Analyse de données secondaires : utiliser des données et documents existants comme preuves

Vous avez trouvé des rapports publics, un fichier statistique téléchargeable et plusieurs documents institutionnels qui semblent parfaits pour votre sujet, mais vous ne savez pas si cela “compte” vraiment comme une méthode de recherche. Votre enseignant vous demande de justifier vos données, pas seulement de citer trois chiffres intéressants. Le problème arrive souvent en licence, baccalauréat ou master : les données existent déjà, elles paraissent utiles, mais il faut encore montrer pourquoi elles répondent à votre question, comment vous les avez sélectionnées, quelles limites elles imposent et ce que vous pouvez réellement conclure. Une analyse de données secondaires n’est donc pas un raccourci ; c’est une façon structurée de produire des preuves à partir de matériaux déjà disponibles.

L’analyse de données secondaires consiste à réutiliser des jeux de données, statistiques, rapports, archives ou documents déjà produits pour répondre à une question de recherche nouvelle. Elle exige une question précise, des critères de sélection transparents, une évaluation critique des sources et une méthode d’analyse adaptée aux preuves disponibles. Dans un travail universitaire, elle fonctionne bien si vous montrez clairement le lien entre question, données, analyse et limites.

Dans ce guide

• Qu’est-ce qu’une analyse de données secondaires en recherche universitaire
• Quelle est la différence entre analyse de données secondaires et analyse documentaire
• Quand faut-il utiliser des données secondaires plutôt que collecter ses propres données
• Comment choisir des sources fiables pour une recherche secondaire
• Comment analyser des données existantes sans perdre la rigueur méthodologique
• Comment transformer des documents existants en preuves analysables
• Quelles erreurs les étudiants commettent-ils souvent dans une analyse de données secondaires
• Comment présenter la méthode et les limites dans votre travail
• Comment vérifier que votre analyse de données secondaires est prête à être rédigée

Qu’est-ce qu’une analyse de données secondaires en recherche universitaire ?

Une analyse de données secondaires est une méthode qui utilise des données déjà collectées par d’autres personnes, organisations ou institutions. L’étudiant ne produit pas les données brutes lui-même ; il les sélectionne, les évalue et les réanalyse pour répondre à sa propre question de recherche. Cette méthode peut être quantitative, qualitative, documentaire ou mixte selon la nature des matériaux utilisés.

Définition simple et utile

Données secondaires : données qui existent avant votre projet et qui ont été produites pour un autre objectif que votre travail universitaire. Il peut s’agir de statistiques publiques, d’enquêtes nationales, de bases administratives, de rapports d’organisations, de décisions de justice, d’archives, de contenus médiatiques ou de documents internes accessibles.

L’idée n’est pas de “prendre des données sur internet” au hasard. Vous devez expliquer pourquoi ces matériaux sont pertinents, suffisamment fiables et compatibles avec votre question. Par exemple, un étudiant en psychologie sociale peut analyser des résultats d’enquêtes publiques sur le sentiment d’isolement chez les jeunes adultes, tandis qu’un étudiant en gestion peut comparer des rapports annuels d’entreprises pour étudier la communication autour de la responsabilité sociale.

Ce qui compte comme preuve

Une preuve n’est pas seulement une information qui va dans le sens de votre argument. C’est un élément que vous pouvez relier à une question, à une méthode d’analyse et à une interprétation prudente. Un tableau statistique, un extrait de rapport, une série de documents politiques ou une base de données ouverte peuvent servir de preuve si vous montrez comment ils ont été produits et ce qu’ils permettent réellement d’observer.

Dans un travail de licence ou de master, votre lecteur attend trois éléments : la traçabilité des données, la justification de leur sélection et une analyse qui dépasse la paraphrase. Si vous utilisez une enquête nationale, indiquez la population concernée, la période, les variables retenues et les limites de mesure. Si vous analysez des documents, précisez le corpus, les critères d’inclusion et la grille de codage.

