« Les questions matricielles couvrent CSAT, NPS, évaluation de marque — c'est l'item passe-partout. » C'est l'idée reçue récurrente dans les équipes qui abusent des grilles. Oui, une matrice permet de collecter beaucoup d'évaluations avec très peu de questions, mais dès que la conception dérape, la charge cognitive explose et le straight-lining transforme les données en bruit.
Cet article explique comment les questions matricielles devraient réellement être conçues : structure de base, anatomie de la charge cognitive, détection et prévention du straight-lining, taille optimale de la grille, règles d'opération que nous jugeons non négociables. CSAT, NPS et comparaison de marques reposent sur des grilles, donc l'accent est mis sur ce que vous ne pouvez pas sauter sans compromettre la qualité des données.
1. Ce qu'est une question matricielle
Une question matricielle (aussi appelée grille ou batterie) demande au répondant d'évaluer plusieurs items (lignes) sur une échelle commune (colonnes) dans un même bloc.
Exemple typique
| Très satisfait·e | Plutôt satisfait·e | Neutre | Plutôt insatisfait·e | Très insatisfait·e | |
|---|---|---|---|---|---|
| Prix | |||||
| Qualité | |||||
| Support | |||||
| Livraison |
La structure est « items évalués en lignes, échelle d'évaluation en colonnes ». Dans Kicue, c'est fourni via MTX_SA (un choix par ligne), MTX_MA (plusieurs choix par ligne) et SCALE (Likert par ligne).
Pourquoi les équipes recourent aux matrices
- Compresse le nombre de questions — plus efficace que de tirer « Quelle est votre satisfaction sur le prix ? » / « sur la qualité ? » une à une
- Comparaison facilitée — le répondant compare entre items sur une échelle commune
- Agrégation rangée — colonnes partagées rendent comparaison ligne-vs-ligne et tris croisés simples
Ces commodités viennent avec des problèmes de charge cognitive et de qualité qui ne se révèlent qu'à l'analyse.
2. Pourquoi les grilles sont commodes et dangereuses — la structure de la charge cognitive
Les matrices semblent efficaces. Dans la tête du répondant, elles imposent souvent plus de traitement que des questions séparées.
Ce qu'est vraiment la charge cognitive
- Comparaison inter-lignes — « Suis-je plus satisfait·e du prix ou de la qualité ? » s'exécute en parallèle
- Re-décodage de l'échelle — le sens des 5 ou 7 points doit être rappelé à chaque ligne
- Mémoire de position — quand l'en-tête de colonne sort par défilement, le répondant perd la ligne en cours
- Accumulation de fatigue — le coût croît exponentiellement, pas linéairement, avec le nombre de lignes
Académiquement, Krosnick (1991) Response Strategies for Coping with the Cognitive Demands of Attitude Measures in Surveys théorise le comportement d'économie d'effort qui en résulte sous le nom de satisficing — et les matrices sont citées à répétition comme le type de question le plus susceptible de le déclencher.
Taille de la grille et qualité
Couper et al. (2013) « The Design of Grids in Web Surveys » fournit des preuves empiriques liant la croissance du nombre de lignes à la baisse de qualité. Plusieurs études convergent vers l'observation que temps de réponse et taux de complétion se dégradent au-delà de 6–8 lignes.
3. Straight-lining — l'échec dominant de qualité
L'échec qualité signature des questions matricielles est le straight-lining.
Ce qui se passe vraiment
Le straight-lining est le comportement consistant à choisir la même colonne sur toutes les lignes — par exemple cocher « plutôt satisfait·e » à tous les items d'une échelle 5 points.
Les motivations sont :
- Économie d'effort par fatigue — cocher la même position sans lire
- Réponse désengagée — pas d'incitation réelle à réfléchir
- Qualification frauduleuse — panélistes courant pour empocher l'incitation
Pourquoi ça compte
Quand le straight-lining s'invite, la variance entre items disparaît. Une question censée révéler « insatisfait·e du prix, satisfait·e de la qualité » s'effondre vers « tout le monde est neutre ». Scores CSAT, tris croisés, analyses aval — tout perd son sens.
Critères de détection issus de la littérature
Yan & Tourangeau (2008) « Fast Times and Easy Questions » et Liu & Cernat (2018) « Item-by-Item Questionnaires vs Grid Questions » proposent des indicateurs incluant :
- Straight-lining parfait — même colonne sur chaque ligne
- Straight-lining proche — même colonne sur 80%+ des lignes
- Variance intra-répondant — variance entre lignes pour un même répondant nulle ou quasi nulle
En pratique, les équipes combinent plusieurs indicateurs pour flagger les réponses suspectes, puis les excluent de l'analyse ou les pondèrent à la baisse.
