Dans la deuxième partie de l'ouvrage, chaque expérience mentionnée au tableau-synthèse 1.7 est décrite sous forme d'un résumé. Les résumés contiennent les informations nécessaires pour identifier les variables et les résultats qui s'y rattachent. Sauf exception, les résumés contiennent toutes les informations à partir desquelles a été effectuée la synthèse des résultats dans la première partie de l'ouvrage. Pour arriver à ces fins, il était nécessaire d’avoir recours à un style plus " technique " que celui qu’on retrouve habituellement dans les bibliographies descriptives. Afin de rendre les résumés accessibles au plus grand nombre de personnes possible, la présente section fournit quelques renseignements sur la structure des résumés et les notions principales. Comme exemple, nous nous servirons du premier résumé de la deuxième partie, soit celui d’Abel et Kulhavy (1986).

Les notions de base en recherche expérimentale sont celles de variable indépendante et de variable dépendante. La première décrit l’objet de l’étude, la deuxième, la mesure utilisée pour cette description. Chaque étude expérimentale contient au moins une variable indépendante et une variable dépendante. Pour désigner une variable indépendante, nous utilisons simplement le terme " variable " (ou l'abbréviation " Var "). À l'occasion, généralement lors de la description des résultats, nous employons aussi le synonyme " facteur ". Au lieu de " variable dépendante ", nous parlerons de " mesure ". Le choix des termes " variable " et " mesure " permettra d’alléger le style des résumés.

La variable (indépendante) désigne ce qu'on fait varier dans une recherche expérimentale. Dans les résumés, les variables sont indiquées dans la section Variables. Le nom d’une variable figure entre parenthèses, précédé du nombre de ses valeurs.

L'étude d’Abel et Kulhavy (1986) contient trois variables appelées type de carte, modalité et type de questions. Le nombre de valeurs (ou de niveaux) rattaché à chaque variable est également indiqué. Ainsi, type de carte est une variable à trois niveaux, et chacune des deux autres variables, à deux niveaux. Le symbole " x " indique que les variables sont croisées les unes avec les autres (3 x 2 x 2), ce qui donne lieu à 12 conditions expérimentales différentes.

Les niveaux d’une variable correspondent souvent à autant de groupes de sujets. La variable type de carte par exemple, une variable à trois niveaux, nécessite le recours à trois groupes de sujets, chaque groupe étant assigné à un seul niveau de la variable. Dans ce cas, on est en présence d’une variable intergroupes, les statistiques correspondantes, présentées dans la partie Résultats, étant de type intersujets. Lorsqu’un seul groupe de sujets est assigné à tous les niveaux de la variable, il s’agit d’une variable intragroupe, les statistiques correspondantes étant des statistiques intrasujets. Les variables intragroupe sont explicitement indiquées. En absence d’un tel renseignement, il s’agit d’une variable intergroupes (p. ex. type de carte, modalité).

La description de la variable et de ses niveaux se trouve dans les sections Sujets ou Traitement, selon que la variable se rapporte aux sujets (p. ex. aptitude, âge) ou au traitement expérimental, y compris le posttest (p. ex. mode de présentation, délai, type de questions).

Dans la section Sujets, on présente aussi la procédure d’assignation des sujets aux différents groupes. Pour s'assurer que les groupes comparés sont de force égale, les chercheurs se servent la plupart du temps d'une technique d'assignation aléatoire des sujets aux groupes, puisqu'ils tiennent pour acquis que le hasard favorise une répartition équitable des sujets parmi les groupes. Lorsque le nombre de sujets est suffisamment élevé, cette technique favorise l'équivalence des groupes. Le principe d'assignation aléatoire est fondamental au point que son application expérimentale à des comparaisons intergroupes peut servir, d'après certains chercheurs, à définir le domaine de la recherche expérimentale (à la différence des recherches quasi-expérimentales). Une deuxième technique d'assignation des sujets susceptible de garantir l'équivalence des groupes consiste à répartir équitablement les sujets en fonction des niveaux d'une variable préalablement idéntifiée. L'âge, le sexe ou l'aptitude des sujets représentent de telles variables, qui sont souvent utilisées à des fins de contrôle de l'équivalence des groupes. L'assignation aléatoire des sujets se fait alors à l'intérieur de chaque sous-groupe de sujets (p. ex., chaque groupe contient la même proportion de garçons et de filles, l’assignation aléatoire étant limitée aux sous-groupes de garçons et de filles.)

