Chaleur du donneur de conseil

1. Résumé / Abstract

L’échelle de la chaleur du donneur de conseil (Advice-Giver Warmth Scale) évalue le degré auquel un individu perçoit ou anticipe qu’une source délivrant des recommandations est bienveillante, chaleureuse, sympathique, serviable et émotionnellement attentive. Initialement formalisée et appliquée dans le champ du comportement du consommateur et des services par von Walter, Wentzel et Raff (2023), cette échelle permet d’appréhender les réponses affectives et sociocognitives des utilisateurs face à des conseillers humains comparativement à des systèmes automatisés ou des algorithmes d’intelligence artificielle.

Sur le plan psychométrique, l’instrument s’enracine directement dans le modèle du contenu des stéréotypes (Stereotype Content Model) développé par Susan Fiske et ses collaborateurs, qui postule que le jugement social d’autrui repose sur deux dimensions fondamentales : la compétence et la chaleur. L’échelle de chaleur du donneur de conseil est généralement unifactorielle lorsqu’elle isole la bienveillance perçue, bien qu’elle s’articule souvent au sein d’une batterie bifactorielle couplée à la compétence perçue de la source. Elle comprend typiquement entre 3 et 5 items formulés sous la forme d’adjectifs différentiels sémantiques ou d’énoncés évalués sur une échelle de Likert en 7 points (allant de 1 « Pas du tout d’accord » à 7 « Tout à fait d’accord » ou de 1 « Pas du tout chaleureux » à 7 « Extrêmement chaleureux »).

Les propriétés psychométriques rapportées dans la littérature attestent d’une cohérence interne robuste, avec des coefficients alpha de Cronbach systématiquement supérieurs à 0,85 et une fiabilité composite (CR) excédant 0,88. La validité convergente et la validité discriminante sont étayées par une variance moyenne extraite (AVE) supérieure à 0,60, confirmant que le construit se distingue nettement des dimensions de compétence technique, de crédibilité de la source ou d’utilité perçue du conseil. Cet outil constitue un levier d’évaluation déterminant pour la recherche sur l’adoption technologique, la relation client et la psychologie sociale des interactions homme-machine.

2. Mots-clés / Keywords

Chaleur perçue, Donneur de conseil, Conseil algorithmique, Modèle du contenu des stéréotypes, Perception sociale, Interaction homme-machine, Prise de décision, Relation de service, Psychométrie, Bienveillance

3. Auteurs / Authors

L’opérationnalisation de cette mesure dans le cadre comparatif des conseils humains et algorithmiques a été menée par les chercheurs suivants :

• Benjamin von Walter : Professeur de marketing et de gestion commerciale à l’Institut de gestion d’entreprise, Haute école spécialisée de Suisse orientale (OST – Ostschweizer Fachhochschule), Saint-Gall, Suisse. Spécialiste du comportement du consommateur, de l’adoption des technologies de service et de la gestion de la relation client. Courriel : [email protected].
• Daniel Wentzel : Professeur titulaire de la chaire de marketing à l’Université RWTH d’Aix-la-Chapelle (RWTH Aachen University), Aix-la-Chapelle, Allemagne. Ses recherches portent sur le comportement des consommateurs, la conception de nouveaux produits, l’expérience utilisateur et les technologies persuasives. Courriel : [email protected].
• Stefan Raff : Chercheur postdoctoral et maître de conférences à l’Université de Saint-Gall (HSG) et affilié à l’Université RWTH d’Aix-la-Chapelle. Ses travaux explorent les interactions entre intelligence artificielle, agents conversationnels et consommateurs. Courriel : [email protected].