Exemple faible et réécriture plus solide

Version faible	Version plus solide
“Je vais utiliser des statistiques sur les étudiants pour montrer que le stress augmente.”	“J’analyse les données 2021–2024 d’une enquête nationale sur la santé étudiante afin d’étudier l’évolution déclarée du stress chez les étudiants de licence, en distinguant année d’étude, genre déclaré et situation de logement.”
“Je vais regarder des rapports d’hôpitaux sur les patients âgés.”	“J’examine les rapports publics de trois services de soins à domicile entre 2020 et 2023 pour comparer les facteurs institutionnels associés au suivi médicamenteux des patients âgés après sortie d’hospitalisation.”
“Je vais faire une analyse documentaire sur le télétravail.”	“Je constitue un corpus de politiques RH publiées par dix entreprises cotées entre 2019 et 2024 afin d’analyser les changements de justification du télétravail avant et après la pandémie.”

La différence tient à la précision : population, période, type de données, angle d’analyse et objectif. Sans ces éléments, votre méthode reste trop vague pour être défendue.

Quelle est la différence entre analyse de données secondaires et analyse documentaire ?

L’analyse de données secondaires désigne surtout la réutilisation de données existantes, souvent statistiques ou empiriques, tandis que l’analyse documentaire étudie un corpus de documents comme matériau principal. Les deux méthodes peuvent se chevaucher : un rapport institutionnel peut contenir des chiffres et du discours. La distinction dépend donc du type de preuve que vous analysez en priorité.

Données, documents et corpus

Analyse documentaire : méthode de recherche qui examine des documents sélectionnés selon des critères explicites pour en extraire des thèmes, catégories, arguments, cadrages ou informations. Les documents peuvent être des rapports publics, lois, chartes, communiqués, programmes scolaires, articles de presse, politiques d’entreprise ou archives.

Recherche secondaire : démarche qui répond à une question de recherche à partir de matériaux déjà disponibles, sans collecte primaire auprès de participants. Elle inclut l’analyse de données secondaires, l’analyse documentaire et certaines revues structurées de littérature, selon le design choisi.

Un étudiant en sciences de la santé peut utiliser des données secondaires si son matériau principal est une base statistique sur les réadmissions hospitalières. Il fera plutôt une analyse documentaire si son matériau principal est un ensemble de protocoles de sortie ou de recommandations professionnelles. Dans les deux cas, il doit justifier le corpus et expliquer sa procédure d’analyse.

Comparaison concrète des deux approches

Situation de recherche	Analyse de données secondaires	Analyse documentaire
Psychologie sociale	Réanalyser une enquête publique sur solitude, sommeil et usage des réseaux sociaux chez les 18–25 ans	Étudier des campagnes institutionnelles de prévention sur la santé mentale étudiante
Sciences infirmières	Comparer des taux de réadmission à 30 jours dans une base hospitalière ouverte	Analyser des protocoles de suivi médicamenteux après sortie à domicile
Éducation	Exploiter des résultats d’évaluations standardisées par région et niveau scolaire	Examiner des programmes scolaires pour repérer la place accordée à l’éducation aux médias
Gestion	Utiliser des indicateurs financiers et ESG publiés sur plusieurs années	Analyser les rapports annuels pour étudier le discours sur la durabilité

Cette distinction vous aide à rédiger votre chapitre méthodologique. Si votre preuve principale est chiffrée, vous devrez préciser les variables, les unités d’analyse et les opérations statistiques. Si votre preuve principale est textuelle, vous devrez présenter votre corpus, votre grille de codage et votre logique d’interprétation.

Lien avec la revue de littérature

Ne confondez pas analyse documentaire et revue de littérature. Une revue de littérature synthétise des travaux scientifiques pour situer votre sujet, identifier des concepts et construire votre cadre théorique. Une analyse documentaire traite des documents comme données à analyser.

Par exemple, lire des articles scientifiques sur les politiques de télétravail relève de la revue de littérature. Coder les politiques RH de vingt entreprises comme corpus empirique relève de l’analyse documentaire. Pour organiser cette partie théorique sans la mélanger avec vos données, vous pouvez vous appuyer sur une revue de littérature structurée par thèmes.

