Voici une sélection d’autres biais scientifiques souvent rencontrés dans les travaux de research : 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
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.
This type of research bias can affect the relationship between your independent and dependent variables. This can make variables appear to be correlated when they are not, or 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 method statistics to try to compensate for it.
These methods help you recreate as much missing data as possible, without sacrificing accuracy.
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.
You can use sample weighting to compensate for the unequal balance of participants in your sample.
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.
A ceiling effect occurs when too large a percentage of participants achieve the highest score on a test. In other words, when test takers' scores are all clustered near the best possible score, or the "ceiling," the metric loses its value. This phenomenon is problematic because it defeats the purpose of testing, which is to measure something accurately.
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).
Ceiling effects can impact the quality of your data collection. It is really important to take the necessary measures to prevent this phenomenon. There are a few strategies you can use to avoid ceiling effects in your research:
Use previously validated instruments, such as pre-existing questionnaires measuring the concept of interest. This way you can ensure that the questionnaire will allow you to collect a wide range of responses.
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 in case you notice a ceiling effect.
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.
In research, demand characteristics are cues that can indicate to participants the research objectives. These cues can lead participants to change their behaviors or responses based on how they feel about the research.
Demand characteristics are problematic because they can bias your search results. They typically occur in psychology experiments and social science studies because they involve human participants.
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.
The external validity of your experiment is also compromised by demand characteristics. The presence of these cues may mean that your results cannot be generalized to people or contexts outside of your study.
You can control demand characteristics by taking some precautions in your research design and materials. These methods will help minimize the risk of demand characteristics affecting your study.
You may use deception to hide the purpose of the study from participants. Deception may mean hiding certain information from participants or actively misleading them about the tasks, materials, or goals of the study.
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.
In psychology, implicit (hidden) measures help you record cognitive abilities, traits, or behaviors that people may not be open about or be able to report. These measures indirectly assess attitudes or character traits without explicitly asking participants to report their experiences.
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.
An omitted variable is a confounding variable related to both the hypothesized cause and the hypothesized effect of a study. In other words, it is related to both the independent variable and the dependent variable.
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.
If you can't resolve search bias, try to predict in which direction your estimates are biased. This is called “signing” bias. You can sign it as positive or negative, which helps you estimate omitted variable bias.
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.
A placebo can be a sugar pill, a salt water injection, or even a fake surgery. In other words, a placebo has no therapeutic properties. Placebos are often used in medical research and clinical trials to help scientists evaluate the effects of new drugs.
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.
The response of people assigned to the placebo control group may not always be positive. They may experience what is called a "nocebo effect," or a result negative, when they take a placebo. The same explanation applies here. If you expect a negative result, you are more likely to get a negative result.
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.
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.
Positive results are also likely to be published more quickly than negative results. As a result, a bias is introduced: the results of published studies systematically differ from the results of unpublished studies.
A number of factors can lead to publication bias:
– 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.
In other words, researchers and editors introduce research bias into the process of determining which results are worthy of publication.
Publication bias can cause problems in your research for several reasons:
– 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 literature. A literature review limited to published studies is very selective and may lead to overestimated effects.
– 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.
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.
Let's explain this with an example: You are leading a longitudinal research on the effectiveness of several bank branch managers over a one-year period.
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.
You conclude that the Pygmalion effect played a role in the behavior of 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.
Self-imposed prophecies occur when the beliefs we have about ourselves influence our own behaviors and actions. Our beliefs can be either negative and limiting, or positive and motivating.
Imposed prophecies occur when the expectations of others influence our behavior and actions. For example, a parent who views their child as “bright” or “lazy” may also treat them accordingly. As a result, the child's behavior may be influenced positively or negatively by his parents' expectations.
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).