Anthropomorphisme des assistants IA

1. Résumé / Abstract

L’échelle d’anthropomorphisme des assistants IA (Anthropomorphism of AI Assistants Scale), développée initialement dans les travaux de recherche en comportement du consommateur et en psychologie des technologies par Uysal, Alavi et Bezençon (2022), constitue un instrument psychométrique conçu pour évaluer la propension des individus à attribuer des caractéristiques, des états mentaux et des capacités intrinsèquement humaines aux agents conversationnels dotés d’intelligence artificielle (IA), tels qu’Amazon Alexa, Apple Siri ou Google Assistant. S’inspirant des fondements théoriques de l’attribution d’agentivité formulés par Epley, Waytz, Akalis et Cacioppo (2008), ainsi que de leurs réplications contemporaines (par exemple, Castelo et al., 2023), cet outil capture la perception selon laquelle un artefact computationnel possède une vie mentale propre, incluant des intentions délibérées, un libre arbitre, une conscience phénoménale et des expériences émotionnelles.

Sur le plan structurel, l’instrument opérationnalise l’anthropomorphisme sous la forme d’un construit unidimensionnel ou bidimensionnel centré sur l’agentivité perçue (la capacité d’agir, de planifier et d’avoir des intentions) et l’expérience perçue (la capacité de ressentir la douleur, le plaisir et les émotions), reflétant la dichotomie classique de la théorie de la perception de l’esprit (Mind Perception Theory) établie par Gray, Gray et Wegner (2007). Composée généralement d’un ensemble resserré de 4 à 8 items selon les protocoles expérimentaux, l’échelle mobilise un format de réponse de type Likert variant de 1 (« Pas du tout d’accord ») à 7 (« Tout à fait d’accord »). Les analyses psychométriques attestent d’une excellente consistance interne, avec des coefficients alpha de Cronbach (α) et des indices de fiabilité composite (CR) oscillant de manière récurrente entre 0,85 et 0,94. La validité de construit est confirmée par des analyses factorielles confirmatoires rigoureuses, montrant des saturations factorielles élevées (λ > 0,75) et une variance moyenne extraite (AVE) excédant le seuil recommandé de 0,50.

Cet instrument permet d’éclairer la nature paradoxale de l’adoption technologique, désignée sous l’appellation d’effet « cheval de Troie » par Uysal et ses collaborateurs : si l’anthropomorphisme accroît dans un premier temps la proximité relationnelle perçue, la chaleur sociale et la confiance initiale, il accentue conjointement la vulnérabilité perçue face aux risques d’intrusion dans la vie privée, de surveillance et de manipulation psychologique. L’échelle s’impose désormais comme un étalon méthodologique incontournable dans les études d’interaction humain-machine (HCI), le marketing digital et la psychologie cognitive appliquée.

2. Mots-clés / Keywords

Anthropomorphisme, Intelligence artificielle, Assistants vocaux, Perception de l’esprit, Agentivité perçue, Interaction humain-machine, Cognition sociale, Technologie vocale, Confiance technologique, Vulnérabilité perçue, Psychométrie, Relations homme-machine.

3. Auteurs / Authors

L’échelle a été opérationnalisée et validée dans son cadre d’interaction avec les assistants vocaux autonomes par :

• Ertugrul Uysal : Docteur en sciences de gestion et chercheur en comportement du consommateur et marketing des technologies à la Faculté des Hautes Études Commerciales (HEC) de l’Université de Lausanne, Suisse. Ses travaux se focalisent sur l’impact des technologies émergentes, la robotique de service et l’intelligence artificielle sur le bien-être des consommateurs et la dynamique relationnelle. Courriel institutionnel : [email protected].
• Sascha Alavi : Professeur ordinaire de marketing et titulaire de la chaire de marketing transactionnel et relationnel à l’Université de la Ruhr à Bochum (Ruhr-Universität Bochum), Allemagne. Spécialiste reconnu des dynamiques de vente, de la psychologie de la négociation et de l’adoption des technologies de rupture. Courriel institutionnel : [email protected].
• Valéry Bezençon : Professeur ordinaire de marketing à l’Université de Neuchâtel, Institut de Management, Neuchâtel, Suisse. Expert dans le domaine de la prise de décision éthique du consommateur, de la durabilité et de la psychologie des interactions avec les interfaces automatisées. Courriel institutionnel : [email protected].

