Table of Contents

La compréhension de la recherche psychologique exige plus que de simplement examiner si un résultat est statistiquement significatif.La taille des effets est une mesure cruciale qui aide les chercheurs, les étudiants et les praticiens à mesurer l'importance pratique des résultats de l'étude.Bien que les valeurs p nous indiquent si un effet existe, la taille des effets révèle à quel point cet effet est significatif dans les applications réelles.

Quelle est la taille de l'effet?

Contrairement aux valeurs p, qui indiquent seulement si un effet existe et la probabilité que les résultats se produisent par hasard, les tailles d'effet nous indiquent à quel point cet effet est important ou significatif en termes réels. La taille d'effet vous indique à quel point la relation entre les variables ou la différence entre les groupes est significative, ce qui indique la signification pratique d'un résultat de recherche.

Les dimensions des effets quantifient les résultats des études empiriques et fournissent ainsi la réponse essentielle à la question de recherche. Elles servent d'outil complémentaire aux tests d'hypothèses statistiques et jouent un rôle important dans la détermination de la taille des échantillons pour les nouvelles expériences.

La distinction entre signification statistique et signification pratique

L'un des concepts les plus importants pour comprendre la taille des effets est la distinction entre la signification statistique et la signification pratique. Bien que la signification statistique montre qu'un effet existe dans une étude, la signification pratique montre que l'effet est suffisamment important pour être significatif dans le monde réel.

Un coefficient de corrélation Pearson de 0,01 est statistiquement significatif si la taille de l'échantillon est de 1000. La déclaration de la valeur significative de p de cette analyse pourrait être trompeuse si une corrélation de 0,01 est trop petite pour être intéressante pour une application donnée. Cet exemple illustre pourquoi les chercheurs doivent déclarer et interpréter la taille des effets en même temps que les valeurs de p pour donner une image complète de leurs constatations.

La déclaration des effets devrait aller au-delà du simple fait de compléter un test de signification par une mesure des effets normalisée, car la déclaration des effets sans interprétation ne permet pas de savoir si les effets ont une importance fondamentale ou comment ils se comparent aux effets précédemment signalés.

Types d'effets dans la recherche psychologique

Les chercheurs en psychologie utilisent diverses mesures de la taille des effets selon leur conception de la recherche et le type de données à analyser. La compréhension des différents types de tailles des effets et le moment où les utiliser est essentiel pour mener et interpréter la recherche.

Tailles des effets normalisées par rapport aux effets non normalisés

Les tailles d'effet non normalisées fournissent des informations en termes absolus, en termes de valeurs des échelles utilisées, et sont donc généralement faciles à interpréter. Les tailles d'effet normalisées, par contre, sont un élément d'information relatif avec l'avantage qu'elles sont exemptes d'unités arbitraires. Cependant, comme beaucoup de tailles d'effet couramment utilisées prennent en compte la variance, ils comportent le risque d'être mal interprétés ou surinterprétés.

Les mesures normalisées de la taille des effets sont généralement utilisées lorsque les paramètres des variables étudiées n'ont pas de signification intrinsèque, comme un score sur un test de personnalité à une échelle arbitraire. Dans les méta-analyses, les mesures normalisées des effets sont utilisées comme une mesure commune qui peut être calculée pour différentes études puis combinée en un résumé général.

Cohen's d

Cohen's d est l'une des mesures de taille d'effet les plus utilisées dans la recherche psychologique. Cohen's d est conçu pour comparer deux groupes. Il prend la différence entre deux moyens et l'exprime en unités d'écart-type, vous indiquant combien d'écarts-types se trouvent entre les deux moyens.

Ces statistiques sont généralement présentées comme une différence moyenne normalisée (d ou g de Cohen) ou comme la force d'association (r de Pearson) entre deux groupes ou variables. Le calcul de Cohen's d consiste à diviser la différence entre deux groupes par une mesure de l'écart type, bien qu'il y ait plusieurs variantes au sein de la famille d de Cohen selon l'écart type utilisé.

Le d de Cohen est souvent utilisé pour estimer la taille des échantillons pour les essais statistiques. Le d de Cohen inférieur indique la nécessité de tailles d'échantillons plus grandes, et vice versa, comme on peut ensuite le déterminer en même temps que les paramètres additionnels du niveau de signification désiré et de la puissance statistique.

