Base de connaissances AIEdAIEd KB
Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Concepts

Recherche qualitative

Création 2026-08-24 · Mise à jour 2026-10-10

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

Recherche qualitative — la famille des méthodes empiriques qui étudient la manière dont les gens vivent, interprètent et donnent sens aux phénomènes, typiquement à travers des mots, des observations et des artefacts plutôt que des nombres. Dans l'IA en éducation, les méthodes qualitatives révèlent comment les étudiants et les enseignants vivent réellement les outils d'IA — les significations, tensions, préjudices et mécanismes que les mesures standardisées manquent. Parce que le domaine de l'IA en éducation évolue rapidement et que ses effets sont souvent médiatisés par le contexte, la perception et des construits contestés comme la confiance et l'agence, le travail qualitatif est essentiel aux côtés des conceptions quantitatives (voir Les méthodes de recherche en AIED).

Questions à examiner

  • Une enquête vous dit que 40 % des étudiants se méfient d'un tuteur IA ; un groupe de discussion vous dit pourquoi ils s'en méfient. Quel chiffre vous semble le plus exploitable, et qu'est-ce que le « pourquoi » ajoute que le pourcentage ne peut pas ?
  • Les résultats qualitatifs ne sont généralement pas généralisables statistiquement, et pourtant ils sont souvent « conceptuellement généralisables » — des mécanismes et des dynamiques qui se transfèrent ailleurs. Avant de lire, que signifie pour un résultat d'être généralisable en concept mais pas en statistique ?
  • Cette page met en garde contre le fait que l'accord de codage entre humains et LLM n'est pas la même chose que la qualité de codage lorsque le consensus humain n'est pas une vérité de référence. Avez-vous déjà traité « deux évaluateurs sont d'accord » comme une preuve que quelque chose était correct ? Quand l'accord est-il un signal de vérité, et quand n'est-il qu'une erreur partagée ?
  • Si l'IA peut désormais assister le codage qualitatif à grande échelle, cela menace-t-il la profondeur interprétative qui rend la recherche qualitative précieuse, ou cela automatise-t-il simplement sa corvée ? Comment décideriez-vous lequel des deux se produit dans une étude donnée ?
  • Le travail qualitatif donne une place centrale aux voix sous-représentées — étudiants issus de minorités ethniques, non-utilisateurs sceptiques — que les grandes enquêtes manquent souvent. Pensez à une affirmation sur l'IA en éducation que vous avez entendue. L'expérience de qui n'est probablement pas capturée par le chiffre phare ?
  • Choisissez un construit contesté qui vous tient à cœur — la confiance, l'agence ou le préjudice. Avant de lire, esquissez comment vous l'étudieriez avec des mots et des observations plutôt qu'avec des nombres, et notez ce que vous perdriez en procédant ainsi.

Introduction

La recherche qualitative n'est pas une méthode unique mais une famille organisée par ce qu'elles étudient et par la manière dont les données probantes sont recueillies et analysées. Ce qui les unit est l'accent mis sur la production de sens, le contexte et la profondeur plutôt que sur l'ampleur et le contrôle causal. Les résultats qualitatifs ne sont typiquement pas généralisables au sens statistique, mais ils sont souvent conceptuellement généralisables — révélant des mécanismes, des catégories et des dynamiques qui se transfèrent à d'autres contextes. Dans le corpus de la base de connaissances, le travail qualitatif est prééminent pour l'étude de l'acceptation de l'IA, de la confiance, du préjudice, de la pratique enseignante et des processus d'apprentissage.

Les principales approches qualitatives

L'analyse thématique

L'analyse thématique identifie, code et interprète des régularités (« thèmes ») dans des données qualitatives — typiquement des transcriptions d'entretiens ou de groupes de discussion, des réponses ouvertes d'enquête ou des documents. C'est l'approche la plus largement utilisée dans les études qualitatives de la base de connaissances. Les entretiens et les réponses ouvertes sont eux-mêmes des données d'auto-déclaration, si bien qu'ils partagent les limites quant à ce qui peut être affirmé sur les comportements — voir cette page pour savoir où les données d'auto-déclaration sont solides et où elles s'effondrent. Une étude de l'écart entre confiance et utilité en physique utilise l'analyse thématique de données d'entretiens étudiants pour faire émerger un scepticisme et des préférences d'adoption propres au domaine ; une comparaison du retour de l'IA générative et du retour de l'enseignant analyse les perceptions d'utilité et de fiabilité des étudiants ; et des recommandations pour l'apprentissage adulte par l'IA font dériver des principes de conception du codage thématique d'apports d'experts et d'apprenants. Comment l'IA change les flux de travail enseignants s'appuie sur l'analyse thématique des récits d'éducateurs.

La fiabilité du codage peut devenir une procédure continue plutôt qu'un contrôle ponctuel. Galiç et al. (2026) codent 304 énoncés de repérage à l'α de Krippendorff = .803, suivent l'accord sur cinq cas chevauchants (κ regroupé = 0,937) et recodent les énoncés contestés chaque fois que l'accord tombe sous un seuil de recalibration de 0,85 avant de reprendre ; les énoncés codés entrent ensuite dans une analyse de réseaux épistémiques qui modélise quelles dimensions cooccurrent plutôt qu'une liste plate de thèmes.

