Section outline


    • Comprendre Maths Savoir-Faire Zoom sur


      Ce module de niveau L1 de psychologie est organisé en quatre parties :
      •  "Comprendre" : Un cours théorique composé de quatre "grandes leçons"
      • "Savoir-Faire" : Un ensemble de ressources pratiques, de tutoriels (dont des vidéos)
      • "Zoom sur" : Un complément d'approfondissement du cours théorique, formé de leçons spécialisées
      • "Rappels de maths" : Pour les étudiants intéressés à certains détails techniques ou qui veulent se rafraîchir la mémoire
      Vous pouvez aussi accéder au cours de L2 ici :   Découvrez Psychométrie et Statistique en L2

  • Comprendre


    Ce cours est organisé autour de trois « Grandes Leçons ». Chaque grande leçon est elle-même composée d'une série d'articles d'une ou plusieurs pages, et se conclut par un QCM d'auto-évaluation. Pour accéder aux articles, cliquez sur les liens ci-dessous.

    GL1 GL2 GL3

    • Cette première grande leçon introduit la psychométrie et la statistique dans la perspective historique du développement de la psychologie scientifique à partir du XIX e siècle, afin de permettre aux étudiants de comprendre les enjeux épistémologiques, scientifiques, et techniques de ces matières. Ces enjeux comprennent en particulier l'établissement de grandeurs mesurables et la mise au point de méthodes objectives pour l'étude de la variabilité induite expérimentalement ou observée en condition naturelle.

      Rédaction : Éric Raufaste, Stéphane Vautier

    • Cette grande leçon développe la problématique de la mesure en psychologie dans une perspective épistémologique et historique. Il s'agit de poser le problème de l'observation objective et quantitative du comportement d'une part, et le problème de l'interprétation des données comme des variables théoriques d'autre part.

      Rédaction : Stéphane Vautier

    • Cette troisième grande leçon présente l'ensemble des concepts de base nécessaires à la description quantifiée d'observations. Elle constitue le vrai cœur de l'enseignement de la Statistique en L1 et l'étudiant y retrouvera exposés les principaux concepts qu'il aura vus dans ses cours. Toutefois, nous n'aborderons pas ici les aspects analytiques de l'inférence statistique, c'est-à-dire les concepts et méthodes permettant d'évaluer la fiabilité des résultats descriptifs et pour lequel nous renvoyons l'étudiant au cours de L2.

      Rédaction : Éric Raufaste

  • La rubrique « Zoom sur... » présente un certain nombre de points d'entrée vers des concepts « essentiels » qui font chacun l'objet d'un article spécifique, en complément des grandes leçons présentées dans la rubrique Comprendre :

     


    • Objectifs : Définir le concept d'échelle de mesure et donner les éléments critiques nécessaires à son utilisation.

      Prérequis :

      Résumé : en Psychologie et plus généralement en Sciences Humaines et Sociales, les phénomènes auxquels on s'intéresse "n'émanent pas" de grandeurs mesurables, c'est-à-dire de grandeurs possédant des unités de mesure empiriquement définies. Les phénomènes se laissent plus naturellement décrire en termes de classifications et d'ordres partiels. Nombre d'applications psychologiques reposent sur des ordres considérés comme totaux, par approximation ou par convention, ainsi que sur la définition de distances conventionnelles relatives à des grandeurs hypothétiques. Ces trois approches, (i) classification, (ii) ordre total et (iii) distances, sont associées à ce que l'on appelle, après Stevens (1946), les échelles (i) nominale, (ii) ordinale et (iii) d'intervalle. Les échelles dites de ratio correspondent au mesurage au sens classique du terme. Une utilisation rigoureuse des échelles de mesure nécessite d'expliciter en quoi les codages associés à ces échelles représentent des opérations sur les objets faisant l'objet de l'échelonnement.

      rédaction : Stéphane Vautier, 5 pages plus un test d'auto-évaluation final.