4. Comment concevoir les questions matricielles — Cinq règles
Cinq règles non négociables pour protéger la qualité dès la conception.
Règle 1 : plafonner les lignes à 6–8
Plusieurs études empiriques dont Roßmann et al. (2018) « Item-by-Item vs Grid Layout » montrent une chute marquée de qualité au-delà de 6–8 lignes. Si vous avez besoin de plus, scindez en sous-batteries cohérentes — le temps total monte mais la qualité tient.
Règle 2 : utilisez des échelles à nombre impair (5 ou 7 points)
Krosnick & Fabrigar (1997) Designing Rating Scales for Effective Measurement pointent à répétition 5–7 comme zone optimale pour les échelles Likert. Un point neutre central réduit la charge, alors que 9 points ou plus créent des problèmes de discrimination et de la baisse de qualité.
Règle 3 : maintenez constante la distance sémantique entre lignes
Une grille listant « prix, qualité, support » (catégories hétérogènes) impose bien plus de charge qu'une listant « emplacement de bouton, couleur, taille » (détails homogènes). Plus la distance sémantique entre lignes est grande, plus le coût de comparaison est lourd — les matrices hétérogènes doivent être particulièrement courtes.
Règle 4 : randomisez l'ordre des lignes par défaut
Quand les répondants traitent du haut vers le bas, des effets de primauté / d'ordre apparaissent : les lignes du haut reçoivent plus d'attention, celles du bas se font économiser l'effort. Randomiser l'ordre d'affichage lisse statistiquement le biais. Tourangeau, Rips & Rasinski (2000) The Psychology of Survey Response recommandent la randomisation comme contre-mesure standard aux effets d'ordre.
Règle 5 : vérifiez toujours le rendu mobile
Une matrice 7 colonnes correcte sur desktop devient sur mobile un enfer de défilement horizontal, l'en-tête de colonne sortant de la vue pendant que les gens scrollent. Toepoel et al. (2009) « Design of Web Questionnaires » analyse empiriquement comment le rendu mobile des grilles affecte la qualité. Si votre part mobile dépasse 30 %, envisagez sérieusement d'abandonner la matrice et de décomposer en questions individuelles.
5. Lignes et colonnes optimales — la synthèse
Tableau de référence consolidant la guidance académique :
| Paramètre | Recommandé | Source |
|---|---|---|
| Lignes | 5–8 | Roßmann et al. (2018), Couper et al. (2013) |
| Colonnes | 5 ou 7 points | Krosnick & Fabrigar (1997) |
| Point médian | À inclure | Réduit la charge, préserve le droit à la neutralité |
| Randomisation des lignes | Recommandée | Tourangeau et al. (2000), effets d'ordre |
| Conception mobile-aware | ≤5 colonnes | Toepoel et al. (2009) |
| Temps cible par matrice | 30–60 secondes | Yan & Tourangeau (2008) |
Une heuristique utile : lignes × colonnes = 25 cellules. Au-delà, vos trois options sont scinder, décomposer en questions individuelles, ou échantillonner aléatoirement les lignes — c'est le consensus entre littérature sectorielle et académique.
6. Vue rédactionnelle — cinq règles qui font la différence
En suivant les rapports sectoriels et les cas publics, cinq points sur lesquels nous insisterions fortement.
1. Codifiez le plafond de lignes en règle interne. Les équipes qui ont écrit « max 8 lignes ; scinder au-delà » produisent systématiquement de meilleures données que celles laissant cela au jugement du concepteur. Les organisations sans règle explicite finissent par publier des matrices de 12, 15 lignes — un schéma que la presse spécialisée voit revenir.
2. Ne traitez pas la détection du straight-lining comme un nettoyage a posteriori. La détection doit être intégrée à la phase de conception, pas plaquée à l'analyse. « On filtrera à l'analyse » est la façon dont vous découvrez que 20–30 % des réponses sont flaggées et que l'échantillon analytique s'effondre. Posez en conception un objectif type « ≤5 % straight-lining » et préparez les patterns de remédiation si vous le dépassez.
3. Vérifiez la part mobile avant tout. Sortir une matrice 7 colonnes pensée pour desktop dans une enquête B2C où 70 % du trafic est mobile fait chuter la complétion sous 50 % couramment. Sortez le chiffre de part mobile dans la première heure de conception et laissez-le contraindre l'espace des options — c'est la voie sûre.
