Le Commentaire Libre (CL) ou Free Comment (FC) consiste à laisser le consommateur décrire librement un produit avec son propre vocabulaire.
Vous qui avez expérimenté les enquêtes consommateurs, vous connaissez bien la question qui vous invite à décrire votre sensation sur un produit. Pas facile de générer du vocabulaire sur ces aspects sensoriels. Vous vous demandez d’ailleurs si ce type de questions sert à quelque chose, et s’il est vraiment approfondi. C’est là qu’intervient le travail de thèse de Benjamin Mahieu : L’analyse sensorielle auprès de consommateurs par Commentaire Libre : analyses, performances et extensions, dont SensoStat est fière d’avoir été partenaire.
Que propose ce travail de thèse ?
Un développement méthodologique conséquent ! Le principe du Commentaire Libre (CL) consiste à laisser le consommateur décrire librement un produit avec son propre vocabulaire. Très riche d’information pour les industriels, ce vocabulaire s’avère cependant complexe dans son traitement et son analyse. Le prétraitement des données de CL et leurs analyses statistiques sont le plus souvent réduits à un comptage d’occurrences de termes. De plus, les performances du CL comme méthode d’analyse sensorielle ne sont que très peu documentées et ses applications très limitées.
Face à ce constat, les objectifs du travail de thèse ont été triples :
– Optimiser l’analyse des données de CL pour en retirer le maximum d’information sur les produits,
– Etudier les performances du CL relativement au Check-All-That-Apply (CATA),
– Décliner le CL à des problématiques plus larges que la simple caractérisation sensorielle statique des produits.
Les différentes approches développées et leurs applications pratiques
Optimisation de l’analyse de données de CL
La description finale du produit issue du vocabulaire des consommateurs est obtenue grâce à une procédure dite « semi-automatique », réalisée à l’aide du logiciel R. Les étapes de cette procédure sont détaillées ici [1].
Une fois le prétraitement réalisé, les données se présentent sous la même forme que les données de CATA, c’est-à-dire un tableau présence/absence des termes pour chaque couple produit × sujet. Ce tableau est ensuite analysé selon différentes approches permettant d’étudier les correspondances entre produits et descripteurs dans un espace « nettoyé » des variations aléatoires. Ces approches s’appliquent aussi bien à des données issues de CL que de CATA [2].
Cerise sur le gâteau, ce travail a permis la création d’un package R « MultiResponseR » disponible dès à présent et gratuitement sur GitHub [3].
Comparaison CL et CATA : discrimination et stabilité des résultats
Les paramètres de discrimination et de stabilité ont permis de comparer les résultats issus de CL et de CATA.
Deux groupes de consommateurs ont évalué quatre vins rouges selon un protocole de CL ou de CATA. Les données ont été analysées avec les mêmes traitements statistiques pour chaque méthode et les résultats ont été comparés. Les résultats montrent que le CL discriminerait mieux les produits et produirait une description plus riche, plus fine et plus précise que celle issue du CATA [1].
Sur la base des mêmes données de vins rouges et d’une autre étude portant sur des chocolats au lait , la stabilité des résultats du CL s’est avérée être légèrement meilleure que celle du CATA aussi bien pour la configuration des produits que pour la significativité des associations entre produit et descripteur [4].
Les extensions du CL en analyse sensorielle
Deux extensions du Commentaire Libre ont été proposées.
– La première, l’Attack Evolution Finish (AEF)-CL permet de capturer la cinétique temporelle des produits, sans restreindre la perception des consommateurs à une liste de descripteurs prédéfinie. Testée sur des chocolats noirs, L’AEF-CL a permis de mettre en évidence la même discrimination et caractérisation que l’AEF et la DTS [5]. Cette méthode a également apporté une description plus riche des produits. L’AEF-CL semble discriminer et caractériser les produits au sein d’une période donnée, ou bien les périodes au sein d’un produit donné. Ces résultats nécessitent d’être confirmés sur d’autres types de produits.