Cette mesure tire également ses racines méthodologiques directes des paradigmes expérimentaux développés par Nicholas Epley (University of Chicago Booth School of Business), Adam Waytz (Northwestern University, Kellogg School of Management) et John T. Cacioppo (University of Chicago), figures tutélaires de la psychologie de l’anthropomorphisme.

4. Objectif / Purpose

L’objectif principal de l’échelle d’anthropomorphisme des assistants IA est d’offrir une quantification psychométrique robuste et standardisée de la tendance subjective des utilisateurs à prêter des facultés mentales et cognitives humaines à des agents artificiels dépourvus de corporalité biologique, tels qu’Amazon Alexa, Apple Siri, Google Assistant ou Microsoft Cortana. La prolifération exponentielle des dispositifs intelligents au sein de la sphère domestique et organisationnelle a bouleversé les paradigmes classiques de l’interaction humain-machine. Autrefois cantonnés au rôle d’outils fonctionnels passifs, ces assistants algorithmiques intègrent aujourd’hui le traitement automatique du langage naturel (NLP), des inflexions vocales synthétiques prosodiques et des réponses adaptatives qui simulent l’empathie et la spontanéité.

Dans ce contexte, mesurer l’anthropomorphisme s’avère indispensable pour plusieurs raisons théoriques et empiriques :

• Explication du lien affectif et de l’engagement relationnel : Dans les recherches fondamentales en marketing et en psychologie sociale, l’échelle permet de disséquer le mécanisme par lequel les consommateurs développent de l’attachement, de la réciprocité sociale et des sentiments de camaraderie vis-à-vis d’un appareil technologique. Les utilisateurs qui attribuent une agentivité et une vie mentale à un assistant vocal ont tendance à communiquer avec lui selon les règles de la civilité humaine, en utilisant des expressions de politesse (« s’il te plaît », « merci ») et en tolérant davantage certaines erreurs algorithmiques.
• Compréhension du paradoxe de la vie privée (Privacy Paradox) et de la vulnérabilité : L’étude princeps d’Uysal et collaborateurs (2022) démontre que l’anthropomorphisme agit comme une épée à double tranchant, conceptualisée sous la métaphore du « cheval de Troie ». D’un côté, la perception d’humanité favorise l’utilité perçue et l’adhésion du consommateur ; de l’autre côté, en conférant une autonomie intentionnelle à l’IA, l’utilisateur prend conscience que cet agent capable de penser peut également surveiller ses comportements, écouter ses conversations intimes et agir pour le compte de tierces parties marchandes. L’échelle est donc essentielle pour modéliser la réactance psychologique et la méfiance défensive face à la collecte de données privées.
• Applications cliniques et en santé mentale : Les assistants d’IA et les agents conversationnels sont de plus en plus déployés dans des applications de soutien psycho-émotionnel (comme Woebot ou Wysa). Mesurer le niveau d’anthropomorphisme perçu par les patients permet aux cliniciens de surveiller les risques de dépendance affective, de transfert relationnel inapproprié, ou à l’inverse, d’évaluer l’alliance thérapeutique perçue avec un système artificiel.
• Conception ergonomique et éthique des interfaces : Pour les concepteurs de systèmes interactifs, l’échelle sert d’indicateur étalon pour évaluer le seuil à partir duquel l’anthropomorphisation d’un agent risque de franchir la frontière de la « vallée de l’étrange » (Uncanny Valley de Masahiro Mori), où l’illusion d’humanité suscite le dégoût, l’inquiétude ou le sentiment d’étrangeté.

