Saviez-vous que le taux global de criminalité augmente au fur et à mesure que les ventes de glaces augmentent ? Est-il possible que le fait de vous laisser tenter par votre saveur de glace préférée puisse vous inciter à commettre des délits ?

Ou bien, après avoir commis un crime, pensez-vous que vous pourriez décider de vous offrir un cône ? Il ne fait aucun doute qu'il existe une relation entre la glace et le crime (par exemple, Harper, 2013), mais il serait assez stupide de décider qu'une chose a réellement provoqué l'autre.

Il est beaucoup plus probable que les ventes de glaces et le taux de criminalité soient tous deux liés à la température extérieure. Lorsque la température est chaude, beaucoup de gens sortent de chez eux, interagissent entre eux, s'énervent les uns les autres et commettent parfois des crimes. En outre, lorsqu'il fait chaud dehors, nous sommes plus susceptibles de chercher une friandise fraîche comme une glace. Comment déterminer s'il existe effectivement une relation entre deux choses ? Et lorsqu'il y a une relation, comment pouvons-nous discerner si elle est attribuable à une coïncidence ou à un lien de causalité ?

Recherche corrélationnelle

La corrélation signifie qu'il existe une relation entre deux ou plusieurs variables (telles que la consommation de glace et la criminalité), mais cette relation n'implique pas nécessairement une relation de cause à effet. Lorsque deux variables sont corrélées, cela signifie simplement que si une variable change, l'autre change aussi. Nous pouvons mesurer la corrélation en calculant une statistique connue sous le nom de coefficient de corrélation. Un coefficient de corrélation est un nombre de -1 à +1 qui indique la force et la direction de la relation entre les variables. Le coefficient de corrélation est généralement représenté par la lettre r.

La partie numérique du coefficient de corrélation indique la force de la relation. Plus le nombre est proche de 1 (qu'il soit négatif ou positif), plus les variables sont fortement liées, et plus les changements d'une variable seront prévisibles au fur et à mesure que l'autre variable change. Plus le nombre est proche de zéro, plus la relation est faible et moins les relations entre les variables sont prévisibles. Par exemple, un coefficient de corrélation de 0,9 indique une relation beaucoup plus forte qu'un coefficient de corrélation de 0,3. Si les variables ne sont pas du tout liées entre elles, le coefficient de corrélation est de 0. L'exemple ci-dessus concernant les glaces et la criminalité est un exemple de deux variables dont on peut s'attendre à ce qu'elles n'aient aucun rapport entre elles.

Le signe - positif ou négatif - du coefficient de corrélation indique le sens de la relation. Une corrélation positive signifie que les variables évoluent dans la même direction. Autrement dit, cela signifie que lorsqu'une variable augmente, l'autre augmente aussi, et inversement, lorsqu'une variable diminue, l'autre diminue aussi. Une corrélation négative signifie que les variables se déplacent dans des directions opposées. Si deux variables sont corrélées négativement, une diminution d'une variable est associée à une augmentation de l'autre et vice versa.

L'exemple des glaces et des taux de criminalité est une corrélation positive car les deux variables augmentent lorsque les températures sont plus chaudes. D'autres exemples de corrélations positives sont la relation entre la taille et le poids d'une personne ou la relation entre l'âge d'une personne et le nombre de rides. On pourrait s'attendre à ce qu'il existe une corrélation négative entre la fatigue d'une personne pendant la journée et le nombre d'heures de sommeil la nuit précédente : la quantité de sommeil diminue à mesure que la sensation de fatigue augmente. Dans un exemple concret de corrélation négative, des chercheurs étudiants de l'Université du Minnesota ont constaté une faible corrélation négative (r = -0,29) entre le nombre moyen de jours par semaine où les étudiants ont dormi moins de 5 heures et leur moyenne générale (Lowry, Dean, & Manders, 2010). Gardez à l'esprit qu'une corrélation négative n'est pas la même chose qu'une absence de corrélation. Par exemple, nous ne trouverions probablement aucune corrélation entre les heures de sommeil et la pointure des chaussures.

Comme nous l'avons déjà mentionné, les corrélations ont une valeur prédictive. Imaginez que vous êtes membre du comité d'admission d'une grande université. Vous êtes confronté à un grand nombre de candidatures, mais vous ne pouvez accueillir qu'un petit pourcentage du vivier de candidats. Comment pourriez-vous décider qui devrait être admis ? Vous pourriez essayer de mettre en corrélation la moyenne générale de vos étudiants actuels avec leurs résultats aux tests standardisés comme le SAT ou l'ACT. En observant quelles corrélations sont les plus fortes pour vos étudiants actuels, vous pourriez utiliser ces informations pour prédire la réussite relative des étudiants qui ont fait une demande d'admission à l'université.

