Analyse de Données Qualitatives - Krief Et Zardet

Analyse de données qualitatives et recherche-intervention
Nathalie Krief, Véronique Zardet

Dans Recherches en Sciences de Gestion 2013/2 (N° 95), pages 211 à 237
Éditions ISEOR
ISSN 2259-6372
DOI 10.3917/resg.095.0211
© ISEOR | Téléchargé le 20/06/2023 sur www.cairn.info via Conservatoire National des Arts et Métiers (IP: 163.173.128.143)
Article disponible en ligne à l’adresse

https://www.cairn.info/revue-recherches-en-sciences-de-gestion-2013-2-page-211.htm
Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Flashez ce QR Code pour accéder à la page de ce numéro sur Cairn.info.
Distribution électronique Cairn.info pour ISEOR.

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les limites des conditions générales d'utilisation du site ou, le
cas échéant, des conditions générales de la licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie, sous quelque
forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est
précisé que son stockage dans une base de données est également interdit.
revue Recherches en Sciences de Gestion-Management Sciences-Ciencias de
Gestión, n°95, p. 211 à 237
Analyse de données qualitatives et

recherche-intervention
Nathalie Krief
Maître de Conférences
ISEOR, Magellan
IAE Lyon, Université Jean Moulin
Véronique Zardet
Professeur
ISEOR, Magellan
IAE Lyon, Université Jean Moulin
Cet article met en évidence les spécificités des données

qualitatives et les particularités inhérentes à leur traitement dans une
méthodologie de recherche-intervention, en vue d’étudier la
contribution possible des logiciels d’analyse de données qualitatives
au traitement des informations. Il s’appuie sur une étude comparée
des apports et limites de deux logiciels : Segese et Nvivo.
Mots-clés : Recherche-intervention, données qualitatives, effet-miroir,

logiciels, codage et traçabilité.
This article highlights specificities of qualitative data and

peculiarities of their treatment in an intervention-research
methodology, to explore the possible contribution of software for
analyzing qualitative data processing. It is based on a comparative
study of the benefits and limitations of two software: Segese and
Nvivo.
212 Nathalie KRIEF & Véronique ZARDET
Key-words: Intervention-research, qualitative data, mirror-effect,

software, coding and traceability.
Este artículo pone en evidencia las especificidades de los datos

cualitativos y las particularidades inherentes a su tratamiento en una
metodología de investigación-intervención, con vistas a estudiar la
contribución posible de los softwares de análisis de datos cualitativos
al tratamiento de las informaciones. Se apoya en un estudio
comparativo de las aportaciones y los límites de dos softwares:
Segese y Nvivo.
Palabras claves: Investigación-intervención, datos cualitativos,

efecto-espejo, softwares, codificación y trazabilidad.
Introduction
La littérature en gestion comporte de nombreuses publications

sur les méthodes de recherche qualitative. Depuis les années 1970, des
logiciels d’analyse ont progressivement émergé pour faciliter le
traitement des données qualitatives. Leur création s’est inscrite dans le
conflit historique « qualitatif/quantitatif ». Les chercheurs du courant
qualitativiste, tout en ne disposant pas d’outils et de méthodes
analogues à ceux du courant quantitativiste, n’en ont pas moins
cherché à instaurer le principe de rigueur dans le recueil et
l’exploitation de leurs matériaux (Duyck, 2001 ; Savall, Zardet,
Bonnet et Péron, 2008).
Cet article vise à mettre en évidence les spécificités des données
qualitatives et de leur traitement dans une recherche-intervention.
Puis, il analyse la contribution possible des logiciels d’analyse de
données qualitatives au traitement des informations collectées dans
une recherche-intervention, en s’appuyant sur l’abondante littérature
disponible relative à l’étude comparée de ces logiciels (Duyck, 2001 ;
Helme-Guizon et Gavard-Perret, 2004 ; Wanlin, 2007 ; Fallery et
Rodhain, 2007…), et sur la pratique du logiciel Segese conçu pour
accompagner la conduite de recherches-interventions.
Après avoir présenté les particularités des données qualitatives
dans la recherche-intervention, nous étudions les modalités et
conditions d’utilisation des logiciels pour soutenir l’analyse de ces
ANALYSE DE DONNÉES QUALITATIVES ET RECHERCHE-INTERVENTION 213
données. Puis nous étudions les apports et limites respectives des

logiciels Segese et Nvivo.
1. – Particularités des données qualitatives dans la

recherche-intervention
L’objectif de cette partie est de situer la place des données

qualitatives dans les méthodes opératoires utilisées lors d’une
recherche-intervention. Nous présentons dans un premier temps les
principes généraux de la recherche-intervention avant de qualifier et
d’analyser les données qui y sont collectées.
1.1. Méthodologie de la recherche-intervention

1.1.1. Principes généraux
Les méthodes de recherche-intervention s’inscrivent dans une

triple perspective : décrire, expliquer et transformer l’objet de
recherche pour mieux le connaître (Savall, 1978 ; Moisdon, 1984 ;
Avenier, 1989 ; Savall et Zardet, 1996, 2004 ; David, 2000 ; Plane,
2000). Elles s’appuient sur l’idée qu’il n’est possible d’appréhender le
fonctionnement d’une organisation « qu’en y pénétrant, en y
intervenant et, par conséquent, en la modifiant » (Moisdon, 2010, p.
213). Elles s’opposent aux recherches de nature « contemplative », en
visant délibérément l’appropriation et l’utilisation, par les praticiens
de l’entreprise, d’une partie des connaissances co-produites avec le
chercheur. Elles visent à donner du sens, en allant au-delà de la
description, par l’explication et la théorisation (Royer, Baribeau et
Duchesne, 2009). L’acte de transformation de l’objet de recherche est
explicitement recherché comme source de connaissance (Lewin,
1997).
Dans une recherche-intervention, l’entreprise constitue un
terrain d’observation scientifique au sein duquel des investigations
approfondies sont réalisées. L’objectif du chercheur-intervenant est de
produire des résultats qui s’intègrent dans une interaction forte avec
les acteurs de terrain. En effet, chercheurs et praticiens échangent et
construisent des connaissances sur la base des résultats élaborés. C’est
en ce sens qu’on parle de démarches interactives (Girin, 1986). Les
données sont issues d’un travail de terrain, dont le protocole s’ajuste
aux circonstances et aux opportunités (principe d’inachèvement
(Hatchuel, 1994)). Les acteurs de terrain peuvent intervenir sur le
déroulement du processus. Les chercheurs conduisent eux-mêmes

l’investigation sans la leur sous-traiter.
Une autre caractéristique de la recherche-intervention réside dans
sa finalité : les connaissances sont conçues simultanément pour et par
l’organisation et les chercheurs, dans une logique transformative. Le
chercheur vise donc deux objectifs indissociables : accompagner
l’entreprise dans une action délibérée de changement et produire de la
connaissance à partir de l’observation des transformations réalisées.
L’objectif d’intention scientifique et l’objectif sociétal de contribution
à l’amélioration des pratiques sociales sont donc indissociables.
Par ailleurs, les conclusions sont fondées sur « l’intime
conviction du chercheur, qui se retrouve dans l’arène pour éprouver
lui-même les champs de force qui traversent l’organisation »
(Moisdon, 2010, p. 217). Cette logique rejoint le principe de
rationalité accrue énoncé par Hatchuel (1994). Le chercheur ne
détient pas la clé de l’univers, mais contribue par son mode de
raisonnement à accroître la rationalité des constructions mentales et
concrètes de la réalité.
La recherche-intervention s’inscrit donc dans une démarche
largement constructiviste de production des connaissances : une
logique intentionnelle, une visée transformatrice, un projet de
changement délibéré (Lewin, 1947) d’une situation donnée (Le
Moigne, 1990).
Les limites les plus courantes, de nature épistémologique et
pratique, attribuées à la recherche-intervention ont trait à l’impact
produit par le chercheur sur son objet d’étude. Néanmoins, nous osons
soutenir que ce n’est plus un biais problématique : selon le principe
fondateur de l’Action Research (Emery et Trist, 1969), il n’est
possible d’accéder à la connaissance d’un système social qu’en
induisant un changement de ce dernier (Allard-Poesi et Perret, 2003).
Les difficultés plus pratiques concernent la durée et l’amplitude des
démarches. En amont du processus d’intervention, le chercheur
négocie la problématique de sa recherche et le dispositif
d’intervention (Berry, 1995), phase qui nécessite un temps long,
parfois « peu compatible avec la demande sociale » (Capgras,
Guilhot, Pascal et Claveranne, 2011, p. 160). Au cœur de la recherche-
intervention, la principale difficulté réside dans la lourdeur
méthodologique liée à la durée des processus, qui doit être
suffisamment longue pour que les phénomènes étudiés aient le temps
de se développer et que le chercheur puisse prendre le recul nécessaire
à une analyse sereine de son objet de recherche (Nobre, 2006). Enfin,
la nature fortement contextualisée des résultats peut aussi apparaître
comme une limite dans le cadre d’une comparaison ou d’une
recherche de complémentarité entre différents travaux, car chaque