La théorie ancrée

La théorie ancrée construit une théorie à partir des données plutôt qu'elle ne teste un cadre a priori, en utilisant un codage itératif (ouvert → axial → sélectif) jusqu'à saturation théorique. Elle est idéale pour construire une nouvelle théorie sur des phénomènes émergents de l'IA en éducation. Liu et al. développent une théorie ancrée de l'outil, tuteur ou béquille — une typologie à trois modes de la manière dont les étudiants soutiennent ou délestent cognitivement sur l'IA en formation à la programmation — théorisant directement le Délestage cognitif. Une étude en théorie ancrée des tuteurs IA critiques examine si de tels tuteurs autonomisent ou asservissent les apprenants. La conception centrée sur l'humain des retours de l'IA générative utilise une analyse ancrée sur une étude multisites. Voir aussi Le développement théorique en IA éducative pour comprendre comment de telles théories ancrées alimentent la construction théorique du domaine.

La phénoménologie et la phénoménographie

Les approches phénoménologiques étudient l'expérience vécue d'un phénomène — ce que cela fait que d'apprendre avec l'IA — tandis que la phénoménographie étudie les manières qualitativement différentes dont les gens vivent et comprennent un phénomène (produisant des « catégories de description »). The Absent Cognitive Baseline s'appuie sur les expériences vécues par les étudiants de l'auto-évaluation sous IA pour théoriser un manque structurel ; une étude phénoménologique saisit l'expérience consistant à achever un travail avec l'IA tout en sachant consciemment qu'on ne le comprend pas ; et une étude interprétative et socioculturelle analyse comment l'IA générative devient un « objet emballé » dans la pratique académique des mathématiques.

L'analyse de discours

L'analyse de discours examine comment le langage en usage construit le sens, les identités et le pouvoir — en analysant le discours de classe, le texte écrit ou les séquences interactionnelles. NSPA conduit une analyse de discours de classe sur longue durée (ici assistée par ordinateur) pour atténuer le biais dialectal dans la compréhension de l'interaction en classe ; une étude portant sur des étudiants préparatoires issus de minorités ethniques analyse le discours collaboratif dans des tâches de L'ingénierie des invites. L'analyse de discours fait le pont entre l'interprétation qualitative et les méthodes computationnelles lorsqu'elle est combinée à l'TAL éducatif.

Poudyal (2026) montre comment le codage du discours devient auditable lorsqu'il est rendu sous forme de règles dénombrables : sur 366 résumés et 91 405 tokens, une association ne compte que lorsqu'un acteur précède un prédicat à moins de six mots d'intervalle, et la proximité nominale est exclue si bien que « gouvernance de l'IA » ne compte jamais comme preuve que l'IA gouverne — une approximation fondée sur des règles, et non une analyse de dépendances, dont les limites la conception énonce.

Les observations et l'ethnographie

Les études par observation regardent le comportement en contexte ; l'ethnographie étend cela à une étude soutenue et immersive d'un terrain, souvent avec le chercheur comme observateur participant. Une trio-ethnographie de l'enseignement de la programmation assisté par LLM retrace l'évolution des interprétations des étudiants ; une étude de cas en classe observe l'intégration de l'Littératie en IA en biologie. Les méthodes d'observation capturent le comportement réel (ce que les apprenants font avec l'IA) plutôt que le comportement déclaré — complétant les enquêtes d'auto-déclaration qui dominent la mesure quantitative des attitudes.

Les études de cas

Une étude de cas est une investigation approfondie d'un cas borné (un cours, une institution, un seul apprenant) utilisant de multiples sources de données. Une étude de cas en école de commerce génère un cadre d'enseignement et d'apprentissage informé par les étudiants pour l'IA générative ; une étude de cas en biologie documente l'intégration de la littératie IA. Les études de cas échangent l'ampleur contre la profondeur et sont fortes pour la génération de théorie et l'insight transférable plutôt que pour la généralisation. Khlaif et al. (2026) proposent une étude de cas qualitative portant sur 21 étudiants de premier cycle malvoyants dans trois universités palestiniennes, utilisant l'analyse thématique d'entretiens semi-structurés pour montrer comment l'IA générative fonctionne comme une technologie d'assistance pour l'apprentissage inclusif — un exemple de recherche par étude de cas faisant émerger des mécanismes (adaptation personnalisée, augmentation de l'enseignant, parité éducative) que les mesures quantitatives manquent.

Swidan (2026) triangule la vidéo, les journaux propres du système d'alerte et des entretiens de rappel par stimulus pour un enseignant et huit étudiants, montrant qu'un signal affectif n'acquérait de sens qu'à travers la réponse de l'enseignant ; le codage épisodique en deux étapes par un auteur unique, sans codage indépendant ni détection d'affect validée, marque la limite de ce qu'une analyse de cas à un seul codeur peut garantir.

