inconscient) du chercheur.
Expliquons ceci avec un exemple : Vous menez une recherche longitudinale sur l’efficacité de plusieurs directeurs d’agences bancaires sur une période d’un an.
Tous les quelques mois, chaque manager bénéficie d’une évaluation de ses performances. Ceux qui ne parviennent pas à atteindre leurs objectifs de revenus reçoivent automatiquement un avis négatif. Afin d’éviter d’autres retours négatifs, vous observez que ces gestionnaires sont plus susceptibles de proposer des prêts sûrs mais moins rentables.
Cela entraîne une perte de clientèle au profit des concurrents et de nouvelles critiques négatives à l’égard de ces gestionnaires. Pour inverser la situation, les directeurs d’agence se mettent alors à accepter le plus de prêts possible, même les plus risqués. Cela entraîne également une diminution des bénéfices pour les succursales, car les locataires sont plus susceptibles de faire défaut.
Après avoir mené des entretiens semi-structurés avec les directeurs d’agence, vous réalisez que leur comportement erratique était un effort pour éviter de nuire davantage à leur carrière et à leur estime de soi, plutôt qu’un manque de jugement. Vous constatez que les managers qui reçoivent notamment des feedbacks négatifs deviennent moins efficaces avec le temps.
Vous concluez que l’effet Pygmalion a joué un rôle dans le comportement des managers.
Les directeurs de succursale ont considéré l’évaluation négative des performances comme un signe d’échec et de méfiance dans leurs capacités à performer. Ils ont intériorisé cette croyance et cela a affecté leurs actions. Leurs mauvaises décisions ont conduit à des performances encore pires, confirmant les attentes de leurs supérieurs.
Souvent l’effet Pygmalion est lié à une prophétie auto-réalisatrice. C’est une croyance concernant un résultat futur qui contribue à son propre accomplissement. Cela se produit parce que les attentes inconscientes que nous entretenons peuvent influencer nos actions et finalement faire en sorte que la prédiction initiale devienne vraie.
Les prophéties auto-imposées se produisent lorsque les croyances que nous avons sur nous-mêmes influencent nos propres comportements et actions. Nos croyances peuvent être soit négatives et limitantes, soit positives et motivantes.
Les prophéties imposées se produisent lorsque les attentes des autres influencent notre comportement et nos actions. Par exemple, un parent qui considère son enfant comme « brillant » ou « paresseux » peut également le traiter en conséquence. En conséquence, le comportement de l’enfant peut être influencé positivement ou négativement par les attentes de ses parents.
Les prophéties auto-réalisatrices et l’effet Pygmalion sont un excellent exemple de la manière dont nos pensées et nos croyances peuvent entraîner des conséquences auxquelles nous nous attendions ou redoutions (même si cela se situe au niveau subconscient).