Comment faire de la pseudoscience avec des données réelles : une critique des arguments statistiques de John Hattie dans Visible learning par un statisticien
PIERRE-JÉRÔME BERGERON – Université d’Ottawa
Cet article offre une critique du point de vue d’un statisticien de la méthodologie utilisée par Hattie, et explique pourquoi il faut absolument qualifier cette méthodologie de pseudoscience selon l’auteur. On parle tout d’abord des intentions de Hattie. Puis, on décrit les erreurs majeures de Visible Learning avant d’expliquer l’ensemble des questions qu’un chercheur devrait se poser en examinant des études et enquêtes basées sur des analyses de données, incluant les méta-analyses.
RÉSUMÉ. Cet article offre une critique du point de vue d’un statisticien de la méthodologie utilisée par Hattie, et explique pourquoi il faut absolument qualifier cette méthodologie de pseudoscience. On parle tout d’abord des intentions de Hattie. Puis, on décrit les erreurs majeures de Visible Learning avant d’expliquer l’ensemble des questions qu’un chercheur devrait se poser en examinant des études et enquêtes basées sur des analyses de données, incluant les méta-analyses. Ensuite, on donne des exemples concrets démontrant que le d de Cohen (la mesure de base derrière les effets d’ampleur, effect sizes, de Hattie) ne peut tout simplement pas être utilisé comme une mesure universelle d’impact. Enfin, on donne des pistes de solution pour mieux comprendre et exécuter des études et méta-analyses en éducation.
Pour lire l’article, cliquez sur le lien suivant : http://mje.mcgill.ca/article/view/9394/7151