Analyse quantitative des résultats
4. Résultats 1 Etude 1
4.1.2 Proximités et distances perçues entre les types d’élèves (tâche 3)
Nous avons procédé à une analyse en échelonnement multidimensionnel sur les proximités moyennes des types regroupés selon leur cluster d’appartenance (Everitt et al., 2011;
Everitt, 1996; Meulman & Heiser, 1989). Nous avons choisi cette procédure statistique car elle se prête très bien à nos données. L’échelonnement multidimensionnel permet notamment de positionner des objets dans le plan quand on connait leurs distances les uns par rapport aux autres.
L’algorithme d’échelonnement multidimensionnel propose de placer les différents clusters de types sur un plan à deux dimensions (figure 7)8. Le plan défini par ces deux dimensions est composé de plusieurs zones délimitées par deux composantes. La première composante a trait au comportement car, comme nous l’avons illustré par les traits doubles, on peut différencier les clusters selon la nature du comportement qu’ils adoptent en classe d’après les descriptifs des enseignants (le trait double continu correspond à une coupure nette entre comportement acceptable et comportement non acceptable tel qu’adopté par le cluster T1 et dans une moindre mesure T2; le trait double discontinu délimite les descriptions différenciant un comportement standard tel qu’adopté par le cluster T6 d’un comportement plus exceptionnellement positif tel que celui des clusters T3 et T4).
Figure 7: Position des clusters de types spontanés d’élèves dans un plan bidimensionnel calculée à partir des distances inter-types estimées par nos enseignantes (échelonnement multidimensionnel)
La deuxième composante est constituée d’aspects liés à l’attention, la participation et la motivation. Cette composante permet un découpage du plan en trois domaines qualitatifs délimités par nos traits simples. En dessous du trait simple plein, il y a une zone dans laquelle sont situés des clusters aux faibles scores attentionnels (clusters T1 et T5) et, au-dessus du trait simple discontinu, l’algorithme d’échelonnement multidimensionnel range les clusters obtenant les descriptions les plus positives en matière d’attention en classe (T2, T3 et T4). Entre ces deux zones, il y a une zone tampon dans laquelle l’algorithme situe les clusters obtenant des descriptions moyennes (T6).
Il faut souligner que cette interprétation du schéma bidimensionnel, en plusieurs zones délimitées par une composante attentionnelle et une composante comportementale, repose sur les définitions des clusters que nous avons composées à partir des descriptions des enseignantes et la comparaison de leurs moyennes aux scores de caractéristiques (tâches 1 et 2). La structuration du plan bidimensionnel repose, quant à elle, sur les estimations des proximités entre les types d’élèves perçues par les enseignants (tâche 3) que nous avons soumises à un échelonnement multidimensionnel. Ce qu’il y a de frappant ici, c’est qu’à partir de données différentes on obtient des résultats superposables.
4.1.3 3.1.3. Proximités-distances des élèves aux clusters de types (tâche 4)
Hormis pour les clusters T5 et T6, le tableau 33 montre que les distances sont plus petites pour les clusters dans lesquels les élèves sont catégorisés que pour ceux dans lesquels ils ne le sont pas. Les distances aux clusters attribuées sont plus resserrées pour les clusters T1 et T3, indiquant que les catégorisations à l’intérieur de ces deux clusters d’élèves en difficulté sont plus tranchées qu’elles ne le sont pour les clusters T5 et T6 qui correspondent à des élèves «ordinaires» plutôt bons.
Tableau 33 : Comparaison des distances des élèves au cluster attribué et aux autres clusters (moyenne, écart-type, ANOVA et test post hoc)
Clusters et effectifs
Les statistiques du tableau 33 tendent à montrer que l’organisation interne des croyances et connaissances adopte une structure correspondant à la théorie de Green. Rappelons que cet auteur ajoutait un paramètre important à la théorie centrale-périphérique de Rokeach à savoir, l’isolement des croyances et connaissances via l’adoption d’une structuration en clusters ; néanmoins ces derniers ne seraient pas hermétiques.
