NotebookLM vs Humata vs SciSpace : quel outil IA pour lire tes PDFs académiques en 2026 ?

Tu télécharges un article de 40 pages en anglais, tu survoles l’abstract, tu te noies dans la méthodologie. Multiplié par quinze sources obligatoires, la revue de littérature de ton mémoire ressemble à un mur. Les outils IA de lecture de PDFs — NotebookLM vs Humata vs SciSpace — promettent de transformer ce mur en dialogue : poser une question, obtenir une réponse citée, passer à la source suivante. Mais en 2026, ces trois outils ne jouent pas dans la même catégorie, et choisir le mauvais peut te faire perdre autant de temps qu’il t’en ferait gagner.

Ce comparatif s’appuie sur les fonctionnalités actuelles vérifiées de chaque outil. Tu trouveras un tableau synthétique, une analyse détaillée par cas d’usage, la question du compte institutionnel qui bloque de nombreux étudiants français, et une recommandation claire selon ton profil.

Réponse rapide : NotebookLM (Google, gratuit) excelle pour synthétiser plusieurs sources en même temps avec des citations précises. Humata est le choix pragmatique pour interroger rapidement un PDF unique avec un budget serré. SciSpace s’impose dès que tu veux accéder à une base de 280 millions de papers académiques sans uploader manuellement tes fichiers. Aucun des trois ne remplace un outil de rédaction structurée pour le corps de ton mémoire.

Tableau comparatif rapide : NotebookLM vs Humata vs SciSpace en 2026

Critère	NotebookLM	Humata AI	SciSpace
Tarif de base	Gratuit (plan Free pérenne)	Gratuit (60 pages/mois)	Gratuit (100 crédits IA/mois)
Plan payant	Plus 7,99 $/mois · Pro 19,99 $/mois · Ultra 249,99 $/mois	Student 1,99 $/mois · Expert 9,99 $/mois · Team 99 $/mois	Premium ~12 $/mois · Advanced ~90 $/mois
Sources / PDFs	50 sources/notebook (Free) · 300 (Pro)	60 pages/mois (Free) · illimité (Expert+)	Upload PDF + accès à 280 M+ de papers
Citations sourcées	Oui, avec renvoi inline	Oui, extraits surlignables	Oui, avec numéro de page
Multi-sources	Fort (jusqu’à 50 sources croisées)	Limité (1 doc à la fois en free)	Moyen (PDF + base interne)
Audio Overview	Oui (3/jour en free)	Non	Non
Langue interface	Multilingue (répond en français)	Principalement anglais	Multilingue (menu déroulant)
Compte institutionnel	Compte Google requis (blocage fréquent)	Email standard suffisant	Email standard suffisant
Idéal pour	Corpus multi-articles · état de l’art	Un rapport ou un article à décortiquer vite	Recherche de papers + analyse en continu

NotebookLM (Google) : la synthèse multi-sources qui change la revue de littérature

NotebookLM est développé par Google DeepMind et tourne sur Gemini 1.5 Pro. Sa promesse centrale : tu crées un « notebook », tu y déposes jusqu’à 50 sources hétérogènes (PDFs, Google Docs, pages web, vidéos YouTube, fichiers audio), et tu interroges l’ensemble du corpus comme s’il s’agissait d’une seule base de connaissances personnelle. Toutes les réponses sont ancrées exclusivement dans tes sources — l’outil ne puise pas dans sa mémoire d’entraînement, ce qui élimine une grande partie du risque d’hallucination.

Fonctionnalités clés en 2026

Audio Overview : NotebookLM génère un podcast de style conversationnel à partir de tes sources (3 générés par jour en plan gratuit). Utile pour assimiler un corpus en déplacement.
Guides d’étude et mind maps : l’outil peut produire automatiquement des flashcards, des questionnaires, des résumés structurés et des cartes mentales à partir de tes sources.
Citations inline : chaque assertion de l’IA est accompagnée d’un renvoi cliquable vers le passage source exact dans le document original.
Deep Research : 10 sessions par mois en plan gratuit, qui lancent une analyse approfondie inter-sources.

Limites à connaître

NotebookLM ne recherche pas de papers dans des bases de données externes. Tu dois uploader toi-même chaque source. Si tu ne sais pas encore quels articles chercher, il ne t’aide pas à les trouver. Par ailleurs, les PDFs protégés par DRM ne peuvent pas être importés. Enfin, la limite de 50 sources par notebook (plan gratuit) est contraignante pour une thèse avec une bibliographie extensive — le plan Pro (300 sources) devient alors nécessaire.

Point de vigilance — compte institutionnel : NotebookLM exige un compte Google. Si ton université bloque les services Google sur les réseaux Wi-Fi internes ou interdit l’usage des comptes @univ.fr avec des outils tiers, tu risques de te heurter à un mur dès le premier jour. Vérifie la politique de ta DSI avant de construire tout ton workflow dessus.

Humata AI : l’interrogatoire express du document unique

Humata AI positionne son outil comme un spécialiste de l’analyse documentaire rapide. L’interface est délibérément épurée : tu uploades un PDF, tu poses tes questions, tu obtiens des réponses avec des extraits surlignables directement dans le document d’origine. Pas de fonctionnalité annexe distrayante.

