tesifyFrance
Commencer gratuitement
Comment ça marcheBlogAideContactSe connecter

Étiquette : questionnaire

  • Données manquantes dans un mémoire : MCAR, MAR, MNAR et que faire (2026)

    Données manquantes dans un mémoire : MCAR, MAR, MNAR et que faire (2026)

    Vous avez recruté 180 répondants. Vous lancez votre régression, et sous le tableau SPSS écrit discrètement : N = 121.

    Cinquante-neuf personnes viennent de disparaître de votre analyse sans que rien ne vous ait prévenu. Vous n’avez perdu aucun questionnaire : vous venez de rencontrer la suppression listwise, le comportement par défaut de SPSS face aux données manquantes.

    C’est le point aveugle le plus coûteux des mémoires quantitatifs, parce qu’il est silencieux : aucun message d’erreur, aucun avertissement, juste un N plus petit en bas d’un tableau que personne ne lit.

    Pourquoi la perte est bien plus grande qu’elle n’en a l’air

    La suppression listwise exclut un participant de l’analyse entière dès qu’il lui manque une seule valeur sur une seule des variables du modèle.

    L’arithmétique est brutale. Imaginez cinq variables, chacune manquant chez seulement 8 % des répondants, et des non-réponses réparties indépendamment. La probabilité qu’un participant soit complet sur les cinq est de 0,92⁵, soit environ 0,66 : un tiers de votre échantillon disparaît alors qu’aucune variable ne dépassait 8 % de manquants.

    C’est ce mécanisme multiplicatif qui explique l’écart entre le N que vous annoncez fièrement en méthodologie et le N réel de vos tests. Et il a deux conséquences distinctes :

    • Une perte de puissance. Votre calcul de taille d’échantillon, si vous en avez fait un avec G*Power, portait sur 180 personnes, pas sur 121. Votre étude est devenue sous-dimensionnée en cours de route.
    • Un risque de biais. Bien plus grave. Si les personnes qui n’ont pas répondu diffèrent systématiquement de celles qui ont répondu, votre échantillon analysé n’est plus représentatif de votre échantillon recruté.
    Effet de la suppression listwise sur la taille de l'échantillon analysé
    Cinq variables à 8 % de manquants chacune suffisent à faire perdre un tiers des participants.

    Les trois mécanismes : MCAR, MAR, MNAR

    La typologie classique distingue trois mécanismes. Ce n’est pas du jargon décoratif : c’est ce qui détermine si votre traitement est acceptable ou non.

    MCAR — manquant complètement au hasard

    Missing Completely At Random. L’absence de réponse ne dépend de rien : ni de la variable elle-même, ni d’aucune autre variable mesurée. Un questionnaire papier dont une page s’est détachée, une panne de serveur pendant une heure, une erreur de saisie aléatoire.

    Conséquence : c’est le cas le plus favorable. La suppression listwise reste non biaisée — vous ne perdez que de la puissance, pas de la validité. C’est aussi le cas le plus rare.

    MAR — manquant au hasard conditionnellement

    Missing At Random, une appellation trompeuse : le manque n’est pas aléatoire, il est explicable par d’autres variables que vous avez mesurées. Exemple typique : les hommes de votre échantillon répondent moins souvent que les femmes à la question sur le revenu. Le manque dépend du sexe — que vous connaissez — et non du revenu lui-même une fois le sexe pris en compte.

    Conséquence : la suppression listwise devient biaisée, puisqu’elle surreprésente les femmes dans l’analyse. Mais la situation est récupérable : puisque le sexe est mesuré, une méthode d’imputation peut exploiter cette information. C’est le cas le plus fréquent en pratique, et celui pour lequel l’imputation multiple a été conçue.

    MNAR — manquant de façon non aléatoire

    Missing Not At Random. L’absence dépend de la valeur manquante elle-même. Les personnes aux revenus les plus élevés refusent de déclarer leur revenu ; les étudiants les plus en difficulté ne répondent pas au questionnaire sur le décrochage ; les patients dont l’état s’est aggravé ne reviennent pas au suivi.

    Conséquence : c’est le cas problématique, et aucune méthode statistique ne le résout, parce que l’information nécessaire n’a jamais été recueillie. La seule conduite honnête est de l’identifier, de l’expliquer, et d’en discuter la direction probable du biais dans vos limites.

    Trois configurations de données manquantes dans une matrice
    Le même pourcentage de cases vides peut relever de trois mécanismes très différents. C’est la configuration, pas le taux, qui décide.

    Comment savoir dans quel cas vous êtes

    On ne peut pas prouver le mécanisme, et il faut le dire ainsi dans le mémoire. On peut néanmoins l’étayer sérieusement en trois étapes, dont deux sont à la portée de tout mémoire de master.

    1. Quantifier. Dressez le pourcentage de manquants par variable, pas seulement pour l’ensemble. Une variable à 22 % et neuf variables à 1 % ne posent pas le même problème, et la première est peut-être simplement une question mal formulée.

    2. Comparer les répondants et les non-répondants. C’est l’analyse la plus utile et la plus négligée. Créez une variable indicatrice (1 = donnée manquante sur X, 0 = présente), puis comparez les deux groupes sur toutes vos autres variables avec des tests t et des khi-deux. Si aucune différence n’apparaît, l’hypothèse MCAR est plausible. Si les non-répondants sont significativement plus jeunes, ou concentrés dans une filière, vous êtes en MAR et vous savez sur quelle variable.

    3. Le test MCAR de Little. Disponible dans Analyse → Analyse des valeurs manquantes (module complémentaire Missing Values, absent de certaines licences universitaires). Un résultat non significatif est compatible avec MCAR. Deux réserves : il ne distingue jamais MAR de MNAR, et comme tout test de condition il perd de la puissance sur petit échantillon.

    Les quatre traitements, et lequel défendre

    Méthode Quand Risque
    Suppression listwise MCAR, et moins de 5 % de manquants Perte de puissance ; biais si MAR
    Suppression pairwise Matrices de corrélations N différent d’une cellule à l’autre ; matrice parfois incohérente
    Imputation par la moyenne À éviter Réduit la variance, affaiblit les corrélations
    Imputation multiple MAR, dès 5-10 % de manquants Plus lourde à décrire, mais c’est la référence

    Pourquoi l’imputation par la moyenne est un mauvais réflexe

    Elle paraît raisonnable et se fait en deux clics, ce qui explique sa popularité. Le problème est mécanique : remplacer trente valeurs manquantes par la moyenne place trente points exactement au centre de la distribution. Vous réduisez artificiellement la variance, donc l’écart-type, donc les erreurs standard — et vous affaiblissez toutes les corrélations impliquant cette variable, puisque trente paires ne portent plus aucune variation. Le biais va vers l’absence d’effet, et un jury attentif le repérera immédiatement. Si vous y recourez malgré tout, limitez-la à un pourcentage très faible et déclarez-le explicitement.

    L’imputation multiple, en pratique

    C’est aujourd’hui la méthode de référence sous hypothèse MAR, et elle est plus accessible qu’on ne le croit. Le principe : plutôt qu’une seule valeur de remplacement, on en génère plusieurs jeux plausibles (typiquement 5 à 20) en exploitant les corrélations avec les autres variables, on analyse chaque jeu séparément, puis on combine les résultats selon des règles qui tiennent compte de l’incertitude liée à l’imputation. C’est exactement ce que l’imputation par la moyenne oublie de faire.

    Sous SPSS : Analyse → Imputation multiple → Imputer les valeurs manquantes. Le logiciel produit un fichier empilé, et toutes les analyses ultérieures affichent automatiquement une ligne Résultats combinés. Comme le module Missing Values, cette procédure n’est pas incluse dans toutes les licences.

    Le cas particulier des items d’échelle

    Si un répondant a rempli 9 items sur 10 d’une échelle validée, le supprimer serait absurde. La pratique admise consiste à calculer son score comme la moyenne des items renseignés, à condition qu’il en ait complété une proportion suffisante — un seuil de 80 % est couramment retenu et facile à justifier.

    Deux précautions. Fixez et annoncez ce seuil avant de regarder vos données. Et vérifiez que les items inversés ont bien été recodés avant tout calcul de moyenne, sans quoi vous imputez du bruit — un point détaillé dans notre guide sur l’échelle de Likert et dans celui sur la construction d’un questionnaire. La cohérence interne se vérifie ensuite comme d’habitude, avec l’alpha de Cronbach.

    Ce que vous écrivez

    Cas simple : « Le taux de données manquantes est faible et n’excède pas 3,2 % pour aucune variable. La comparaison des répondants et des non-répondants ne révèle aucune différence significative sur l’âge, le sexe et la filière. L’hypothèse d’un mécanisme complètement aléatoire étant plausible, la suppression listwise a été retenue ; l’effectif analysé est de 168 sur les 180 recrutés. »

    Cas MAR traité : « La variable revenu présente 14,8 % de valeurs manquantes. Les non-répondants à cette question sont significativement plus âgés que les répondants, t(178) = 2,91, p = 0,004, ce qui oriente vers un mécanisme de type MAR. Une imputation multiple à 20 jeux, incluant l’âge, le sexe et le niveau de diplôme comme variables auxiliaires, a donc été réalisée ; les résultats rapportés sont les estimations combinées. Une analyse de sensibilité sur les cas complets conduit aux mêmes conclusions. »

    Cas MNAR assumé : « Les 22 participants perdus au suivi à trois mois présentaient des scores initiaux significativement plus élevés, ce qui suggère un mécanisme non aléatoire lié à la variable mesurée elle-même. Aucune méthode d’imputation ne permettant de corriger ce type de manque, les résultats du suivi doivent être lus comme portant sur une population dont les cas les plus sévères sont sous-représentés, ce qui conduit vraisemblablement à une sous-estimation de l’effet. »

    Cette dernière phrase est un modèle : elle nomme le mécanisme, reconnaît qu’il est irréparable, et indique la direction du biais. C’est ce dernier point qui distingue une limite bien traitée d’un aveu d’impuissance.

    L’analyse de sensibilité, votre meilleur argument

    Quelle que soit la méthode retenue, la démonstration la plus convaincante tient en une phrase : faites tourner votre analyse principale de deux façons — cas complets d’un côté, données imputées de l’autre — et comparez. Si les conclusions concordent, votre résultat ne dépend pas de votre choix de traitement, et vous venez de le prouver plutôt que de l’affirmer. Si elles divergent, c’est une découverte majeure qui appartient à votre discussion.

    C’est la même logique que pour les valeurs influentes en régression, et elle vaut pour toute décision d’analyse discutable. Sur l’organisation générale de cette étape, voyez notre guide complet de l’analyse de données et celui sur l’analyse quantitative sous SPSS et Excel.

    Écrire la section « traitement des données manquantes »

    Cette section fait dix lignes et elle est presque toujours absente. Elle doit contenir : le taux par variable, l’analyse répondants/non-répondants, le mécanisme retenu et son argument, la méthode de traitement, et l’analyse de sensibilité.

    Tesify vous aide à construire ce passage et à le tenir cohérent avec le reste de votre méthodologie : mêmes termes, mêmes seuils annoncés en amont et respectés en aval, et une justification rédigée à partir de vos propres décisions. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

    Rédiger votre méthodologie avec Tesify

    Questions fréquentes

    Quel pourcentage de données manquantes est acceptable dans un mémoire ?

    Aucun seuil n’est réglementaire. Un repère très répandu situe en dessous de 5 % par variable un niveau où le choix de traitement change rarement les conclusions. Mais le pourcentage compte moins que le mécanisme : 3 % de manquants concentrés sur les répondants les plus vulnérables est plus dommageable que 15 % répartis au hasard. Rapportez toujours le taux par variable, jamais un taux global qui masque la concentration.

    Puis-je remplacer les valeurs manquantes par la moyenne ?

    Vous le pouvez, mais c’est déconseillé et facilement critiquable. La méthode écrase la variance et affaiblit les corrélations, biaisant vos tests vers l’absence d’effet. Si le taux est vraiment marginal, l’impact restera faible — mais dans ce cas la suppression listwise fait aussi bien et se défend mieux.

    Pourquoi mon N analysé est-il plus petit que mon N recruté ?

    À cause de la suppression listwise, appliquée par défaut : un participant est exclu de toute l’analyse dès qu’il lui manque une valeur sur une variable du modèle. Vérifiez systématiquement le N indiqué sous chaque tableau SPSS, et signalez-le en résultats. Un mémoire qui annonce 180 participants et analyse 121 personnes sans le dire présente une incohérence que le jury relèvera.

    Qu’est-ce que le test de Little ?

