Biais du modèle
Le biais du modèle concerne la question de savoir si le cadre théorique abordé et les hypothèses testées ont le même sens à travers les cultures. Si ces éléments ne sont pas équivalents dans les cultures participantes à l'étude, les données obtenues à partir d'eux peuvent ne pas être comparables, car les cadres conceptuels à partir desquels les données sont produites sont différents. Par exemple, de nombreuses théories testées dans les recherches sont basées sur une notion de « déterminisme logique » et de « rationalité » qui caractérise les systèmes éducatifs et les cultures dans lesquels elles ont été créées. De plus, étant donné que nous avons l'habitude de dessiner des théories comportementales en deux dimensions sur papier, ce support influence la façon dont nous créons des théories (plus de détails dans le Chapitre 8). De tels modèles théoriques peuvent ne pas être applicables de manière équivalente à travers les cultures.
Biais de l'échantillonnage
Il existe deux problèmes concernant le biais d'échantillonnage. Le premier concerne la question de savoir si les échantillons sont des représentations appropriées de leur culture. La plupart des études transculturelles ne sont pas seulement transculturelles ; ce sont souvent des études transurbaines, et plus spécifiquement, transuniversitaires. Une « comparaison interculturelle » entre des participants américains et mexicains pourrait impliquer des données collectées à Seattle et à Mexico, ou plus précisément dans deux universités de ces villes. Les participants de Seattle sont-ils représentatifs de la culture américaine ? Donneraient-ils les mêmes réponses que des participants de Boise ou de Wichita ? Les participants de Mexico donneraient-ils les mêmes résultats que ceux de San Luis Potosi ou de Guadalajara ? Cet aspect du biais d'échantillonnage est important car les échantillons sont considérés comme représentatifs de groupes assez larges de personnes, et les résultats sont interprétés pour l'ensemble de la population.
Un deuxième type de biais d'échantillonnage concerne l'équivalence des échantillons sur des variables démographiques non culturelles, telles que l'âge, le sexe, la religion, le statut socioéconomique ou l'expérience professionnelle. Par exemple, comme mentionné plus tôt, de nombreuses études transculturelles sont en réalité des études transuniversitaires. Cependant, devenir étudiant universitaire peut être très différent selon les cultures. Dans de nombreux pays industrialisés, de nombreux jeunes s'inscrivent à l'université ; dans beaucoup d'autres pays, ce n'est pas le cas, et il peut y avoir de grandes différences dans les ratios hommes/femmes ou les niveaux de richesse. Ainsi, des comparaisons d'échantillons qui diffèrent sur ces caractéristiques soulèvent des questions concernant la nature des différences, qui peuvent être culturelles ou liées à ces différences démographiques.
Un problème survient dans les recherches transculturelles, car certaines caractéristiques démographiques non culturelles sont inextricablement liées à la culture, ce qui empêche les chercheurs de les contrôler dans leurs études. Par exemple, il existe des différences dans le sens et la pratique des religions à travers les cultures, qui sont liées à la culture. Maintenir la religion constante à travers les cultures ne règle pas le problème, car être catholique aux États-Unis ne signifie pas la même chose qu’être catholique au Japon ou en Malaisie. Échantillonner aléatoirement sans tenir compte de la religion conduira à des échantillons qui diffèrent non seulement culturellement mais aussi religieusement (dans la mesure où l'on peut séparer les influences des deux). Ainsi, les différences culturelles présumées reflètent souvent aussi des différences religieuses entre les échantillons. Il en va de même pour le statut socioéconomique (SSE), car il existe d'énormes différences de SSE entre les échantillons culturels du monde entier.
Biais procédural (administratif)
Le processus même de réalisation de la recherche à travers les cultures peut être très différent (biais procédural). Les plus grands problèmes concernent les attentes et le consentement. En ce qui concerne les premières, dans de nombreuses universités américaines, les étudiants inscrits dans des cours de psychologie introductifs sont tenus de participer en tant que sujets de recherche pour remplir une partie des exigences du cours. Il existe un processus attendu pour rechercher et s'inscrire à des études, et de nombreux étudiants sont « avertis » en matière de recherche. Les coutumes diffèrent dans d'autres pays. Dans certains, les professeurs collectent simplement des données auprès de leurs étudiants en cours ou leur demandent de participer à un laboratoire de recherche. Dans certains pays, participer à une recherche, en particulier dans des études internationales, peut être considéré comme un privilège plutôt que comme une corvée ou une obligation.
Il existe également des différences concernant le consentement. Aux États-Unis et dans de nombreux autres pays, les chercheurs sont tenus d'obtenir le consentement des participants, qui sont libres de participer ou non, ou de s'arrêter en cours de participation, sans pénalité. Les participants ont des droits qui leur sont expliqués au préalable. Dans de nombreux autres pays, cela n’est peut-être pas le cas.
Biais d'interprétation
Analyser les données
Les comparaisons transculturelles impliquent généralement l'utilisation de statistiques testant les différences de moyennes de groupes, et les chercheurs (ainsi que les consommateurs de la recherche) font des inférences sur les « vraies » différences de groupes dans les populations à partir des probabilités. Lorsque des différences entre les échantillons sont « trouvées » — c'est-à-dire statistiquement significatives — les chercheurs concluent que les cultures étaient différentes. Il s'agit d'une approche typique connue sous le nom de test d'hypothèse nulle.
Cependant, des résultats « statistiquement significatifs » ne sont pas nécessairement « pratiquement significatifs ». Cela est important, car les différences obtenues sont interprétées comme représentatives de différences entre des groupes ou populations très larges. Par exemple, des différences statistiquement significatives entre les échantillons américains et chinois sur l'expressivité émotionnelle peuvent amener à interpréter que la plupart ou tous les Américains sont plus expressifs que la plupart ou tous les Chinois, ce qui peut alimenter les stéréotypes.