Ce que Humata fait particulièrement bien

Extraction depuis les figures et tableaux : Humata inclut un mode « Thinking » qui raisonne sur les données visuelles (graphiques, tableaux statistiques), utile pour les mémoires en sciences et gestion.
Réponses citées et surlignables : chaque réponse inclut un lien vers le passage exact ; un clic t’amène directement à la ligne concernée dans le PDF.
Tarif étudiant : à 1,99 $/mois, le plan Student est l’un des plus abordables du marché pour une utilisation sérieuse.

Limites réelles

Sur le plan gratuit, Humata impose 60 pages par mois et une restriction à 1 document à la fois. Pour un mémoire de master avec une bibliographie de 20 articles, cela se révèle vite insuffisant. La synthèse multi-sources n’est pas native : tu peux déposer plusieurs fichiers, mais croiser automatiquement des informations entre deux articles de 30 pages chacun reste difficile. Humata est pensé pour le document unique, et c’est là qu’il brille.

L’interface est majoritairement en anglais. Les réponses peuvent être demandées en français, mais la qualité de traduction dépend de la qualité du texte source. Pour un corpus entièrement francophone (rapport DREES, thèse HAL, revue Cairn), l’expérience est correcte mais pas optimisée.

SciSpace : le corpus de 280 millions de papers à portée de chat

SciSpace se distingue des deux autres outils par sa dimension base de données : en plus de permettre l’upload de PDFs, il donne accès à un corpus de plus de 280 millions de publications académiques indexées. Tu peux donc trouver un article et l’analyser dans le même environnement, sans passer par Google Scholar puis re-uploader le fichier dans un autre outil.

Fonctionnalités distinctives

Chat with PDF intégré à la recherche : tu trouves un paper dans la base SciSpace, tu cliques sur « Chat with PDF » et tu l’interroges immédiatement.
Explications des formules mathématiques : une fonctionnalité hover permet de faire expliquer les équations et les notations statistiques directement dans le texte — particulièrement utile pour les mémoires en économie, physique ou sciences de la vie.
Multilinguisme : SciSpace propose un menu déroulant pour obtenir des résumés dans la langue de ton choix, dont le français.
Extension Chrome : tu peux activer SciSpace Copilot directement sur n’importe quelle page web ou PDF ouvert dans le navigateur.

Ce qu’il faut surveiller

Des utilisateurs ont signalé des cas d’hallucination sur des références dans les versions récentes de SciSpace : l’outil peut générer une citation en apparence correcte qui pointe vers un article qui n’existe pas ou qui ne contient pas l’information indiquée. Toute référence extraite doit être vérifiée dans Google Scholar ou PubMed avant intégration. Le plan gratuit est limité à 100 crédits IA par mois, ce qui se consomme rapidement en session de travail intensive. Le plan Premium (~12 $/mois) est conçu pour les chercheurs et étudiants en master avec un besoin régulier.

Pour aller plus loin dans la comparaison d’outils de revue de littérature, consulte notre article sur Elicit vs Consensus vs Scite pour la revue de littérature de ton mémoire, qui couvre des outils davantage axés sur la recherche systématique et l’extraction de données.

La question du compte institutionnel : un obstacle sous-estimé

Beaucoup d’étudiants français découvrent trop tard que leur université bloque partiellement ou totalement certains services cloud grand public. NotebookLM, en particulier, est fréquemment inaccessible depuis les réseaux Wi-Fi universitaires lorsque la politique de la DSI interdit les Google Workspace non certifiés.

Voici les trois situations que tu peux rencontrer :

Blocage réseau : certains établissements filtrent les requêtes vers les API Google. Solution : utiliser ta connexion mobile (4G/5G) en dehors du campus.
Données personnelles et RGPD : uploader des données de recherche sensibles (données d’entretiens, données de patients) vers des serveurs Google ou américains peut poser un problème juridique selon le règlement de ton université et la directive RGPD. Humata précise dans ses conditions d’utilisation que les données peuvent être utilisées pour améliorer le modèle — lis les CGU avant d’uploader quoi que ce soit de confidentiel.
Absence de SSO institutionnel : ni NotebookLM, ni Humata, ni SciSpace ne proposent de Single Sign-On avec les identifiants ENT des universités françaises. Tu devras créer un compte personnel distinct.

Pour les données sensibles (entretiens anonymisés, données médicales), voir notre guide sur comment anonymiser les entretiens et données personnelles dans un mémoire de master avant de choisir ton outil.

Quel outil choisir selon ton profil en 2026 ?

Tu construis une revue de littérature avec 15 articles ou plus

Choix recommandé : NotebookLM. Sa capacité à croiser jusqu’à 50 sources dans un même notebook en fait l’outil le plus puissant pour identifier les convergences et divergences entre auteurs. Exporte tes PDFs depuis Google Scholar, crée un notebook dédié à ta thématique, et interroge le corpus entier en langage naturel. L’Audio Overview te permettra de réviser ton état de l’art pendant tes déplacements. Voir aussi notre comparatif ResearchRabbit vs Litmaps vs Connected Papers pour la phase de découverte des papers avant leur analyse.