Coefficient de corrélation (r)

Le coefficient de corrélation (r) de Pearson indique la force et la direction d'une relation linéaire entre deux variables. Les valeurs varient de -1 à +1, les valeurs se rapprochant de ces extrêmes indiquant des relations plus fortes. Une valeur positive signifie que les deux variables augmentent ou diminuent ensemble, tandis qu'une valeur négative indique une relation inverse.

Le coefficient de corrélation est particulièrement utile dans la recherche sur les différences individuelles, où les chercheurs examinent comment les variables covaires entre les individus. Il fournit à la fois de l'information sur l'ampleur et la direction, ce qui en fait une mesure polyvalente de la taille des effets pour de nombreuses études psychologiques.

Eta carré (η2) et partiellement carré (en ETA)

Eta carré représente la proportion de variance dans une variable dépendante qui est expliquée par une variable indépendante dans les tests ANOVA. Il répond à la question : « Quel pourcentage de la variabilité totale du résultat peut-on attribuer au facteur étudié ? » L'eta carré partiel est une mesure connexe qui tient compte de la variance expliquée par un facteur spécifique tout en contrôlant d'autres facteurs du modèle.

Ces mesures sont particulièrement utiles dans les plans expérimentaux comportant plusieurs groupes ou facteurs, car elles fournissent des renseignements sur l'importance relative des différentes variables pour expliquer la variance des résultats.

Autres mesures de la taille des effets

Au-delà de ces mesures communes, les chercheurs en psychologie peuvent utiliser divers autres indicateurs de taille d'effet selon leur contexte de recherche particulier, notamment les rapports de cotes pour les résultats catégoriques, les rapports de risque pour les études épidémiologiques et diverses mesures pour les tests chicarrés tels que le coefficient de Phi et le V de Cramér.

Pourquoi la taille des effets est-elle importante dans la recherche psychologique?

La taille des effets fournit un contexte essentiel à l'importance statistique que les valeurs p ne peuvent à elles seules offrir.

Contexte des résultats statistiques

Une étude pourrait constater une différence statistiquement significative entre deux groupes, mais si l'effet est faible, la différence réelle pourrait être négligeable dans la pratique. Inversement, une grande différence d'effet indique une différence significative qui pourrait influencer la pratique et la politique psychologiques, même si l'on n'obtient pas une signification statistique en raison de la petite taille de l'échantillon.

La taille des effets peut fournir des renseignements supplémentaires précieux concernant un résultat d'essai que les tests traditionnels de signification d'hypothèse nulle ne peuvent pas, comme l'ampleur d'une différence ou d'une association.

Faciliter la méta-analyse et la synthèse de la recherche

Les calculs de la taille des effets sont fondamentaux pour la méta-analyse, qui vise à fournir la taille combinée des effets à partir de données provenant de plusieurs études. En standardisant les résultats de différentes études, la taille des effets permet aux chercheurs de synthétiser les résultats de plusieurs études, d'identifier les modèles et de tirer des conclusions plus solides que n'importe quelle étude ne pourrait le faire.

Les méta-analyses sont devenues de plus en plus importantes en sciences psychologiques comme méthode pour répondre aux préoccupations de réplication et établir la fiabilité des effets dans différents contextes, populations et méthodologies.

Améliorer la conception des études et la puissance statistique

Les dimensions des effets jouent un rôle important dans les analyses statistiques de puissance pour évaluer la taille de l'échantillon nécessaire pour les nouvelles expériences. En augmentant la puissance statistique en fonction des tailles d'effets attendues, les chercheurs peuvent être convaincus que les effets réels sont détectables et que les résultats sont reproductibles dans toutes les études.

La compréhension de la taille des effets typiques dans un domaine de recherche aide les chercheurs à concevoir des études bien étayées, réduisant ainsi le risque de faux positifs et de faux négatifs, ce qui est particulièrement important compte tenu des préoccupations relatives aux échecs de réplication en sciences psychologiques.

Communiquer l'importance pratique

Les dimensions des effets aident les chercheurs à communiquer l'importance pratique de leurs résultats à divers publics, y compris les praticiens, les décideurs et le grand public.

