L’appréhension rigoureuse des processus mentaux, des comportements et des construits psychologiques repose fondamentalement sur la nature et la structure des informations recueillies auprès des individus. La catégorisation et la manipulation adéquate des types de données constituent le socle épistémologique sur lequel s’édifient la validité des inférences statistiques, la pertinence clinique des diagnostics et l’exactitude des modèles psychométriques modernes. Comprendre la taxonomie des données permet ainsi aux chercheurs et aux praticiens de transcender la simple observation empirique pour établir des mesures fiables du fonctionnement humain.
Les types de données en psychologie et psychométrie
1. Définition concise
En psychologie, en psychométrie et dans les sciences comportementales, les types de données désignent les classifications formelles attribuées aux variables observées ou mesurées, déterminant la nature mathématique, la structure logique et les propriétés opérationnelles des valeurs numériques ou qualitatives recueillies. Cette classification prescrit rigoureusement les transformations mathématiques autorisées, les indices de tendance centrale applicables ainsi que les tests statistiques d’inférence valides.
Plus largement, un type de données renvoie au degré de correspondance formelle établi entre un construit psychologique latent — tel que l’intelligence, l’anxiété ou l’introversion — et le système numérique symbolique utilisé pour le quantifier ou le répertorier. Cette typologie structure la chaîne complète du traitement de l’information, depuis le protocole de passation jusqu’à l’interprétation théorique des résultats de recherche.
Sur le plan computationnel et méthodologique, la distinction s’étend également à la structure d’encodage des observations, distinguant les variables qualitatives discrètes des variables quantitatives continues. Chaque type impose des contraintes fondamentales sur l’espace d’échantillonnage et sur les postulats distributionnels nécessaires à l’analyse multivariée.
2. Étymologie et origine linguistique
Le terme « donnée » provient du participe passé substantivé du verbe français « donner », issu du latin classique dare, qui signifie accorder, assigner, confier ou présenter. Historiquement, dans la philosophie cartésienne et la tradition mathématique francophone du XVIIe siècle, le « donné » désigne ce qui est admis comme point de départ indéniable d’une démonstration, avant toute opération intellectuelle déductive.
Le vocable « type », quant à lui, dérive du latin typus, emprunté au grec ancien tupos (τύπος), renvoyant originellement à l’empreinte, au coup, à la marque gravée ou au modèle formel. Dans le contexte scientifique moderne, le « type » a évolué pour désigner une catégorie d’entités partageant des caractéristiques structurales communes, servant d’étalon ou de matrice classificatoire.
L’assemblage conceptuel « types de données » a fait son apparition dans le lexique méthodologique contemporain à la croisée de la philosophie des sciences, de la logique mathématique et de l’essor de la psychométrie au milieu du XXe siècle. L’article séminal du psychologue Stanley Smith Stevens en 1946 a consacré la formalisation moderne des échelles de mesure en tant que typologie incontournable des données scientifiques.
3. Prononciation et forme grammaticale
Sur le plan phonétique, l’expression « types de données » se prononce en français standard /tip də dɔ.ne/. La liaison n’intervient pas entre « types » et la préposition « de ».
Sur le plan morphosyntaxique, il s’agit d’un syntagme nominal masculin pluriel. Au singulier, la formulation devient « un type de données » ou occasionnellement « un type de donnée », bien que l’usage académique préconise le maintien du pluriel « données » pour désigner le champ paradigmatique de l’information mesurée. L’adjectif s’accordant avec le terme recteur sera masculin (par exemple : « les types de données recueillis »).
Dans les contextes spécialisés de la méthodologie quantitative et de l’évaluation psychologique, on rencontre des locutions dérivées telles que « typage des données », « niveau de mesure des données » ou « statut métrique des données », chacune soulignant une nuance propre à la rigueur de l’opérationnalisation empirique.
4. Explication conceptuelle détaillée
La notion de type de données en psychologie dépasse largement la simple nomenclature technique employée en informatique ou en statistique générale. Elle touche au problème central de l’épistémologie des sciences humaines : comment transformer un phénomène subjectif, une disposition interne ou une conduite comportementale éphémère en une entité analytique stable et manipulable sans en altérer la substance ontologique ?