Tu dois décortiquer un rapport technique ou une thèse dense

Choix recommandé : Humata AI. Pour un rapport DREES de 200 pages ou une thèse de doctorat que tu dois résumer en 48 heures, Humata est le plus direct. Le mode Thinking gère les tableaux et figures statistiques. Le plan Student à 1,99 $/mois est parfaitement adapté à un usage ponctuel.

Tu fais de la recherche continue et tu veux trouver et analyser dans le même outil

Choix recommandé : SciSpace. Accéder à 280 millions de papers sans quitter l’interface, expliquer les formules mathématiques à la volée, et obtenir des résumés en français — c’est le workflow le plus intégré pour un master ou une thèse en sciences dures ou en santé. Reste vigilant sur les hallucinations de références.

Tu as un budget zéro absolu

NotebookLM reste le meilleur choix gratuit. Son plan Free est pérenne (pas de période d’essai), les fonctionnalités core sont complètes, et il n’y a pas de limitation de pages de PDF — uniquement un plafond de 50 sources et 50 chats par jour, largement suffisant pour la majorité des projets de master.

Astuce combinaison : La stratégie la plus efficace consiste à utiliser SciSpace pour découvrir et pré-analyser les articles dans sa base, puis à importer les PDFs retenus dans NotebookLM pour une synthèse croisée approfondie. Ces deux outils sont gratuits à niveau basique et se complètent sans duplication de coût.

NotebookLM — assistant IA de recherche (Google DeepMind)

NotebookLM permet d’interroger jusqu’à 50 sources (PDFs, Google Docs, pages web) dans un notebook unique, avec des réponses ancrées exclusivement dans tes documents. Le plan gratuit est permanent et inclut 3 Audio Overviews par jour.

Accéder à NotebookLM (gratuit)

Source : notebooklm.google — Google DeepMind

Après la lecture : passer à la rédaction structurée

NotebookLM, Humata et SciSpace accomplissent une mission précise : lire, résumer et citer des PDFs. Ils ne rédigent pas un plan de mémoire, n’organisent pas ta problématique, ni ne structurent tes sections selon les normes académiques françaises. Une fois tes sources digérées, le passage à la rédaction reste un travail à part entière.

Pour cette étape, des outils comme Tesify prennent le relais : ils aident à structurer la revue de littérature, à rédiger les parties du mémoire en respectant les conventions académiques, et à éviter le plagiat involontaire. Pour organiser tes notes de recherche entre la phase de lecture et la phase de rédaction, notre guide sur Notion, Obsidian et OneNote pour les notes de recherche te donnera une méthode concrète.

Pour la gestion des références bibliographiques une fois la rédaction entamée, les trois outils d’analyse de PDFs ne génèrent pas de bibliographies aux normes APA 7 ou Chicago. Un gestionnaire dédié reste indispensable — voir notre comparatif Zotero vs Mendeley vs EndNote pour ton mémoire.

FAQ — NotebookLM vs Humata vs SciSpace PDF académique 2026

NotebookLM est-il gratuit en 2026 ?

Oui. Le plan gratuit de NotebookLM permet de créer jusqu’à 100 notebooks, d’uploader 50 sources par notebook et de générer 3 Audio Overviews par jour. Les plans payants (Plus à 7,99 $/mois, Pro à 19,99 $/mois, Ultra à 249,99 $/mois) augmentent ces limites. Aucune période d’essai limitée : le plan gratuit est permanent.

SciSpace peut-il lire des PDFs en français ?

SciSpace supporte plusieurs langues pour les réponses via un menu déroulant, ce qui permet d’interroger un article anglophone et d’obtenir un résumé en français. La qualité des réponses reste cependant meilleure sur des textes en anglais, langue dominante dans sa base de 280 millions de papers. Pour les sources en français (Cairn, OpenEdition), l’upload manuel fonctionne mais les explications de formules sont moins pertinentes.

Humata AI est-il utilisable avec un compte institutionnel ?

Humata propose un plan Team à 99 $/mois pour les équipes. Pour les étudiants souhaitant utiliser leur adresse universitaire, l’inscription standard suffit ; il n’existe pas de plan institutionnel avec SSO dédié contrairement à des outils comme Turnitin. Vérifiez auprès de votre université si un accès collectif a été négocié.

Quelle est la limite de pages PDF dans Humata ?

Sur le plan gratuit de Humata, la limite est de 60 pages par mois. Le plan Student (1,99 $/mois) et Expert (9,99 $/mois) augmentent significativement ce quota. Pour un mémoire avec des annexes volumineuses, le plan Expert est recommandé. Le plan gratuit convient pour tester l’outil sur un article court avant de s’abonner.

NotebookLM peut-il synthétiser plusieurs articles en même temps ?

Oui, c’est l’une des forces majeures de NotebookLM. Tu peux uploader jusqu’à 50 sources (plan gratuit) dans un même notebook — PDFs, Google Docs, pages web, vidéos YouTube — et poser des questions qui croisent l’ensemble du corpus. C’est idéal pour construire une revue de littérature multi-sources et identifier les convergences entre auteurs.

