Evalguide - Design

La méthode quasi-expérimentale se différencie de la méthode expérimentale par le fait que les participants, dans une procédure quasi-expérimentale, ne sont pas répartis de façon aléatoire sur un groupe expérimental (GE) et un groupe de contrôle (GC). On y analyse des groupes qui existent naturellement, et pas des groupes créés au hasard (p. ex. deux classes d’élèves différentes). Par cette répartition non-aléatoire, on ne peut pas exclure que les deux groupes se différencient par des caractéristiques qui ont une influence sur la dimension visée. Par conséquent, on ne peut pas partir impérativement, lors de l'interprétation de différences possibles entre les groupes, du principe que la différence est due uniquement au traitement (la mesure à évaluer).

Méthode quasi-expériementale avec un groupe de contrôle (non-aléatoire)

Mesure unique avec une groupe de contrôle non-aléatoire :

GE : X --> O
GC : (Xk) --> O

Exemple : on fait travailler un groupe d'étudiants (GE) avec un logiciel d'apprentissage sur la thématique "z", et on mesure une caractéristique, p. ex. les connaissances au sujet de "z". La même mesure est faite aussi pour un groupe de contrôle (GC) qui n'a pas appris avec le logiciel d'apprentissage (ou qui a reçu un traitement de contrôle (Xc), p. ex. en travaillant avec un autre matériel). Si la mesure donne des résultats « meilleurs » pour le GE que pour le GC, on peut dire avec plus d’assurance par rapport à la mesure unique sans groupe de contrôle (voir ci-dessous) que le logiciel d'apprentissage a provoqué quelque chose. Toutefois, on doit prendre en considération que les groupes se différenciaient peut-être déjà avant le traitement en ce qui concerne une caractéristique qui est liée à la mesure évaluée (les connaissances !)

Mesure avant - après avec un groupe de contrôle non-aléatoire :

GE : O --> X --> O
GC : O --> (Xk) --> O

Exemple : on fait travailler un groupe d'étudiants (GE) avec un logiciel d'apprentissage sur la thématique "z", et on mesure, au début et à la fin de leur apprentissage, une caractéristique, p. ex. les connaissances au sujet de "z".
On prend les mêmes mesures avant et après chez un groupe de contrôle (GC) qui n'a pas appris avec le logiciel d'apprentissage (ou qui a reçu un traitement de contrôle (Xc), p. ex. en travaillant avec un autre matériel). Par rapport à la mesure unique, cette méthode a l'avantage de mesurer de façon fiable la performance d'apprentissage en regardant la différence entre les mesures avant et après.
Ici aussi, on doit toutefois prendre en compte, lors de l'interprétation des différences possibles entre les deux groupes, que les groupes ne se différencient éventuellement pas seulement à cause du traitement!

Méthode quasi-expérimentale sans groupe de contrôle

Mesure unique sans groupe de contrôles :

X (traitment) --> O (mesure)

Exemple : on fait travailler un groupe d'étudiants (GE) avec un logiciel d'apprentissage sur la thématique "z", et on mesure une caractéristique, p. ex. les connaissances au sujet de "z". Dans de nombreux cas, cette méthode est problématique parce qu'elle ne permet pas de savoir si la caractéristique (les connaissances) est effectivement due au traitement (logiciel d'apprentissage). Parfois, on peut toutefois tirer des conclusions sur l'effet du traitement, p. ex. si on peut considérer, sur la base du programme d'études, que les étudiants n’avaient pas de connaissances concernant le thème z avant le traitement. L'absence d'une valeur de comparaison reste toutefois problématique. Même si on peut prouver que quelque chose a été appris, reste toujours la question de savoir si c'est "beaucoup" ou "peu", "bien" ou "mal" appris.

Mesure avant - après sans groupe de contrôle:

O --> X --> O

Exemple : on fait travailler un groupe d'étudiants (GE) avec un logiciel d'apprentissage sur la thématique "z", et on mesure, avant et après, une caractéristique, p. ex. les connaissances savoir au sujet de "z". Par rapport à une mesure unique, cette méthode a l'avantage de mesurer de façon fiable les performances d'apprentissage, en analysant la différence entre l'avant et l'après. L'amélioration des valeurs entre la première et la deuxième mesure ne peut toutefois être interprétée comme effet du traitement (X) que lorsqu'il n'y a pas d'autres explications plausibles !