12.8:

12.8: Biais

JoVE Core
Statistics

A subscription to JoVE is required to view this content. Sign in or start your free trial.

JoVE Core Statistics

Bias

Please note that all translations are automatically generated. Click here for the English version.

12.6: Crossover Experiments

12.10: Clinical Trials

4,269 Views

•

01:22 min

•

April 30, 2023

Overview

Le biais fait référence à toute tendance qui empêche une question d’être considérée comme impartiale. Dans la recherche, le biais se produit lorsqu’un résultat ou une réponse est sélectionné ou encouragé par rapport à d’autres lors de l’échantillonnage ou des tests. Le biais peut survenir à n’importe quelle phase de la recherche, y compris la conception de l’étude, la collecte de données, l’analyse et la publication.

En statistique, un biais d’échantillonnage est créé lorsqu’un échantillon est prélevé dans une population, et certains membres de la population ne sont pas aussi susceptibles d’être choisis que d’autres (rappelez-vous, chaque membre de la population devrait avoir une chance égale d’être choisi). Lorsqu’un biais d’échantillonnage se produit, il peut y avoir des conclusions erronées tirées sur la population étudiée. Outre le biais de sélection, plusieurs types de biais sont couramment observés dans les plans d’expériences et l’analyse des données : biais d’observateur, biais de mesure, biais de publication, etc.

Il est important de comprendre que dans de nombreuses situations, les résultats ne sont pas aussi probables. Une pièce de monnaie ou un dé peut être injuste ou biaisé. Deux professeurs de mathématiques en Europe ont fait tester à leurs étudiants en statistiques la pièce belge d’un euro et ont découvert que dans 250 essais, une tête a été obtenue 56 % du temps, et une queue a été obtenue 44 % du temps. Les données semblent montrer que la pièce n’est pas une pièce de monnaie équitable ; Plus de répétitions seraient utiles pour tirer une conclusion plus précise sur un tel biais. Certains dés peuvent être biaisés. Regardez les dés dans un jeu que vous avez à la maison ; Les taches sur chaque visage sont généralement de petits trous creusés puis peints pour rendre les taches visibles. Vos dés peuvent être biaisés ou non ; Il est possible que les résultats soient affectés par les légères différences de poids dues au nombre différent de trous dans les faces. Les casinos de jeu gagnent beaucoup d’argent en fonction des résultats du lancer de dés, de sorte que les dés de casino sont fabriqués différemment pour éliminer les biais. Les dés de casino ont des faces plates ; Les trous sont complètement remplis de peinture ayant la même densité que le matériau dont sont faits les dés, de sorte que chaque face a la même probabilité de se produire.

Ce texte est adapté de Openstax, Introductions statistiques, Section 3, Probabilités.

Transcript

Les biais dans les études de recherche sont des erreurs systématiques qui favorisent ou s’opposent à une hypothèse de recherche.

La partialité peut se produire intentionnellement ou non lors de la collecte, de l’analyse, de l’interprétation ou de la publication des données.

Parmi les différents types de biais, quelques-uns sont courants ici.

Un biais d’échantillonnage peut se produire lorsque les échantillons sont tirés au hasard dans la population, qui n’est pas un représentant idéal de l’ensemble de la population, par exemple, pour prédire le résultat d’une élection en se fondant sur les réponses à une enquête recueillies auprès des membres d’un seul parti politique et non de l’ensemble de l’électorat.

Le biais de l’observateur ou le biais de recherche peut se produire lorsque les notions préconçues, les attentes ou les connaissances incomplètes d’un chercheur influencent les résultats et leur interprétation.

Le biais de mesure se produit lorsque des instruments de mesure mal calibrés sont utilisés dans l’expérience.

Le biais de publication est observé lorsque les études de recherche qui rapportent des résultats positifs statistiquement significatifs sont plus susceptibles d’être publiées que celles qui rapportent des résultats négatifs.

Dans le cas d’un biais de financement, les chercheurs peuvent biaiser les données pour montrer des résultats en faveur de l’organisme de financement.

Key Terms and definitions

Bias - A tendency that sways a question or outcome away from being neutral.
Sampling Bias - Not all members of a population are equally likely to be selected.
Observer Bias - An error due to subjective influence of observer on the research.
Measurement Bias - A systematic error that leads to inaccurate results due to flaws in data collection.
Publication Bias - The tendency to only publish positive or significant results.

Learning Objectives

Define Bias – Understand its role and impact on research outcomes (e.g., biased statistics).
Contrast Sampling Bias vs Observer Bias – Learn their distinct influences on research (e.g., population selection vs subjectivity).
Explore Examples – Discuss cases where bias is apparent (e.g., biased dice).
Explain Impact of Measurement Bias – Elaborate on how it affects validity of results.
Apply Prevention of Publication Bias – Discuss how neutrality in science is maintained.

Questions that this video will help you answer

What is bias and how does it influence the validity of research outcomes?
How to discern between sampling and observer bias?
What are some real-world examples of different types of bias?

This video is also useful for

Students – Understand how the concept of bias aids in comprehending research integrity
Educators – Provides a framework to teach biases in research methods
Researchers – Crucial for planning a robust and valid research design
Data Analysts – Helps detect and navigate biases in datasets they work with

Tags

Biais biais d’échantillonnage biais de sélection biais d’observateur biais de mesure biais de publication conception de recherche collecte de données analyse statistique casinos de jeu pièce équitable dés biaisés étude de population résultats probabilité