Quand faut-il utiliser des données secondaires plutôt que collecter ses propres données ?

Utiliser des données secondaires est pertinent lorsque des sources existantes répondent mieux, plus largement ou plus éthiquement à votre question que des données que vous pourriez collecter vous-même. Cette option convient particulièrement aux travaux avec peu de temps, un accès limité au terrain ou une question portant sur des tendances déjà mesurées. Elle n’est pas adaptée si les données disponibles ne correspondent pas à vos concepts ou à votre population.

Bonnes raisons de choisir cette méthode

Cette méthode est souvent judicieuse quand votre question porte sur une période longue, une population large ou un contexte difficile d’accès. Un étudiant de master en management peut difficilement interroger cent entreprises sur cinq ans, mais il peut analyser leurs rapports annuels, communiqués financiers et indicateurs publics. Un étudiant en éducation peut ne pas avoir accès aux classes, mais il peut examiner des programmes, rapports ministériels et résultats agrégés d’évaluations.

Elle peut aussi réduire certains problèmes éthiques. En sciences infirmières, interroger directement des patients âgés récemment sortis d’hospitalisation demande des autorisations sensibles. Pour un travail universitaire de niveau licence ou master, il peut être plus réaliste d’utiliser des rapports publics, recommandations cliniques ou données anonymisées déjà disponibles.

Mauvaises raisons de choisir cette méthode

Choisir des données secondaires uniquement parce que cela paraît “plus facile” mène souvent à un travail fragile. Les données existantes ont été collectées pour un objectif qui n’est pas le vôtre. Elles peuvent omettre la variable qui vous intéresse, mesurer un concept de manière approximative ou couvrir une population différente.

Si votre sujet est “l’expérience vécue des étudiants internationaux dans une université précise”, une base statistique nationale risque de ne pas suffire. Vous pouvez alors reformuler la question vers ce que les données permettent d’étudier : par exemple, “Comment les rapports institutionnels francophones cadrent-ils les besoins des étudiants internationaux depuis 2020 ?” Le choix méthodologique oblige parfois à ajuster la question, pas seulement à chercher plus longtemps.

De la question au design

Le meilleur test consiste à aligner quatre éléments : question, concepts, données et analyse. Si l’un ne correspond pas, le projet se déforme. Une question causale exige des données capables de soutenir au moins une comparaison ou une modélisation prudente. Une question de représentation demande un corpus documentaire cohérent. Une question d’évolution nécessite une période suffisamment longue.

Pour éviter de choisir une méthode incompatible avec votre question, travaillez d’abord l’alignement entre question et design. Le raisonnement est proche de celui présenté dans l’alignement entre question, données et design de recherche, surtout si vous hésitez entre quantitatif, qualitatif, théorique et documentaire.

Comment choisir des sources fiables pour une recherche secondaire ?

Pour choisir des sources fiables en recherche secondaire, vérifiez l’origine des données, la méthode de production, la date, la couverture, les définitions utilisées et l’accès aux métadonnées. Une source fiable n’est pas seulement connue ; elle doit convenir à votre question. Votre travail doit montrer pourquoi vous retenez certaines sources et en écartez d’autres.

Critères de sélection transparents

Commencez par fixer des critères avant de télécharger ou sauvegarder tout ce qui semble utile. Les critères peuvent porter sur la période, le pays, la langue, le type d’organisation, le public étudié, la disponibilité des méthodes ou la comparabilité entre documents. Cette étape protège votre travail contre l’accumulation désordonnée de sources.

Un exemple en droit : si vous analysez l’évolution du traitement de la protection des données personnelles dans des décisions de justice, vous pouvez retenir uniquement les décisions publiées entre 2018 et 2024, provenant d’une juridiction précise, contenant certains termes de recherche et portant sur des litiges liés au consentement numérique. Ces critères rendent votre corpus vérifiable.

