En bref : La méthode Gioia est une approche inductive de l'analyse qualitative, formalisée par Dennis Gioia, Kevin Corley et Aimee Hamilton dans Organizational Research Methods (2013). Les chercheurs codent le langage des informateurs en concepts de 1er ordre, les regroupent en thèmes de 2nd ordre centrés sur le chercheur, les condensent en dimensions agrégées, puis construisent un modèle ancré qui montre comment les concepts s'articulent.
Si vous menez une étude inductive par entretiens en management, en systèmes d'information, en entrepreneuriat ou en théorie des organisations, un relecteur vous demandera probablement de présenter votre « structure des données ». Cette demande vient de la méthode Gioia, l'un des cadres les plus utilisés pour démontrer la rigueur qualitative dans la recherche en écoles de commerce.
\nCe guide explique en quoi consiste la méthode et détaille les étapes à l'aide d'un bref exemple commenté. Il présente aussi les principales critiques à connaître avant de vous engager, ainsi que ce que les travaux récents disent de l'usage des grands modèles de langage pour construire une structure de données Gioia. Il se termine par une liste de contrôle à utiliser avant la soumission.
\n\nLa méthode Gioia est une démarche systématique de développement inductif de concepts et d'articulation de la théorie ancrée. Elle a été conçue pour que les travaux qualitatifs paraissent et se sentent rigoureux aux lecteurs, sans perdre leur capacité à révéler de nouveaux concepts. Son résultat caractéristique est une structure de données à trois niveaux, suivie d'un modèle théorique ancré.
\nLa référence canonique est Gioia, Corley et Hamilton, « Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology », Organizational Research Methods, vol. 16, n° 1, p. 15–31 (2013). L'approche découle de travaux antérieurs, notamment l'étude de Gioia et Chittipeddi (1991) sur le changement stratégique dans une université. En 2023, Magnani et Gioia ont publié un guide d'application destiné aux chercheurs en commerce international et en entrepreneuriat, dans International Business Review (vol. 32, n° 2, article 102097). Il décrit trois étapes : construire la structure des données, construire le modèle ancré, puis rédiger les résultats sous forme de récit convaincant.
\nDeux hypothèses sous-tendent la méthode. D'abord, le monde organisationnel est socialement construit. Ensuite, les personnes qui le construisent sont des « acteurs compétents », capables d'expliquer leurs propres pensées, intentions et actions. Le travail du chercheur consiste à restituer fidèlement ces voix, puis à théoriser à un niveau que les informateurs n'utiliseraient pas eux-mêmes.
\n\nChaque niveau répond à une question différente, et les confondre est la raison la plus fréquente pour laquelle les relecteurs renvoient la figure.
\n| Niveau | Langue de référence | Question à laquelle il répond | Forme typique |
|---|---|---|---|
| Concepts de 1er ordre | Centrée sur l'informateur | Que disent les participants, au plus près de leurs propres mots ? | Courtes expressions descriptives, souvent nombreuses au départ |
| Thèmes de 2nd ordre | Centrée sur le chercheur | Quels concepts aident à décrire et à expliquer ce qui se passe ici ? | Étiquettes théoriquement porteuses, certaines issues de la littérature, d'autres nouvelles |
| Dimensions agrégées | Centrée sur le chercheur | Quelles idées générales les thèmes composent-ils ensemble ? | Un petit nombre de dimensions de haut niveau qui ancrent le modèle |
Gioia et ses collègues décrivent un va-et-vient entre les données et la littérature une fois que les thèmes de 2nd ordre commencent à se stabiliser. Le chercheur se demande si un thème émergent porte déjà un nom dans la théorie existante ou s'il s'agit d'un concept nouveau. Ce va-et-vient explique pourquoi la méthode est souvent décrite comme inductive dans l'esprit, mais abductive dans la pratique. Notre guide sur l'analyse abductive détaille cette logique.
\n\nVoici comment l'article de 2013 et le guide de 2023 décrivent la méthode, sous la forme d'une séquence que vous pouvez suivre. Considérez-la comme un ordre de travail plutôt que comme une recette stricte. Les auteurs eux-mêmes mettent en garde contre un usage mécanique.