Les diagrammes de dispersion sont une vue graphique de la force et de la direction des corrélations. Plus la corrélation est forte, plus les points de données sont proches d'une ligne droite. Dans ces exemples, nous voyons qu'il existe (a) une corrélation positive entre le poids et la taille, (b) une corrélation négative entre la fatigue et les heures de sommeil, et (c) aucune corrélation entre la taille des chaussures et les heures de sommeil.

La corrélation n'indique pas de lien de causalité

La recherche corrélationnelle est utile car elle nous permet de découvrir la force et la direction des relations qui existent entre deux variables. Cependant, la corrélation est limitée car l'établissement de l'existence d'une relation nous en dit peu sur la cause et l'effet. Si les variables sont parfois corrélées parce que l'une cause l'autre, il se peut aussi qu'un autre facteur, une variable confondante, soit en fait à l'origine du mouvement systématique de nos variables d'intérêt. Dans l'exemple de la crème glacée et du taux de criminalité mentionné plus haut, la température est une variable confondante qui pourrait expliquer la relation entre les deux variables. Même lorsque nous ne pouvons pas mettre en évidence de variables confondantes claires, nous ne devons pas supposer qu'une corrélation entre deux variables implique qu'une variable entraîne des changements dans une autre. Cela peut être frustrant lorsqu'une relation de cause à effet semble claire et intuitive. Repensez à notre discussion sur les recherches menées par l'American Cancer Society et à la façon dont leurs projets de recherche ont été parmi les premières démonstrations du lien entre le tabagisme et le cancer. Il semble raisonnable de supposer que le tabagisme provoque le cancer, mais si nous nous limitions à la recherche corrélationnelle, nous dépasserions nos limites en faisant cette hypothèse.

Malheureusement, les gens font sans cesse des affirmations erronées sur le lien de causalité en fonction des corrélations. Ces affirmations sont particulièrement fréquentes dans les publicités et les reportages. Par exemple, des recherches récentes ont montré que les personnes qui mangent régulièrement des céréales atteignent un poids plus sain que celles qui en mangent rarement (Frantzen, Treviño, Echon, Garcia-Dominic, & DiMarco, 2013 ; Barton et al., 2005). Devinez comment les entreprises céréalières rapportent ce résultat. La consommation de céréales incite-t-elle réellement une personne à maintenir son poids santé, ou existe-t-il d'autres explications possibles, comme le fait qu'une personne ayant un poids santé est plus susceptible de prendre régulièrement un petit déjeuner sain qu'une personne obèse ou une personne qui évite les repas pour suivre un régime ? Si la recherche corrélationnelle est précieuse pour identifier les relations entre les variables, une limitation majeure est l'incapacité à établir une causalité. Les psychologues veulent faire des déclarations sur les causes et les effets, mais la seule façon de le faire est de mener une expérience pour répondre à une question de recherche. La section suivante décrit comment les expériences scientifiques intègrent des méthodes qui éliminent ou contrôlent les explications alternatives, ce qui permet aux chercheurs d'explorer comment les changements d'une variable provoquent des changements dans une autre variable.

Manger des céréales permet-il vraiment à quelqu'un d'avoir un meilleur poids ? (crédit : Tim Skillern)

Corrélations illusoires

La tentation de faire des déclarations de cause à effet erronées basées sur la recherche corrélationnelle n'est pas la seule façon dont nous avons tendance à mal interpréter les données. Nous avons également tendance à commettre l'erreur d'établir des corrélations illusoires, en particulier avec des observations non systématiques. Les corrélations illusoires, ou fausses corrélations, se produisent lorsque les gens croient que des relations existent entre deux choses alors qu'aucune relation de ce type n'existe. Une corrélation illusoire bien connue est l'effet supposé que les phases de la lune ont sur le comportement humain. De nombreuses personnes affirment avec passion que le comportement humain est affecté par les phases de la lune, et plus particulièrement que les gens agissent bizarrement lorsque la lune est pleine.