Questions à poser à chaque source

Avant d’utiliser une source, posez des questions simples mais strictes :

1. Qui a produit les données ou le document ?
2. Dans quel but initial la source a-t-elle été créée ?
3. Quelle population, institution ou période couvre-t-elle ?
4. Quelles définitions ou catégories emploie-t-elle ?
5. Les méthodes de collecte ou de production sont-elles disponibles ?
6. La source permet-elle de répondre à votre question sans extrapolation excessive ?
7. Existe-t-il des biais liés au financeur, à l’institution ou au contexte de publication ?

Ces questions ne servent pas seulement à “vérifier la qualité”. Elles vous donnent déjà de la matière pour votre section méthodologique et votre discussion des limites.

Sources scientifiques et sources institutionnelles

Les articles scientifiques ne sont pas toujours vos données ; ils servent souvent à construire le cadre théorique. Les sources institutionnelles, elles, peuvent devenir des données si vous les analysez comme corpus. Par exemple, des recommandations de santé publique peuvent être citées comme contexte, mais elles peuvent aussi être codées pour étudier la manière dont elles définissent l’autonomie du patient.

Pour les sources académiques utilisées dans votre cadre théorique, privilégiez les bases universitaires, DOI, revues reconnues et bibliographies solides. Si vous avez du mal à distinguer une source scientifique d’un document d’opinion, le réseau de sources universitaires vérifiées par DOI peut vous aider à clarifier ce tri.

Comment analyser des données existantes sans perdre la rigueur méthodologique ?

Pour analyser des données existantes avec rigueur, partez d’une question précise, définissez vos variables ou catégories, documentez chaque transformation et justifiez les limites des données. Vous ne contrôlez pas la collecte initiale, donc vous devez être plus explicite sur la sélection et l’interprétation. La rigueur vient de la traçabilité de vos décisions.

Procédure en étapes

Une analyse secondaire solide peut suivre un processus simple :

1. Formulez une question compatible avec les données disponibles.
2. Identifiez les sources potentielles et leurs métadonnées.
3. Définissez vos critères d’inclusion et d’exclusion.
4. Sélectionnez les variables, indicateurs ou segments documentaires utiles.
5. Nettoyez ou préparez les données sans modifier leur sens.
6. Analysez selon une méthode adaptée : statistiques descriptives, comparaison, codage thématique, analyse de contenu ou autre.
7. Notez les limites liées à la collecte initiale, aux catégories, aux absences de données et à la période.
8. Reliez les résultats à votre cadre théorique sans affirmer plus que les données ne permettent.

Cette liste peut sembler mécanique, mais elle évite deux problèmes fréquents : choisir les données après avoir déjà décidé de la conclusion, ou modifier la question à chaque nouvelle source trouvée.

Exemple en psychologie sociale

Supposons un travail sur le lien entre usage intensif des réseaux sociaux et sentiment d’isolement chez les étudiants de 18 à 25 ans. Une enquête publique peut contenir des variables sur fréquence d’utilisation, score de solitude, sommeil, situation de logement et statut étudiant. Vous pouvez analyser des associations descriptives, comparer des sous-groupes et discuter des facteurs possibles.

Vous ne pouvez pas conclure que les réseaux sociaux “causent” l’isolement si la base est transversale et déclarative. Vous pouvez plutôt écrire que certaines formes d’usage sont associées à des niveaux plus élevés de solitude déclarée dans l’échantillon, sous réserve des limites de mesure. Cette prudence renforce votre crédibilité au lieu d’affaiblir votre argument.

Exemple en sciences infirmières

Dans un travail sur l’adhésion médicamenteuse de patients âgés après retour à domicile, vous pouvez utiliser des rapports de services de soins, recommandations professionnelles et données agrégées de suivi. L’analyse peut comparer les facteurs mentionnés : clarté des ordonnances, coordination ville-hôpital, présence d’aidants, appels de suivi, incidents signalés.

Ici, la preuve peut combiner chiffres et documents. Les taux de réadmission ou d’incidents donnent une base descriptive, tandis que les protocoles expliquent comment les institutions encadrent le suivi. La conclusion doit rester liée aux matériaux : vous pouvez analyser les dispositifs documentés, pas l’expérience intime des patients si vous ne les avez pas interrogés.

