La méta-analyse représente l'une des méthodes de recherche les plus puissantes et les plus influentes en sciences psychologiques modernes. En combinant et en analysant systématiquement les données issues de plusieurs études indépendantes, la méta-analyse permet aux chercheurs de cerner les modèles, de résoudre les contradictions et de tirer des conclusions plus solides que n'importe quelle étude ne pourrait le faire.

Ce guide complet vous guidera dans tous les aspects de la conduite d'une méta-analyse de haute qualité en psychologie, de la formulation de votre question de recherche à l'interprétation et à la communication de vos résultats. Que vous soyez étudiant diplômé en se lancer dans votre première revue systématique ou un chercheur expérimenté cherchant à affiner vos compétences en méta-analyse, la compréhension de ces principes et procédures améliorera votre capacité à synthétiser efficacement les résultats de recherche complexes.

Comprendre la méta-analyse dans la recherche psychologique

Contrairement aux revues narratives traditionnelles qui résument qualitativement les résultats, la méta-analyse utilise des techniques statistiques pour combiner les résultats de plusieurs études, fournissant une estimation numérique de l'effet global. Cette approche offre plusieurs avantages distincts pour la recherche psychologique.

Ce qui rend la méta-analyse utile

La valeur de la méta-analyse va bien au-delà de la simple addition des résultats des études. Premièrement, elle augmente la puissance statistique en combinant la taille des échantillons entre les études, permettant aux chercheurs de détecter des effets qui pourraient être trop petits ou incohérents pour être identifiés dans les études individuelles. Deuxièmement, la méta-analyse fournit une méthode systématique et transparente pour examiner la littérature, en réduisant les biais subjectifs qui peuvent influencer les examens narratifs traditionnels.

Il faut toujours utiliser plusieurs études pour obtenir des résultats fiables pour affirmer une prédiction théorique, ce qui sous-tend l'ensemble de l'entreprise méta-analytique, reconnaissant que les connaissances scientifiques sont construites par l'accumulation de preuves plutôt que par des enquêtes uniques.

Types de méta-analyses en psychologie

Les chercheurs en psychologie utilisent plusieurs types d'approches méta-analytiques selon leurs questions de recherche et la nature des données disponibles. La méta-analyse univariée traditionnelle examine un seul résultat dans toutes les études. Les méta-analyses multivariées peuvent traiter plusieurs résultats (semblables à des analyses multivariées de la variance), permettant aux chercheurs d'examiner simultanément les relations entre les différentes constructions psychologiques.

Les méta-analyses à trois niveaux tiennent compte de la variance expliquée par les unités de niveau 2 (p. ex., l'étude) et de niveau 3 (p. ex., le groupe de recherche). Cette approche est particulièrement utile lorsqu'on traite des structures de données imbriquées communes dans la recherche psychologique, comme les tailles d'effets multiples provenant de la même étude ou les études multiples provenant du même laboratoire de recherche.

Les approches plus avancées comprennent la modélisation méta-analytique des équations structurelles (aussi connue sous le nom de MASEM), qui permet d'effectuer une méta-analyse de modèles d'équations structurelles plus complexes, y compris des modèles de médiation, des analyses de trajectoire ou des analyses de facteurs de confirmation.

Étape 1: Formuler une question de recherche claire

Contrairement à la recherche exploratoire où des questions peuvent évoluer au cours de la collecte de données, la méta-analyse exige une spécification précise de vos objectifs de recherche avant de commencer le processus d'examen systématique. Une question mal définie entraînera une sélection d'études incohérente, une extraction inappropriée des données et, en fin de compte, des conclusions douteuses.

Utilisation du cadre de PICO

Le cadre de PICO (Population, Intervention/Exposure, Comparaison, Résultat) fournit une excellente structure pour formuler des questions de recherche méta-analytiques, particulièrement pour les études d'intervention. Par exemple, si vous êtes intéressé par l'efficacité de la thérapie cognitive-comportementale pour la dépression, vous préciseriez:

  • Population: Adultes diagnostiqués avec un trouble dépressif majeur
  • Intervention: Traitement cognitivo-comportemental
  • Comparaison: Contrôle de liste d'attente, traitement comme d'habitude, ou autres traitements actifs
  • Résultat: Gravité du symptôme de dépression mesurée par des instruments validés

Pour les études non interventionnelles, vous pouvez adapter ce cadre pour préciser la population d'intérêt, la variable prédictrice ou exposition, tout groupe de comparaison pertinent et les résultats psychologiques que vous souhaitez examiner.

Définition des critères d'inclusion et d'exclusion

Une fois votre question de recherche formulée, vous devez établir des critères d'inclusion et d'exclusion clairs, qui devraient tenir compte de plusieurs dimensions clés : conception de l'étude (p. ex. essais contrôlés randomisés, études de corrélation, études longitudinales), caractéristiques des participants (p. ex., échelle d'âge, état clinique, facteurs démographiques), caractéristiques d'intervention ou d'exposition (le cas échéant), mesures des résultats, état de publication, langue et période.

Des critères trop étroits peuvent exclure les études pertinentes et limiter la généralisabilité de vos résultats, tandis que des critères trop larges peuvent introduire une hétérogénéité excessive qui rend la synthèse significative difficile. Documentez votre justification pour chaque critère, car cette transparence est essentielle pour la crédibilité de votre méta-analyse.

Étape 2 : Effectuer une recherche documentaire complète

Une recherche documentaire systématique et exhaustive est essentielle pour produire une méta-analyse valide. L'objectif est de déterminer toutes les études pertinentes qui répondent à vos critères d'inclusion, de minimiser le risque de biais de sélection qui pourrait fausser vos constatations.

Sélection de bases de données appropriées

Pour la recherche psychologique, plusieurs bases de données devraient être considérées comme essentielles. Le PsycINFO, géré par l'American Psychological Association, est la base de données la plus complète pour la littérature en psychologie. PubMed/MEDLINE offre une vaste couverture de la recherche biomédicale et en psychologie de la santé. Web of Science and Scopus offre une large couverture multidisciplinaire avec de solides capacités de suivi des citations.

