La cartographie conceptuelle est une méthode largement utilisée pour organiser et visualiser la vision collective qu’à un ensemble d’acteurs d’une problématique spécifique (lire l’article : En quoi consiste la cartographie conceptuelle ?). Cette méthode, initialement développée par Trochim (1989), repose sur trois étapes générales : 

1. la collecte d’idées (ou concepts) décrivant l’enjeu en question 
2. le tri de ces idées en groupe selon leur sens général
3. le partitionnement des idées en thématiques générales

Pour cette troisième étape, les données sont tout d’abord projetées dans un espace bidimensionnel par positionnement multidimensionnel non métrique (non-metric multidimensional scaling (nMDS)). Ensuite, une analyse de partitionnement (clustering analysis) est réalisée pour identifier des thématiques générales selon les groupements effectués par les participants. Cette approche est celle définie par Trochim dans son article fondateur et constitue la norme actuelle en cartographie conceptuelle.

Cependant, Péladeau et al. (2017) proposent qu’une approche plus valide consiste à appliquer le partitionnement directement sur les distances brutes calculées à partir du tri des idées par les participants. L’argument avancé est que la nMDS crée une distorsion des données qui influence et diminue la validité de l’analyse de partitionnement.

Pour étudier la performance de cette méthode alternative, nous avons réalisé une étude dans laquelle nous avons simulé des matrices de distances dont les données sont partitionnées, a priori, de manière plus ou moins précise. Nous avons ensuite comparé la méthode de Trochim (1989) à la méthode alternative proposée par Péladeau et al., (2017). Les résultats préliminaires montrent une meilleure performance de la méthode alternative, soit une meilleure identification des partitions définie a priori, lorsque ceux-ci sont moins précis et que la distorsion entre les distances originales et celles calculées par nMDS augmente. Ceci est d’autant plus pertinent considérant que les données empiriques de cartographie conceptuelle affichent généralement ces propriétés.

« Les résultats préliminaires montrent une meilleure performance de la méthode alternative, soit une meilleure identification des partitions. »

L’analyse de partitionnement sur les distances calculées à l’étape du trie des idées offre donc une perspective intéressante pour améliorer la validité de la méthode de la cartographie conceptuelle. En effet, celle-ci n’est pas influencée par la distorsion potentiellement introduite par la nMDS. Elle permet de mieux saisir les relations entre les idées, et donc potentiellement d’être plus utile dans ces domaines d’applications que sont la recherche, la planification stratégique et la prise de décision. Conséquemment, nous avons choisi d’utiliser cette approche chez Polygon pour renforcer la validité de notre solution. 

Les résultats de cette étude seront communiqués prochainement dans une publication scientifique. Afin de continuer à améliorer cette méthode, nous explorons également d’autres approches pour optimiser la visualisation de ces clusters. Ces approches sont discutées dans cet article (lire l’article : La réduction de la dimensionnalité : d’autres approches possibles pour la cartographie conceptuelle). À terme, ces développements méthodologiques seront également disponibles dans une librairie Python open source (lire l’article : Un outil open source pour l’analyse de cartographie conceptuelle).

Bibliographie :

Péladeau, N., Dagenais, C., & Ridde, V. (2017). Concept mapping internal validity: A case of misconceived mapping? Evaluation and Program Planning, 62, 56–63. https://doi.org/10.1016/j.evalprogplan.2017.02.005

‍Trochim, W. M. (1989). An introduction to concept mapping for planning and evaluation. Evaluation and Program Planning, 12 (1), 1–16. https://doi.org/10.1016/0149-7189(89)90016-5