Exemple en gestion

Pour étudier la communication RSE d’entreprises, vous pouvez constituer un corpus de rapports annuels publiés sur cinq ans. Une analyse documentaire méthode de recherche peut alors coder les thèmes récurrents : climat, diversité, chaîne d’approvisionnement, gouvernance, indicateurs chiffrés, promesses futures.

L’intérêt n’est pas de répéter ce que chaque entreprise affirme. Vous pouvez comparer l’évolution des thèmes, la place relative des indicateurs et les différences entre secteurs. Si vous ajoutez des données financières publiques, vous pouvez aussi examiner si les changements discursifs coïncident avec des événements économiques ou réglementaires, sans supposer automatiquement une relation causale.

Comment transformer des documents existants en preuves analysables ?

Pour transformer des documents existants en preuves analysables, construisez un corpus fermé, définissez une unité d’analyse et appliquez une grille de lecture cohérente. Les documents ne parlent pas d’eux-mêmes : vous devez décider ce que vous observez, comment vous le codez et comment vous comparez les résultats. La méthode doit être assez claire pour qu’un lecteur comprenne votre cheminement.

Constituer un corpus défendable

Un corpus est un ensemble de documents sélectionnés pour répondre à une question précise. Il peut être petit, à condition d’être justifié. Dix politiques institutionnelles peuvent suffire pour une analyse qualitative ciblée ; cent communiqués peuvent être nécessaires si vous cherchez une évolution thématique sur plusieurs années.

Définissez le périmètre avant l’analyse. Par exemple : “Le corpus comprend les plans stratégiques 2020–2024 de douze universités francophones publiés sur leurs sites officiels, sélectionnés parce qu’ils contiennent une section consacrée à l’inclusion étudiante.” Cette phrase donne déjà la période, le type de document, la langue, la source et le critère d’inclusion.

Choisir l’unité d’analyse

Unité d’analyse : élément que vous observez et comparez. Dans une analyse documentaire, cela peut être un document entier, une section, un paragraphe, une phrase, un thème ou une occurrence d’un concept. Le choix dépend de votre question.

Si vous étudiez la place de l’inclusion dans les plans stratégiques universitaires, l’unité peut être la section consacrée aux étudiants. Si vous étudiez le cadrage du risque dans des communiqués de santé publique, l’unité peut être le paragraphe où le risque est défini. Une unité trop large produit des observations floues ; une unité trop fine peut fragmenter le sens.

Construire une grille de codage

Une grille de codage transforme vos documents en matériau analysable. Elle peut contenir des catégories issues de votre cadre théorique et des catégories ajoutées après lecture exploratoire. Par exemple, dans un corpus de politiques de télétravail, vos catégories peuvent être : autonomie, contrôle, productivité, santé mentale, égalité d’accès, équipement, sécurité des données.

Ne multipliez pas les catégories sans raison. Une grille de cinq à huit catégories bien définies vaut souvent mieux qu’une liste de vingt thèmes qui se recoupent. Pour chaque catégorie, écrivez une définition et un exemple. Cela rend votre analyse plus stable et facilite la rédaction des résultats.

Quelles erreurs les étudiants commettent-ils souvent dans une analyse de données secondaires ?

Les erreurs les plus fréquentes consistent à confondre collecte facile et méthode rigoureuse, à utiliser des sources sans critères, ou à tirer des conclusions que les données ne soutiennent pas. Ces problèmes apparaissent surtout quand l’étudiant trouve des documents intéressants avant d’avoir formulé une question. La correction passe par un meilleur alignement entre question, corpus, méthode et limites.

Erreurs typiques et corrections

1. Empiler des sources sans corpus défini
   Exemple étudiant : “J’utiliserai des rapports de l’OCDE, des articles de presse et des statistiques nationales pour parler des inégalités scolaires.”
   Correction : définissez un corpus précis, par exemple “rapports nationaux 2018–2024 sur les écarts de réussite en mathématiques au secondaire dans trois pays francophones”, puis justifiez les exclusions.