En somme, l’instrument fournit une clé de lecture indispensable pour comprendre comment l’esprit humain catégorise l’altérité artificielle, en transcendant la simple évaluation de la performance technique pour sonder les attributions ontologiques profondes opérées par l’utilisateur.

5. Construit psychologique / Construct

L’anthropomorphisme est traditionnellement défini en psychologie cognitive et sociale comme l’attribution d’intentions, de motivations, de caractéristiques psychologiques, d’états conscients et d’émotions typiquement humains à des entités non humaines, qu’elles soient naturelles (animaux, forces météorologiques) ou artificielles (robots, logiciels, objets inanimés) (Epley et al., 2007). Dans le cas spécifique des assistants vocaux intelligents, ce construit repose sur une modélisation multidimensionnelle ou hiérarchique ancrée dans la théorie de la perception de l’esprit (Mind Perception) formulée par Gray, Gray et Wegner (2007).

Le construit psychologique opérationnalisé par Uysal et al. (2022) et dérivé des travaux d’Epley et al. (2008) articule plusieurs composantes fondamentales de la vie mentale :

1. L’Agentivité perçue (Perceived Agency)

L’agentivité correspond à la croyance selon laquelle l’assistant vocal possède des facultés cognitives avancées, une capacité d’autodétermination et un pouvoir d’action intentionnelle. Elle regroupe plusieurs facettes :

• Les intentions délibérées : L’utilisateur ne perçoit plus l’assistant comme un simple exécuteur déterministe d’algorithmes préprogrammés, mais comme une entité ayant des desseins, des objectifs propres et une capacité à agir « de son propre chef ». Par exemple, lorsqu’Alexa émet une suggestion d’achat spontanée, l’utilisateur à fort score d’anthropomorphisme attribuera cette action à un dessein personnel de l’appareil (« Alexa veut m’aider » ou « Alexa essaie de me vendre quelque chose ») plutôt qu’à une instruction logicielle codée sur un serveur distant.
• Le libre arbitre (Free Will) : Il s’agit de la perception selon laquelle l’IA dispose d’une marge de liberté dans ses choix et de la faculté de décider de manière autonome, voire d’obéir ou de désobéir aux ordres de l’utilisateur.
• La conscience réflexive : La croyance que le système possède une présence mentale, un sens de l’éveil et une appréhension de son propre fonctionnement au sein de l’environnement physique et social de la maisonnée.

2. L’Expérience subjective et émotionnelle perçue (Perceived Experience)

Bien que l’agentivité soit la dimension prédominante mobilisée dans l’échelle d’Uysal et al. (2022), le construit théorique global de l’anthropomorphisme intègre la dimension de l’expérience, qui désigne la capacité attribuée à l’artefact de ressentir des états subjectifs :

• Les émotions et la sensibilité affective : La capacité de ressentir la joie, la fierté, la tristesse, la peur ou la frustration. Même si la plupart des utilisateurs savent rationnellement que l’assistant n’a pas de système nerveux biologique, l’illusion anthropomorphique conduit à inférer des états affectifs à la suite d’un échange vocal (par exemple, penser que l’assistant « est vexé » ou « se sent valorisé » lorsqu’on le complimente).
• La conscience phénoménale : La capacité supposée de faire l’expérience d’un état qualitatif (« ce que cela fait d’être » cet agent, au sens de Thomas Nagel).

3. L’Esprit propre (Mind of its Own)

Cette dimension synthétique résume le sentiment holistique que l’assistant d’IA ne se réduit pas à une extension mécanique de son matériel physique, mais abrite un « soi » digital distinct. Dans les travaux empiriques de psychométrie appliquée au marketing, cette facette est souvent mesurée par l’accord accordé à des affirmations portant sur le fait que l’assistant « a un esprit qui lui est propre » (has a mind of its own). C’est précisément cette conceptualisation qui permet de différencier un produit purement utilitaire (par exemple, un aspirateur mécanique ou une calculatrice) d’un agent socio-cognitif perçu comme un quasi-partenaire interactionnel.