Par exemple, en psychologie clinique, la taille des effets peut être convertie en mesures comme le nombre nécessaire pour traiter (NNT), ce qui indique aux praticiens combien de patients devraient recevoir un traitement pour un patient supplémentaire afin de bénéficier d'un traitement par rapport à un état témoin.

Interprétation des dimensions de l'effet : lignes directrices et considérations

Il est essentiel d'interpréter de façon appropriée la taille des effets pour tirer des conclusions valables de la recherche.

Lignes directrices conventionnelles de Cohen

Cohen (1988, 1992) a fourni des lignes directrices pour l'interprétation de ces valeurs : les valeurs de 0,20, 0,50 et 0,80 pour les g de Cohen et de Hedges sont généralement considérées comme indiquant des effets petits, moyens et importants (respectivement 10, 30 et 0,50 pour les r de Pearson).

Ces repères sont devenus largement utilisés dans les sciences du comportement.

  • Petit effet: environ 0,2
  • Effet moyen: environ 0,5
  • Effet important: environ 0,8 ou plus

Pour les coefficients de corrélation (r):

  • Petit effet: environ 0,1
  • Effet moyen: environ 0,3
  • Effet important: environ 0,5 ou plus

Limitations des directives universelles

Cohen lui-même a mis en garde contre l'application rigide de ces lignes directrices. Comme Cohen l'a dit lui-même : les conventions ne sont « pas plus fiables que ma propre intuition ». Cohen a mis en garde : « Les termes « petite », « moyenne » et « grande » sont relatifs, non seulement à l'un de ces deux, mais au domaine de la science comportementale ou encore plus particulièrement au contenu spécifique et à la méthode de recherche utilisée dans une enquête donnée. Face à cette relativité, il existe un certain risque inhérent à l'offre de définitions opérationnelles conventionnelles pour ces termes pour l'utilisation dans l'analyse de puissance dans un domaine aussi diversifié de l'enquête que la science comportementale.

Si les conventions sont utilisées du tout, elles devraient être spécifiques au domaine et au sujet. Plus précisément, les conventions qui divisent les dimensions des effets en catégories telles que les petites ou grandes ne sont valables que dans le contexte d'études avec des constructions comparables, des questions comparables et des variances comparables liées à la personne.

Points de référence spécifiques et empiriques

Des recherches récentes ont permis d'élaborer des repères empiriques de la taille des effets dans des domaines précis de la psychologie, révélant que les lignes directrices de Cohen ne sont peut-être pas appropriées dans tous les contextes. Les interprétations de la taille des effets dépendent du contexte, et les lignes directrices proposées par Jacob Cohen pour ce qui représente un effet faible, moyen et important ne sont pas susceptibles de convenir à une gamme variée de populations et d'interventions de recherche.

Par exemple, les recherches suggèrent que les lignes directrices de Cohen pourraient surestimer les dimensions moyennes des effets en gérontologie, ce qui peut donner lieu à des calculs de la taille de l'échantillon et à des interprétations des tailles d'effets observées qui ne sont pas nécessairement appropriées pour le domaine. Études sur les tailles d'effets observées de Pearson r = .12, .20 et .32 (pour la recherche sur les différences individuelles) et de Hedges g = 0,16, 0,38 et 0,76 (pour la recherche sur les différences de groupe).

De même, dans la recherche sur les processus et les résultats de la psychothérapie, les percentiles dérivés de modèles ont montré que les critères de Cohen étaient trop conservateurs, le 25e centile étant de .12, 50e centile = 26 et 75e centile = 39. D'après ces résultats, les chercheurs suggèrent les points de repère .10, .25 et .40 pour les petits, modérés et grands effets.

Autres cadres d'interprétation

Certains chercheurs proposent que, lorsqu'on estime de façon fiable la taille de l'effet r de 0,05, on indique un effet très faible pour l'explication d'événements uniques, mais potentiellement corrélatif à un court terme, un effet r de 10 indique un effet encore petit au niveau d'événements uniques, mais potentiellement plus corrélatif, un effet r de 0,20 indique un effet moyen qui est d'une certaine utilité explicative et pratique même à court terme et donc encore plus important, et un effet r de 30 indique un effet important qui est potentiellement puissant à court et à long terme. Une taille de l'effet très grande (r = 0,40 ou plus) dans le contexte de la recherche psychologique est susceptible d'être une surestimation brute qui sera rarement trouvée dans un grand échantillon ou dans une réplication.

