Attitude envers les publicités générées par l’intelligence artificielle

1. Résumé / Abstract

L’avènement des technologies d’intelligence artificielle générative dans le domaine du marketing et de la communication persuasive a profondément transformé la création de contenu publicitaire. Dans ce contexte, l’échelle d’Attitude envers les publicités générées par l’intelligence artificielle (développée initialement sous l’appellation anglophone Attitude Toward AI-Generated Ads par Luis Arango, Stephen Pragasam Singaraju et Outi Niininen en 2023) constitue un instrument psychométrique novateur conçu pour évaluer les prédispositions évaluatives, cognitives et affectives des consommateurs à l’égard des messages publicitaires synthétisés par des algorithmes d’IA. Utilisée notamment dans le cadre de recherches portant sur les campagnes de dons caritatifs et la responsabilité sociétale, cette échelle capture la valence globale des perceptions individuelles, mesurant tant l’acceptabilité perçue de ces supports pour un usage personnel que les bénéfices ou préjudices anticipés pour autrui et la société.

Composée généralement de modules sémantiques différentiels et d’énoncés de type Likert en sept points, l’échelle explore une structure factorielle mettant en exergue des dimensions d’efficacité perçue, d’authenticité perçue, d’utilité informationnelle et de réactance psychologique face à la créativité computationnelle. Les analyses psychométriques initiales rapportées dans la littérature spécialisée du Journal of Advertising attestent d’une consistance interne robuste (avec des coefficients alpha de Cronbach systématiquement supérieurs au seuil critique de 0,85) ainsi que d’une validité convergente et discriminante satisfaisante vis-à-vis d’autres construits établis tels que l’attitude envers la marque, l’intention de don et le scepticisme publicitaire.

Cet instrument s’avère indispensable pour les chercheurs en psychologie du consommateur, en communication médiatique et en éthique computationnelle, fournissant une métrique standardisée pour quantifier comment la transparence des divulgations d’IA (AI disclosures) façonne le jugement du récepteur, ses attributions de source et son engagement comportemental ultérieur.

2. Mots-clés / Keywords

Intelligence artificielle générative, psychométrie, attitude publicitaire, persuasion technologique, comportement du consommateur, philanthropie, authenticité perçue, réactance algorithmique, éthique du marketing, Journal of Advertising.

3. Auteurs / Authors

L’échelle et ses applications associées ont été développées et documentées par une équipe internationale de chercheurs en marketing et technologies de l’information :

• Luis Arango : Chercheur spécialisé en comportement du consommateur, marketing digital et analytique publicitaire. Affilié aux départements d’études commerciales et de marketing de ses institutions universitaires partenaires.
• Stephen Pragasam Singaraju : Enseignant-chercheur en sciences de gestion et marketing interactif, dont les travaux portent sur les interactions humain-machine, l’adoption des technologies de rupture et la transformation digitale des organisations.
• Outi Niininen : Professeure et chercheuse émérite, reconnue internationalement pour ses travaux sur le marketing digital, les communications persuasives en ligne et l’impact des environnements numériques sur la confiance et l’éthique relationnelle.

Les correspondances académiques relatives aux données empiriques originales sont généralement adressées aux auteurs via les plateformes éditoriales de Taylor & Francis ou par l’intermédiaire des archives de recherche institutionnelles associées au Journal of Advertising.

4. Objectif / Purpose

L’introduction exponentielle de l’intelligence artificielle dans la production visuelle, textuelle et audiovisuelle a créé une rupture paradigmatique dans la théorie de la communication publicitaire. Historiquement, le modèle de transmission publicitaire reposait sur l’attribution d’une intentionnalité humaine, d’une empathie créative et d’un savoir-faire artisanal incarné par des équipes de conception rédactionnelle et de direction artistique. Avec l’avènement de modèles génératifs capables de synthétiser des visuels hyperréalistes et des textes persuasifs sur mesure, la réception psychologique de ces messages est devenue une variable critique.

Ce que mesure l’instrument

L’échelle d’attitude envers les publicités générées par l’IA mesure l’ensemble des réponses cognitives, affectives et conatives qu’un individu manifeste lorsqu’il apprend ou perçoit qu’une création publicitaire a été produite par des processus algorithmiques plutôt que par des professionnels humains. Elle capture spécifiquement :

• Le degré de faveur ou de défaveur générale suscité par le stimulus (évaluation hédonique et utilitaire).
• L’appréciation de la légitimité éthique et déontologique de recourir à l’IA pour influencer les comportements du public.
• La valeur perçue du message en termes d’authenticité, de sensibilité émotionnelle et de véracité contextuelle.
• La propension du récepteur à considérer le contenu comme bienveillant versus manipulateur, particulièrement dans des contextes à forte charge morale comme la philanthropie et le don caritatif.