    • Variables, valeurs et modalités" et soit la vidéo).

      Résumé. L'histogramme est une façon de représenter les données statistiques qui permet d'associer visuellement des nombres à des catégories discrètes (mutuellement exclusives), à l'issue d'un tri à plat

      Rédaction : Éric Raufaste

    • Objectif. Montrer comment la Statistique a pu prendre sa place dans le paysage des sciences.

      Prérequis. Aucun.

      Résumé. Avec le développement des sciences empiriques, les sciences sont passées d'une perspective où la connaissance était constituée de certitudes absolues exclusivement basées sur l'exercice de la raison, à une perspective où l'incertitude inhérente au monde matériel est acceptée

      rédaction : Éric Raufaste.

    • Objectifs : Illustrer avec une vidéo la notion de variables couramment utilisés en psychologie.

      Prérequis : aucun

      Réalisation : Liliana Rico Duarte


    • Objectifs. Étendre le concept de liaison entre variables, de corrélation, aux cas où les variables considérées ne sont pas toutes numériques.

      Prérequis.

      • Liaisons entre variables : la corrélation linéaire sont essentiels pour comprendre cette leçon.
      • Au plan de la technique mathématique, il est aussi nécessaire d'avoir vu l'article sur la somme algébrique.

      Résumé. Le principe général de corrélation ayant été vu dans le cas numérique, le présent article présente des extensions à un petit nombre de cas particuliers importants : Deux variables ordinales (\rho de Spearman et \tau de Kendall); Deux variables nominales...

      rédaction : Éric Raufaste

    • Objectifs : Différencier les notions de mesure, de mesurage et de codage numérique dans le contexte des sciences humaines et sociales.

      Pré-requis : aucun.

      Utilisé comme prérequis dans les articles :

      Résumé : en Psychologie, mais aussi dans les Sciences de la Gestion, de l'Éducation, en Médecine Psychiatrique, les notions de mesurage et de codage numérique sont généralement confondues. Cette confusion trouve son origine historique dans l'aspiration de la psychologie naissante à s'édifier au rang de science empirique, dans un contexte intellectuel dominé, de la fin du XIXe siècle au début du XXe siècle, par le principe selon lequel il n'y a de science que du quantitatif (Michell, 2003, 2005). Cette confusion est devenue paradigmatique dans les sciences humaines et sociales contemporaines.

      rédaction : Stéphane Vautier

    • Objectif. Mettre un visage sur quelques tournants conceptuels.

      Prérequis. Aucun.

      Résumé. LaplaceQuételet, Galton, Pearson.

      rédaction : Éric Raufaste

    • Objectifs. Définir le concept de quotient intellectuel.

      Prérequis :

      Résumé : Il y a plusieurs acceptions du terme QI.

      rédaction : Stéphane Vautier



    • Objectifs. Définir la notion de score psychométrique (ou psychologique). 
      Prérequis.  Qu'est-ce qu'un test psychométrique ?

      Utilisé comme prérequis dans les articles :

      Résumé. "Les scores psychométriques sont des nombres privés d'unité de mesure obtenus par codage numérique des comportements observés avec des tests ou des questionnaires psychologiques, ou toute situation d'observation standardisée, et dont la finalité est d'être interprétés comme mesures d'attributs psychologiques" (Vautier, 2008, p. 6).

      rédaction : Stéphane Vautier

    • Objectifs. Définir le score vrai associé à un score psychométrique.

      Prérequis.

      Résumé. On considère un test, une personne, et la variable des scores qu'elle aurait en passant le test indéfiniment. Le score vrai est l'espérance mathématique de cette variable.

      rédaction : Stéphane Vautier
    • Objectifs : Définir la notion de tri à plat et montrer comment on peut le réaliser en pratique.

      Prérequis :

      rédaction : Éric Raufaste 

    • Objectifs. Introduire la notion de variable aléatoire.

