Bénéfices de la divulgation des données personnelles

1. Résumé / Abstract

L’échelle des Bénéfices de la divulgation des données personnelles (en anglais, Personal Data Disclosure Benefits) est un instrument psychométrique unidimensionnel développé et validé par Michael Bidler, Janina Zimmermann, Jan Hendrik Schumann et Thomas Widjaja (2020) dans le cadre de leurs travaux novateurs publiés dans le Journal of Retailing. Cet instrument mesure l’évaluation subjective et cognitive qu’un consommateur ou utilisateur effectue quant aux avantages, à l’utilité perçue et aux retombées positives découlant du partage de ses informations personnelles auprès d’une plateforme numérique ou d’un détaillant en ligne. Composée de trois items formulés de manière positive, l’échelle mobilise une graduation de réponse de type Likert en 7 points allant de 1 (« fortement en désaccord ») à 7 (« fortement d’accord »), le score global étant obtenu en calculant la moyenne arithmétique des trois assertions.

Sur le plan métrologique, l’échelle présente d’excellentes qualités psychométriques établies auprès d’échantillons rigoureux de consommateurs dans des contextes de commerce électronique et d’expérimentations d’interfaces ludifiées. Elle démontre une consistance interne remarquable, avec des coefficients de fidélité composite et d’alpha de Cronbach systématiquement supérieurs au seuil de 0,90, ainsi qu’une variance moyenne extraite (AVE) excédant largement les recommandations standard de 0,50. La structure factorielle unidimensionnelle a été confirmée tant par analyse factorielle exploratoire (AFE) que confirmatoire (AFC), affichant des indices d’ajustement robustes. L’échelle s’avère centrale dans l’étude du « paradoxe de la vie privée » (privacy paradox) et de la théorie du calcul de la vie privée (privacy calculus theory), offrant un outil parcimonieux mais hautement prédictif pour la recherche en marketing digital, en psychologie des technologies et en ergonomie des systèmes d’information.

2. Mots-clés / Keywords

divulgation de données personnelles, bénéfices perçus, calcul de la vie privée, comportement du consommateur, commerce électronique, psychométrie, théorie de l’échange social, marketing digital, prise de décision numérique, utilité perçue

3. Auteurs / Authors

L’instrument a été conçu par une équipe de chercheurs spécialisés dans le marketing des services, les systèmes d’information et le comportement du consommateur :

• Michael Bidler : Chercheur associé et spécialiste du comportement des consommateurs numériques, Chaire de Marketing et Services Numériques, Université de Passau (Passau, Allemagne).
• Janina Zimmermann : Chercheuse en sciences de gestion et interaction homme-machine, Faculté d’Administration des Affaires et d’Économie, Université de Passau (Passau, Allemagne).
• Jan Hendrik Schumann : Professeur ordinaire, Chaire de Marketing et Services Numériques, Faculté d’Administration des Affaires et d’Économie, Université de Passau (Passau, Allemagne). Courriel institutionnel : [email protected].
• Thomas Widjaja : Professeur ordinaire, Chaire de Gestion des Systèmes d’Information et Technologies Numériques, Faculté d’Administration des Affaires et d’Économie, Université de Passau (Passau, Allemagne). Courriel institutionnel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de l’échelle des Bénéfices de la divulgation des données personnelles est de quantifier précisément la composante positive de l’arbitrage cognitif opéré par les individus lorsqu’ils sont sollicités pour fournir des données privées (telles que l’âge, la localisation, les préférences d’achat ou les identifiants sociodémographiques) dans un écosystème numérique. Dans l’économie des données contemporaine, la collecte d’informations individuelles constitue la pierre angulaire de la personnalisation marchande, du ciblage publicitaire et de l’optimisation des parcours clients. Néanmoins, les utilisateurs éprouvent fréquemment une réticence marquée à partager leurs données en raison des risques inhérents de surveillance, d’intrusion ou d’exploitation mercantile non consentie.