Beaucoup de gens croient qu'une pleine lune fait que les gens se comportent bizarrement. (credit: Cory Zanker)

Il est indéniable que la lune exerce une puissante influence sur notre planète. Le flux et le reflux des marées de l'océan sont étroitement liés aux forces gravitationnelles de la lune. Beaucoup de gens pensent donc qu'il est logique que nous soyons également affectés par la lune. Après tout, notre corps est en grande partie constitué d'eau. Une méta-analyse de près de 40 études a toutefois démontré de façon constante que la relation entre la lune et notre comportement n'existe pas (Rotton & Kelly, 1985). Bien que nous soyons plus attentifs aux comportements étranges pendant la phase de pleine lune, les taux de comportements étranges restent constants tout au long du cycle lunaire.

Pourquoi sommes-nous si enclins à croire à de telles corrélations illusoires ? Souvent, nous les lisons ou en entendons parler et nous acceptons simplement l'information comme étant valable. Ou bien, nous avons une intuition sur le fonctionnement d'une chose et nous cherchons ensuite des preuves pour étayer cette intuition, en ignorant les preuves qui nous indiqueraient que notre intuition est fausse ; c'est ce qu'on appelle le biais de confirmation. D'autres fois, nous trouvons des corrélations illusoires basées sur les informations qui nous viennent le plus facilement à l'esprit, même si ces informations sont très limitées. Et si nous pouvons être sûrs de pouvoir utiliser ces relations pour mieux comprendre et prévoir le monde qui nous entoure, les corrélations illusoires peuvent présenter des inconvénients importants. Par exemple, des recherches suggèrent que les corrélations illusoires - dans lesquelles certains comportements sont attribués de manière inexacte à certains groupes - sont impliquées dans la formation d'attitudes préjudiciables qui peuvent finalement conduire à un comportement discriminatoire (Fiedler, 2004).

Causalité : mener des expériences et utiliser les données

Comme vous l'avez appris, la seule façon d'établir qu'il existe une relation de cause à effet entre deux variables est de mener une expérience scientifique. L'expérience a une signification différente dans le contexte scientifique que dans la vie de tous les jours. Dans la conversation de tous les jours, nous l'utilisons souvent pour décrire le fait d'essayer quelque chose pour la première fois, comme par exemple l'expérimentation d'une nouvelle coiffure ou d'un nouvel aliment. Cependant, dans le contexte scientifique, une expérience a des exigences précises en matière de conception et de mise en œuvre.

L'hypothèse expérimentale

Pour mener une expérience, un chercheur doit avoir une hypothèse précise à tester. Comme vous l'avez appris, les hypothèses peuvent être formulées soit par l'observation directe du monde réel, soit après un examen minutieux des recherches précédentes. Par exemple, si vous pensez que les enfants ne devraient pas être autorisés à regarder des programmes violents à la télévision parce que cela les amènerait à se comporter de manière plus violente, alors vous avez essentiellement formulé une hypothèse, à savoir que le fait de regarder des programmes télévisés violents amène les enfants à se comporter de manière plus violente. Comment avez-vous pu arriver à cette hypothèse particulière ? Vous avez peut-être des parents plus jeunes qui regardent des dessins animés mettant en scène des personnages utilisant les arts martiaux pour sauver le monde des malfaiteurs, avec un éventail impressionnant de coups de poing, de coups de pied et de postures défensives. Vous remarquez qu'après avoir regardé ces programmes pendant un certain temps, vos jeunes parents imitent le comportement de combat des personnages représentés dans le dessin animé.

Voir un tel comportement juste après qu'un enfant ait regardé une émission de télévision violente pourrait vous amener à supposer que le fait de regarder une émission de télévision violente entraîne une augmentation de l'affichage de comportements violents (crédit : Emran Kassim)

Ce sont ces types d'observations personnelles qui nous amènent souvent à formuler une hypothèse spécifique, mais nous ne pouvons pas utiliser des observations personnelles limitées et des preuves anecdotiques pour tester rigoureusement notre hypothèse. Au lieu de cela, pour savoir si les données du monde réel soutiennent notre hypothèse, nous devons mener une expérience.

Concevoir une expérience

La conception expérimentale la plus élémentaire implique deux groupes : le groupe expérimental et le groupe témoin. Les deux groupes sont conçus pour être identiques, à l'exception d'une différence : la manipulation expérimentale. Le groupe expérimental reçoit la manipulation expérimentale - c'est-à-dire le traitement ou la variable testée (dans ce cas, des images télévisées violentes) - et le groupe de contrôle n'en reçoit pas. Comme la manipulation expérimentale est la seule différence entre le groupe expérimental et le groupe de contrôle, nous pouvons être sûrs que toute différence entre les deux est due à la manipulation expérimentale plutôt qu'au hasard.