      Prérequis. Produit cartésien

      Résumé. La notion de variable aléatoire formalise l'idée qu'un phénomène variable varie selon une certaine loi de probabilité. Pour modéliser le phénomène, on définit un ensemble Ω de résultats possibles associés à une expérience aléatoire, un ensemble A de valeurs que peut prendre le phénomène, une application de l'ensemble Ω dans l'ensemble A, qui à tout résultat possible associe une et une seule valeur dans A. Enfin, on définit une probabilité des valeurs possibles en fonction de la structure précédente. Cette structure est généralement purement théorique dans les applications en psychologie.

      Contient deux animations.

      rédaction : Stéphane Vautier

    • Objectifs. Définir les concepts de variables de scores vrais et d'erreurs.

      Prérequis.

      Résumé. Une variable de scores vrais, notée T, est définie par rapport à une variable Y de scores psychométriques. Alors que la variable Y est définie de telle sorte que la même personne puisse obtenir des scores variables, la variable T assigne à chaque personne un score unique, son score vrai, c'est-à-dire l'espérance mathématique des scores qu'elle peut obtenir. La variable d'erreurs E est définie par la différence

      E = Y-T.

       Les variables T et E n'ont pas de valeur observable. Ce sont des variables latentes.

      rédaction initiale : Stéphane Vautier

  • Cette rubrique présente une série d'articles où sont exposées de manière imagée les procédures permettant de calculer les statistiques présentées dans les autres articles.

    Ces calculs utilisent différents logiciels. Nous nous sommes efforcés de faire appel à des logiciels libres de droit, comme jamovi, R, ou Open Office, disponibles pour tous. Quelques procédures peuvent cependant être présentées au moyen de logiciels payants (SPSS, Statistica, Excel). 

  • La rubrique « Rappels de maths » est une aide destinée à rappeler certaines notions mathématiques de base qui ont pu être oubliées.

    L'étudiant trouvera ici une approche de ces concepts sur plusieurs niveaux. Les articles listés plus bas constituent les points d'entrée principaux, mais certaines démonstrations sont aussi disponibles depuis l'intérieur des articles pour ceux qui souhaitent consolider leur maîtrise des outils mathématiques de base.

    • x \text{ ou } X ? x \text{ ou } X ? \overline{X}, \mu(X)\text{ ou } m(X) ? \sigma^2(x) \text{ ou } s^2(x) ?

      Objectifs. Énumérer les conventions de notation utilisées dans ce cours.

    • Objectifs : Rappeler ce qu'est une fonction affine.

      Pré-requis : aucun.

      Utilisé comme prérequis dans les articles :

      Résumé. Une fonction affine est une fonction de type f(x)=ax+b

      x appartient à un sous-ensemble de l'ensemble des nombres réels, a , le coefficient directeur de la droite représentative est un réel, et b, l'ordonnée à l'origine, est un réel. 
      Ce concept est exemplifié par une animation.

    • Objectif. Définir la moyenne d'une variable quantitative.

      Prérequis. Échelles de mesureConventions de notation (en particulier, somme algébrique)

      Résumé. Soit une variable définie sur une population de N individus, on définit la moyenne de cette variable. On estime cette moyenne à l'aide de la moyenne d'un échantillon représentatif de la population.

      rédaction : Éric Raufaste
    • Objectifs. Introduire la notion d'ensemble E\times F, produit cartésien des ensembles E et F.

      Prérequis. Aucun.

      Utilisé comme prérequis dans les articles :

      Résumé. On note E\times F, et on appelle produit cartésien "E croix F", l'ensemble de tous les couples formés d'un élément de l'ensemble E  et d'un élément de l'ensemble F .

      rédaction : Stéphane Vautier

    • Objectifs : définir le concept de relation d'équivalence, fondamental pour la classification des éléments d'un ensemble ; définir les concepts associés de partition et d'ensemble quotient.

      Prérequis : aucun.