Les bases de données de thèses comme les mémoires et thèses ProQuest peuvent révéler des études non publiées qui pourraient autrement être manquées. Les actes de conférence, les rapports gouvernementaux et les registres d'essais cliniques (comme ClinicalTrials.gov) peuvent aussi contenir des données pertinentes. Cette approche globale permet de corriger les biais de publication, car les études dont les résultats sont nuls ou négatifs sont moins susceptibles d'être publiées dans des revues évaluées par des pairs.

Élaborer des stratégies de recherche efficaces

Des stratégies de recherche efficaces permettent d'équilibrer la sensibilité (recherche de toutes les études pertinentes) avec la spécificité (évitant un nombre considérable de résultats non pertinents).

Utilisez à la fois un vocabulaire contrôlé (comme les termes MeSH en termes PubMed ou Thesaurus en termes Psycho-INFO) et des mots-clés en texte libre pour saisir les variations de terminologie. Employez des opérateurs booléens (AND, OU, NON) pour combiner efficacement les termes de recherche. Utilisez des symboles de troncation et de wildcard pour saisir les variations de mots (p. ex., "dépress*" trouvera dépression, dépressif, déprimé).

Documentez votre stratégie de recherche complète pour chaque base de données, y compris la date de la recherche, les termes exacts utilisés, les filtres ou les limites appliqués, et le nombre de résultats récupérés. Cette documentation est essentielle pour la transparence et la reproductibilité.

Méthodes de recherche supplémentaires

Pour compléter vos recherches électroniques par plusieurs stratégies supplémentaires, faites des recherches en arrière en examinant les listes de références des études incluses et les articles pertinents de revue. Effectuez des recherches en avant-première en utilisant des outils comme Web of Science ou Google Scholar pour identifier les études plus récentes qui ont cité des documents clés dans votre domaine. Contactez des experts dans le domaine pour obtenir des renseignements sur les études non publiées ou les recherches en cours.

Étape 3 : Études de dépistage et de sélection

Une fois votre recherche documentaire terminée, vous devrez systématiquement vérifier les dossiers identifiés pour déterminer quelles études répondent à vos critères d'inclusion. Ce processus se déroule généralement en plusieurs étapes et devrait être mené par au moins deux évaluateurs indépendants pour minimiser les biais et les erreurs.

Titre et examen sommaire

La première étape de la présélection consiste à examiner les titres et les résumés pour exclure les études manifestement non pertinentes. À ce stade, errez du côté de l'inclusion — s'il y a une incertitude quant à savoir si une étude répond à vos critères, avancez-la à l'étape suivante. Utilisez un outil de présélection ou un tableur pour suivre les décisions et les motifs d'exclusion.

Revue de texte intégral

Les études qui réussissent l'examen préalable se déroulent dans un contexte d'examen en texte intégral, où vous examinerez l'article complet pour déterminer l'admissibilité. Cette étape exige une évaluation plus détaillée en fonction de vos critères d'inclusion et d'exclusion. Vous devrez décrire les raisons précises pour lesquelles vous avez exclu les études à ce stade, car vous devrez les signaler dans votre méta-analyse finale.

Création d'un diagramme de flux PRISMA

PRISMA (Associates de rapports privilégiés pour les examens et les méta-analyses systématiques) est une ligne directrice conçue pour améliorer la présentation des rapports des examens systématiques. La liste de contrôle comprend 27 éléments relatifs au contenu d'un examen et d'une méta-analyse systématiques, qui comprennent le titre, le résumé, les méthodes, les résultats, la discussion et le financement.

Le diagramme de flux PRISMA est une représentation graphique de la façon dont l'information circule tout au long d'un examen systématique, fournissant un aperçu transparent du nombre d'études identifiées, examinées, jugées admissibles à l'inclusion, puis incluses dans l'analyse finale des données. Ce diagramme devrait indiquer le nombre de documents identifiés par la recherche dans la base de données et d'autres sources, le nombre restant après l'élimination des duplicatas, le nombre de triés au niveau du titre ou de l'abstraction, le nombre évalué au niveau du texte intégral et le nombre final d'études incluses dans la méta-analyse, ainsi que les raisons des exclusions à chaque étape.

Étape 4: Extraire des données d'études incluses

L'extraction des données est une phase critique qui nécessite une attention particulière aux détails et à la cohérence. La qualité de votre méta-analyse dépend fortement de l'exactitude et de l'exhaustivité des données que vous extraitez des études primaires.

Élaboration d'un formulaire d'extraction de données

Ce formulaire devrait permettre de recueillir toutes les informations nécessaires à votre analyse et d'effectuer des essais pilotes sur plusieurs études afin de s'assurer qu'elles sont complètes et claires. Les principales catégories d'informations à extraire comprennent les caractéristiques de l'étude (auteurs, année de publication, pays, source de financement), les caractéristiques des participants (taille de l'échantillon, âge, répartition par sexe, caractéristiques cliniques), la méthodologie (conception de l'étude, méthodes de recrutement, procédures de randomisation), les détails de l'intervention ou de l'exposition (le cas échéant), les mesures des résultats (instruments utilisés, calendrier de l'évaluation) et les renseignements statistiques nécessaires pour calculer les tailles d'effet.

Extraire des informations statistiques

Pour les résultats continus, vous avez généralement besoin de moyens, d'écarts-types et de tailles d'échantillon pour chaque groupe. Pour les résultats dichotomiques, vous avez besoin du nombre d'événements et de la taille totale d'échantillon dans chaque groupe. Pour les études de corrélation, vous avez besoin de coefficients de corrélation et de tailles d'échantillon.

