Que ce soit dans le cadre d’une évaluation ou d’une planification stratégique, l’analyse de données qualitatives est une étape essentielle. Les données qualitatives incluent des descriptions détaillées de situations, d’événements, de personnes, d’interactions, de comportements observés, ainsi que les pensées personnelles des individus concernant leurs expériences, leurs attitudes et leurs croyances. Ces données proviennent généralement d’entretiens individuels, de groupes de discussion ou même de sondages. Plusieurs logiciels, tels que NVivo ou QDA Miner, peuvent faciliter l’analyse qualitative. Cependant, il est également possible de s’en sortir avec Word, Excel ou simplement un papier et un crayon.
Lecture des données
La première étape de l’analyse consiste à lire attentivement les données recueillies. Cela permet de faciliter le processus d’analyse, car il est fréquent de pouvoir identifier certains codes ou certaines thématiques dès cette étape initiale.
Codage des données pertinentes
Les données qualitatives peuvent contenir une multitude d’informations provenant des entretiens ou des sondages. Certaines de ces informations sont pertinentes, tandis que d’autres le sont moins. Il est essentiel de procéder à une sélection minutieuse et d’identifier les données qui permettent de répondre à notre question de départ. On attribue ensuite un “code” à ces données en résumant les propos initiaux. Par exemple, si notre question porte sur les possibilités d’amélioration d’un projet collectif et que la réponse est : “Je pense que les organisations impliquées dans le projet devraient communiquer plus régulièrement entre elles”, nous pouvons coder cette réponse comme suit : “Organisations : communication régulière”. Il est important à cette étape de s’assurer que les données brutes associées à chaque code soient clairement identifiées et facilement retrouvables, car elles seront essentielles pour l’interprétation des résultats et la rédaction finale.
Fusion des codes similaires
Il est courant de retrouver la même information à plusieurs endroits. Par conséquent, il est généralement nécessaire de fusionner les codes similaires, c’est-à-dire ceux qui désignent la même idée, en un code commun. En effet, il se peut qu’à travers tout le processus de codage, une même information ait été codée différemment. Il est donc important de relire les codes et de fusionner ceux qui se rapportent à la même idée. Par exemple, les codes “Organisations : communication régulière” et “Partenaires : contact plus fréquent” qui font référence à la même idée pourraient être fusionnés en un nouveau code : “Communication régulière entre les organisations”. À cette étape, il est également possible d’ajouter une dimension quantitative en documentant le nombre d’occurrences de chaque code, c’est-à-dire combien de fois une même idée a été évoquée. Cela permet de comprendre quelles idées ressortent de manière plus marquée et lesquelles sont plus isolées. Selon la méthode de collecte de données utilisée, il n’est pas toujours possible de documenter précisément la fréquence des codes. Toutefois, il peut être intéressant de préciser le niveau d’occurrence de chaque idée, par exemple “fréquemment mentionné”, “mentionné quelques fois” ou “peu mentionné”.
Regroupement des codes par thématique
La dernière étape consiste à regrouper les codes similaires au sein d’une même thématique, c’est-à-dire d’un concept plus large ou plus abstrait. Par exemple, les codes “Communication régulière entre les organisations”, “Base de données partagée” et “Présence accrue sur les médias sociaux” pourraient être regroupés sous la thématique “Communication”, tandis que les codes “Diversification de l’offre de services” et “Adaptation des services aux clients allophones” pourraient être regroupés sous la thématique “Services offerts”. Il est important de souligner qu’il n’y a pas de bonne ou de mauvaise façon de coder et de regrouper les données, l’essentiel est de les organiser de manière intelligible tout en restant fidèle à la réalité.
Si vous avez utilisé plusieurs méthodes de collecte de données (par exemple, un sondage et des entretiens) ou si vous avez réalisé plusieurs sondages ou entretiens (individuels ou en groupe), vous devrez recommencer le processus en vous basant sur les codes et les thématiques précédemment identifiés, tout en gardant à l’esprit qu’il est toujours possible de les modifier en cours de route. En contexte collectif, il est ensuite pertinent de présenter les résultats de l’analyse à un groupe d’acteurs clés impliqués dans le projet ou la démarche afin d’interpréter les tendances transversales, d’expliquer les tendances observées, d’identifier les données plus isolées et de formuler des recommandations ou des pistes d’action pour la suite.
Etienne Tessier, conseiller stratégique chez Dynamo, souligne l’importance de ces étapes pour assurer la rigueur de l’analyse des données qualitatives.
Référence:
Paloma-Wellesley (2011). Travailler ensemble: Le guide Paloma-Wellesley d’évaluation participative de programme, Toronto et Montréal: Paloma Foundation, Wellesley Institute et Fondation J. Armand Bombardier, p. 79.