    Le test MCAR de Little évalue l’hypothèse d’un mécanisme complètement aléatoire sur l’ensemble des variables simultanément. Un résultat non significatif est compatible avec MCAR — sans le prouver. Il ne distingue jamais MAR de MNAR, et il figure dans le module Missing Values, absent de certaines licences universitaires. En son absence, la comparaison répondants/non-répondants est un substitut parfaitement acceptable en mémoire.

    Faut-il exclure un participant qui a répondu à moins de la moitié du questionnaire ?

    C’est une pratique courante et défendable, à condition de fixer la règle à l’avance et de la documenter. Beaucoup d’études excluent les questionnaires remplis à moins de 50 %, en le mentionnant dans le diagramme de flux des participants. L’essentiel est que le critère soit annoncé en méthodologie et appliqué uniformément, et non décidé après avoir vu quels résultats en découlent.

  • TAM ou UTAUT : quel modèle pour un mémoire sur l’adoption d’un outil numérique (2026)

    TAM ou UTAUT : quel modèle pour un mémoire sur l’adoption d’un outil numérique (2026)

    « L’adoption de l’IA générative par les enseignants », « l’acceptation d’un ERP par les salariés », « l’usage d’une application de santé par les patients » : chaque année, des centaines de mémoires de gestion, de systèmes d’information, de santé ou d’éducation posent la même question — pourquoi les gens utilisent-ils, ou non, un outil numérique ? Deux cadres dominent cette littérature : le TAM de Davis et l’UTAUT de Venkatesh. Ils sont cousins, mais ils ne se choisissent pas au hasard : la taille de votre échantillon, la nature de votre terrain et votre question tranchent.

    Le tableau de décision

    TAM (1989) UTAUT (2003)
    Auteur, source Davis, MIS Quarterly 13(3) Venkatesh, Morris, Davis et Davis, MIS Quarterly 27(3)
    Construits explicatifs 2 : utilité perçue, facilité d’utilisation perçue 4 : attente de performance, attente d’effort, influence sociale, conditions facilitatrices
    Modérateurs Aucun dans le modèle d’origine Genre, âge, expérience, caractère volontaire de l’usage
    Origine Modèle fondateur Synthèse de huit modèles antérieurs (dont TAM et la théorie du comportement planifié)
    Complexité pour un mémoire Faible : questionnaire court, analyse simple Moyenne : plus d’items, effets de modération à tester
    Illustration de l'adoption d'une technologie, entre utilité perçue et facilité d'usage
    Toute la question de l’adoption tient en deux jugements : à quoi ça me sert, et ce que ça me coûte d’apprendre.

    TAM : deux construits qui suffisent souvent

    Le Technology Acceptance Model (Davis, 1989, « Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology », MIS Quarterly, 13(3), 319-340) explique l’acceptation d’une technologie par deux jugements de l’utilisateur : l’utilité perçue — la conviction que l’outil améliorera sa performance — et la facilité d’utilisation perçue — la conviction que son usage sera peu coûteux en efforts. L’utilité pèse généralement plus lourd que la facilité, et la facilité agit aussi indirectement, en rendant l’outil plus utile aux yeux de l’utilisateur.

    La force du TAM pour un mémoire est sa sobriété : deux construits, des échelles courtes reprises dans des milliers d’études, une analyse à la portée d’un M2 sans statistiques avancées — corrélations, régressions simples. Si votre échantillon réaliste est de 60 à 120 répondants, cette sobriété est un argument décisif.

    UTAUT : la synthèse à quatre construits et quatre modérateurs

    En 2003, Venkatesh et ses coauteurs comparent huit modèles concurrents de l’acceptation — dont le TAM, la théorie de l’action raisonnée et la théorie du comportement planifié — et en tirent une synthèse : l’Unified Theory of Acceptance and Use of Technology (« User Acceptance of Information Technology: Toward a Unified View », MIS Quarterly, 27(3), 425-478). Quatre construits y expliquent l’intention d’usage, avec des définitions précises qu’il faut citer depuis la source :

    • L’attente de performance (performance expectancy) : « le degré auquel un individu croit que l’utilisation du système l’aidera à améliorer sa performance au travail » — l’héritière de l’utilité perçue ;
    • l’attente d’effort (effort expectancy) : « le degré de facilité associé à l’utilisation du système » ;
    • l’influence sociale (social influence) : « le degré auquel un individu perçoit que des personnes importantes pour lui pensent qu’il devrait utiliser le nouveau système » ;
    • les conditions facilitatrices (facilitating conditions) : « le degré auquel un individu croit qu’une infrastructure organisationnelle et technique existe pour soutenir l’utilisation du système ».

    Surtout, UTAUT affirme que ces effets ne sont pas les mêmes pour tout le monde : ils sont modérés par le genre, l’âge, l’expérience et le caractère volontaire ou imposé de l’usage. Dans l’étude d’origine, le modèle unifié expliquait environ 70 % de la variance de l’intention d’usage — nettement plus que les huit modèles pris isolément.

    Schéma des quatre construits UTAUT convergeant vers l'intention puis l'usage
    Quatre construits vers l’intention, l’intention vers l’usage — et des modérateurs sur chaque flèche.

    Le critère de choix : votre terrain, pas la bibliographie

    Prenez le TAM si l’usage étudié est largement volontaire, si votre échantillon est modeste, et si votre question tient dans « qu’est-ce qui fait qu’on adopte ? ». Un mémoire TAM bien exécuté — échelles validées, analyse propre — vaut mieux qu’un UTAUT survolé.

    Prenez UTAUT dans trois cas précis. Un : l’usage est imposé ou fortement encouragé par l’organisation — le construit « influence sociale » et le modérateur « volontariat » sont faits pour ça, et le TAM n’a rien d’équivalent. Deux : votre terrain rend l’infrastructure critique — matériel, support, formation — car les « conditions facilitatrices » capturent ce que le TAM ignore. Trois : votre question porte justement sur les différences — l’adoption diffère-t-elle selon l’âge ou l’expérience ? Attention alors à l’arithmétique : tester des modérations exige des sous-groupes fournis ; avec 80 répondants, quatre modérateurs sont hors de portée. Calibrez avec la méthodologie quantitative par questionnaire.

    Dans les deux cas, l’enchaînement est le même : les construits deviennent vos variables — voyez l’opérationnalisation des variables —, les items se reprennent d’études validées plutôt que de s’inventer — voyez l’adoption d’une échelle validée —, et vos hypothèses recopient les flèches du modèle, une par une.

    Exemple fil rouge : le dossier patient informatisé dans un EHPAD

    Un mémoire de management de la santé étudie l’appropriation d’un dossier de soins informatisé déployé depuis un an dans trois EHPAD. L’usage est imposé : le TAM seul raterait l’essentiel. Le choix UTAUT se justifie alors point par point. L’attente de performance se mesure auprès des soignants — le dossier fait-il gagner du temps de transmission ? L’attente d’effort capte la difficulté perçue, très différente entre équipes de jour et de nuit. L’influence sociale prend un relief particulier dans un usage obligatoire : ce n’est plus « faut-il l’utiliser » mais « avec quelle conviction l’encadrement le porte ». Les conditions facilitatrices deviennent la variable politique du mémoire : nombre de postes disponibles, présence d’un référent, formation reçue.

    Les hypothèses recopient le modèle : H1, l’attente de performance est associée positivement à l’intention d’usage approfondi ; H2, idem pour l’attente d’effort ; H3, l’influence sociale ; H4, les conditions facilitatrices sont associées à l’usage effectif. Le questionnaire reprend les items validés traduits d’une étude publiée en contexte hospitalier francophone, cités. Et la discussion peut confronter les résultats au constat d’origine de Venkatesh — l’expérience module les effets : les soignants anciens dans l’établissement ne réagissent pas comme les nouveaux arrivés. Un mémoire complet, dont chaque pièce découle du cadre.

    Ouvrez votre mémoire dans Tesify : posez le modèle choisi dans le cadre théorique, déclinez ses construits en hypothèses numérotées, et gardez leur vocabulaire jusqu’à la discussion — chaque phrase reste la vôtre.

    Les pièges spécifiques à cette littérature

    Le franglais non maîtrisé. Traduisez chaque construit une fois, entre parenthèses, puis tenez la traduction française dans tout le mémoire. Un texte qui alterne « performance expectancy » et « attente de performance » au fil des pages se lit comme un collage.

    L’échelle bricolée. Les items d’origine sont publiés ; les traduire vous-même en une soirée détruit la validation. Cherchez une version française utilisée dans une étude publiée, citez-la — et si vous traduisez, dites-le en limite.

    Le modèle-alibi. Administrer un questionnaire UTAUT puis commenter les moyennes item par item sans tester les relations du modèle, c’est utiliser le nom sans le modèle. Si vous ne comptez pas tester les liens construits→intention, un cadre plus léger — voire le seul TAM — est plus honnête ; le critère général est dans le choix d’un modèle théorique.

    Questions fréquentes

    Existe-t-il un UTAUT 2 ?

    Oui — Venkatesh et ses coauteurs ont étendu le modèle au contexte grand public en ajoutant des construits comme la motivation hédonique et l’habitude. Pour un mémoire en organisation, l’UTAUT de 2003 reste le socle ; si votre terrain est un usage privé de consommateurs, regardez l’extension et citez-la spécifiquement.

    Puis-je mélanger TAM et UTAUT ?

    Évitez le collage. UTAUT contient déjà l’essentiel du TAM — l’attente de performance recouvre l’utilité perçue, l’attente d’effort la facilité. Choisissez l’un des deux ; si vous ajoutez un construit externe (confiance, risque perçu), justifiez l’ajout par la littérature de votre terrain.

    Combien de répondants me faut-il ?

    Pour un TAM simple, quelques dizaines de répondants permettent déjà des corrélations et régressions honnêtes. Pour un UTAUT avec modérateurs, chaque sous-groupe (hommes/femmes, tranches d’âge) doit rester analysable — ce qui pousse vite l’échantillon au-delà de 150-200. Dimensionnez avant de diffuser, pas après.

    Ces modèles marchent-ils pour l’IA générative ?

    Le phénomène est nouveau, les modèles ne le sont pas : la littérature récente applique massivement TAM et UTAUT aux outils d’IA. C’est même un bon sujet de mémoire — à condition de définir précisément l’outil et l’usage étudiés, et de discuter en limite ce que l’IA change (évolution rapide, usages détournés) par rapport aux technologies stables des études d’origine.

    Faut-il mesurer l’usage réel ou l’intention ?

    Les deux modèles font de l’intention le prédicteur de l’usage. Dans un mémoire, on mesure presque toujours l’intention déclarée — c’est légitime, mais dites-le : « intention d’usage » n’est pas « usage », et votre discussion doit assumer l’écart.

    Choisissez le modèle qui correspond à votre terrain et à votre échantillon, récupérez ses items validés — puis écrivez votre mémoire avec Tesify, du construit à la discussion, avec vos propres mots.

  • Annuaire 2026 des modèles théoriques pour un mémoire, discipline par discipline (avec leurs instruments)

    Annuaire 2026 des modèles théoriques pour un mémoire, discipline par discipline (avec leurs instruments)

    Les guides expliquent comment rédiger un cadre théorique ; presque aucun ne répond à la question qui précède : quels modèles existent, et lequel correspond à ma question ? Cet annuaire recense douze modèles réellement utilisables dans un mémoire de master ou un travail de fin d’études, classés par type de question plutôt que par discipline d’inscription — parce qu’un modèle de santé sert régulièrement un mémoire de gestion, et inversement. Pour chacun : ce qu’il explique, s’il publie un instrument, et où se trouve son ancre française quand elle existe.

    Le critère d’entrée dans cette liste est celui détaillé dans le choix d’un modèle théorique : un modèle utilisable descend jusqu’à l’opérationnalisation — construits définis, mesure documentée. Les modèles purement spéculatifs, si stimulants soient-ils, n’y figurent pas.

    Casier de bibliothèque symbolisant l'annuaire des modèles théoriques par discipline
    Douze tiroirs, un critère unique : le modèle livre-t-il ses construits et sa mesure ?

    « Mon sujet parle de travail » — RH, management, santé au travail

    Le modèle demande-contrôle de Karasek explique la tension au travail par le croisement de la demande psychologique et de la latitude décisionnelle, complété par le soutien social. Instrument : le Job Content Questionnaire, 26 items dans la version française des enquêtes SUMER — protégé par des droits d’auteur, avec tarifs réduits académiques. Fiche INRS FRPS 2.

    Le déséquilibre efforts-récompenses de Siegrist explique l’usure par la combinaison d’efforts élevés et de faibles récompenses (rémunération, estime, statut). Instrument : 23 items validés en français, libre pour la recherche. Fiche INRS FRPS 3. Le face-à-face complet des deux — mécanismes, cotation, conditions d’utilisation — est dans Karasek ou Siegrist pour un mémoire RPS.