Les entretiens et les groupes de discussion

Les entretiens semi-structurés et les groupes de discussion sont les instruments de collecte de données primaires de toutes les approches ci-dessus. Ils suscitent des récits riches et contextualisés. Le corpus qualitatif de la base de connaissances s'appuie largement sur des entretiens (par ex., les trajectoires d'expertise) et des groupes de discussion (par ex., le paradoxe de compétence en texte-à-image, Guidelines for Designing AI Technologies to Support Adult Learning). La qualité dépend d'une conception soigneuse des questions, d'un échantillonnage visant la variation et d'une analyse rigoureuse.

Comment la recherche qualitative apparaît dans la base de connaissances

L'IA et l'analyse qualitative

Un développement récent distinctif est l'usage des LLM pour assister le codage qualitatif. Les données probantes de la base de connaissances sont prudentes : Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis montre que le codage par LLM et le codage humain divergent, les erreurs se propageant à travers l'analyse temporelle ; Agreement Is Not Quality montre que l'accord de codage entre humains et LLM n'est pas la même chose que la qualité de codage lorsque le consensus humain n'est pas une vérité de référence. Le codage assisté par LLM peut mettre à l'échelle et accélérer l'analyse qualitative, mais ses sorties requièrent une vérification par le jugement humain — une intersection importante de la recherche qualitative avec l'TAL éducatif et l'Évaluation de l'IA en éducation.

Le problème de la sortie fluide et la « warrantability ». Holster (2026) précise pourquoi l'exactitude et la divulgation sont des normes insuffisantes pour le travail qualitatif assisté par l'IA. Parce que les LLM réorganisent des corpus en quelques minutes en sujets fluides, citations et affirmations de prévalence, ils peuvent dissimuler la voie analytique qui les a produits — et les gens ont tendance à évaluer comme plus vraie une sortie facilement traitable et fluide. Holster propose la warrantability comme complément à l'exactitude et à la divulgation : une interprétation assistée par l'IA est justifiable lorsque la voie allant des données sources à l'affirmation demeure inspectable, contestable et révisable. Sa machinerie constructive est celle des lentilles sémantiques (réorganisations documentées d'un corpus à travers des niveaux d'abstraction) et d'un répertoire relatif aux affirmations d'artefacts de justification — des tables de sujets reliées aux sources, des piles de lentilles et des rivières de preuves — conçus dans les outils afin qu'une analyse fluide produise aussi un enregistrement de trajectoire retraçable. Cela étend au-delà de l'ère générative la tradition du domaine en matière de piste d'audit et donne aux évaluateurs quelque chose de concret à contrer au-delà d'une interprétation finale.

  • La fiabilité n'est pas l'exactitude dans le codage par LLM multi-agents. Un pipeline informé par la littérature, dans lequel deux codeurs IA codent indépendamment, débattent et réconcilient leurs désaccords, a produit un accord inter-codeurs supérieur au kappa de Cohen de 0,85 sur chaque jeu de données et chaque étiquette, tandis que le F1 par rapport au critère allait de 0,31 à 0,89 (moyenne 0,68, écart-type 0,16) — un fort accord entre des agents qui avaient tous deux tort. Des livres de codes plus longs (t = -11,702) et des extraits plus similaires (t = -9,249) réduisaient l'exactitude initiale, et les tours de discussion étaient corrélés positivement à l'exactitude (t = 7,997) tandis que les conflits correctement résolus et les modes de collaboration étaient corrélés négativement (t = -9,720 et -8,420) ; la convergence est donc un faible indicateur de la justesse. L'implication pratique est que le codage assisté par l'IA requiert une adjudication au niveau de la liste de contrôle contre une référence humaine, plutôt que l'accord entre agents comme signal de qualité. (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

Forces et limites

  • Forces : un insight écologique et conceptuel profond ; fait émerger des phénomènes, risques et mécanismes inattendus ; essentiel pour la construction théorique (voir Le développement théorique en IA éducative) ; saisit le sens, le contexte et les construits contestés ; donne une place centrale aux perspectives sous-représentées ; fort pour l'étude de phénomènes évoluant rapidement là où les mesures standardisées sont à la traîne.
  • Limites : généralisabilité statistique limitée ; caractère interprétatif et dépendant du chercheur (problèmes de fiabilité) ; petits échantillons ; soutien plus faible aux affirmations causales ; résultats difficiles à synthétiser d'une étude à l'autre ; exigeant en temps et en travail.

Les méthodes qualitatives et quantitatives sont complémentaires, et non rivales — voir Les méthodes de recherche en AIED pour comprendre comment elles contrastent et se triangulent, et les méthodes mixtes pour les conceptions qui les combinent.

Concepts liés

Articles liés

Métadonnées

Type d'étudeInterviews, Case Study
Méthodes de recherche et évaluationRecherche qualitative, Les méthodes de recherche en AIED
SourceHistoryEditChat

Intégrer cette page

Copiez le code ci-dessous pour intégrer cette page dans un système de gestion de l'apprentissage ou un autre site. La version intégrée n'affiche que le contenu de la page : l'en-tête, la navigation et le pied de page du site sont masqués.