projet est nécessairement enraciné dans une organisation donnée
(Nobre, 2006).
D’autres critiques portent sur la logique de collaboration
chercheurs/praticiens, considérée comme nécessaire mais insuffisante
pour produire des connaissances actionnables (Avenier et Schmitt,
2007), dès lors que les praticiens collaborent en tant qu’« objet »
(Mesny et Mailhot, 2010). En d’autres termes, selon ces chercheurs,
pour être pertinente la recherche-intervention doit s’appuyer sur des
acteurs compétents – professionnels ou experts – ayant une capacité
réflexive élevée (Callon, 1999).
1.1.2. L’impossible neutralité du chercheur
Dès lors que la recherche-intervention s’applique à des objets qui

ne peuvent être « ni confinés, ni manipulés, ni même naturalisés »
(Moisdon, 2010, p. 216), l’intervention du chercheur modifie l’objet
d’étude. L’interaction entre chercheurs et praticiens engendre une
modification des acteurs, de leur vision, de leurs récits ou encore de
leurs projets. Cependant, « plutôt que de le prendre comme un
obstacle à la connaissance, il faut le considérer au contraire, comme
un moyen de connaissance et même le seul… » (Berry, 1986, p. 200).
De fait, dans une recherche-intervention de type constructiviste, le
chercheur, au plus près des acteurs de terrain, ne peut que « délaisser
la position de l’observateur neutre et détaché » (Perez, 2008, p. 5).
Plus largement, dans une perspective intersubjective, « le chercheur
est rarement totalement étranger et neutre face à son objet d’étude »
(Devereux, 1967, cité par Levy-Tadjine et Paturel, 2012, p. 353).
1.1.3. Principes épistémologiques fondateurs
Trois principes épistémologiques, qui représentent un filtre pour

assurer la validité scientifique du travail entrepris, guident le
chercheur dans une recherche-intervention.
Le concept d’interactivité cognitive (Savall et Zardet, 1996,
2004 ; Cristallini, 2005) explicite les dispositifs de confrontation du
chercheur à son entourage, lorsqu’il s’extériorise par le dialogue et
l’écrit et interagit avec les acteurs de terrain, dans le but de générer de
nouvelles informations. Le principe d’intersubjectivité contradictoire
(Savall et Zardet, 1996, 2004 ; Krief, 2005) vise à remplacer
l’impossible objectivité des données qualitatives par une confrontation
des acteurs dotés de leur propre subjectivité, et aboutir ainsi à une
certaine représentation du réel par la mise en évidence des écarts ou
convergences de représentations. L’objectivité naît alors de

l’intersubjectivité répliquée (Husserl, 1980). Le principe de
contingence générique (Savall et Zardet, 1996, 2004 ; Voyant, 2005)
concerne l’articulation des connaissances génériques formulées par le
chercheur avec les connaissances contextuelles ou spécifiques
émergeant d’une situation particulière d’un cas spécifique.
Ces trois principes épistémologiques constituent notre cadre
d’analyse. En effet, dans une recherche-intervention, les données
qualitatives sont injectées dans des protocoles qui visent à produire de
l’interactivité cognitive, de l’intersubjectivité contradictoire et de la
contingence générique.
1.2. Nature des données qualitatives collectées en recherche-

intervention
Les informations sont multiformes dans une recherche-
intervention. Elles sont collectées par trois techniques principales :
entretiens, documents, observations et revêtent trois formes :
qualitatives, quantitatives, financières. Nous nous intéressons dans cet
article aux données qualitatives collectées par entretien.
Le terme de « données » est ambigu, voire inapproprié car, loin
d’être « données » au chercheur, elles exigent de sa part des
protocoles multiples de collecte, d’extraction et de mémorisation des
informations, parfois complexes à mettre en œuvre. Ces informations
sont contenues dans des notes d’entretiens informels, des notes prises
lors de réunions de restitution des résultats, d’instances de travail
collaboratif au sein de l’entreprise (exemple : comité de pilotage) ou
encore dans des documents collectés, tels que comptes rendus de
réunions, rapports internes ou externes, discours officiels, tableaux de
bord, comptes de résultats, rapports d’activité...
Il est donc nécessaire, pour assurer une certaine fiabilité des
informations collectées, de mettre en place des techniques rigoureuses
de prise de notes. En effet, la collecte et la « capture » des données
doivent être claires pour assurer la traçabilité du raisonnement (Lee,
1998 ; Seale, 1999 ; Gephart, 2004).
Les données recueillies lors d’une recherche-intervention sont,
selon Girin (1986), de deux natures : certaines constituent des
matériaux froids, ceux qui ne sont pas issus de l’investigation en
cours, tels qu’organigrammes, règlements, procédures ; d’autres sont
considérés comme chauds, en ce sens qu’ils sont produits par le
processus d’investigation-même, tels que témoignages, récits,
descriptions obtenus notamment dans le cadre des entretiens, des
séances de travail.
Deux grandes modalités de collecte cohabitent (Nobre, 2006) :

une collecte dirigée ou finalisée par les caractéristiques de l’outil
central de la recherche-intervention, et une collecte autonome
correspondant principalement aux notes prises en réunions ou dans le
journal de recherche. Les données dites finalisées sont primaires ou
secondaires : les données primaires collectées par entretiens,
observations ou analyse de documents sont traitées pour construire des
données secondaires, résultats des traitements. La présence régulière
et réitérée du chercheur sur son terrain d’investigation lui permet de
collecter des informations diversifiées et nombreuses. Il utilise ces
différentes techniques pour les inscrire dans un processus de
triangulation. Ainsi, sa base de données expérimentale est abondante
puisqu’elle est alimentée par de multiples sources.
Les données issues des entretiens sont majoritairement
qualitatives et constituent la base primordiale sur laquelle le chercheur
travaille pour élaborer des matériaux intermédiaires, tels que par
exemple des effets-miroirs, construits à partir de verbatim ou phrases-
témoins.
1.3. Fonction de l’effet-miroir dans la recherche-intervention
L’effet-miroir constitue une analyse de contenu d’entretiens,

reposant sur l’expression des acteurs de l’entreprise, qui permet de
leur présenter une image de leurs expressions afin d’obtenir une
validation, une invalidation, un enrichissement ou un nuancement des
résultats. Cette technique peut être employée à différentes étapes d’un
processus de recherche-intervention : par exemple lors d’un diagnostic
initial, dans une phase de projet ou d’évaluation ex-post (Savall et
Zardet, 1987).
Nous recourons depuis plus de trente ans à cette méthode
d’analyse de données qualitatives dans des recherches-interventions
réalisées en équipe de chercheurs. Cette dernière précision est
importante car elle implique le recours à une méthode commune
d’analyse de données et actionne l’intersubjectivité contradictoire
entre les chercheurs qui interviennent sur une même recherche.
En collectant les expressions des acteurs, les chercheurs
recensent leurs différents points de vue et enjeux, qu’ils soient
spécifiques, convergents ou divergents. Ceux-ci témoignent de la
subjectivité et de la sensibilité différente des acteurs. L’effet-miroir
restitue cette diversité, sans la juger ni l’interpréter, si ce n’est par la
« mise en ordre » réalisée. L’image construite par le chercheur, en
structurant et classant les expressions, constitue une représentation
collective qui procède d’une « forme de transaction » (Savall et