    « Mon sujet parle d’un outil numérique » — SI, gestion, éducation, santé

    Le TAM de Davis (1989) explique l’acceptation d’une technologie par deux construits — utilité perçue, facilité d’utilisation perçue. Sobre, outillé, idéal pour un échantillon modeste et un usage volontaire.

    L’UTAUT de Venkatesh et coauteurs (2003) synthétise huit modèles antérieurs en quatre construits — attente de performance, attente d’effort, influence sociale, conditions facilitatrices — modérés par le genre, l’âge, l’expérience et le volontariat. Le bon choix quand l’usage est imposé par l’organisation. Le comparatif détaillé, avec les définitions d’origine, est dans TAM ou UTAUT pour un mémoire sur l’adoption du numérique.

    « Mon sujet parle de motivation ou d’intention » — psychologie, STAPS, éducation, marketing

    La théorie de l’autodétermination (SDT) de Ryan et Deci explique la motivation par la satisfaction de trois besoins — autonomie, compétence, lien social — et se décline en six mini-théories. Son centre officiel met en ligne une quarantaine d’échelles, explicitement ouvertes aux projets de recherche académiques non commerciaux : c’est le modèle le mieux outillé de cette liste.

    La théorie du comportement planifié (TPB) d’Ajzen prédit une intention par l’attitude, la norme subjective et le contrôle comportemental perçu — et son auteur diffuse lui-même un guide de construction de questionnaire. Le modèle de tout sujet en « pourquoi les gens ont-ils (ou non) l’intention de… ». Ces deux modèles sont présentés en détail dans le guide du choix de modèle.

    « Mon sujet parle de changement de comportement » — prévention, éducation thérapeutique, addictologie

    Le modèle transthéorique de Prochaska et DiClemente décrit le changement comme un cycle de stades — pré-intention, intention, préparation, action, maintien, avec la rechute dans le cycle — chacun appelant une intervention adaptée. Ancre française rare : un outil officiel de la HAS (2014) le formalise en annexe de sa recommandation sur l’arrêt du tabac. Mode d’emploi complet dans les stades du changement dans un mémoire.

    « Mon sujet parle de développement et d’environnements » — éducation, travail social, petite enfance

    Le modèle écologique de Bronfenbrenner analyse tout phénomène de développement à travers cinq systèmes emboîtés — micro, méso, exo, macro, chronosystème — puis, dans sa version mature, le modèle PPCT centré sur les processus proximaux. Pas d’instrument standardisé : c’est un cadre d’analyse qualitative, pas un modèle de mesure. Les définitions exactes de 1994 et la grille d’application sont dans la masterclass Bronfenbrenner.

    « Mon sujet évalue un dispositif ou une organisation » — santé, qualité, management public

    Le triptyque de Donabedian évalue la qualité par trois approches — structure, processus, résultats — avec une mise en garde d’auteur sur les résultats utilisés seuls. Le cadre du mémoire de cadre de santé et de toute démarche qualité : voyez le modèle de Donabedian pour évaluer la qualité des soins.

    Le CFIR (Consolidated Framework for Implementation Research) explique pourquoi une innovation valide ne s’installe pas dans un service, en cinq domaines — avec une traduction française officielle de ses construits. Voyez le cadre CFIR pour un mémoire professionnel en santé.

    RE-AIM évalue la portée réelle d’une action en cinq dimensions — Reach, Effectiveness, Adoption, Implementation, Maintenance. Le cadre de l’évaluation d’actions de prévention : voyez la masterclass RE-AIM.

    Le tableau récapitulatif

    Modèle Question type Instrument publié ? Ancre française
    Karasek (JCQ) Tension au travail Oui — 26 items, droits à régler Fiche INRS FRPS 2, enquêtes SUMER
    Siegrist (ERI) Efforts non récompensés Oui — 23 items, libre recherche Fiche INRS FRPS 3, validation Niedhammer
    TAM Acceptation d’un outil Oui — échelles reprises partout —
    UTAUT Adoption en organisation Oui — items publiés —
    SDT Motivation Oui — ~40 échelles en ligne Versions françaises de plusieurs échelles
    TPB (Ajzen) Intention Oui — guide de construction —
    Transthéorique Changement de comportement Algorithmes par comportement Outil HAS 2014
    Bronfenbrenner Développement en contexte Non — cadre d’analyse —
    Donabedian Qualité d’un service Non — catégories d’évaluation Socle des démarches qualité
    CFIR Implantation d’une innovation Oui — guide et grilles Traduction française des construits
    RE-AIM Portée d’une action Oui — cadres d’évaluation —
    Chemin reliant question de recherche, modèle théorique et instrument
    Le chemin ne part jamais du modèle : il part de la question, et l’instrument vient avec.

    Comment utiliser cet annuaire sans vous tromper

    Partez de votre question, pas de votre discipline. Un mémoire de gestion sur l’épuisement des managers relève de Karasek ou Siegrist ; un mémoire d’éducation sur l’usage d’une plateforme relève de TAM ou UTAUT. L’étiquette de la filière ne décide de rien.

    Vérifiez l’instrument avant de vous engager. « Instrument publié » ne veut pas dire « utilisable sans condition » : certains sont libres pour la recherche, d’autres sous droits. La procédure de vérification — conditions, version française validée, citation — est détaillée dans l’adoption d’une échelle validée.

    Un seul modèle porteur. La tentation de l’annuaire est le collage — trois modèles cités, aucun appliqué. Prenez-en un, faites-le descendre jusqu’aux items ou jusqu’à la grille d’analyse, et n’en ajoutez un second que s’il couvre un mécanisme que le premier ignore.

    Ouvrez votre mémoire dans Tesify une fois le modèle choisi : ses construits deviennent vos sections, du cadre théorique à la discussion — et chaque phrase reste la vôtre.

    Questions fréquentes

    Pourquoi ces douze modèles et pas d’autres ?

    Parce qu’ils passent tous le test de l’opérationnalisation : construits définis, mesure ou grille documentée, littérature d’application abondante. Il existe des centaines d’autres modèles ; beaucoup s’arrêtent au concept, ce qui en fait des références de cadre théorique mais pas des cadres de travail.

    Un modèle absent de cette liste est-il déconseillé ?

    Non — la liste est un point de départ, pas une frontière. Si votre directeur propose un modèle propre à votre champ, appliquez-lui simplement le même test : où sont les construits, où est la mesure, où sont les études d’application ?

    Que faire si deux modèles semblent convenir ?

    Comparez ce que chacun vous ferait mesurer, concrètement : les items ne sont pas les mêmes, les analyses non plus. Le modèle qui produit le protocole le plus faisable sur votre terrain, dans votre calendrier, est le bon.

    Les modèles anglophones posent-ils un problème pour un mémoire en français ?

    Non, à deux conditions : traduire chaque construit une fois pour toutes et tenir la traduction dans tout le texte, et utiliser une version française validée de l’instrument quand elle existe — ou signaler explicitement une traduction non validée dans les limites.

    Où trouver les textes fondateurs ?

    Chaque article détaillé lié dans cet annuaire donne la référence exacte de son modèle (revue, année, pages). Citez toujours l’article fondateur plus une application récente à votre champ : le couple ancre le cadre et prouve son actualité.

    Repérez la famille de votre question, ouvrez le mode d’emploi du modèle correspondant, vérifiez l’instrument — puis rédigez votre mémoire avec Tesify, avec vos propres mots.

  • Karasek ou Siegrist : quel modèle pour un mémoire sur les risques psychosociaux (2026)

    Karasek ou Siegrist : quel modèle pour un mémoire sur les risques psychosociaux (2026)

    Votre mémoire porte sur le stress au travail, la qualité de vie au travail ou les risques psychosociaux, et votre directeur vous a demandé « un modèle ». Deux noms reviennent dans toute la littérature française : Karasek et Siegrist. Les deux sont validés en français, les deux viennent avec leur questionnaire, les deux sont utilisés par la statistique publique. Mais ils ne mesurent pas la même chose, et ils n’ont pas les mêmes conditions d’utilisation — ce dernier point, presque jamais mentionné, peut décider à votre place.

    Le tableau de décision

    Karasek (JCQ) Siegrist (ERI)
    Ce qui est mesuré Demande psychologique × latitude décisionnelle (+ soutien social) Déséquilibre entre efforts fournis et récompenses reçues (+ surinvestissement)
    Concept central Job strain : forte demande et faible latitude Ratio efforts/récompenses supérieur à 1
    Version française usuelle 26 items (celle des enquêtes SUMER) 23 items (ou version courte à 16 items, 2009)
    Passation 10 à 15 minutes Environ 10 minutes
    Conditions d’utilisation Droits d’auteur à régler (tarifs réduits pour usage académique) Libre accès pour une utilisation à visée de recherche
    Fiche INRS FRPS 2 FRPS 3
    Deux balances comparant demande-contrôle (Karasek) et efforts-récompenses (Siegrist)
    Deux déséquilibres différents : demande contre contrôle chez Karasek, efforts contre récompenses chez Siegrist.

    Karasek : le croisement demande-contrôle

    Le modèle de Robert Karasek (article princeps en 1979, questionnaire et manuel publiés en 1985) caractérise toute situation de travail par le croisement de deux dimensions : la demande psychologique — quantité de travail, contraintes de temps, demandes contradictoires, interruptions — et la latitude décisionnelle, qui recouvre à la fois la possibilité de choisir comment faire son travail et celle d’utiliser et de développer ses compétences.

    Le croisement définit quatre situations de travail : détendue, active (ou « dynamique »), passive, et tendue. C’est cette dernière — demande élevée, latitude faible — que Karasek nomme job strain, la combinaison la plus exposante. En 1990, Karasek et Theorell ont ajouté une troisième dimension, le soutien social (des collègues et de la hiérarchie) : une situation de job strain avec un faible soutien devient l’iso-strain, encore plus délétère.

    Matrice à quatre quadrants du modèle de Karasek avec la zone de job strain mise en évidence
    Quatre quadrants, un seul « job strain » : demande élevée et latitude faible.

    La version française la plus utilisée du Job Content Questionnaire compte 26 items : 9 pour les exigences psychologiques, 9 pour la latitude décisionnelle (6 sur l’utilisation des compétences, 3 sur l’autonomie de décision), 8 pour le soutien social (4 collègues, 4 hiérarchie). Réponses en échelle de Likert à 4 points. Le job strain y est défini par rapport aux médianes de l’échantillon : demande au-dessus de la médiane et latitude en dessous.

    Ce choix méthodologique a une conséquence directe pour votre mémoire : le job strain « à la Karasek » est une mesure relative à votre population. Vous pouvez comparer vos médianes à celles d’une grande enquête nationale — c’est exactement ce que fait la statistique publique française, qui a intégré ce questionnaire de 26 items aux enquêtes SUMER de 2002-2003, 2009-2010 et 2016-2017. Pour un mémoire, cette ancre de comparaison est un cadeau : vos résultats se lisent contre une référence nationale.

    Siegrist : le déséquilibre efforts-récompenses

    Le modèle de Johannes Siegrist (formulé en 1986, questionnaire publié en 1996) repose sur une hypothèse différente : ce qui use, ce n’est pas la charge en soi, c’est la combinaison d’efforts élevés et de faibles récompenses. Les récompenses y prennent trois formes principales : la rémunération, l’estime reçue, et le contrôle sur son statut professionnel — sécurité de l’emploi et perspectives de carrière.

    La version française validée compte 23 items répartis en trois échelles : « efforts » (5 items, plus 1 item de charge physique selon les postes), « récompenses » (11 items : 1 rémunération, 5 estime, 5 statut professionnel) et « surinvestissement » (6 items — l’incapacité à s’éloigner du travail, la difficulté à se détendre après). Une version raccourcie à 16 items existe depuis 2009. Le score s’obtient par un ratio efforts/récompenses pondéré : une valeur au-dessus de 1 signale une quantité importante d’efforts non récompensés.

    Le ratio est le grand avantage rédactionnel du modèle : là où le job strain de Karasek dépend des médianes de votre échantillon, le seuil de 1 du ratio de Siegrist se lit directement, individu par individu. Attention néanmoins : la fiche INRS précise que la valeur de 1 ne représente pas un seuil clinique validé — le ratio peut aussi s’analyser en continu ou par quartiles.

    Les qualités psychométriques de la version française sont documentées : cohérence interne satisfaisante (alpha de Cronbach de 0,75 pour l’échelle efforts, 0,86 à 0,88 pour les récompenses, 0,79 pour le surinvestissement), validations françaises par Niedhammer et Siegrist dès 1998, étalonnage sur la cohorte GAZEL — 20 624 agents d’EDF-GDF suivis depuis 1989.