4. Objectif / Purpose

L’objectif principal de l’échelle de chaleur du donneur de conseil est de quantifier la perception affective et socio-émotionnelle qu’un individu entretient à l’égard d’une entité fournissant des recommandations, qu’il s’agisse d’un conseiller humain (par exemple, un gestionnaire de patrimoine, un médecin ou un vendeur) ou d’un agent décisionnel automatisé (système expert, robo-advisor ou modèle d’intelligence artificielle générative). La mesure a été conçue pour répondre à un défi empirique majeur : expliquer les disparités d’adhésion, de confiance et d’observance des conseils lorsque la nature de la source varie.

Dans les contextes de service modernes, les organisations remplacent ou complètent fréquemment les conseillers humains par des algorithmes d’aide à la décision. Or, la littérature sur l’aversion algorithmique (algorithm aversion) démontre que les usagers rejettent souvent les préconisations informatisées, même lorsque celles-ci se révèlent objectivement supérieures sur le plan computationnel. L’évaluation de la chaleur perçue permet de dévoiler le mécanisme psychologique sous-jacent à cette résistance : les consommateurs n’attribuent généralement pas d’intentions bienveillantes, d’empathie ou de résonance émotionnelle aux algorithmes, ce qui engendre un déficit de chaleur ressenti par rapport aux interactions humaines.

Sur le plan de la recherche, cet instrument sert de variable médiatrice ou modératrice cruciale dans les modèles d’équations structurelles. Il permet d’examiner comment les caractéristiques de l’interface (anthropomorphisme textuel, intonation vocale, conception visuelle) peuvent pallier ce déficit de chaleur, ou au contraire comment une tentative artificielle de paraître chaleureux peut susciter une réaction de défiance (effet de la vallée de l’étrange ou perception de manipulation). Dans les études de von Walter, Wentzel et Raff (2023), l’outil a servi à démontrer que la chaleur perçue explique pourquoi les clients historiques, habitués à une relation de service personnalisée, manifestent une baisse significative de satisfaction lorsqu’un algorithme leur est imposé, alors que les nouveaux clients, moins investis émotionnellement, y sont plus réceptifs.

Sur le plan des applications appliquées et managériales, l’échelle fournit aux concepteurs d’expériences clients (UX/CX), aux institutions financières et aux services de santé un indicateur diagnostique précis. Elle permet de tester si un agent conversationnel ou un parcours de conseil automatisé réussit à transmettre un niveau d’écoute et d’attention psychologique suffisant pour rassurer l’utilisateur lors de choix critiques ou anxiogènes.

5. Construit psychologique / Construct

Le construit psychologique de la chaleur perçue (perceived warmth) renvoie aux inférences qu’un individu formule quant aux intentions morales, sociales et relationnelles d’une autre entité. Dans le contexte de la prise de conseil, la chaleur ne mesure pas la performance intellectuelle ou analytique de la source, mais sa disposition présumée à agir dans le meilleur intérêt du bénéficiaire avec bienveillance et sensibilité émotionnelle.

Ce construit s’articule autour de plusieurs composantes qualitatives interconnectées :

• La bienveillance et la moralité intentionnelle : Il s’agit de la certitude que la source du conseil poursuit des objectifs vertueux et bienveillants envers le receveur, plutôt que des objectifs purement égoïstes, mercantiles ou mécaniques. Un conseiller perçu comme chaleureux est supposé ne pas vouloir tromper ou manipuler l’utilisateur.
• L’empathie et la réceptivité émotionnelle : Cette facette évalue si la source est perçue comme capable de comprendre la vulnérabilité, le stress ou les doutes du décideur. Elle englobe le sentiment que le conseiller « se soucie » de la situation personnelle du demandeur et module son approche avec délicatesse.
• La sympathie et la convivialité relationnelle : Cette dimension reflète l’accessibilité sociale, la douceur interpersonnelle et l’affabilité de la communication. Un donneur de conseil froid est perçu comme distant, austère et purement procédural, tandis qu’un donneur chaleureux crée un climat psychologique sécurisant.
• La serviabilité attentionnée : Au-delà du simple devoir technique, cette sous-dimension traduit la perception d’un dévouement sincère à aider le receveur à atteindre ses objectifs personnels.

