Interpréter les données

Quand faut-il considérer une valeur comme faible ou élevée ? Quelles conclusions peuvent être tirées des données rassemblées ? Cela dépend des circonstances et des questions d'évaluation du projet concerné. Une généralisation est donc impossible (tout particulièrement pour des données obtenues au moyen de procédures d'analyse de contenu). Nous allons cependant donner quelques exemples.

Des valeurs (moyennes) d’échelle issues de questionnaires peuvent être interprétées sur la base de la description des niveaux de l'échelle : p. ex. "les étudiants jugent xy en moyenne comme ‘bien’", etc. L'interprétation des résultats peut cependant aussi se faire par une approche comparative :

• entre variables,
• entre groupes d'apprenants,
• entre différents moments dans le temps,
• entre cours/classes,
• entre outils de logiciel.

Exemple :
Pour illustrer ce concept, nous allons nous servir à nouveau du questionnaire de l'autoefficacité attendue liée à l'apprentissage. Supposons que ce questionnaire a été rempli deux fois par le même groupe, une fois avant (pré-test) et une fois après (post-test) une formation sur les compétences d'apprentissage. Maintenant se pose la question de savoir si l'autoefficacité attendue liée à l'apprentissage s'est améliorée après la formation.
Pour cela, nous insérons les données de la deuxième enquête par questionnaire comme nouvelle variable (colonne) dans la fiche de données de la première enquête et nous calculons pour chaque moment de mesure et par participant une moyenne pour les questions concernant l'autoefficacité perçue (qui composent donc l'échelle de l'autoefficacité perçue). Avec un t-Test pour échantillons dépendants, on vérifie à présent si les moyennes du post-test se différencient de celles du pré-test.

Échantillon

Les résultats montrent que les moyennes de tous les items sont supérieures après l'entraînement sur les compétences d'apprentissage (cf. t-Test Beispiel, pdf, 20 KB, en allemand) et que la différence entre les moyennes des deux échelles (sk_1 = 3.15 et sk_2 = 4.01) est significative (p < 0.01). Cela montre que les mesures après l'entraînement font état d’une amélioration qui n'est probablement pas due au hasard.
Lors de l'interprétation des données, la dimension et la composition de l'échantillon doivent également être prises en considération. Avec un nombre trop petit de personnes interrogées, les résultats peuvent être faussés. On devrait également veiller à ce que l'échantillon soit représentatif. Cela signifie que l'échantillon doit refléter la composition de la population. On atteint une représentativité par exemple par le choix aléatoire des participants à l'étude
.

Interprétation des corrélations / liens
Des corrélations - indépendamment de leur importance - ne disent rien des relations de cause à effet. Si A conduit à B ou inversement ne peut pas être clarifié par un procédé de corrélation.