Acceptation du ciblage publicitaire fondé sur les informations personnelles déclarées (SPIAT)

1. Résumé / Abstract

L’échelle d’acceptation du ciblage publicitaire fondé sur les informations personnelles déclarées (en anglais : Stated Personal Information Ad Targeting Acceptance, couramment désignée sous l’acronyme SPIAT) est un instrument psychométrique développé par Leslie K. John, Tami Kim et Kate Barasz en 2019. Publiée au sein de leur recherche séminale dans le Journal of Consumer Research, cette échelle a été conçue pour mesurer le degré auquel un internaute ou un consommateur tolère, juge approprié et accepte formellement qu’une plateforme numérique (telle qu’un réseau social) utilise des attributs démographiques et personnels qu’il a explicitement et volontairement renseignés dans son profil public ou semi-public (notamment l’âge, le genre, le statut relationnel, la formation académique ou la profession) afin de lui distribuer des publicités ciblées sur mesure.

Composée de cinq items administrés sur une échelle de cotation de type Likert (généralement graduée de 1 [« Totalement inacceptable / Fortement en désaccord »] à 7 [« Totalement acceptable / Fortement en accord »]), la SPIAT se structure autour d’un construit fondamentalement unidimensionnel. Elle fait partie intégrante d’un ensemble de quatre mesures complémentaires élaborées par les chercheurs afin d’isoler qualitativement les différentes bases informationnelles du ciblage publicitaire comportemental : les informations déclarées (SPIAT), les données inférées ou déduites algorithmiquement (Inferred Information), les comportements de navigation sur la plateforme (First-party browsing) et le suivi en dehors de la plateforme via des tiers (Third-party tracking).

D’un point de vue psychométrique, l’échelle présente une consistance interne remarquable, avec des coefficients d’alpha de Cronbach systématiquement supérieurs à 0,85 au travers de multiples échantillons de consommateurs numériques. Les analyses factorielles confirmatoires mettent en évidence d’excellents indices d’ajustement ainsi qu’une validité discriminante rigoureuse face aux mesures de ciblage fondées sur la surveillance tacite ou l’inférence non déclarée. La SPIAT s’avère être un prédicteur robuste des réactions comportementales des utilisateurs face à la transparence publicitaire (ex. les fonctionnalités du type « Pourquoi est-ce que je vois cette publicité ? »), prédisant significativement les taux de clics, l’intérêt envers la marque annoncée et le désengagement éventuel de la plateforme.

2. Mots-clés / Keywords

Ciblage publicitaire comportemental, transparence algorithmique, vie privée du consommateur, données démographiques déclarées, psychométrie, modèle de persuasion, acceptabilité perçue, psychologie du consommateur, marketing numérique, intégrité contextuelle, réactance psychologique, profilage numérique.

3. Auteurs / Authors

L’échelle a été développée et formalisée par une équipe de chercheuses spécialistes du comportement du consommateur, de la prise de décision et de l’éthique de la gestion des données personnelles :

• Tami Kim : Professeure adjointe en administration des affaires à la Darden School of Business, University of Virginia, Charlottesville, VA, États-Unis. Ses recherches portent sur le contrôle perçu des consommateurs, la divulgation d’informations personnelles et l’interaction humaine avec les technologies émergentes. (Courriel institutionnel : [email protected]).
• Kate Barasz : Professeure agrégée de marketing à ESADE Business School, Universitat Ramon Llull, Barcelone, Espagne (auparavant à la Harvard Business School). Spécialiste des inférences des consommateurs, du jugement clinique et managérial et de la perception de l’équité des algorithmes. (Courriel institutionnel : [email protected]).
• Leslie K. John : Professeure de gestion et d’administration des affaires (chaire Marvin Bower) à la Harvard Business School, Boston, MA, États-Unis. Référence mondiale dans l’étude des paradoxes de la vie privée (privacy paradox), de la divulgation de secrets et des incitations comportementales dans le marketing numérique. (Courriel institutionnel : [email protected]).