\nPartez d'une question de recherche bien précisée, qui laisse de la place à des concepts encore non nommés. Utilisez des entretiens semi-directifs qui permettent aux informateurs de décrire les événements dans leurs propres termes, et révisez le guide d'entretien au fur et à mesure que de nouveaux concepts apparaissent. Notre guide sur les entretiens semi-directifs traite de la conception du protocole.
\nCodez au plus près des termes des informateurs et résistez à l'abstraction précoce. Attendez-vous à une liste longue et désordonnée à ce stade. Les codes in vivo conviennent bien ici (voir le codage in vivo).
\nRepérez les similitudes et les différences entre les concepts de 1er ordre, et consolidez-les en un ensemble maniable. Donnez à chaque groupe une étiquette ou une expression qui reste reconnaissable pour les informateurs.
\nDemandez-vous quels concepts décriraient et expliqueraient les régularités observées. Faites alors intervenir la littérature, en portant une attention particulière aux thèmes qui n'ont pas de nom satisfaisant dans la théorie existante. Ce sont vos contributions potentielles.
\nLorsque cela a du sens, regroupez les thèmes de 2nd ordre en quelques dimensions agrégées. Dessinez la figure de structure des données : concepts à gauche, thèmes au centre, dimensions à droite.
\nTransformez la structure statique en un modèle dynamique qui montre comment les concepts se relient dans le temps ou de façon causale, avec des flèches, des phases et des boucles de rétroaction. Sans cette étape, une structure de données reste une description plutôt qu'une théorie.
\nUtilisez un petit nombre de citations percutantes dans le récit et placez les preuves complémentaires dans un tableau organisé par thème. Montrez ensuite aux lecteurs comment chaque thème se rattache au modèle.
\n\nImaginons une étude par entretiens auprès de 25 chercheurs universitaires ayant adopté des outils de codage fondés sur l'IA. L'exemple ci-dessous est fictif et sert uniquement à illustrer la logique des niveaux. Il ne provient pas d'une étude publiée.
\n| Concepts de 1er ordre (termes des informateurs) | Thème de 2nd ordre | Dimension agrégée |
|---|---|---|
| « Je relis chaque code produit par l'IA avant de lui faire confiance » ; « Je vérifie que la citation figure bien dans la transcription » | Rituels de vérification | Calibrer la confiance envers la machine |
| « C'est acceptable pour une première passe, pas pour les thèmes » ; « Je ne la laisserais jamais nommer un thème » | Délégation encadrée | |
| « Mon directeur de thèse m'a demandé qui avait fait le codage » ; « Le relecteur 2 voulait les prompts » | Anticipation du regard du public | Défendre la légitimité méthodologique |
| « J'ai consacré un paragraphe à ce point dans le chapitre méthodologique » ; « Je tenais un journal de ce que l'IA suggérait » | Documenter le rôle humain |
Un modèle ancré pourrait alors proposer que l'anticipation du regard d'autrui alimente les rituels de vérification, et que ces rituels élargissent progressivement le périmètre de la délégation encadrée. Le modèle formule ainsi une affirmation sur le processus que le tableau statique ne peut pas formuler.
\n\nL'équipe de recherche de Qualitati a construit cette liste à partir des sources citées dans cet article. Utilisez-la avant d'envoyer un manuscrit à un relecteur ou à un directeur de recherche. Chaque « non » correspond à une demande de révision probable.
\n| n° | Contrôle | Pourquoi c'est important |
|---|---|---|
| 1 | Chaque concept de 1er ordre peut être rattaché à au moins une citation du tableau de preuves | Montre que la structure repose sur les données, et non sur une affirmation |
| 2 | Les étiquettes de 1er ordre reprennent le langage des informateurs, pas le vocabulaire théorique | Garde distincts le niveau centré sur l'informateur et celui centré sur le chercheur |
| 3 | Chaque thème de 2nd ordre est défini en une phrase dans le texte | Permet au lecteur de juger si les concepts ont été regroupés de façon cohérente |
| 4 | Vous indiquez quels thèmes correspondent à des concepts existants et lesquels sont nouveaux | Rend explicite la contribution théorique |
| 5 | Les dimensions agrégées sont peu nombreuses et nettement distinctes | Évite un modèle si générique qu'il n'explique rien |
| 6 | Un modèle ancré dynamique prolonge la structure des données | La seule figure statique ne constitue pas la contribution |
| 7 | Les cas discordants ou négatifs sont rapportés | Répond à la critique selon laquelle les modèles lissent les tensions d'interprétation |
| 8 | Si l'IA a assisté le codage, la section méthodologique indique où, comment et comment les résultats ont été vérifiés | Permet d'évaluer le rôle interprétatif humain |
La méthode Gioia fonctionne bien comme moyen de présenter la rigueur, mais elle ne garantit pas la pertinence des résultats. Connaissez le débat avant de la choisir.