Dans cette perspective, un type de données définit l’homomorphisme entre les relations empiriques observées dans la réalité psychologique et les relations numériques instituées dans le système formel de mesure. Si un individu présente objectivement une intensité dépressive supérieure à celle d’un autre, le type de données choisi doit préserver cette relation d’ordre sans nécessairement présumer que l’écart numérique entre deux scores consécutifs reflète une distance psychologique absolue et constante.
La délimitation des types de données encadre directement l’éventail des modélisations mathématiques autorisées. Attribuer erronément les propriétés d’une variable métrique continue à des données qui ne possèdent qu’une structure ordinale sous-jacente expose le chercheur ou le clinicien à des biais interprétatifs majeurs, tels que la distorsion des corrélations, la déformation des structures factorielles ou l’émergence d’effets de plancher et de plafond artificiels.
En outre, les types de données englobent des dimensions relatives à la temporalité et au format de l’observation. On distingue couramment les données transversales (recueillies à un instant unique) des données longitudinales ou écologiques momentanées (EMA, Ecological Momentary Assessment). La nature temporelle des flux de données influence profondément le traitement stochastique requis, soulevant des défis méthodologiques quant à l’autocorrélation et à l’hétéroscédasticité des mesures comportementales répétées.
5. Développement historique
L’histoire de la typologie des données en psychologie est intimement liée aux débats entourant la légitimité scientifique de la discipline au cours des XIXe et XXe siècles. Les pionniers de la psychophysique, tels que Gustav Fechner et Ernst Heinrich Weber dans les années 1860, tentèrent d’établir des équations mathématiques reliant l’intensité d’une stimulation physique externe à la sensation psychologique interne, postulant implicitement que les sensations pouvaient être traitées comme des données quantitatives continues.
Toutefois, la critique majeure émergea dans les années 1930 au sein de la British Association for the Advancement of Science. Un comité d’experts interdisciplinaires, mené notamment par le physicien Norman Campbell, conclut avec scepticisme que les tentatives des psychologues pour mesurer les sensations échouaient à satisfaire les critères de la mesure quantitative physique, car les opérations d’addition physique directe (concaténation) étaient impossibles sur les états mentaux.
En réponse directe à ce défi épistémologique, le psychologue américain Stanley Smith Stevens publia en 1946 dans la revue Science un article fondateur intitulé « On the Theory of Scales of Measurement ». Stevens y révolutionna le paradigme de la mesure en affirmant que mesurer consiste simplement à assigner des nombres à des objets ou des événements selon des règles déterminées. Il formula la célèbre quadripartition des échelles de mesure : nominale, ordinale, d’intervalle et de rapport.
Au cours de la seconde moitié du XXe siècle, cette conceptualisation fut enrichie par le développement de la théorie axiomatique de la mesure portée par David Krantz, Duncan Luce, Patrick Suppes et Amos Tversky. Parallèlement, l’essor de la théorie de la réponse aux items (TRI) par Georg Rasch et Frederic Lord offrit des outils probabilistes permettant de convertir des réponses discrètes ordinales ou binaires en échelles d’intervalles véritables sur un continuum latent abstrait.
6. Fondements théoriques
La théorie classique des tests (TCT), formulée entre autres par Charles Spearman et consolidée par Gulliksen, postule que tout score observé sur une variable quantitative est la somme d’un score vrai inconnu et d’une composante d’erreur aléatoire. Dans ce modèle, la manipulation des données présume généralement un niveau de mesure d’intervalle, permettant l’usage de la variance, de la covariance et du coefficient alpha de Cronbach pour quantifier la fidélité de la mesure.
À l’opposé, l’approche axiomatique de la mesure conjointe (Conjoint Measurement Theory) soutient que la quantification d’une variable psychologique ne peut être présumée a priori. Elle exige la vérification empirique d’axiomes rigoureux (tels que la transitivité et l’indépendance) régissant les interactions entre variables pour démontrer que les données possèdent légitimement une structure quantitative et métrique, plutôt que purement ordinale.
La théorie de la réponse aux items (TRI) constitue un autre cadre paradigmatique fondamental. Elle aborde spécifiquement les données dichotomiques (succès/échec, oui/non) ou polytomiques (échelles de Likert) au niveau de chaque item individuel. Au lieu de sommer naïvement des scores bruts ordinaux, la TRI modélise la probabilité mathématique d’une réponse donnée en fonction de paramètres propres à l’item (difficulté, discrimination) et de la position de l’individu sur le trait latent continu non observé (noté thêta, θ).