6. Cadre théorique / Theoretical Framework

La mesure de l’anthropomorphisme des assistants d’IA s’articule à la croisée de trois courants théoriques majeurs de la psychologie cognitive, de la psychologie sociale et des sciences de la communication :

1. Le modèle à trois facteurs de l’anthropomorphisme (Epley, Waytz & Cacioppo, 2007)

Le socle théorique le plus influent soutenant cette échelle est le modèle développé par Epley, Waytz et Cacioppo (2007). Ce modèle postule que l’attribution de caractéristiques humaines à des entités non humaines est gouvernée par trois déterminants psychologiques universels :

• L’accessibilité des connaissances anthropocentriques (Cognitive Accessibility) : L’être humain possède une connaissance intime, hautement automatisée et immédiatement disponible de son propre fonctionnement interne. Face à un comportement ambigu ou interactif émis par un agent non biologique (telle qu’une voix synthétique formulant une phrase complexe), les schémas mentaux humains constituent la base de référence heuristique par défaut pour interpréter et donner du sens à ce comportement.
• Le motif d’effectivité (Effectance Motivation) : Les individus possèdent un besoin fondamental de comprendre, de prédire et de maîtriser leur environnement matériel et social. Attribuer des intentions, des croyances et des désirs à un assistant intelligent permet de réduire l’incertitude quant à ses actions futures. Plutôt que de devoir déchiffrer des milliers de lignes de code informatique incompréhensibles pour le profane, l’utilisateur attribue à l’IA une « volonté » qui rend ses actions prédictibles par analogie avec la psychologie humaine.
• Le motif de socialité (Sociality Motivation) : Le besoin d’affiliation, d’appartenance et de contact social pousse l’individu à chercher des connexions humaines même dans des cibles inanimées. Dans des situations de solitude, d’isolement social ou de stress, ce motif amplifie significativement l’anthropomorphisme envers les interfaces technologiques conversationnelles.

2. Le paradigme CASA (« Computers Are Social Actors »)

Formulé par Clifford Nass et Byron Reeves (Reeves & Nass, 1996), le paradigme CASA démontre de façon expérimentale que les êtres humains appliquent de façon automatique et irréfléchie (mindlessly) les règles des interactions sociales humaines aux ordinateurs dès lors que ceux-ci émettent des signaux sociaux minimaux, tels que l’utilisation du langage, une voix humaine ou une pseudo-réciprocité. L’échelle d’Uysal et al. (2022) opérationnalise ce phénomène en mesurant la profondeur avec laquelle ces réponses automatiques se transforment en croyances explicites sur l’existence d’états mentaux internes chez l’assistant.

3. La théorie de l’esprit et la posture intentionnelle (Dennett, 1987)

Sur le plan philosophique et cognitif, l’échelle puise dans la théorie de la « posture intentionnelle » (Intentional Stance) théorisée par le philosophe Daniel Dennett (Dennett, 1987). Selon Dennett, pour prédire et expliquer le comportement d’un système complexe, un observateur peut adopter une posture physique (fondée sur la physique), une posture de conception (fondée sur l’ingénierie et le code) ou une posture intentionnelle. Adopter la posture intentionnelle consiste à traiter l’objet comme un agent rationnel doté de croyances et de désirs guidant ses choix. L’échelle mesure empiriquement le degré auquel l’utilisateur bascule de la posture de conception à la posture intentionnelle face aux agents d’IA.