Lorsque les études ne font pas état des statistiques exactes dont vous avez besoin, vous pouvez peut-être les calculer ou les estimer à partir d'autres informations déclarées. Par exemple, vous pouvez souvent déduire des écarts types par rapport aux erreurs-types, aux intervalles de confiance ou aux valeurs p. Cependant, documentez toutes les conversions ou estimations que vous faites, car celles-ci peuvent introduire une incertitude supplémentaire dans votre analyse.

Assurer la fiabilité et l'exactitude

Comparez les extractions et résoudre les écarts par la discussion ou en consultant l'étude originale. Ce processus d'extraction double réduit considérablement les erreurs et augmente la fiabilité de vos données. Lorsque l'information est floue ou manquante, envisager de contacter les auteurs de l'étude pour demander des données supplémentaires ou des éclaircissements.

Étape 5 : Évaluation de la qualité de l'étude et du risque de partialité

L'évaluation de la qualité méthodologique et du risque de biais dans les études incluses est essentielle pour interpréter vos résultats méta-analytiques et comprendre la confiance que vous pouvez placer dans vos conclusions.

Sélection d'outils d'évaluation appropriés

Pour les essais contrôlés randomisés, l'outil Cochrane Risk of Bias (RoB 2) est largement utilisé et évalue les biais découlant du processus de randomisation, les écarts par rapport aux interventions prévues, les données manquantes sur les résultats, la mesure des résultats et la sélection des résultats déclarés.

L'évaluation de la qualité devrait être menée de façon indépendante par au moins deux évaluateurs, les désaccords étant résolus par la discussion. Documentez systématiquement vos évaluations de la qualité, car vous devrez les signaler dans votre méta-analyse et peut-être les utiliser dans les analyses de sensibilité.

Utilisation des évaluations de la qualité dans votre analyse

Les évaluations de la qualité peuvent éclairer votre méta-analyse de plusieurs façons. Vous pouvez effectuer des analyses de sensibilité pour déterminer si vos constatations diffèrent lorsque vous excluez les études présentant un risque élevé de biais. Vous pouvez utiliser la qualité de l'étude comme variable modérateur pour déterminer si la taille des effets varie systématiquement avec la qualité méthodologique.

Étape 6 : Calcul des dimensions de l'effet

La taille des effets est la monnaie commune de la méta-analyse, fournissant une mesure normalisée qui vous permet de comparer et de combiner les résultats d'études qui ont peut-être utilisé différentes mesures ou échelles.

Mesure de la taille de l'effet courant en psychologie

Pour comparer les moyennes entre les groupes, les différences moyennes normalisées (DMO) sont les plus courantes. Les différences moyennes normalisées (DMO) avec des IC à 95 % sont utilisées pour évaluer les effets du traitement pour des données continues, et les tailles d'effet sont interprétées comme indiqué par Cohen (2013) : petites (.2), modérées (.5) et grandes (.8). Les mesures de la DMO de Cohen d et Hedges g sont toutes deux des mesures de la DMO, avec la correction de la DMO de Hedges, y compris une correction pour le biais de l'échantillon.

Pour l'examen des relations entre les variables continues, les coefficients de corrélation (r de Pearson ou r de Fisher) sont appropriés. Pour les résultats dichotomiques, les rapports de cotes, les rapports de risque ou les différences de risque peuvent être utilisés selon votre question de recherche et la nature du résultat.

Tailles et écarts des effets informatiques

Pour chaque étude, vous calculerez à la fois une estimation de la taille des effets et sa variance (ou erreur type). La variance reflète la précision de l'estimation de la taille des effets et est utilisée pour les études de poids dans la méta-analyse.

Les logiciels statistiques comme R (avec des paquets tels que metafor, meta ou dmetar), Comprehensive Meta-Analyse (CMA) ou RevMan peuvent calculer les tailles d'effet à partir de différents formats d'entrée. Ces outils peuvent également gérer les conversions entre différentes mesures de taille d'effet au besoin.

Manipulation de tailles d'effets multiples à partir d'études uniques

Un défi commun dans la méta-analyse consiste à traiter des études qui signalent plusieurs tailles d'effets pertinentes. Par exemple, une étude peut signaler des résultats à plusieurs moments, utiliser plusieurs mesures de résultats ou inclure plusieurs groupes de traitement. Inclure toutes ces tailles d'effets comme des observations indépendantes viole l'hypothèse de l'indépendance et peut biaiser vos résultats.

Plusieurs approches peuvent aborder ce problème. Vous pouvez choisir une taille d'effet unique par étude en fonction de critères préétablis (p. ex., le résultat principal, le suivi le plus long). Vous pouvez calculer la taille d'effet moyenne au sein des études pour créer un seul effet composite.

Étape 7: Réalisation de la synthèse méta-analytique

Avec la taille des effets calculée, vous êtes prêt à effectuer la synthèse statistique qui constitue le noyau de votre méta-analyse. Cela implique de choisir un modèle statistique approprié, de calculer les estimations de la taille des effets groupés et d'évaluer l'hétérogénéité des effets dans toutes les études.

Modèles à effet fixe et à effet aléatoire

Deux principaux modèles statistiques sont utilisés dans la méta-analyse : les modèles à effet fixe et à effet aléatoire. Le modèle à effet fixe suppose que toutes les études ont une taille de l'effet réel commune, et toute variation des effets observés est due uniquement à une erreur d'échantillonnage. Ce modèle est approprié lorsque vous avez de fortes raisons de croire que les études sont fonctionnellement identiques dans leurs méthodes, leurs populations et leurs interventions.

Le modèle des effets aléatoires suppose que la taille des effets réels varie d'une étude à l'autre en raison de différences dans les populations, les méthodes ou d'autres facteurs. Ce modèle évalue à la fois la taille moyenne des effets et la variabilité des effets réels d'une étude à l'autre.

Les modèles à effet aléatoire produisent des intervalles de confiance plus larges que les modèles à effet fixe, ce qui reflète l'incertitude supplémentaire quant à la distribution des effets réels.