Dans notre exemple de la manière dont les programmes de télévision violents peuvent affecter le comportement violent des enfants, nous avons demandé au groupe expérimental de regarder des programmes de télévision violents pendant un temps déterminé et de mesurer ensuite leur comportement violent. Nous mesurons le comportement violent de notre groupe de contrôle après qu'ils aient regardé des programmes télévisés non violents pendant la même durée. Il est important que le groupe de contrôle soit traité de la même manière que le groupe expérimental, à l'exception du fait que le groupe de contrôle ne reçoit pas la manipulation expérimentale. Par conséquent, nous faisons en sorte que le groupe de contrôle regarde des émissions de télévision non violentes pendant la même durée que le groupe expérimental.

Nous devons également définir précisément, ou opérationnaliser, ce qui est considéré comme violent et non violent. Une définition opérationnelle est une description de la façon dont nous allons mesurer nos variables, et elle est importante pour permettre aux autres de comprendre exactement comment et ce qu'un chercheur mesure dans une expérience particulière. En opérationnalisant le comportement violent, nous pouvons choisir de ne compter que les actes physiques comme les coups de pied ou de poing comme exemples de ce comportement, ou nous pouvons également choisir d'inclure les échanges verbaux de colère. Quoi que nous déterminions, il est important que nous opérationnalisions les comportements violents de telle sorte que toute personne qui entend parler de notre étude pour la première fois sache exactement ce que nous entendons par violence. Cela aide les gens à interpréter nos données ainsi qu'à répéter notre expérience s'ils le souhaitent.

Une fois que nous avons opérationnalisé ce qui est considéré comme une émission de télévision violente et ce qui est considéré comme un comportement violent de la part des participants à notre expérience, nous devons établir comment nous allons mener notre expérience. Dans ce cas, nous pourrions demander aux participants de regarder une émission de télévision de 30 minutes (violente ou non, selon leur appartenance au groupe) avant de les envoyer dans une aire de jeu pendant une heure où leur comportement est observé et où le nombre et le type d'actes violents sont enregistrés.

Idéalement, les personnes qui observent et enregistrent le comportement des enfants ne savent pas qui a été assigné au groupe expérimental ou au groupe de contrôle, afin de contrôler les préjugés de l'expérimentateur. Le biais de l'expérimentateur fait référence à la possibilité que les attentes d'un chercheur puissent fausser les résultats de l'étude. N'oubliez pas que la réalisation d'une expérience nécessite une planification importante et que les personnes impliquées dans le projet de recherche ont tout intérêt à soutenir leurs hypothèses. Si les observateurs savaient quel enfant fait partie de quel groupe, cela pourrait influencer l'attention qu'ils accordent au comportement de chaque enfant ainsi que la façon dont ils interprètent ce comportement. En ne sachant pas quel enfant fait partie de quel groupe, nous nous protégeons contre ces préjugés. Cette situation est une étude en simple aveugle, ce qui signifie que l'un des groupes (les participants) ne sait pas dans quel groupe il se trouve (groupe expérimental ou groupe témoin) alors que le chercheur qui a développé l'expérience sait quels participants se trouvent dans chaque groupe.

Dans une étude en double aveugle, les chercheurs et les participants sont aveugles aux affectations de groupe. Pourquoi un chercheur voudrait-il mener une étude où personne ne sait qui fait partie de quel groupe ? Parce qu'en procédant ainsi, nous pouvons contrôler les attentes des expérimentateurs et des participants. Si vous connaissez l'expression "effet placebo", vous savez déjà pourquoi il s'agit d'une considération importante. L'effet placebo se produit lorsque les attentes ou les croyances des personnes influencent ou déterminent leur expérience dans une situation donnée. En d'autres termes, le simple fait de s'attendre à ce qu'une chose se produise peut en fait la faire se produire.

L'effet placebo est généralement décrit comme un test de l'efficacité d'un nouveau médicament. Imaginez que vous travaillez dans une entreprise pharmaceutique et que vous pensez disposer d'un nouveau médicament efficace pour traiter la dépression. Pour démontrer que votre médicament est efficace, vous faites une expérience avec deux groupes : Le groupe expérimental reçoit le médicament, et le groupe témoin ne le reçoit pas. Mais vous ne voulez pas que les participants sachent s'ils ont reçu le médicament ou non.