Dans l’architecture conceptuelle des interactions sociales, la chaleur est considérée comme la dimension évaluative primaire. Selon les postulats de l’évolution psychologique, déterminer les intentions d’un acteur (ami ou ennemi, bienveillant ou malveillant) prime sur la détermination de sa capacité à exécuter ses intentions (compétent ou incompétent). Par conséquent, lorsqu’un individu sollicite un conseil, l’absence de signaux de chaleur engendre une vigilance accrue et une réserve cognitive, limitant la disposition à suivre la recommandation reçue.

6. Cadre théorique / Theoretical Framework

L’échelle repose théoriquement sur le modèle du contenu des stéréotypes (Stereotype Content Model, SCM), formulé par Fiske, Cuddy, Glick et Xu (2002), ainsi que sur ses extensions ultérieures à la perception des organisations et des marques (Aaker, Vohs, & Mogilner, 2010). Selon le SCM, la cognition sociale humaine classe les cibles (individus, groupes ou entités anthropomorphisées) selon deux axes orthogonaux : la chaleur (warmth) et la compétence (competence).

La chaleur répond à la question adaptative fondamentale : « Quelles sont les intentions de cette cible à mon égard ? ». La compétence répond à la question complémentaire : « Cette cible a-t-elle les moyens d’exécuter ses intentions ? ». Dans le cadre de l’interaction avec des donneurs de conseil, la compétence reflète l’expertise perçue, la précision logique et l’intelligence de la recommandation. La chaleur, quant à elle, capte la nature humaine, morale et altruiste perçue de l’émetteur.

Ce cadre s’enrichit des théories contemporaines sur l’interaction humain-technologie :

• Le paradigme CASA (Computers Are Social Actors) : Développé par Nass, Steuer et Tauber (1994), ce cadre stipule que les êtres humains appliquent inconsciemment des règles sociales, des attentes morales et des schémas interpersonnels aux technologies interactives dès lors qu’elles émettent des indices sociaux minimaux. En évaluant la chaleur d’un algorithme, les usagers projettent ces grilles de lecture humaine sur des artefacts numériques.
• La théorie de l’aversion algorithmique et de l’appréciation algorithmique : Les travaux de Dietvorst, Simmons et Massey (2018) montrent que les décideurs pardonnent plus difficilement les erreurs aux algorithmes qu’aux humains en raison d’une déshumanisation perçue. L’introduction de la dimension de chaleur par von Walter et ses collaborateurs (2023) permet d’éclairer cette dynamique : le manque inhérent de chaleur des algorithmes prive la relation de la tolérance socio-émotionnelle typiquement accordée aux conseillers humains.
• La théorie de l’échange social et des relations de service : Les clients engagés dans des relations de service à long terme valorisent la réciprocité socio-affective. L’introduction d’un donneur de conseil algorithmique perçu comme dépourvu de chaleur brise le contrat psychologique relationnel, incitant au désengagement.

7. Validité / Validity

La validation psychométrique de l’échelle de chaleur du donneur de conseil a fait l’objet d’examens empiriques rigoureux dans les travaux de von Walter, Wentzel et Raff (2023) ainsi que dans la littérature affiliée sur la perception des agents conversationnels :

