Artificialité Perçue de l’Appareil

1. Résumé / Abstract

L’échelle d’Artificialité Perçue de l’Appareil (Perceived Device Artificiality Scale) constitue un instrument psychométrique développé et validé pour quantifier la mesure dans laquelle un utilisateur perçoit un dispositif technologique interactif — plus particulièrement un assistant vocal ou un agent conversationnel doté d’intelligence artificielle — comme étant mécanique, synthétique et semblable à une machine, par opposition à une entité naturelle, organique ou semblable à un être humain. Introduite et formalisée dans le champ du marketing quantitatif et du comportement du consommateur par Guha, Bressgott, Grewal, Mahr, Wetzels et Schweiger (2023), cette mesure adapte et enrichit des travaux doctoraux antérieurs portant sur le construit de « naturalité » (naturalness) pour l’appliquer aux interfaces vocales contemporaines.

Sur le plan structural, l’instrument s’articule généralement comme une échelle unidimensionnelle ou bipolaire évaluant le continuum machine-humain à travers une batterie d’items présentés sous forme de différentiels sémantiques ou d’échelles de type Likert à 7 points. Les ancres lexicales mobilisées explorent les pôles contrastés de l’artificialité (artificiel, semblable à une machine, mécanique, programmé) face à la naturalité perçue (naturel, semblable à un humain, spontané). Les études empiriques conduites par Guha et al. (2023) démontrent des qualités psychométriques rigoureuses : une consistance interne élevée attestée par des coefficients alpha de Cronbach excédant systématiquement les seuils conventionnels de 0,85, une validité convergente robuste confirmée par des analyses factorielles confirmatoires, ainsi qu’une validité discriminante nettement établie par rapport à l’intelligence perçue (perceived intelligence) et à l’anthropomorphisme global. Cet outil fournit aux chercheurs et praticiens en ergonomie cognitive et en interaction humain-machine (IHM) une métrique standardisée indispensable pour analyser les réactions affectives, cognitives et évaluatives des utilisateurs face aux technologies vocales émergentes.

2. Mots-clés / Keywords

Artificialité perçue, assistant vocal, anthropomorphisme, interaction humain-machine, psychométrie, évaluation technologique, agents conversationnels, intelligence artificielle, fidélité de mesure, expérience utilisateur.

3. Auteurs / Authors

L’échelle d’évaluation de l’artificialité perçue a été formalisée et validée dans son cadre d’application aux assistants vocaux par une équipe internationale de chercheurs en marketing et en systèmes d’information :

• Abhijit Guha — Associate Professor of Marketing, Darla Moore School of Business, University of South Carolina, Columbia, Caroline du Sud, États-Unis.
• Timna Bressgott — Chercheuse postdoctorale et enseignante en marketing, Department of Marketing, BI Norwegian Business School, Oslo, Norvège ; précédemment affiliée à l’Université de Maastricht.
• Dhruv Grewal — Toyota Chair in Commerce and Electronic Business, Professor of Marketing, Babson College, Wellesley, Massachusetts, États-Unis.
• Dominik Mahr — Professor of Digital Innovation and Marketing, Department of Marketing and Supply Chain Management, School of Business and Economics, Université de Maastricht, Pays-Bas.
• Martin Wetzels — Professor of Digital Marketing and Customer Experience, Department of Marketing, IÉSEG School of Management (LEM-CNRS 9221), Lille/Paris, France.
• Elisa Schweiger — Assistant Professor of Marketing, Department of Marketing, University of Bath, Bath, Royaume-Uni.

4. Objectif / Purpose

L’objectif fondamental de l’échelle d’Artificialité Perçue de l’Appareil réside dans la quantification précise de la perception qu’a l’usager du caractère mécanique, synthétique et manufacturé d’une technologie vocale interactive. Avec l’avènement des systèmes cybernétiques fondés sur le traitement automatique du langage naturel (TALN) et les modèles génératifs de parole, la frontière perceptive entre l’opérateur biologique et le système informatique s’est considérablement estompée. Néanmoins, l’expérience subjective de l’utilisateur n’assimile pas spontanément tout dispositif communicant à un alter ego humain. Les utilisateurs décèlent fréquemment des micro-indices prosodiques, syntaxiques ou cinématiques qui trahissent la nature algorithmique du système. L’échelle a été conçue pour isoler ce jugement perceptif spécifique de l’évaluation des compétences fonctionnelles ou de la performance du dispositif.