    Le critère que personne ne regarde : les conditions d’utilisation

    Les deux instruments ne sont pas logés à la même enseigne, et c’est écrit noir sur blanc dans les fiches « Risques psychosociaux : outils d’évaluation » publiées par l’INRS dans sa revue Références en santé au travail (FRPS 2 pour Karasek, FRPS 3 pour Siegrist).

    Le JCQ de Karasek est protégé par des droits d’auteurs : autorisation et copyright à faire figurer, droits à régler pour toute utilisation — avec des tarifs réduits pour les étudiants et les chercheurs pour un usage strictement académique. Le questionnaire de Siegrist est en libre accès pour une utilisation à visée de recherche ; seul l’usage commercial exige de traiter les droits de copyright.

    Pour un mémoire sans budget, la conclusion pratique est brutale : à pertinence théorique égale, Siegrist s’utilise sans formalité financière, Karasek non. Ne découvrez pas ce détail après avoir diffusé votre questionnaire — c’est exactement le genre de vérification préalable détaillée dans l’adoption d’une échelle déjà validée.

    Alors, lequel pour votre sujet ?

    Prenez Karasek si votre question porte sur l’organisation du travail : charge, autonomie, marges de manœuvre, rôle du collectif. Exemples : le job strain des infirmières de nuit, la latitude décisionnelle des téléconseillers, l’effet du soutien hiérarchique dans un service réorganisé. Le modèle parle le langage de l’organisation — et la comparaison aux données SUMER ancre vos résultats.

    Prenez Siegrist si votre question porte sur la reconnaissance : sentiment d’iniquité, promotion bloquée, insécurité de l’emploi, salaire vécu comme injuste. Exemples : le déséquilibre efforts-récompenses chez les enseignants en milieu de carrière, chez les aides à domicile, dans une entreprise en restructuration. Le surinvestissement ajoute une dimension individuelle que Karasek n’a pas.

    Les deux ensemble ? C’est fréquent en recherche épidémiologique, mais pour un mémoire de master, cumuler 26 + 23 items plus vos questions sociodémographiques allonge le questionnaire et double le travail d’analyse. Ne le faites que si votre problématique exige explicitement les deux mécanismes — et dites pourquoi. Le critère générique pour trancher — le modèle publie-t-il son instrument, ses construits, son mode de calcul — est détaillé dans le choix d’un modèle théorique qui vient avec son instrument ; ces deux-là le passent haut la main, ce qui explique leur longévité.

    Une fois le modèle choisi, l’enchaînement est mécanique : les dimensions du modèle deviennent vos variables, les items deviennent votre questionnaire, les scores deviennent votre plan d’analyse — la manœuvre est décrite dans l’opérationnalisation des variables d’un mémoire quantitatif, et le cadrage d’ensemble dans la méthodologie quantitative par questionnaire.

    Ouvrez votre mémoire dans Tesify : posez le modèle dans votre cadre théorique, déclinez ses dimensions en variables dans la méthode, et gardez le même vocabulaire jusqu’à la discussion — chaque phrase reste la vôtre.

    Questions fréquentes

    Où trouver les questionnaires et leurs notices ?

    L’INRS publie une fiche d’évaluation par instrument dans sa série « Risques psychosociaux : outils d’évaluation » : FRPS 2 pour le Job Content Questionnaire de Karasek, FRPS 3 pour le déséquilibre efforts-récompenses de Siegrist. Chaque fiche décrit la structure, la cotation, les qualités psychométriques et les conditions d’utilisation. Pour Karasek, les droits se traitent via le centre du JCQ ; pour Siegrist, la version de recherche est en libre accès.

    Puis-je modifier ou raccourcir les items ?

    Non, pas sans perdre la validation. Un questionnaire validé l’est dans sa formulation exacte ; retrancher ou reformuler des items en fait un questionnaire maison. Si la longueur est un problème, utilisez la version courte existante et validée — 16 items pour Siegrist — plutôt qu’une coupe artisanale.

    Comment calculer le job strain dans mon échantillon ?

    Calculez les scores de demande psychologique et de latitude décisionnelle selon les recommandations de Karasek, puis les médianes de votre échantillon : les répondants au-dessus de la médiane de demande et en dessous de la médiane de latitude sont en job strain. Signalez dans vos limites que la définition est relative à l’échantillon, et comparez vos médianes à celles publiées à partir des enquêtes nationales.

    Ces modèles conviennent-ils à un mémoire qualitatif ?

    Ils sont conçus pour la mesure par questionnaire, mais leurs dimensions font d’excellentes grilles de lecture pour des entretiens : demande, latitude, soutien, reconnaissance, surinvestissement structurent très bien un guide d’entretien semi-directif et une grille d’analyse. Vous mobilisez alors le modèle comme cadre conceptuel, sans les scores — voyez le guide de l’entretien semi-directif.

    Un des deux modèles est-il « meilleur » que l’autre ?

    Non. Ils capturent deux mécanismes différents et complémentaires du risque psychosocial : l’organisation du travail chez Karasek, la réciprocité sociale chez Siegrist. Le bon choix est celui dont les dimensions recouvrent votre question de recherche — pas celui qui a le plus de citations.

    Choisissez le déséquilibre qui correspond à votre question, récupérez l’instrument, vérifiez ses conditions d’utilisation — puis écrivez votre mémoire avec Tesify, du cadre théorique à la discussion, avec vos propres mots.

  • Mon échantillon n’est pas représentatif : faut-il pondérer ou le déclarer ? (2026)

    Mon échantillon n’est pas représentatif : faut-il pondérer ou le déclarer ? (2026)

    Votre questionnaire est fermé. 187 réponses. Vous ouvrez les descriptives et vous voyez : 78 % de femmes, 62 % en troisième année, presque personne hors de votre propre université. Vous vouliez parler des étudiants ; vous avez parlé à votre réseau.

    La question que tout le monde se pose à ce moment-là est la même : faut-il pondérer pour corriger, ou faut-il l’assumer et l’écrire ?

    La réponse courte

    Dans la grande majorité des mémoires : ne pondérez pas, déclarez.

    La pondération n’est légitime que si les trois conditions ci-dessous sont réunies simultanément. Elles le sont rarement dans un mémoire de master. Et surtout, la pondération corrige un problème de composition — elle ne corrige jamais le problème qui compte vraiment, celui du biais de sélection.

    Le reste de cet article explique ce que chaque option fait réellement, pour que vous puissiez justifier votre choix devant un jury plutôt que le subir.

    « Représentatif » désigne deux choses différentes

    Avant toute décision, il faut séparer deux problèmes que le mot représentativité confond.

    1. L’écart de composition. Votre échantillon compte 78 % de femmes alors que la population visée en compte 58 %. C’est mesurable, sur une variable que vous connaissez pour les deux ensembles. C’est ce que la pondération sait traiter.

    2. Le biais de sélection. Les personnes qui ont répondu diffèrent des autres sur ce que vous mesurez. Les étudiants qui remplissent un questionnaire sur la charge de travail sont peut-être précisément ceux qui la trouvent lourde. C’est invisible, non mesurable avec vos données, et aucune pondération ne le répare.

    Un échantillon dont la composition ne reflète pas celle de la population visée
    Un écart de composition se voit et se mesure. Un biais de sélection porte sur la variable étudiée elle-même, et ne se voit pas.

    Une troisième chose doit être posée avant les deux autres : quelle est votre population cible ? Un échantillon n’est jamais représentatif dans l’absolu, seulement par rapport à une population définie. « Les étudiants » n’est pas une population ; « les étudiants inscrits en master de psychologie dans les universités publiques françaises en 2026 » en est une. Tant que cette phrase n’est pas écrite dans votre méthodologie, la question de la représentativité n’a pas de sens. Notre guide de l’échantillonnage en mémoire de master détaille comment poser ce cadrage.

    Ce que la pondération fait exactement

    La technique s’appelle la post-stratification, et son principe tient en une division. Pour chaque catégorie, le poids est :

    poids = part de la catégorie dans la population ÷ part de la catégorie dans l’échantillon

    Un exemple concret. Selon les données du ministère de l’Enseignement supérieur, la rentrée 2024 comptait 765 895 inscrits en cursus master dans les établissements publics sous sa tutelle, dont 445 370 femmes, soit 58,2 %. Si votre échantillon en compte 78 %, les poids sont :

    • femmes : 0,582 ÷ 0,780 = 0,746 — chaque répondante compte pour trois quarts d’observation ;
    • hommes : 0,418 ÷ 0,220 = 1,900 — chaque répondant compte pour presque deux.

    Une mise en garde sur ce chiffre, qui vaut pour tout redressement : vérifiez que le périmètre annoncé est bien celui que vous croyez. « Cursus master » est un niveau, pas un diplôme : ces 765 895 inscrits incluent les formations de santé, les écoles d’ingénieurs et les instituts d’études politiques. Le sous-ensemble qui prépare effectivement le diplôme national de master est nettement plus petit, et sa composition n’est pas la même. Si votre population cible est « les étudiants en master », vous devez filtrer sur le diplôme, pas sur le cursus. Un redressement calculé sur la mauvaise marge est pire qu’aucun redressement.

    Des poids qui agrandissent une catégorie sous-représentée et réduisent une catégorie sur-représentée
    La pondération ne crée pas de répondants : elle donne plus de voix à ceux qui manquaient, en s’appuyant sur les rares personnes de cette catégorie que vous avez réellement interrogées.

    Les trois conditions pour que pondérer soit légitime

    1. Vous disposez de marges de population fiables et publiées. Pas d’une estimation, pas d’un ordre de grandeur : d’un chiffre officiel, daté, dont vous pouvez citer la source et le périmètre exact. Les effectifs de l’enseignement supérieur public sont interrogeables en accès libre par API, et notre article sur la manière d’interroger un jeu de données ouvert sans savoir programmer montre comment obtenir la marge exacte de votre population.
    2. La variable de pondération est réellement liée à ce que vous mesurez. Redresser sur le sexe ne sert à rien si votre variable dépendante ne varie pas selon le sexe : vous ajoutez de la variance sans corriger quoi que ce soit. Vérifiez d’abord que la relation existe dans vos propres données.
    3. Aucune cellule n’est quasi vide. Si vous n’avez que six hommes, un poids de 1,9 signifie que ces six personnes portent la voix de tout un groupe. Le poids maximal est le bon indicateur d’alerte : au-delà de 3 ou 4, vos estimations deviennent instables et un seul répondant atypique peut faire basculer une moyenne.

    Si l’une des trois manque, ne pondérez pas. Un jury préfère systématiquement une limite bien décrite à une correction mal fondée.

    Le piège des poids sous SPSS

    Techniquement, la manipulation est simple : créez une variable de poids avec Transformer → Calculer, puis activez Données → Pondérer les observations.

    Et c’est là que se produit l’erreur la plus spectaculaire de tout ce dossier. Si vos poids somment à la taille de la population plutôt qu’à celle de votre échantillon, SPSS croit analyser des centaines de milliers d’observations. Toutes vos p-values deviennent inférieures à 0,001, tous vos intervalles de confiance se resserrent à néant, et vos résultats deviennent spectaculairement — et faussement — significatifs.

    La parade tient en une ligne : normalisez vos poids pour qu’ils somment à votre effectif réel. Divisez chaque poids par la moyenne des poids avant d’activer la pondération. Vérifiez ensuite dans n’importe quelle sortie que le N affiché est bien 187, et non 765 895.

    Second réflexe, tout aussi important : rapportez systématiquement les résultats pondérés et non pondérés. Si les deux racontent la même histoire, la pondération renforce votre conclusion ; si elles divergent, c’est un résultat en soi, et le cacher serait une faute.

    L’option honnête : décrire, déclarer, restreindre

    C’est le choix que fait la majorité des bons mémoires, et il se construit en trois gestes.

    Décrire. Donnez la composition de votre échantillon sur toutes les variables sociodémographiques dont vous disposez, en la comparant chiffre contre chiffre à la population visée quand la donnée existe. Un tableau à deux colonnes suffit et vaut mieux qu’un paragraphe.

    Déclarer. Nommez le mécanisme de recrutement plutôt que le mot « commodité » tout seul : diffusion par une liste de diffusion universitaire, relais par deux associations étudiantes, partage sur un réseau social. Le lecteur peut alors juger lui-même de qui manque.

    Restreindre. C’est le geste décisif. Au lieu d’écrire « les étudiants déclarent que… », écrivez « parmi les 187 étudiants ayant répondu, majoritairement des femmes en troisième année d’une même université, … ». Vous ne perdez rien de votre analyse : vous ajustez la portée de la phrase à ce que les données autorisent.

    Une conclusion dont la portée est restreinte à la population réellement atteinte
    Restreindre la portée n’affaiblit pas le mémoire. C’est ce qui le rend défendable.