SciSpace invente-t-il des références ?

Des utilisateurs ont signalé des cas d’hallucination sur des références dans SciSpace, bien que l’outil cite ses sources avec des liens vers les pages. Il est fortement conseillé de vérifier chaque référence dans Google Scholar ou directement dans la base de données originale avant de l’intégrer à ton mémoire. Ne jamais copier-coller une référence SciSpace sans vérification indépendante.

Peut-on utiliser ces outils pour rédiger son mémoire directement ?

NotebookLM, Humata et SciSpace sont des outils de lecture et d’analyse de PDFs, pas des outils de rédaction académique structurée. Pour passer de la lecture des sources à la rédaction réelle de ton mémoire (plan, argumentation, citations formatées), un outil dédié comme Tesify est plus adapté. Ces outils de PDF sont la phase amont ; la rédaction est une étape distincte.

Tu as analysé tes sources — et maintenant ?

Extraire les idées clés de tes PDFs n’est que la moitié du travail. Structurer une revue de littérature cohérente, rédiger une problématique solide et produire un mémoire aux normes académiques françaises demande un outil pensé pour la rédaction, pas pour la lecture. Tesify accompagne des milliers d’étudiants francophones de la phase de documentation jusqu’à la soutenance.

La méthode Delphi dans la recherche académique : guide complet pour le mémoire et la thèse 2026

Votre directeur de mémoire vient de valider un objet d’étude qui exige de construire un consensus d’experts, de valider des items de questionnaire ou d’établir des priorités dans un domaine où les données empiriques font défaut. La méthode Delphi recherche mémoire s’impose alors comme l’une des approches les plus rigoureuses et les mieux documentées de la méthodologie académique contemporaine. Pourtant, sa mise en œuvre suscite des questions récurrentes : combien d’experts recruter ? Combien de tours conduire ? Comment calculer le consensus ? Comment le justifier devant un jury ?

Ce guide répond à ces questions avec la précision qu’exige un chapitre méthodologique de niveau master ou doctoral. Il s’appuie sur les références fondatrices de la méthode — Dalkey & Helmer (1963), Lynn (1986), Hasson, Keeney & McKenna (2000) — et sur des applications récentes publiées dans des revues académiques francophones, notamment Recherche en soins infirmiers.

En bref : La méthode Delphi est une technique itérative de consultation anonyme d’un panel d’experts structurée en deux à trois tours de questionnaires. Le consensus est atteint lorsque le Content Validity Index (CVI) calculé selon Lynn (1986) dépasse le seuil de 0,80 (80 % d’accord fort). Elle est particulièrement adaptée aux mémoires en sciences de la santé, sciences de l’éducation, sciences de gestion et sciences humaines et sociales.

1. Origines et fondements théoriques de la méthode Delphi

La méthode Delphi est née dans les années 1950 au RAND Corporation, institution de recherche américaine fondée après la Seconde Guerre mondiale. Norman Dalkey et Olaf Helmer l’ont formalisée dans un rapport de 1963 destiné à structurer des prévisions stratégiques militaires. Son nom est un clin d’œil à l’oracle de Delphes dans la Grèce antique, censé émettre des prédictions sur des questions d’importance majeure — une métaphore qui illustre la vocation originelle de la méthode : obtenir des avis éclairés sur des questions complexes lorsque les données objectives font défaut.

Dans les décennies suivantes, la méthode a migré des sciences militaires vers les sciences de la santé, les sciences de l’éducation, les sciences de gestion et les politiques publiques. Sa spécificité par rapport à d’autres méthodes de consensus — comités d’experts en présentiel, focus groups, nominales de groupe — tient à deux propriétés structurelles : l’anonymat entre participants et l’itérativité contrôlée. Ces deux propriétés permettent de recueillir des opinions indépendantes, d’en calculer la distribution, puis de les soumettre à nouveau aux experts pour qu’ils révisent ou confirment leurs positions en connaissance de ce que pensent leurs pairs.

Sur le plan épistémologique, la méthode Delphi s’inscrit dans une posture que l’on qualifie généralement de post-positiviste ou pragmatiste : elle ne cherche pas à découvrir une vérité objective par mesure directe, mais à construire un accord intersubjectif suffisamment robuste pour fonder des recommandations. Elle se situe ainsi à l’articulation des approches qualitatives et quantitatives — une dimension hybride que vous devrez assumer clairement dans la justification de votre posture épistémologique.

2. Quand utiliser la méthode Delphi dans un mémoire ou une thèse ?

La méthode Delphi n’est pas universellement applicable. Elle répond à des situations méthodologiques précises que votre cadrage doit identifier clairement avant de la retenir.