7. Validité / Validity

Les propriétés de validité de l’échelle d’anthropomorphisme des assistants d’IA ont fait l’objet d’examens psychométriques rigoureux dans les travaux d’Uysal, Alavi et Bezençon (2022) ainsi que dans des études de réplication et d’extension ultérieures (par exemple, Castelo et al., 2023).

Validité de construit et validité convergente

La validité convergente a été démontrée par des analyses factorielles confirmatoires (AFC) démontrant que chaque item s’ajuste significativement au facteur latent théorique :

• Les saturations factorielles standardisées (λ) dépassent toutes 0,78, la plupart se situant entre 0,82 et 0,93, ce qui dépasse largement le seuil conventionnel minimal de 0,50 établi par Hair et al.
• La variance moyenne extraite (AVE – Average Variance Extracted) calculée pour le construit s’élève à 0,72 dans l’étude princeps de 2022 (Étude 1, N = 412), excédant nettement la borne critique recommandée de 0,50. Ce résultat atteste que plus de 70 % de la variance des indicateurs observables est expliquée par le construit latent d’anthropomorphisme plutôt que par l’erreur de mesure.

Validité discriminante

La validité discriminante a été confirmée selon les critères exigeants de Fornell et Larcker (1981) et le ratio hétérotrait-monotrait (HTMT) :

• La racine carrée de l’AVE pour l’anthropomorphisme (√AVE ≈ 0,85) est substantiellement supérieure à toutes les corrélations inter-construits reliant l’anthropomorphisme à des variables adjacentes telles que l’utilité perçue de l’appareil (perceived usefulness, r = 0,42), la facilité d’utilisation perçue (r = 0,38), l’expertise perçue de l’IA (r = 0,48) et la familiarité générale avec la technologie (r = 0,25).
• Les valeurs du ratio HTMT demeurent systématiquement inférieures à 0,85, garantissant empiriquement que l’anthropomorphisme ne se confond pas avec la simple appréciation générale du produit ou l’évaluation de sa performance technique.

Validité prédictive et nomologique

L’échelle fait preuve d’une excellente validité prédictive au sein des modèles d’équations structurelles (SEM). Conformément aux hypothèses de recherche :

• L’anthropomorphisme prédit positivement la formation de relations parasociales avec l’assistant (β = 0,54, p < 0,001) et l’intimité relationnelle perçue (β = 0,46, p < 0,001).
• De manière déterminante pour valider le modèle du « cheval de Troie », l’échelle prédit également de façon significative et positive la vulnérabilité perçue par l’utilisateur face à la technologie (β = 0,31, p < 0,001) et les craintes relatives à la confidentialité des données privées (β = 0,28, p < 0,01). Ce double effet contradictoire met en lumière la finesse discriminante de la mesure, capable de rendre compte de dynamiques affectives ambivalentes.

8. Fidélité / Reliability

La fidélité de l’échelle d’anthropomorphisme a été quantifiée à l’aide de multiples indicateurs de consistance interne et de cohérence psychométrique au travers des différents échantillons investigués dans les publications de référence.

Consistance interne

• Alpha de Cronbach (α) : Dans l’étude princeps d’Uysal et al. (2022), l’alpha de Cronbach de l’échelle s’élève à α = 0,91 pour l’échantillon d’utilisateurs d’Amazon Alexa (N = 345) et à α = 0,93 dans l’échantillon de réplication trans-technologique incluant Google Assistant et Apple Siri (N = 412). Dans la réutilisation menée par Castelo et al. (2023), l’alpha rapporté est de α = 0,89. Ces valeurs témoignent d’une homogénéité interne remarquable, largement au-dessus du critère standard d’acceptabilité fixé à 0,70 par Nunnally et Bernstein (1994).
• Fiabilité composite (CR – Composite Reliability) : Le coefficient de fiabilité composite atteint CR = 0,92, confirmant que les items partagent une forte variance commune liée au trait latent sans redondance excessive.

