Les méthodes qualitatives visent à analyser la nature socialement construite des relations humaines, en examinant les spécificités des phénomènes sociaux que les personnes observent ou expérimentent (Given, 2008).
Les méthodes qualitatives visent à analyser la nature socialement construite des relations humaines, en examinant les spécificités des phénomènes sociaux que les personnes observent ou expérimentent (Given, 2008). Les instruments qualitatifs sont généralement utilisés pour examiner les nouveaux phénomènes émergents afin de décrire et comprendre les opinions, sentiments, expériences, comportements, attitudes, croyances, émotions et contextes sociaux des individus. Ainsi, les données s'expriment à travers des mots et des significations, et non des nombres ou des statistiques comme dans les méthodes quantitatives. Selon Potton (2002), les méthodes qualitatives sont adaptées en cas de sélection d'approches qualitatives pour une enquête d'évaluation, pour collecter des données qualitatives fiables, les analyser et produire des rapports d'évaluation qualitative de qualité. L'efficacité de la recherche qualitative tient également à sa capacité à expliquer les facteurs intangibles qui sont profondément enracinés (par exemple les relations entre les genres et le pouvoir, les normes sociales, les rituels et la culture, les barrières sociétales, la race et l'ethnicité). Ainsi, l'expérience vécue par une population donnée et la complexité de son environnement peuvent être vérifiées, validées et généralisées dans des résultats valables pour une population élargie. Dans les méthodes qualitatives, les données sont collectées de différentes manières, à travers par exemple des questions ouvertes et des commentaires écrits dans des questionnaires, des entretiens individuels, des groupes de discussion, des carnets, des journaux et des agendas, des observations, des documents, des rapports, des articles de presse, des récits et des études de cas (Taylor-Powell et Renner, 2003).
Bien que les méthodes qualitatives présentent des avantages pour produire des preuves convaincantes et empiriques, qui sont utiles pour partager les opinions et favoriser les changements, elles peuvent aussi aboutir à d'immenses quantités de données, avec pour conséquence des processus complexes d'analyse des données qualitatives (INTRAC, 2017). Seidel (1998) a affirmé que le «processus d'analyse des données qualitatives est complexe» (p.2). Toutefois, selon Taylor-Powell et Renner (2003), l'analyse des données qualitative requiert de la créativité, de la discipline et une approche systématique, et il n'y a pas une seule ou meilleure manière de faire. Selon eux, le processus d'analyse des données qualitatives s'appuie sur trois éléments: (1) les questions d'évaluation; (2) les besoins d'information des utilisateurs; (3) la disponibilité des ressources.
Dans ce blog, je souhaite partager mon expérience d'utilisation des méthodes qualitatives en mettant l'accent sur l'approche du changement le plus significatif (Most Significant Change [MSC]) et le recours au codage, en adoptant l'analyse de contenu comme modèle de base pour l'analyse et l'interprétation des données, avec pour objectif d'entendre les voix du terrain.
Exemple: Dans une évaluation que j'ai réalisée sur un programme de leadership, j'ai utilisé la technique du «changement le plus significatif» (Most Significant Change, MSC). Le MSC est une méthode qualitative qui adopte une approche basée sur le récit, utilisée généralement dans les programmes sociaux ou les projets de développement complexes. L'évaluateur ne doit pas suivre préalablement les changements sociaux au moyen d'indicateurs prédéfinis, notamment ceux qui peuvent être dénombrés et mesurés. Le MSC recueille les récits les plus significatifs auprès des parties prenantes du projet visé à différents niveaux, afin de recueillir et sélectionner des récits de changement issus du terrain, en intégrant la collecte et l'analyse des données. Il ne vise pas à évaluer les changements mais plutôt à établir comment les changements ont eu lieu, quand, où et pourquoi. Il permet la quantification des réalisations observées à travers une perspective différente des méthodes d'évaluation conventionnelles, sans nécessairement collecter des données quantitatives. À l'aide du MSC, je suis parvenue à appréhender les changements générés par le programme de leadership au niveau du développement personnel, les changements transformateurs au niveau institutionnel et les changements observés au niveau des communautés à travers le renforcement du leadership des participants du programme.