Zardet, 2004, p. 335) avec les acteurs de terrain.
La restitution des résultats est garante d’une collaboration active
facilitée dans la suite de la recherche (Girin, 1986). Elle participe aux
exigences de réflexivité, c’est-à-dire à la manière dont le chercheur
rend compte de ses activités, notamment vis-à-vis des praticiens, et
intègre leurs réactions (Levy-Tadjine et Paturel, 2012). La
présentation orale de l’effet-miroir aux personnes interviewées accroît
la relation de consensus et de partage de représentations cognitives
entre chercheurs et acteurs, notamment grâce à la traçabilité visible du
travail de codage. La démarche procède d’une double interaction :
compréhensive dans un premier temps car le chercheur se fait
interprète et miroir, puis activatrice car il stimule de nouveaux points
de vue respectifs des acteurs professionnels et des chercheurs
(Hatchuel, 1994 ; David, 1999).
L’effet-miroir remplit ainsi deux fonctions : faire interagir les
acteurs entre eux et avec les chercheurs. La présentation orale aux
acteurs de terrain permet de stimuler leurs réactions et d’obtenir de
nouvelles informations sur la compréhension de la situation. Acteurs
de terrain et chercheurs deviennent ainsi partenaires dans l’action et
co-producteurs de connaissances.
L’effet-miroir se distingue de la phase interprétative des
résultats, qui intervient dans un second temps à travers l’expression
d’un « avis d’expert », autrement dit l’interprétation par le chercheur
de l’image obtenue, qui complète l’effet-miroir (le « dit ») par une
analyse contradictoire basée sur le « non-dit ». Les limites de
l’expression orale, telles que les tabous1 par exemple, appellent une
production de connaissances de la part du chercheur consistant en une
véritable interprétation des discours et de leurs limites. En effet, la
distinction claire entre les données et leur analyse constitue un défi et
un critère de qualité important dans les recherches qualitatives (Lee,
1998 ; Deale, 1999 ; Gephart, 2004 ; Krippendorf, 2004 ; Suddaby,
2006).
1.4. Méthode de construction de l’effet-miroir
L’effet-miroir se construit à partir des notes d’entretiens, en

sélectionnant puis en classant des expressions émanant des acteurs,
appelées « phrases-témoins » – ou verbatim – dans une arborescence
constituée de thèmes, sous-thèmes et idées-clés (figure n°1). Dans
1. Au sens des termes qui ne doivent pas être évoqués dans les conversations (Savall,
Vallée et Zardet, 2001).
notre pratique de recherches collectives et cumulatives, cette

arborescence n’est pas contingente à chaque situation, elle est
générique et construite par accumulation de connaissances au cours du
temps.
Figure n°1 – Arborescence et étapes de construction

de l’effet-miroir
Phrase-témoin 1
Idée-clé 1.1.1. Phrase-témoin 2
Sous-thème 1.1. Idée-clé 1.1.2. …

…
Sous-thème 1.2.
Thème 1
Sous-thème 1.3.
…
Etape 2 : Etape 3 : Etape 1 :
classement des formulation sélection des
phrases-témoins d’une idée-clé phrases-témoins
en thème et générique du (expressions
sous-thème problème des acteurs)
Source : Savall et al., 2008
Cette méthode permet de confronter les idées spécifiques et

contextuelles des acteurs aux idées génériques exprimées par le
chercheur. L’idée-clé est une « construction intellectuelle élaborée
par le lecteur à partir d’éléments textuels récurrents » (Fallery et
Rodhain, 2007, p. 23).
L’analyse des expressions des acteurs confronte le chercheur à
une difficulté inhérente aux informations qualitatives, celle de
l’imprécision, voire l’instabilité sémantique. En effet, dans une même
entreprise, un même mot peut avoir des sens différents selon les
personnes qui l’utilisent, voire selon les moments auxquels une même
personne s’exprime. Par exemple, le terme « la direction » exprimé
par un opérateur de production n’aura pas le même sens que s’il
émane d’un cadre chef de service. L’opérateur fait allusion à un
ensemble mal identifié de personnes décideurs, qui peut aller jusqu’à
englober tous les cadres. L’expression du chef de service peut
désigner, quant à elle, soit la personne dirigeante de l’entreprise, soit
le comité de direction dans son ensemble. La clinique de l’effet-miroir
permet ainsi de faire valider par les acteurs qui se sont exprimés,
l’interprétation qu’a faite le chercheur de leurs expressions.
Comme nous le verrons dans la seconde partie, cette construction

se distingue nettement des analyses lexicales qui bâtissent des
arborescences à partir de mots précis du texte. L’idée-clé recherche
l’expression générique d’un problème, c’est une « boîte » accueillant
des illustrations exprimées par les acteurs en fonction de leurs
ressentis. Cette démarche s’apparente à l’un des principes de codage-
dénomination (Locke, 2001) de la théorisation ancrée. Les catégories
créées doivent épouser les données tout en s’élevant en généralité
(Dumez, 2004). Dans le cadre de l’effet-miroir présenté dans cet
article, le codage est ouvert « in vitro » (Guilloux, 2001), c’est-à-dire
en identifiant des unités de sens à partir de l’expression des
participants, formulées avec le vocable générique du chercheur.
2. – Analyse des données qualitatives en recherche-

intervention et recours aux logiciels
L’analyse de données qualitatives se définit d’abord par son

objet : le chercheur tente de dégager le sens d’un texte, d’une
entrevue, d’un corpus à l’aide ou non d’outils informatisés (Paillé et
Mucchielli, 2003 ; Deschenaux et Bourdon, 2005). Il s’agit d’un
processus d’identification de thèmes, de construction d’hypothèse
(idée) et de clarification de liens (Tesch, 1990 ; Wanlin, 2007). Une
méthode qualitative s’efforce d’analyser comment un phénomène se
produit et pour quelle finalité (Mucchielli, 2007). Elle analyse aussi
l’organisation globale du phénomène et ses conséquences.
L’étude de la littérature spécialisée en analyse de données
qualitatives2 montre que son utilisation en sciences de gestion est
récente comparativement à d’autres disciplines des sciences humaines
et sociales, telles que les sciences de l’éducation, du langage, de
l’information et de la communication ou encore les sciences
politiques. L’opposition et la dichotomie entre analyses qualitatives et
quantitatives ont longtemps prévalu. Dans les différentes sous-
disciplines de la gestion, quelques précurseurs ont défendu l’idée d’un
enrichissement mutuel des analyses qualitatives et quantitatives, par
exemple Savall en management des ressources humaines (1975) et Bô
en marketing (1998), jusqu’à proposer des méthodes combinées
qualimétriques (Savall et Zardet, 1996, 2004).
Après avoir caractérisé les différentes méthodes d’analyse de
données qualitatives et leurs objectifs propres, nous identifions les
2. Voir en particulier la Revue québécoise Recherches Qualitatives, éditée par

l’Association pour la Recherche Qualitative (www.recherche-qualitative.qc.ca)
conditions de recours aux logiciels d’analyse de données qualitatives

dans le cadre d’une recherche-intervention à partir d’une comparaison
de deux logiciels, Segese et Nvivo.
2.1. Pluralité des méthodes d’analyse de données qualitatives
Deux terminologies ressortent fréquemment : l’analyse de

contenu et l’analyse thématique. On rencontre aussi l’expression plus
englobante d’analyse de données textuelles, regroupant plusieurs
méthodes de prise de connaissance et d’analyse d’un texte (Helme-
Guizon et Gavard-Perret, 2004 ; Fallery et Rodhain, 2007). Selon
Moscarola (2006), l’analyse de contenu est une analyse thématique,
qui consiste à lire l’ensemble d’un corpus 3, en identifiant les thèmes
qu’il contient, pour ensuite produire du verbatim par thème ou
procéder à une analyse statistique des thèmes. Pour d’autres, l’analyse
de contenu est vue comme « un ensemble d’instruments
méthodologiques […] s’appliquant à des discours extrêmement
diversifiés, et fondés sur la déduction ainsi que l’inférence » (Wanlin,
2007, p. 249). Les méthodes d’analyse de contenu sont considérées
comme très consommatrices de temps et coûteuses pour l’analyse de
corpus volumineux.
L’étude de la littérature fait ressortir plusieurs méthodes
d’analyse de contenu en regard des objectifs de recherche 4. Dans les
recherches qualitatives, la définition précise des méthodes et
procédures analytiques de recherche constitue un critère de qualité
essentiel (Hammersley, 1992 ; Aguinis, 1993 ; Daft, 1995 ; Lee,
1998 ; Easterby-Smith, Thorpe et Lowe, 2002 ; Gephart, 2004).
L’analyse lexicale vise à repérer ce dont parle un acteur, les mots ou
expressions qu’il utilise, pour procéder à des quantifications ou
mesures lexicales. Le texte d’un acteur/auteur est approché par le
lexique qu’il utilise, à partir des mots les plus fréquemment utilisés.
D’autres approches s’intéressent à la structure du discours, elles sont
souvent dénommées analyses linguistiques. On les distingue des
méthodes d’analyse qualitative centrées sur l’étude du contenu, c’est-
à-dire le sens du discours. L’analyse thématique est donc une analyse
essentiellement qualitative qui vise à interpréter un contenu. Certains
auteurs (Fallery et Rodhain, 2007) y ajoutent l’analyse cognitive qui
3. Le corpus représente l’ensemble des textes, documents, entretiens, discours, etc.