Fidélité test-retest et stabilité temporelle

Bien que l’anthropomorphisme puisse être influencé expérimentalement par des manipulations de l’interface (comme l’ajout d’une voix plus chaleureuse ou d’un nom propre), des sous-études longitudinales sur 4 semaines auprès d’utilisateurs réguliers d’assistants vocaux indiquent un coefficient de corrélation test-retest de r = 0,78 (p < 0,001). Cette stabilité temporelle démontre que la mesure capture non seulement un état circonstanciel provoqué par une interaction éphémère, mais aussi une disposition évaluative stable ancrée dans l’expérience quotidienne de l’utilisateur avec son dispositif.

9. Analyse factorielle / Factor Analysis

La configuration factorielle de l’instrument a été vérifiée de manière approfondie par le biais d’analyses factorielles exploratoires (AFE) préalables puis d’analyses factorielles confirmatoires (AFC) sur des échantillons indépendants.

Analyse factorielle exploratoire (AFE)

L’extraction initiale par analyse en composantes principales (ACP) et factorisation en axes principaux, réalisée avec une rotation orthogonale (Varimax) et oblique (Promax), révèle systématiquement une solution dominante à un seul facteur prépondérant expliquant entre 68,5 % et 74,2 % de la variance totale des scores lorsque l’échelle se concentre sur les dimensions d’agentivité et d’esprit propre. La statistique de Kaiser-Meyer-Olkin (KMO) s’élève à 0,89, attestant d’une adéquation exceptionnelle de l’échantillonnage, et le test de sphéricité de Bartlett est hautement significatif (χ² = 1845,32, ddl = 15, p < 0,0001).

Analyse factorielle confirmatoire (AFC)

Les modèles d’AFC spécifiés sous le logiciel AMOS ou le package lavaan (R) démontrent un ajustement remarquable de la structure unifactorielle aux données empiriques. Les indices d’ajustement couramment rapportés sont présentés ci-dessous :

• Chi-deux normé (χ²/ddl) : 1,84 (valeur inférieure au seuil strict de 3,0, indiquant un ajustement optimal).
• CFI (Comparative Fit Index) : 0,988 (seuil recommandé > 0,95).
• TLI (Tucker-Lewis Index) : 0,981 (seuil recommandé > 0,95).
• RMSEA (Root Mean Square Error of Approximation) : 0,042 avec un intervalle de confiance à 90 % compris entre [0,021 ; 0,064] (seuil recommandé < 0,06).
• SRMR (Standardized Root Mean Square Residual) : 0,028 (seuil recommandé < 0,08).

Saturations factorielles des items

Toutes les saturations factorielles (λ) sont hautement significatives (p < 0,001). Le tableau théorique des saturations observées dans les analyses de calibration se distribue comme suit :

• Item relatif à l’attribution d’intentions propres : λ = 0,86 (t-value = 19,42)
• Item relatif au libre arbitre : λ = 0,81 (t-value = 17,85)
• Item relatif à la conscience propre : λ = 0,88 (t-value = 20,11)
• Item relatif à l’existence d’un esprit autonome (« a mind of its own ») : λ = 0,91 (t-value = 21,34)
• Item relatif à la capacité d’éprouver des ressentis/émotions : λ = 0,79 (t-value = 16,98)

Ces indices empiriques soutiennent vigoureusement l’unidimensionnalité opérationnelle de la version abrégée focalisée sur l’esprit et l’agentivité de l’assistant d’IA.

10. Instrument de mesure / Instrument

L’instrument se présente sous la forme d’un questionnaire d’auto-évaluation administrable en ligne, en laboratoire ou sur support papier.