La taille des effets peut être évaluée utilement en les comparant à des repères bien compris ou en les considérant en termes de conséquences concrètes.Cette approche encourage les chercheurs à penser au-delà des seuils arbitraires et à considérer les implications réelles de leurs résultats.

Défis communs en matière d'interprétation de la taille des effets

Malgré l'importance de la taille des effets, les chercheurs doivent faire face à plusieurs défis pour les interpréter et les signaler de façon appropriée.

Surdépendance à l ' égard des conventions

Bien que la taille des effets soit presque toujours signalée, elle est le plus souvent signalée sous forme normalisée et les conventions sont le plus souvent utilisées pour les interpréter, le plus souvent celles de Cohen (1988).

La recherche suggère que la majorité des chercheurs en psychologie attribuent plus de signification à la taille des effets standardisés qu'elle ne le fait réellement, ce qui peut conduire à une surconfiance dans les résultats ou à une mauvaise compréhension de leurs implications pratiques.

Manque d'interprétation

Bien que de nombreuses revues exigent maintenant que les dimensions des effets soient signalées, et les chercheurs respectent habituellement cette exigence avec constance, ils ignorent souvent les dimensions des effets autrement. Lorsque les chercheurs tirent des implications de la taille des effets, les interprétations qu'ils offrent sont, le plus souvent, superficielles, non informatives, trompeuses ou complètement erronées.

Les chercheurs devraient expliquer ce que signifie la taille de l'effet dans le contexte de leur question de recherche spécifique, comment elle se compare aux résultats antérieurs et quelles sont les implications pratiques qu'elle comporte.

Confusion entre effets normalisés et effets non normalisés

Il est recommandé d'accorder plus d'importance aux effets non normalisés lorsqu'on interprète les résultats empiriques. Les effets non normalisés, exprimés dans les unités de mesure originales, sont souvent plus interprétables et significatifs que les effets normalisés, particulièrement lorsque les échelles de mesure ont un sens inhérent.

Par exemple, signaler qu'un traitement a réduit les scores de dépression de 5 points sur une échelle bien connue peut être plus significatif pour les praticiens que de déclarer un d de Cohen de 0,5, surtout s'ils sont familiers avec ce que les différents niveaux de score signifient cliniquement.

Inflation de la taille des effets et des biais de publication

Le biais de publication, où les études ayant des résultats statistiquement significatifs sont plus susceptibles d'être publiées que celles ayant des résultats nuls, peut conduire à des estimations de la taille des effets gonflés dans la littérature publiée, ce qui signifie que la taille des effets des études publiées peut surestimer les effets réels sur la population, ce qui rend important pour les chercheurs d'envisager cette possibilité lors de l'interprétation des résultats et de la planification des études.

Les méta-analyses qui expliquent le biais de publication par des méthodes comme l'analyse des parcelles entonnoires et les procédures de triage et de remplissage peuvent fournir des estimations plus précises de la taille réelle des effets dans un domaine de recherche.

Pratiques exemplaires pour la déclaration et l'interprétation des effets

Pour maximiser la valeur de la déclaration de la taille des effets dans la recherche psychologique, les chercheurs devraient suivre plusieurs pratiques exemplaires qui améliorent la transparence, l'interprétation et l'utilité de leurs résultats.

Toujours signaler les tailles d'effet

La taille des effets devrait être indiquée pour toutes les analyses primaires, et non seulement pour celles qui ont une importance statistique. La taille des effets pour les constatations non significatives fournit des renseignements précieux sur l'ampleur des effets et aide à prévenir les biais dans la publication.

Fournissez des intervalles de confiance

Les intervalles de confiance qui sont établis pour les estimations de la taille des effets fournissent des renseignements sur la précision de l'estimation et sur l'étendue des valeurs plausibles de l'effet réel sur la population.