Pourquoi cela ? Imaginez que vous êtes un participant à cette étude et que vous venez de prendre une pilule qui, selon vous, va améliorer votre humeur. Parce que vous vous attendez à ce que la pilule ait un effet, vous pourriez vous sentir mieux simplement parce que vous avez pris la pilule et non à cause d'un médicament réellement contenu dans la pilule - c'est l'effet placebo.

Pour s'assurer que tout effet sur l'humeur est dû au médicament et non à des attentes, le groupe de contrôle reçoit un placebo (dans ce cas, une pilule de sucre). Maintenant, tout le monde reçoit une pilule et, une fois de plus, ni le chercheur ni les participants à l'expérience ne savent qui a reçu le médicament et qui a reçu la pilule de sucre. Toute différence d'humeur entre le groupe expérimental et le groupe témoin peut désormais être attribuée au médicament lui-même plutôt qu'à un biais de l'expérimentateur ou aux attentes des participants.

Le fait de fournir au groupe de contrôle un traitement placebo protège contre le biais causé par l'attente. (crédit : Elaine et Arthur Shapiro)

Variables indépendantes et dépendantes

Dans une expérience de recherche, nous nous efforçons d'étudier si des changements dans une chose entraînent des changements dans une autre. Pour y parvenir, nous devons prêter attention à deux variables importantes, ou choses qui peuvent être modifiées, dans toute étude expérimentale : la variable indépendante et la variable dépendante. Une variable indépendante est manipulée ou contrôlée par l'expérimentateur. Dans une étude expérimentale bien conçue, la variable indépendante est la seule différence importante entre le groupe expérimental et le groupe de contrôle. Dans notre exemple de la manière dont les programmes de télévision violents affectent l'affichage de comportements violents par les enfants, la variable indépendante est le type de programme - violent ou non violent - regardé par les participants à l'étude. Une variable dépendante est ce que le chercheur mesure pour voir l'effet de la variable indépendante. Dans notre exemple, la variable dépendante est le nombre d'actes violents affichés par les participants à l'expérience.

Dans une expérience, les manipulations de la variable indépendante devraient entraîner des changements dans la variable dépendante. (crédit "arme automatique" : modification du travail de Daniel Oines ; crédit "pistolet jouet" : modification du travail d'Emran Kassim)

Nous nous attendons à ce que la variable dépendante change en fonction de la variable indépendante. En d'autres termes, la variable dépendante dépend de la variable indépendante. Une bonne façon de réfléchir à la relation entre les variables indépendantes et les variables dépendantes est de se poser cette question : Quel est l'effet de la variable indépendante sur la variable dépendante ? Pour revenir à notre exemple, quel effet a le fait de regarder une demi-heure d'émission de télévision violente ou non violente sur le nombre d'incidents d'agression physique affichés sur le terrain de jeu ?

Sélection et affectation des participants à l'expérimentation

Maintenant que notre étude est conçue, nous devons obtenir un échantillon d'individus à inclure dans notre expérience. Notre étude implique des participants humains, nous devons donc déterminer qui inclure. Les participants sont les sujets de la recherche psychologique et, comme leur nom l'indique, les individus qui participent à la recherche psychologique participent activement au processus. Souvent, les projets de recherche psychologique font appel à des étudiants universitaires comme participants. En fait, la grande majorité des recherches dans les sous-domaines de la psychologie ont historiquement impliqué des étudiants comme participants à la recherche (Sears, 1986 ; Arnett, 2008). Mais les étudiants sont-ils vraiment représentatifs de la population générale ? Les étudiants ont tendance à être plus jeunes, plus instruits, plus libéraux et moins diversifiés que la population générale. Bien que l'utilisation d'étudiants comme sujets de test soit une pratique acceptée, s'appuyer sur un groupe aussi limité de participants à la recherche peut être problématique car il est difficile de généraliser les résultats à l'ensemble de la population.

Notre expérience hypothétique implique des enfants, et nous devons d'abord générer un échantillon d'enfants participants. Nous utilisons des échantillons parce que les populations sont généralement trop importantes pour que chaque membre puisse raisonnablement participer à notre expérience particulière. Si possible, nous devrions utiliser un échantillon aléatoire (il existe d'autres types d'échantillons, mais pour les besoins de ce chapitre, nous nous concentrerons sur les échantillons aléatoires). Un échantillon aléatoire est un sous-ensemble d'une population plus large dans laquelle chaque membre de la population a une chance égale d'être sélectionné. Les échantillons aléatoires sont préférés car si l'échantillon est suffisamment grand, nous pouvons être raisonnablement sûrs que les individus participants sont représentatifs de la population plus large. Cela signifie que les pourcentages des caractéristiques de l'échantillon - sexe, origine ethnique, niveau socio-économique et toute autre caractéristique susceptible d'affecter les résultats - sont proches de ces pourcentages dans la population plus large.