2. Traiter un rapport institutionnel comme une vérité neutre
   Exemple étudiant : “Le rapport de l’entreprise montre qu’elle améliore réellement ses pratiques environnementales.”
   Correction : présentez le rapport comme un document produit par un acteur intéressé. Analysez ce qu’il affirme, les indicateurs choisis, les absences et le contexte de publication.

3. Utiliser des variables qui ne mesurent pas le concept annoncé
   Exemple étudiant : “Je mesure la motivation des étudiants avec le taux de présence en cours.”
   Correction : le taux de présence peut être un indicateur indirect, mais il ne suffit pas à mesurer la motivation. Reformulez vers “participation observable” ou trouvez une variable plus proche du concept.

4. Conclure à une causalité à partir d’une comparaison descriptive
   Exemple étudiant : “Les régions avec plus de dépenses de santé ont moins de réadmissions, donc les dépenses réduisent les réadmissions.”
   Correction : écrivez plutôt que les données montrent une association entre dépenses et réadmissions, puis discutez les facteurs non observés : âge, état de santé, organisation des soins, critères de codage.

5. Changer la question pour correspondre à chaque nouvelle source
   Exemple étudiant : “Mon sujet porte sur la réussite scolaire, puis sur le décrochage, puis sur le bien-être, car j’ai trouvé des données sur les trois.”
   Correction : revenez à une question centrale et utilisez les autres sources seulement si elles éclairent cette question. Si nécessaire, redélimitez le sujet avec un périmètre explicite.

Avant et après : reformulation d’un projet

Projet trop fragile	Projet mieux cadré
“Je vais analyser des données existantes sur la santé mentale des étudiants.”	“J’analyse les enquêtes publiques francophones publiées entre 2020 et 2024 sur le stress déclaré des étudiants de premier cycle, afin de comparer les facteurs institutionnels mentionnés dans les rapports d’accompagnement.”
“Je vais utiliser des documents sur la responsabilité sociale des entreprises.”	“Je compare les sections RSE des rapports annuels 2019–2023 de huit entreprises du secteur bancaire pour étudier l’évolution du vocabulaire lié au climat et aux risques financiers.”

Cette réécriture ne rend pas le projet plus compliqué. Elle le rend plus vérifiable. Un lecteur comprend désormais ce qui sera analysé, dans quelle période, pour quelle population ou organisation, et avec quel angle.

Comment présenter la méthode et les limites dans votre travail ?

Présentez votre méthode en décrivant votre question, vos sources, vos critères de sélection, votre préparation des données, votre technique d’analyse et vos limites. Le lecteur doit pouvoir suivre vos choix sans deviner pourquoi certaines sources apparaissent et d’autres non. Les limites ne sont pas un aveu d’échec ; elles indiquent la portée exacte de vos résultats.

Structure possible du chapitre méthodologique

Votre section méthodologique peut suivre une logique simple :

1. Rappel de la question de recherche : une ou deux phrases suffisent.
2. Type de recherche : recherche secondaire, analyse de données secondaires, analyse documentaire ou combinaison.
3. Sources et corpus : origine, période, langue, population, organisations, format.
4. Critères de sélection : inclusion, exclusion, justification.
5. Préparation des données : nettoyage, regroupement, codage, traduction éventuelle, anonymisation si nécessaire.
6. Méthode d’analyse : statistiques descriptives, comparaison, analyse thématique, analyse de contenu.
7. Limites : biais possibles, catégories imposées, données manquantes, absence de causalité, couverture limitée.

Si vous devez rédiger un plan plus large avant cette section, une hiérarchie de chapitres pour structurer un travail universitaire peut vous aider à placer la méthode, les résultats et la discussion sans les mélanger.

Comment écrire les limites sans affaiblir le travail

Les limites doivent être précises. Évitez “il y a peut-être des biais” ou “les données ne sont pas parfaites”. Écrivez plutôt : “Les données reposent sur des déclarations individuelles et ne permettent pas de vérifier les comportements réels” ou “Les rapports d’entreprise sont produits par les organisations étudiées, ce qui limite leur valeur comme preuve indépendante.”

