Les expériences répertoriées au présent chapitre satisfont aux conditions suivantes:

• La variable picturale permet de comparer la version non illustrée d’un texte à sa ou ses versions illustrées.
• La composante picturale jumelée avec le texte est une illustration (et non un film).
• L’illustration qui accompagne le texte est sémantiquement compatible avec celui-ci (pour ce qui est de l’illustration incompatible avec le texte, voir chap. 8).
• L’effet de la variable picturale est étudié au moyen d’une ou de plusieurs mesures dépendantes permettant de se prononcer sur la compréhension de texte (pour la définition de ce terme, voir chap. 2.2).
• Le plan expérimental permet d’étudier l’interaction de la variable picturale (i.e. texte illustré vs texte non illustré) avec une deuxième variable telle l’âge, l’aptitude, etc. Sont donc exclues ici les expériences où l’âge, l’aptitude, etc. n’a pas le statut d’une variable indépendante (pour l’analyse méta-analytique de ces résultats, voir chap. 2.2.2 - 2.2.8).

Le phénomène d’interaction entre les variables est bien connu en recherche expérimentale. Le résultat relatif à une variable (son " effet simple " ou son " effet principal ") varie en fonction d’une autre ou d’autres variables. Idéalement, l’effet d’interaction entre les variables est analysé dans le cadre d’un modèle général d’analyse de variance (ANOVA, ANCOVA, MANOVA, MANCOVA). Une analyse de variance, dans une de ses différentes variantes, permet d’étudier non seulement l’effet simple associé à chaque variable indépendante, mais aussi les interactions entre deux ou plusieurs des variables. Dans le cas d’une analyse de variance à deux variables, huit résultats combinatoires peuvent être obtenus:

Puisque, dans ce chapitre, la variable picturale d’intérêt principal oppose les versions illustrée et non illustrée d’un texte (Variable A), il est possible d’évaluer sa stabilité à la lumière d’autres variables telles que l’âge des sujets, leur aptitude, etc. (Variable B). Lorsqu’il y a une interaction statistiquement significative, l’effet simple de la variable picturale doit être interprété à la lumière de cette interaction. Dans certains cas, l’interaction restreint la généralisabilité et le domaine d’application des effets simples.

Dans l’exemple qui suit, la variable illustration (texte illustré vs texte non illustré) est croisée avec la variable âge (enfants vs adultes).

Un tel plan expérimental permet différentes comparaisons, nommément:

• Enfants: texte illustré (moyenne 1) - texte non illustré (moyenne 2)
• Adultes: texte illustré (moyenne 3) - texte non illustré (moyenne 4)
• Texte illustré: enfants (moyenne 1) - adultes (moyenne 3)
• Texte non illustré: enfants (moyenne 2) - adultes (moyenne 4).

Les tableaux ci-dessous illustrent quelques-unes des interactions possibles. Dans le premier, l’effet pictural ne se fait sentir qu’auprès des enfants, les adultes n’étant pas influencés par la présence ou l’absence de l’illustration. Dans ce cas, il n’est pas possible d’affirmer la supériorité d’une version sur l’autre de façon générale.

Dans le deuxième tableau, les deux populations sont affectées par la variable picturale, mais de façon diamétralement opposée. Cet exemple montre l’importance d’analyser l’effet simple des variables à la lumière de l’effet d’interaction. L’effet simple de la variable picturale, étudié hors contexte, pourrait laisser croire qu’elle n’a pas d’impact sur les deux populations.

Dans le tableau ci-dessous, les deux populations bénéficient de la présence de l’illustration de façon analogue, quoique à des degrés variables. Cet exemple montre l’importance d’étudier l’effet d’interaction au moyen d’une analyse de variance et non seulement de tests post hoc. L’utilisation exclusive de comparaisons statistiques binaires (p. ex. test de Dunn, t de Student) risque de ne pas révéler l’existence d’un tel effet d’interaction. Les deux populations sont affectées significativement par la présence de l’illustration, la seule différence étant le degré d’impact de la présence de l’illustration.

Enfin, dans le quatrième tableau, l’effet d’interaction est non significatif, bien que les effets simples des deux variables soient significatifs.

La représentation visuelle des interactions sous forme de figures facilite leur compréhension. Nous y avons recours dans ce chapitre chaque fois qu’une interaction est statistiquement significative dans le cadre d’une analyse de variance, ou que les tests post hoc permettent le de croire. (Strictement parlant, l’interaction entre variables ne peut être déterminée que dans le cadre d’une analyse de variance. Toutefois, en absence de telles statistiques dans les expériences concernées, nous nous appuyerons sur les tests post hoc pour inférer l’existence possible d’un effet d’interaction.) Dans les figures qui suivent, l’effet d’interaction significatif se traduit par le non-parallèlisme, voire l’intersection des deux droites. L’absence d’interaction, représentée à la dernière figure, se traduit par le parallélisme (approximatif) des deux droites.

suite...