Enfin, la modélisation en équations structurales (SEM) intègre aujourd’hui divers types de données grâce à des matrices de covariance adaptées (matrices de corrélations polychoriques pour données ordinales ou tétrachoriques pour données binaires), garantissant que l’estimation des paramètres latents ne soit pas biaisée par la violation des postulats de normalité bivariée ou multivariée.
7. Composantes clés, typologies et dimensions
L’analyse approfondie des données psychologiques requiert une décomposition rigoureuse selon plusieurs dimensions taxonomiques interdépendantes :
- L’échelle nominale : Niveau qualitatif fondamental où les nombres ou symboles servent exclusivement d’étiquettes identificatoires distinctives sans aucune notion de hiérarchie ou de magnitude. Les catégories doivent être mutuellement exclusives et collectivement exhaustives (par exemple, le diagnostic psychiatrique selon le DSM-5, le genre ou l’appartenance à un groupe expérimental). La seule opération mathématique autorisée est l’équivalence (= ou ≠), et l’indice de tendance centrale approprié est le mode.
- L’échelle ordinale : Niveau introduisant une relation d’ordre logique, de gradation ou de rang entre les observations, sans que la distance mathématique séparant deux points consécutifs ne soit constante ou spécifiable. Les classements de performance scolaire, les stades de développement cognitif selon Piaget, et les réponses graduées sur une échelle de Likert relèvent structurellement de ce type. La médiane et les quartiles représentent les indices de tendance centrale et de dispersion valides.
- L’échelle d’intervalle : Niveau quantitatif caractérisé par l’égalité constante des intervalles séparant les unités de mesure successives, permettant de quantifier précisément les différences entre observations. Cependant, le zéro y est purement conventionnel et relatif, ne signifiant en aucun cas l’absence totale du phénomène mesuré. L’exemple paradigmatique en psychométrie demeure le score de quotient intellectuel standardisé (QI, avec moyenne à 100 et écart-type de 15) ou les échelles de température en degrés Celsius. La moyenne arithmétique et l’écart-type deviennent ici applicables.
- L’échelle de rapport (ou de ratio) : Niveau quantitatif absolu doté de toutes les caractéristiques de l’échelle d’intervalle, auquel s’ajoute l’existence d’un zéro absolu, non arbitraire, correspondant à l’extinction complète de la dimension physique mesurée. Les temps de réaction en millisecondes, le taux de cortisol salivaire, le nombre d’erreurs commises dans une tâche attentionnelle ou la conductance cutanée relèvent de cette échelle. Elle autorise le calcul des moyennes géométriques et des coefficients de variation.
- Données qualitatives textuelles et discursives : Données non standardisées issues d’entretiens cliniques semi-directifs, d’observations ethnographiques ou d’associations libres, nécessitant des méthodes d’analyse de contenu, de théorisation ancrée ou d’analyse thématique assistée par ordinateur.
- Données neurophysiologiques et biométriques continues : Signaux électrophysiologiques (électroencéphalographie, variabilité de la fréquence cardiaque) et données d’imagerie par résonance magnétique fonctionnelle (signal BOLD), caractérisés par une haute résolution temporelle ou spatiale et une forte densité dimensionnelle.
8. Exemples et cas illustratifs
Pour illustrer concrètement les implications des types de données, considérons l’évaluation du trouble d’anxiété généralisée (TAG) dans un cadre clinique ambulatoire. Lors de l’accueil du patient, le clinicien consigne un ensemble hétérogène de données. La présence ou l’absence du diagnostic formel selon les critères cliniques constitue une donnée nominale dichotomique (0 = absence de trouble, 1 = présence de trouble). L’utilisation d’une étiquette nosographique permet de trier la cohorte mais interdit tout calcul de moyenne directe.
Simultanément, le praticien administre le questionnaire d’auto-évaluation GAD-7 (Generalized Anxiety Disorder 7-item scale). Les patients répondent à chaque énoncé sur une échelle en quatre points allant de « jamais » (0) à « presque tous les jours » (3). Au niveau de l’item unitaire, la donnée est formellement ordinale : l’écart perçu entre « jamais » et « plusieurs jours » ne possède aucune garantie métrique d’être identique à l’écart entre « plus de la moitié des jours » et « presque tous les jours ». Additionner ces valeurs brutes pour obtenir un score global de sévérité constitue une pratique clinique commode, mais soulève des questions théoriques quant à la légitimité d’interpréter le total comme une mesure d’intervalle sans étalonnage préalable.
