3.1. Statistiques descriptives
3.1.1. Consistance interne des questionnaires
Tout d’abord, nous nous sommes assurés que la consistance interne des questionnaires que nous avons administrés dans notre étude était satisfaisante pour les données de notre échantillon. Pour ce faire, nous avons calculé un α de Cronbach pour chacun des trois questionnaires que nous avons utilisés. Selon George et Mallery (2003), un α de Cronbach supérieur à .7 indique que la consistance interne d’un questionnaire est acceptable. Le QAM est le seul des trois questionnaires que nous avons utilisés dans notre étude qui ait une consistance interne acceptable (α = .791). Toutefois, notre échantillon étant petit et les α de Cronbach des sous-échelles anxiété et dépression du HAD étant proches de .7 (α = .673 et α = .588, respectivement), nous avons tout de même décidé de prendre en compte les réponses des participants à ce questionnaire dans la suite de nos analyses. En revanche, la consistance interne de l’EPR étant totalement inacceptable (α = -.239), les données issues de ce questionnaire ont été retirées de la suite de nos analyses.
3.1.2. Fidélité inter-juges
La cotation des réponses des participants à la tâche de rappel des vidéos et à l’entretien clinique d’évaluation de la segmentation d’événements a été partagée entre les deux expérimentateurs car une double-cotation des réponses de l’échantillon complet aurait été trop coûteuse en terme de temps. Cependant, nous nous sommes assurés que les cotations effectuées par les expérimentateurs étaient équivalentes. Pour ce faire, nous avons sélectionné de manière aléatoire les productions de 25% de nos participants aux tâches susmentionnées et celles-ci ont été double-cotées. Sur la base des scores attribués par chacun des expérimentateurs aux productions des participants, un coefficient de corrélation intra-classe a
été calculé pour chaque mesure d’intérêt. Ces coefficients se distribuaient de .774 à 1, indiquant un degré de fidélité inter-juges satisfaisant à excellent.
3.1.3. Distribution des scores
Avant de pouvoir nous livrer à des analyses statistiques plus poussées, nous avons observé la distribution de nos données et particulièrement leur normalité. Les indices de normalité que nous avons utilisés sont les indices de Skewness et de Kurtosis. Pour l’indice de Skewness, les valeurs absolues supérieures à 3.0 sont considérées comme extrêmes (Chou
& Bentler, 1995). Pour l’indice de Kurtosis, les valeurs absolues supérieures à 10.0 suggèrent la présence d’un problème au niveau de la normalité des données et les valeurs supérieures à 20.0 sont considérées comme extrêmes (Kline, 2005). Les indices de Skewness et de Kurtosis pour chacune de nos variables d’intérêt sont représentés dans le Tableau 1 et montrent que les données de toutes nos variables d’intérêt sont normalement distribuées.
Tableau 1
Caractéristiques des variables d’intérêt
Variable M SD Min Max Skewness Kurtosis
Accord segmentation vidéo 1 .251 .155 .001 .509 .142 -1.436
Accord segmentation vidéo 2 .203 .135 .007 .498 .661 -.709
Rappel général vidéo 1 7.333 1.689 4 10 -.438 -.811
Rappel détaillé vidéo 1 17.455 6.088 5 33 .223 .456
Rappel général vidéo 2 5.727 1.329 4 8 .282 -1.041
Rappel détaillé vidéo 2 21.879 15.913 6 73 1.504 2.017
Reconnaissance vidéo 1 11.394 2.524 8 17 .641 -.129
Reconnaissance vidéo 2 14.303 1.912 9 18 -.377 .408
Reconnaissance Totale 25.697 3.015 20 32 .252 -.228
Indice ICF 0.406 0.143 0.183 0.733 .856 .159
MEM-IV rappels immédiats 28.182 6.771 16 39 -.278 -1.093
MEM-IV rappels différés 15.000 6.067 2 25 -.363 -.492
Mattis Total 133.909 5.795 122 144 -.479 -.424
QAM question générale 3.394 .704 2 5 .401 .184
QAM segmentable 2.367 .499 1.600 3.600 .404 -.077
QAM non-segmentable 2.394 .661 1.286 4.000 .391 -.116
Note. N = 33. Indice ICF = indice d’Identification Claire des Frontières (entretien clinique).
3.2. Statistiques exploratoires
3.2.1. Agglomération des scores
Etant donnée l’existence d’une corrélation importante entre les scores de segmentation des deux vidéos, r(31) = .851, p < .05, nous avons choisi de former un score global d’accord de segmentation en calculant la moyenne des deux scores d’accord de segmentation obtenus par nos participants. Tout comme les scores d’accord de segmentation originaux, le score global d’accord de segmentation tel que nous l’avons calculé s’étend de 0 (i.e., pas d’accord de segmentation avec le groupe) à 1 (i.e., total accord de segmentation avec le groupe).