• Validité de construit et validité convergente : La validité convergente a été confirmée par des analyses factorielles confirmatoires (AFC). Les saturations standardisées de chaque item sur le facteur latent de chaleur dépassent largement le seuil conventionnel de 0,70 (variant généralement entre 0,78 et 0,92). De plus, la variance moyenne extraite (AVE – Average Variance Extracted) s’établit au-delà de 0,65, excédant le seuil standard de 0,50 préconisé par Fornell et Larcker. Cela démontre que plus de 65 % de la variance des indicateurs observables est captée par le construit latent de chaleur.
• Validité discriminante : Selon le critère de Fornell-Larcker, la racine carrée de l’AVE pour le facteur de chaleur est substantiellement supérieure à ses corrélations avec d’autres construits associés, notamment la compétence perçue du donneur de conseil (competence), la confiance cognitive (cognitive trust), la facilité d’utilisation perçue et le risque perçu. Les analyses basées sur le ratio Hétérotrait-Monotrait (HTMT) confirment également des valeurs inférieures à 0,85, attestant que la chaleur et la compétence constituent deux dimensions empiriquement distinctes et non redondantes.
• Validité prédictive et nomologique : L’échelle démontre une excellente validité nomologique. Dans les régressions et modèles d’équations structurelles, des scores élevés de chaleur prédisent significativement l’adhésion au conseil fourni (advice utilization), l’intention de réutilisation du service et la satisfaction globale de l’usager. Par ailleurs, les analyses de médiation conditionnelle confirment que la chaleur perçue médie l’impact de la nature de la source (humain vs algorithme) sur l’acceptation finale du conseil, validant pleinement son rôle théorique d’intermédiaire psychologique.

8. Fidélité / Reliability

La fiabilité métrique de l’échelle a été documentée à travers plusieurs échantillons expérimentaux indépendants impliquant des contextes de conseil financier, médical et commercial :

• Cohérence interne : Le coefficient alpha de Cronbach ($\alpha$) oscille régulièrement entre 0,87 et 0,94 selon les études, traduisant une excellente homogénéité interne des items. Dans l’étude de von Walter et al. (2023), l’alpha de Cronbach rapporté pour la dimension de chaleur se situait à un niveau très élevé (dépassant 0,89 dans les différentes conditions expérimentales).
• Fiabilité composite (Composite Reliability – CR) : L’indice de fiabilité composite de Raykov/Jöreskog dépasse systématiquement 0,90, garantissant que les items mesurent le trait latent avec une erreur de mesure minimale.
• Stabilité test-retest : Bien que les protocoles expérimentaux d’évaluation des conseils recourent majoritairement à des designs transversaux post-tâche, des vérifications test-retest menées dans des paradigmes longitudinaux sur des agents conversationnels persistants démontrent une stabilité temporelle satisfaisante à deux semaines d’intervalle ($r > 0,75$, $p < 0,001$) lorsque les attributs d'interaction de la source restent constants.

9. Analyse factorielle / Factor Analysis

La structure factorielle de la mesure a été éprouvée par le biais d’analyses factorielles exploratoires (AFE) et confirmatoires (AFC) :

• Analyses exploratoires (AFE) : Lorsque les items de perception de la source sont soumis à une extraction en composantes principales avec rotation oblique (Promax ou Oblimin), une structure bifactorielle émerge clairement, séparant nettement les items de chaleur de ceux de compétence. La dimension de chaleur sature de manière univoque sur un premier facteur propre expliquant une part prépondérante de la variance totale (souvent plus de 45 % de la variance expliquée par le modèle complet). Aucune saturation croisée majeure (cross-loading > 0,30) n’est observée sur les items de compétence.
• Analyses confirmatoires (AFC) : Les modèles de mesure testés via l’estimation du maximum de vraisemblance affichent d’excellents indices d’ajustement global. Les indices rapportés répondent rigoureusement aux critères méthodologiques usuels :
• $chi^2 / text{ddl} < 2,5$
• CFI (Comparative Fit Index) $ge 0,97$
• TLI (Tucker-Lewis Index) $ge 0,96$
• RMSEA (Root Mean Square Error of Approximation) $le 0,05$ (avec intervalle de confiance à 90 % compris entre 0,02 et 0,07)
• SRMR (Standardized Root Mean Square Residual) $le 0,04$

La comparaison de modèles concurrents montre systématiquement la supériorité d’un modèle bifactoriel orthogonal ou faiblement corrélé (chaleur et compétence séparées) par rapport à un modèle unidimensionnel regroupant l’ensemble des perceptions de la source sous un facteur unique d’évaluation globale ($\Delta \chi^2$ hautement significatif, $p < 0,001$).