– La seconde extension, le Commentaire-Libre-Idéal (CLI) permet de lier les données sensorielles aux données hédoniques sans les biais que peuvent induire une liste prédéfinie de descripteurs et en maximisant les chances de ne pas manquer une information clé [6]. Le CLI a été expérimenté lors d’un test à domicile sur des jambons évalués par 483 consommateurs. Les résultats indiquent que les données de CL permettent d’identifier des déterminants implicites et pertinents de la préférence des consommateurs.
Ce travail riche en publications scientifiques (8 au total) montre que le CL est une méthode prometteuse. Ses avantages théoriques et pratiques n’impliquent aucune perte de performances. Ces résultats restent néanmoins à être confirmés à plus grande échelle.
Nos travaux de recherche en analyse sensorielle vous intéressent ? N’hésitez plus et contactez-nous ! Nous nous ferons un plaisir d’échanger avec vous sur les possibles projets de recherche à mettre en place en fonction de vos problématiques.
Références :
[1] Mahieu, B., Visalli, M., Thomas, A., & Schlich, P. (2020d). Free-comment outperformed check-all-that-apply in the sensory characterisation of wines with consumers at home. Food Quality and Preference, 84.
[2] Mahieu, B., Visalli, M., & Schlich, P. (2020b). Accounting for the dimensionality of the dependence in analyses of contingency tables obtained with Check-All-That-Apply and Free-Comment. Food Quality and Preference, 83.
[3] Benjamin Mahieu (2021). MultiResponseR: Analysis of multiple-response contingency data. R package version 1.0.0.
[4] Mahieu, B., Visalli, M., Thomas, A., & Schlich, P. (2021). An investigation of the stability of Free-Comment and Check-All-That-Apply in two consumer studies on red wines and milk chocolates. Food Quality and Preference, 90.
[5] Mahieu, B., Visalli, M., Thomas, A., & Schlich, P. (2020e). Using Free-Comment with consumers to obtain temporal sensory descriptions of products. Food Quality and Preference, 86.
[6] Mahieu, B., Visalli, M., & Schlich, P. (2020c). Using Free-Comment to identify implicit drivers of liking and explicitly characterize the ideal product: a case study on the French ham market. Manuscript submitted for publication.
ACTUALITÉS
Libérée, délivrée : la parole aux consommateurs grâce au Commentaire Libre
Le Commentaire Libre (CL) ou Free Comment (FC) consiste à laisser le consommateur décrire librement un produit avec son propre vocabulaire.
Vous qui avez expérimenté les enquêtes consommateurs, vous connaissez bien la question qui vous invite à décrire votre sensation sur un produit. Pas facile de générer du vocabulaire sur ces aspects sensoriels. Vous vous demandez d’ailleurs si ce type de questions sert à quelque chose, et s’il est vraiment approfondi. C’est là qu’intervient le travail de thèse de Benjamin Mahieu : L’analyse sensorielle auprès de consommateurs par Commentaire Libre : analyses, performances et extensions, dont SensoStat est fière d’avoir été partenaire.
Que propose ce travail de thèse ?
Un développement méthodologique conséquent ! Le principe du Commentaire Libre (CL) consiste à laisser le consommateur décrire librement un produit avec son propre vocabulaire. Très riche d’information pour les industriels, ce vocabulaire s’avère cependant complexe dans son traitement et son analyse. Le prétraitement des données de CL et leurs analyses statistiques sont le plus souvent réduits à un comptage d’occurrences de termes. De plus, les performances du CL comme méthode d’analyse sensorielle ne sont que très peu documentées et ses applications très limitées.
Face à ce constat, les objectifs du travail de thèse ont été triples :
– Optimiser l’analyse des données de CL pour en retirer le maximum d’information sur les produits,
– Etudier les performances du CL relativement au Check-All-That-Apply (CATA),
– Décliner le CL à des problématiques plus larges que la simple caractérisation sensorielle statique des produits.
Les différentes approches développées et leurs applications pratiques
Optimisation de l’analyse de données de CL
La description finale du produit issue du vocabulaire des consommateurs est obtenue grâce à une procédure dite « semi-automatique », réalisée à l’aide du logiciel R. Les étapes de cette procédure sont détaillées ici [1].