Dans ce contexte théorique et empirique, l’échelle a été développée afin d’isoler expérimentalement et de mesurer l’impact de stimuli d’interface – tels que les éléments de ludification (gamification) illustrant la pertinence contextuelle – sur la perception de valeur par le consommateur. Elle cherche à répondre aux interrogations suivantes : dans quelle mesure le consommateur anticipe-t-il que le renoncement partiel à sa sphère privée se traduira par une expérience accrue, des recommandations plus pertinentes, des gains de temps ou des récompenses matérielles et immatérielles tangibles ? L’échelle ne mesure pas le comportement final de divulgation en lui-même, mais la représentation cognitive de l’utilité fonctionnelle et globale que procure ce comportement.

Sur le plan des applications appliquées et de la recherche :

• Recherche fondamentale en psychologie du consommateur : Modélisation fine des mécanismes de médiation au sein du modèle du calcul de la vie privée (privacy calculus), permettant de tester si une intervention comportementale accroît la divulgation par réduction du risque perçu ou par amplification des bénéfices perçus.
• Ergonomie et conception d’interfaces (UI/UX) : Évaluation comparative de différentes architectures de choix, mécanismes de transparence des algorithmes ou présentations des formulaires d’adhésion pour déterminer quelles caractéristiques visuelles ou discursives maximisent l’utilité perçue par l’usager.
• Gestion de la relation client et marketing relationnel : Audit de la proposition de valeur des programmes de fidélité numériques et des systèmes de personnalisation prédictive, assurant une réciprocité perçue équitable entre la donnée cédée et la valeur restituée.

5. Construit psychologique / Construct

Le construit psychologique opérationnalisé par cette échelle est unidimensionnel et conceptualisé sous le terme d’évaluation subjective des bénéfices de la divulgation (perceived disclosure benefits). Dans la littérature en psychométrie et en systèmes d’information, ce construit relève du jugement attitudinal fondé sur l’anticipation des conséquences positives d’un acte comportemental précis : le transfert de contrôle informationnel.

Ce construit s’articule autour de trois facettes cognitives étroitement intriquées :

• La rentabilité ou valeur globale perçue (General Beneficence) : Formulée à travers l’appréciation que l’acte global est « bénéfique » pour soi. L’usager évalue si le bilan net de l’interaction le place dans une situation plus avantageuse que le statu quo. Cela reflète une orientation globale vers le gain.
• La pluralité des avantages comparatifs (Comparative Advantages) : L’usager envisage les suppléments spécifiques acquis grâce à la communication des données (p. ex., rabais financiers, commodité transactionnelle, élimination des étapes redondantes, service après-vente supérieur). L’accent est mis sur les « avantages » concrets que la démarche génère.
• L’utilité fonctionnelle instrumentale (Instrumental Utility) : Directement reliée au concept d’utilité perçue issu du modèle d’acceptation de la technologie (Technology Acceptance Model, TAM de Fred Davis). Il s’agit du degré auquel l’individu estime que partager ses données améliore l’efficacité, la rapidité ou la pertinence de la tâche qu’il cherche à accomplir sur la plateforme.

Il importe de distinguer ce construit d’autres concepts connexes mais distincts :

• L’intention de divulgation : L’intention comportementale représente le plan d’action conscient d’agir (« Je prévois de donner mon adresse »), tandis que les bénéfices perçus constituent un antécédent motivationnel direct de cette intention.
• L’attitude générale envers la technologie : Les bénéfices mesurés ici ne concernent pas l’outil technologique en soi, mais la transaction informative spécifique qui a lieu entre l’utilisateur et l’entité collectrice.
• Le risque perçu de divulgation : Construit symétrique et orthogonal dans le calcul mental de l’individu, représentant les coûts anticipés (perte de contrôle, fuite de données, sollicitations intrusives).