\nNote de relecture humaine : le choix de la méthode Gioia dépend de votre épistémologie, de votre discipline et de la revue visée. Discutez-en avec votre directeur de thèse ou vos co-auteurs.
\n\n| Critère | Méthode Gioia | Théorie ancrée (Glaser/Strauss/Charmaz) | Analyse thématique réflexive |
|---|---|---|---|
| Résultat principal | Structure de données à trois niveaux et modèle ancré | Une théorie substantielle autour d'une catégorie centrale | Un ensemble de thèmes qui racontent une histoire à propos des données |
| Rôle de la littérature | Introduite une fois que les thèmes commencent à se stabiliser | Varie selon l'école ; la version classique la diffère | Souple ; la théorie peut éclairer l'analyse tout au long du processus |
| Artefact caractéristique | Figure de structure des données | Mémos théoriques et catégorie centrale | Carte thématique |
| Terrain d'élection | Management, SI, entrepreneuriat | Sociologie, soins infirmiers, management | Psychologie, santé, éducation |
Pour le vocabulaire de codage associé à ces approches, voir le codage ouvert, axial et sélectif et l'analyse thématique face à la théorie ancrée.
\n\nEn partie. L'IA est la plus utile au niveau des concepts de 1er ordre et la moins fiable au niveau des dimensions agrégées.
\nLes indices les plus clairs proviennent de Laato, Mäntymäki, Kordyaka et Laato, « Automating Qualitative Data Analysis with Chain-of-Thought Reasoning Models: A Study with the Gioia Method » (actes d'AMCIS 2025, publiés le 15 août 2025). Les auteurs ont utilisé DeepSeek R1 pour tenter de reproduire une analyse Gioia publiée, portant sur 17 transcriptions d'entretiens d'experts, et ont vérifié avec la distance de Levenshtein que les citations renvoyées par le modèle existaient bien dans les transcriptions. Le modèle a produit des concepts de 1er ordre proches de ceux de l'étude d'origine, mais en a perdu une partie du sens. Il a ensuite généralisé excessivement, en produisant des thèmes de 2nd ordre et des dimensions agrégées que les auteurs ont jugés inexacts et peu informatifs.
\nCe constat rejoint ce que montrent des travaux plus larges sur le codage qualitatif assisté par IA (voir où le codage qualitatif par IA échoue). Une répartition pratique du travail :
\nQualitati est une plateforme européenne de recherche qualitative destinée aux universités et aux entreprises de recherche, conçue avec la protection des données et le RGPD comme priorités centrales. Pour une étude de type Gioia, elle prend en charge les parties mécaniques du flux de travail et laisse les opérations interprétatives au chercheur :
\nQualitati ne dessine pas à votre place la figure de structure des données ni le modèle ancré, et il ne doit pas le faire. Ce sont là la contribution théorique.
\n\nUtilisez la méthode Gioia si vous construisez une théorie inductive à partir d'entretiens et visez des revues de management, de SI ou d'entrepreneuriat dont les relecteurs attendent une structure de données. Elle convient aussi aux doctorants qui ont besoin d'une piste analytique transparente et transmissible.
\nNe l'utilisez pas si votre étude est déductive ou vise à tester des hypothèses, si votre épistémologie va à l'encontre des récits des informateurs, si votre objectif est descriptif plutôt que de construction théorique, ou si les relecteurs de votre discipline attendent une analyse thématique réflexive ou une théorie ancrée classique.
\n\nLes concepts de 1er ordre restent au plus près des propres mots des informateurs et décrivent ce que disent les participants. Les thèmes de 2nd ordre sont des concepts centrés sur le chercheur, qui expliquent théoriquement ce qui se passe. Les dimensions agrégées regroupent ensuite les thèmes de 2nd ordre à un niveau plus élevé.