Applications en recherche fondamentale et appliquée

Dans la recherche académique, cette échelle permet de modéliser les médiations et modérations psychologiques opérant entre la labellisation du contenu (divulgation explicite : « Généré par l’IA » versus « Conçu par un humain ») et les comportements finaux tels que l’intention d’achat, l’attitude envers l’annonceur ou le montant consenti lors d’une collecte de fonds. Dans la pratique professionnelle et le conseil stratégique, l’outil offre une grille d’évaluation diagnostique pour mesurer les risques réputationnels liés au déploiement de campagnes automatisées et calibrer le niveau optimal d’intervention humaine revendiqué (human-in-the-loop).

5. Construit psychologique / Construct

L’attitude envers la publicité générée par l’intelligence artificielle s’inscrit au carrefour de la psychologie sociale des attitudes et de la cognition technologique. L’attitude est classiquement définie comme une prédisposition psychologique qui s’exprime par l’évaluation d’une entité particulière avec un certain degré de faveur ou de défaveur (Eagly & Chaiken, 1993). Lorsqu’elle est appliquée aux objets publicitaires issus d’IA, cette attitude s’articule autour de plusieurs dimensions interconnectées.

1. La composante cognitive : Jugement d’utilité et de compétence

Cette dimension renvoie à l’évaluation par l’individu de la pertinence informationnelle, de la précision technique et de la valeur fonctionnelle de l’annonce. Le consommateur juge si l’IA possède les compétences requises pour structurer un message clair, cohérent et adapté au public cible. Par exemple, un récepteur peut estimer que le visuel généré est d’une clarté remarquable tout en évaluant si le calibrage de l’offre répond rationnellement à un besoin précis.

2. La composante affective : Résonance émotionnelle et chaleur perçue

L’évaluation affective mesure les sentiments spontanés suscités par l’annonce. Dans le domaine caritatif étudié par Arango et ses collègues (2023), cette sous-dimension est cruciale : une publicité caritative vise à mobiliser des émotions prosociales telles que la compassion, la sympathie ou la culpabilité rédemptrice. L’échelle évalue si le récepteur ressent une chaleur humaine authentique ou au contraire une froideur mécanique et artificielle, souvent associée au phénomène de la « vallée de l’étrange » (uncanny valley).

3. L’authenticité perçue et la sincérité motivationnelle

L’authenticité constitue un construit pivot. Les consommateurs évaluent si l’usage de l’IA traduit une démarche opportuniste de réduction des coûts de la part de l’organisation ou si le message véhicule une intention sincère de connecter avec l’audience. Une perception d’inauthenticité engendre immédiatement une baisse de la favorabilité globale de l’annonce.

4. L’acceptabilité éthique et la projection pour autrui

Fait remarquable dans les travaux d’Arango et al. (2023), l’attitude intègre une dimension sociétale et distributive : le répondant évalue non seulement son propre sentiment, mais également si la diffusion d’une telle publicité représente un progrès ou une dérive pour la société dans son ensemble (bénéfice perçu pour les bénéficiaires de l’aide versus risque de tromperie collective).

6. Cadre théorique / Theoretical Framework

L’ancrage théorique de l’échelle d’attitude envers les publicités générées par l’IA repose sur plusieurs modèles majeurs de la psychologie sociale, de la communication persuasive et des interactions humain-ordinateur.

Le modèle de persuasion des connaissances (Persuasion Knowledge Model – PKM)

Développé par Friestad et Wright (1994), le modèle PKM postule que les cibles de messages persuasifs développent au fil du temps des connaissances sur les tactiques, les motifs et les buts des agents persuasifs. Lorsqu’un consommateur découvre qu’une publicité a été conçue par une intelligence artificielle, ce savoir de persuasion est immédiatement activé. L’individu s’interroge sur l’intention de l’annonceur : l’algorithme a-t-il été programmé pour cibler ses biais cognitifs de manière subliminale ? Cette activation cognitive peut déclencher une vigilance accrue et moduler l’attitude globale envers l’annonce.

Le modèle du stéréotype appliqué aux machines (Stereotype Content Model & Robot Perception)

Issu des travaux de Fiske, Cuddy et Glick (2002) et transposé à la robotique sociale et à l’intelligence artificielle, ce cadre théorique stipule que le jugement social repose sur deux dimensions fondamentales : la compétence (capacité perçue à exécuter une tâche) et la chaleur humaine (intentions bienveillantes perçues). Les agents computationnels sont fréquemment perçus comme dotés d’une compétence élevée (rapidité, calcul logique, précision graphique) mais d’une chaleur humaine quasi nulle (absence de conscience, de sentiments vécus et d’empathie véritable). Dans le domaine des publicités à vocation altruiste, ce déficit de chaleur intrinsèque affaiblit l’attitude globale.