    Ce qu’il faut écrire

    Sans pondération, limite déclarée : « L’échantillon a été constitué par recrutement volontaire via deux listes de diffusion et un groupe étudiant. Il compte 78,1 % de femmes, contre 58,2 % parmi les inscrits en cursus master des établissements publics sous tutelle du ministère à la rentrée 2024. Aucun redressement n’a été appliqué : la variable de sexe n’est pas associée à la variable dépendante dans nos données (p = 0,41) et l’effectif masculin (n = 41) rendrait les poids instables. Les résultats sont donc rapportés comme valables pour la population effectivement atteinte, et non pour l’ensemble des étudiants en master. »

    Avec pondération : « Un redressement par post-stratification a été appliqué sur le sexe et le niveau d’études, à partir des effectifs officiels de la rentrée 2024. Les poids, normalisés pour sommer à l’effectif de l’échantillon (n = 187), varient de 0,75 à 1,90. Les analyses sont présentées pondérées ; les résultats non pondérés, reportés en annexe, ne diffèrent pas dans leurs conclusions. »

    Ces deux formulations disent au jury la même chose : vous avez vu le problème, vous l’avez mesuré, et vous avez tranché pour une raison explicite.

    Les erreurs qui coûtent cher

    • Écrire « notre échantillon est représentatif » sans marge de comparaison. Représentatif de quoi, mesuré comment ? La phrase se retourne immédiatement.
    • Pondérer pour faire disparaître la limite. Un redressement se déclare et se justifie ; il n’efface pas la section « limites », il la déplace.
    • Laisser les poids sommer à la population. Le signe est évident : un N de plusieurs centaines de milliers dans vos sorties.
    • Redresser sur une variable sans lien avec la variable dépendante. Vous perdez de la précision pour rien.
    • Confondre non-réponse et non-représentativité. Ce sont deux mécanismes distincts, et notre article sur la diffusion d’un questionnaire et le taux de réponse traite spécifiquement du second.
    • Oublier que l’échantillon peut aussi être groupé. Si vos répondants viennent de trois structures seulement, vous avez un problème d’indépendance en plus du problème de composition : voyez notre article sur les données groupées.

    Écrire la section limites qui tient

    Le calcul des poids prend dix minutes. Ce qui prend du temps, c’est d’écrire une demi-page qui reconnaît le problème sans saborder le mémoire : décrire la composition sans se justifier, expliquer la décision de pondérer ou non, et reformuler les conclusions pour qu’elles restent vraies.

    Tesify travaille avec vous sur ce passage : structurer la section, tenir une terminologie constante entre méthode, résultats et limites, et reformuler les conclusions à la portée exacte que vos données autorisent. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

    Rédiger vos limites méthodologiques avec Tesify

    Questions fréquentes

    Un échantillon de commodité disqualifie-t-il un mémoire ?

    Non. La très grande majorité des mémoires de master reposent sur un échantillon de commodité et les jurys le savent parfaitement. Ce qui est sanctionné n’est pas l’échantillon, c’est la généralisation abusive : présenter des résultats obtenus sur 187 volontaires comme valables pour l’ensemble des étudiants français. Notre guide de la méthodologie quantitative replace ce choix dans la construction d’ensemble.

    Combien de réponses faut-il pour être « représentatif » ?

    La question est mal posée : la représentativité est une affaire de procédure de tirage, pas de taille. Mille réponses recueillies auprès de volontaires ne sont pas plus représentatives que deux cents. La taille détermine la précision et la puissance — c’est l’objet de la procédure G*Power —, pas l’absence de biais.

    Puis-je pondérer sur plusieurs variables à la fois ?

    Oui, en croisant les catégories (sexe × niveau, par exemple), mais chaque croisement multiplie le nombre de cellules et vide les plus rares. Avec 187 réponses et quatre niveaux croisés avec deux sexes, vous obtenez huit cellules dont certaines compteront trois personnes. En pratique, une seule variable de redressement, bien choisie, vaut mieux que trois mal remplies.

    Mon jury peut-il me reprocher de ne pas avoir pondéré ?

    Il peut vous reprocher de ne pas avoir traité la question, ce qui n’est pas la même chose. Une phrase qui énonce l’écart de composition, la raison de ne pas redresser et la portée restreinte des conclusions répond entièrement à l’objection. C’est le silence qui est reproché, pas la décision.

    Comment décrire les personnes qui n’ont pas répondu ?

    Si vous connaissez la composition de la liste initiale, comparez-la à celle des répondants : c’est la meilleure preuve disponible. Sinon, décrivez le canal de diffusion et raisonnez explicitement sur qui il exclut. Notre inventaire des biais méthodologiques d’un mémoire de master propose des formulations pour ce type de raisonnement plausible mais non vérifiable.

  • N’écrivez pas vos items : adopter une échelle déjà validée pour son mémoire avec Tesify (2026)

    N’écrivez pas vos items : adopter une échelle déjà validée pour son mémoire avec Tesify (2026)

    Le moment vient toujours au même endroit. Le cadre théorique est écrit, les hypothèses sont posées, et il faut fabriquer le questionnaire. L’étudiant ouvre un document vide et commence à rédiger ses questions.

    C’est le chemin le plus long, et celui qui produit le mémoire le plus fragile.

    Ce qu’une échelle validée vous donne déjà

    Les éléments qu'une échelle déjà validée apporte sans travail supplémentaire
    Quatre acquis que vous n’aurez pas à produire — ni à défendre.

    Une échelle publiée n’est pas seulement une liste de questions bien tournées. Elle vous apporte quatre choses qu’un questionnaire maison n’aura jamais.

    1. Des items déjà testés. Leur formulation a été éprouvée sur des centaines de répondants : les questions ambiguës ont été éliminées avant vous.
    2. Une structure de dimensions. L’échelle indique quels items composent quel construit. Votre plan d’analyse est donc écrit avant votre collecte, et non improvisé après.
    3. Une fidélité déjà mesurée. Les publications antérieures rapportent ses indices de cohérence interne. Vous calculerez les vôtres, mais vous aurez une référence à laquelle les comparer — ce qui transforme un chiffre isolé en argument.
    4. Une littérature de comparaison. D’autres travaux ont utilisé la même échelle. Votre discussion peut donc confronter vos résultats aux leurs, au lieu de commenter vos seuls chiffres dans le vide. C’est souvent ce qui sépare une bonne discussion d’une paraphrase des tableaux.

    Un questionnaire écrit de zéro vous prive des quatre. En soutenance, la question qui tombe est invariablement : « comment savez-vous que vos questions mesurent ce que vous croyez ? » Avec une échelle validée, la réponse tient en une référence.

    Où en trouver une

    Commencez par le modèle théorique lui-même. Les cadres les plus utilisés publient leurs instruments, et c’est précisément le critère qui devrait guider votre choix de modèle — voyez à ce sujet comment choisir un modèle théorique qui vient avec son instrument.

    Le centre officiel de la théorie de l’autodétermination en est l’exemple le plus net : il met en ligne une quarantaine d’échelles couvrant la motivation, la satisfaction des besoins psychologiques, la vitalité subjective et les orientations de régulation, avec des déclinaisons spécifiques à l’éducation, au sport, à la santé, au travail et à la parentalité. On y trouve notamment l’échelle de satisfaction et de frustration des besoins psychologiques fondamentaux, l’inventaire de motivation intrinsèque, l’échelle de motivation au travail, l’échelle de motivation en sport et les échelles de compétence perçue.

    Si votre modèle n’a pas de site dédié, la voie est l’article fondateur, puis les articles de validation qui en publient des versions dans d’autres langues. Une échelle sérieuse est toujours accompagnée d’un article qui décrit sa construction.

    Vérifiez la licence avant de diffuser, pas après

    C’est l’étape que presque personne ne fait, et elle prend cinq minutes.

    Les instruments de la théorie de l’autodétermination, par exemple, sont explicitement ouverts : « You are welcome to use the instruments for academic (non-commercial) research projects ». La restriction est tout aussi explicite : « however, you may not use any of them for any commercial purposes without written permission to do so from the Center for Self-Determination Theory ». Un mémoire universitaire entre dans le premier cas ; une étude conduite pour le compte de votre entreprise d’alternance, non.

    D’autres échelles, notamment en santé, sont sous licence payante ou exigent une demande écrite à leurs auteurs. Lisez les conditions avant d’envoyer votre lien de questionnaire à deux cents personnes : revenir en arrière n’est pas possible.

    Le piège qui annule tout : traduire soi-même

    Une échelle traduite sans procédure qui perd la validation qui faisait son intérêt
    Traduite à la va-vite, une échelle validée redevient un questionnaire maison.

    La plupart de ces instruments sont publiés en anglais. La tentation est évidente : traduire les items en une soirée et diffuser.

    Le problème est que la validation porte sur les items tels qu’ils sont formulés. Une traduction improvisée produit un instrument dont personne n’a testé les propriétés — c’est-à-dire, exactement, un questionnaire maison, mais avec en plus la prétention d’être validé. Vous perdez les quatre bénéfices listés plus haut tout en croyant les conserver.

    Trois conduites possibles, dans l’ordre de préférence.

    • Cherchez une version française déjà validée et citez l’article de validation. C’est la solution propre, et elle existe plus souvent qu’on ne le croit pour les échelles très utilisées.
    • Si votre population maîtrise l’anglais et que le contexte s’y prête, utilisez la version originale et justifiez ce choix.
    • À défaut, traduisez, mais dites-le. Décrivez la procédure suivie et inscrivez explicitement dans vos limites que l’instrument est une traduction non validée. Un jury pardonne une limite annoncée ; il ne pardonne pas une validité revendiquée à tort.

    Ce que Tesify fait, et ce qu’il ne fait pas

    Soyons précis, parce que c’est une étape où l’automatisation serait dangereuse.

    Tesify ne fabrique pas d’échelle validée et n’en invente pas les items. Une échelle est un objet publié, avec des auteurs et des conditions d’usage : elle se cherche, se lit et se cite, elle ne se génère pas.

    Tesify ne traduit pas un instrument à votre place pour lui rendre sa validité. Aucun outil ne le peut : la validation est un fait empirique, pas une propriété du texte.

    Ce que l’outil fait utilement à ce moment du travail : garder la cohérence entre le construit annoncé dans votre cadre théorique, la dimension mesurée et l’item présenté dans votre méthode ; écrire la section « instrument » qui décrit l’échelle, sa source, sa structure et ses conditions d’utilisation ; et maintenir la même terminologie du cadre théorique jusqu’à la discussion, ce qui est précisément ce qui se perd quand un mémoire s’écrit sur plusieurs mois.

    Ouvrez votre mémoire dans Tesify et rédigez votre partie instrument proprement — chaque phrase reste écrite par vous.

    La suite du parcours

    Adopter une échelle ne dispense d’aucune des étapes qui suivent, et c’est une bonne nouvelle : elles deviennent plus simples.

    Le passage du construit à l’item reste à expliciter dans votre méthode : voyez l’opérationnalisation des variables. Les aspects de forme — format de réponse, nombre de modalités, ordre des questions — relèvent de la construction d’un questionnaire à échelle de Likert, y compris quand les items sont repris tels quels.

    Avant diffusion, faites un test pilote même sur une échelle validée : ce que vous testez alors n’est pas l’instrument mais votre dispositif de passation. Et une fois les réponses collectées, calculez et rapportez la cohérence interne de vos dimensions, puis comparez-la à celle publiée par les auteurs — c’est cette comparaison, plus que la valeur elle-même, qui a du poids.

    Questions fréquentes

    Utiliser une échelle existante, est-ce moins bien vu qu’en créer une ?

    C’est l’inverse. Créer un instrument est un travail de recherche à part entière, qui suppose une phase de validation psychométrique — hors de portée d’un mémoire de master. Reprendre un instrument validé montre que vous connaissez la littérature de votre champ.

    Peut-on n’utiliser qu’une partie d’une échelle ?

    Techniquement oui, avec prudence : retirer des items peut modifier les propriétés mesurées. Si vous ne gardez qu’une sous-échelle explicitement identifiée par les auteurs, c’est généralement acceptable ; si vous piochez des items isolés, vous ne pouvez plus vous prévaloir de la validation.

    Faut-il demander l’autorisation aux auteurs ?

    Cela dépend des conditions publiées. Certains instruments sont ouverts à l’usage académique non commercial sans démarche ; d’autres exigent une demande écrite. Vérifiez la page officielle de l’échelle, et conservez la preuve de l’autorisation le cas échéant.

    Comment citer une échelle dans le mémoire ?

    Citez l’article d’origine, et l’article de validation de la version que vous utilisez si elle diffère. Dans la méthode, indiquez le nom exact de l’échelle, le nombre d’items, les dimensions et le format de réponse.