      Utilisé comme prérequis dans les articles : Échelles de mesure

      Résumé : une relation d'équivalence \mathcal{R} est une relation binaire définie sur un ensemble E. \mathcal{R} est réflexive, symétrique et transitive. \mathcal{R} définit une partition de E. L'ensemble quotient E/\mathcal{R} est l'ensemble des parties de E induites par \mathcal{R}.

      rédaction : Stéphane Vautier

    • Objectifs : définir les notions de relation d'ordre et d'ordre partiel.

      Prérequis : Relation d'équivalence

      Utilisé comme prérequis dans les articles : Échelles de mesure

      Résumé : Soit une relation binaire \mathcal{R} définie sur un ensemble E. \mathcal{R} est une relation d'ordre si elle est (1) réflexive; (2) antisymétrique et (3) transitive ; \mathcal{R} est une relation d'ordre strict, si elle est (1) antiréflexive; (2) antisymétrique; et (3) transitive. Une relation d'ordre partiel, on dit aussi un ordre partiel, est une relation d'ordre telle qu'il existe certains couples (x, y) d'éléments distincts de E qui ne peuvent être comparés : tels que (x non\mathcal{R} y) et (y non\mathcal{R} x).

      rédaction : Stéphane Vautier

    • Objectifs. Rappeler la construction et la signification de l'opérateur de sommation discrète, utilisé dans de très nombreuses formules de statistique et psychométrie.

      Prérequis. Aucun.

      Résumé. La somme simple, d'abord présentée, est ensuite étendue à la somme double.

      rédaction : Éric Raufaste

  • Références et lectures conseillées


    Lectures conseillées

    Falissard, B. (2001). Mesurer la subjectivité en santé : Perspective méthodologique et statistique . Paris : Masson.

    Howell, D.C. (2008), Méthodes Statistiques en Sciences Humaines (6e éd). Paris : De Boeck.

    Huteau, M., & Lautrey, J. (1999). Évaluer l'intelligence . Paris : Presses Universitaires de France.

    Laveault, D., & Grégoire, J. (2002). Introduction aux théories des tests en Psychologie et en Sciences de l'Education (2e éd.). Bruxelles : De Boeck.

    Reuchlin, M. (1998). Précis de statistique (7e éd.). Paris : Presses Universitaires de France