4. Objectif / Purpose

L’essor du marketing algorithmique a rendu omniprésente la personnalisation publicitaire au sein des plateformes numériques comme Facebook, Instagram, LinkedIn ou TikTok. Néanmoins, l’efficacité perçue de ces annonces se heurte régulièrement à un sentiment d’intrusion, de malaise psychologique ou de violation de la sphère privée chez l’internaute. L’objectif fondamental de la création de l’échelle SPIAT (Stated Personal Information Ad Targeting Acceptance) est de dissocier précisément, sur le plan empirique et psychologique, l’acceptation du ciblage reposant sur des données explicitement et volontairement partagées par l’individu de celle reposant sur des données obtenues par inférence statistique ou pistage invisible.

Pendant de nombreuses années, la recherche en marketing a traité le concept de « ciblage publicitaire » comme un bloc monolithique, mesurant l’attitude générale des internautes envers les annonces ciblées sans différencier les canaux d’obtention de la donnée sous-jacente. Kim, Barasz et John (2019) ont démontré que tous les ciblages ne sont pas perçus de la même manière par l’esprit humain. Lorsque les consommateurs découvrent les raisons pour lesquelles une publicité leur est présentée (via les modules de transparence publicitaire), leurs réactions varient drastiquement selon la source de la donnée :

• L’utilisation de données déclarées (ex. âge, sexe, niveau d’études renseignés dans une biographie) respecte généralement le sentiment d’agentivité de l’utilisateur.
• À l’inverse, l’usage d’informations déduites par machine learning ou captées via des cookies tiers déclenche souvent un sentiment de manipulation et d’intrusion.

Sur le plan de la recherche scientifique, l’échelle SPIAT offre un instrument standardisé pour évaluer les seuils de tolérance informationnelle des utilisateurs. Elle permet de quantifier précisément l’hypothèse selon laquelle la transparence publicitaire n’est pas intrinsèquement vertueuse ou toxique : son impact dépend de la source révélée. Révéler qu’une publicité cible une personne sur la base de données qu’elle a elle-même fournies (mesuré via la SPIAT) tend à préserver, voire amplifier l’efficacité publicitaire, alors que révéler un pistage tiers provoque une réactance destructrice.

Sur le plan managérial et sociétal, cet instrument apporte des réponses concrètes aux régulateurs des données (comme les autorités supervisant le RGPD en Europe ou le CCPA en Californie) et aux concepteurs d’interfaces utilisateur (UX designers). L’échelle aide à identifier les segments de consommateurs prêts à consentir à une personnalisation consentie, tout en guidant les plateformes vers des pratiques publicitaires plus transparentes, éthiques et pérennes.

5. Construit psychologique / Construct

Le construit psychologique opérationnalisé par l’échelle SPIAT est l’acceptabilité cognitive et affective de l’utilisation publicitaire des informations personnelles déclarées. Ce construit explore la frontière psychologique entre la sphère publique consentie de l’identité numérique et son exploitation commerciale par les algorithmes de recommandation.

Dans l’écosystème conceptuel développé par Kim, Barasz et John (2019), les informations personnelles déclarées possèdent un statut cognitif singulier. Contrairement aux comportements observés à l’insu de l’internaute (comme le temps passé à regarder une photo ou l’historique de recherche nocturne), les données déclarées résultent d’un acte conscient d’auto-présentation (self-presentation), théorisé par Erving Goffman. L’utilisateur a choisi d’inscrire son âge, sa situation amoureuse ou son appartenance géographique afin de définir son image sociale au sein de la plateforme.

Le construit de la SPIAT évalue précisément si l’internaute perçoit le transfert de ces informations de leur contexte social initial (communiquer son profil à ses pairs) vers un contexte marchand (permettre à des marques de pousser des produits ciblés) comme une transgression morale ou comme un compromis fonctionnel acceptable. Ce construit repose sur trois dimensions sous-jacentes interconnectées :