réunis pour une étude linguistique, lexicale ou textuelle (Helme-Guizon et Gavard-
Perret, 2004).
4. Voir en particulier les typologies présentées par Moscarola (2006), Ganassali (2007),
Fallery et Rodhain (2007), Helme-Guizon et Gavard-Perret (2007), Voynnet-Fourboul
(2002).
permet de représenter une pensée. L’extraction de verbatim est

souvent mise au service des analyses de contenu centrées sur le sens
des discours.
2.2. Processus et méthodes de traitement dans l’analyse de

données qualitatives
Les auteurs distinguent deux à trois étapes chronologiques. La

première, intitulée pré-analyse ou organisation des données, implique
une segmentation et une décontextualisation. La seconde, considérée
centrale et par ailleurs la plus longue, consiste à procéder aux
opérations de codage, décompte ou énumération : c’est l’exploitation
du matériau recueilli, dont le processus consiste à « découper le
contenu d’un discours ou d’un texte en unités d’analyse (mots,
phrases, thèmes…) et à les intégrer au sein de catégories
sélectionnées en fonction de l’objet de recherche » (Thiétart, 2007, p.
455). La dernière étape consiste à interpréter les résultats, les
synthétiser et en tirer des inférences (Wanlin, 2007).
Le codage, ou lemmatisation, consiste donc en un processus de
déstructuration puis de restructuration, à une décontextualisation puis
une recontextualisation (Tesch, 1990). Quelles que soient les
méthodes utilisées, l’exploitation du matériau consiste à découper un
texte en unités d’analyse ou unités de sens (mots ou segments), puis à
procéder à l’étude qualitative ou quantitative de ces unités.
Les chercheurs utilisant des méthodes d’analyse de données
qualitatives insistent sur l’existence d’une pluralité de méthodes,
parmi lesquelles le chercheur doit s’efforcer de faire un choix, compte
tenu de ses objectifs de recherche et du matériau disponible. La
posture épistémologique du chercheur est aussi déterminante dans ce
choix, bien que l’on constate avec regret qu’elle est souvent implicite.
Ainsi Blais et Martineau (2006) ont mis en évidence le lien entre la
posture épistémologique du chercheur, ses méthodes de recherche et
son recours aux logiciels d’aide à l’analyse de données qualitatives.
2.3. Recours aux logiciels pour l’analyse de données qualitatives

en recherche-intervention
L’utilisation de logiciels peut paraître a priori peu adaptée au

« travail de terrain qui réclame une attitude compréhensive envers des
modes de raisonnement et des logiques sociales qui échappent de très
loin au logicisme » (Lejeune, 2010, p. 15). Mais, dans une recherche
qualitative, les données sont particulièrement abondantes et donc
longues et délicates à traiter, « coder est une entreprise fatigante »
(Huberman et Miles, 1991, p. 111). Aussi, les logiciels peuvent

apporter une aide non négligeable à l’organisation et au traitement des
données, que les résultats recherchés soient qualitatifs, quantitatifs ou
qualimétriques (mixtes).
2.3.1. Classification des logiciels d’analyse de données qualitatives
Il existe pléthore d’outils informatiques d’assistance à l’analyse

de données qualitatives. La classification de Lejeune (2010)
positionne les logiciels selon deux axes de finalité (figure n°2) :
- [explorer/analyser] : certains outils servent à l’exploration du
matériau, d’autres permettent de faire émerger des catégories
d’analyse ;
- [calculer/montrer] : certains reposent sur des procédures
quantifiées, d’autres sur des procédures d’organisation des
matériaux.
Figure n°2 – Classification des logiciels
Explorer
Lexicométrie Concordanciers
Calculer
Montrer
Dictionnaires
et registres
Automates Réflexifs
Analyser
Source : Lejeune, 2010
Cinq familles de fonctionnalités sont ainsi définies. La

lexicométrie (analyse lexicale) mobilise le calcul à des fins
d’exploration statistique du lexique pour identifier la fréquence et la
distribution des mots d’un corpus. Les concordanciers permettent de
rechercher des expressions en modifiant l’agencement d’un texte pour
en faciliter l’exploration. Les automates permettent de calculer des
agrégats du corpus et d’assigner une étiquette sur la base des co-
occurrences. Les outils réflexifs consistent à annoter le texte (codage)

pour en faire émerger des catégories d’analyse. Les dictionnaires et
registres permettent de coder le texte à partir de mots-clés prédéfinis
ou construits au cours du processus pour faire émerger des catégories
d’analyse.
Les principaux atouts et risques (tableau n°1) identifiés
montrent que ces logiciels suscitent autant d’espérances que de
craintes (Barry, 1998).
Tableau n°1 – Atouts et risques dans l’utilisation des logiciels
Avantages-atouts Contraintes-risques
Risque d’enfermement de la recherche qualitative
Rapidité de traitement : le logiciel permet
dans un « carcan » en privilégiant une quantification à
d’augmenter la productivité du chercheur et facilite le
tout prix qui se ferait au détriment de l’analyse en
travail de traitement de corpus volumineux (Moscarola,
finesse et de l’esprit critique (Helme-Guizon et
1995 ; Duyck, 2001 ; Wanlin, 2007).
Gavard-Perret, 2004).
Economie de temps : le logiciel permet de dégager Rigidité de l’analyse : risque d’une lecture et d’une
du temps pour réaliser des tâches à plus forte valeur réflexion contraintes et figées par la structure même
ajoutée (Helme-Guizon et Gavard-Perret, 2004 ; du logiciel et par ses logiques et algorithmes internes
Boutigny, 2005 ; Fallery et Rodhain, 2007). (Helme-Guizon et Gavard-Perret, 2004).
Approfondissements possibles : le logiciel permet
des approfondissements de l’analyse en facilitant le Eloignement chercheur/terrain : l’utilisation du
recours à la statistique (Wanlin, 2007) et au traitement logiciel peut accentuer la distance entre le chercheur
quantitatif (Voynnet-Fourboul, 2002) et en permettant et ses données (Boutigny, 2005) et entre le chercheur
d’analyser des relations complexes entre plusieurs et son terrain (Voynnet-Fourboul, 2002).
données (Boutigny, 2005).
Flexibilité et souplesse : le logiciel apporte une
Primauté du « quanti » : risque que le chercheur
flexibilité dans l’analyse des documents (Voynnet-
oriente ses données vers le quanti (Boutigny, 2005) et
Fourboul, 2002) et l’exploration du matériau empirique
tombe dans une « quantophrénie » (Gauthy-Sinéchal
(Lejeune, 2010) et une souplesse de l’analyse car la
et Vandercammen, 1998), vidant de sens l’analyse
nature du matériau s’adapte aussi bien aux démarches
qualitative (Boutigny, 2005).
inductives que déductives (Duyck, 2001).
Accumulation-capitalisation : le logiciel apporte une
valeur ajoutée d’explicitation et de reproductibilité des
procédures analytiques et d’archivage de l’activité
scientifique (Lejeune, 2010) et donc de transfert de
connaissances.
Certains auteurs soulignent, en outre, des atouts liés à la

neutralité et la scientificité des traitements quantitatifs (Moscarola,
1995 ; Duyck, 2001), partant de l’idée qu’une donnée chiffrée serait
plus scientifique qu’une donnée qualitative. Nous considérons, quant à
nous, que la scientificité des traitements ne dépend pas de l’outil
utilisé, mais de la rigueur épistémologique et méthodologique du
chercheur, car même s’il peut être « un adjuvant, le logiciel ne sera
jamais un garant du sérieux de l’analyse conduite » (Lejeune, 2010, p.
17).
2.3.2. Présentation du logiciel Segese
Le logiciel Segese, développé dès 1986 par l’équipe de recherche

