đ Le travail que je rĂ©alise ici est probablement trompeur. Il y a presque 30 ans, Fenton, Pfleeger et Glass nous alertaient contre un ennemi subtil : la mauvaise science. La situation nâa probablement pas changĂ© et ça nâest que maintenant que je dĂ©couvre cet article Ă©difiant.
đ§ Mon but avec cette veille est de privilĂ©gier lâempirisme Ă lâintuition. Un raisonnement mĂȘme brillant ne suffit pas : il faut des chiffres, solides de prĂ©fĂ©rence.
đ„Œ Je nâai pas de formation scientifique et les Ă©coles ne sensibilisent pas les Ă©tudiants Ă la recherche. Il me manque des bases solides et ça nâest que par intĂ©rĂȘt pour lâempirisme (organisateur de bien des aspects de ma vie), que je me suis lancĂ© dans ce travail dâintĂ©rĂȘt gĂ©nĂ©ral. Jây amĂšne mes limites.
đïž Câest ce « mieux que rien » qui me fait continuer. Toutefois, aprĂšs la lecture de cet article, je vais veiller Ă amĂ©liorer progressivement ma maniĂšre dâinterprĂ©ter la recherche.
đ Quels seraient ces axes dâamĂ©lioration selon les auteurs ?
đ VĂ©rifier lâadĂ©quation entre lâexpĂ©rience et lâhypothĂšse testĂ©e.
đ Ne pas automatiquement croire les donnĂ©es issues de recherches sur des Ă©tudiants ou sur des projets conçus pour lâoccasion. Il faut recueillir des donnĂ©es de vrais praticiens sur de vrais projets.
đ VĂ©rifier que les mesures effectuĂ©es sont lĂ©gitimes sur les donnĂ©es recueillies.
đ VĂ©rifier la temporalitĂ©, un rĂ©sultat peut ĂȘtre diffĂ©rent Ă court et long-terme.
đ VĂ©rifier la reprĂ©sentativitĂ©, certaines expĂ©riences sont trop courtes ou avec un Ă©chantillon trop restreint, ou biaisĂ©.
đ€ Ce nâest que comme cela que notre profession sortira de lâimmaturitĂ© et des promesses des vendeurs de solutions-miracle.
SOURCE
N. Fenton, S. L. Pfleeger and R. L. Glass, « Science and substance: a challenge to software engineers, » in IEEE Software, vol. 11, no. 4, pp. 86-95, July 1994, doi: 10.1109/52.300094.
Enzo Sandré
DOIs: 10.1109/52.300094