Utiliser des repères spécifiques au champ lorsque disponibles

Les analyses de puissance et les interprétations de la taille des effets devraient être basées sur des recherches empiriques. Lorsque des repères spécifiques à un domaine ou à un sujet particulier sont disponibles, les chercheurs devraient utiliser ces conventions plutôt que des conventions génériques.

Les chercheurs peuvent contribuer à l'élaboration de ces repères en effectuant des examens et des méta-analyses systématiques qui documentent la taille des effets typiques dans leurs domaines d'étude.

Considérer les cadres d'interprétation multiples

Plutôt que de se fier uniquement aux repères conventionnels, les chercheurs devraient interpréter la taille des effets à l'aide de plusieurs cadres, ce qui pourrait comprendre la comparaison des effets avec les résultats antérieurs dans le même domaine, en tenant compte des conséquences pratiques de l'effet, la traduction des effets normalisés en mesures non normalisées et l'évaluation des effets en fonction de leur importance théorique.

Signaler les effets normalisés et non normalisés

Les effets normalisés facilitent la comparaison entre les études et sont essentiels pour la méta-analyse, tandis que les effets non normalisés sont souvent plus interprétables et plus significatifs pour des applications pratiques.

Contextealiser les dimensions de l'effet

L'interprétation efficace exige de placer la taille des effets dans un contexte donné.Les chercheurs devraient discuter de la façon dont leur taille des effets se compare aux résultats antérieurs, de ce qu'ils signifient pour le développement de la théorie et des implications pratiques qu'ils comportent.

Taille de l'effet dans les différents modèles de recherche

Les différents modèles de recherche exigent des approches différentes pour calculer et interpréter la taille des effets. La compréhension de ces distinctions aide les chercheurs à choisir les mesures appropriées et à les interpréter correctement.

Conceptions expérimentales

Dans les recherches expérimentales comparant des groupes, les g de Cohen ou de Hedges sont généralement utilisés pour quantifier la différence normalisée entre les groupes. Ces mesures sont particulièrement utiles pour comparer les effets du traitement entre différentes études ou interventions. Les chercheurs devraient envisager d'utiliser des écarts types groupés, des écarts types de groupe témoin ou d'autres variantes selon leur conception et leurs questions de recherche spécifiques.

Conceptions corrélées

Pour les recherches de corrélation portant sur les relations entre les variables, le r de Pearson ou le rho de Spearman sont des mesures de la taille des effets, qui fournissent des renseignements sur la force et la direction des relations.

Conceptions factorielles

Dans les plans factoriels ANOVA, on utilise généralement l'éta au carré partiel pour indiquer la proportion de variance expliquée par chaque facteur tout en contrôlant d'autres facteurs. Les chercheurs doivent indiquer la taille des effets pour les principaux effets et interactions, car ces derniers fournissent des renseignements complémentaires sur l'importance des différents facteurs et de leurs combinaisons.

Conceptions longitudinales et multiniveaux

Les modèles longitudinaux et à plusieurs niveaux présentent des défis uniques pour le calcul et l'interprétation de la taille des effets. Les chercheurs peuvent avoir besoin de tenir compte de la taille des effets à différents niveaux d'analyse (p. ex. effets au sein de la personne par rapport à ceux entre la personne) et de tenir compte de la structure imbriquée des données.

Taille de l'effet et puissance statistique

Il est essentiel de comprendre la relation entre la taille des effets et la puissance statistique pour concevoir des études bien équipées qui permettent de détecter des effets significatifs.

Le triangle d'analyse de puissance

La puissance statistique est déterminée par l'interaction de trois facteurs : la taille de l'échantillon, le niveau alpha (seuil d'importance) et la taille de l'effet. Lorsqu'ils planifient une étude, les chercheurs fixent habituellement le niveau alpha (habituellement 0,05) et le niveau de puissance désiré (habituellement 80), puis utilisent les tailles d'effet prévues pour déterminer la taille de l'échantillon requise.

Choix des dimensions d'effet pour l'analyse de puissance

Il est essentiel de choisir les dimensions d'effet appropriées pour les analyses de puissance a priori.Les chercheurs devraient fonder ces estimations sur des recherches antérieures dans le même domaine lorsque cela est possible, plutôt que de se fier à des repères conventionnels.

