|
L'enseignement de la lecture en Afrique noire. Cas de quelques collèges de Brazzaville( Télécharger le fichier original )par Martin GUIMFAC Université Marien Ngouabi - Diplôme d'études approfondies 1999 |
B. Le traitement des données quantitativesDes tests de pré-apprentissage (évaluation initiale) d'une part, et de post-apprentissage (évaluation terminale) d'autre part, ont été également proposés aux sujets expérimentaux. L'évaluation de leur production nous a permis de recueillir des informations relatives à leurs performances, variable par variable. Avant de présenter les résultats, il importe d'exposer le mode de traitement des données que nous avons adopté. Les informations recueillies à partir des tests auprès de l'échantillon décrit au chapitre précédent sont traitées conformément à la méthodologie suivante. Fondements théoriques En vue du traitement des données quantitatives, nous recourons à la statistique descriptive. Elle nous a semblé appropriée à notre étude dans la mesure où nos données sont nombreuses. La statistique descriptive, comme son nom l'indique, décrit les populations ou les échantillons sans se préoccuper de déterminer les limites de validité des mesures effectuées. Choix du test statistique Le problème posé étant la vérification de la pertinence des pratiques pédagogiques actuelles en lecture, nous devons comparer les moyennes des tests passés par les deux groupes de cinquante (50) apprenants chacun dans les trois (3) établissements : - un groupe expérimental auquel la lecture est enseignée selon les pratiques pédagogiques innovées. - un groupe témoin auquel la lecture est enseignée selon les pratiques pédagogiques actuelles. Pour la comparaison de trois à plusieurs moyennes, il convient de recourir au test F de Fisher Snédecor qui est ordinairement utilisé pour effectuer des tests de comparaison de variances. Une statistique F est calculée dans un
échantillon en faisant le rapport de deux estimations différentes
( Si Fc < Fr = 1,96 ; la différence est non significative (NS) ; Si Fc = Fr = 1,96 ; la différence est significative(S*) ; Si Fc = Fr = 2,56 ; la différence est très significative (S**). Il existe la relation suivante entre la table de F et celle de
t : Loi normale (ì ou z) Convergence pour N = 100 (Dl = 8) Loi de Student (t)
Loi de Snédecor (F) Pour l'essentiel, il s'agit de calculer les paramètres suivants : La moyenne arithmétique La moyenne arithmétique est égale à la somme des résultats individuels de la distribution divisée par le nombre des résultats. La formule de calcul est :
La variance La variance désigne la mesure de la dispersion des
valeurs par rapport à la moyenne. La variance V d'une distribution
statistique d'effectif La variance est parfois appelée fluctuation. Si les N
observations sont connues individuellement, la formule devient L'écart type estimé à l'échantillon L'écart type estimé à
l'échantillon est la racine carrée positive de la variance. La
formule est : Si les observations sont connues individuellement, la formule
devient: L'écart type estimé à
l'échantillon est parfois appelé écart moyen quadratique
ou standard déviation (son nom anglais) dans l'intervalle L'erreur type L'erreur type indique l'écart type de la distribution
de l'échantillon. Sa formule est :
Le coefficient de variation Les moyennes des variables dépendantes et leur
écart type s'exprimant dans la même unité, il convient de
calculer le coefficient de variation. Pour Gérard Calot (1973), on
définit le coefficient de variation - en général pour des
variables positives seulement - comme le rapport de l'écart type
à la moyenne : cv = Le coefficient de variation est exprimé en pourcentage et mesure la dispersion relative d'une série statistique. - Si - Si Le coefficient de variation permet de comparer les séries statistiques homogènes, lorsqu'elles sont positives et d'en dégager la plus homogène. Après avoir exposé les fondements théoriques, nous abordons l'analyse des données. Analyse des données Avant d'analyser les données, nous précisons que : - La saisie des données a été faite au moyen du logiciel Excel pour Windows 2000. - Les données ont été analysées avec le logiciel STATISTICA 4.5 après un travail minutieux de contrôle et de vérification de la cohérence interne des informations collectées. Nous avons opté, comme nous venons de le noter, dans le choix du test statistique pour l'analyse de variance. L'analyse de variance à un seul critère, en sigle ANOVA, est une extension du test de comparaison des moyennes lorsqu'il y a plus de deux échantillons. Elle correspond à un test d'homogénéité des moyennes dans des sous-populations, mais aussi à un test d'association entre le critère de partition et la variance étudiée. Le tableau d'analyse de variance se construit ainsi qu'il suit :
Le F calculé (rapport des deux carrés moyens ou
des deux estimations de la variance) est comparé au F de la table pour
Si Remarque L'équation de décomposition s'applique aussi aux
DL, L'analyse de variance peut être généralisée à plusieurs critères de partition : il est alors nécessaire de tester l'effet de chaque critère et de leur interaction. Parfois, il peut être nécessaire de recourir aux autres tests pour contrôler l'égalité de variance. Le test d'homogénéité des variances de Bartlett Le test d'homogénéité des variances de Bartlett permet de contrôler l'égalité des variances qui s'établit ainsi qu'il suit. Le khi de Bartlett = 1,943 Le degré de liberté = 3 Le seuil de signification : 0,584342 Les variances sont homogènes ... 95% de confiance. Les résultats de l'analyse de variance peuvent être utilisés si les échantillons sont normalement distribués. L'analyse de variance non paramétrique de Kruskall- Wallis Le H de Kruskall- Wallis (équivaut au khi) = 21,846 Le degré de liberté = 3 Le seuil de signification = 0,000070 Une fois les modalités de traitement des données indiquées, nous abordons la présentation des résultats qui en découlent. * 68. Michel, LORIAUX en collaboration avec Grégoire, BALARD et Dominique, REMY (1988-1989), Méthode d'analyse statistique multi variée à l'étude des interrelations en population et développement, Louvain, Centre International de Formation et de recherche en population, p. 59. * 69. Gérard, CALOT (1973), Cours de statistique descriptive, Paris, Dunod, p. 67. |
|
) et elle est ensuite comparée à la valeur de la table.
68
pour v =1
, si les observations sont connues individuellement.
, si les observations sont connues sous forme d'effectifs (ou
fréquences) par classe ou par valeur.
et de moyenne M, est égale à la moyenne du carré
des écarts des observations à leur moyenne. La formule de calcul
est : 
ou 
.
.
.
.
contenant plus de la moitié des observations.
avec r, le coefficient de corrélation de formule 
69
< 10%, la population est peu dispersée. L'échantillon
peut être considéré comme homogène.
> 10%, la population est dispersée. 
et 
à un seuil donné de signification.
et
) entraîne le rejet de l'hypothèse nulle et
l'acceptation de l'hypothèse alternative.