Les moyennes de groupes peuvent être statistiquement différentes même s'il y a une certaine superposition entre les scores des individus composant les groupes. Heureusement, il existe des procédures statistiques permettant de déterminer dans quelle mesure les différences dans les valeurs moyennes reflètent des différences significatives entre les individus. La classe générale de statistiques est appelée « statistiques de taille d'effet » ; lorsqu'elles sont utilisées dans les études transculturelles, elles sont appelées « statistiques de taille d'effet culturel » (Matsumoto, Grissom et Dinnel, 2001). Leur utilisation judicieuse peut aider les chercheurs et les lecteurs à savoir si les différences obtenues reflètent des différences significatives entre les individus testés, réduisant ainsi les interprétations stéréotypées.
Interpréter les résultats
La culture peut influencer la manière dont les chercheurs interprètent leurs résultats, car ils les analysent à travers leurs propres filtres culturels. Par exemple, pendant des années, les différences culturelles entre les Américains et les Japonais en termes d'émotivité ont été interprétées par les chercheurs comme un indicateur de la suppression des émotions chez les Japonais (Matsumoto & Ekman, 1989). Cependant, des études plus récentes ont montré que les Japonais ne supprimaient pas leurs réponses émotionnelles, mais que les Américains les exagéraient (Matsumoto, Kasri & Kooken, 1999). Ainsi, nos propres interprétations des données étaient à tort biaisées en considérant implicitement les données américaines comme des réponses « vraies » et les données non-américaines comme d'une manière ou d'une autre différentes (Matsumoto & Hwang, 2020b).
Une autre erreur d'interprétation se produit dans les études exploratoires, qui utilisent des conceptions quasi-expérimentales. Les données provenant de tels conceptions sont corrélationnelles et ne permettent pas de faire des inférences causales. Pourtant, les différences observées dans de tels conceptions sont souvent interprétées comme ayant été « causées » (ou « influencées », ou « affectées » sont aussi des termes couramment utilisés) par la culture (rappelons notre discussion antérieure sur les questions de conception). Dans de tels cas, faire des inférences sur les relations causales entre l'appartenance culturelle et une variable d'intérêt n'a pas plus de sens que de le faire sur la base du sexe, de la couleur des cheveux, de la taille ou de l'alimentation.
Les interprétations selon lesquelles la culture a « causé » les différences culturelles lorsqu'il n'y a pas de justification empirique pour faire de telles interprétations sont appelées des failles d'attribution culturelle (Matsumoto & Yoo, 2006). Par exemple, des chercheurs pourraient obtenir des différences significatives entre les Américains et les Hongkongais sur une variable et interpréter ces différences comme ayant été causées par l'individualisme et le collectivisme. Mais, à moins que les chercheurs n'aient réellement mesuré l'individualisme et le collectivisme dans leur étude, n'aient constaté que les deux cultures diffèrent sur cette dimension, et aient démontré que cela explique les différences culturelles, l'interprétation n'est pas empiriquement justifiée.
C'est pourquoi les études de lien sont importantes.
Traiter les données non équivalentes
Malgré les meilleurs efforts pour réduire les biais et établir l'équivalence, la recherche transculturelle est souvent intrinsèquement non équivalente, car créer une étude transculturelle qui signifie exactement la même chose pour toutes les cultures participantes est presque impossible. Ainsi, les chercheurs sont souvent confrontés à des questions sur la façon de traiter les données non équivalentes.
Poortinga (1989) a proposé quatre manières différentes de traiter ce problème :
-
Exclure la comparaison. La chose la plus conservatrice que les chercheurs peuvent faire est de ne pas faire la comparaison dès le départ, concluant que cela serait dénué de sens.
-
Réduire la non-équivalence dans les données. Les chercheurs peuvent prendre des mesures pour identifier les parties équivalentes et non équivalentes de leurs méthodes, puis recentrer leurs comparaisons uniquement sur les parties équivalentes (voir Byrne & Matsumoto, 2021 pour une discussion plus approfondie). Par exemple, si les chercheurs ont utilisé une échelle de 20 éléments pour mesurer l'anxiété dans deux cultures et ont trouvé des preuves de non-équivalence sur l'échelle, ils pourraient examiner chacun des 20 éléments pour l'équivalence et recalculer le test en utilisant uniquement les éléments équivalents. Les comparaisons seraient ensuite basées sur les éléments recalculés.
-
Interpréter la non-équivalence. Les chercheurs peuvent interpréter la non-équivalence comme une information importante concernant les différences culturelles.
-
Ignorer la non-équivalence. Les chercheurs peuvent ignorer le biais, s'accrochant à la croyance en l'invariance des échelles à travers les cultures malgré l'absence de preuves soutenant ces croyances. Heureusement, la plupart des études transculturelles ne font pas simplement ignorer ce problème.
En raison du biais, les chercheurs sont souvent confrontés à de nombreuses zones grises dans l'interprétation des résultats. La culture elle-même est un phénomène complexe, ni noir ni blanc, mais rempli de nuances de gris. Les consommateurs avisés de ces recherches sont capables d'examiner et de comprendre la recherche transculturelle avec ces caveats uniques.
Vérification de la compréhension
- Pourquoi est-il important de comprendre et de traiter les problèmes liés aux biais et à l'équivalence dans la recherche transculturelle ?
- Si un biais existe dans une étude, qu'est-ce que cela signifie pour l'interprétation des résultats ?