Tableau 1 — Situations favorables et défavorables à la méthode Delphi
Situation	Delphi pertinent ?	Justification
Validation d’items d’un questionnaire	Oui	Permet de mesurer la validité de contenu via le CVI
Absence de consensus dans la littérature	Oui	Construit un accord là où les études divergent
Identification de priorités politiques ou pratiques	Oui	Structuration des opinions d’acteurs ou décideurs
Exploration d’un phénomène peu connu	Partiel	Le premier tour peut être ouvert, mais n’est pas exploratoire au sens strict
Test d’une hypothèse causale	Non	Les méthodes expérimentales ou la régression sont appropriées
Description d’un groupe social ou d’une pratique	Non	Préférez l’enquête par questionnaire ou l’entretien semi-directif

Dans le contexte des mémoires de master et des thèses en France, la méthode Delphi est fréquemment mobilisée dans les disciplines suivantes : sciences infirmières, médecine, pharmacie, kinésithérapie, orthophonie (pour valider des outils cliniques), mais aussi sciences de l’éducation (construction de référentiels), management (priorisation stratégique) et politiques publiques (évaluation prospective).

3. Constitution du panel d’experts : critères, taille et recrutement

La qualité des résultats d’un Delphi dépend en premier lieu de la qualité du panel. Un panel mal constitué — trop homogène, trop petit, ou composé d’experts aux profils non pertinents — invalide l’ensemble de l’étude, quelle que soit la rigueur du traitement statistique.

3.1 Critères de sélection des experts

La notion d’« expert » doit être définie opérationnellement dans votre chapitre méthodologique. Un expert Delphi est une personne qui satisfait à des critères d’expertise formalisés que vous listez a priori. Ces critères peuvent inclure :

Un nombre minimal d’années de pratique professionnelle dans le domaine concerné (ex. : 5 ans d’expérience clinique en psychiatrie adulte)
Un niveau de diplôme ou de spécialisation (ex. : master 2, doctorat, diplôme d’État de spécialité)
Une production scientifique démontrable dans le champ (ex. : au moins une publication dans une revue à comité de lecture)
Une position institutionnelle pertinente (responsable pédagogique, chef de service, directeur de programme)

Ces critères doivent être définis avant le recrutement, non ajustés a posteriori en fonction de qui accepte de participer. Cette rigueur est attendue par les jurys de mémoire.

3.2 Taille du panel : entre rigueur et faisabilité

Lynn (1986) indique qu’un panel de 3 experts constitue un minimum absolu pour calculer un CVI, mais que l’utilisation de plus de 10 experts est généralement inutile d’un point de vue statistique. Dans la pratique académique, les études récentes publiées dans des revues de soins infirmiers et de sciences de l’éducation utilisent des panels de 10 à 20 experts.

Une étude publiée dans Recherche en soins infirmiers (2023) a ainsi constitué un panel de 11 experts, obtenant 9 répondants effectifs au premier tour (taux de réponse : 81,8 %) et 100 % au second tour — configuration considérée comme satisfaisante pour le calcul du CVI au seuil de 80 %.

Recommandation pratique : Pour un mémoire de master, visez un panel de 12 à 15 experts recrutés pour obtenir au minimum 10 répondants effectifs à chaque tour, en anticipant un taux d’attrition de 20 à 30 % entre le recrutement initial et le second tour.

3.3 Diversité du panel

La diversité disciplinaire, géographique et institutionnelle du panel renforce la validité externe de votre étude. Si votre objet porte sur des pratiques pédagogiques dans l’enseignement supérieur, recruter des experts issus d’une seule université ou d’une seule discipline fragilise la portée de vos conclusions. Documentez systématiquement la composition du panel dans un tableau descriptif présenté dans le chapitre méthodologique (âge moyen, ancienneté, établissement, spécialité).

4. L’anonymat : pilier méthodologique et contrôle des biais

L’anonymat entre participants est la propriété qui distingue fondamentalement le Delphi des autres méthodes de consultation collective. Comme le définit la méthode sur le plan théorique, les réponses sont collectées de manière anonyme afin de réduire les biais cognitifs liés à l’influence d’individus spécifiques.

Concrètement, cela signifie que :

Chaque expert ignore l’identité des autres membres du panel
Le chercheur agrège les réponses et ne transmet aux experts que des données statistiques anonymisées (moyennes, médianes, distributions)
Lors du tour suivant, chaque expert voit où se situe sa réponse par rapport à la distribution agrégée, sans identifier qui a répondu quoi

Cette architecture évite trois biais majeurs documentés dans la littérature sur la prise de décision collective :

L’effet de halo : tendance à surestimer les avis d’experts perçus comme plus légitimes ou plus expérimentés
Le conformisme de groupe : pression sociale vers une position majoritaire même si un expert a des raisons fondées de s’en écarter
La polarisation par le rang : influence disproportionnée du professeur ou du chef de service dans un panel hiérarchisé

D’un point de vue éthique et réglementaire, l’anonymat Delphi s’articule avec les exigences du RGPD dès lors que vous traitez des données personnelles d’experts identifiables. Vous devrez donc mettre en place un protocole d’anonymisation dès la collecte. Pour les détails du cadrage RGPD applicable aux entretiens et questionnaires académiques, consultez notre article sur le protocole RGPD pour entretiens de mémoire.

5. Les tours itératifs : protocole pas à pas

La structure en tours successifs est le cœur opérationnel de la méthode Delphi. Voici le protocole standard en trois rounds, avec les variantes acceptées pour un mémoire de master.