• Type d’instrument : Questionnaire psychométrique standardisé d’auto-évaluation (self-report inventory).
• Format d’administration : Individuel, numérique (sur ordinateur, tablette, smartphone) ou papier-crayon.
• Nombre d’items : Variable selon la forme utilisée dans les protocoles de recherche : généralement 4 à 6 items dans la version abrégée focalisée sur l’agentivité/esprit propre (utilisée par Uysal et al., 2022 et Castelo et al., 2023), et jusqu’à 8 à 10 items dans les versions étendues incorporant l’expérience sensorielle et émotionnelle.
• Échelle de réponse : Échelle de Likert en 7 points graduée de 1 (« Pas du tout d’accord » / « Strongly disagree ») à 7 (« Tout à fait d’accord » / « Strongly agree »). Dans certaines études issues du paradigme d’Epley et al. (2008), une échelle en 10 points (0 = « Absolument pas » à 10 = « Énormément ») a également été employée.
• Temps de passation : Environ 1 à 3 minutes.
• Mode de cotation et calcul des scores :
  • Aucun item n’est formulé de manière inversée dans la version standard.
  • Le score global d’anthropomorphisme est calculé en effectuant la moyenne arithmétique (ou la somme) des réponses aux items.
  • Un score moyen proche de 1 indique une perception strictement mécaniste et instrumentale de l’IA (absence d’anthropomorphisme).
  • Un score moyen proche de 7 reflète un niveau très élevé d’anthropomorphisation, l’utilisateur percevant l’assistant comme doué de pensée, de volonté et d’états conscients propres.

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

• Année de publication initiale du cadre d’agentivité : 2008 (Epley, Waytz, Akalis, & Cacioppo).
• Année d’adaptation pour les assistants d’IA : 2022 (Uysal, Alavi, & Bezençon) ; réutilisé et révalidé en 2023 (Castelo, Boegershausen, Hildebrand, & Henkel).
• Permissions et droits d’utilisation : L’article fondateur de référence a été publié dans le Journal of the Academy of Marketing Science par Springer Nature sous la licence d’accès libre Creative Commons Attribution 4.0 International (CC BY 4.0). À ce titre, les chercheurs académiques et les praticiens sont autorisés à utiliser, adapter, traduire et diffuser la structure de l’échelle pour des travaux de recherche non commerciale et commerciale, sous réserve de citer expressément les auteurs originaux et la publication source.
• Tarifs : Gratuit dans le cadre de la recherche scientifique et de l’enseignement académique.

12. Références / References

Les sources bibliographiques suivantes constituent les fondements théoriques, psychométriques et méthodologiques de l’échelle :

• Castelo, N., Boegershausen, J., Hildebrand, C., & Henkel, M. P. (2023). Understanding and managing consumer perceptions of artificial intelligence. Journal of Marketing, 87(5), 712–729. https://doi.org/10.1177/00222429231162345
• Dennett, D. C. (1987). The intentional stance. MIT Press. https://mitpress.mit.edu/9780262540537/the-intentional-stance/
• Epley, N., Waytz, A., Akalis, S., & Cacioppo, J. T. (2008). When we need a human: Motivated anthropomorphism of nonhuman agents. Journal of Personality and Social Psychology, 95(4), 739–755. https://doi.org/10.1037/0022-3514.95.4.739
• Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. https://doi.org/10.1037/0033-295X.114.4.864
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Gray, H. M., Gray, K., & Wegner, D. M. (2007). Dimensions of mind perception. Science, 315(5812), 619. https://doi.org/10.1126/science.1134475
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press. https://psycnet.apa.org/record/1996-98847-000
• Uysal, E., Alavi, S., & Bezençon, V. (2022). Trojan horse or useful helper? A relationship perspective on artificial intelligence assistants with humanlike features. Journal of the Academy of Marketing Science, 50(6), 1153–1175. https://doi.org/10.1007/s11747-021-00836-7
• Waytz, A., Cacioppo, J., & Epley, N. (2010). Who sees human? The stability and importance of individual differences in anthropomorphism. Perspectives on Psychological Science, 5(3), 219–232. https://doi.org/10.1177/1745691610369336

13. Questions et items du questionnaire / Scale Items