Tailles des effets de l'informatique

La taille de l'effet de regroupement représente votre meilleure estimation de l'effet global dans toutes les études incluses. Il est calculé comme une moyenne pondérée de la taille de l'effet de chaque étude, avec des poids généralement basés sur l'inverse de la variance (des études plus précises reçoivent plus de poids). La taille de l'effet de regroupement est accompagnée d'un intervalle de confiance (généralement 95%) qui indique l'intervalle de valeurs plausibles pour l'effet réel.

Les tests de signification statistique (généralement à l'aide d'un test en z) peuvent déterminer si l'effet commun diffère significativement de zéro. Cependant, mettre l'accent sur l'ampleur et la précision de l'effet plutôt que sur la signification statistique. Un effet statistiquement significatif mais très faible peut ne pas être pratiquement significatif, alors qu'un effet important avec un intervalle de confiance important suggère une incertitude importante qui justifie des recherches plus poussées.

Évaluation et interprétation de l'hétérogénéité

L'hétérogénéité est une variable de la taille des effets selon les études, au-delà de ce qui serait attendu de l'erreur d'échantillonnage seulement. L'évaluation de l'hétérogénéité est essentielle parce qu'une hétérogénéité substantielle suggère qu'une seule taille des effets groupés peut ne pas représenter adéquatement l'éventail des effets dans différents contextes ou populations.

L'hétérogénéité est inspectée visuellement à l'aide de placettes forestières et calculée à l'aide de χ2 et Ι2, et conformément aux directives du Manuel Cochrane, 0% à 40% peut ne pas être important, 30% à 60% peut indiquer une hétérogénéité modérée, 50% à 90% peut indiquer une hétérogénéité substantielle, et 75% à 100% indique une hétérogénéité considérable.

La statistique I2 est particulièrement utile car elle n'est pas affectée par le nombre d'études ou la mesure de la taille de l'effet. Cependant, interpréter les statistiques d'hétérogénéité en contexte – même une faible hétérogénéité statistique ne garantit pas que les études sont vraiment comparables, et une hétérogénéité élevée n'invalide pas nécessairement votre méta-analyse si vous pouvez expliquer les sources de variation par des analyses de modérateurs.

Étape 8: Explorer les sources d'hétérogénéité par des analyses modératrices

Lorsqu'il existe une hétérogénéité importante, les analyses des modérateurs (aussi appelées analyses de sous-groupes ou méta-régression) peuvent aider à identifier les facteurs qui expliquent la variation de la taille des effets entre les études.

Sélection des modérateurs potentiels

Choisir des modérateurs potentiels en fonction de considérations théoriques et de recherches antérieures plutôt que de mener des analyses exploratoires de chaque variable disponible. Les catégories communes de modérateurs dans les méta-analyses psychologiques comprennent les caractéristiques des participants (âge, sexe, gravité clinique, contexte culturel), les caractéristiques d'intervention (intensité, durée, format de prestation, orientation théorique), les caractéristiques méthodologiques (conception d'études, qualité, instruments de mesure) et les facteurs contextuels (établissement, emplacement géographique, année de publication).

Préprécisez vos analyses de modérateur dans un protocole ou un plan d'analyse lorsque c'est possible, ce qui réduit le risque de résultats fallacieux de plusieurs tests et augmente la confiance dans les effets importants du modérateur.

Analyses de sous-groupes

Pour les modérateurs catégorisés, l'analyse par sous-groupe compare la taille des effets groupés entre différents groupes d'études. Par exemple, vous pouvez comparer la taille des effets pour les études menées avec des enfants contre des adultes, ou pour les études utilisant différents types d'interventions.

Analyse de la méta-régression

La méta-régression étend le modèle méta-analytique pour examiner simultanément les modérateurs continus ou plusieurs modérateurs. Par exemple, vous pouvez examiner si la taille des effets est liée à l'âge moyen des participants, à la durée d'une intervention ou à l'année de publication.

Cependant, la méta-régression a un pouvoir statistique limité, surtout avec un petit nombre d'études. Comme ligne directrice approximative, vous avez besoin d'au moins 10 études par variable modérateur pour avoir un pouvoir adéquat. Soyez prudent dans l'interprétation des résultats de méta-régression et considérez-les comme générateur d'hypothèses plutôt que définitives, surtout si vous êtes basé sur un petit nombre d'études.

Étape 9 : Évaluation des risques de publication et des effets des petites études

Le biais de publication survient lorsque la littérature publiée n'est pas représentative de toutes les études terminées, généralement parce que les études ayant des résultats statistiquement significatifs ou positifs sont plus susceptibles d'être publiées que celles ayant des résultats nuls ou négatifs.

Évaluation visuelle avec des entonnoirs

Les courbes entonnoires fournissent une méthode visuelle pour détecter les biais de publication.Ces courbes montrent les dimensions des effets sur l'axe des x et une mesure de la précision de l'étude (généralement une erreur standard ou la taille de l'échantillon) sur l'axe des y. En l'absence de biais, la courbe doit ressembler à un entonnoir inversé symétrique, avec des études plus précises (en haut) regroupées étroitement autour de l'effet commun et des études moins précises (en bas) dispersées plus largement mais symétriquement.

L'asymétrie dans la parcelle entonnoire, surtout si de petites études avec des résultats négatifs ou nuls sont manquants d'un côté, suggère un biais possible de publication. Cependant, l'asymétrie de la parcelle entonnoire peut également résulter d'autres facteurs tels que l'hétérogénéité réelle, la mauvaise qualité méthodologique dans les études plus petites, ou le hasard, ainsi interpréter ces parcelles avec prudence et en conjonction avec d'autres preuves.

Essais statistiques pour la publication de la partialité

Plusieurs tests statistiques peuvent compléter l'inspection visuelle des placettes d'entonnoir. Le test de régression d'Egger examine s'il y a une relation entre les tailles d'effet et leurs erreurs standard. Le test de corrélation de Begg évalue s'il y a une corrélation entre les tailles d'effet et leurs variances. Cependant, ces tests ont une puissance limitée lorsque le nombre d'études est faible (moins de 10-15 études) et peuvent produire de faux positifs lorsque l'hétérogénéité est importante.