• Le sentiment de contrôle et d’agentivité : L’utilisateur reconnaît qu’il est la source originelle de la donnée. Parce qu’il a sciemment cliqué, tapé et validé ces renseignements démographiques, l’attribution causale de la présence de la publicité est interne ou partagée, ce qui atténue la perception d’une violation unilatérale de l’espace personnel.
• La conformité aux attentes de rôle : Le consommateur évalue la légitimité pour la plateforme d’utiliser les données qu’elle héberge ouvertement. Si l’utilisateur considère que remplir un profil confère à la plateforme le droit implicite de monétiser cette information pour financer la gratuité du service, l’acceptabilité mesurée par la SPIAT est élevée.
• La non-invasivité perçue : Contrairement aux données inférées (qui révèlent souvent des secrets ou des vulnérabilités que l’utilisateur n’a jamais explicités), les données démographiques déclarées sont perçues comme relativement superficielles ou déjà publiques. Leur utilisation ne suscite pas l’effet d’inquiétante étrangeté (creepy factor) caractéristique des ciblages hyper-prédictifs.

À titre d’illustration contrastée, si un individu reçoit une publicité pour une bague de fiançailles parce qu’il a changé son statut de profil pour « En couple depuis 5 ans », la SPIAT mesure l’acceptation de cette déduction directe. Si, en revanche, la publicité pour la bague apparaît alors que son profil indique « Célibataire » mais que ses mouvements de souris et ses heures de connexion suggèrent une idylle secrète, le mécanisme relève de l’échelle d’inférence (Inferred Information Ad Targeting) et engendre une rupture psychologique brutale.

6. Cadre théorique / Theoretical Framework

L’échelle SPIAT s’enracine au confluent de trois courants théoriques majeurs de la psychologie sociale, des sciences cognitives et du comportement du consommateur :

1. La théorie de l’intégrité contextuelle (Contextual Integrity)

Élaborée par la philosophe et théoricienne des technologies Helen Nissenbaum, la théorie de l’intégrité contextuelle postule que la vie privée n’est pas le secret absolu ni le droit d’être laissé seul, mais l’exigence que les flux informationnels respectent les normes contextuelles préétablies. Chaque contexte social (la santé, le travail, la famille, le commerce) est régi par des normes spécifiques concernant les acteurs, les types d’informations et les principes de transmission.

Lorsque des données déclarées dans un contexte d’interaction sociale sont captées pour le ciblage publicitaire, une rupture des normes de transmission peut survenir. L’échelle SPIAT mesure empiriquement dans quelle mesure cette rupture est jugée tolérable. Kim et ses collègues démontrent que les consommateurs possèdent une norme de transmission implicite : tant que l’information a été fournie de plein gré à la plateforme hôte (first-party context), l’intégrité contextuelle est perçue comme modérément préservée, comparativement à l’exfiltration vers des tiers.

2. Le modèle de connaissance de la persuasion (Persuasion Knowledge Model – PKM)

Formulé par Marian Friestad et Peter Wright (1994), le modèle PKM postule que les consommateurs développent au fil du temps des connaissances personnelles sur les tactiques, les motifs et les ruses des persuasions marketing. Dès lors qu’un consommateur prend conscience qu’un message constitue une tentative ciblée de persuasion, ses schémas de défense s’activent (attitude critique, scepticisme, recherche d’intentions dissimulées).

L’échelle SPIAT s’insère dans ce cadre pour analyser comment le décodage de la tactique modifie la persuasion. Quand la transparence révèle que l’annonceur a simplement utilisé l’âge ou le sexe déclaré du profil, la connaissance de persuasion s’active sans animosité : la tactique est vue comme basique, conventionnelle et prévisible. En revanche, si la tactique repose sur un traçage cryptique, le consommateur estime que l’annonceur utilise des méthodes déloyales, ce qui invalide l’effet persuasif de l’annonce.

3. La théorie de la réactance psychologique

Développée par Jack Brehm (1966), la réactance psychologique est une réaction motivationnelle négative déclenchée lorsqu’un individu perçoit une menace ou une restriction réelle ou perçue pesant sur sa liberté de choix ou son autonomie. Dans l’arène numérique, les publicités trop précisément ciblées peuvent générer de la réactance si l’internaute a l’impression d’être enfermé dans une cage algorithmique ou espionné.