Il n'est pas toujours possible de s'assurer de l'équivalence des groupes par le biais de l'assignation aléatoire ou sur la base d'une variable identifiée préalablement comme potentiellement significative. Certains chercheurs utilisent alors le plan " prétest - posttest " afin de minimiser l’impact attribuable à la non-équivalence des groupes. Cette technique implique l'application répétée d'un même test, avant (prétest) et après (posttest) l'intervention expérimentale. Au lieu de comparer deux groupes indépendants à l'aide du posttest seulement, on calcule la différence entre le prétest et le posttest, ce qui permet des ajustements lorsque les deux groupes ne sont pas statistiquement comparables. Une technique statistique ayant une fonction semblable consiste à réajuster les résultats obtenus après le traitement expérimental en fonction de covariables (ex.: Dwyer, 1968b).

Dans la partie Traitement, le matériel expérimental est décrit en premier. Si possible, une illustration complète la description. On y trouve ensuite une description des variables relatives au traitement expérimental, y compris celles reliées aux posttests. Dans Abel et Kulhavy (1986), les trois variables se rapportent au traitement expérimental.

La numérotation des variables (Variable 1, Variable 2, Variable 3) et des niveaux de chaque variable (ex.: Variable 1.1, Variable 1.2, Variable 1.3) se fait selon l'ordre de présentation des variables et de leurs niveaux dans le texte. Dans la description des résultats, nous utilisons souvent l'identification chiffrée de la variable ou de ses niveaux, qui est plus courte que son nom complet.

On pourrait représenter comme suit le croisement des trois variables et le nombre de groupes de sujets qu’elles impliquent.

Le croisement des deux variables intergroupes - Vaiable 1: Type de carte et Variable 2: Modalité - nécessite le recours à six groupes de sujets. En ce qui concerne la variable intragroupe - Variable 3: Type de questions -, on administre à chacun des six groupes les deux niveaux de la variable. (Un plan expérimental à trois variables intergroupes aurait impliqué douze groupes de sujets, et celui à trois variables intragroupe, un seul groupe de sujets. Bien entendu, cette dernière option est purement hypothétique puisque la nature des variables ne le permet pas.)

En recherche expérimentale, les hypothèses d’une expérience sont toujours en lien direct avec les variables et leur niveaux. La variable type de carte par exemple traduit l'intérêt des chercheurs pour le type de symbole qui s’ajoutent aux mots cibles du matériel expérimental (pictogramme, symbole géométrique, absence). Le lien étroit entre les hypothèses et les variables se manifeste, dans bien des études, par l'absence d'une formulation explicite des hypothèses. On tient pour acquis que le lecteur sait reconstituer les hypothèses à partir des variables et de leurs niveaux. Dans certaines études toutefois, les hypothèses ne sont pas immédiatement compréhensibles, en particulier lorsqu’elles portent sur l'interaction entre deux ou plusieurs variables. La formulation explicite d'une hypothèse s'avère alors un repère utile pour le lecteur qui souhaite pouvoir distinguer les comparaisons et les interactions importantes de celles qui le sont moins. Nous appliquons ce principe d'économie dans le présent ouvrage en restreignant la formulation explicite d'une hypothèse aux seuls cas où cela s'avère indispensable pour la bonne compréhension de l'étude.