Ajustement pour les écarts de publication

Si le biais de publication semble être présent, plusieurs méthodes peuvent estimer la taille de l'effet après avoir ajusté pour tenir compte du biais. L'analyse de trim-and-fill identifie et impute les études manquantes pour créer une courbe d'entonnoir plus symétrique, puis recalcule la taille de l'effet groupé. Les modèles de sélection utilisent la modélisation statistique pour estimer et corriger le processus de sélection qui conduit à un biais de publication.

La meilleure défense contre les biais de publication est une recherche documentaire complète qui comprend des études non publiées, des mémoires, des présentations de conférences et des registres d'essais.

Étape 10: Analyses de sensibilité

Les analyses de sensibilité examinent si vos constatations sont solides à l'égard de diverses décisions et hypothèses méthodologiques.Ces analyses vous aident à comprendre la confiance que vous pouvez accorder à vos conclusions et à identifier les limites potentielles.

Types d'analyses de sensibilité

Les analyses de sensibilité courantes dans la méta-analyse comprennent l'examen de l'impact de la qualité de l'étude en répétant des analyses avec seulement des études de qualité ou en excluant les études présentant un risque élevé de biais. Vous pouvez tester différents modèles statistiques en comparant les résultats à effet fixe et à effet aléatoire ou en utilisant différentes méthodes pour estimer la variance entre les études. Explorez l'influence des valeurs aberrantes en examinant si les dimensions d'effet extrême influent de façon disproportionnée sur l'estimation groupée.

Si vos principales constatations demeurent cohérentes dans les analyses de sensibilité, cela renforce la confiance dans vos conclusions. Si les constatations sont sensibles à des décisions ou des hypothèses particulières, cela met en lumière d'importantes incertitudes qui devraient être discutées dans votre rapport.

Analyse des congés et des congés

L'analyse des résultats de l'étude permet de retirer systématiquement chaque étude une à la fois et de recalculer la taille de l'effet commun. Cela révèle si une seule étude a une influence disproportionnée sur vos résultats. Si l'élimination d'une étude modifie considérablement l'effet commun ou sa signification statistique, cela suggère que vos résultats ne sont pas robustes et justifie une étude approfondie des raisons pour lesquelles cette étude est si influente.

Étape 11 : Interprétation et contexte de vos constatations

L'analyse statistique n'est qu'une partie de la méta-analyse – une interprétation réfléchie de vos résultats dans le contexte de la théorie et de la pratique existantes est tout aussi importante.

Évaluation de la grandeur des effets

Un effet statistiquement significatif peut être trop faible pour être cliniquement ou pratiquement significatif, alors qu'un effet important qui n'atteint pas la signification statistique en raison de données limitées peut encore être important. Utilisez des repères établis (comme les conventions de Cohen) comme guides bruts, mais interprètez la taille des effets dans le contexte de votre domaine de recherche spécifique et les implications pratiques pour les interventions ou les politiques.

Envisager de traduire des valeurs d'effet normalisées en mesures plus interprétables lorsque c'est possible. Par exemple, vous pouvez calculer le nombre nécessaire pour traiter les études d'intervention, ou exprimer les effets en termes de changements de percentiles ou de probabilité de supériorité.

Considérant la qualité et la certitude des preuves

Les cadres comme GRADE (Grading of Recommendations Assessment, Development and Evaluation) fournissent des approches systématiques pour évaluer la certitude des données probantes tirées des méta-analyses. Il faut tenir compte de facteurs tels que le risque de biais dans les études incluses, la cohérence des constatations entre les études, la précision de l'estimation groupée, la pertinence des données probantes à votre question de recherche et le risque de biais dans la publication.

Identifier les lacunes et les orientations futures

Votre méta-analyse révélera probablement des lacunes dans la littérature qui justifient des recherches futures, notamment des populations sous-estimées, l'absence de données de suivi à long terme, une recherche limitée sur les mécanismes ou les médiateurs, des approches de mesure incohérentes ou des limites méthodologiques communes à toutes les études.

Étape 12: Signaler votre méta-analyse

La déclaration des éléments de rapport privilégiés pour les examens systématiques et les méta-analyses (PRISMA), publiée en 2009, a été conçue pour aider les examinateurs systématiques à expliquer de façon transparente pourquoi l'examen a été fait, ce que les auteurs ont fait et ce qu'ils ont trouvé. Au cours de la dernière décennie, les progrès de la méthodologie et de la terminologie de l'examen systématique ont nécessité une mise à jour de la ligne directrice, et la déclaration PRISMA 2020 remplace l'énoncé de 2009 et comprend de nouvelles lignes directrices sur la déclaration qui reflètent les progrès réalisés dans les méthodes de recensement, de sélection, d'évaluation et de synthèse des études.

Composantes essentielles d'un rapport de méta-analyse

Le titre du rapport devrait clairement indiquer qu'il s'agit d'un examen systématique ou d'une méta-analyse. L'abrégé devrait fournir un résumé structuré des antécédents, des méthodes, des résultats et des conclusions. L'introduction devrait établir la raison d'être de l'examen et énoncer des objectifs clairs ou des questions de recherche.

Décrivez vos critères d'admissibilité, vos sources d'information et votre stratégie de recherche, le processus de sélection des études, le processus de collecte des données, l'évaluation du risque de biais, les calculs de la taille des effets, les méthodes de synthèse (y compris le modèle statistique utilisé), et toute analyse de modérateur ou de sensibilité.

La section des résultats devrait rendre compte du processus de sélection de l'étude (avec un diagramme de flux PRISMA), des caractéristiques des études incluses, des évaluations du risque de biais, des résultats d'études individuelles et de synthèses (généralement avec les placettes forestières), des résultats des analyses des modérateurs et de l'évaluation du biais de publication.