Dans le domaine de la recherche fondamentale et appliquée en interaction humain-machine, cet instrument répond à un impératif méthodologique crucial : démêler l’impact croisé de la forme (degré d’humanisation perçue versus artificialité) et de la fonction (intelligence perçue ou utilité perçue). Guha et al. (2023) ont montré que l’évaluation globale d’un assistant vocal ne dépend pas isolément de ses capacités cognitives supposées, mais de la conjonction subtile entre son niveau d’intelligence perçue et son artificialité perçue. Une technologie perçue comme hautement intelligente mais intrinsèquement artificielle peut induire des attentes cognitives spécifiques ou, au contraire, susciter une forme de rejet ou de dissonance lorsque des indices humains discordants sont introduits de manière maladroite.

En contexte de recherche clinique appliquée et d’ergonomie comportementale, mesurer l’artificialité perçue s’avère déterminant pour analyser l’adhésion thérapeutique et la confiance accordée aux agents conversationnels dédiés au soutien psychologique, au télédiagnostic ou à l’accompagnement des personnes vulnérables. Une perception trop accentuée de l’artificialité peut engendrer une distance relationnelle délétère et entraver l’alliance thérapeutique numérique, tandis qu’une artificialité assumée et transparente peut parfois rassurer les individus craignant le jugement social inhérent à un interlocuteur humain. L’échelle offre ainsi un baromètre étalonné pour optimiser le calibrage perceptif des interfaces vocales afin de maximiser l’acceptabilité, l’engagement et l’efficacité communicative des outils autonomes.

5. Construit psychologique / Construct

Le construit psychologique opérationnalisé par cette échelle est l’artificialité perçue, définie comme l’attribution d’une essence mécanique, manufacturée, programmée et dénuée de spontanéité organique à un système interactif. Ce construit se situe à l’intersection de la cognition sociale, de la perception catégorielle et de la psychologie des médias. L’artificialité perçue ne constitue pas un simple résidu passif traduisant l’absence d’humanité ; elle représente un jugement inférentiel actif par lequel l’observateur classe l’objet d’interaction dans la catégorie ontologique des artéfacts inanimés régis par des règles déterministes.

Pour appréhender la granularité de ce construit, il convient de le décomposer selon ses manifestations cognitives et phénoménologiques :

• La dimension mécanique versus organique : Cette facette évalue la manière dont l’utilisateur perçoit le substrat opérationnel du système. L’appareil est-il appréhendé comme une machinerie logique, procédurale, assemblée à partir de composants électroniques et de scripts algorithmiques prévisibles, ou projette-t-il l’illusion d’une vitalité biologique spontanée ? Par exemple, un utilisateur notant fortement la dimension mécanique reconnaîtra immédiatement les limites d’un arbre décisionnel sous-jacent lors d’une rupture de cohérence conversationnelle.
• La texture expressive et synthétique : Cette composante cible les attributs sensoriels de l’interface, particulièrement la voix, le débit, l’intonation et la prosodie. Le timbre vocal est-il perçu comme plat, métallique, numérisé et issu d’une concaténation logicielle, ou respire-t-il les fluctuations affectives, les respirations et les micro-imperfections caractéristiques de la phonation humaine naturelle ?
• L’intentionnalité programmée versus téléologie authentique : L’artificialité perçue capture également la croyance de l’utilisateur relative à la source des motivations de l’appareil. Le système est-il perçu comme exécutant aveuglément des lignes de code et des invites optimisées (hard-coded responses), ou semble-t-il posséder des états mentaux internes, des intentions propres et une compréhension sémantique véritable ?

Il est indispensable de distinguer conceptuellement l’artificialité perçue d’autres construits adjacents tels que l’anthropomorphisme et l’intelligence perçue. L’anthropomorphisme renvoie à la tendance générale à attribuer des caractéristiques, des émotions ou des intentions humaines à des entités non humaines. Bien que négativement corrélée à l’artificialité perçue, l’artificialité n’en est pas le strict inverse symétrique : un utilisateur peut pleinement reconnaître la nature artificielle d’un robot tout en lui appliquant métaphoriquement des schémas d’interprétation anthropomorphiques. De même, l’intelligence perçue mesure la capacité supposée du système à résoudre des problèmes complexes, à mémoriser des données et à accomplir des tâches avec compétence ; or, une machine peut être jugée immensément compétente et intelligente précisément en raison de son artificialité computationnelle surhumaine, sans que l’utilisateur ne la perçoive pour autant comme une entité humaine.

