Back2Basics a écrit :Du coup, la non variation du QIT est une hypothèse de base de construction du test, et non un phénomène observé lors de l'utilisation des tests (il me semble avoir lu je ne sais plus où cet argument de la non variation du QI avec l'âge comme un fait "renforçant" la validité de son utilisation. Du coup, c'est complètement à l'ouest, de ce point de vue ! Je précise que ça devait être sur un blog ou un forum, pas dans un article).
Sans être certain, il me semble que la "démonstration" de la stabilité ne résulte pas de la stabilité sur une population, mais d'une stabilité des scores individuels.
Le test est ré-étalonné régulièrement sur un échantillon représentatif de la population. "Représentatif", ça veut dire assez large et non biaisé (par exemple,
surtout pas basé sur une population surdouée!). Pour étalonner, on fait passer
le test à une population typique. On obtient des scores bruts. Ensuite, on ventile des points aux différentes questions pour obtenir à la fin une gaussienne de moyenne 100 et d'écart-type 15. Évidement, chaque échantillon ayant servi à l'étalonnage a, après étalonnage, exactement
le même profil: une gaussienne de moyenne 100 et un écart-type de 15!
Ces mêmes échantillons avant étalonnage n'ont pas exactement les mêmes scores bruts. L'effet Flynn, si j'ai bien compris, consiste précisément en un accroissement des scores bruts.
Mais ce n'est pas cela qui démontre la stabilité du WAIS. Là, on ne parle que de statistiques globales d'un échantillon, alors que la stabilité concerne les scores de chaque individu.
Pour illustrer de manière simplifiée, prenons un échantillon de deux individus A et B. Lors du premier passage, A obtient 90, B obtient 110. La moyenne est de 100. Lors du second passage, A obtient 112 et B 92. La moyenne "brute" est de 102. On compense cette évolution en retirant 2 points à tout
le monde. Après étalonnage du second
test, A obtient 110 et B 90, et la moyenne est à nouveau de 100.
Sauf que, si vous avez bien suivi, les scores individuels de A et de B ne sont pas stables (j'ai fait exprès de les inverser). Et on a beau avoir étalonné pour faire correspondre les moyennes des deux tests sur l'ensemble de la population (A+B), y'a rien à faire: A et B ont chacun des scores radicalement différents entre les deux passages.
Un
test stable, cela ne signifie pas que la population ait la même distribution statistique brute d'un passage à l'autre (ce qui n'est pas
le cas = effet Flynn). Cela signifie qu'un individu qui passe deux fois
le test obtient à chaque fois à peu près
le même score. En reprenant mon exemple, un
test stable signifie que A obtient 90 dans un premier temps puis 92, et B respectivement 110 et 112. Et après étalonnage, A obtient 90 à chaque fois, et B 110 à chaque fois aussi: leurs scores sont stables, même si la moyenne brute est passée de 100 à 102.
Pour illustrer d'une autre manière, si on classait les humains par ordre de QI (oh! quelle horrible idée!), on n'aurait pas les mêmes QI à chaque passage du
test, mais l'ordre des humains resterait peu ou prou
le même.
Est-ce que je suis bien clair sur la différence fondamentale entre "une population suit globalement la même distribution statistique" et "chaque individu de cette population obtient deux fois de suite
le même score", ce qui est notoirement plus contraignant!
La stabilité ne concerne pas spécialement les individus de l'échantillon d'étalonnage, cela concerne tous les individus qui passent deux fois
le test. Rien n'oblige à avoir les mêmes individus dans les deux échantillons d'étalonnage. Du moment qu'on a des échantillons larges et représentatifs, l'étalonnage fonctionne. En revanche, il faut bel et bien se baser sur des individus qui passent deux fois
le test pour vérifier la stabilité.
. Je ne pensais pas que 