Utilisation efficace des affichages visuels

Les diagrammes de flux PRISMA montrent le processus de sélection de l'étude. Les diagrammes de flux illustrent le biais potentiel de publication. Les tableaux doivent présenter les caractéristiques des études incluses, des évaluations de la qualité et des résultats détaillés.

Assurez-vous que toutes les figures et les tableaux sont clairement étiquetés, qu'ils contiennent des légendes appropriées et qu'ils sont référencés dans le texte.

Assurer la transparence et la reproductibilité

L'utilisation de l'énoncé PRISMA et de ses extensions pour rédiger des protocoles ou le rapport d'examen terminé, et la préparation des listes de vérification PRISMA permettront probablement aux évaluateurs et aux lecteurs de savoir ce que les auteurs ont fait et trouvé, mais aussi d'optimiser la qualité des rapports et de rendre le processus d'examen par les pairs plus efficace, étant donné que la transparence et l'exhaustivité des rapports constituent un élément essentiel de « bonne recherche ».

Envisagez d'enregistrer votre protocole de méta-analyse dans un registre comme PROSPERO avant de commencer la collecte de données. Cela augmente la transparence et contribue à empêcher les rapports sélectifs. Rendez vos formulaires d'extraction de données, code d'analyse et données extraites disponibles en tant que matériaux supplémentaires ou dans un dépôt.

Sujets avancés en méta-analyse

À mesure que les méthodes méta-analytiques continuent d'évoluer, plusieurs techniques avancées prennent de plus en plus d'importance dans la recherche psychologique.

Méta-analyse réseau

La méta-analyse réseau (également appelée comparaison mixte de traitements) permet une comparaison simultanée de plusieurs interventions, même si certaines interventions n'ont pas été directement comparées dans les essais de tête à tête. Cette approche utilise à la fois des données directes (d'études comparant directement les interventions) et des données indirectes (d'études avec des comparateurs communs) pour estimer l'efficacité relative de toutes les interventions dans le réseau.

La méta-analyse en réseau est particulièrement utile pour éclairer les décisions de traitement lorsque plusieurs options existent, car elle peut classer les interventions et estimer la probabilité que chacune soit la plus efficace. Cependant, elle exige une attention particulière à l'hypothèse de transitivité (que les comparaisons indirectes sont valides) et de cohérence (que les preuves directes et indirectes sont d'accord).

Méta-analyse des données individuelles des participants

Plutôt que d'extraire des données agrégées des rapports publiés, la méta-analyse individuelle des données des participants (DPI) obtient et analyse les données brutes de chaque étude. Cette approche offre plusieurs avantages : elle permet des analyses plus complexes, y compris l'examen des modérateurs individuels, permet de traiter de façon cohérente les données manquantes et les valeurs aberrantes pour toutes les études, permet une modélisation plus souple des résultats time-to-event ou des données longitudinales, et réduit la dépendance à l'égard des rapports publiés qui peuvent être incomplets ou sélectifs.

Cependant, la méta-analyse de la DPI exige beaucoup de ressources, exige une collaboration avec les chercheurs d'origine et un temps considérable pour la collecte, l'harmonisation et l'analyse des données.

Méta-analyse vivante

Les méta-analyses traditionnelles fournissent un instantané des données probantes à un moment donné, mais deviennent rapidement dépassées à mesure que de nouvelles études sont publiées.Les méta-analyses vivantes sont continuellement mises à jour à mesure que de nouvelles données probantes émergent, ce qui permet une synthèse toujours actuelle des données probantes.

La mise en oeuvre d'une méta-analyse vivante exige la mise en place de systèmes de surveillance continue de la littérature, de processus efficaces de dépistage et d'extraction de données et la mise à jour régulière des analyses et des rapports.

Défis communs et comment les relever

La réalisation d'une méta-analyse implique inévitablement des défis. Se préparer à des questions communes peut vous aider à les naviguer efficacement.

Traitement des rapports insuffisants dans les études primaires

Lorsqu'il est question de rapports incomplets, il faut d'abord vérifier les documents et annexes supplémentaires qui peuvent contenir des détails supplémentaires. Recherche de publications connexes de la même étude, comme des protocoles, des analyses secondaires ou des mémoires. Contactez les auteurs de l'étude pour demander des renseignements manquants – beaucoup sont disposés à fournir des données supplémentaires ou des éclaircissements. Si l'information demeure indisponible, documentez ce qui manque et envisagez des analyses de sensibilité pour examiner l'impact de l'exclusion des études contenant des données incomplètes.

Manipulation des plans d'étude hétérogéniques

La recherche psychologique comprend souvent divers modèles d'études traitant de questions semblables. Il faut tenir compte de la nécessité de combiner des études avec des modèles différents (p. ex., essais randomisés et études d'observation). Si vous incluez plusieurs modèles, envisagez de les analyser séparément ou en utilisant le design comme variable modérateur. Discutez des implications des différences de conception pour interpréter vos constatations.

Gestion de petits nombres d'études

Les méta-analyses comportant peu d'études sont confrontées à plusieurs défis : puissance statistique limitée, estimations peu fiables de l'hétérogénéité, incapacité à évaluer adéquatement les biais de publication et insuffisance des données pour les analyses des modérateurs. Lorsque vous avez peu d'études, soyez prudent dans vos interprétations, concentrez-vous sur la synthèse descriptive parallèlement à la mise en commun des statistiques, évitez les modèles statistiques complexes qui nécessitent des échantillons plus grands et reconnaissez clairement les limites de la petite taille de l'échantillon.

Remédier aux dimensions des effets dépendants

Les études font souvent état de résultats, de comparaisons ou de points de temps pertinents multiples, créant des dimensions d'effet dépendantes. La méta-analyse traditionnelle suppose l'indépendance, de sorte que toutes les tailles d'effet dépendantes peuvent biaiser les résultats. Les options pour gérer la dépendance comprennent le choix d'une taille d'effet par étude en fonction de règles pré-établies, la moyenne des dimensions d'effet dépendantes dans les études, l'utilisation d'estimations de variance robustes pour tenir compte de la dépendance, ou l'utilisation de méta-analyses multivariées ou à trois niveaux pour modéliser explicitement la structure de dépendance.

