L’échelle de Likert dans un mémoire : concevoir et analyser ses items en 2026

L’échelle de Likert est un outil de mesure d’attitude qui demande au répondant d’exprimer son degré d’accord avec une série d’énoncés, généralement sur 5 ou 7 points allant de « pas du tout d’accord » à « tout à fait d’accord ». Conçue par Rensis Likert en 1932, elle reste la méthode la plus utilisée pour quantifier des opinions, perceptions ou comportements dans un mémoire de recherche quantitative.

Quelle est l’origine de l’échelle de Likert ?

L’échelle de Likert doit son nom au psychologue américain Rensis Likert, qui l’a présentée dans sa thèse de doctorat en 1932 sous le titre A Technique for the Measurement of Attitudes. Son objectif était de dépasser les limites des échelles de Thurstone, jugées trop coûteuses à construire car elles nécessitaient un panel de juges pour pondérer chaque énoncé au préalable. Likert propose à la place une méthode où le répondant indique lui-même son degré d’accord sur une série d’items, et où le score total résulte de la somme ou de la moyenne des réponses individuelles.

Depuis, cette technique s’est imposée comme un standard dans les sciences sociales, la gestion, la psychologie et les sciences de l’éducation, notamment parce qu’elle permet de mesurer des construits abstraits — satisfaction, motivation, engagement, perception — à travers des indicateurs observables et agrégeables. Dans un mémoire, elle est souvent mobilisée pour opérationnaliser une hypothèse issue de la revue de littérature, avant d’être administrée via un questionnaire en ligne pour mémoire.

Comment est structurée une échelle de Likert ?

Une échelle de Likert se compose d’un ensemble d’items (affirmations) associés à une échelle de réponse graduée. Le nombre de points de cette échelle est l’un des premiers choix méthodologiques à documenter dans le chapitre méthodologie, car il conditionne à la fois la richesse de l’information collectée et la difficulté d’analyse.

Nombre de points : 4, 5 ou 7 ?

Le format à 5 points reste le plus répandu car il offre un bon compromis entre simplicité de réponse et finesse de mesure. Le format à 7 points augmente la sensibilité de la mesure et peut améliorer la fiabilité statistique, mais il exige des répondants une discrimination plus fine, parfois difficile sur des sujets peu familiers. Le format à 4 points, sans point neutre, force le répondant à prendre position — une stratégie parfois utilisée volontairement pour éviter la tendance centrale.

Nombre pair ou impair de points ?

Un nombre impair de points (5 ou 7) inclut un point médian neutre (« ni d’accord ni en désaccord »), qui permet au répondant de ne pas se positionner. Un nombre pair (4, 6) supprime cette option et oblige à choisir un camp. Ce choix doit être justifié : le point neutre peut refléter une réponse authentique, mais il est parfois utilisé par facilité par des répondants peu impliqués, ce qui dilue la variance des données.

Comment rédiger des items Likert efficaces ?

La qualité d’une échelle de Likert dépend moins du nombre de points que de la rigueur avec laquelle les items ont été rédigés. Un item mal formulé introduit un biais de mesure qui invalide, en partie ou en totalité, les résultats obtenus.

Formulation claire et univoque

Chaque item doit exprimer une seule idée. Les énoncés à double contenu (« Je trouve ce cours intéressant et bien organisé ») empêchent de savoir à quoi renvoie l’accord ou le désaccord du répondant. La formulation doit également éviter le jargon technique, les négations multiples et les termes vagues comme « souvent » ou « généralement », qui sont interprétés différemment selon les répondants.

Énoncés inversés (reverse-coded items)

Intégrer certains items formulés négativement (par exemple, à côté de « Je me sens soutenu par mon équipe », insérer « Je me sens isolé dans mon équipe ») permet de vérifier que les répondants lisent attentivement chaque énoncé plutôt que de cocher mécaniquement la même position sur toute la grille. Ces items doivent être recodés en sens inverse avant tout traitement statistique, sous peine de fausser les scores composites.

Biais d’acquiescement et désirabilité sociale

Le biais d’acquiescement désigne la tendance de certains répondants à approuver systématiquement les affirmations, indépendamment de leur contenu. Le biais de désirabilité sociale, quant à lui, pousse le répondant à répondre de façon à donner une image favorable de lui-même plutôt qu’à exprimer son opinion réelle. Ces deux biais peuvent être atténués par l’alternance d’items positifs et négatifs, par l’anonymisation du questionnaire et par une formulation neutre qui ne suggère pas de réponse « attendue ».