Dans une perspective neuropsychologique expérimentale complémentaire, ce même individu participe à une tâche informatisée d’attention sélective (paradigme de Stroop émotionnel). Le logiciel enregistre le temps de latence séparant l’apparition d’un mot anxiogène sur l’écran et l’appui sur le bouton de réponse. Cette mesure chronométrique constitue une donnée de rapport continue : une latence de 600 millisecondes représente objectivement le double exact d’une latence de 300 millisecondes, et un temps de zéro marquerait la simultanéité parfaite. La nature métrique de cette variable autorise sans réserve le calcul d’une moyenne arithmétique et la modélisation linéaire de la dispersion.
9. Mesure et évaluation
L’évaluation psychologique moderne requiert une vigilance constante quant à la congruence entre le type de données recueilli et l’outil analytique sélectionné. Dans la pratique psychométrique courante, une controverse persistante concerne le traitement des scores composites issus de batteries psychologiques. Bien souvent, des données originellement ordinales sont sommées et agrégées pour construire des scores synthétiques traités pragmatiquement comme des variables d’intervalle, une démarche que les puristes de la mesure qualifient d’approximation non fondée mathématiquement.
Pour répondre à cette ambiguïté, les méthodologues recourent fréquemment aux modèles de la théorie de la réponse aux items (TRI), tels que le modèle de Rasch pour données dichotomiques ou le modèle des réponses graduées de Samejima pour données polytomiques. Ces modèles mathématiques estiment la position de la personne sur un continuum latent continu doté d’intervalles égaux (l’échelle des log-odds ou logits), convertissant ainsi de façon rigoureuse des données ordinales brutes en estimations métriques d’intervalles exploitables.
Le tableau analytique ci-dessous synthétise la correspondance méthodologique indispensable entre les niveaux de mesure fondamentaux, leurs propriétés formelles, les statistiques descriptives autorisées et les tests d’hypothèses appropriés :
- Niveau nominal : Opérations mathématiques basées sur l’équivalence ; tendance centrale évaluée par le mode ; dispersion mesurée par le taux de variation ou l’entropie de Shannon ; inférence statistique via le test du khi-carré d’indépendance ou le coefficient kappa de Cohen.
- Niveau ordinal : Opérations basées sur l’ordre de grandeur (>, <) ; tendance centrale évaluée par la médiane ; dispersion mesurée par l’écart interquartile ; inférence statistique via les tests non paramétriques (test U de Mann-Whitney, test de Wilcoxon, corrélation de rang de Spearman, tau de Kendall).
- Niveau d’intervalle : Opérations d’addition et de soustraction des intervalles ; tendance centrale évaluée par la moyenne arithmétique ; dispersion quantifiée par la variance et l’écart-type ; inférence statistique au moyen de tests paramétriques (test t de Student, analyse de variance ANOVA, corrélation produit-moment de Pearson, modélisation par régression linéaire).
- Niveau de rapport : Opérations de multiplication et de division autorisées par la présence du zéro absolu ; tendance centrale élargie à la moyenne géométrique et harmonique ; dispersion mesurée par le coefficient de variation ; inférence statistique exploitant l’ensemble des modélisations linéaires généralisées et des analyses de puissance spectrale.
10. Applications et pertinence pratique
Dans le domaine de la psychologie clinique et de la psychiatrie, la maîtrise des types de données conditionne directement l’exactitude diagnostique et le suivi de l’efficacité thérapeutique. L’adoption exclusive de données nominales catégorielles issues des classifications diagnostiques traditionnelles a longtemps masquer la variabilité intra-individuelle des symptômes. L’intégration récente de données quantitatives continues et dimensionnelles (par exemple dans le cadre de la taxonomie HiTOP — Hierarchical Taxonomy of Psychopathology) permet d’affiner considérablement la compréhension de la comorbidité et de suivre avec finesse la trajectoire de rétablissement des patients.