Tour 1 — Collecte et structuration initiale

Le premier tour peut prendre deux formes selon votre objectif :
- Forme fermée : vous soumettez une liste d’items préétablis (souvent issus d’une revue de littérature ou d’une scoping review) sur une échelle de Likert en 4 points (1 = non pertinent, 4 = très pertinent). C’est la forme la plus courante dans les études de validation de questionnaires.
- Forme ouverte : vous posez des questions ouvertes aux experts, dont vous analysez les réponses par codage thématique pour construire les items du tour 2. Cette forme demande davantage de temps et de compétences en analyse qualitative.
Délai recommandé : 2 à 3 semaines. Envoyez un rappel à J+7 et J+14 en cas de non-réponse.
Tour 2 — Rétroaction et repositionnement

Après le tour 1, vous calculez pour chaque item : la moyenne, la médiane et la distribution des réponses. Vous renvoyez aux experts un questionnaire identique accompagné d’une note de synthèse anonymisée indiquant pour chaque item : la distribution des réponses du tour 1 et la position de l’expert lui-même dans cette distribution (parfois représentée graphiquement).

L’expert peut alors confirmer son jugement initial ou le réviser à la lumière de l’opinion agrégée de ses pairs. C’est ce mécanisme de rétroaction contrôlée qui produit la convergence vers le consensus.

Calculez le CVI à l’issue du tour 2. Si le seuil de 0,80 est atteint pour tous les items, l’étude peut s’arrêter là.
Tour 3 — Consolidation (si nécessaire)

Un troisième tour n’est conduit que si des items restent en dessous du seuil de consensus après le tour 2. Dans ce cas, vous pouvez : soumettre les items problématiques à une nouvelle consultation, proposer des reformulations alternatives, ou décider d’éliminer les items sans consensus en le justifiant. Pour la majorité des mémoires de master, deux tours suffisent.

Tableau 2 — Calendrier type d’un Delphi en deux tours pour un mémoire de master
Étape	Durée estimée	Action principale
Revue de littérature & construction des items	3 à 4 semaines	Identification et formulation des items initiaux
Recrutement du panel	2 à 3 semaines	Envoi des invitations + lettres de consentement
Tour 1 — Envoi du questionnaire	2 à 3 semaines	Collecte des réponses + rappels
Analyse intermédiaire (entre les tours)	1 semaine	Calcul CVI provisoire + synthèse anonymisée
Tour 2 — Rétroaction + repositionnement	2 à 3 semaines	Collecte des réponses finales
Analyse finale & rédaction des résultats	1 à 2 semaines	CVI final + tableau de consensus + discussion

Schéma de la structure de communication de la méthode Delphi : panel d'évaluation tour 1 → rétroaction et monitoring → panel d'évaluation tour n → rapport final — Source : Wikimedia Commons — Delphi Method communication structure (CC BY-SA 3.0)

6. Mesurer le consensus : le CVI de Lynn (1986) et ses seuils

La mesure du consensus est l’opération statistique centrale d’un Delphi. Plusieurs indicateurs coexistent dans la littérature ; le plus utilisé dans le contexte académique francophone est le Content Validity Index (CVI) défini par Mary R. Lynn en 1986.

6.1 Calcul du CVI par item (I-CVI)

Le CVI par item se calcule comme suit :

    I-CVI = Nombre d’experts ayant attribué une note de 3 ou 4 / Nombre total d’experts ayant répondu
  

Sur une échelle en 4 points (1 = non pertinent, 2 = peu pertinent, 3 = pertinent, 4 = très pertinent), seules les notes de 3 et 4 comptent comme validation. Une note de 3 n’est pas une note intermédiaire neutre : elle est mathématiquement comptée comme un accord et contribue au CVI.

Seuil d’acceptation : un I-CVI ≥ 0,80 indique un consensus acceptable selon Lynn (1986). Un item dont le I-CVI est inférieur à ce seuil doit être révisé ou supprimé. Le seuil de 0,80 est également cohérent avec les recommandations de Polit & Beck (2006) pour les études de validation d’instruments.

6.2 CVI moyen à l’échelle (S-CVI/Ave)

Au niveau de l’instrument global, on calcule le S-CVI/Ave (Scale Content Validity Index, averaged) comme la moyenne arithmétique de tous les I-CVI. Un S-CVI/Ave ≥ 0,90 est considéré comme excellent (Polit & Beck, 2006). Un S-CVI/Ave compris entre 0,80 et 0,89 est acceptable.

6.3 Mesures complémentaires du consensus

Selon la discipline et les exigences du jury, vous pouvez compléter le CVI par :

Le pourcentage d’accord simple : proportion d’experts ayant donné exactement la même note à un item. Moins rigoureux que le CVI car il ignore l’intensité de l’accord.
La médiane et les quartiles (Q1–Q3) : la médiane mesure la tendance centrale ; un écart interquartile étroit (Q3 – Q1 ≤ 1) signale une convergence forte.
Le coefficient de variation (CV) : rapport écart-type/moyenne, exprimé en pourcentage. Un CV < 15 % indique une faible dispersion des réponses.

Ces indicateurs complémentaires sont particulièrement utiles lorsque votre jury exige une triangulation des mesures de consensus, ou lorsque vous conduisez un Delphi à dimension plus quantitative comparé à une méta-analyse dont les calculs d’effet size reposent sur des données primaires chiffrées.