    Deux échelles dans le même questionnaire, est-ce possible ?

    Oui, c’est courant dès que vous mesurez deux construits. Surveillez seulement la longueur totale : un questionnaire trop long fait chuter le taux de réponse, et un échantillon amputé coûte plus cher qu’une variable en moins.

    Et si aucune échelle n’existe pour mon objet ?

    C’est possible sur un objet très spécifique. Construisez alors vos items en le disant clairement, appuyez-vous sur la littérature pour les justifier un par un, et traitez l’absence de validation comme une limite explicite. C’est une position défendable — à condition d’avoir vraiment cherché d’abord.

    Une échelle éprouvée, une méthode claire, et il ne reste qu’à écrire. Rédigez votre mémoire avec Tesify.

  • Choisir un modèle théorique pour son mémoire : prenez-en un qui vient avec son instrument (2026)

    Choisir un modèle théorique pour son mémoire : prenez-en un qui vient avec son instrument (2026)

    Il existe des dizaines de guides pour rédiger un cadre théorique. Ils expliquent tous la même chose : comment l’articuler, où le placer, quelle longueur lui donner. Presque aucun ne répond à la question qui bloque réellement les étudiants au moment de commencer : lequel prendre ?

    Il existe un critère simple, et il n’est pas intellectuel. Il est pratique.

    Le test : le modèle publie-t-il son instrument ?

    Un modèle théorique utilisable pour un mémoire ne se contente pas d’exister dans la littérature. Il met à disposition trois choses : la liste de ses construits (les concepts qu’il distingue), une opérationnalisation (comment on mesure ou observe chacun d’eux) et, idéalement, un instrument — questionnaire validé, guide d’entretien, grille de codage.

    Quand ces trois éléments existent, votre mémoire hérite d’un enchaînement complet : vos variables sont définies, votre questionnaire est déjà écrit et validé, votre plan d’analyse découle des dimensions du modèle, et une littérature entière vous fournit des résultats auxquels comparer les vôtres.

    Quand ils n’existent pas, vous devez inventer les quatre. C’est faisable en thèse. Ce n’est pas raisonnable en un semestre de master.

    Chaîne allant d'un concept théorique à une dimension, puis à un item de questionnaire mesurable
    Un modèle utilisable descend jusqu’à l’item. Un modèle décoratif s’arrête au concept.

    Quatre modèles qui passent le test

    Cette liste n’est pas un palmarès, et elle n’est pas exhaustive. Ce sont quatre exemples, choisis parce qu’ils illustrent des situations de recherche très différentes — et parce que, dans les quatre cas, on peut aller vérifier soi-même ce qu’ils livrent.

    1. La théorie de l’autodétermination (SDT), pour tout ce qui touche à la motivation

    La Self-Determination Theory de Ryan et Deci se présente comme « a broad framework for understanding why we do what we do…and what leads to flourishing » — un cadre large pour comprendre pourquoi nous agissons et ce qui conduit à l’épanouissement. Elle postule que le bien-être psychologique et le fonctionnement optimal reposent sur trois besoins : l’autonomie, la compétence et le lien social (relatedness).

    Elle se subdivise en six mini-théories nommées : théorie de l’évaluation cognitive (CET), théorie de l’intégration organismique (OIT), théorie des orientations de causalité (COT), théorie des besoins psychologiques fondamentaux (BPNT), théorie du contenu des buts (GCT) et théorie de la motivation relationnelle (RMT).

    Surtout, le centre officiel de la SDT met en ligne une quarantaine d’échelles — Basic Psychological Need Satisfaction and Frustration Scale, Intrinsic Motivation Inventory, Work Extrinsic and Intrinsic Motivation Scale, Sport Motivation Scale, Perceived Competence Scales, et des déclinaisons pour l’éducation, le sport, la santé, le travail, la parentalité. Les conditions sont explicites : « You are welcome to use the instruments for academic (non-commercial) research projects », avec l’interdiction d’un usage commercial sans autorisation écrite.

    Pour un mémoire en sciences de l’éducation, en STAPS, en psychologie du travail ou en soins, cela signifie que votre questionnaire peut être prêt avant même que vous n’ayez écrit votre problématique.

    2. La théorie du comportement planifié (TPB), pour prédire une intention

    Le modèle d’Icek Ajzen — professeur émérite de psychologie à l’université du Massachusetts à Amherst — articule attitude, norme subjective et contrôle comportemental perçu pour expliquer l’intention, et l’intention pour expliquer le comportement.

    Son intérêt pratique tient à ce qu’Ajzen diffuse lui-même, sur son site universitaire, des ressources destinées aux chercheurs qui veulent l’appliquer, dont un guide de construction de questionnaire TPB et un guide de conception d’intervention. Autrement dit : le modèle ne vous laisse pas deviner comment le mesurer, il vous explique comment fabriquer vos items.

    C’est le modèle indiqué dès que votre sujet porte sur une intention — vacciner, dépister, trier ses déchets, adopter un outil, se former.

    3. Le CFIR, pour comprendre pourquoi un dispositif ne prend pas

    Le Consolidated Framework for Implementation Research répond à une question que beaucoup de mémoires professionnels posent sans le savoir : pourquoi un protocole, un logiciel ou une bonne pratique, pourtant valide, ne s’installe-t-il pas dans un service ?

    Il organise l’analyse en cinq domaines, définis sans ambiguïté : l’innovation (« the « thing » being implemented »), le contexte externe (« the setting in which the Inner Setting exists », par exemple un groupe hospitalier ou une académie), le contexte interne (« the setting in which the innovation is implemented », par exemple l’établissement), les individus (« the roles and characteristics of individuals ») et le processus d’implémentation (« the activities and strategies used to implement the innovation »).

    Détail qui compte pour un travail en français : le guide officiel propose des traductions de ses construits, dont une version française. Vous n’avez donc pas à traduire vous-même la grille avant de coder vos entretiens.

    4. RE-AIM, pour évaluer la portée réelle d’une action

    RE-AIM tient dans cinq dimensions dont l’acronyme dit tout : Reach, Effectiveness, Adoption, Implementation, and Maintenance — portée, efficacité, adoption, mise en œuvre et maintien —, présentées comme les éléments qui « déterminent ensemble l’impact en santé publique ». Depuis l’article original de 1999, environ 700 publications s’en réclament.

    Sa force pour un mémoire est de forcer une question que l’on esquive presque toujours : combien de personnes le dispositif a-t-il réellement touchées, et lesquelles ? Un mémoire d’IFSI, de cadre de santé ou de santé publique portant sur une action de prévention y trouve d’emblée son plan d’évaluation.

    Le modèle doit décider de votre questionnaire, pas l’inverse

    Une fois le modèle choisi, l’enchaînement est mécanique et c’est précisément ce que le jury attend de voir.

    1. Le construit vient du modèle : « satisfaction du besoin d’autonomie », « norme subjective », « contexte interne ».
    2. La dimension découpe ce construit en composantes distinctes.
    3. L’item mesure une dimension — c’est la question que voit réellement votre répondant.
    4. L’analyse reconstitue le chemin en sens inverse, des items vers le construit.

    Ce passage du concept à la question est le point de rupture le plus fréquent : voyez l’opérationnalisation des variables dans un mémoire quantitatif pour le détail de la manœuvre, et la formulation des hypothèses de recherche pour ce qui vient juste après — car un modèle nommé rend vos hypothèses presque évidentes à écrire.

    Les trois erreurs qui coûtent le plus cher

    Contraste entre un modèle théorique cité une seule fois et un modèle qui traverse tout le mémoire
    Le modèle porteur réapparaît dans la méthode, dans les résultats et dans la discussion.

    Le modèle décoratif. Il est cité en fin de cadre théorique, puis plus jamais. Ni les hypothèses, ni le questionnaire, ni la discussion ne s’y réfèrent. Le test est simple et impitoyable : si l’on supprime le nom du modèle de votre mémoire, est-ce que quelque chose change ? Si la réponse est non, il n’est pas votre cadre théorique — c’est un ornement, et le jury le verra.

    Le modèle trop grand. Mobiliser la SDT entière, ses six mini-théories et ses trois besoins, sur un échantillon de trente répondants, c’est promettre ce qu’aucune analyse ne pourra tenir. Prenez une mini-théorie, ou même un seul construit, et traitez-le sérieusement. Un mémoire qui explore bien une dimension vaut mieux qu’un mémoire qui en survole douze.

    La traduction improvisée. La plupart de ces échelles sont publiées en anglais. Les traduire soi-même en une soirée, c’est perdre la validation qui faisait tout leur intérêt : une échelle traduite sans procédure n’est plus l’échelle validée, c’est un questionnaire maison. Cherchez d’abord une version française validée et citez-la ; si vous n’en trouvez pas, dites explicitement dans vos limites que vous avez utilisé une traduction non validée. Un jury pardonne une limite annoncée, jamais une validité affichée à tort.

    Ouvrez votre mémoire dans Tesify et faites descendre votre modèle du cadre théorique jusqu’aux items : chaque chapitre garde le même vocabulaire, et vous écrivez chaque phrase.

    Comment l’annoncer dans le mémoire

    Trois emplacements, trois formulations.

    Dans le cadre théorique, vous justifiez le choix — pourquoi ce modèle plutôt qu’un autre, au regard de votre question. C’est le seul endroit où la discussion théorique a sa place ; sur la distinction entre le cadre théorique et le cadre conceptuel, voyez la comparaison des deux notions, et pour la rédaction elle-même, la méthode de rédaction du cadre théorique.

    Dans la méthodologie, vous déclarez l’instrument : quelle échelle, quelle version, quelle source, quelles conditions d’utilisation. Si votre design impose par ailleurs une grille de compte rendu, l’article sur la grille de rédaction correspondant à votre design vous dira laquelle et ce qu’elle attend de cette section.

    Dans la discussion, vous rebranchez vos résultats sur le modèle : les dimensions attendues se confirment-elles, laquelle résiste, et qu’est-ce que cela dit du modèle appliqué à votre terrain. C’est le passage qui distingue un mémoire d’un compte rendu d’enquête.

    Questions fréquentes

    Faut-il obligatoirement un modèle théorique nommé dans un mémoire de master ?

    Aucune règle générale ne l’impose, et certaines disciplines construisent leur cadre à partir d’un corpus d’auteurs plutôt que d’un modèle formalisé. Mais dès que votre travail comporte un volet empirique avec des variables à mesurer, un modèle nommé vous fait gagner un temps considérable et rend vos choix défendables.

    Puis-je utiliser gratuitement une échelle publiée ?

    Cela dépend de l’échelle, et il faut vérifier au cas par cas. Les instruments de la théorie de l’autodétermination, par exemple, sont explicitement ouverts aux projets de recherche académiques non commerciaux, un usage commercial exigeant une autorisation écrite. D’autres échelles sont sous licence payante. Lisez les conditions avant de diffuser votre questionnaire, pas après.

    Puis-je combiner deux modèles ?

    Oui, mais seulement si vous expliquez ce que le second apporte que le premier ne couvre pas, et à quel endroit précis de votre analyse il intervient. Deux modèles juxtaposés sans articulation produisent un cadre théorique deux fois plus long et deux fois moins clair.

    Mon terrain est très spécifique et aucun modèle ne colle exactement. Que faire ?

    C’est la situation normale, et ce n’est pas un problème. Prenez le modèle le plus proche, appliquez-le, et faites de l’écart entre le modèle et votre terrain un résultat à part entière. Un mémoire qui montre précisément où un cadre établi cesse de fonctionner est plus intéressant qu’un mémoire qui prétend une adéquation parfaite.

    Où trouver les construits et les échelles d’un modèle ?

    D’abord sur le site officiel du modèle quand il en existe un — c’est le cas des quatre présentés ici, et c’est la raison pour laquelle ils figurent dans cette liste. Ensuite dans l’article fondateur, puis dans les articles de validation qui en proposent des versions dans d’autres langues.

    Un modèle ancien décrédibilise-t-il un mémoire ?

    Non. L’ancienneté d’un modèle fondateur n’est pas une faiblesse — c’est souvent le signe qu’il a résisté. Ce qui compte, c’est que la littérature récente continue de l’utiliser et de le discuter, et que vous citiez cette littérature récente à côté de l’article d’origine.

    Choisissez le modèle, récupérez son instrument, et commencez. Écrivez votre mémoire avec Tesify : la structure vous suit, les mots restent les vôtres.

  • Comment pré-tester son questionnaire de mémoire : le test pilote étape par étape (2026)

    Comment pré-tester son questionnaire de mémoire : le test pilote étape par étape (2026)

    Comment pré-tester son questionnaire de mémoire : le test pilote étape par étape (2026)

    Le pré-test, ou test pilote, consiste à faire passer son questionnaire à un petit groupe de répondants avant la diffusion réelle, afin de repérer les questions mal comprises, les problèmes techniques et les oublis. C’est la seule étape qui permet encore de corriger l’instrument : après le lancement, toute modification invalide les réponses déjà collectées.