Dans notre exemple, disons que nous décidons que notre population d'intérêt est celle des élèves de quatrième année. Mais tous les élèves de quatrième année constituent une population très importante, nous devons donc être plus précis ; nous pourrions plutôt dire que notre population d'intérêt est constituée de tous les élèves de quatrième année d'une ville donnée. Nous devons inclure des élèves de différentes tranches de revenus, situations familiales, races, ethnies, religions et zones géographiques de la ville. Cette population étant plus facile à gérer, nous pouvons travailler avec les écoles locales pour sélectionner un échantillon aléatoire d'environ 200 élèves de quatrième année que nous voulons faire participer à notre expérience.

En résumé, comme nous ne pouvons pas tester tous les élèves de quatrième année d'une ville, nous voulons trouver un groupe d'environ 200 élèves qui reflète la composition de cette ville. Avec un groupe représentatif, nous pouvons généraliser nos résultats à l'ensemble de la population sans craindre que notre échantillon ne soit biaisé d'une manière ou d'une autre.

Les chercheurs peuvent travailler avec (a) une grande population ou (b) un groupe échantillon qui est un sous-ensemble de la grande population. (crédit "foule" : modification du travail de James Cridland ; crédit "étudiants" : modification du travail de Laurie Sullivan)

Maintenant que nous disposons d'un échantillon, la prochaine étape du processus expérimental consiste à répartir les participants en groupes expérimentaux et en groupes témoins par le biais d'une assignation aléatoire. Grâce à la répartition aléatoire, tous les participants ont une chance égale d'être affectés à l'un ou l'autre groupe. Un logiciel statistique permet d'assigner de manière aléatoire chacun des élèves de quatrième année de l'échantillon soit au groupe expérimental, soit au groupe témoin.

L'assignation aléatoire est essentielle pour une bonne conception expérimentale. Avec des échantillons suffisamment importants, l'assignation aléatoire rend peu probable l'existence de différences systématiques entre les groupes. Ainsi, par exemple, il serait très improbable que nous obtenions un groupe composé uniquement d'hommes, une identité ethnique donnée ou une idéologie religieuse donnée. C'est important car si les groupes étaient systématiquement différents avant le début de l'expérience, nous ne connaîtrions pas l'origine des différences que nous constatons entre les groupes : Les différences étaient-elles préexistantes, ou étaient-elles dues à la manipulation de la variable indépendante ? L'assignation aléatoire nous permet de supposer que toute différence observée entre le groupe expérimental et le groupe témoin résulte de la manipulation de la variable indépendante.

Questions à considérer

Si les expériences permettent aux scientifiques de faire des affirmations de cause à effet, elles ne sont pas sans problèmes. Les véritables expériences exigent de l'expérimentateur qu'il manipule une variable indépendante, ce qui peut compliquer de nombreuses questions que les psychologues pourraient vouloir aborder. Par exemple, imaginez que vous vouliez savoir quel est l'effet du sexe (la variable indépendante) sur la mémoire spatiale (la variable dépendante). Bien que vous puissiez certainement rechercher les différences entre les hommes et les femmes dans une tâche qui fait appel à la mémoire spatiale, vous ne pouvez pas contrôler directement le sexe d'une personne. Nous classons ce type d'approche de recherche comme quasi-expérimentale et reconnaissons que nous ne pouvons pas faire d'allégations de cause à effet dans ces circonstances.

Les expérimentateurs sont également limités par des contraintes éthiques. Par exemple, vous ne pourriez pas mener une expérience visant à déterminer si le fait d'avoir été victime d'abus dans l'enfance entraîne une baisse de l'estime de soi chez les adultes. Pour mener une telle expérience, vous devriez assigner au hasard certains participants à un groupe qui subit des abus, et cette expérience serait contraire à l'éthique.

Interprétation des résultats expérimentaux

Une fois les données collectées auprès du groupe expérimental et du groupe témoin, une analyse statistique est effectuée pour déterminer s'il existe des différences significatives entre les deux groupes. Une analyse statistique détermine la probabilité que toute différence constatée soit due au hasard (et donc non significative). En psychologie, les différences entre les groupes sont considérées comme significatives, ou significatives, si les chances que ces différences soient dues au seul hasard sont de 5 % ou moins. Autrement dit, si nous répétions cette expérience 100 fois, nous nous attendrions à trouver les mêmes résultats au moins 95 fois sur 100.