de l’ISEOR en collaboration avec l’équipe du LISI, INSA Lyon5, a été
élaboré en vue de modéliser les connaissances acquises sur le
fonctionnement des entreprises. Il est structuré sous la forme d’une
arborescence de thèmes, sous-thèmes et idées-clés relatifs aux
dysfonctionnements des entreprises, construite par capitalisation à
partir de quelques 1300 cas d’organisations. Actuellement, la base de
données est constituée d’environ 3500 idées-clés génériques réparties
en 6 thèmes et 41 sous-thèmes.
Le travail du chercheur consiste à isoler des extraits
préalablement choisis dans sa prise de notes – les « phrases-témoins »
exprimées par les acteurs lors des entretiens – puis à les classer dans
l’arborescence thèmes/sous-thèmes/idées-clés. Il procède à un codage-
classement des phrases, considérées comme des connaissances
contextuelles, dans la base de connaissances génériques et perma-
nentes du logiciel. Ce dernier laisse la possibilité au chercheur de
créer des idées-clés nouvelles pour répondre à des problématiques
spécifiques de recherche. Des traitements quantitatifs simples sont
possibles permettant d’aider à « exprimer le sens des matériaux
qualitatifs et accroître leur valeur ajoutée cognitive » (Savall, Zardet
et Harbi, 2004, p. 2) : fréquences d’expressions par thème, sous-
thème, idée-clé ou par population d’acteurs.
Le logiciel a été conçu dans le but premier de restituer une image
« effet-miroir » aux acteurs du terrain (cf. point 1.3.). Il permet
d’organiser les matériaux du chercheur, de structurer ses notes, de le
soutenir dans son travail de traitement et dans la compréhension de la
situation qu’il analyse, mais il est avant tout construit pour être
présenté aux acteurs de terrain interviewés. L’interface entre l’idée-clé
et la phrase-témoin permet à ces derniers de vérifier, grâce à la
traçabilité, la qualité de la reformulation effectuée par le chercheur à
partir des mots ou expressions-clés émis par eux (figure n°3). Cela
constitue une forme de contrôle de qualité par les acteurs praticiens
(Savall et Zardet, 2004) et permet d’inscrire ces mêmes acteurs dans
une démarche de changement. Le ré-ordonnancement des discours par
Segese engendre, à la pratique, une meilleure interaction qu’une
restitution qui serait plus intuitivement raisonnée. D’une part, parce
que l’effet-miroir met en lumière aussi bien les idées majoritairement
5. Les chercheurs ayant activement contribué à la construction de Segese sont H. Savall,

V. Zardet, J. Kouloumdjian et N. Harbi (voir notamment Harbi, 1990 ; Savall, Zardet et
Harbi, 2004).
partagées que les idées « minoritaires » ; d’autre part parce que les
idées-clés, surtout lorsqu’elles expriment des dysfonctionnements,
sont mieux acceptées par les acteurs car elles sont associées à des
phrases-témoins émanant d’eux-mêmes et qu’ils ne peuvent donc pas
rejeter.
Figure n°3 : Exemple de résultats obtenus à l’aide

du logiciel Segese
CONDITIONS DE TRAVAIL
MATÉRIEL ET FOURNITURES
DIFFICULTÉS POUR OBTENIR DES FOURNITURES
« On va inaugurer une Maison de l’emploi mais les enveloppes pour les invitations en
rétribution différée ne sont toujours pas livrées. » (R)
MANQUE DE MATÉRIEL INFORMATIQUE
« Il y a un vrai manque de matériel informatique au siège comme en Région. » (SC)
HORAIRES DE TRAVAIL
LES HORAIRES DE TRAVAIL NE SONT PAS ADAPTÉS (Parfois)
« L’horaire de l’organisme est un obstacle à une meilleure productivité. Par exemple,
on permet à des agents de venir à 7h30 alors que la clientèle arrive à 10h. » (R)
« Il y a la tradition des horaires à 7h30 alors qu’il n’y a pas de client avant 8h30. Il y a
une heure de travail plus 'cool' par rapport aux agents qui travaillent sur d’autres
horaires. » (R)
« Au niveau encadrement et Direction, la souplesse dont peuvent bénéficier les

agents dans leur régime de travail rend très difficile la planification des prestations
des personnes. » (R)
Par ailleurs, les résultats produits par le logiciel Segese

favorisent l’interaction recherchée entre les chercheurs et les acteurs
de terrain par la structuration-même de la présentation des résultats.
Celle-ci repose sur la notion d’« interaction instrumentée » (Moisdon,
2010), par laquelle le chercheur aide les acteurs à modéliser les
changements dans lesquels ils s’engagent et à révéler les champs de
force inhérents à ces changements. Elle procède également d’une
forme de « traduction » (Callon, 1986), en établissant un lien entre des
perceptions hétérogènes qui permet de rendre le tout plus intelligible
et donc d’agréger les intérêts des différents acteurs. Segese apparaît
donc comme un outil permettant de produire un support propre à
développer une « communication interactive » (Henry, 1998) entre
différents acteurs.
Le logiciel est simple d’utilisation, car il a été construit sur les

principes de classification de la démarche manuelle qui était utilisée
par les chercheurs de l’équipe avant sa création. Il est, de ce fait, très
proche du découpage manuel et des processus intellectuels naturels
spontanément utilisés par l’esprit humain (Mucchielli, 2007).
2.3.3. Présentation des principes du logiciel Nvivo
Nous nous sommes intéressés au logiciel Nvivo car il est

aujourd’hui fréquemment utilisé dans les recherches qualitatives en
sciences de gestion. L’objectif principal de Nvivo est d’aider à gérer,
mettre en forme et donner un sens aux données qualitatives. Il est
conçu selon une approche très manuelle, celle de « l’analyse papier-
crayon » (Descheneaux et Bourdon, 2005). Il s’agit de ranger des
données brutes dans des catégories données a priori ou constituées au
fur et à mesure, selon le principe des outils dictionnaires-registres.
Outre la centralisation de données textes, images ou vidéos
(fonction « sources »), le logiciel facilite le codage et permet de
construire un dictionnaire de thèmes (de la Rupelle et Mouricou,
2009). Ce codage est réalisé à partir des fonctions « nodes » (nœuds) :
rattachement des données sélectionnées (phrases et/ou paragraphes) à
des mots-clés nommés « nœuds » dans la terminologie du logiciel,
constituant des codes (figure n°4). Deux types de nœuds existent : les
« treenodes », organisés de façon hiérarchique et les « free nodes »,
non rattachés à une catégorie particulière. Sur la base des données
codées, le chercheur peut effectuer des recherches afin d’affiner son
analyse ou de tester des hypothèses, et regrouper ses données dans un
« model » permettant de mettre en évidence des relations entre elles
(de la Rupelle et Mouricou, 2009) sous forme de représentations
graphiques. Ainsi, après la segmentation des données, par le biais de
leur catégorisation, celles-ci sont reconstruites dans l’objectif de leur
donner du sens (Averseng, 2011).
Figure n°4 – Exemple de résultats obtenus à l’aide

du logiciel Nvivo
Source : Touboul et al., 2011
Le principe d’analyse du logiciel relève d’une démarche de

décontextualisation-recontextualisation du corpus (Tesch, 1990 ;
Descheneaux, 2007) : sortir de son contexte un extrait du texte afin de
le rendre sémantiquement indépendant dans le but de créer des
catégories ou thèmes (décontextualisation) ; amalgamer les catégories
décontextualisées pour en faire un tout intelligible et porteur de sens
(recontextualisation). Le recours à Nvivo vise à « emmagasiner de
l’information, la classer, l’organiser et ensuite […] effectuer des
opérations de recherche » (Descheneaux et Bourdon, 2005, p. 10). Il
facilite ainsi la manipulation des données et aide à dégager du sens à
partir de sous-catégories, mais non selon une logique « de
classification automatique ou de cadre figé à l’avance » (Auger, 2006,
p. 122). Les opérations de codification sont décidées par le chercheur
et lui seul, l’objectif étant de produire une analyse, une interprétation
et non « un catalogue d’idées ou de citations » (Auger, 2006, p. 124).
Aussi, son choix est justifié pour faire une analyse qualitative de
données qualitatives. Il n’est pas conçu pour faire des analyses
statistiques ou des comptages d’occurrences, même s’il permet de

produire des tableaux de comptage des extraits codés en fonction de
catégories ou d’attributs.
2.3.4. Proximité entre les logiciels Segese et Nvivo
Les deux logiciels sont construits selon une même logique de

classement manuel des données. Ils se rejoignent également quant à
leur finalité première : produire une analyse qualitative de données
qualitatives.
Le processus de codage est assez similaire : dans les deux cas, le
chercheur classe sa sélection de données en lui affectant un mot-clé
(cas de Nvivo) ou une idée-clé (cas de Segese). Cette codification
n’est pour autant pas de même nature. En effet, les mots-clés retenus
avec Nvivo représentent une catégorisation thématique, alors que
l’idée-clé retenue comme code avec Segese exprime un sens et un
niveau de détail plus fin. La codification retenue par Nvivo dans
l’exemple de la figure n°4 : « Représentations et expériences
concernant l’activité physique », représente un thème ou un sous-
thème et non une idée-clé, car elle ne qualifie pas concrètement ces
représentations ou expériences (expression d’un sens précis). On
pourrait retrouver sous cette thématique des perceptions totalement
différentes, voire antagonistes et qui sont de fait mélangées sous ces
mêmes items. Segese procède à une analyse plus fine : sur ce même
exemple, l’idée-clé aurait qualifié les perceptions exprimées :
« L’activité physique est perçue comme bénéfique » ou « L’activité
physique est considérée comme contraignante ».
Tous deux présentent une limite commune : celle de l’instabilité
de la formulation selon les chercheurs.
D’un point de vue plus pratique, Nvivo offre la possibilité de
revenir facilement, et au sein d’un même environnement de travail, au
texte d’origine, puisque le chercheur saisit l’intégralité de son corpus
dans le logiciel et ne fait sa sélection que dans un second temps, alors
qu’avec Segese la sélection est faite en amont de la saisie.
Tableau n°2 – Processus de traitement des données qualitatives

selon les deux logiciels
Processus Segese Nvivo
Sélection des Sélection informatisée des données