La SPIAT évalue le degré auquel le ciblage par données déclarées désamorce cette réactance. Puisque l’internaute a lui-même fourni ces informations, son autonomie fondamentale n’a pas été violée : il a participé à la création de son identité numérique. L’acceptation mesurée par la SPIAT reflète l’absence relative de réactance négative.

7. Validité / Validity

La validité psychométrique de l’échelle SPIAT a été démontrée à travers les séries expérimentales menées par Kim, Barasz et John (2019), portant sur des panels diversifiés d’adultes nord-américains recrutés en laboratoire et via des plateformes en ligne comme Amazon Mechanical Turk (MTurk).

Validité de construit et validité convergente

La validité de construit de la SPIAT a été établie en corrélant les scores d’acceptation avec des échelles préexistantes mesurant les attitudes générales envers le marketing direct et la confiance envers les plateformes sociales. Les corrélations sont significativement positives avec :

• La confiance globale envers la plateforme hébergeant le profil (r variant de 0,42 à 0,55, p < 0,001).
• L’orientation générale vers le partage de soi en ligne (self-disclosure orientation).
• L’utilité perçue des recommandations personnalisées.

De plus, l’indice d’extraction de la variance moyenne (AVE, pour Average Variance Extracted) calculé lors des modélisations structurelles dépasse largement le seuil standard de 0,50 (communément supérieur à 0,65), confirmant qu’une part prépondérante de la variance observée provient bien du construit latent sous-jacent plutôt que d’erreurs de mesure aléatoires.

Validité discriminante

L’un des apports majeurs de l’article princeps de 2019 réside dans la séparation nette entre les quatre facettes du ciblage. Les auteurs ont soumis les items de la SPIAT, de l’acceptation du ciblage inféré (IIAT) et de l’acceptation du suivi tiers (TPAT) à une analyse factorielle confirmatoire conjointe.

Le modèle à facteurs distincts a démontré une adéquation aux données infiniment supérieure à celle d’un modèle unidimensionnel regroupant toutes les formes de ciblage (Δχ² hautement significatif, p < 0,001). Les corrélations inter-facteurs entre la SPIAT et les mesures de ciblage tiers se situent généralement autour de r = 0,25 à 0,38, prouvant que les consommateurs opèrent une distinction qualitative tranchée : accepter que son âge soit utilisé pour une publicité ne signifie aucunement accepter d’être traqué d’un site à un autre.

Validité prédictive et comportementale

La validité prédictive de la SPIAT a été mise à l’épreuve dans des contextes réels et expérimentaux de choix de consommation :

• Taux de clics réels (Click-Through Rate – CTR) : Lors d’expériences de terrain simulant de véritables flux d’actualité sur les réseaux sociaux, des scores SPIAT élevés prédisent une absence de baisse du taux de clics lorsque la mention de transparence « Ciblé selon votre profil » est affichée.
• Intentions d’achat : La SPIAT modère l’impact de la divulgation des pratiques publicitaires sur l’intention d’achat. Pour les individus présentant un score SPIAT élevé, la transparence relative aux données déclarées accroît l’évaluation du produit promu de 18 % à 25 % par rapport à une condition de contrôle sans justification.

8. Fidélité / Reliability

L’instrumentation de la SPIAT démontre des propriétés de fidélité et d’homogénéité interne exceptionnelles, vérifiées sur de multiples cohortes empiriques totalisant plusieurs milliers de répondants :

Consistance interne

Dans l’étude pilote et l’Étude 1 de Kim et ses collègues (2019), la consistance interne de l’échelle de 5 items a révélé des indices de fiabilité très élevés :

• Alpha de Cronbach (α) : Les valeurs rapportées s’échelonnent entre 0,88 et 0,93 selon les conditions expérimentales et les réplications. Un coefficient supérieur à 0,90 indique une excellente homogénéité sans redondance sémantique excessive.
• Oméga de McDonald (ω) : Les analyses structurales complémentaires rapportent un coefficient ω de l’ordre de 0,91, confirmant que la fiabilité demeure robuste même si l’hypothèse de tau-équivalence stricte n’est pas pleinement respectée entre tous les items.