Pour confirmer cette structure, il faudrait que les conditions suivantes soient rassemblées (pour une description des indicateurs statistiques utilisés voir Cousineau, 2009 ou Howell, 1998):
les données ne sont de préférence pas distribuées normalement (significativité du test de Shapiro-Wilk en dessous de 0,05) ;
les valeurs d’asymétries doivent être :
pour les distances aux clusters attribuées: clairement (valeur absolue dépassant le double de l’erreur standard) négatives (signifiant que la distribution est excentrée à gauche tel un L et donc que les élèves appartenant au cluster sont proches les uns des autres) ;
pour les distances aux clusters non attribués: clairement (valeur absolue dépassant le double de l’erreur standard) positives (signifiant que la distribution est excentrée à droite tel un J et donc que les élèves sont fortement éloignés des élèves appartenant aux autres clusters) ;
les valeurs d’aplatissement doivent de préférence être clairement (valeur absolue dépassant le double de l’erreur standard) positives (la distribution a un pic élevé) ;
les écart-types sont de petite taille indiquant que la distribution est resserrée autour
Le tableau 34 indique que les données sont normales pour toutes les distributions hormis celles de la distance au cluster attribué de T3 et des distances aux autres clusters pour T2 et T4. Dans tous les cas, les valeurs d’asymétrie et d’aplatissement se situent à l’intérieur de l’intervalle défini par le double de leur erreur standard, ce qui signifie que même si les distributions ne sont pas normales pour les clusters susmentionnés, on ne peut pas considérer qu’elles soient clairement asymétriques de l’un ou l’autre côté de la moyenne et qu’elle ont un sommet élevé (au contraire, nos données adoptent une distribution plutôt aplatie compte tenu des valeurs négatives d’aplatissement). Enfin, les écart-types adoptent des valeurs relativement élevées indiquant que les distributions s’écartent de leurs moyennes.
Tableau 34 : Statistiques descriptives et test de normalité des distributions pour les distances aux clusters
Statistiques descriptives Tests de normalité
Moy. E-t Min. Max. Asym
Nos analyses convergent vers les deux conclusions suivantes: d’une part, l’organisation centrale-périphérique est plausible car, globalement, les enseignants attribuent des distances plus courtes aux élèves qu’ils associent à un cluster donné et des distances plus longues pour les clusters auxquels ils ne les associent pas. D’autre part, les écarts entre les valeurs maximales et minimales ainsi que les indices d’asymétrie et d’aplatissement indiquent que les distances varient fortement d’un élève à l’autre. Certains élèves sont fort proches de leur cluster et fort éloigné des autres clusters alors que d’autres obtiennent des distances intermédiaires se situant dans des zones à l’intersection de plusieurs clusters.
Selon nous, ces observations signifient que les frontières entre les différents clusters ne sont pas hermétiques dans le cas de certains élèves.
Enfin, une dernière observation peut être faite à partir du tableau 33 (p. 172) concernant l’idée de prototype ou d’exemplaire en conformité avec la conception de Rosch. Celle-ci est basée sur l’observation de valeurs des distances minimales et maximales aux clusters. Les minimas des distance au cluster attribué indiquent que les clusters T1, T2, T3, T4 et T6 ont chacune au moins un élève qui obtient la distance de 0 au cluster. Ceci signifie que certains
n’obtiennent pas de valeur de proximité permettant d’estimer qu’il y a un élève prototypique de ce cluster. L’observation des distances aux autres clusters est également intéressante puisqu’en grande majorité les élèves classés dans d’autres clusters s’éloignent du prototype des clusters auxquels ils ne sont pas attribués. La distance minimale du cluster 2 indique une valeur de proximité nulle qui signifie qu’au moins un élève est un représentant parfait du cluster 2 alors qu’il n’y a pas été associé lors de la réalisation de la tâche 4.
4.2 Etude 3