Deux types d'hypothèses sont à distinguer. Le premier type d’hypothèses vise à vérifier l’ "effet simple" (ou l’ "effet principal") d’une variable, et le deuxième, l’ "effet d’interaction" qui existe entre deux ou plusieurs variables.

Le premier type d'hypothèses, le plus répandu, se rattache à une seule variable et fait abstraction des autres variables de l’étude. Ce type d'hypothèse permet de vérifier si les résultats obtenus pour les différents niveaux de la variable sont statistiquement comparables ou non. Dans l'étude d’Abel et Kulhavy (1986), la variable modalité par exemple traduit un questionnement de la part des chercheurs qu'on pourrait formuler comme suit: L’effet de la carte géographique sur le texte varie-t-il selon que le texte est présenté oralement ou par écrit?

Le raffinement des méthodes statistiques aidant, un nombre croissant de recherches étudie plus d'une seule hypothèse à la fois. La variable à trois niveaux appelée type de carte implique plusieurs comparaisons (pictogramme vs liste de mots, pictogramme vs symbole, symbole vs liste de mots), et donc plusieurs hypothèses. En plus - et l'étude de Abel et Kulhavy (1986) en est un bon exemple -, deux ou plusieurs variables sont croisées, ce qui augmente encore le nombre d’hypothèses étudiées.

Le deuxième type d’hypothèses vise à étudier un effet d’interaction entre deux ou plusieurs variables. Le chercheur veut savoir si le résultat des sujets obtenu pour la variable A varie en fonction de la variable B, et l'inverse. Essayons d'illustrer ce phénomène à l'aide d'un exemple hypothétique. Dans l'étude d’Abel et Kulhavy (1986), les variables type de carte et type de questions pourraient interagir l’une avec l’autre de sorte que les versions Variable 1.1 et Variable 1.2 se distinguent en ce qui concerne les questions relatives à la carte géographique (Variable 3.1), mais non en ce qui concerne les autres questions (Variable 3.2). La variable type de questions, prise seule, est dépourvue d'intérêt. Elle n'est intéressante qu'en lien avec la variable type de carte. Dans certaines études, l'intérêt principal porte exclusivement sur l'interaction entre variables et non sur les variables prises isolément. En recherche expérimentale, la bonne compréhension de ce qu'est l'interaction entre variables s'avère indispensable puisque l'effet simple d’une variable doit être interprété à la lumière des effets d'interaction.

La description des variables dépendantes, appelées " mesures " se trouve à la fin de la partie Traitement. Lorsqu’une expérience comprend plus d’une seule mesure, les mesures sont numérotées. Ceci facilite l’identification des résultats dans la partie suivante. Abel et Kulhavy (1986) utilisent trois mesures.

Si le plan expérimental d’une étude contient plusieurs mesures, il faut s'attendre à une multiplication des résultats. L’étude d’Abel et Kulhavy (1986) est cependant plutôt atypique à cet égard, puisque le plan expérimental comprenant les trois variables type de carte, modalité et type de questions (3 x 2 x 2 = 12) ne vaut que pour la première mesure. Dans le cas de la deuxième et de la troisième mesures, le plan expérimental ne comprend que les variables type de carte et modalité (3 x 2 = 6). C'est pourquoi le lecteur trouvera douze moyennes pour la première mesure, mais seulement six moyennes pour les deux autres mesures.

Dans la partie Résultats, on trouve les statistiques descriptives et les statistiques inférentielles (ou tests statistiques). Les statistiques descriptives, présentées généralement sous forme de tableau, comprennent les moyennes (ou pourcentages) et, le cas échéant, les écarts-types qui leur sont associés. Les moyennes (ou pourcentages) sont écrites en gras; les écarts-types se trouvent généralement directement en-dessous, entre parenthèses. L'écart-type est un indice de dispersion des scores individuels autour de la moyenne. Plus l'écart-type est élevé, plus les scores individuels varient autour de la moyenne. Comme on sait, l’écart-type joue un rôle crucial dans les tests statistiques qui déterminent si deux moyennes (ou pourcentages) se distinguent " significativement ". Dans la plupart des études, le seuil de signification est de 0,05. Dans les résumés, à moins d’une contre-indication explicite, le constat qu’une variable donnée est significative ou non se fait en référence à ce seuil.