Une fois le prétraitement réalisé, les données se présentent sous la même forme que les données de CATA, c’est-à-dire un tableau présence/absence des termes pour chaque couple produit × sujet. Ce tableau est ensuite analysé selon différentes approches permettant d’étudier les correspondances entre produits et descripteurs dans un espace « nettoyé » des variations aléatoires. Ces approches s’appliquent aussi bien à des données issues de CL que de CATA [2].
Cerise sur le gâteau, ce travail a permis la création d’un package R « MultiResponseR » disponible dès à présent et gratuitement sur GitHub [3].
Comparaison CL et CATA : discrimination et stabilité des résultats
Les paramètres de discrimination et de stabilité ont permis de comparer les résultats issus de CL et de CATA.
Deux groupes de consommateurs ont évalué quatre vins rouges selon un protocole de CL ou de CATA. Les données ont été analysées avec les mêmes traitements statistiques pour chaque méthode et les résultats ont été comparés. Les résultats montrent que le CL discriminerait mieux les produits et produirait une description plus riche, plus fine et plus précise que celle issue du CATA [1].
Sur la base des mêmes données de vins rouges et d’une autre étude portant sur des chocolats au lait , la stabilité des résultats du CL s’est avérée être légèrement meilleure que celle du CATA aussi bien pour la configuration des produits que pour la significativité des associations entre produit et descripteur [4].
Les extensions du CL en analyse sensorielle
Deux extensions du Commentaire Libre ont été proposées.
– La première, l’Attack Evolution Finish (AEF)-CL permet de capturer la cinétique temporelle des produits, sans restreindre la perception des consommateurs à une liste de descripteurs prédéfinie. Testée sur des chocolats noirs, L’AEF-CL a permis de mettre en évidence la même discrimination et caractérisation que l’AEF et la DTS [5]. Cette méthode a également apporté une description plus riche des produits. L’AEF-CL semble discriminer et caractériser les produits au sein d’une période donnée, ou bien les périodes au sein d’un produit donné. Ces résultats nécessitent d’être confirmés sur d’autres types de produits.
– La seconde extension, le Commentaire-Libre-Idéal (CLI) permet de lier les données sensorielles aux données hédoniques sans les biais que peuvent induire une liste prédéfinie de descripteurs et en maximisant les chances de ne pas manquer une information clé [6]. Le CLI a été expérimenté lors d’un test à domicile sur des jambons évalués par 483 consommateurs. Les résultats indiquent que les données de CL permettent d’identifier des déterminants implicites et pertinents de la préférence des consommateurs.
Ce travail riche en publications scientifiques (8 au total) montre que le CL est une méthode prometteuse. Ses avantages théoriques et pratiques n’impliquent aucune perte de performances. Ces résultats restent néanmoins à être confirmés à plus grande échelle.
Nos travaux de recherche en analyse sensorielle vous intéressent ? N’hésitez plus et contactez-nous ! Nous nous ferons un plaisir d’échanger avec vous sur les possibles projets de recherche à mettre en place en fonction de vos problématiques.
Références :
[1] Mahieu, B., Visalli, M., Thomas, A., & Schlich, P. (2020d). Free-comment outperformed check-all-that-apply in the sensory characterisation of wines with consumers at home. Food Quality and Preference, 84.
[2] Mahieu, B., Visalli, M., & Schlich, P. (2020b). Accounting for the dimensionality of the dependence in analyses of contingency tables obtained with Check-All-That-Apply and Free-Comment. Food Quality and Preference, 83.
[3] Benjamin Mahieu (2021). MultiResponseR: Analysis of multiple-response contingency data. R package version 1.0.0.
[4] Mahieu, B., Visalli, M., Thomas, A., & Schlich, P. (2021). An investigation of the stability of Free-Comment and Check-All-That-Apply in two consumer studies on red wines and milk chocolates. Food Quality and Preference, 90.
[5] Mahieu, B., Visalli, M., Thomas, A., & Schlich, P. (2020e). Using Free-Comment with consumers to obtain temporal sensory descriptions of products. Food Quality and Preference, 86.
[6] Mahieu, B., Visalli, M., & Schlich, P. (2020c). Using Free-Comment to identify implicit drivers of liking and explicitly characterize the ideal product: a case study on the French ham market. Manuscript submitted for publication.
Rechercher
Categories