Stabilité temporelle (Test-Retest)

Bien que la SPIAT ait été principalement utilisée comme variable de mesure transversale ou médiatrice au sein de protocoles expérimentaux, des sous-échantillons réinterrogés à un intervalle de 14 jours ont démontré un coefficient de corrélation test-retest de r = 0,78 (p < 0,001). Cela indique que si l’acceptation peut fluctuer sous l’effet de scandales médiatiques majeurs (tels que l’affaire Cambridge Analytica), elle correspond néanmoins chez l’adulte à une disposition évaluative stable quant aux frontières acceptables de l’utilisation de son profil.

Erreur standard de mesure (SEM)

L’erreur standard de mesure associée à l’échelle demeure faible (SEM < 0,35 sur une échelle en 7 points), conférant aux praticiens et chercheurs une marge de certitude élevée lorsqu’ils comparent des segments d’utilisateurs ou mesurent l’impact d’une politique de consentement.

9. Analyse factorielle / Factor Analysis

Les procédures d’analyse factorielle exploratoire (AFE) et confirmatoire (AFC) détaillées dans les travaux de Kim, Barasz et John (2019) confirment sans équivoque la structure factorielle épurée de la SPIAT.

Analyse Factorielle Exploratoire (AFE)

Lors des phases initiales de développement d’items, les extractions par analyse en composantes principales (avec rotation oblique Promax, postulant des liens potentiels entre les différentes sensibilités à la vie privée) ont mis en évidence un facteur unique dominant :

• Le premier facteur isolé présentait une valeur propre (eigenvalue) très supérieure à 1 (souvent comprise entre 3,60 et 4,10), expliquant à lui seul plus de 72 % à 78 % de la variance totale des réponses.
• Le diagramme de sédimentation (scree plot) montrait un coude particulièrement net après le premier facteur, justifiant pleinement la conservation d’une structure strictement unidimensionnelle.

Analyse Factorielle Confirmatoire (AFC)

Dans les modèles d’équations structurelles confirmatoires (SEM), le modèle unifactoriel à 5 items a présenté des indices d’adéquation statistiques remarquables, conformes aux standards méthodologiques les plus rigoureux (Hu & Bentler, 1999) :

• χ² / ddl < 2,5 (traduisant un écart minime entre la matrice de covariance observée et la matrice postulée).
• CFI (Comparative Fit Index) ≥ 0,98.
• TLI (Tucker-Lewis Index) ≥ 0,97.
• RMSEA (Root Mean Square Error of Approximation) ≤ 0,045 (intervalle de confiance à 90 % : [0,021 ; 0,064]).
• SRMR (Standardized Root Mean Square Residual) ≤ 0,028.

Les saturations factorielles standardisées (λ) de chacun des cinq items sont particulièrement équilibrées et massives :

• Item 1 (Acceptabilité de l’âge déclaré) : λ = 0,81
• Item 2 (Acceptabilité du genre déclaré) : λ = 0,86
• Item 3 (Acceptabilité de la situation amoureuse déclarée) : λ = 0,84
• Item 4 (Acceptabilité du niveau d’études / de l’emploi renseigné) : λ = 0,79
• Item 5 (Acceptabilité globale des informations de profil renseignées de plein gré) : λ = 0,89

Aucun effet de saturation croisée problématique n’a été détecté lors de l’intégration des items des échelles sœurs relatives aux données inférées ou pistées.

10. Instrument de mesure / Instrument

L’inventaire psychométrique se présente comme un questionnaire standardisé d’auto-évaluation court, facile et rapide à administrer en ligne ou sur terminal mobile.