Dans le secteur de la psychologie du travail et des organisations, les processus de sélection du personnel et de gestion des talents s’appuient massivement sur des types de données standardisés. L’évaluation de traits de personnalité par des questionnaires ipsatifs (données à choix forcé de type ordinale fermée) requiert des traitements statistiques particuliers pour éviter les corrélations artificiellement négatives induites par la dépendance des scores entre les dimensions évaluées. Une mauvaise interprétation du type de données peut conduire à des décisions de recrutement discriminatoires ou sous-optimales.
En neuropsychologie et en neurosciences cognitives, l’avènement des mégadonnées (Big Data) et des technologies de capture passive (téléphones intelligents, capteurs portables) génère des flux continus de données temporelles écologiques à haute fréquence. L’analyse de ces types de données requiert des algorithmes d’apprentissage automatique et des modèles dynamiques d’équations différentielles capables d’intégrer des signaux physiologiques de rapport et des auto-évaluations subjectives ordinales recueillies plusieurs fois par jour.
11. Recherche et données empiriques
La littérature méthodologique en psychologie a documenté de manière approfondie les répercussions pratiques associées aux choix de modélisation des types de données. Des études de simulation menées notamment par Barbara Byrne et David Kaplan ont démontré que l’application de modèles d’équations structurales linéaires conventionnels à des données ordinales issues d’échelles de Likert à moins de cinq modalités d’ancrage entraîne une sous-estimation systématique de la force des corrélations et une inflation notable du taux d’erreur de première espèce (rejet erroné de l’hypothèse nulle).
D’autres travaux empiriques fondamentaux conduits par des psychométriciens contemporains, à l’instar de Denny Borsboom, ont mis en évidence la fragilité ontologique de l’hypothèse selon laquelle les construits psychologiques latents possèdent intrinsèquement une métrique continue quantitative. Les recherches empiriques utilisant les tests de mesurabilité conjointe révèlent que de nombreuses échelles psychologiques largement utilisées ne satisfont pas aux exigences formelles de la quantité continue, remettant en question la validité des scores composites couramment employés dans les études cliniques et épidémiologiques.
En outre, la recherche expérimentale en psychométrie computationnelle explore la robustesse des estimateurs statistiques face aux violations des postulats liés aux types de données. Les algorithmes d’estimation basés sur les moindres carrés pondérés robustes (WLSMV) se sont révélés nettement supérieurs au maximum de vraisemblance standard pour l’ajustement factoriel de données ordonnées catégorielles, modifiant profondément les normes de publication dans les revues internationales de premier rang.
12. Considérations culturelles et transculturelles
La transposabilité des types de données à travers des contextes culturels et linguistiques variés constitue un enjeu méthodologique majeur en psychologie transculturelle. Les styles de réponse aux questionnaires (biais d’acquiescement, préférence systématique pour les catégories extrêmes ou au contraire évitement frileux des extrêmes au profit du point médian) modifient profondément la distribution empirique des données ordinales d’un groupe culturel à l’autre.
Par exemple, plusieurs études transculturelles comparant des populations d’Asie orientale et d’Amérique du Nord révèlent que les répondants asiatiques tendent à privilégier les réponses médianes sur les échelles d’attitude en raison de normes valorisant la modération et l’harmonie contextuelle. Cet effet altère artificiellement la variance observée des données et compromet l’invariance de mesure, risquant de fausser les comparaisons intergroupes si les données sont traitées de manière brute sans étalonnage d’équivalence métrique.
De surcroît, la signification sémantique même des catégories ordinales ou nominales varie selon les univers culturels. Des construits qui se prêtent à une évaluation ordinale linéaire dans des sociétés individualistes occidentales peuvent nécessiter des catégorisations qualitatives ou multidimensionnelles distinctes au sein de cultures collectivistes ou traditionnelles, exigeant des procédures rigoureuses d’invariance de configuration, métrique et scalaire.
13. Critiques, débats et limites
La taxonomie classique des échelles de mesure de Stevens fait l’objet de vives contestations théoriques depuis plusieurs décennies. Le débat le plus intense oppose les partisans d’une posture puriste et axiomatique, représentés notamment par Joel Michell, aux tenants d’une approche pragmatique ou libérale des statistiques. Michell soutient que la psychologie contemporaine s’est rendue coupable d’une « révolution méthodologique factice » en redéfinissant la mesure comme une simple attribution de règles chiffrées, éludant ainsi l’obligation scientifique de prouver préalablement la nature quantitative des attributs psychologiques.