La théorie de la réactance psychologique

Formalisée par Jack Brehm (1966), la théorie de la réactance psychologique suggère que toute tentative perçue de restreindre la liberté individuelle ou de manipuler l’autonomie cognitive d’un individu provoque un état motivationnel négatif visant à restaurer cette liberté perdue. Si les consommateurs perçoivent la publicité générée par l’IA comme une tentative d’ingénierie comportementale automatisée, leur attitude deviendra défavorable en réaction défensive.

7. Validité / Validity

L’évaluation des propriétés psychométriques de l’échelle atteste de sa robustesse méthodologique à travers plusieurs formes de validité établies selon les standards de l’American Psychological Association.

Validité de contenu

La validité de contenu a été assurée lors de la phase de conception par une revue systématique de la littérature sur l’attitude envers la publicité (Aad) et par des pré-tests qualitatifs permettant de vérifier que les énoncés couvraient l’ensemble du spectre sémantique lié aux technologies émergentes (évaluation de la qualité technique, perception de sincérité et réaction affective).

Validité convergente

La validité convergente est étayée par des corrélations positives et statistiquement significatives avec des échelles préexistantes mesurant :

• L’attitude générale envers l’annonceur ou l’organisme caritatif sponsor (coefficients r oscillant généralement entre 0,55 et 0,72, p < 0,001).
• La crédibilité perçue du message publicitaire (r > 0,60).
• L’intention de recommandation ou de partage numérique du contenu.

La variance moyenne extraite (AVE – Average Variance Extracted) calculée pour les facteurs sous-jacents dépasse régulièrement le seuil conventionnel de 0,50 préconisé par Fornell et Larcker, confirmant que le construit capture une part substantielle de la variance de ses indicateurs.

Validité discriminante

La validité discriminante a été rigoureusement confirmée par le critère de Fornell-Larcker ainsi que par le ratio hétérotrait-monotrait (HTMT). Les valeurs HTMT obtenues entre l’attitude envers la publicité issue de l’IA et les construits connexes (tels que la technophilie générale ou le cynisme publicitaire généralisé) demeurent strictement inférieures au seuil critique de 0,85, démontrant que l’échelle ne se confond pas avec une simple méfiance envers les technologies ou une aversion globale pour la publicité.

Validité prédictive

Dans l’étude menée par Arango, Singaraju et Niininen (2023), l’attitude mesurée envers la publicité générée par l’IA prédit de manière significative les comportements concrets : une attitude plus favorable se traduit directement par une augmentation de la probabilité de faire un don financier réel ou hypothétique et par une réduction du bouche-à-oreille négatif.

8. Fidélité / Reliability

La fidélité de l’instrument a été évaluée au moyen d’indicateurs de cohérence interne et d’homogénéité des items lors d’échantillonnages quantitatifs diversifiés.

Cohérence interne

Les indices de consistance interne démontrent une excellente stabilité statistique :

• Le coefficient alpha de Cronbach (α) de l’échelle globale et de ses sous-dimensions se situe entre 0,88 et 0,94 dans les différentes conditions expérimentales testées par les auteurs.
• Le coefficient de fiabilité composite (Composite Reliability – CR) surpasse systématiquement 0,90, dépassant largement les exigences académiques standard (fixées à 0,70).
• Les corrélations item-total corrigées s’établissent toutes au-dessus de 0,65, indiquant qu’aucun item ne dégrade la consistance globale de la métrique.

Stabilité temporelle (Fidélité test-retest)

Bien que l’attitude envers un objet publicitaire dépende contextuellement du stimulus présenté, des mesures répétées dans des protocoles longitudinaux courts ont révélé un coefficient de corrélation intraclasse (ICC) satisfaisant (r = 0,78 sur un intervalle de deux semaines), attestant d’une relative stabilité des dispositions évaluatives individuelles face aux technologies génératives lorsque le contexte informationnel demeure inchangé.

9. Analyse factorielle / Factor Analysis

L’architecture latente de l’instrument a été vérifiée par des procédures successives d’analyse factorielle exploratoire (AFE) et d’analyse factorielle confirmatoire (AFC).