La plus grande force des expériences est la capacité d'affirmer que toute différence significative dans les résultats est causée par la variable indépendante. Cela est dû au fait que la sélection aléatoire, l'attribution aléatoire et un plan qui limite les effets du biais de l'expérimentateur et de l'attente des participants devraient créer des groupes similaires en termes de composition et de traitement. Par conséquent, toute différence entre les groupes est attribuable à la variable indépendante, et nous pouvons enfin faire une déclaration de cause à effet. Si nous constatons que le fait de regarder un programme de télévision violent entraîne un comportement plus violent que le fait de regarder un programme non violent, nous pouvons dire sans risque que le fait de regarder des programmes de télévision violents entraîne une augmentation de l'affichage de comportements violents.

Rapports de recherche

Lorsque les psychologues terminent un projet de recherche, ils veulent généralement partager leurs découvertes avec d'autres scientifiques. L'American Psychological Association (APA) publie un manuel détaillant la manière de rédiger un article à soumettre aux revues scientifiques. Contrairement à un article qui pourrait être publié dans un magazine comme Psychology Today, qui s'adresse à un public général intéressé par la psychologie, les revues scientifiques publient généralement des articles de revues à comité de lecture destinés à un public de professionnels et d'universitaires qui sont eux-mêmes activement impliqués dans la recherche.

Un article de revue à comité de lecture est lu par plusieurs autres scientifiques (généralement de manière anonyme) ayant une expertise dans le domaine concerné. Ces pairs examinateurs donnent leur avis - à l'auteur et au rédacteur en chef de la revue - sur la qualité du projet. Les pairs examinateurs recherchent une justification solide de la recherche décrite, une description claire de la manière dont la recherche a été menée et la preuve que la recherche a été menée de manière éthique. Ils recherchent également des défauts dans la conception de l'étude, les méthodes et les analyses statistiques. Ils vérifient que les conclusions tirées par les auteurs semblent raisonnables compte tenu des observations faites au cours de la recherche. Les pairs examinateurs commentent également la valeur de la recherche pour faire progresser les connaissances de la discipline. Cela permet d'éviter la duplication inutile des résultats de recherche dans la littérature scientifique et, dans une certaine mesure, de garantir que chaque article de recherche apporte de nouvelles informations. En fin de compte, le rédacteur de la revue compilera tous les commentaires des pairs évaluateurs et déterminera si l'article sera publié dans son état actuel (ce qui est rare), publié avec des révisions ou non accepté pour publication.

L'évaluation par les pairs permet un certain degré de contrôle de la qualité de la recherche en psychologie. Les études mal conçues ou mal exécutées peuvent être éliminées, et même les recherches bien conçues peuvent être améliorées par les révisions suggérées. L'évaluation par les pairs garantit également que la recherche est décrite suffisamment clairement pour permettre à d'autres scientifiques de la reproduire, ce qui signifie qu'ils peuvent répéter l'expérience en utilisant différents échantillons pour en déterminer la fiabilité. Parfois, les réplications impliquent des mesures supplémentaires qui élargissent la découverte initiale. Dans tous les cas, chaque réplication sert à fournir plus de preuves pour appuyer les résultats de la recherche originale. Les réplications réussies de recherches publiées rendent les scientifiques plus aptes à adopter ces résultats, tandis que les échecs répétés ont tendance à mettre en doute la légitimité de l'article original et à amener les scientifiques à chercher ailleurs. Par exemple, ce serait une avancée majeure dans le domaine médical si une étude publiée indiquait que la prise d'un nouveau médicament aidait les individus à atteindre un poids sain sans modifier leur alimentation. Mais si d'autres scientifiques ne pouvaient pas reproduire les résultats, les affirmations de l'étude originale seraient remises en question.

Le mythe du vaccin contre l'autisme et la rétraction des études publiées

Certains scientifiques ont affirmé que les vaccins de routine pour les enfants provoquent le développement de l'autisme chez certains d'entre eux et, en fait, plusieurs publications évaluées par des pairs ont publié des recherches faisant état de ces affirmations. Depuis les premiers rapports, des recherches épidémiologiques à grande échelle ont suggéré que les vaccinations ne sont pas responsables de l'autisme et qu'il est beaucoup plus sûr de faire vacciner son enfant que de ne pas le faire. En outre, plusieurs des études initiales qui affirmaient cela ont été retirées depuis.

