Objectif : raisonner comme un scientifique des SES. On part d’une problématique testable, on choisit des données fiables, on mobilise un modèle explicatif, et on conclut en évitant la confusion entre corrélation et causalité.
Formuler une problématique précise et falsifiable
Citer correctement source, année, unité, champ
Utiliser un modèle simple et expliciter ses hypothèses
Proposer un protocole pour identifier (au mieux) une causalité
Problématique : une question située dans le temps et l’espace.
Ex. : « Depuis 2010, pourquoi la participation des 18–24 ans est-elle plus faible aux régionales ? » → claire, mesurable.
Hypothèses : propositions explicatives falsifiables.
On prévoit comment chaque hypothèse pourrait être vérifiée (ou rejetée) par des données.
Quantitatives : INSEE, DARES, Ministères ; qualitatives : entretiens, observations.
Toujours indiquer : source, année, unité, champ (qui est inclus ?). Vérifier définitions (ex. « taux d’emploi » ≠ « taux d’activité »).
Indicateurs adaptés : taux, médiane, indice base 100, taux de variation, coefficient multiplicateur, etc.
Présentation :
Un modèle isole un mécanisme :
Le modèle simplifie pour raisonner : on confronte aux faits stylisés et on discute les limites.
Corrélation = co-variation ; Causalité = effet de X sur Y.
Pièges : causalité inverse ; variable omise ; hasard.
Outils : avant/après ; groupes témoins ; variables de contrôle ; expériences naturelles.
Toujours déclarer les limites (mesure imparfaite, horizon trop court…).
Chaque partie : idée annoncée → définitions → faits (2 chiffres) → mécanisme (modèle) → exemple → mini-conclusion.
Conclusion : répondre nettement à la question, hiérarchiser les hypothèses, souligner limites et pistes.
Reformule le sujet avec qui/où/quand.
Dégage 2–3 hypothèses (H1/H2/H3).
Associe 1 indicateur crédible à chaque hypothèse.
Choisis le modèle pertinent (O/D, socialisation, scrutin…).
Ordonne en 2 parties équilibrées, annonce les définitions clés.
Phrase-bilan qui répond déjà partiellement au sujet.
1 Phrase d’ensemble (tendance générale).
2 preuves chiffrées (dates/valeurs/variations).
Conclusion qui répond à la question posée.
Oublier unité/année/source/champ.
Confondre corrélation et causalité.
Changer d’indicateur en cours de route.
Ne pas conclure une sous-partie.
Tu disposes d’un graphique du taux d’inscription des 18–24 ans sur listes électorales (2012→2024). Rédige un court AEI montrant que la simplification de l’inscription peut augmenter la participation.
A : La facilitation de l’inscription accroît la participation potentielle des jeunes.
E : S’inscrire est un coût d’entrée ; en le réduisant (inscription automatique, guichet unique), on élargit le nombre d’inscrits, donc le vivier de votants ; avec campagne d’information, l’effet s’amplifie.
I : Après 2019, l’inscription des 18–24 ans passe de 78 % à 89 % (+11 pts). Aux régionales suivantes, la participation des 18–24 ans progresse de 6 pts. → Mécanisme cohérent (coût ↓ → inscription ↑ → participation ↑).
Question testable qui guide l’analyse.
Mesure chiffrée (taux, indice, médiane…).
Représentation simplifiée d’un mécanisme.
Co-variation sans preuve d’un effet.
Lien de cause → effet.
Que faut-il toujours citer avec un tableau ?
Question 1/2
Différence corrélation/causalité ?
4 éléments à citer avec une donnée
Chaîne question → données → modèle → conclusion. Toujours définir, chiffrer, expliquer ; ne pas confondre corrélation et causalité.
Question testable & plan annoncé
Source/année/unité/champ
Modèle adapté + limites
Idée → faits → mécanisme → mini-conclusion
Participation des jeunes
Pouvoir d’achat & inflation
Définitions. Exemple éducation–salaire (variable omise : capacité). Protocole : avant/après réforme, groupes témoins, contrôle de l’origine sociale/territoire. Conclusion : prudence sur la généralisation.
Définis les notions dès qu’elles apparaissent
Ajoute un schéma si utile
Termine chaque sous-partie par une mini-conclusion