Usages et mésusages des analyses factorielles exploratoires : un exemple à partir de la version courte-française du Questionnaire for Teacher Interaction (QTI)
Notice bibliographique
Résumé
Les démarches de validation factorielle des questionnaires psychométriques traduits en français sont entachées par la présence de plusieurs faiblesses méthodologiques et statistiques. L’analyse factorielle exploratoire (AFE) est considérée parmi les méthodes d’extraction les plus utilisées pour vérifier la validité des construits des questionnaires en sciences humaines et sociales (Osborne et Costello, 2009). Néanmoins, la plupart des études basées sur les AFE sont marquées par des usages non appropriés ou des interprétations litigieuses de ce type d’analyses. Dans cet article, le Questionnaire on Teacher Interaction (QTI) a été utilisé comme exemple des questionnaires psychométriques traduits en français. Très récemment, ses démarches de validation factorielle ont fait l’objet d’une critique approfondie (Ben Alaya, Grenon, Desbiens et Bali, 2018). Pour avancer les recherches dans ce sens, nous avons comparé les résultats de deux démarches d’AFE : la première est inspirée des études antérieures ayant validé le QTI alors que la deuxième suit les étapes et les recommandations des spécialistes en AFE. En comparant les deux résultats, nous avons montré à quel point les décisions opérées et l’usage non approprié des AFE peuvent influencer le résultat et la solution factorielle trouvée.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,135 | 0,255 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».