6. Cadre théorique / Theoretical Framework

Le soubassement théorique de l’échelle d’artificialité perçue s’enracine dans trois courants majeurs de la psychologie cognitive et des théories de la communication :

Le paradigme CASA (Computers Are Social Actors)

Formulé initialement par Byron Reeves et Clifford Nass (1996), le paradigme CASA postule que les êtres humains appliquent de façon quasi automatique et inconsciente des règles sociales, des normes de politesse et des stéréotypes interpersonnels aux ordinateurs et aux technologies dès lors que ces derniers émettent des indices sociaux fondamentaux (tels que l’utilisation du langage parlé ou des tours de parole interactifs). Toutefois, les développements théoriques contemporains ont nuancé ce modèle en introduisant la notion de traitement cognitif à double processus (dual-process theories, cf. Kahneman, 2011). Si le Système 1 (automatique, heuristique) tend à traiter la voix de l’appareil comme celle d’un partenaire social humain, le Système 2 (analytique, réflexif) réactive constamment la conscience de l’artificialité sous-jacente. L’échelle développée par Guha et al. (2023) permet précisément de mesurer le résultat de ce contrôle métacognitif où le caractère d’artéfact est explicitement discerné.

La théorie de la vallée de l’étrange (The Uncanny Valley)

Conceptualisée par le roboticien Masahiro Mori en 1970, l’hypothèse de la vallée de l’étrange soutient que l’affinité émotionnelle d’un observateur envers une entité artificielle croît à mesure que sa ressemblance avec l’être humain augmente, jusqu’à atteindre un point critique où une ressemblance quasi parfaite mais imparfaite suscite un profond sentiment de malaise, d’étrangeté et de répulsion. L’évaluation de l’artificialité perçue joue un rôle charnière dans cette dynamique : le décalage entre des indices vocaux hautement réalistes et des signaux d’artificialité résiduels (lenteur de réponse, choix lexicaux incongrus, absence d’émotion contextuelle) réveille la détection d’une anomalie catégorielle. Mesurer rigoureusement le niveau d’artificialité perçue permet de situer précisément l’artefact sur la trajectoire menant ou échappant au gouffre de l’étrangeté.

La théorie des attentes et de la confirmation (Expectancy Disconfirmation Theory)

Dans le domaine du comportement du consommateur et du marketing des technologies (Oliver, 1980), l’évaluation finale d’un produit résulte de la confrontation entre les attentes préalables formulées par l’individu et les performances réelles délivrées. Guha et al. (2023) mobilisent ce cadre pour expliquer comment l’artificialité perçue module l’évaluation de l’intelligence. Lorsqu’un dispositif est perçu comme éminemment humain (faible artificialité), les usagers calibrent leurs attentes sur les standards d’une conversation humaine d’une flexibilité absolue ; toute erreur d’interprétation de la part de l’assistant entraîne alors une sévère déconfirmation négative. À l’inverse, lorsque l’appareil est perçu comme clairement artificiel (forte artificialité), les attentes sont ajustées au statut de programme informatique, ce qui rend l’utilisateur plus indulgent envers les limites de la machine et paradoxalement plus impressionné par ses démonstrations de haute compétence cognitive.

7. Validité / Validity

Les procédures de validation psychométrique déployées par Guha et al. (2023) dans leurs deux études empiriques démontrent des propriétés robustes pour l’échelle d’artificialité perçue, attestant de sa robustesse méthodologique selon les critères de l’American Psychological Association :

Validité de contenu et validité de construit

L’échelle a été initialement dérivée et adaptée à partir de travaux doctoraux ciblant la dimension de « naturalité » perçue des interfaces. Les auteurs ont soumis les énoncés à des revues d’experts en comportement du consommateur et en marketing des technologies de pointe pour garantir que les items couvraient de manière exhaustive le spectre sémantique de l’artifice machinique sans introduire de biais de désirabilité sociale. La validité de construit a été confirmée par une adéquation optimale aux modèles factoriels testés, prouvant que les items partagent une variance commune substantielle attribuable exclusivement au concept ciblé.

Validité convergente

La validité convergente a été démontrée par des saturations factorielles standardisées (factor loadings) très élevées pour l’ensemble des indicateurs de l’échelle, oscillant majoritairement entre 0,80 et 0,94. La variance moyenne extraite (AVE, Average Variance Extracted) surpasse largement le critère conservateur de Fornell et Larcker (1981) de 0,50, atteignant des valeurs supérieures à 0,70 dans les différentes études de réplication. Cela indique que plus de 70 % de la variance des indicateurs est expliquée par le construit sous-jacent d’artificialité perçue.