De même, basés sur les corrélations positives et significatives entre d’une part, les scores aux tâches de rappel général des vidéos 1 et 2, r(31) = .612, p < .05, et d’autre part, les scores aux tâches de rappel détaillé des vidéos 1 et 2, r(31) = .668, p < .05, nous avons choisi de créer deux scores globaux : un indice de rappel général et un indice de rappel détaillé.
Etant donné que le nombre d’événements pouvant être rappelés n’est pas le même pour les deux vidéos, un simple calcul de moyenne n’aurait pas été pertinent pour former des scores globaux de rappels général et détaillé. Nous avons donc calculé des indices représentant la moyenne entre la proportion de rappel de la vidéo 1 et la proportion de rappel de la vidéo 2.
Tout comme le score global d’accord de segmentation, ces indices s’étendent de 0 (i.e., aucun événement n’est rappelé) à 1 (i.e., tous les événements sont rappelés).
Suite à la création du score global d’accord de segmentation et des indices de rappel général et détaillé, nous nous sommes assurés que les scores des participants sur ces nouvelles variables étaient normalement distribués. Les indices de skewness pour le score global d’accord de segmentation, l’indice de rappel général et l’indice de rappel détaillé étaient de .369, -.016 et 1.022 respectivement. Les indices de kurtosis pour ces mêmes variables étaient de -1.207, -.879 et .494 respectivement.
3.2.2. Corrélations
Afin d’explorer l’existence potentielle de liens entre les tâches que nous avons élaborées et toutes les autres tâches que nous avons administrées, nous avons calculé les corrélations entre toutes les variables de notre étude. Spécifiquement, ces analyses ont montré que le score global d’accord de segmentation était en lien avec l’indice de rappel détaillé, r(31) = .485, p < .05, mais pas avec l’indice de rappel général, le score total à la tâche de reconnaissance d’images, les deux scores de rappel de la MEM-IV et les rubriques du QAM.
Ces analyses ont aussi révélé la présence d’un lien négatif tendanciel entre le score global d’accord de segmentation et l’indice d’identification claire des frontières, r(31) = -.327,
p < .10. L’indice d’identification claire des frontières n’était pas corrélé avec les indices de rappel des vidéos, ni avec les deux scores de rappel de la MEM-IV, ni avec la question générale et la rubrique non-segmentable du QAM. Les analyses ont toutefois montré la présence de liens négatifs tendanciels entre l’indice d’identification claire des frontières et le score global de reconnaissance, r(31) = -.316, p < .10, et entre l’indice d’identification claire des frontières et les rubriques segmentables du QAM, r(31) = -.317, p < .10. Par ailleurs, nous notons que l’âge est corrélé négativement et significativement avec l’indice de rappel général, r(31) = -.505, p < .05, et avec l’indice d’identification claire de frontières, r(31) = -.346, p <
.05, mais pas avec l’indice de rappel détaillé. Nous notons également une corrélation positive significative entre le genre (n.b., le genre a été codé tel que Homme = -1 et Femme = 1) et l’indice de rappel général, r(31) = .410, p < .05, l’indice de rappel détaillé, r(31) = .505, p <
.05 et le score total à la tâche de reconnaissance d’images, r(31) = .390, p < .05. La totalité des corrélations entre les variables est présentée dans le Tableau A en Annexe XIV.
3.2.3. Analyse de régression linéaire multiple
Au vu de nos hypothèses de départ et étant donnée l’existence du lien positif entre le score global d’accord de segmentation et l’indice de rappel détaillé, nous avons décidé de mener une analyse de régression linéaire multiple sur l’indice de rappel détaillé, en incluant comme prédicteurs le score global d’accord de segmentation et deux autres variables dont la corrélation avec l’indice de rappel détaillé était significative : le score total à la Mattis, r(31) = .548, p < .05, et le genre (voir supra). L’ajout de ces deux prédicteurs au modèle est pertinent d’un point de vue théorique et leur présence en tant que variable de contrôle permet d’isoler la part de variance expliquée par l’accord de segmentation. Les résultats de cette analyse sont présentés dans le Tableau 2.
Tableau 2
Résultats de la régression linéaire multiple sur l’indice de rappel détaillé
Variables B Beta t p
Accord de segmentation global .156 .343 2.703 .011
Genre .024 .363 2.853 .008
MATTIS Total .004 .388 3.015 .005
Le modèle de régression prédit significativement les scores à l’indice de rappel détaillé, F(3, 29) = 12.405, p < .001, et explique 52% de la variance de ces scores.
Spécifiquement, le score à l’indice de rappel détaillé est significativement prédit par toutes les variables du modèle.