10. Instrument de mesure / Instrument

L’instrument se caractérise par une structure standardisée, adaptable aux contextes de recherche sur les services et les technologies :

• Type d’instrument : Questionnaire d’auto-évaluation psychologique / Échelle de différenciation sémantique ou d’évaluation d’attributs sociaux.
• Format d’administration : Auto-administré en ligne, sur support papier ou intégré directement à une interface utilisateur après interaction avec le système de conseil.
• Nombre d’items : Généralement composé de 4 items cibles pour la sous-échelle de chaleur (faisant souvent partie d’un module global de 8 items incluant la compétence).
• Échelle de réponse : Échelle de Likert à 7 points, ancrée de 1 (« Pas du tout d’accord » ou « Très faible ») à 7 (« Tout à fait d’accord » ou « Très élevé »). Certaines versions utilisent des échelles sémantiques bipolaires à 7 points (ex. : 1 = Froid, 7 = Chaleureux).
• Procédure de cotation : Le score global de chaleur est calculé en réalisant la moyenne arithmétique non pondérée des items composant l’échelle. Aucun item n’est inversé dans sa formulation standard positive. Un score plus élevé reflète une perception plus marquée de chaleur, de bienveillance et d’attention relationnelle de la part du donneur de conseil.

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

• Année d’adaptation / publication clé : 2023 (travaux de von Walter, Wentzel, et Raff dans le Journal of Retailing), s’appuyant sur les travaux matriciels de Cuddy, Fiske et Glick (2007) et Aaker et al. (2010).
• Statut des droits d’auteur : L’article académique de von Walter et al. (2023) est publié par Elsevier sous les conditions de copyright applicables au Journal of Retailing. Le paradigme théorique du contenu des stéréotypes relève de la recherche académique fondamentale.
• Conditions d’utilisation et tarifs : L’utilisation de l’échelle à des fins de recherche académique non commerciale est libre et gratuite, sous réserve d’une citation bibliographique formelle des auteurs d’origine. Les applications commerciales propriétaires ou l’intégration dans des solutions logicielles d’évaluation commerciale peuvent être soumises aux politiques d’utilisation et aux règles de propriété intellectuelle des éditeurs et chercheurs respectifs.

12. Références / References

• Aaker, J., Vohs, K. D., & Mogilner, C. (2010). Nonprofits are seen as warm and for-profits as competent: Firm stereotypes matter. Journal of Consumer Research, 37(2), 224-237. https://doi.org/10.1086/665694
• Cuddy, A. J., Fiske, S. T., & Glick, P. (2007). The BIAS map: Behaviors from intergroup affect and stereotypes. Journal of Personality and Social Psychology, 92(4), 631-648. https://doi.org/10.1037/0022-3514.92.4.631
• Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming algorithm aversion: People will use imperfect algorithms if they can (even slightly) modify them. Management Science, 64(3), 1155-1170. https://doi.org/10.1287/mnsc.2016.2643
• Fiske, S. T., Cuddy, A. J., Glick, P., & Xu, J. (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
• Nass, C., Steuer, J., & Tauber, E. R. (1994). Computers are social actors. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 72-78. https://doi.org/10.1145/191666.191703
• von Walter, B., Wentzel, D., & Raff, S. (2023). Should service firms introduce algorithmic advice to their existing customers? The moderating effect of service relationships. Journal of Retailing, 99(2), 280-296. https://doi.org/10.1016/j.jretai.2023.04.001

13. Questions et items du questionnaire / Scale Items

Les items officiels composant l’échelle adaptée par von Walter, Wentzel et Raff (2023) sont issus de leurs travaux expérimentaux publiés sous droit d’auteur. Conformément aux normes de protection de la propriété intellectuelle, le protocole ci-dessous présente la structure indicative de recueil des données telle qu’opérationnalisée dans les recherches sur la perception des conseillers humains et algorithmiques.