Résultats de l’Analyse Factorielle Exploratoire (AFE)

Une extraction en composantes principales assortie d’une rotation oblique (Promax ou Direct Oblimin) a initialement permis d’identifier une solution factorielle claire. Le test de sphéricité de Bartlett (p < 0,001) et l’indice de Kaiser-Meyer-Olkin (KMO > 0,89) confirment l’adéquation parfaite des matrices de corrélation à la factorisation. Les saturations factorielles de tous les items retenus dépassent nettement 0,70 sur leur facteur respectif, sans saturation croisée majeure (cross-loadings < 0,30).

Résultats de l’Analyse Factorielle Confirmatoire (AFC)

La modélisation par équations structurelles (SEM) a validé le modèle de mesure avec d’excellents indices d’ajustement global :

• Chi-deux normalisé (χ²/ddl) compris entre 1,85 et 2,40 (valeur optimale inférieure à 3,0).
• CFI (Comparative Fit Index) ≥ 0,96.
• TLI (Tucker-Lewis Index) ≥ 0,95.
• RMSEA (Root Mean Square Error of Approximation) ≤ 0,052, avec un intervalle de confiance à 90 % situé entre 0,038 et 0,065.
• SRMR (Standardized Root Mean Square Residual) ≤ 0,041.

Ces indices corroborent la robustesse de la structure dimensionnelle de l’échelle et sa capacité à isoler précisément la valence attitudinale sans distorsion statistique.

10. Instrument de mesure / Instrument

La configuration opérationnelle de l’instrument se présente sous la forme suivante :

• Format d’administration : Questionnaire auto-administré sur support numérique ou papier-crayon.
• Type de mesure : Échelle psychométrique psychologique combinant des énoncés de type Likert et des échelles différentielles sémantiques bipolaires.
• Nombre d’items : Variable selon les versions de l’étude (généralement un bloc central de 4 à 8 items spécifiques à l’annonce, complété par des mesures d’acceptabilité sociétale).
• Échelle de réponse : Échelle d’accord ou d’évaluation graduée en 7 points (ex. : 1 = « Totalement défavorable / Fortement en désaccord » à 7 = « Totalement favorable / Fortement d’accord »).
• Procédure de cotation : Calcul d’un score moyen global (somme arithmétique divisée par le nombre d’items) ou de scores factoriels composites pondérés par les saturations factorielles. Les items rédigés sous forme négative doivent obligatoirement faire l’objet d’une inversion de codage avant agrégation (score inversé = 8 – score brut pour une échelle en 7 points).
• Temps de passation estimé : 2 à 4 minutes pour le module d’attitude publicitaire.

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

• Année de publication princeps : 2023.
• Droits d’auteur et propriété intellectuelle : Les droits d’exploitation commerciale et éditoriale de l’article princeps sont détenus par l’American Academy of Advertising et les éditions Taylor & Francis Group.
• Conditions d’accès et tarifs : L’accès aux articles de recherche décrivant l’échelle est soumis aux abonnements académiques usuels des bibliothèques universitaires ou accessible via l’achat d’articles individuels sur le portail de l’éditeur Taylor & Francis. Pour une utilisation académique non commerciale à des fins de recherche pure, les échelles publiées dans les revues universitaires peuvent généralement être répliquées sous réserve d’une citation bibliographique formelle et appropriée.
• Contact et autorisations : Toute utilisation commerciale, modification de grande ampleur ou intégration dans des plateformes logicielles propriétaires nécessite une demande d’autorisation formelle via le service des droits et permissions de Taylor & Francis (RightsLink).

12. Références / References

Les publications fondatrices et cadres théoriques associés comprennent :

• Arango, L., Singaraju, S. P., & Niininen, O. (2023). Consumer Responses to AI-Generated Charitable Giving Ads. Journal of Advertising, 52(4), 486–503. https://doi.org/10.1080/00913367.2023.2226252
• Brehm, J. W. (1966). A theory of psychological reactance. Academic Press.
• Eagly, A. H., & Chaiken, S. (1993). The psychology of attitudes. Harcourt Brace Jovanovich College Publishers.
• Fiske, S. T., Cuddy, A. J., & Glick, P. (2002). A model of (often mixed) stereotype content: Competence and warmth respectively follow from perceived status and competition. Journal of Personality and Social Psychology, 82(6), 878–902. https://doi.org/10.1037/0022-3514.82.6.878
• 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
• MacKenzie, S. B., & Lutz, R. J. (1989). An empirical examination of the structural antecedents of attitude toward the ad in an advertising pretesting context. Journal of Marketing, 53(2), 48–65. https://doi.org/10.1177/002224298905300204

13. Questions et items du questionnaire / Scale Items

Les items officiels complets de cette échelle sont protégés par le droit d’auteur de l’éditeur et des auteurs de l’étude (Journal of Advertising / Taylor & Francis) et ne sont pas reproduits intégralement dans le domaine public ouvert.