    Références utilisées et/ou citées dans ce site

    • Ancelle, T. (2002). Statistique épidémiologie. Paris : Editions Maloine.
    • Aron, A., Aron, E.N., & Coups, E.J. (2005). Statistics for the behavioral and social sciences: A brief course. Upper Saddle River, NJ: Pearson Prentice Hall.
    • Barbut, M., & Monjardet, B. (1970a). Ordre et classification, algèbre et combinatoire. Tome 1. Hachette Université.
    • Barbut, M., & Monjardet, B. (1970b). Ordre et classification, algèbre et combinatoire. Tome 2. Hachette Université.
    • Beaufils, B. (1991). Étude de statistiques descriptives. Vanves : CNED.
    • Bergson, H. (1939). Matière et mémoire. Essai sur la relation du corps à l'esprit. Paris : Presses Universitaires de France.
    • Bollen, K. A. (2002). Latent variables in psychology and the social sciences. Annual Review of Psychology, 53, 605-634.
    • Canguilhem, G. (1958). Qu'est-ce que la psychologie ? Revue de Métaphysique et de Morale, 1 , 12-25.
    • Cattell, J. M. (1890). Mental tests andmeasurements.Mind, 15, 373-380.
    • Cowppli-Bony, P., Fabrigoule, C., Letenneur,L., Ritchie, K., Alpérovitch, A., Dartigues, J. F., & Dubois, B.(2005). Letest des 5 mots : validité dans la détection de la maladie d'Alzheimer dans la population générale. Revue Neurologique, 161, 1205-1212.
    • Costa, P. T. Jr., & McCrae, R. R. (2007). NEO PI-R : Inventaire de personnalité-révisé, manuel (J.-P. Rolland, adaptation française). Paris : Hogrefe.
    • Cronbach, L.J. (1990). Essentials of psychological testing (5th ed.). New York: HarperCollinsPublishers.
    • Cronbach, L. J., & Meehl, P. H. (1955). Construct validity in psychological tests. Psychological Bulletin, 52, 281-302.
    • Degraeve, B. (2022). Statistiques en psychologie et neuropsychologie. Dunod.
    • Gigerenzer, G., Swijtink, Z., Porter, T., Daston, L., Beatty, J., & Krüger, L. (1989). The empire of chance: How probability changed science and everyday life. Cambridge: Cambridge University Press.
    • Guillevic, C., & Vautier, S. (2005). Diagnostic et tests psychologiques (2e ed.). Paris : Armand Colin.
    • Likert, R, Roslow, S., & Murphy, G. (1993). A simple and reliable method for scoring the Thurstone attitude sclale. Personnel Psychology, 46, 689-690.
    • Maraun, M. D. (1998). Measurement as a normative practice: Implications of Wittgenstein's philosophy for measurement in psychology. Theory & Psychology, 8, 435-462.
    • Martin, L., & Baillargeon, G. (1989). Statistiqueappliquée à la psychologie (2e éd.). Trois-Rivières, Qc : Les Editions SMG.
    • Michell, J. (1990). An introduction to the logic of psychological measurement. Hillsdale, NJ: Lawrence Erlbaum Associates.
    • Michell, J. (2000). Normal science, pathologicalscience and psychometrics. Theory & Psychology, 10, 639-667.
    • Michell, J. (2003). The quantitative imperative: Positivism, naïve realism, and the place of qualitative methods in psychology. Theory & Psychology, 13, 5-31.
    • Michell, J. (2005). The logic of measurement: A realist overview. Measurement: Interdisciplinarity Research andPerspectives, 38, 285-294.
    • Monod, J. (1970). Le hasard et la nécessité. Essai sur la philosophie naturelle de la biologie moderne. Paris : Seuil.
    • Pichot, P. (1949). Les tests mentaux en psychiatrie, I. Instruments et méthodes. Paris : PUF.
    • Pichot, P. (1967). Les tests mentaux (6e édition). Paris : PUF.
    • Reuchlin, M. (1969). Les méthodes en psychologie. Paris : PUF.
    • Reuchlin,M. (1991). Les différences individuelles à l’école. Paris : Presses Universitaires de France.
    • Salsburg, D. (2001). The lady tasting tea: How statistics revolutionized science in the twentieth century. New York, Henry Holt Books.
    • Saunders, J.B., Aasland, O.G., Babor, T.F., de la Fuente, J.R., & Grant ,M. (1993). Development of the Alcohol Use Disorders Identification Test (AUDIT): WHO Collaborative Project on Early Detection of Persons with Harmful Alcohol Consumption-II. Addiction, 88, 791-804.
    • Snow, R.E., & Lohman,D.F. (1984).Toward a theory of cognitive aptitude for learning from instructions.Journal of EducationalPsychology, 76, 347-376.
    • Spielberger, C. D., Gorsuch, R. L., Lushene, R., Vagg, P. R., & Jacobs, G. A. (1993). Manuel de l'inventaire d'anxiété état-trait forme Y (STAI-Y) (M. Bruchon-Schweitzer & I. Paulhan, adapt. française). Paris : Editions du Centre de Psychologie Appliquée.
    • Steyer, R. (1989). Models of classical psychometric test theory as stochastic measurement models: Representation, uniqueness, meaningfulness, identifiability, and testability. Methodika, 3, 25-60.
    • Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103,667-680.
    • Tabachnik, B. G., & Fidell, L. S. (2001). Using multivariate statistics(4th ed.). Needham Heights, MA: Allyn and Bacon.
Accessibility

Background Colour

Font Face

Font Size

1

Text Colour