Sélection manuelle des données
données dans le texte d’origine : le
dans le texte d’origine : le chercheur
(amont) intègre dans le logiciel l’intégralité
chercheur entre dans le logiciel la
de son texte « brut » et procède à la
sélection faite à partir de ses notes.
sélection dans le logiciel.
Mode de Le chercheur classe les données

codage de sa sélection dans une Le chercheur affecte un à plusieurs
arborescence [thème/sous-thème/ mots-clés à sa sélection.
idée-clé]. Les mots-clés (nœuds) représentent
L’idée-clé exprime un jugement, un thème ou un sous-thème, et
c’est l’expression générique de n’expriment pas une idée.
l’idée exprimée dans la phrase.
Exploitation
Analyse qualitative, avec possibilité de traitements quantitatifs.
(aval)
La principale différence entre les deux logiciels réside dans la
traçabilité du processus de codage. Segese apporte cette traçabilité,
qui apparaît comme une condition cruciale dans un processus de
recherche-intervention. En effet, pour s’approprier des résultats
produits par un tiers, les acteurs, chercheurs ou non, ont besoin d’une
traçabilité leur permettant d’apprécier l’interprétation qui a été faite
de leur discours et les « mécanismes » par lesquels ce tiers a abouti
aux résultats présentés. De ce point de vue, Nvivo ne fournit pas, à
notre sens, de traçabilité suffisante entre les matériaux « bruts » et les
résultats de l’analyse6 pour permettre une interactivité cognitive
féconde. Par contre, on pourrait concevoir d’y recourir dans la phase
de construction de l’avis d’expert, consistant à interpréter et décoder
l’expression des acteurs.
Par ailleurs, l’utilisation de Nvivo, telle que nous avons pu
l’analyser dans les publications ayant eu recours au logiciel, ne semble
pas faite pour une utilisation « externe » à la communauté scientifique.
Elle est bien souvent sollicitée pour le chercheur afin de l’aider à
organiser son propre travail, approfondir certaines thématiques, mettre
en évidence des liens et rédiger des publications. Par contraste, Segese
est un outil produisant du sens et de l’interprétation, au sein de
protocoles de recherche-intervention visant l’interaction avec des
acteurs professionnels.
6. On pourra noter que la littérature disponible sur les différents logiciels d’analyse de
données qualitatives est extrêmement parcimonieuse quant aux formes de présentation
des résultats extraits à partir de l’exploitation des matériaux. Cela est probablement le
signe d’un intérêt des chercheurs davantage centré sur le processus de travail d’analyse
des données que sur les formes de présentation des résultats, tant dans la sphère des
acteurs praticiens que dans celle des chercheurs.
Conclusion
Une recherche conduite en utilisant une méthode de recherche-

intervention comporte de très nombreuses informations utilisées pour
à la fois produire des stimuli sur le terrain et élaborer des
connaissances scientifiques. Les principes épistémologiques d’inter-
activité cognitive, d’intersubjectivité contradictoire et de contingence
générique sont mobilisés pour produire des effets stimulants, source
de transformation des pratiques professionnelles individuelles et
collectives des acteurs d’entreprises.
L’effet-miroir est une méthode de traitement des informations
qualitatives combinant des données contextuelles et des données
génériques. En effet, des données en elles-mêmes n’ont pas de sens, le
chercheur doit leur en « insuffler » (Weick, 1989 ; Boje, Callon et
Latour, 1991 ; Oswick et Ford, 2004). Les logiciels d’aide à l’analyse
de données qualitatives (ADQAO) peuvent apporter une aide
précieuse au chercheur pour accroître la rapidité de ses traitements,
mais aussi faciliter la stabilité de ses méthodes de traitement.
Cependant, le choix du logiciel ne peut céder aux effets de mode, la
posture épistémologique du chercheur jouant un rôle déterminant dans
le choix. Les logiciels d’ADQAO pertinents dans le cadre d’une
recherche-intervention présentent des particularités. Ils permettent de
produire des résultats d’effet-miroir utilisables sur le terrain pour
stimuler des réactions, des changements, sous une forme accessible à
des « savants ordinaires » (Girin, 1990). Nvivo et Segese sont deux
logiciels d’analyse textuelle qui présentent des similitudes apparentes
dans le raisonnement sous-jacent et le processus de traitement.
Néanmoins, le recours à l’un ou l’autre est très lié à la finalité de la
recherche conduite. Par ailleurs, ils se différencient quant à la
traçabilité du raisonnement scientifique qu’ils restituent.
De nombreux critères de sélection d’un logiciel d’analyse de
données qualitatives ont été mis en évidence : le type de données à
analyser (Coffey et Atkinson, 1996), la tradition de recherche du
chercheur (Trudel et Gilbert, 1999), les caractéristiques et
fonctionnalités des logiciels et du matériel informatique (Mason,
1996 ; Van der Maren, 1997 ; Creswell, 1998 ; Trudel et Gilbert,
1999), les questions de recherche ainsi que le budget disponible
(Wanlin, 2007). Nous suggérons d’en ajouter un essentiel : quel est le
destinataire de la recherche ? Pour qui sont produites ces analyses ?
Quelles actions alimentent-t-elles ?
RÉFÉRENCES BIBLIOGRAPHIQUES
AGUINIS H. (1993), « Action research and scientific method: Presumed

discrepancies and actual similitaries », Journal of Applied Behavioral
Science, 29, p. 416-531.
ALLARD-POESI F., PERRET V. (2003), « La recherche-action », in Giordano
(Ed.), Conduire un projet de recherche : une perspective qualitative,
EMS, p. 85-132.
AUGER P. (2006), « Une méthode de recherche innovante : l’utilisation du
logiciel Nvivo pour les analyses de littérature », Revue Sciences de
Gestion, n°57, p. 113-129.
AVENIER M.-J. (1989), « Méthodes de terrain et recherche en management
stratégique », Economies et Sociétés, Série Sciences de Gestion, n°14, p.
199-218.
AVENIER M.-J., SCHMITT C. (2007), « Élaborer des savoirs actionnables et les
communiquer à des managers », Revue Française de Gestion, n°33, p. 25-
42.
AVERSENG C. (2011), « Comment structurer la complexité sans renoncer à
l’exhaustivité thématique d’un état de l’art en sciences de gestion ? Retour
d’expérience sur l’apport méthodologique des outils de classification de
données qualitatives », Management & Avenir, n°41, p. 369-386.
BARRY C.A. (1998), « Choosing Qualitative Data Analysis Software: Atlas/ti
and Nudist Compared », Sociological Research Online, vol. 3, n°3.
BERRY M. (1986), « Logique de la connaissance et logique de l’action :
réflexion à partir de l’expérience des recherches en gestion menées à
l’École des Mines de Paris et à l’Ecole Polytechnique », in Audet &
Malouin, La production des connaissances scientifiques de
l’administration, Presses Universitaires de Laval, p. 191-231.
BERRY M. (1995), « Research and the Practice of Management: a French
view », Organization Science, 6:1, p. 104-116.
BLAIS M., MARTINEAU S. (2006), « L’analyse inductive générale : description
d’une démarche visant à donner un sens à des données brutes »,
Recherches Qualitatives, Vol. 26 (2), p. 1-18.
BO D. (1998), « Comment développer la valeur ajoutée qualitative au sein des
études quantitatives ? », Revue Française de Marketing, Numéro spécial
Études Qualitatives, 7 p.
BOJE D., OSWICK C., FORD J.D. (2004), « Language and organization: The
doing of discourse », Academy of Management Review, 29, p. 571-577.
BOURDON S. (2000), « L’analyse qualitative informatisée : logique des puces
et quête de sens », Recherches Qualitatives, n°21, p. 21-44.
BOUTIGNY E. (2005), « Vers un renouvellement de la démarche qualitative en
sciences de gestion ? », Management & Avenir, n°4, p. 59-69.
CALLON M. (1986), « Éléments pour une sociologie de la traduction. La
domestication des coquilles Saint-Jacques dans la Baie de Saint-Brieuc »,
L’année sociologique, vol. 36, p. 169-208.
CALLON M. (1999), « Ni intellectuel engagé, ni intellectuel dégagé : la double