Logiciels et outils pour la méta-analyse

De nombreuses options logicielles sont disponibles pour effectuer des méta-analyses, chacune avec des forces différentes et des courbes d'apprentissage.

Emballages R pour la méta-analyse

R est un logiciel libre pour lequel une communauté large et active fournit continuellement de nouveaux paquets qui intègrent les derniers développements dans les techniques de méta-analyse. Les paquets clés comprennent métafor (méta-analyse complète avec des options de modélisation étendues), méta (interface conviviale pour les méta-analyses standard), dmetar (complète pour le guide "Doing Meta-Analyse in R") et métaSEM (méta-analyse de la modélisation structurelle).

R offre une flexibilité maximale et peut gérer des analyses complexes, mais nécessite des compétences en programmation et a une courbe d'apprentissage plus raide que le logiciel point-and-click.

Options de logiciels commerciaux

La Méta-analyse globale (CMA) est un logiciel commercial conçu spécifiquement pour la méta-analyse. Il offre une interface intuitive, des calculatrices de taille d'effet étendue et une sortie complète comprenant des graphiques prêts à être publiés. RevMan (Review Manager) est un logiciel libre développé par Cochrane pour effectuer des examens systématiques et des méta-analyses, particulièrement adaptés aux examens d'intervention.

Outils de gestion et de dépistage des études

Au-delà de l'analyse statistique, plusieurs outils peuvent aider à gérer le processus d'examen systématique. Covence est une plateforme Web pour les études de dépistage, l'extraction de données et l'évaluation de la qualité. DistillerSR offre des fonctionnalités similaires avec des options de personnalisation supplémentaires. Rayyan est un outil gratuit pour la sélection de titres et de résumés avec des fonctionnalités assistées par l'IA.

Considérations éthiques dans la méta-analyse

Bien que la méta-analyse ne fasse pas intervenir des participants humains directs, elle soulève plusieurs considérations éthiques que les chercheurs devraient aborder.

Éviter les rapports sélectifs et le hackage P

Tout comme la recherche primaire peut être affectée par des rapports sélectifs, les méta-analyses peuvent être biaisées si les chercheurs rapportent sélectivement des analyses qui appuient leurs hypothèses tout en supprimant des constatations non significatives ou contradictoires. Pré-enregistrez votre protocole de méta-analyse pour établir vos méthodes et analyses planifiées avant de voir les données. Signalez toutes les analyses planifiées, y compris celles qui n'ont pas donné de résultats significatifs.

Reconnaissance des conflits d'intérêts

Divulguer toute relation financière avec des organisations qui pourraient bénéficier de constatations particulières. Reconnaître si vous êtes auteurs d'études incluses et envisager de faire évaluer ces études par des examinateurs indépendants. Soyez transparents quant à tout engagement théorique ou professionnel qui pourrait influencer vos interprétations. Envisager d'avoir des membres d'équipe avec des perspectives diverses pour équilibrer les biais potentiels.

Respecter la propriété intellectuelle

Pour communiquer avec les auteurs pour obtenir des données supplémentaires, respectez leur propriété intellectuelle et toute préoccupation concernant le partage des données. Expliquez clairement comment vous utiliserez les données et offrez une reconnaissance ou une co-autorisation appropriée si de nouvelles données ou analyses substantielles sont fournies. Ne publiez pas les données individuelles des participants sans autorisation.

L'avenir de la méta-analyse en psychologie

Les méthodes méta-analytiques continuent d'évoluer, plusieurs tendances émergentes pouvant façonner l'avenir de la synthèse des données probantes en psychologie.

Intégration aux pratiques scientifiques ouvertes

Les méta-analyses futures comprendront probablement de plus en plus l'enregistrement préalable des protocoles, le partage ouvert des données et du code d'analyse, et la collaboration par le biais de cadres scientifiques ouverts. Comme d'autres études primaires partagent leurs données brutes, les méta-analyses IPD peuvent devenir plus réalisables. Les registres d'essais et les serveurs pré-impression faciliteront l'identification des études non publiées et la réduction des biais de publication.

Automatisation et apprentissage automatique

L'extraction de texte et le traitement du langage naturel peuvent aider à identifier les études pertinentes à partir de grandes bases de données. Les algorithmes d'apprentissage automatique peuvent aider à sélectionner les titres et les résumés, ce qui pourrait réduire le temps nécessaire à cette étape exigeante en main-d'oeuvre. Des outils automatisés d'extraction de données sont en cours de développement pour extraire des informations clés des rapports d'étude.

Innovations méthodologiques

Les méthodes de synthèse qualitative et quantitative s'améliorent, permettant une synthèse des données plus complète. Les techniques de traitement des données manquantes et le biais de publication continuent de progresser.

Ressources d'apprentissage et lectures supplémentaires

Le développement de l'expertise en méta-analyse nécessite un apprentissage et une pratique continus. De nombreuses ressources peuvent soutenir votre développement en tant que méta-analyse.

Manuels et guides essentiels

Plusieurs manuels détaillés fournissent des conseils détaillés sur les méthodes de méta-analyse. « Introduction à la méta-analyse » par Borenstein, Hedges, Higgins et Rothstein offre une introduction accessible avec des exemples pratiques. Le Manuel Cochrane pour les examens systématiques des interventions fournit des conseils faisant autorité, en particulier pour les examens liés à la santé. « Méta-analyse pratique » par Lipsey et Wilson se concentre sur les applications dans la recherche en sciences sociales.

Cours et ateliers en ligne

De nombreuses universités et organisations offrent des ateliers et des cours sur l'examen systématique et la méta-analyse. Cochrane offre des ateliers de formation dans le monde entier sur les méthodes d'examen systématique. Les conférences professionnelles en psychologie comprennent souvent des ateliers pré-conférence sur la méta-analyse.