Une bonne limite protège votre conclusion. Si vos données portent sur quatre universités francophones, ne généralisez pas à toutes les universités européennes. Si votre corpus couvre la période 2020–2024, ne décrivez pas une tendance de long terme sur vingt ans. Cette précision montre que vous savez analyser des données existantes sans leur faire dire plus qu’elles ne contiennent.

Relier méthode et discussion

La discussion doit revenir aux choix méthodologiques. Si votre analyse montre que les documents institutionnels parlent souvent d’autonomie étudiante mais rarement de contraintes économiques, demandez-vous si cela reflète une priorité réelle, un cadrage stratégique ou les limites du corpus. Vos données peuvent révéler un discours, une association, une évolution ou une absence significative, mais chaque type de résultat appelle une interprétation différente.

Cette logique vaut aussi pour les hypothèses. Si vous formulez des hypothèses dans un travail quantitatif, elles doivent être liées à des variables disponibles. Pour clarifier cette progression, vous pouvez consulter la progression entre but, objectifs et hypothèses de recherche.

Comment vérifier que votre analyse de données secondaires est prête à être rédigée ?

Votre analyse est prête à être rédigée lorsque la question, les sources, les critères, la méthode et les limites tiennent ensemble. Vous devez pouvoir expliquer en quelques phrases pourquoi ces données répondent à cette question et ce que votre analyse peut conclure. Si vous hésitez encore sur le corpus ou les concepts, rédiger maintenant risque de produire un texte descriptif plutôt qu’analytique.

Test de cohérence rapide

Essayez de compléter cette phrase : “Pour répondre à ma question sur ___, j’utilise ___ parce que ces données permettent d’observer ___, mais elles ne permettent pas de conclure sur ___.” Si vous n’arrivez pas à remplir les quatre blancs, votre projet demande encore un cadrage.

Exemple : “Pour répondre à ma question sur l’évolution du discours RSE bancaire, j’utilise les rapports annuels 2019–2023 de huit banques parce que ces documents permettent d’observer les thèmes et indicateurs publiquement mis en avant, mais ils ne permettent pas de conclure directement sur les pratiques internes réelles.” Cette formulation annonce déjà la méthode et les limites.

Avant de passer à la rédaction : liste de vérification pour l’analyse de données secondaires

• Ma question de recherche correspond aux données ou documents disponibles.
• Je distingue clairement revue de littérature, données secondaires et analyse documentaire.
• Mon corpus ou jeu de données est défini par une période, une source et des critères.
• Je peux expliquer pourquoi certaines sources ont été exclues.
• Les variables, indicateurs ou catégories d’analyse sont définis.
• Je sais si mon analyse est quantitative, qualitative, documentaire ou mixte.
• Je n’affirme pas de causalité si mes données ne la permettent pas.
• Les limites liées à la collecte initiale sont identifiées.
• Mes exemples de résultats seront reliés à la question, pas seulement décrits.
• Mon chapitre méthodologique permettrait à un lecteur de comprendre et vérifier mes choix.

Dernier contrôle avant rédaction

Relisez votre plan comme si vous étiez l’enseignant qui l’évalue. La méthode apparaît-elle avant les résultats ? Les documents sont-ils décrits comme données, et non comme simples citations ? Les limites sont-elles intégrées à l’interprétation ? Si la réponse est oui, vous avez une base solide pour rédiger.

Une analyse de données secondaires réussie ne dépend pas du volume de fichiers trouvés. Elle dépend de la qualité du lien entre une question précise, des matériaux pertinents et une interprétation prudente. Ce lien doit rester visible du début à la fin du travail.

Liens internes recommandés

(Métadonnées du système de publication — ne pas supprimer cette section)

• Réseau de sources universitaires vérifiées par DOI
• Aligner question, données et design de recherche
• Hiérarchie de chapitres pour structurer un travail universitaire
• Progression entre but, objectifs et hypothèses de recherche

---