7. Rédiger la justification du choix méthodologique

La justification du choix de la méthode Delphi dans votre chapitre méthodologique doit répondre à quatre questions que tout jury de mémoire ou comité de lecture sera en droit de poser.

7.1 Pourquoi le Delphi plutôt qu’une autre méthode ?

Vous devez démontrer que l’objet de votre recherche appelle spécifiquement cette méthode. Les arguments les plus solides sont :

La littérature existante ne permet pas de trancher la question : un manque de consensus documenté justifie le recours à la méthode
Les experts sont géographiquement dispersés ou appartiennent à des institutions différentes, ce qui rend une réunion en présentiel impraticable
L’objet d’étude est sensible ou hiérarchisé : l’anonymat est une protection nécessaire pour obtenir des opinions sincères

7.2 Comment avez-vous défini « expert » ?

Formulez des critères d’inclusion et d’exclusion explicites. Par exemple : « Ont été inclus comme experts les professionnels ayant au moins cinq ans d’expérience dans le champ X, titulaires d’un diplôme de niveau master 2 ou équivalent, et ayant exercé dans l’un des établissements appartenant à [région/réseau Y]. Ont été exclus les experts n’ayant pas répondu à l’invitation dans les délais impartis. »

7.3 Comment avez-vous garanti la validité de la procédure ?

Mentionnez explicitement :

Le seuil de consensus retenu et sa référence bibliographique (CVI ≥ 0,80, Lynn 1986)
Le nombre de tours prévu et les critères d’arrêt
Le mode d’administration (outil numérique, délais, rappels)
Le traitement de l’anonymat et la conformité RGPD

Si votre approche articule Delphi et d’autres méthodes qualitatives, pensez à ancrer ce choix dans une réflexion sur votre posture épistémologique et vos paradigmes de recherche.

7.4 Exemple de paragraphe de justification

« La méthode Delphi a été retenue en raison de l’absence de consensus dans la littérature sur [objet de recherche] et de la dispersion géographique des experts identifiés. Cette méthode permet d’obtenir des jugements experts indépendants tout en neutralisant les effets de hiérarchie et de conformisme de groupe inhérents aux réunions en présentiel (Dalkey & Helmer, 1963 ; Hasson, Keeney & McKenna, 2000). Le seuil de consensus a été fixé à un CVI ≥ 0,80 par item, conformément aux recommandations de Lynn (1986). Deux tours de consultation ont été conduits, jugés suffisants au regard des résultats obtenus au second tour. »

8. Limites et points de vigilance

Toute méthode présente des limites qu’un travail académique rigoureux doit identifier et discuter honnêtement. Pour le Delphi, les limites les plus fréquemment citées sont les suivantes.

8.1 La définition de l’expertise n’est pas universelle

Il n’existe pas de définition standard et universellement acceptée de ce qui constitue un « expert ». Selon les domaines, les critères varient considérablement. Cette plasticité conceptuelle peut être perçue comme une faiblesse méthodologique. Vous la contrebalancez en rendant vos critères de sélection aussi opérationnels et transparents que possible.

8.2 Le consensus n’est pas la vérité

Un consensus entre experts ne garantit pas que la réponse consensuelle est correcte ou vraiment représentative de la réalité. C’est un accord intersubjectif entre des personnes jugées compétentes — ce qui est différent d’une vérité empirique établie. Vos conclusions doivent donc être formulées en termes d’accord d’experts, non de faits établis.

8.3 L’attrition entre les tours

La perte de participants entre le tour 1 et le tour 2 peut compromettre la validité statistique du CVI. Si le nombre d’experts effectifs tombe en dessous de 10 au second tour, la fiabilité du calcul est discutable. Anticipez ce risque en constituant un panel légèrement surdimensionné et en formalisant l’engagement de participation dès le recrutement.

8.4 Temps de réalisation incompatible avec certains calendriers de mémoire

Un Delphi complet en deux tours prend généralement 8 à 12 semaines. Dans un mémoire de master avec une soutenance en juin, cela implique de lancer le recrutement du panel au plus tard en février ou mars. Un Delphi commencé en mai pour une soutenance en juin est méthodologiquement insuffisant — le jury le relèvera.

Point d’attention : Certains directeurs de mémoire considèrent que la méthode Delphi est trop ambitieuse pour un master 1 ou un master 2 professionnel. Validez impérativement le choix de cette méthode avec votre directeur avant d’engager le recrutement du panel.

Si vous travaillez sur une synthèse méthodologique plus large, la comparaison entre le Delphi et d’autres méthodes de synthèse comme la scoping review peut enrichir votre cadrage théorique, notamment pour les chapitres traitant de la complémentarité des méthodes dans les recherches mixtes.

Enfin, pour ce qui concerne la rédaction des données collectées lors des tours, l’outil Tesify vous permet de structurer automatiquement vos résultats Delphi — tableaux de CVI, synthèses par tour, présentation des items consensuels — directement dans le gabarit de votre chapitre de résultats.