Un travail publié peut être annulé lorsque les données sont remises en question en raison de falsifications, de fabrications ou de graves problèmes de conception de la recherche. Une fois annulée, la communauté scientifique est informée que la publication originale pose de sérieux problèmes. Les rétractations peuvent être initiées par le chercheur qui a mené l'étude, par des collaborateurs de recherche, par l'institution qui a employé le chercheur, ou par le comité éditorial de la revue dans laquelle l'article a été publié à l'origine. Dans le cas du vaccin contre l'autisme, la rétractation a été faite en raison d'un conflit d'intérêts important dans lequel le chercheur principal avait un intérêt financier à établir un lien entre les vaccins pour enfants et l'autisme (Offit, 2008). Malheureusement, les premières études ont reçu une telle attention des médias que de nombreux parents dans le monde entier ont hésité à faire vacciner leurs enfants. Pour plus d'informations sur le déroulement de l'histoire des vaccins et de l'autisme, ainsi que sur les répercussions de cette histoire, consultez le livre de Paul Offit, intitulé Autism's False Prophets (Les faux prophètes de l'autisme) : Bad Science, Risky Medicine, and the Search for a Cure.

Certaines personnes pensent encore que les vaccinations provoquent l'autisme. (crédit : modification du travail par l'UNICEF Sverige)

Fiabilité et validité

La fiabilité et la validité sont deux considérations importantes qui doivent être prises en compte pour tout type de collecte de données. La fiabilité fait référence à la capacité de produire un résultat donné de manière constante. Dans le contexte de la recherche psychologique, cela signifie que tout instrument ou outil utilisé pour collecter des données le fait de manière cohérente et reproductible.

Malheureusement, être cohérent dans la mesure ne signifie pas nécessairement que vous avez mesuré quelque chose correctement. Pour illustrer ce concept, considérons une balance de cuisine qui serait utilisée pour mesurer le poids des céréales que vous mangez le matin. Si la balance n'est pas correctement calibrée, elle peut constamment sous-estimer ou surestimer la quantité de céréales qui est mesurée. Bien que la balance soit très fiable et donne des résultats constants (par exemple, la même quantité de céréales versée sur la balance donne la même lecture à chaque fois), ces résultats sont incorrects. C'est là que la validité entre en jeu. La validité fait référence à la mesure dans laquelle un instrument ou un outil donné mesure avec précision ce qu'il est censé mesurer. Si toute mesure valide est nécessairement fiable, l'inverse n'est pas nécessairement vrai. Les chercheurs s'efforcent d'utiliser des instruments qui sont à la fois très fiables et valides.

Quelle est la validité du SAT ?

Les tests standardisés comme le SAT sont censés mesurer l'aptitude d'un individu à suivre un enseignement supérieur, mais dans quelle mesure ces tests sont-ils fiables et valables ? Les recherches menées par le College Board suggèrent que les résultats du SAT ont une validité prédictive élevée pour la moyenne générale des étudiants de première année d'université (Kobrin, Patterson, Shaw, Mattern et Barbuti, 2008). Dans ce contexte, la validité prédictive fait référence à la capacité du test à prédire efficacement la moyenne générale des étudiants de première année d'université. Étant donné que de nombreux établissements d'enseignement supérieur exigent le SAT pour l'admission, ce degré élevé de validité prédictive pourrait être réconfortant.

Toutefois, l'accent mis sur les résultats du SAT lors de l'admission à l'université a suscité une certaine controverse sur plusieurs fronts. D'une part, certains chercheurs affirment que le SAT est un test biaisé qui désavantage les étudiants issus des minorités et réduit injustement la probabilité d'être admis dans un établissement d'enseignement supérieur (Santelices & Wilson, 2010). En outre, certaines recherches ont suggéré que la validité prédictive du SAT est grossièrement exagérée dans la mesure où il est capable de prédire la moyenne générale des étudiants de première année d'université. En fait, il a été suggéré que la validité prédictive du SAT pourrait être surestimée de 150 % (Rothstein, 2004). De nombreux établissements d'enseignement supérieur commencent à envisager de réduire l'importance des résultats du SAT dans les décisions d'admission (Rimer, 2008).

En 2014, le président du conseil d'administration du collège, David Coleman, s'est dit conscient de ces problèmes, reconnaissant que la réussite universitaire est plus précisément prédite par les notes obtenues au lycée que par les résultats du SAT. Pour répondre à ces préoccupations, il a demandé que des changements significatifs soient apportés à l'examen SAT (Lewin, 2014).

D'après Analyzing Findings of psychological research