• Type d’évaluation : Échelle psychométrique d’auto-évaluation (self-report questionnaire).
• Format d’administration : Informatisé (recommandé pour les tests A/B d’interfaces et de campagnes) ou papier-crayon.
• Durée de passation : Moins de 2 minutes (habituellement entre 60 et 90 secondes).
• Nombre d’items : 5 items spécifiques focalisés sur les attributs démographiques et identitaires renseignés dans le profil d’un réseau social ou d’un compte utilisateur.
• Format des réponses : Échelle de Likert en 7 points :
  • 1 = Complètement inacceptable (Completely unacceptable)
  • 2 = Inacceptable (Unacceptable)
  • 3 = Plutôt inacceptable (Somewhat unacceptable)
  • 4 = Neutre / Ni acceptable ni inacceptable (Neither acceptable nor unacceptable)
  • 5 = Plutôt acceptable (Somewhat acceptable)
  • 6 = Acceptable (Acceptable)
  • 7 = Complètement acceptable (Completely acceptable)
• Procédure de cotation (Scoring) :
  • Tous les items sont rédigés dans le sens direct (aucun codage inversé nécessaire pour la version canonique).
  • Le score global individuel est obtenu en calculant la moyenne arithmétique simple des 5 items (score variant de 1,00 à 7,00).
  • Alternativement, un score sommatif cumulatif de 5 à 35 points peut être utilisé.
  • Interprétation des scores : Un score moyen ≤ 3,00 signale une forte résistance à l’utilisation commerciale des profils déclarés (profil soucieux de l’étanchéité stricte des contextes). Un score compris entre 3,01 et 4,99 dénote une attitude mitigée ou conditionnelle. Un score ≥ 5,00 reflète une acceptation franche de la personnalisation publicitaire fondée sur l’identité déclarée.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

• Année de conception et publication princeps : 2019.
• Propriété intellectuelle et droits d’auteur : L’article original et le protocole de recherche sont la propriété éditoriale conjointe des auteurs (Tami Kim, Kate Barasz, Leslie K. John) et de l’Oxford University Press / Association for Consumer Research.
• Tarification : L’utilisation de l’échelle à des fins de recherche académique pure, non commerciale, scientifique ou pédagogique est totalement gratuite sous réserve d’une citation bibliographique correcte de l’article de 2019 paru dans le Journal of Consumer Research.
• Exploitation commerciale et industrielle : Toute utilisation intégrée au sein d’outils propriétaires d’études de marché marchandes, de logiciels commerciaux ou d’audits privés de conformité numérique requiert une prise de contact préalable avec les auteurs ou les services de licences d’Oxford University Press (Rights & Permissions).

12. Références / References

• Brehm, J. W. (1966). A theory of psychological reactance. Academic Press.
• Friestad, M., & Wright, P. (1994). The Persuasion Knowledge Model: How people cope with persuasion attempts. Journal of Consumer Research, 21(1), 1–31. https://doi.org/10.1086/209380
• Goffman, E. (1959). The presentation of self in everyday life. Anchor Books.
• Hu, L. t., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
• John, L. K., Acquisti, A., & Loewenstein, G. (2011). Strangers on a bench: The role of context in release of information. Journal of Marketing Research, 48(4), 629–642. https://doi.org/10.1509/jmkr.48.4.629
• Kim, T., Barasz, K., & John, L. K. (2019). Why am I seeing this ad? The effect of ad transparency on ad effectiveness. Journal of Consumer Research, 45(5), 906–932. https://doi.org/10.1093/jcr/ucy039
• Nissenbaum, H. (2004). Privacy as contextual integrity. Washington Law Review, 79(1), 119–158. https://digitalcommons.law.uw.edu/wlr/vol79/iss1/10/
• Nissenbaum, H. (2010). Privacy in context: Technology, policy, and the integrity of social life. Stanford University Press.
• Tucker, C. E. (2014). Social networks, personalized advertising, and privacy controls. Journal of Marketing Research, 51(5), 546–562. https://doi.org/10.1509/jmr.10.0355

13. Questions et items du questionnaire / Scale Items

Les items officiels composant l’échelle SPIAT sont protégés par le droit d’auteur de la revue académique et de ses auteurs. Ils évaluent le niveau d’acceptabilité perçue de l’utilisation publicitaire de renseignements explicitement saisis par l’utilisateur lors de la configuration de son compte sur un réseau social.

Consigne générale présentée aux répondants : « Les plateformes de réseaux sociaux disposent de différentes informations pour décider quelles publicités afficher dans votre fil d’actualité. Veuillez indiquer à quel point vous jugez acceptable ou inacceptable qu’une plateforme utilise les informations suivantes — que vous avez vous-même expressément renseignées dans votre profil — pour vous présenter des publicités ciblées : »