À l’inverse, des statisticiens de renom tels que Frederic Lord ou John Tukey ont défendu une approche pragmatique, soulignant que les nombres ne se souviennent pas de l’échelle d’où ils proviennent (« the numbers don’t know where they came from »). Selon cette vision opérationnelle, l’application de tests paramétriques puissants à des données ordinales bien distribuées (comme des échelles de Likert multi-items équilibrées) n’entraîne que des distorsions minimes et s’avère souvent plus informative que le recours exclusif à des tests non paramétriques moins sensibles.
Un autre point de friction majeur concerne la transformation et la dichotomisation artificielle des données continues. La pratique consistant à découper une variable continue (comme l’âge ou un score de dépression) en catégories nominales discrètes (par exemple par division sur la médiane pour former des groupes « bas » et « hauts ») a été abondamment critiquée par Cohen et MacCallum. Cette pratique entraîne une perte drastique de puissance statistique, masque les relations non linéaires et favorise l’apparition de corrélations fallacieuses.
14. Termes connexes et distinctions
Pour clarifier les frontières conceptuelles, il convient de distinguer les types de données de plusieurs notions méthodologiques étroitement apparentées :
- Niveau de mesure vs Type de variable : Le niveau de mesure caractérise la structure mathématique et axiomatique de l’échelle (nominale, ordinale, d’intervalle, de rapport), tandis que le type de variable réfère à la cardinalité mathématique des valeurs possibles (variable discrète ne pouvant prendre que des valeurs entières isolées versus variable continue acceptant une infinité de valeurs réelles intermédiaires dans un intervalle donné).
- Variable qualitative vs Variable quantitative : Une variable qualitative classe les sujets en fonction d’attributs discursifs ou de modalités sans grandeur intrinsèque, tandis qu’une variable quantitative exprime une quantité mesurable ou dénombrable susceptible d’opérations arithmétiques directes.
- Construit latent vs Score observé : Le construit latent désigne l’entité théorique inobservable (par exemple, l’estime de soi), alors que le score observé représente la concrétisation empirique chiffrée issue de l’instrument d’évaluation, soumise aux contraintes d’un type de données spécifique.
- Données ipsatives vs Données normatives : Les données normatives permettent une comparaison directe et indépendante entre individus par rapport à un échantillon de référence, tandis que les données ipsatives évaluent les dimensions les unes par rapport aux autres au sein d’un même individu, créant une interdépendance mathématique artificielle qui limite la comparabilité interindividuelle.
15. Résumé et points clés à retenir
Les types de données en psychologie et psychométrie délimitent de façon incontournable la structure, le traitement et la portée interprétative des informations recueillies sur le fonctionnement humain. Initiée par les travaux de Fechner et formalisée magistralement par la typologie de Stevens en 1946, la distinction entre échelles nominales, ordinales, d’intervalles et de rapports constitue le fondement de toute inférence scientifique valide.
Alors que les variables nominales identifient et que les variables ordinales hiérarchisent, seules les échelles d’intervalles et de rapports autorisent l’utilisation rigoureuse des statistiques paramétriques fondamentales. L’intégration de modèles psychométriques modernes, tels que la théorie de la réponse aux items et la modélisation en équations structurales, offre aujourd’hui les passerelles méthodologiques nécessaires pour transformer des réponses comportementales discrètes en estimations métriques continues solides.
La reconnaissance lucide des controverses épistémologiques contemporaines, conjuguée à la prise en compte des variations transculturelles dans les modalités de réponse, préserve le chercheur et le clinicien des écueils de l’illusion quantitative. Une adéquation stricte entre la nature des données, les algorithmes mathématiques mobilisés et la prudence théorique demeure la garantie sine qua non de la scientificité des sciences comportementales.
Références
- Borsboom, D. (2005). Measuring the mind: Conceptual issues in contemporary psychometrics. Cambridge University Press. https://doi.org/10.1017/CBO9780511490026
- Krantz, D. H., Luce, R. D., Suppes, P., & Tversky, A. (1971). Foundations of measurement: Vol. 1. Additive and polynomial representations. Academic Press.
- Michell, J. (1997). Becoming a normal science: Psychology’s cognitive debauch of measurement. Theory & Psychology, 7(3), 355-406. https://doi.org/10.1177/0959354397073004
- Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Danmarks Paedagogiske Institut.
- Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677-680. https://doi.org/10.1126/science.103.2684.677