- Travailler avec des codes pour l'analyse des données qualitatives
Le recours à des logiciels tels que ATLAS.ti facilite l'analyse des données qualitatives, avec l'émergence de thèmes et de modèles de données au cours du processus de codage. Le codage est défini comme une pratique visant à simplifier les données denses afin de comprendre certains mots, attribuer des significations et établir des relations, en désagrégeant les données textuelles pour voir ce qu'elles comportent, avant de les réunir de nouveau de manière pertinente (Elliot, 2018). Le codage émergent (inductif) ou a priori (déductif) est intuitif et informatif, et permet de procéder à une analyse thématique à travers de nouveaux thèmes afin d'améliorer l'efficacité et l'impact d'une intervention sur les moyens d'existence des participants, ou de procéder à une analyse de contenu permettant de tirer des interprétations, d'avoir une compréhension plus approfondie des phénomènes et de déduire la communication dans le contexte d'une intervention donnée. Afin de garantir une analyse des données qualitatives sans faille, l'innovation continue dans la collecte des données et le codage des contenus constituent la base de l'analyse de contenu et sont nécessaires pour comprendre de manière approfondie les phénomènes et développer de nouvelles réflexions au fur et à mesure que l'analyse des données progresse (Lacy et al., 2015). L'analyse de contenu dans les méthodes qualitatives peut recourir aussi bien aux données qualitatives qu'aux données quantitatives, de manière inductive ou déductive.
Exemple: J'ai évalué la conception et le plan de mise en œuvre d'un programme de bourses d'études visant à couvrir les frais d'inscription en soutien aux parents à faibles revenus. À l'aide de codes nouveaux servant de base à une analyse de contenu inductive, les résultats ont montré que le programme était bien conçu, avec une équipe de gestion résiliente malgré la faiblesse des cycles de financement. En s'appuyant sur les nouveaux codes, les résultats montrent que le groupe travaillait sur les manières d'améliorer l'octroi des bourses en perfectionnant leurs critères, en mettant l'accent sur la qualité plutôt que sur la quantité des bénéficiaires, en augmentant les efforts de mobilisation des ressources et en diversifiant les sources de financement pour la durabilité du programme. Une meilleure interprétation des nouveaux codes et l'analyse de contenu inductive a contribué à tirer des conclusions impartiales. La conclusion reflète l'avis de la direction du programme, puisque l'équipe travaillait aux manières d'améliorer les critères des bourses pour les futurs programmes et au renforcement de la compétitivité de ces dernières, afin de veiller à ce que les étudiants soient mieux préparés pour le test d'entrée et se voient accorder la bourse selon leur mérite.
Limites des actions des méthodes qualitatives
- Si les méthodes qualitatives présentent des avantages, il est encourageant de compléter les données qualitatives par des données quantitatives pour appréhender l'ampleur et la profondeur de l'évaluation du programme et tirer des conclusions impartiales.
- Le recours aux codes pour l'analyse des données qualitatives, bien qu'il soit intuitif et informatif, génère une grande quantité de codes parfois difficiles à analyser et qui requièrent beaucoup de temps si l'évaluateur n'a pas de stratégie d'analyse des données claires pour décider de manière éclairée le type de données à générer. Le codage doit être fait avec une finalité claire (Elliot, 2018).
- Si un évaluateur décide d'utiliser le MSC, il est important de sélectionner une taille d'échantillon réaliste. Un échantillon de petite taille ne permettra pas de valider ni de généraliser les résultats de l'évaluation. La sélection des récits à évaluer peut être biaisée, ce qui présente un risque élevé pour la validité des récits et des changements engendrés par l'évaluation.
Références
Elliott, V. (2018). Thinking about the Coding Process in Qualitative Data Analysis. The Qualitative Report [Réfléchir au processus de codage dans les analyses de données qualitatives. Le rapport qualitatif] 2018. Vol. 23. N. 11. How To Article 5, 2850-2861. University of Oxford, Royaume-Uni.
Given, L. M. (2008). The sage encyclopedia of qualitative research methods [L'encyclopédie intelligente des méthodes de recherche qualitatives]. Thousand Oaks, CA: Sage Publications.
INTRAC. (2017). Types of Evaluation. [Les types d'évaluation]. Retrieved January 22, 2023, disponible à: https://www.intrac.org/
Lacy, S., Watson, B.R., Riffe, D. et Lovejoy, J. (2015). Issues and best practices in content analysis. [Les problématiques et les meilleures pratiques dans l'analyse de contenu]. Journalism and Mass Communication Quarterly. Vol. 92. N.4. p.781-811. DOI: 10.1177/1077699015607338. Thousand Oaks, CA: Sage Publications
Patton. M. Q. (2002). Qualitative research and evaluation methods [La recherche qualitative et les méthodes d'évaluation](3e éd.). Thousand Oaks, CA: Sage Publications.
Siedel, J.V. (1998). Qualitative Data Analysis [L'analyse des données qualitatives]. Qualis Research. [En ligne]. Disponible à: www.qualisreserach.com
Taylor-Powell, E., et Renner, M. (2003). Analyzing Qualitative Data [Analyser les données qualitatives]. Program Development & Evaluation (G3658-12), 1–12. [En ligne]. Disponible à: https://www.betterevaluation.org/tools-resources/analysing-qualitative-data