6. Cadre théorique / Theoretical Framework

Le développement de cette échelle s’ancre au confluent de trois corpus théoriques majeurs des sciences cognitives, de l’économie comportementale et de la psychologie sociale :

1. La théorie du calcul de la vie privée (Privacy Calculus Theory)

Introduite initialement par Laufer et Wolfe (1977) puis formalisée par Dinev et Hart (2006) ainsi que Smith, Dinev et Xu (2011), la théorie du calcul de la vie privée postule que les individus adoptent un comportement rationnel borné face au partage de leurs données privées. Avant d’accorder l’accès à ses informations personnelles, l’internaute effectue une analyse bénéfices-risques (cost-benefit analysis). D’un côté, il évalue les risques pour sa vie privée (privacy risks) ; de l’autre, il jauge les bénéfices attendus (privacy benefits). L’échelle développée par Bidler et al. (2020) mesure de manière chirurgicale le pôle positif de ce calcul mental, permettant d’observer comment des modifications d’ergonomie cognitive modifient le numérateur de cette équation décisionnelle.

2. La théorie de l’échange social (Social Exchange Theory)

Théorisée par George Homans (1958) et Peter Blau (1964), la théorie de l’échange social stipule que les interactions humaines et marchandes reposent sur des attentes de réciprocité. Le consommateur perçoit ses données personnelles non pas comme une entité abstraite, mais comme une ressource monnayable douée d’une valeur marchande et symbolique. En cédant ses données, il investit une ressource privée et attend en contrepartie une valeur d’usage au moins équivalente. L’échelle capture le degré auquel cette norme de réciprocité distributive est perçue comme satisfaite par le système.

3. Le modèle d’acceptation de la technologie et la cognition motivée

En s’appuyant sur les travaux de Davis (1989) relatifs à l’utilité perçue (perceived usefulness), l’échelle capte l’orientation instrumentale de l’utilisateur. Dans l’étude de Bidler et al. (2020), les auteurs démontrent que l’intégration de mécaniques de ludification illustrant concrètement l’intérêt de fournir une donnée (par exemple, montrer immédiatement comment renseigner sa taille corporelle affine l’algorithme de recommandation vestimentaire) active la saillance cognitive des bénéfices. L’individu passe d’une focalisation paranoïaque sur le risque à une appréciation lucide des gains fonctionnels immédiats.

7. Validité / Validity

L’évaluation psychométrique de l’échelle des Bénéfices de la divulgation des données personnelles atteste d’une validité scientifique robuste à travers plusieurs études empiriques transversales et expérimentales menées par Bidler et ses collaborateurs (2020) :

Validité de contenu et de construit

Les trois items de l’échelle ont été initialement générés sur la base d’une recension exhaustive de la littérature portant sur la vie privée en ligne (notamment les conceptualisations de Xu et al., 2009 ; Krasnova et al., 2010). Un comité d’experts en comportement du consommateur a vérifié que chaque formulation cernait fidèlement l’évaluation générale des avantages sans introduire de biais de désirabilité sociale ou de termes excessivement techniques. La formulation concise élimine l’ambiguïté cognitive et maximise la clarté sémantique.

Validité convergente

La validité convergente a été démontrée par des valeurs de variance moyenne extraite (Average Variance Extracted, AVE) largement supérieures au critère d’acceptation de 0,50 établi par Fornell et Larcker (1981). Dans les différentes conditions expérimentales de l’étude (incluant des conditions de contrôle et diverses variantes de gamification), l’AVE de l’échelle dépasse systématiquement 0,80, indiquant que plus de 80 % de la variance des indicateurs est directement imputable au construit latent théorique sous-jacent.

Validité discriminante

La validité discriminante a été testée et confirmée par rapport aux construits adjacents :

• Risque perçu de divulgation (Perceived Disclosure Risk) : Les corrélations entre les bénéfices perçus et les risques perçus sont négatives ou modérées (variant typiquement entre r = -0,20 et -0,35), confirmant qu’il s’agit de deux construits distincts et non des pôles opposés d’une même dimension.
• Préoccupations générales relatives à la vie privée (General Privacy Concerns) : Les bénéfices de la divulgation s’en distinguent nettement, la racine carrée de l’AVE de chaque construit étant supérieure à toutes les corrélations inter-construits (critère de Fornell-Larcker respecté).
• Ratio hétérotrait-monotrait (HTMT) : Les ratios HTMT évalués dans le cadre de modélisations par équations structurelles restent tous inférieurs au seuil conservateur de 0,85.