stratégie de l’attachement et du détachement », Sociologie du travail, Vol.
41, p. 65-78.
CALLON M., LATOUR B. (dir.) (1991), La science telle qu’elle se fait, La
Découverte.
CAPGRAS J.-B., GUILHOT N., PASCAL C., CLAVERANNE J.-P. (2011), « La
recherche-intervention entre diachronie et synchronie : heuristique pour
une approche alternative », Projectics-Proyéctica-Projectique, n°8, p.
157-168.
COFFEY A., ATKINSON P. (1996), Making Sens of Qualitative Data:
Complementary Research Strategies, Sage.
CRESWELL J.W. (1998), Qualitative Inquiry and Research Design: Choosing
Among Five Traditions, Sage.
CRISTALLINI V. (2005), « Le concept d’interactivité cognitive. Illustration par
la construction du concept de loyauté professionnelle », 23ème Université
d’été de l’Audit Social, Lille, 8 p.
DAFT R.L. (1995), « Why I recommended that your manuscript be rejected
and what you can do about it », in Cummings & Frost (Eds), Publishing in
the organizational sciences, Sage, p. 164-182.
DAVID A. (1999), « Logique, épistémologie et méthodologie en sciences de
gestion », Conférence de l’AIMS, Paris, 23 p.
DAVID A. (2000), « La recherche-intervention, cadre général pour la recherche
en management ? », in David, Hatchuel & Laufer, Les nouvelles
fondations des sciences de gestion. Éléments d’épistémologie pour les
sciences du management, Vuibert.
DE LA RUPELLE G., MOURICOU P. (2009), « Donner du sens à ses données
qualitatives en systèmes d’informations : deux démarches d’analyse
possibles à l’aide du logiciel Nvivo 8 », 14ème Colloque AIM, Marrakech,
11 p.
DESCHENAUX F. (2007), « Guide d’introduction au logiciel QSR Nvivo 7 »,
Les Cahiers pédagogiques de l’Association pour le Recherche Qualitative,
32 p.
DESCHENAUX F., BOURDON, S. (2005), « Introduction à l’analyse qualitative
informatisée à l’aide du logiciel QSR Nvivo 2.0 », Les Cahiers
pédagogiques de l’Association pour le Recherche Qualitative, 45 p.
DEVEREUX G. (1967), De l’angoisse à la méthode dans les Sciences du
comportement, Flammarion.
DUMEZ H. (2004), « Élaborer la théorie à partir des données : un retour sur la
théorie ancrée en gestion », Revue Sciences de Gestion, n°44, p. 139-155.
DUYCK J.-Y. (2001), « Des lettres et des chiffres : vers la « troisième
génération » du qualitatif en sciences de gestion », Revue Sciences de
Gestion, n°30, p. 179-206.
EMERY F.E., TRIST E.L. (1969), Systems thinking, Penguin Modern
Management Readings.
EASTERBY-SMITH M., THORPE R., LOWE A. (2002), Management research: An
introduction, Sage.
FALLERY B., RODHAIN F. (2007), « Quatre approches pour l’analyse de

données textuelles : lexicale, linguistique, cognitive, thématique », 16ème
Conférence Internationale de Management Stratégique, Montréal, 27 p.
GANASSALI S. (2007), Les enquêtes par questionnaire avec Sphinx, Pearson
Education France.
GEPHART R. (2004), « Qualitative research and the Academy of Management
Journal », Academy of Management Journal, 47, p. 454-462.
GIRIN J. (1986), « L’objectivation des données subjectives. Éléments pour une
théorie du dispositif dans la recherche interactive », Colloque ISEOR-
FNEGE, « Qualité des informations scientifiques en gestion », p. 170-186.
GIRIN J. (1990), « Analyse empirique des situations de gestion : éléments de
théorie et de méthode », in Martinet (Ed.), Epistémologie et sciences de
gestion, Economica, p. 141-182.
HAMMERSLEY M. (1992), « Deconstructing the qualitative-quantitative
divide », in Brannen (Ed.), Mixing methods: Qualitative and quantitative
research, Averbury, p. 127-143.
HARBI N. (1990), Système expert en diagnostic d’entreprise, Thèse de
Doctorat d’informatique, INSA Lyon.
HATCHUEL A. (1994), « Les savoirs de l’intervention en entreprise »,
Entreprise et Histoire, n°7, p. 59-76.
HELME-GUIZON A., GAVARD-PERRET M.-L. (2004), « Analyse automatisée de
données textuelles en marketing : comparaison de trois logiciels »,
Décisions Marketing, n°36, p. 75-90.
HENRY C. (1998), « La communication interactive : vers une recherche
stratégique », Deuxièmes Journées « Recherche et Ergonomie »,
Toulouse, 8 p.
HUBERMAN M.A., MILES, B. (1991), Analyse des données qualitatives, De
Boeck Université, 2ème édition, 2003.
HUSSERL E. (1980), Méditations cartésiennes, Vrin.
KRIEF N. (2005), « Le rôle du chercheur en sciences de gestion : éléments
pour une « intersubjectivité contradictoire » en audit social », 23ème
Université d’été de l’Audit Social, Lille, 12 p.
KRIPPENDORF K. (2004), Content analysis: An introduction to its
methodology, Sage.
LAPERRIERE A. (1997), « La théorisation ancrée, démarche analytique et
comparaison avec d’autres méthodes apparentées », in Poupart,
Deslauriers, Groulx, Laperrière, Mayer et Pires (Eds), La recherche
qualitative. Enjeux épistémologiques et méthodologiques, Gaétan Morin
Editeur.
LEE T. (1998), Using qualitative method in organizationalresearch, Sage.
LEJEUNE C. (2010), « Montrer, calculer, explorer, analyser. Ce que
l’informatique fait (faire) à l’analyse qualitative », Recherches
Qualitatives, Hors Série, n°9, p. 15-32.
LE MOIGNE J.-L. (1990), « Épistémologies constructivistes et sciences de
l’organisation », in Martinet (Ed.), Épistémologies et sciences de gestion,
Economica, p. 81-140.
LEVY-TADJINE T., PATUREL R. (2012), « Représentations et questions de

méthodes dans une perspective intersubjective. L’exemple de
l’entrepreneuriat et du management », Revue Internationale de
Psychosociologie, n°44, Année XVIII, p. 343-366.
LEWIN K. (1947), « Frontiers in Group Dynamics I », Human Relations, vol.
1, p. 5-41.
LEWIN K. (1997), « Action Research and Minority Problems », in Lewin
(Ed.), Resolving Social Conflicts: Fields Theory in Social Science,
American Psychological Association, p. 143-152.
LOCKE K. (2001), Grounded Theory in Management Research, Sage.
MASON J. (1996), Qualitative researching, Sage.
MESNY A., MAILHOT C. (2010), « La collaboration entre chercheurs et
praticiens en gestion. Entre faux-semblants et nécessité épistémique »,
Revue Française de Gestion, n°202, p. 33-45.
MOISDON J.-C. (1984), « Recherche en gestion et intervention », Revue
Française de Gestion, p. 61-73.
MOISDON J.-C. (2010), « L’évaluation du changement organisationnel par
l’approche de la recherche-intervention. L’exemple des impacts de la
T2A », Revue Française des Affaires Sociales, n°1-2, p. 213-226.
MOSCAROLA J. (1995), « Les utilisations pédagogiques du Sphinx. De
l’enseignement à la recherche (1ère partie) », La Revue de l’EPI, n°78, p.
219-235.
MOSCAROLA J. (1995), « Les utilisations pédagogiques du Sphinx. De
l’enseignement à la recherche (suite et fin) », La Revue de l’EPI, n°79, p.
221-228.
MOSCAROLA J. (2006), « Le Sphinx Développement, Analyse lexicale avec Le
Sphinx », Manuel d’utilisation, 155 p.
MUCCHIELLI A. (2007), « Les processus intellectuels fondamentaux sous-
jacents aux techniques et méthodes qualitatives », Recherches
Qualitatives, Hors Série, n°3, p. 1- 27.
NOBRE T. (2006), « Pour une lecture en hypertexte des organisations par la
recherche-action : le cas du changement à l’hôpital », Finance Contrôle
Stratégie, Vol. 9, n°4, p. 143-168.
PAILLE P., MUCCHIELLI A. (2003), L’analyse qualitative en sciences humaines
et sociales, Armand Colin.
PEREZ Y.-A. (2008), « La pratique de la recherche-intervention dans les
organisations : retour sur les modes de production des connaissances
gestionnaires à partir du terrain », Humanisme et Entreprise, n°288, p.
101-113.
PLANE J.-M. (2000), Méthodes de recherche-intervention en management,
L’Harmattan.
ROYER C., BARIBEAU C., DUCHESNE A. (2009), « Les entretiens individuels
dans la recherche en sciences sociales au Québec : où en sommes-nous ?
Un panorama des usages », Recherches Qualitatives, Hors Série, n°7, p.
64-79.
SAVALL H. (1974, 1975), Enrichir le travail humain. L’évaluation
économique, Dunod ; 5ème édition, Economica, 1989.
SAVALL H. (1978), « Propos d’étape sur la régulation socio-économique de