\nNon. Elle s'appuie sur la théorie ancrée, et Gioia et ses collègues la décrivent comme une façon d'articuler la théorie ancrée, mais elle a ses propres conventions de présentation, notamment la structure de données à trois niveaux et le passage à un modèle ancré dynamique. Elle fait aussi intervenir la littérature une fois que les thèmes commencent à se stabiliser.
\nLa méthode ne prescrit aucun nombre. Justifiez la taille de l'échantillon par la saturation ou la puissance informationnelle, comme pour toute étude qualitative par entretiens. Voir notre guide sur la taille d'échantillon en recherche qualitative.
\nTout outil d'analyse qualitative qui gère les codes hiérarchiques convient, notamment NVivo, ATLAS.ti, MAXQDA et QDA Workspace de Qualitati. La figure elle-même se dessine généralement dans un outil de diagrammes ou de présentation. Le logiciel organise les codes ; il n'effectue pas l'abstraction.
\nPas de façon fiable à lui seul. Une étude AMCIS de 2025 a montré qu'un modèle de raisonnement produit des concepts de 1er ordre raisonnables, mais des thèmes de 2nd ordre et des dimensions agrégées inexacts et généralisés à l'excès. Utilisez l'IA pour la rédaction de premiers jets et la recherche, et vérifiez chaque citation.
\nDes auteurs comme Mees-Buss, Welch et Piekkari (2022) soutiennent que l'utiliser comme modèle figé ne résout pas les défis de l'interprétation et peut uniformiser la recherche qualitative. Ils proposent à la place des heuristiques herméneutiques, plutôt que des étapes prescrites.
\n\nLa méthode Gioia offre aux chercheurs inductifs un langage commun pour montrer leur travail : termes des informateurs, thèmes du chercheur, dimensions agrégées et modèle ancré. Utilisée avec discernement, elle rend l'interprétation visible pour les relecteurs. Utilisée mécaniquement, comme la critiquent ses détracteurs et comme le rappelle Gioia lui-même, elle produit des figures bien ordonnées mais une théorie mince. Les outils d'IA peuvent accélérer le bas de la structure de données, mais les niveaux supérieurs et le modèle restent du travail du chercheur.
\nPour mener votre prochaine étude par entretiens et la coder au même endroit, vous pouvez commencer gratuitement avec 30 crédits mensuels, sans carte bancaire. Consultez notre tarification transparente pour les études plus vastes, ou comparez Qualitati avec NVivo, ATLAS.ti et MAXQDA.
\n\nDernière mise à jour : 2026-10-18.
\nRédigé par l'équipe de recherche de Qualitati. Les affirmations méthodologiques sont attribuées aux sources citées ; veuillez les vérifier au regard des standards de votre discipline avant toute utilisation dans une thèse ou une publication.
\n\n\n","related":[{"slug":"what-is-abductive-analysis-qualitative-research-2026","title":"Qu'est-ce que l'analyse abductive en recherche qualitative ?","description":"L'analyse abductive bâtit la théorie à partir de données surprenantes. Étapes de Timmermans et Tavory, comparaison avec induction et déduction, rôle de l'IA.","category":"Analyse de données qualitatives","date":"2026-10-17","readTime":"10 min de lecture","author":"Qualitati Research Team"},{"slug":"open-axial-selective-coding-2026","title":"Codage ouvert, axial et sélectif en théorie ancrée","description":"Le codage ouvert nomme les concepts, le codage axial les relie, le codage sélectif les intègre autour d'une catégorie centrale. Exemples et checklist.","category":"Analyse de données qualitatives","date":"2026-09-24","readTime":"11 min de lecture","author":"Qualitati Research Team"},{"slug":"nvivo-alternatives-2026","title":"Alternatives à NVivo en 2026 : guide comparatif","description":"Comparez les meilleures alternatives à NVivo en 2026 : MAXQDA, ATLAS.ti, Dedoose et outils natifs IA. Fonctionnalités, tarifs et grille de transition.","category":"Analyse de données qualitatives","date":"2026-06-17","readTime":"11 min de lecture","author":"Qualitati Research Team"}]}