4. Ne craignez pas de décomposer en items individuels. Dix lignes en matrice donnent typiquement de moins bonnes données que dix questions séparées (Liu & Cernat 2018). L'instinct de « minimiser le nombre de questions » est mal placé — la bonne cible est la qualité des données, pas la brièveté visuelle. Dans certains cas, des questions séparées finissent même plus vite qu'une longue grille.
5. Réservez les matrices aux items périphériques, pas aux KPI phares. Enterrer NPS ou CSAT — les questions qui pilotent les décisions — dans une matrice est risqué. Gardez les items matriciels au tier « attribut secondaire » et posez les KPI phares en items autonomes sur leur propre écran. C'est une recommandation récurrente dans la littérature sectorielle pour une raison.
7. Questions matricielles dans l'Outil de Sondage Kicue
Kicue embarque les capacités matricielles en standard.
Types de question matricielle
Les types matriciels incluent MTX_SA (un choix par ligne) et MTX_MA (plusieurs choix par ligne). Pour les matrices de type Likert, les questions échelle couvrent LIKERT / NPS / SLIDER / SD.
Détection straight-liner intégrée
La détection straight-liner est livrée prête à l'emploi. Les réponses où la même colonne est cochée sur toutes les lignes, ou dont la variance intra-répondant est anormalement basse, sont auto-flaggées. Les données flaggées peuvent ensuite être exclues de l'agrégation, donc le contrôle qualité enchaîne directement sur l'analyse.
Randomisation des choix
La randomisation des choix permet de randomiser l'ordre d'affichage des lignes dans une matrice — la contre-mesure standard aux effets d'ordre.
Articles de conception liés
Les matrices sont étroitement liées à d'autres sujets de design d'enquête. Voir aussi notre guide de conception CSAT, guide complet NPS et conception des questions de filtrage.
Choisir le bon outil — Les limites du plan gratuit, le support du branchement, les capacités IA et l'export CSV varient beaucoup entre outils. Consultez notre comparatif des outils de sondage gratuits pour trouver le bon pour cette approche.
Résumé
Checklist pour concevoir et opérer les questions matricielles :
- Les matrices semblent efficaces mais imposent plus de charge au répondant que des items séparés — le coût cognitif croît exponentiellement avec les lignes
- Le straight-lining est le risque qualité dominant — intégrer détection et prévention en conception
- 5–8 lignes, 5 ou 7 colonnes — les valeurs sur lesquelles la recherche académique converge
- Randomiser les lignes pour lisser les effets d'ordre — pas un nice-to-have, une exigence qualité
- Part mobile élevée ? Décomposer en questions individuelles — ne pas utiliser de matrice fait aussi partie du design
- Réserver les matrices aux items périphériques, pas aux KPI phares — NPS/CSAT sur leur propre écran
Les équipes qui traitent la matrice comme solvant universel finissent par le payer en qualité. La matrice est un outil puissant mais dangereux — encoder « quand l'utiliser, quand non » comme règle de processus est ce qui protège la ligne de vie de vos données.
Références
Académique et méthodologique
- Krosnick, J. A. (1991). Response Strategies for Coping with the Cognitive Demands of Attitude Measures in Surveys. Applied Cognitive Psychology.
- Tourangeau, R., Rips, L. J. et Rasinski, K. (2000). The Psychology of Survey Response. Cambridge University Press.
- Couper, M. P., Tourangeau, R., Conrad, F. G. et Zhang, C. (2013). The Design of Grids in Web Surveys. Social Science Computer Review.
- Yan, T. et Tourangeau, R. (2008). Fast Times and Easy Questions. Public Opinion Quarterly.
- Roßmann, J., Gummer, T. et Silber, H. (2018). Mitigating Satisficing in Cognitively Demanding Grid Questions. Journal of Survey Statistics and Methodology.
- Liu, M. et Cernat, A. (2018). Item-by-Item Questionnaires vs Matrix Questions. Social Science Computer Review.
- Toepoel, V., Das, M. et van Soest, A. (2009). Design of Web Questionnaires. Public Opinion Quarterly.
- Krosnick, J. A. et Fabrigar, L. R. (1997). Designing Rating Scales for Effective Measurement in Surveys.
Guides prestataires et pratiques
- Qualtrics : Matrix Question Best Practices.
- SurveyMonkey : Matrix Questions Design Tips.
- Forsta : Avoiding Straight-Lining in Online Surveys.
Envie de concevoir et d'opérer des enquêtes matricielles haute qualité de bout en bout ? Essayez l'outil de sondage en ligne gratuit Kicue. Types MTX_SA / MTX_MA / SCALE, détection straight-liner et randomisation des lignes sont livrés en standard, donc les règles qualité posées en conception arrivent directement en opération.