Validité prédictive et nomologique

L’échelle a démontré une validité prédictive remarquable : dans les modèles d’équations structurelles de Bidler et al. (2020), le score de bénéfices perçus prédit positivement et significativement la volonté effective d’engager le processus de communication des données privées (coefficients de chemin bêta oscillant entre 0,35 et 0,52, p < 0,001), et agit comme médiateur clé entre la présence d’éléments d’interface interactifs et le comportement d’adhésion.

8. Fidélité / Reliability

Les propriétés de fidélité de l’instrument ont fait l’objet d’examens statistiques approfondis au sein des différents échantillons de l’étude princeps :

• Consistance interne (Alpha de Cronbach) : Le coefficient alpha de Cronbach (α) rapporté par Bidler et al. (2020) atteint des valeurs exceptionnelles, se situant régulièrement entre 0,93 et 0,96 selon les groupes expérimentaux (N total > 600 participants). Ces scores dépassent amplement le standard d’excellence psychométrique de Nunnally et Bernstein (1994) fixé à 0,80 pour la recherche empirique.
• Fidélité composite (Composite Reliability, CR) : L’indice de fidélité composite s’établit au-delà de 0,94, confirmant une homogénéité interne absolue des items et démontrant que la mesure est exempte d’erreur de mesure aléatoire substantielle.
• Corrélations inter-items : Toutes les corrélations bivariées entre les trois items oscillent entre r = 0,82 et r = 0,91 (p < 0,001), garantissant une redondance fonctionnelle harmonieuse sans tomber dans une tautologie triviale.
• Stabilité temporelle : Bien que conçue pour être sensible aux manipulations d’interface dans les plans expérimentaux, l’échelle affiche une remarquable robustesse de mesure lorsqu’elle est administrée à des groupes contrôles répétés dans le temps court.

9. Analyse factorielle / Factor Analysis

La structure dimensionnelle de l’échelle a été examinée par des méthodes factorielles rigoureuses :

Analyse factorielle exploratoire (AFE)

L’application d’une extraction en composantes principales (avec analyse des valeurs propres selon le critère de Kaiser et examen du diagramme d’éboulis de Cattell) révèle invariablement une solution unifactorielle claire. Le facteur unique extrait explique plus de 85 % de la variance totale des items. Aucune dimension résiduelle ne possède de valeur propre supérieure à 0,35, ce qui rejette catégoriquement toute multidimensionnalité.

Analyse factorielle confirmatoire (AFC)

Les modèles d’équations structurelles confirmatoires (estimés par la méthode du maximum de vraisemblance robuste) indiquent une adéquation optimale entre le modèle théorique unidimensionnel et les données empiriques recueillies :

• Saturations factorielles standardisées (λ) :
  • Item 1 (Beneficial) : λ > 0,91
  • Item 2 (Provides advantages) : λ > 0,94
  • Item 3 (Useful) : λ > 0,90
• Résidus d’erreur standardisés : Tous les résidus sont faibles et statistiquement non significatifs, ne nécessitant aucune covariance d’erreur ad hoc entre les indicateurs.
• Indices d’ajustement global du modèle de mesure :
  • CFI (Comparative Fit Index) > 0,99
  • TLI (Tucker-Lewis Index) > 0,98
  • RMSEA (Root Mean Square Error of Approximation) < 0,05 [IC 90% : 0,000 – 0,078]
  • SRMR (Standardized Root Mean Square Residual) < 0,02

Ces indices confirment formellement que l’instrument s’articule autour d’une dimension latente univoque et robuste, adaptée aux modélisations structurales complexes.