L’échelle de Likert est-elle ordinale ou d’intervalle ?

Cette question méthodologique divise la communauté scientifique depuis des décennies et doit être tranchée explicitement dans le mémoire, car elle détermine les tests statistiques légitimes à appliquer.

Sur le plan strictement théorique, un item Likert isolé est une variable ordinale : l’écart perçu entre « d’accord » et « tout à fait d’accord » n’est pas nécessairement identique à l’écart entre « pas d’accord » et « neutre ». Traiter ces catégories comme des intervalles égaux revient à faire une hypothèse forte sur la perception des répondants.

Cependant, une large partie de la littérature méthodologique admet qu’un score composite, obtenu en additionnant ou en moyennant plusieurs items Likert mesurant le même construit, se rapproche statistiquement d’une variable d’intervalle. C’est cette distinction — item isolé versus score composite — qui justifie l’usage fréquent de la moyenne et des tests paramétriques sur des échelles Likert agrégées, à condition que la fiabilité de l’échelle ait été vérifiée au préalable.

Quelles analyses statistiques appliquer aux données Likert ?

Le choix des analyses dépend directement de la position méthodologique adoptée sur le niveau de mesure.

Statistiques descriptives : médiane, mode et moyenne

Pour un item Likert traité comme ordinal, la médiane et le mode sont les mesures de tendance centrale appropriées, car elles ne présupposent pas d’égalité entre les intervalles. La moyenne reste néanmoins largement utilisée dans la pratique de recherche, en particulier pour des scores composites, mais son usage sur un item isolé continue de faire débat et doit être justifié dans le mémoire.

Construire un score composite fiable

Avant d’additionner ou de moyenner les items d’une même dimension, il est indispensable de vérifier leur cohérence interne à l’aide du coefficient alpha de Cronbach. Un alpha inférieur à 0,70 signale généralement une échelle peu fiable, qu’il faut retravailler avant d’en tirer un score composite exploitable. La procédure complète de calcul et d’interprétation de ce coefficient sous SPSS est détaillée dans notre article sur l’alpha de Cronbach et la fidélité d’un questionnaire de mémoire.

Analyses factorielles

Lorsque l’échelle comprend un grand nombre d’items censés mesurer plusieurs dimensions latentes, une analyse en composantes principales permet de vérifier la structure factorielle réelle des données et d’identifier d’éventuels items mal chargés ou redondants. Cette étape est particulièrement recommandée avant de calculer des scores composites par dimension. Notre guide sur l’analyse en composantes principales (ACP) sous SPSS détaille pas à pas cette procédure appliquée à des données de type Likert.

Tests inférentiels adaptés

Pour des items ordinaux isolés, les tests non paramétriques (Mann-Whitney, Kruskal-Wallis, corrélation de Spearman) sont recommandés. Pour des scores composites dont la fiabilité et la normalité ont été vérifiées, les tests paramétriques (test t, ANOVA, corrélation de Pearson) deviennent défendables. Le choix doit toujours être explicité et justifié dans la partie méthodologie, en cohérence avec la position adoptée sur le niveau de mesure.

Dans certains mémoires en gestion ou en stratégie, les résultats issus d’une échelle de Likert servent également de matière première à un diagnostic qualitatif plus large, par exemple pour alimenter une analyse SWOT qui croise les perceptions mesurées avec d’autres sources de données internes et externes à l’organisation étudiée.

Quelles sont les erreurs fréquentes à éviter ?

• Mélanger niveaux de mesure sans le justifier : appliquer une moyenne à un item isolé sans discuter sa légitimité méthodologique.
• Ignorer la fiabilité de l’échelle : calculer un score composite sans avoir vérifié l’alpha de Cronbach au préalable.
• Oublier de recoder les items inversés : un oubli fréquent qui fausse silencieusement les scores composites.
• Utiliser un nombre de points incohérent avec l’objectif : choisir 7 points pour un public peu familier avec le sujet, générant des réponses aléatoires.
• Ne pas piloter le questionnaire : administrer l’échelle sans phase pilote préalable pour détecter les items ambigus.
• Confondre échelle de Likert et « type Likert » : une seule question à choix graduée n’est pas une échelle de Likert au sens strict, qui suppose un ensemble d’items sommés.

FAQ