Analyse de sensibilité

L'analyse de sensibilité consiste à déterminer la taille minimale de l'effet qu'une étude peut détecter avec une puissance suffisante compte tenu de la taille de l'échantillon et du niveau alpha. Cette approche est utile lorsque la taille de l'échantillon est limitée par des considérations pratiques, car elle aide les chercheurs à comprendre l'ampleur des effets que leur étude peut détecter de façon fiable et à déterminer si cette mesure correspond à leurs objectifs de recherche.

Taille de l'effet dans la méta-analyse

La méta-analyse repose fondamentalement sur la taille des effets pour synthétiser les résultats de plusieurs études. Comprendre comment la taille des effets fonctionne dans la méta-analyse aide les chercheurs à réaliser et à interpréter ces synthèses importantes.

Combinaison des dimensions des effets

La méta-analyse combine les dimensions des effets de plusieurs études pour estimer un effet global.Ce processus consiste à pondérer les tailles des effets individuels par leur précision (généralement en fonction de la taille de l'échantillon), avec des estimations plus précises recevant un poids plus important. La taille des effets groupés qui en résulte fournit une estimation plus stable et plus généralisable que n'importe quelle étude.

Hétérogénéité dans les dimensions d'effet

Les méta-analyses examinent l'hétérogénéité des valeurs d'effet entre les études afin de déterminer si les effets sont cohérents ou varient systématiquement. L'hétérogénéité élevée suggère que les valeurs d'effet diffèrent entre les études, potentiellement en raison de variables modératrices comme les caractéristiques de la population, les caractéristiques d'intervention ou les différences méthodologiques.

Évaluation des écarts de publication

Les méta-analyses devraient évaluer et corriger les biais de publication, qui peuvent gonfler les estimations de la taille des effets groupés. Des méthodes comme les parcelles entonnoires, les tests d'Egger et les procédures de triage et de remplissage aident à identifier et à ajuster pour l'impact potentiel d'études non publiées avec des effets nuls ou minimes.

Applications pratiques des connaissances sur la taille des effets

La compréhension de la taille des effets a des applications pratiques importantes pour les divers intervenants en recherche et en pratique psychologiques.

Pour les chercheurs

Les chercheurs peuvent utiliser les connaissances sur la taille des effets pour concevoir de meilleures études, interpréter les résultats de façon plus précise et communiquer les résultats de façon plus efficace.

Pour les praticiens

Les psychologues, les conseillers et les autres praticiens cliniques peuvent utiliser la taille des effets pour évaluer l'impact probable de différentes interventions et prendre des décisions de traitement fondées sur des données probantes.

Pour les étudiants

Les étudiants qui apprennent les méthodes de recherche profitent de la compréhension de la taille des effets lorsqu'ils développent des compétences de pensée critique pour évaluer la recherche.

Pour les décideurs

Les décideurs peuvent utiliser l'information sur la taille des effets pour évaluer l'impact potentiel des interventions et des programmes lorsqu'ils prennent des décisions en matière de financement et de mise en oeuvre.

Erreurs courantes au sujet de la taille de l'effet

Plusieurs idées fausses sur la taille des effets persistent dans la recherche psychologique.

Erreur de conception 1 : Les dimensions des effets les plus grands sont toujours meilleures

Bien que la taille des effets importants indique des relations ou des différences fortes, ils ne sont pas toujours souhaitables ou attendus.Dans certains contextes de recherche, les effets mineurs peuvent être théoriquement significatifs et pratiquement importants, surtout lorsqu'ils s'accumulent au fil du temps ou touchent de grandes populations.

Erreur de conception 2 : Les dimensions des effets sont indépendantes de la taille de l'échantillon

Bien que la taille des effets soit conçue de façon à être indépendante de la taille de l'échantillon en théorie, dans la pratique, les estimations de la taille des effets peuvent être influencées par la taille de l'échantillon par divers mécanismes.

Erreurs de conception 3: Les repères de Cohen s'appliquent universellement

Comme nous l'avons déjà mentionné, les critères de référence conventionnels de Cohen n'ont jamais été conçus comme des normes universelles, car ils constituent un point de départ où il n'existe pas de meilleure information, mais une interprétation spécifique au champ et propre au contexte est préférable.