l’entreprise par la recherche de la compatibilité de l’efficience
économique et du développement humain », Revue Économie Appliquée,
n°4, 36 p.
SAVALL H., ZARDET V. (1987), Maîtriser les coûts et les performances cachés,
Economica, 5ème édition, 2010.
SAVALL H., ZARDET V. (1996), « La dimension cognitive de la recherche-
intervention : la production de connaissances par interactivité cognitive »,
Revue Internationale de Systémique, Vol. 10, n°1-2, p. 157-189.
SAVALL H., ZARDET V. (2004), Recherche en sciences de gestion : approche
qualimétrique. Observer l’objet complexe, Economica.
SAVALL H., ZARDET V., HARBI N. (2004), « Analyse spectrale de diagnostics
socio-économiques : traitement qualimétrique de données qualitatives »,
Colloque AOM-RMD-ISEOR, IAE Lyon, 26 p.
SAVALL H., VALLEE M., ZARDET V. (2001), « La re-création n’est pas une
récréation », Congrès Institut Psychanalyse et Management, 10 p.
SAVALL H., ZARDET V., BONNET M., PÉRON M. (2008), « The emergence of
implicit criteria actually used by reviewers of qualitative research
articles », Organizational Research Methods, Vol. 11, n°3, p. 510-540.
SAVOIE-ZAJC L. (2000), « L’analyse de données qualitatives : pratiques
traditionnelle et assistée par le logiciel NUD*IST », Recherches
Qualitatives, n°21, p. 99-123.
SEALE C. (1999), The quality of quantitative research, Sage.
SUDDABY R. (2006), « What grounded theory is NOT », Academy of
Management Journal, 49, p. 633-642.
TESCH R. (1990), Qualitative Research. Analysis types and software tools, The
Falmer Press.
THIETART R.-A. (2007), Méthodes de recherche en management, Dunod.
THIL J. (1998), « Une méthode nouvelle pour cartographier des
coopérations », Technologies Internationales, n°41, p. 25-31.
TOUBOUL P., VALBOUSQUET J., POURRAT-VANONI I., ALQUIER M.-F.,
BENCHIMOL D., PRADIER C. (2011), « Comment adapter l’environnement
pour favoriser la marche des seniors ? Une étude qualitative », Santé
Publique, Vol. 23, p. 385-399.
TRUDEL P., GILBERT W. (2000), « Compléter la formation des chercheurs avec
le logiciel NUD*IST », Recherches Qualitatives, n°20, p. 87-111.
VAN DER MAREN J.-M. (1997), « Comparaison de l’efficacité de logiciels
Mac/Os spécialisés et commerciaux dans l’analyse de données
qualitatives », Recherches Qualitatives, n°16, p. 59-92.
VANDERCAMMEN M., GAUTHY-SINECHAL M. (1998), Études de marché.
Méthodes et outils, De Boeck Université.
VOYANT O. (2005), « La production de connaissances d’intention
scientifique : le principe de contingence générique appliqué à l’audit
social », 23ème Université d’été de l’Audit Social, IAE de Lille, 10 p.
VOYNNET-FOURBOUL C. (2002), « L’analyse des données qualitatives assistée
par ordinateur », Université Paris II Panthéon-Assas, 93 p.
WACHEUX F. (1996), Méthodes qualitatives et recherche en gestion,

Economica
WANLIN P. (2007), « L’analyse de contenu comme méthode d’analyse
qualitative d’entretiens : une comparaison entre les traitements manuels et
l’utilisation de logiciels », Recherches Qualitatives, Hors Série, n°3, p.
243-272.
WEICK K. (1989), « Theory construction as disciplined imagination »,
Academy of Management Review, 14, p. 551-561.

Analyse de Données Qualitatives - Krief Et Zardet

Transféré par

Droits d'auteur :

Formats disponibles

Analyse de Données Qualitatives - Krief Et Zardet

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse de Données Qualitatives - Krief Et Zardet

Transféré par

Droits d'auteur :

Formats disponibles

Analyse de données qualitatives et recherche-intervention

Nathalie Krief, Véronique Zardet

Article disponible en ligne à l’adresse

Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Distribution électronique Cairn.info pour ISEOR.

Analyse de données qualitatives et

Cet article met en évidence les spécificités des données

Mots-clés : Recherche-intervention, données qualitatives, effet-miroir,

This article highlights specificities of qualitative data and

Key-words: Intervention-research, qualitative data, mirror-effect,

Este artículo pone en evidencia las especificidades de los datos

Palabras claves: Investigación-intervención, datos cualitativos,

La littérature en gestion comporte de nombreuses publications

données. Puis nous étudions les apports et limites respectives des

1. – Particularités des données qualitatives dans la

L’objectif de cette partie est de situer la place des données

1.1. Méthodologie de la recherche-intervention

Les méthodes de recherche-intervention s’inscrivent dans une

déroulement du processus. Les chercheurs conduisent eux-mêmes

recherche de complémentarité entre différents travaux, car chaque

1.1.2. L’impossible neutralité du chercheur

Dès lors que la recherche-intervention s’applique à des objets qui

1.1.3. Principes épistémologiques fondateurs

Trois principes épistémologiques, qui représentent un filtre pour

convergences de représentations. L’objectivité naît alors de

1.2. Nature des données qualitatives collectées en recherche-

Deux grandes modalités de collecte cohabitent (Nobre, 2006) :

1.3. Fonction de l’effet-miroir dans la recherche-intervention

L’effet-miroir constitue une analyse de contenu d’entretiens,

collective qui procède d’une « forme de transaction » (Savall et

1.4. Méthode de construction de l’effet-miroir

L’effet-miroir se construit à partir des notes d’entretiens, en

notre pratique de recherches collectives et cumulatives, cette

Figure n°1 – Arborescence et étapes de construction

Idée-clé 1.1.1. Phrase-témoin 2

Sous-thème 1.1. Idée-clé 1.1.2. …

Source : Savall et al., 2008

Cette méthode permet de confronter les idées spécifiques et

Comme nous le verrons dans la seconde partie, cette construction

2. – Analyse des données qualitatives en recherche-

L’analyse de données qualitatives se définit d’abord par son

2. Voir en particulier la Revue québécoise Recherches Qualitatives, éditée par

conditions de recours aux logiciels d’analyse de données qualitatives

2.1. Pluralité des méthodes d’analyse de données qualitatives

Deux terminologies ressortent fréquemment : l’analyse de

3. Le corpus représente l’ensemble des textes, documents, entretiens, discours, etc.

permet de représenter une pensée. L’extraction de verbatim est

2.2. Processus et méthodes de traitement dans l’analyse de

Les auteurs distinguent deux à trois étapes chronologiques. La

2.3. Recours aux logiciels pour l’analyse de données qualitatives

L’utilisation de logiciels peut paraître a priori peu adaptée au

(Huberman et Miles, 1991, p. 111). Aussi, les logiciels peuvent

2.3.1. Classification des logiciels d’analyse de données qualitatives

Il existe pléthore d’outils informatiques d’assistance à l’analyse

Figure n°2 – Classification des logiciels

Source : Lejeune, 2010

Cinq familles de fonctionnalités sont ainsi définies. La

occurrences. Les outils réflexifs consistent à annoter le texte (codage)