10. Instrument de mesure / Instrument

• Type d’évaluation : Questionnaire d’auto-évaluation psychométrique (self-report instrument).
• Format d’administration : Questionnaire en ligne informatisé ou format papier-crayon.
• Nombre d’items : 3 items formulés sous la forme d’affirmations positives directes.
• Format de réponse : 7-point Likert scale (1 = strongly disagree to 7 = strongly agree).
• Graduation des échelons :
  • 1 = Strongly disagree (Fortement en désaccord)
  • 2 = Disagree (En désaccord)
  • 3 = Somewhat disagree (Plutôt en désaccord)
  • 4 = Neither agree nor disagree (Ni en désaccord ni d’accord)
  • 5 = Somewhat agree (Plutôt d’accord)
  • 6 = Agree (D’accord)
  • 7 = Strongly agree (Fortement d’accord)
• Consigne pour le répondant : « Veuillez indiquer votre degré d’accord avec chacune des affirmations suivantes concernant le fait de communiquer vos données personnelles dans la situation présentée. »
• Procédure de calcul des scores (Cotation) :
  • Tous les items sont orientés positivement ; aucun codage inversé (reverse scoring) n’est nécessaire.
  • Le score global individuel correspond à la moyenne arithmétique simple des 3 items : Score Global = (Item 1 + Item 2 + Item 3) / 3.
  • Le score résultant varie de 1,00 à 7,00. Un score plus élevé indique une perception plus forte des bénéfices et de l’utilité du partage de ses données personnelles.
• Temps moyen de passation : Moins de 60 secondes.

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

• Année de publication : 2020.
• Article princeps de référence : Publié dans le Journal of Retailing, Volume 96, Numéro 4, pages 507 à 523 (Bidler et al., 2020).
• Statut des droits d’auteur (Permissions) : L’article original est sous copyright de la New York University et publié par Elsevier Ltd. Toutefois, conformément aux pratiques académiques internationales, les items de l’échelle sont libres d’utilisation sans frais (free of charge) pour la recherche universitaire non commerciale, l’enseignement supérieur et les thèses de doctorat, sous réserve d’une citation bibliographique rigoureuse de la source originale de 2020.
• Usage commercial et industriel : Les entreprises, cabinets de conseil en ergonomie, ou organisations marchandes souhaitant incorporer formellement ces outils dans des produits ou audits propriétaires doivent s’assurer de respecter les règles de licence d’Elsevier ou solliciter l’accord formel des auteurs (Université de Passau).

12. Références / References

Les sources académiques de référence mobilisant ou fondant cet instrument sont les suivantes :

• Bidler, M., Zimmermann, J., Schumann, J. H., & Widjaja, T. (2020). Increasing consumers’ willingness to engage in data disclosure processes through relevance-illustrating game elements. Journal of Retailing, 96(4), 507-523. https://doi.org/10.1016/j.jretai.2020.08.002
• Blau, P. M. (1964). Exchange and power in social life. John Wiley & Sons. https://www.worldcat.org/oclc/268953
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
• Dinev, T., & Hart, P. (2006). An extended privacy calculus model for e-commerce transactions. Information Systems Research, 17(1), 61-80. https://doi.org/10.1287/isre.1060.0080
• 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
• Homans, G. C. (1958). Social behavior as exchange. American Journal of Sociology, 63(6), 597-606. https://doi.org/10.1086/222355
• Krasnova, H., Spiekermann, S., Koroleva, K., & Hildebrand, T. (2010). Online social networks: Why we disclose. Journal of Information Technology, 25(2), 109-125. https://doi.org/10.1057/jit.2010.6
• Laufer, R. S., & Wolfe, M. (1977). Privacy as a concept and a social issue: A multidimensional developmental theory. Journal of Social Issues, 33(3), 22-42. https://doi.org/10.1111/j.1540-4560.1977.tb01880.x
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3e éd.). McGraw-Hill.
• Smith, H. J., Dinev, T., & Xu, H. (2011). Information privacy research: An interdisciplinary review. MIS Quarterly, 35(4), 989-1015. https://doi.org/10.2307/41409970
• Xu, H., Teo, H. H., Tan, B. C., & Agarwal, R. (2009). The role of push-pull technology in privacy calculus: The case of location-based services. Journal of Management Information Systems, 26(3), 135-174. https://doi.org/10.2753/MIS0742-1222260305

13. Questions et items du questionnaire / Scale Items