Erreur de conception 4 : Les dimensions normalisées des effets sont toujours plus utiles

Bien que les tailles d'effet normalisées facilitent la comparaison entre les études, les effets non normalisés sont souvent plus interprétables et utiles pour des applications pratiques. Le choix entre les effets normalisés et non normalisés devrait dépendre de l'objectif de l'analyse et de l'auditoire pour les résultats.

L'avenir de la taille des effets dans la recherche psychologique

Le rôle de la taille des effets dans la recherche psychologique continue d'évoluer à mesure que le terrain est aux prises avec des défis de réplication et cherche à améliorer les pratiques de recherche.

L'accent mis sur l'estimation des résultats des essais

On observe une tendance croissante à l'adoption d'approches fondées sur l'estimation qui mettent l'accent sur la taille des effets et les intervalles de confiance par rapport aux essais traditionnels de signification des hypothèses nulles.

Élaboration de repères spécifiques aux zones

Comme de plus en plus de chercheurs reconnaissent les limites des repères universels, les efforts visant à élaborer des lignes directrices d'interprétation spécifiques à un domaine donné et à un sujet particulier augmentent, et ces repères empiriques fournissent des points de référence plus appropriés pour interpréter la taille des effets dans des contextes de recherche précis.

Intégration aux pratiques scientifiques ouvertes

La déclaration de la taille des effets s'intègre à des pratiques scientifiques ouvertes plus larges, notamment l'enregistrement préalable, les données ouvertes et la transparence des rapports, ce qui accroît la crédibilité et l'interprétation des estimations de la taille des effets en réduisant les possibilités de déclaration sélective et de p-hacking.

Mesures avancées de la taille des effets

Les chercheurs continuent d'élaborer de nouvelles mesures de la taille des effets pour des conceptions de recherche complexes et des applications spécifiques, ce qui aide les chercheurs à quantifier les effets de façon de plus en plus sophistiquée, ce qui permet de mieux saisir la complexité des phénomènes psychologiques.

Ressources pour en apprendre davantage sur les dimensions des effets

Pour ceux qui souhaitent approfondir leur compréhension de la taille des effets, de nombreuses ressources sont disponibles. Les manuels statistiques consacrés à la taille des effets offrent une couverture complète des différentes mesures et de leurs applications. Calculatrices en ligne et progiciels facilitent le calcul et l'interprétation de la taille des effets.

Les programmes de formation en méta-analyse fournissent des instructions détaillées sur le travail avec les tailles d'effet dans plusieurs études. Des tutoriels en ligne et des outils de visualisation aident à construire l'intuition sur ce que les différentes tailles d'effet signifient en termes pratiques.

Les revues universitaires se concentrant sur les méthodes de recherche publient régulièrement des articles sur le calcul, l'interprétation et la production de rapports sur la taille des effets.

Conclusion

La taille des effets est un élément essentiel de la recherche psychologique qui complète les tests de signification statistique et fournit des renseignements essentiels sur l'ampleur et l'importance pratique des résultats de la recherche. En se concentrant sur l'ampleur des effets plutôt que sur leur importance statistique, les psychologues, les éducateurs, les étudiants et les praticiens peuvent mieux interpréter l'importance des résultats de la recherche et prendre des décisions éclairées fondées sur des données probantes.

La compréhension de la taille des effets exige de dépasser l'application simpliste des repères conventionnels pour tenir compte des facteurs propres au contexte, des normes propres au champ et des répercussions pratiques.Les chercheurs devraient signaler les dimensions des effets de façon systématique, les interpréter avec soin et communiquer clairement leur sens à divers publics.

La signification de la taille des effets va au-delà des considérations statistiques techniques aux questions fondamentales sur ce qui rend les résultats de la recherche significative et utile. En adoptant la pensée de la taille des effets, la communauté de recherche psychologique peut produire des connaissances plus interprétables, répliquables et pratiquement précieuses qui font progresser la compréhension scientifique et les applications réelles.

Pour plus d'information sur les méthodes statistiques et la conception de la recherche, consultez l'outil de visualisation de Cohen de l'American Psychological Association[. Pour explorer les visualisations interactives de tailles d'effet, consultez R L'outil de visualisation de Cohen du psychologue.