Modèles de Rasch à temps continu pour les analyses de response shift – RESCUE

Afin de mieux comprendre l’expérience subjective des individus, des critères auto-rapportés (Self-Reported Outcomes, SRO) sont souvent recueillis via des questionnaires mesurant l’anxiété par exemple. Face à un événement majeur comme le COVID-19, les individus peuvent changer leur perception du SRO ou du questionnaire l’évaluant, un phénomène appelé response shift (RS). Lorsque le RS n’est pas pris en compte, l’estimation du changement d‘un SRO dans le temps peut être biaisé. En outre, l’étude du RS pourrait éclairer les changements des SRO face à un événement majeur en lien avec l’adaptation psychologique.
La plupart des méthodes basées sur des modèles statistiques permettent la détection du RS entre deux temps de mesure. Or, le changement d’un SRO est souvent évalué sur plusieurs temps de mesure. Dans ce cas, les trajectoires du construit et du RS sont continues par nature et devraient être analysées comme tel. De plus, le temps dans ces études devrait être considéré comme continu et non pas discret avec des temps également espacés car bien souvent les temps de mesure varient d’un individu à l’autre même lorsque des visites ont été planifiées. Les analyses de RS font bien souvent l’hypothèse que le RS s’est manifesté de la même façon pour la plupart des individus. Mais le RS se manifeste probablement pour certains groupes d’individus seulement, sous des formes différentes et à des moments différents. Ainsi, il est fort probable que les trajectoires de RS soient hétérogènes au sein d’un même échantillon. Enfin, le RS est le plus souvent détecté au niveau des domaines du questionnaire en utilisant les sous-scores regroupant les réponses aux items. Il n’est alors pas possible de distinguer quels items sont affectés par le RS. L’analyse au niveau des domaines peut ne pas correctement refléter ce qui se passe au niveau des items, surtout si les effets du RS vont dans des sens opposés en fonction des items affectés. Analyser le RS au niveau des items apporterait plus d’informations sur le RS et les processus d’adaptation. Malheureusement, les méthodes de détection du RS au niveau des items pour analyser des trajectoires de RS hétérogènes sur plusieurs temps de mesure font défaut.
L’objectif principal du projet RESCUE est de développer et valider une méthode pour l’analyse du RS au niveau des items sur plusieurs temps de mesure.
Il n’existe à ce jour pas de définition ni d’opérationnalisation du RS en temps continu. Nous allons tout d’abord définir le RS sur plusieurs temps de mesure dans une approche pluridisciplinaire. Les modèles de Rasch ont déjà démontré de bonnes performances pour la détection de RS au niveau des items entre deux temps de mesure et en présence de RS hétérogène. Il s’agira donc d’opérationnaliser le RS à plusieurs temps de mesure dans un nouveau modèle à temps continu mêlant modèles linéaires mixtes et modèles de Rasch.
Une procédure de détection du RS basée sur ce modèle sera ensuite proposée et automatisée dans un module de logiciel statistique. Elle permettra d’investiguer en profondeur le RS afin de le détecter, de déterminer le type et la taille des effets du RS et d’identifier les items affectés. Des études de simulation évalueront ses performances afin de s’assurer de la validité de la méthode proposée.
La procédure sera enfin appliquée à l’étude du RS et des changements de dépression et d’anxiété pendant la pandémie de COVID-19 chez les personnels de santé des centres de lutte contre le cancer. Ainsi, les problèmes liés à l’analyse de données réelles qui n’auraient pas été identifiés via les simulations seront résolus tout en éclairant les processus d’adaptation face à une crise majeure. Enfin, une enquête sur les représentations graphiques de ce type d’analyse sera mise place auprès d’un échantillon pluridisciplinaire. Ceci devrait assurer de disposer de présentations des résultats intelligibles et accessibles afin d’améliorer le transfert et l’application des connaissances.