Validité discriminante

L’enjeu méthodologique majeur consistait à prouver que l’artificialité perçue ne constituait pas un simple miroir inverse de l’intelligence perçue ou d’autres variables d’évaluation globale. La validité discriminante a été confirmée au moyen de plusieurs approches :

• Critère de Fornell-Larcker : La racine carrée de l’AVE de l’artificialité perçue s’est avérée significativement supérieure à toutes les corrélations inter-construits (notamment avec l’intelligence perçue de l’appareil, l’utilité perçue, l’intention d’achat et la satisfaction globale).
• Ratio hétérotrait-monotrait (HTMT) : Les ratios HTMT calculés se situent bien en deçà du seuil critique de 0,85, démontrant sans ambiguïté l’indépendance empirique du construit par rapport aux échelles d’anthropomorphisme et de compétence technologique.

Validité prédictive et nomologique

La validité prédictive de l’échelle a été mise en évidence par son rôle modérateur critique au sein des modèles d’équations structurelles testés par Guha et al. (2023). Les régressions et analyses de modération révèlent que l’artificialité perçue interagit de façon statistiquement significative avec l’intelligence perçue pour prédire les attitudes des consommateurs envers l’assistant vocal et la valorisation financière du produit. Ces résultats confirment l’insertion réussie du construit dans le réseau nomologique théorisé.

8. Fidélité / Reliability

La fidélité de l’instrument d’évaluation de l’artificialité perçue a été établie au moyen d’analyses statistiques approfondies réparties sur les deux études expérimentales de l’article princeps de Guha et al. (2023) :

Consistance interne

La cohérence des réponses entre les différents items de l’échelle a été évaluée à l’aide de l’alpha de Cronbach ($lpha$) et de la fiabilité composite (CR, Composite Reliability) :

• Dans la première étude (Étude 1), l’échelle d’artificialité perçue a affiché un coefficient alpha de Cronbach supérieur à 0,88, témoignant d’une excellente homogénéité psychométrique.
• Dans la seconde étude empirique (Étude 2), impliquant une manipulation expérimentale des caractéristiques de l’assistant vocal, la fidélité composite s’est maintenue à un niveau remarquable (CR > 0,90 ; $lpha$ > 0,89).
• Les corrélations item-total corrigées dépassent toutes le seuil standard de 0,60, confirmant qu’aucun item ne dégrade la consistance globale du score composite et qu’aucune suppression d’item n’augmenterait significativement la fiabilité globale.

Stabilité temporelle et équivalence

Bien que l’instrument soit principalement employé dans des protocoles expérimentaux d’exposition immédiate où la mesure test-retest n’est pas la métrique principale, la stabilité des coefficients de consistance interne à travers des contextes technologiques distincts (variations d’accents vocaux, différentes marques d’assistants comme Amazon Alexa ou Google Assistant) confirme la robustesse transculturelle et structurelle de l’échelle. L’erreur standard de mesure (SEM) demeure faible, garantissant que les scores observés reflètent avec fidélité le véritable niveau latent d’artificialité perçu par l’échantillon.

9. Analyse factorielle / Factor Analysis

La structure factorielle de l’instrument a fait l’objet d’évaluations rigoureuses par le biais d’analyses factorielles exploratoires (AFE) puis d’analyses factorielles confirmatoires (AFC) au sein des études menées par Guha et al. (2023) :

Analyse factorielle exploratoire (AFE)

Lors des phases initiales de calibration, l’AFE utilisant une extraction en composantes principales suivie d’une rotation oblique (Promax ou Oblimin direct, compte tenu des corrélations potentielles entre dimensions psychologiques) a mis en évidence une solution claire à un seul facteur dominant. Ce facteur unique extrait plus de 65 % à 72 % de la variance totale selon les échantillons analysés. L’examen du graphique des valeurs propres (scree plot de Cattell) révèle une rupture nette (coude factoriel) après la première valeur propre (dont la valeur dépasse largement 2,5), tandis que les valeurs propres subséquentes demeurent inférieures à 0,7, satisfaisant pleinement au critère de Kaiser.