La lecture des résultats statistiques n'est pas toujours facilitée par leur présentation. Le lecteur novice en la matière, s’il ne se contente pas carrément de la lecture de la discussion et des conclusions, limite quelquefois son attention aux résultats présentés dans les tableaux. Ce faisant, l'essentiel risque de lui échapper. D’abord, les tableaux ne présentent que les statistiques descriptives. Or, l'argumentation scientifique ne s'intéresse aux moyennes qu'indirectement, c'est-à-dire dans la mesure où elles sont interprétées au moyen des tests statistiques. Ensuite - en particulier dans les études comprenant plusieurs variables -, les statistiques descriptives ne sont présentées qu'en partie dans les tableaux. Dans Abel et Kulhavy (1986) par exemple, les tableaux ne comprennent que les moyennes par sous-groupe (et non les grandes moyennes associées aux niveaux des variables).

Dans ces circonstances, il n’est pas évident comment trouver les moyennes directement reliées aux hypothèses. À titre d’exemple, rappelons l’hypothèse simple qui se rapporte à la deuxième variable: L’effet de la carte géographique sur le texte varie-t-il selon que le texte est présenté oralement ou par écrit? Pour étudier cette hypothèse, il faudrait comparer les deux grandes moyennes associées aux deux niveaux de la variable modalité, en faisant abstraction des deux autres variables. Or, le tableau ne fournit pas explicitement cette information (au lieu des deux moyennes, on nous présente plutôt douze). Dans bien des études, le lecteur cherchera en vain ce renseignement. Son omission, aussi bien dans le tableau que dans le texte, s'inscrit dans la logique de la recherche expérimentale moderne. La valeur absolue des deux grandes moyennes n’est souvent que d’un intérêt secondaire pour le chercheur. Ce qui l’intéresse est de savoir si les deux grandes moyennes sont statistiquement comparables ou non, c’est-à-dire s’il y a une différence " significative ". C'est ici que les tests statistiques entrent en jeu. Ils permettent de répondre à cette question. Dans le présent ouvrage, nous utilisons le symbole " = " pour indiquer que deux moyennes ne se distinguent pas significativement, et les symboles " < " et " > ", pour indiquer qu’elles se distinguent significativement. En voici quelques exemples, en partie hypothétiques et en partie tirés d’Abel et Kulhavy (1986).

À moins d’une contre-indication explicite dans les résumés, le seuil de signification est de 5 % (p = 0,05). En simplifiant, on peut dire qu'une différence entre deux moyennes qui est significative par rapport au seuil de signification fixé à 5 % indique 19 fois sur 20 une différence réelle, c'est-à-dire non attribuable au hasard de l'échantillonnage.

Dans les résumés, la présentation des résultats se fait toujours selon la même démarche. On présente d’abord le modèle général d’analyse et ensuite les effets simples associés à chacune des variables. Si l’effet simple d’une variable ayant trois niveaux ou plus est significatif, on présente les comparaisons binaires qui permettent d’identifier où se situent la ou les différences significatives. Dans le cas d’un effet d’interaction entre deux ou plusieurs variables, les variables concernées sont combinées à l’aide du symbole " x ".

L'analyse de variance dans ses différentes variantes (ANOVA, ANCOVA, MANOVA, MANCOVA) est le modèle général d'analyse le plus souvent utilisé dans les recherches répertoriées. Sa présentation est généralement suivie de celle des tests posthoc tels que Scheffé, LSD, t de Student, Dunnett, etc. La régression multiple, le test du Chi2 et les corrélations (Pearson, Spearman, etc.) sont d’autres prodécures d’analyse utilisées.

suite...