    Réponse rapide : pré-testez votre questionnaire auprès de 5 à 15 personnes proches de votre population cible, sans les inclure dans l’échantillon final. Mesurez trois choses : le temps de passation réel, les questions mal comprises et le taux d’abandon. Interrogez ensuite chaque testeur sur ce qu’il a compris de chaque question ambiguë. Corrigez, puis relancez un second tour si les modifications ont été substantielles.

    Pourquoi le pré-test est-il indispensable ?

    Un questionnaire paraît toujours limpide à celui qui l’a rédigé. Son auteur connaît le sens exact de chaque terme, la logique qui relie les sections et l’intention derrière chaque item. Le répondant, lui, découvre le document sans ce contexte.

    Le pré-test révèle systématiquement trois familles de problèmes invisibles depuis la position du concepteur : des termes ambigus interprétés différemment selon les personnes, des modalités de réponse manquantes qui forcent un choix par défaut, et une durée réelle largement supérieure à la durée estimée.

    L’enjeu est décisif car l’erreur est irréversible. Modifier une question après le lancement rend les réponses antérieures incomparables avec les suivantes, ce qui revient à perdre la première partie de la collecte.

    Étudiante observant un répondant remplir un questionnaire papier lors d'un test pilote
    Le pré-test révèle les ambiguïtés qu’un concepteur ne peut pas voir dans son propre questionnaire.

    Combien de répondants faut-il ?

    Un pré-test n’a pas de vocation statistique : il ne s’agit pas de mesurer un phénomène, mais de détecter des défauts. Un effectif de 5 à 15 répondants suffit dans la très grande majorité des mémoires, et l’essentiel des problèmes apparaît généralement dès les cinq premières passations.

    Dimensionner son pré-test selon le questionnaire
    Type de questionnaire Effectif conseillé Objectif prioritaire
    Court, questions fermées simples 5 à 8 personnes Clarté des formulations, durée
    Long, avec échelles et filtres 10 à 15 personnes Logique de branchement, fatigue, abandon
    Avec échelle psychométrique 15 personnes ou plus Cohérence interne des items

    Point de méthode à ne jamais négliger : les répondants du pré-test ne doivent pas être intégrés à l’échantillon final. Ils ont répondu à une version différente de l’instrument, ce qui rend leurs réponses non comparables.

    Qui solliciter pour le pré-test ?

    Le meilleur pré-test combine deux profils complémentaires, et se prive rarement d’un troisième.

    • Des personnes proches de la population cible — mêmes caractéristiques, même niveau de familiarité avec le sujet. Ce sont elles qui révèlent les problèmes de compréhension réels.
    • Une ou deux personnes extérieures au sujet, qui repèrent le jargon devenu invisible pour vous.
    • Votre directeur de mémoire, dont la relecture porte sur l’adéquation entre les questions et vos hypothèses de recherche.

    Évitez en revanche de ne solliciter que des proches complaisants : un testeur qui veut vous faire plaisir répondra que « tout est très clair », ce qui est exactement l’information dont vous n’avez pas besoin.

    Que faut-il mesurer pendant le pré-test ?

    Un pré-test utile est un pré-test instrumenté. Trois indicateurs doivent être relevés systématiquement :

    1. Le temps de passation réel, chronométré. Comparez-le à la durée annoncée dans votre invitation : un écart important est la première cause d’abandon.
    2. Les questions mal comprises, repérées par les hésitations, les demandes de clarification et les réponses incohérentes.
    3. Le point d’abandon le cas échéant : à quelle question le répondant décroche-t-il ?

    Sur un questionnaire en ligne, observez également les non-réponses aux questions facultatives : une question systématiquement sautée est presque toujours une question mal formulée, trop intrusive ou mal placée.

    Quelles questions poser après la passation ?

    C’est l’étape que la plupart des étudiants négligent, et c’est pourtant elle qui produit le plus d’informations exploitables. Une fois le questionnaire rempli, reprenez-le avec le testeur en posant des questions de reformulation :

    • « Avec vos mots, que demandait cette question selon vous ? »
    • « Une question vous a-t-elle semblé ambiguë ou impossible à trancher ? »
    • « Avez-vous eu envie de répondre autre chose que les modalités proposées ? »
    • « Une question vous a-t-elle mis mal à l’aise ? »
    • « Avez-vous eu l’impression de répondre deux fois à la même chose ? »

    La première question est la plus puissante. Quand un testeur reformule un item d’une manière qui ne correspond pas à votre intention, vous tenez une ambiguïté réelle — indépendamment du fait qu’il ait ou non déclaré la question « claire ». Cette technique de reformulation est proche de celle employée pour valider une grille d’entretien, décrite dans notre guide pour construire une grille d’entretien semi-directif.

    Notes de correction annotées sur un projet de questionnaire de recherche
    Les reformulations des testeurs révèlent les ambiguïtés que la question « est-ce clair ? » ne détecte jamais.

    Comment corriger et faut-il un second tour ?

    Traitez les retours par ordre de gravité plutôt que dans l’ordre du questionnaire. Une question comprise de travers invalide une variable entière : elle passe avant un problème de formulation mineur.

    Un second tour s’impose dans deux cas : si vous avez reformulé une question portant sur une variable centrale de vos hypothèses, ou si vous avez modifié la structure du questionnaire (ordre des sections, ajout d’un filtre). Trois à cinq nouveaux testeurs suffisent alors à vérifier que la correction fonctionne et n’a pas créé un nouveau problème.

    À l’inverse, de simples corrections orthographiques ou l’ajout d’une modalité « Autre » ne justifient pas de recommencer. Une fois l’instrument stabilisé, la question devient celle de la diffusion et du taux de réponse, traitée dans notre article sur comment diffuser son questionnaire et améliorer son taux de réponse.

    Comment en rendre compte dans le mémoire ?

    Le pré-test se mentionne explicitement dans la partie méthodologie : c’est un marqueur de rigueur que les jurys valorisent, et son absence est une critique fréquente en soutenance.

    Quelques lignes suffisent, à condition d’être précises : nombre de testeurs et leur profil, date, durée moyenne constatée, et surtout les modifications concrètes apportées à la suite du test. Un exemple de reformulation avant / après est particulièrement convaincant, car il démontre que le pré-test a réellement servi et n’a pas été une formalité déclarative.

    Pour la construction initiale des items et des échelles, voir notre guide sur la façon de construire un questionnaire de mémoire avec une échelle de Likert.

    Questions fréquentes

    Combien de personnes faut-il pour pré-tester un questionnaire ?

    De 5 à 15 personnes suffisent dans la plupart des mémoires. L’essentiel des problèmes apparaît dès les cinq premières passations. Un questionnaire long, avec filtres ou échelle psychométrique, justifie de monter à 15 testeurs ou plus.

    Les répondants du pré-test comptent-ils dans l’échantillon final ?

    Non. Ils ont répondu à une version différente du questionnaire, ce qui rend leurs réponses non comparables à celles collectées après correction. Ils doivent être exclus de l’échantillon d’analyse.

    Que faut-il mesurer pendant un test pilote ?

    Trois indicateurs : le temps de passation réel chronométré, les questions mal comprises (hésitations, demandes de clarification, réponses incohérentes) et le point d’abandon éventuel. En ligne, surveillez aussi les questions systématiquement laissées sans réponse.

    Faut-il refaire un pré-test après correction ?

    Un second tour s’impose si vous avez reformulé une question portant sur une variable centrale ou modifié la structure du questionnaire. Trois à cinq nouveaux testeurs suffisent. De simples corrections orthographiques ne le justifient pas.

    Quelle est la meilleure question à poser à un testeur ?

    « Avec vos mots, que demandait cette question selon vous ? » Si la reformulation ne correspond pas à votre intention, vous avez identifié une ambiguïté réelle, même si le testeur avait déclaré la question parfaitement claire.

    Faut-il mentionner le pré-test dans le mémoire ?

    Oui, dans la partie méthodologie. Indiquez le nombre et le profil des testeurs, la date, la durée moyenne constatée et les modifications concrètes apportées. Un exemple de reformulation avant / après démontre que le pré-test a réellement servi.

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

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

    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.

    En résumé : une échelle de Likert bien construite comporte des items formulés de façon claire et univoque, un nombre de points cohérent avec l’objectif de recherche (5 points pour la simplicité, 7 pour la sensibilité), et des analyses statistiques adaptées à son niveau de mesure. Le choix entre traitement ordinal (médiane, mode, tests non paramétriques) et traitement d’intervalle (moyenne, écart-type, tests paramétriques) doit être justifié méthodologiquement, pas improvisé.

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

    Questionnaire à échelle de Likert rempli au stylo
    Le nombre de points de l’échelle conditionne la finesse de mesure et l’analyse.

    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.

    Comparatif des formats d’échelle de Likert les plus courants
    Nombre de points Usage typique Avantages Limites
    4 points (pair) Attitudes tranchées, éviter la neutralité Force la prise de position, réduit la tendance centrale Peut frustrer les répondants réellement neutres
    5 points (impair) Standard en sciences sociales et gestion Simple à administrer, comparable à la littérature existante Risque de tendance centrale si sur-utilisé
    7 points (impair) Recherches nécessitant plus de granularité Meilleure sensibilité statistique, variance plus riche Charge cognitive plus élevée, risque d’incohérence
    10 points (pair) Contextes proches de la notation scolaire Intuitif pour certains publics S’éloigne du format Likert classique, interprétation ambiguë

    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 ?

    Analyse statistique des réponses à une échelle de Likert
    Le traitement (ordinal ou d’intervalle) doit être justifié méthodologiquement.

    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

    Combien de points doit comporter une échelle de Likert dans un mémoire ?

    Le format à 5 points est le plus courant car il offre un bon équilibre entre simplicité et précision de mesure. Le format à 7 points est préférable lorsque le sujet nécessite une plus grande sensibilité statistique et que le public interrogé est suffisamment familier avec la thématique pour discriminer finement ses réponses.

    Faut-il inclure un point neutre dans l’échelle ?

    Cela dépend de l’objectif de recherche. Un point neutre (nombre impair de points) permet aux répondants sincèrement indécis de l’exprimer, mais peut aussi être utilisé par facilité. Un nombre pair de points force une prise de position, ce qui réduit la tendance centrale mais peut frustrer les répondants réellement neutres.

    Peut-on calculer une moyenne sur des données d’échelle de Likert ?

    Sur un item isolé, l’usage de la moyenne reste débattu car l’échelle est théoriquement ordinale. En revanche, sur un score composite regroupant plusieurs items d’une même dimension, dont la fiabilité a été vérifiée avec l’alpha de Cronbach, la moyenne est largement acceptée et couramment utilisée dans la littérature méthodologique.

    Qu’est-ce qu’un item inversé et pourquoi en inclure ?

    Un item inversé est formulé dans le sens opposé aux autres items de la même dimension. Il permet de détecter les réponses inattentives ou automatiques et doit être recodé en sens inverse avant tout calcul de score composite, afin de ne pas fausser les résultats.

    Quel test statistique choisir pour analyser des données Likert ?

    Pour des items ordinaux isolés, privilégiez les tests non paramétriques (Mann-Whitney, Kruskal-Wallis, corrélation de Spearman). Pour des scores composites fiables et normalement distribués, les tests paramétriques (test t, ANOVA, corrélation de Pearson) deviennent défendables, à condition de justifier ce choix dans la méthodologie.

    Comment vérifier la fiabilité d’une échelle de Likert ?

    La fiabilité d’une échelle composée de plusieurs items se vérifie à l’aide du coefficient alpha de Cronbach, qui mesure la cohérence interne des réponses. Un alpha égal ou supérieur à 0,70 est généralement considéré comme acceptable avant de calculer un score composite exploitable dans les analyses.

  • Alpha de Cronbach avec SPSS : mesurer la fidélité d’un questionnaire dans un mémoire 2026

    Alpha de Cronbach avec SPSS : mesurer la fidélité d’un questionnaire dans un mémoire 2026

    Alpha de Cronbach avec SPSS : mesurer la fidélité d’un questionnaire dans un mémoire 2026

    Vous avez construit ou adapté un questionnaire pour votre mémoire et vous devez maintenant prouver à votre jury que vos échelles mesurent bien ce qu’elles sont supposées mesurer, de manière cohérente. L’alpha de Cronbach avec SPSS est l’indice de cohérence interne le plus utilisé en recherche académique française pour valider la fidélité d’un instrument de mesure. Sa valeur — et surtout son interprétation — conditionne la crédibilité de toute votre démarche quantitative.