Rester à jour avec les développements méthodologiques

Les méthodes d'analyse métalytique continuent d'évoluer, de sorte que la littérature méthodologique est importante.Les principales revues publiant des méthodes d'analyse méta-analytiques comprennent les méthodes de synthèse de la recherche, les revues systématiques et les méthodes psychologiques.

Conseils pratiques pour réussir

En se basant sur les expériences des méta-analyseurs chevronnés, plusieurs conseils pratiques peuvent augmenter vos chances de réussir une méta-analyse de haute qualité.

Commencez par une portée gérable

Si vous êtes nouveau à la méta-analyse, commencez par une question ciblée et un nombre gérable d'études. Les méta-analyses trop larges peuvent devenir écrasantes et peuvent être moins informatives que les synthèses ciblées. Vous pouvez toujours élargir la portée dans les travaux futurs une fois que vous avez acquis l'expérience des méthodes.

Construire une équipe forte

La méta-analyse prend du temps et bénéficie de la collaboration. Assemblez une équipe avec une expertise diversifiée, incluant des connaissances de contenu dans votre domaine de recherche, une expertise statistique et méthodologique en méta-analyse, et une expérience de recherche systématique et de sélection d'études.

Tout documenter

Conservez la documentation détaillée tout au long de votre méta-analyse. Conservez les dossiers de vos stratégies de recherche, des décisions de sélection, des formulaires d'extraction de données et du code d'analyse. Cette documentation est essentielle pour rédiger votre section des méthodes, répondre aux commentaires des évaluateurs et assurer la reproductibilité.

Planifiez-vous pour plus de temps que vous ne l'attendez

Meta-analyses almost always take longer than initially anticipated. Searching, screening, and data extraction are time-consuming. Obtaining full-text articles can involve delays. Contacting authors for additional information takes time. Statistical analysis may reveal unexpected complexities. Build realistic timelines with buffer time for unexpected challenges.

Rechercher des commentaires tôt et souvent

Faites part de votre protocole à vos collègues et mentors avant de commencer la collecte de données. Présentez vos conclusions préliminaires aux réunions ou conférences de laboratoire pour obtenir des commentaires sur vos interprétations. Envisagez de soumettre votre protocole à l'examen par les pairs par le biais de revues qui publient des protocoles.

Conclusion

La méta-analyse est devenue un outil indispensable en sciences psychologiques, fournissant une méthode rigoureuse et transparente pour synthétiser les résultats de recherche à travers plusieurs études. Lorsqu'elle est menée correctement, la méta-analyse offre des idées qui transcendent ce que toute étude peut fournir, en identifiant les modèles globaux d'effets, en résolvant les contradictions apparentes dans la littérature et en révélant des facteurs qui modèrent les phénomènes psychologiques.

Pour mener une méta-analyse avec succès, il faut prêter une attention particulière à chaque étape du processus : formuler une question de recherche claire, effectuer des recherches documentaires exhaustives, choisir et évaluer systématiquement des études, extraire des données avec exactitude, choisir des méthodes statistiques appropriées et interpréter les constatations de façon réfléchie.

Bien que la méta-analyse présente des défis méthodologiques, allant de la gestion d'études hétérogènes à la lutte contre les biais de publication, ces défis peuvent être gérés par une planification minutieuse, des techniques statistiques appropriées et des rapports transparents. L'investissement de temps et d'efforts requis pour une méta-analyse de qualité est important, mais le rendement en termes de progrès des connaissances scientifiques et de pratiques d'information est tout aussi important.

À mesure que la science psychologique se développe et que le volume de la littérature scientifique augmente, l'importance de la synthèse systématique des données probantes ne fera qu'augmenter. Les chercheurs qui développent des compétences en méthodes méta-analytiques se positionnent pour apporter une contribution importante à leurs domaines, aider à consolider les connaissances, identifier les lacunes de la recherche et guider les recherches futures.

Le domaine de la méta-analyse continue d'évoluer, avec de nouvelles méthodes et de nouveaux outils qui se développent constamment pour répondre aux limitations et accroître les capacités. En restant à l'affût des développements méthodologiques, en adoptant des pratiques scientifiques ouvertes et en maintenant des normes rigoureuses de transparence et de reproductibilité, les chercheurs peuvent s'assurer que leurs méta-analyses contribuent de façon significative à l'augmentation cumulative des connaissances psychologiques.

Pour ceux qui se lancent dans leur première méta-analyse, rappelez-vous que l'expertise se développe par la pratique et l'apprentissage de l'expérience. Commencez par un projet gérable, demandez des conseils à des méta-analystes expérimentés et ne soyez pas découragés par les défis inévitables que vous rencontrerez. Les compétences que vous développez en menant des méta-analyses – évaluation critique de la recherche, pensée systématique, analyse statistique avancée et synthèse des données – vous serviront bien tout au long de votre carrière de recherche, que la méta-analyse devienne une priorité ou demeure un outil parmi beaucoup dans votre trousse d'outils méthodologiques.

Pour en savoir plus sur la méthodologie de l'examen systématique, consultez le site Web de la formation [Cochrane [ pour obtenir des ressources et du matériel de formation complets.Pour obtenir des conseils détaillés sur les normes de rapport, consultez le site Web de la déclaration de .La collaboration entre les équipes de Campbell[ offre d'excellentes ressources pour les méta-analyses en sciences sociales, en éducation et en justice pénale.

En maîtrisant les principes et les pratiques décrits dans ce guide, vous serez bien outillé pour réaliser des méta-analyses qui font progresser la science psychologique, informent la pratique fondée sur des données probantes et contribuent au développement cumulatif des connaissances dans votre domaine. Le parcours du novice au méta-analyseur expert exige dévouement et persévérance, mais la capacité de synthétiser des résultats de recherche complexes et d'extraire des idées significatives du travail collectif de nombreux chercheurs est une compétence précieuse et enrichissante qui améliorera votre contribution à la science psychologique.