FAQ — Méthode Delphi pour le mémoire et la thèse

Combien d’experts faut-il recruter pour un panel Delphi dans un mémoire de master ?

Pour un mémoire de master, un panel de 10 à 15 experts est généralement suffisant et recommandé dans la littérature (Lynn, 1986 ; Hasson et al., 2000). En dessous de 10 experts, la puissance statistique du calcul du CVI est insuffisante. Au-delà de 20, la gestion des désaccords devient complexe et peu productive. L’essentiel est de garantir une diversité de profils couvrant toutes les dimensions de votre objet d’étude.

Combien de tours (rounds) sont nécessaires dans une étude Delphi ?

La majorité des études Delphi utilisent deux à trois tours. Le premier tour collecte les jugements initiaux ; le deuxième permet aux experts de se repositionner en connaissance des réponses agrégées des pairs. Un troisième tour n’est nécessaire que si le seuil de consensus n’est pas atteint après le deuxième. Pour un mémoire de master, deux rounds sont la norme acceptable, à condition d’en justifier la suffisance dans le chapitre méthodologique.

Qu’est-ce que le Content Validity Index (CVI) de Lynn et comment le calculer ?

Le Content Validity Index (CVI) tel que défini par Lynn (1986) mesure la proportion d’experts ayant attribué une note de 3 ou 4 sur une échelle en 4 points (1 = non pertinent, 4 = très pertinent) à chaque item. Le calcul est : CVI = nombre d’experts ayant noté 3 ou 4 / nombre total d’experts. Un seuil CVI ≥ 0,80 indique un consensus acceptable. En dessous de ce seuil, l’item doit être révisé ou supprimé.

Pourquoi l’anonymat est-il essentiel dans la méthode Delphi ?

L’anonymat entre experts est le principal mécanisme de contrôle des biais cognitifs inhérents aux dynamiques de groupe : effet de halo, conformisme à l’opinion d’un expert dominant, pression sociale. En ne sachant pas qui a répondu quoi, chaque expert maintient une indépendance de jugement. C’est ce qui distingue structurellement le Delphi du focus group ou du comité d’experts en présentiel.

Dans quelle section du mémoire la méthode Delphi doit-elle être décrite ?

La méthode Delphi doit être décrite intégralement dans le chapitre méthodologique (généralement le chapitre 3). On y inclut : le choix et la justification épistémologique de la méthode, les critères de recrutement des experts, le protocole de chaque tour (questionnaire, délai de réponse, mode d’envoi), la méthode de calcul du consensus (CVI, pourcentage d’accord, quartiles), ainsi que les dimensions éthiques (anonymat, consentement RGPD).

La méthode Delphi est-elle qualitative ou quantitative ?

La méthode Delphi est hybride : elle articule une collecte qualitative (justifications textuelles des experts, reformulations d’items) et une analyse quantitative (calcul du CVI, statistiques descriptives sur les distributions de réponses). Elle s’inscrit le plus souvent dans une posture épistémologique pragmatiste ou post-positiviste, ce qui en fait un choix judicieux pour les approches méthodologiques mixtes dans les mémoires de master en sciences de la santé, sciences de l’éducation ou sciences de gestion.

Comment gérer les non-réponses entre les tours Delphi ?

Les non-réponses entre tours constituent un risque réel d’attrition qui peut fragiliser la validité de l’étude. Pour les limiter, il est recommandé de : prévoir des rappels à J+7 et J+14 après l’envoi du questionnaire ; constituer un panel légèrement surdimensionné (15 experts au lieu de 10 souhaités) ; établir au préalable un accord de participation formalisé par email. Si le taux de réponse tombe en dessous de 70 % au second tour, la validité des résultats doit être discutée explicitement dans le mémoire.

Peut-on utiliser un outil en ligne pour conduire un Delphi dans le cadre d’un mémoire ?

Oui. Les solutions les plus utilisées en contexte académique sont Google Forms, LimeSurvey (hébergeable sur les serveurs universitaires) et SurveyMonkey. Pour les mémoires soumis au RGPD — notamment en sciences de la santé et en sciences humaines — LimeSurvey hébergé sur les serveurs de l’établissement est préférable car il garantit que les données des experts restent sur le territoire de l’UE et ne transitent pas vers des serveurs tiers américains.

Références bibliographiques

Dalkey, N. & Helmer, O. (1963). An Experimental Application of the Delphi Method to the Use of Experts. Management Science, 9(3), 458–467.
Lynn, M. R. (1986). Determination and quantification of content validity. Nursing Research, 35(6), 382–385.
Hasson, F., Keeney, S. & McKenna, H. (2000). Research guidelines for the Delphi survey technique. Journal of Advanced Nursing, 32(4), 1008–1015.
Polit, D. F. & Beck, C. T. (2006). The content validity index: are you sure you know what’s being reported? Research in Nursing & Health, 29(5), 489–497.
Évaluation de France (2024). Méthode Delphi — Méthodes et outils. eval.fr.
Recherche en Soins Infirmiers (2023). Validation d’un outil d’évaluation des compétences par méthode Delphi. Recherche en soins infirmiers, 2023(3), 43–54. DOI via Cairn.info.

Catégorie : Mémoire et thèse