    Introduit par Lee Cronbach en 1951, cet indicateur reste, 75 ans plus tard, l’un des résultats statistiques les plus demandés par les jurys de mémoire en psychologie, sciences de l’éducation, gestion et sciences de la santé. Ce guide vous explique son fonctionnement mathématique, les seuils d’acceptabilité, la procédure exacte dans SPSS et comment améliorer votre alpha si sa valeur est trop faible.

    Réponse rapide
    L’alpha de Cronbach mesure la cohérence interne d’une échelle multi-items. Dans SPSS : Analyze → Scale → Reliability Analysis. Valeurs de référence : α ≥ 0,70 acceptable pour une recherche exploratoire ; α ≥ 0,80 bon ; α ≥ 0,90 excellent (mais risque de redondance des items). Une corrélation item-total corrigée inférieure à 0,30 signale un item à revoir ou supprimer.

    Qu’est-ce que l’alpha de Cronbach ?

    L’alpha de Cronbach est un indicateur de cohérence interne — une facette de la fidélité. Il mesure dans quelle mesure l’ensemble des items d’une même échelle tendent à produire des réponses corrélées, c’est-à-dire dans quelle mesure ils mesurent bien le même construit sous-jacent.

    Un alpha élevé signifie que les items « vont dans le même sens » : un participant qui score haut sur un item tend à scorer haut sur les autres. Un alpha faible indique que les items mesurent des construits hétérogènes ou que certains items sont mal formulés, inversés par erreur ou simplement mal compris.

    Ce que l’alpha ne mesure pas

    L’alpha de Cronbach mesure la cohérence interne, pas :

    • La stabilité temporelle (fidélité test-retest) : même questionnaire, mêmes participants, deux moments différents
    • La fidélité inter-juges : accord entre deux observateurs ou codeurs
    • La validité du construit : un questionnaire peut être cohérent mais mesurer le mauvais concept

    Formule et logique mathématique

    La formule de l’alpha de Cronbach est :

    α = (k / (k − 1)) × (1 − Σσ²ᵢ / σ²ₓ)

    Où :

    • k = nombre d’items dans l’échelle
    • Σσ²ᵢ = somme des variances de chaque item individuel
    • σ²ₓ = variance du score total de l’échelle

    Le terme (1 − Σσ²ᵢ / σ²ₓ) représente la proportion de variance totale qui n’est pas due à la variabilité spécifique à chaque item — autrement dit, la part attribuable au facteur commun que les items partagent. Plus cette proportion est grande, plus l’alpha est élevé.

    Relation entre alpha et nombre d’items

    L’alpha augmente mécaniquement avec le nombre d’items — même si les nouveaux items ne sont pas plus corrélés que les existants. La formule de Spearman-Brown formalise ce lien. Cette propriété a une implication pratique : ne jugez pas directement deux échelles d’alpha identique si elles n’ont pas le même nombre d’items.

    Seuils d’interprétation

    Les seuils les plus cités dans la littérature académique française et internationale sont :

    Valeur de α Interprétation Contexte recommandé
    < 0,60 Inacceptable Revoir l’échelle en profondeur
    0,60 – 0,69 Limite / Questionnable Acceptable en recherche exploratoire seulement
    0,70 – 0,79 Acceptable Standard minimal pour la plupart des mémoires
    0,80 – 0,89 Bon Recommandé pour toute publication
    ≥ 0,90 Excellent à excessif Vérifier la redondance des items
    Paradoxe de l’alpha très élevé : Un alpha > 0,95 peut indiquer que vos items sont trop redondants (mesurent exactement la même chose de plusieurs façons légèrement différentes). Cette redondance n’apporte pas d’information supplémentaire et peut gonfler artificiellement la cohérence interne. En psychométrie, un alpha entre 0,80 et 0,90 est souvent considéré comme optimal.

    Procédure SPSS pas à pas

    Vidéo : Alpha de Cronbach et corrélation dans SPSS — Dr.MéthoPsycho

    1. Analyze → Scale → Reliability Analysis
    2. Déplacez tous les items de votre échelle dans la boîte Items
    3. Assurez-vous que le modèle sélectionné est Alpha (par défaut)
    4. Cliquez sur Statistics :
    • Cochez Item : moyennes et écarts-types par item
    • Cochez Scale if item deleted : voir l’alpha si chaque item était supprimé (crucial pour améliorer l’échelle)
    • Cochez Inter-item correlations : matrice de corrélations entre items
    • Cochez Correlations dans la section Descriptives for Scale

    5. Cliquez Continue puis OK.

    Lire l’output SPSS

    Reliability Statistics

    Ce premier tableau indique la valeur alpha globale et le nombre d’items. C’est la valeur à rapporter dans votre mémoire.

    Item Statistics

    Moyennes et écarts-types de chaque item. Vérifiez que les moyennes ne sont pas toutes proches de l’extrémité de l’échelle (phénomène de plancher ou de plafond), ce qui comprime artificiellement la variance et peut réduire l’alpha.

    Inter-Item Correlation Matrix

    Inspectez cette matrice. Des corrélations moyennes entre items de 0,20 à 0,40 sont généralement souhaitées. Des corrélations négatives signalent qu’un item est inversé par erreur (oubli du recodage) — une erreur fréquente dans les mémoires.

    Item-Total Statistics

    Ce tableau est le plus précieux pour l’amélioration de l’échelle. Pour chaque item, il présente :

    • Corrected Item-Total Correlation : corrélation de l’item avec le score total de l’échelle (excluant l’item lui-même). Seuil recommandé : ≥ 0,30
    • Cronbach’s Alpha if Item Deleted : alpha si cet item était supprimé. Si cette valeur dépasse votre alpha global, l’item nuit à la cohérence de l’échelle

    La corrélation item-total corrigée : clé de l’amélioration

    La corrélation item-total corrigée est l’indicateur le plus direct de la contribution de chaque item à la cohérence de l’échelle. Les règles pratiques sont :

    • ≥ 0,50 : l’item contribue fortement à l’échelle
    • 0,30 – 0,49 : contribution acceptable, à conserver
    • 0,20 – 0,29 : contribution faible, à revoir ou supprimer selon le contexte théorique
    • < 0,20 : l’item est peu lié aux autres — fort candidat à la suppression
    • Valeur négative : item probablement inversé non recodé — à corriger en premier

    Comment améliorer un alpha insuffisant

    Si votre alpha est inférieur à 0,70, voici les démarches à suivre par ordre de priorité :

    1. Vérifier le recodage des items inversés : dans SPSS, Transform → Recode Into Different Variables. Un item non recodé produit des corrélations négatives et effondre l’alpha.
    2. Supprimer les items avec corrélation item-total < 0,20 : commencez par l’item le plus faible, relancez l’analyse, vérifiez que l’alpha augmente bien.
    3. Examiner les items à la lumière du contenu : un item peut être statistiquement faible parce qu’il mesure une facette distincte du construit. La décision de le supprimer doit être justifiée théoriquement, pas uniquement statistiquement.
    4. Vérifier la compréhension des items : si possible, revenez à votre pré-test et interrogez des répondants sur la compréhension des formulations ambiguës.

    Limites de l’alpha de Cronbach

    Plusieurs méta-analyses récentes (dont Sijtsma, 2009, publié dans Psychometrika) ont mis en évidence des limites importantes que vous devez au moins mentionner dans votre mémoire si vous êtes en psychologie ou sciences de l’éducation :

    • Suppose la tauéquivalence : l’alpha est un estimateur exact de la fiabilité uniquement si tous les items ont la même charge factorielle (tau-equivalence), ce qui est rarement vérifié en pratique
    • Sous-estime la fiabilité réelle lorsque les charges varient entre items (le cas général)
    • Ne détecte pas la multidimensionnalité : une échelle mesurant deux construits distincts peut avoir un alpha élevé si les items de chaque dimension sont suffisamment corrélés entre eux

    Alternatives modernes : oméga de McDonald

    L’oméga (ω) de McDonald est aujourd’hui recommandé comme alternative plus précise à l’alpha. Contrairement à l’alpha, il ne suppose pas la tau-équivalence et fournit un meilleur estimateur de la fiabilité dans le cas général. Disponible dans R (package psych), JASP ou Jamovi. Si votre jury est au fait des évolutions récentes de la psychométrie, mentionner ω en complément de α démontre une maîtrise approfondie de la littérature.

    Deux indices distincts existent : ωt (oméga total) et ωh (oméga hiérarchique). Pour la plupart des mémoires, ωt est l’équivalent le plus direct de l’alpha.

    Rédiger les résultats dans votre mémoire

    La section fidélité de vos instruments de mesure se place généralement dans la sous-section Instruments ou Mesures du chapitre Méthodologie.

    Modèle de rédaction pour une seule échelle

    La cohérence interne de l’échelle de satisfaction au travail (5 items, échelle de Likert 1-7) a été évaluée par l’alpha de Cronbach. La valeur obtenue était de α = .82 (IC 95% [.76 ; .87]), indiquant une bonne cohérence interne (Nunnally et Bernstein, 1994). Tous les items présentaient des corrélations item-total corrigées supérieures à .42, confirmant la contribution positive de chaque item à l’échelle.

    Modèle pour plusieurs sous-échelles

    La fidélité de chaque sous-échelle a été vérifiée via l’alpha de Cronbach : engagement affectif (α = .85), engagement normatif (α = .78) et engagement continu (α = .71). Ces valeurs respectent le seuil minimal de .70 recommandé pour la recherche en sciences de gestion (Hair et al., 2019). L’item EC3 présentait une corrélation item-total de .24, en dessous du seuil de .30 ; une justification théorique a néanmoins conduit à le conserver dans l’instrument.

    Pour approfondir votre maîtrise de l’instrumentation quantitative, consultez notre guide sur la validation d’instruments de mesure, l’ACP avec SPSS et la méthodologie de recherche.

    Tesify pour votre section méthodologie : La rédaction de la section instruments de mesure — avec l’alpha de Cronbach, les corrélations item-total et les justifications de suppression d’items — est complexe. Tesify vous aide à structurer cette section selon les normes attendues par les jurys français.

    Questions fréquentes

    Mon alpha est de 0,67 : puis-je quand même utiliser mon échelle dans mon mémoire ?

    Un alpha de 0,67 est en dessous du seuil standard de 0,70 mais peut être jugé acceptable dans un contexte exploratoire ou pour un concept émergent avec peu d’items dans la littérature. Discutez-le explicitement dans votre mémoire en reconnaissant la limite, en expliquant pourquoi vous maintenez l’échelle (raisons théoriques, absence d’items à supprimer sans dégrader le contenu) et en interprétant vos résultats avec prudence. Évitez simplement d’ignorer la valeur ou de ne pas la mentionner.

    Combien d’items minimum faut-il pour calculer un alpha de Cronbach ?

    Techniquement, l’alpha peut se calculer dès 2 items, mais une interprétation fiable nécessite au minimum 3 à 4 items. En dessous de 3 items, la valeur alpha est instable et peu interprétable. Idéalement, une échelle comporte entre 5 et 10 items par dimension mesurée, offrant un bon équilibre entre richesse du contenu et concision du questionnaire.

    Dois-je calculer l’alpha sur l’ensemble du questionnaire ou par sous-échelle ?

    Par sous-échelle, dans la quasi-totalité des cas. Calculer l’alpha sur l’ensemble d’un questionnaire multidimensionnel n’a pas de sens théorique : des items mesurant des construits différents (ex. satisfaction + engagement + stress) n’ont aucune raison d’être cohérents entre eux. Calculez et rapportez un alpha distinct pour chaque dimension théorique de votre instrument.

    Comment interpréter une corrélation item-total négative ?

    Une corrélation item-total négative est presque toujours le signe d’un item inversé (phrasing négatif) qui n’a pas été recodé. Vérifiez d’abord si l’item devait être recodé (5 → 1, 4 → 2, etc.) via Transform → Recode dans SPSS. Après recodage, relancez l’analyse de fiabilité. Si la corrélation reste négative malgré le recodage, l’item mesure effectivement quelque chose d’opposé aux autres — candidat prioritaire à l’élimination.

    L’alpha de Cronbach s’applique-t-il aux données nominales ou dichotomiques ?

    Pour des items dichotomiques (réponses 0/1, vrai/faux), l’équivalent de l’alpha de Cronbach est la formule KR-20 (Kuder-Richardson 20), qui produit la même valeur que l’alpha lorsque tous les items sont dichotomiques. SPSS calcule automatiquement KR-20 lorsque les items sont codés 0 et 1 et que vous sélectionnez le modèle Alpha dans Reliability Analysis. Pour des items nominaux avec plus de deux catégories non ordonnées, l’alpha n’est pas approprié.