Comment est-ce que les pêcheurs traditionnels comprennent les graphiques scientifiques ?

Contexte 

Pour que la gestion des pêcheries mène à des bénéfices locaux et durables, la prise de décisions liée à un suivi de pêche est fondamentale, tout aussi comme la collaboration avec les pêcheurs locaux. Dans ce cadre, il est important de leur faire un retour sur les résultats des suivis de pêche obtenus. Ceci leur permet de comprendre à quoi servent les données qu’ils fournissent et de construire une relation basée sur une confiance mutuelle entre les différentes parties prenantes (Blue Ventures, 2021). Les acteurs peuvent ainsi mieux comprendre également les décisions prises et les intégrer plus facilement dans leur quotidien (McClanahan et al., 2016). 

Pourtant, l’idée que seuls les gens ayant un bagage scientifique sont capables de comprendre et d’interpréter des données et graphiques scientifiques est encore bien ancrée dans les esprits (Balchin, 1972; Stengers, 2011). Et les pêcheurs traditionnels de ces pays émergents n’ont souvent pas ou peu d’éducation scientifique. Leur transmettre des informations scientifiques par le biais de représentations graphiques est-il pertinent ? OUI ! Mais pas n’importe comment. L’étude menée par Sophie Neitzel et al. (2017) prouve que des pêcheurs indonésiens, découvrant pour la première fois des graphiques scientifiques, sont capables de les comprendre, voire de les interpréter, et également de comprendre leur importance pour leur façon de pêcher. Pour cela, la façon de présenter les données et leur ordre de présentation sont importants.

Comment a été menée l’étude ? 

Vingt pêcheurs de thon à la ligne de l’île de Buru, en Indonésie (Figure 1), globalement peu alphabétisés, ont été interviewés par un chercheur et un traducteur (Neitzel et al., 2017). Lors d’interviews individuelles, les pêcheurs devaient tout d’abord répondre à diverses questions, notamment sur leurs habitudes de pêche. 

Ensuite les graphiques étaient présentés un par un et par ordre croissant de complexité (Figure 2). Aucun pêcheur n’était familier avec ces types de représentation auparavant, ce qui a été demandé au début de l’interview. Ces figures représentent les moyennes mensuelles des pêcheries de la province (quantité et sortes de thons pêchés notamment). Pour chaque graphique, le pêcheur devait tout d’abord expliquer sa compréhension du graphique. Puis des questions précises lui étaient posées (par exemple “Pouvez-vous expliquer exactement ce que les informations des axes X et Y veulent dire ?“). Ensuite, le graphique lui était expliqué et il pouvait discuter de sa pertinence par rapport à sa propre expérience. Chaque pêcheur a ensuite évalué si les explications lui permettaient de mieux comprendre le graphique.

Figure 1. Carte montrant la localisation de l’île de Buru en Indonésie.

Figure 2. Graphiques présentés aux pêcheurs indonésiens, classés par type de graphique : linéaires (A), camemberts (B), graphiques à barres (C) et cartes (D) (adapté de Neitzel et al., 2017).

Résultats 

Les auteurs de cette étude ont tout d’abord montré que le niveau d’éducation (primaire, collège ou lycée) n’avait aucun impact sur la compréhension des graphiques, contrairement à ce que l’on pourrait penser (Neitzel et al., 2017). Le graphique le mieux compris est le graphique linéaire (A). La présence de deux lignes (A3) fait très légèrement baisser la compréhension. De plus, il a été observé que lorsqu’un type de graphique a été présenté juste avant, le deuxième du même type est mieux compris par les pêcheurs. 

De même, après les explications, les pêcheurs estiment, dans la majorité des cas, mieux comprendre le graphique. Ainsi, le degré de compréhension augmente avec le niveau d’explications. La seule exception concerne les couleurs qui ont induit beaucoup d’incompréhensions chez les pêcheurs. Ainsi, la carte en rose (D2) ne leur parle pas, ils préfèrent quand les couleurs bleue et verte sont utilisées pour représenter la mer et la terre, respectivement (D1). Dans les graphiques à barres, le violet était repris dans le deuxième graphique (C2) mais ne représentait plus le même poisson que dans le premier graphique (C1), perturbant les pêcheurs. 

La présentation des résultats impacte également la compréhension des données : le graphique en camembert est mieux compris si ce sont les prises en kg (B1) qui sont affichées plutôt que des pourcentages (B2). Ainsi, plus les chiffres présentés sont proches de leur quotidien, plus les pêcheurs sont capables de les comprendre facilement. 

Conclusion 

Cette recherche a étudié la perception et la compréhension de pêcheurs traditionnels aux représentations des résultats de suivi scientifique, afin de mieux guider les méthodes de retour des informations localement. Ici, les pêcheurs traditionnels sont capables de comprendre des données présentées sous forme de graphiques, à condition de leur expliquer et de choisir les graphiques les plus simples et les plus proches de leur quotidien, en faisant attention à la cohérence des couleurs.  

Des temps d’échange entre toutes les parties prenantes, managers, décideurs et pêcheurs locaux sont primordiaux tout au long de la gestion des ressources halieutiques. En faisant un retour chiffré aux pêcheurs, les décideurs et managers leur permettent de comprendre les enjeux des collectes de données et l’intérêt qu’ils peuvent y trouver (Duggan and Kochen, 2016; Prescott et al., 2016). Les données ainsi comprises devraient permettre aux pêcheurs de mieux appréhender l’impact de leurs pratiques de pêche et de modifier leurs habitudes si besoin, en adaptant les lieux de pêche, heures de sorties, entre autres, en fonction du contexte. De la même façon, les décideurs peuvent apprendre des choses que les données ne disent pas à travers la discussion avec les pêcheurs, et prendre des décisions en collaboration. Pour le moment, aucune étude sur le long terme n’a été menée pour définir si oui ou non les échanges autour des données collectées par les pêcheurs ont un impact sur les pratiques de pêche des pêcheurs concernés (Nietzel et al., 2017). Mais d’un point de vue humain, ils permettent de renforcer la confiance et de faire participer les différentes parties prenantes du processus de suivi et de gestion des ressources marines (Blue Ventures, 2021).

Bibliographie : 

Balchin, W.G.V., 1972. Graphicacy. Geography 57, 185–195.

Blue Ventures, 2021. Community engagement with data: a practitioners guide and toolkit for using data in community based marine management.

Duggan, D.E., Kochen, M., 2016. Small in scale but big in potential: Opportunities and challenges for fisheries certification of Indonesian small-scale tuna fisheries. Marine Policy 67, 30–39. https://doi.org/10.1016/j.marpol.2016.01.008

McClanahan, T.R., Sebastián, C.R., Cinner, J.E., 2016. Simulating the outcomes of resource user- and rule-based regulations in a coral reef fisheries-ecosystem model. Global Environmental Change 38, 58–69. https://doi.org/10.1016/j.gloenvcha.2016.02.010

Neitzel, S.M., van Zwieten, P.A.M., Hendriksen, A., Duggan, D., Bush, S.R., 2017. Returning information back to fishers: Graphical and numerical literacy of small-scale Indonesian tuna fishers. Fisheries Research 196, 96–105. https://doi.org/10.1016/j.fishres.2017.08.005

Prescott, J., Riwu, J., Stacey, N., Prasetyo, A., 2016. An unlikely partnership: fishers’ participation in a small-scale fishery data collection program in the Timor Sea. Rev Fish Biol Fisheries 26, 679–692. https://doi.org/10.1007/s11160-015-9417-7

Stengers, I., 2011. Pour une intelligence publique des sciences. Alliage 69, 24–34.