Analyse factorielle confirmatoire (AFC)

Dans le cadre de l’AFC exécutée via des logiciels de modélisation par équations structurelles (tels que LISREL, AMOS ou le package lavaan sous R), le modèle unidimensionnel de l’artificialité perçue a été comparé à des modèles alternatifs multidimensionnels. Les indices d’ajustement global du modèle unidimensionnel ont confirmé une adéquation exemplaire aux données empiriques :

• Chi-deux normé ($\chi^2 / ext{ddl}$) : Inférieur à 2,5, indiquant une absence de discordance majeure entre la matrice de covariance observée et la matrice modélisée.
• CFI (Comparative Fit Index) : Supérieur à 0,97 (dépassant le critère habituel d’excellence fixé à 0,95).
• TLI (Tucker-Lewis Index) : Supérieur à 0,96.
• RMSEA (Root Mean Square Error of Approximation) : Inférieur à 0,05, avec un intervalle de confiance à 90 % situé entre 0,02 et 0,07, attestant d’une erreur d’approximation négligeable.
• SRMR (Standardized Root Mean Square Residual) : Inférieur à 0,035.

Les saturations factorielles standardisées de chaque item sur le facteur latent de l’artificialité perçue sont toutes statistiquement significatives ($p < 0{,}001$) et oscillent entre 0,81 et 0,93. Ces résultats éliminent l’hypothèse d’une multidimensionnalité résiduelle et confortent l’usage d’un score moyen ou sommatif direct pour représenter l’artificialité perçue de l’appareil.

10. Instrument de mesure / Instrument

• Type d’évaluation : Questionnaire psychométrique d’auto-évaluation (self-report inventory) post-interaction ou post-exposition scénarisée.
• Format des réponses : Échelle de type Likert en 7 points (allant de 1 = « Pas du tout d’accord » à 7 = « Tout à fait d’accord ») ou échelle différentielle sémantique bipolaire en 7 points (opposant deux adjectifs antonymes à chaque extrémité).
• Nombre d’items : Généralement composé de 3 à 4 items ciblés afin de limiter la fatigue cognitive des participants lors des plans expérimentaux factoriels.
• Temps de passation : Moins de 2 minutes (passation rapide adaptée aux études en laboratoire ou sur plateformes en ligne de type Prolific / MTurk).
• Calcul du score : Calcul de la moyenne arithmétique des items validés (après inversion éventuelle des items formulés en sens inverse, si une ancre de naturalité a été codée positivement). Un score plus élevé indique une perception plus aiguë du dispositif comme étant mécanique, synthétique et artificiel.
• Population cible : Utilisateurs adultes interagissant avec des dispositifs intelligents, des agents vocaux embarqués (smart speakers), des assistants téléphoniques ou des interfaces conversationnelles textuelles/vocales.

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

• Année de formalisation : 2023 (adaptation et publication formelle dans le Journal of the Academy of Marketing Science).
• Détenteurs des droits : Springer Nature / Academy of Marketing Science et les auteurs originaux (Guha, Bressgott, Grewal, Mahr, Wetzels, & Schweiger).
• Politique d’utilisation et permissions : L’utilisation de cette échelle à des fins exclusives de recherche scientifique non commerciale, d’enseignement ou de thèses académiques est généralement autorisée selon le principe de l’utilisation équitable (fair use), sous réserve d’une citation bibliographique complète et rigoureuse de l’article source de Guha et al. (2023).
• Utilisation commerciale et industrielle : Toute intégration de l’instrument dans des outils d’audit propriétaires, des plateformes commerciales d’évaluation UX ou des études de marché payantes requiert l’autorisation préalable expresse des ayants droit ou de l’éditeur via le service des droits et licences (Copyright Clearance Center / RightsLink).
• Tarif d’accès académique : Gratuit pour la consultation et l’implémentation universitaire via les bibliothèques ayant accès au Journal of the Academy of Marketing Science.

12. Références / References

• 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
• Guha, A., Bressgott, T., Grewal, D., Mahr, D., Wetzels, M., & Schweiger, E. (2023). How artificiality and intelligence affect voice assistant evaluations. Journal of the Academy of Marketing Science, 51(4), 843–866. https://doi.org/10.1007/s11747-022-00913-9
• Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
• Mori, M., MacDorman, K. F., & Kageki, N. (2012). The uncanny valley. IEEE Robotics & Automation Magazine, 19(2), 98–100. https://doi.org/10.1109/MRA.2012.2192811
• Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, 56(1), 81–103. https://doi.org/10.1111/0022-4537.00153
• Oliver, R. L. (1980). A cognitive model of the antecedents and consequences of satisfaction decisions. Journal of Marketing Research, 17(4), 460–469. https://doi.org/10.1177/002224378001700405
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.

13. Questions et items du questionnaire / Scale Items