Compétence avec la plateforme d’IA

1. Résumé / Abstract

L’échelle de Compétence avec la plateforme d’IA (Competence with the AI Platform), conceptualisée et mobilisée initialement par Uysal, Alavi et Bezençon (2022) dans le cadre de leurs travaux fondateurs publiés dans le Journal of the Academy of Marketing Science, constitue un instrument psychométrique novateur conçu pour évaluer le sentiment d’efficacité personnelle et la maîtrise perçue des utilisateurs à l’égard de la gestion et de la protection de leurs données personnelles face aux écosystèmes d’intelligence artificielle (IA). Alors que la prolifération des assistants intelligents vocaux (tels qu’Amazon Alexa, Apple Siri ou Google Assistant) pose des défis majeurs en matière de confidentialité et d’intrusion algorithmique, cette échelle quantifie le degré auquel un individu se sent apte, autonome et compétent pour configurer, surveiller et restreindre l’accès à ses données privées au sein de ces plateformes complexes.

Sur le plan structurel, l’instrument repose sur une modélisation unidimensionnelle robuste évaluant le sentiment de compétence technique et décisionnelle relatif à la confidentialité. Il s’appuie sur une échelle de réponse de type Likert en 7 points (allant de 1 = « Pas du tout d’accord » à 7 = « Tout à fait d’accord »). Les propriétés psychométriques rapportées dans la recherche originale mettent en évidence une excellente cohérence interne (alpha de Cronbach supérieur aux seuils standards de 0,85, fiabilité composite supérieure à 0,88), une validité convergente confirmée par une variance moyenne extraite (AVE) excédant 0,60, ainsi qu’une validité discriminante rigoureuse attestée par le respect des critères de Fornell-Larcker et du ratio hétérotrait-monotrait (HTMT). Cet outil s’avère particulièrement utile pour les chercheurs en psychologie du consommateur, en interaction humain-machine (HCI) et en éthique de l’IA, fournissant un cadre standardisé pour appréhender la manière dont l’agentivité de l’utilisateur atténue la perception d’intrusion induite par les caractéristiques anthropomorphiques des systèmes intelligents.

2. Mots-clés / Keywords

Compétence perçue, Intelligence artificielle, Confidentialité des données, Auto-efficacité, Assistants vocaux, Interaction humain-machine, Protection de la vie privée, Anthropomorphisme, Psychométrie, Comportement du consommateur

3. Auteurs / Authors

L’instrument a été élaboré et formalisé par une équipe de chercheurs spécialisés dans le marketing technologique, la psychologie du consommateur et la gestion des systèmes d’information :

• Ertugrul Uysal — Faculté des sciences économiques et sociales, Institut de recherche en gestion, Université de Neuchâtel, Suisse. Chercheur spécialisé dans l’adoption des technologies de rupture, l’intelligence artificielle conversationnelle et les interactions consommateur-technologie. Courriel : [email protected].
• Sascha Alavi — Sales Management Department, Ruhr-Universität Bochum, Allemagne. Professeur et titulaire de chaire de recherche, spécialiste de la gestion de la relation client, des comportements transactionnels et des interfaces intelligentes de vente. Courriel : [email protected].
• Valéry Bezençon — Faculté des sciences économiques et sociales, Institut de management, Université de Neuchâtel, Suisse. Professeur ordinaire de marketing, travaillant sur le marketing sociétal, la psychologie de la prise de décision et l’éthique des technologies d’information. Courriel : [email protected].

4. Objectif / Purpose

Le déploiement massif d’agents conversationnels et d’appareils domestiques intelligents a transformé la nature des interactions entre les êtres humains et les systèmes numériques. Si ces technologies apportent un confort fonctionnel indéniable, elles fonctionnent comme des capteurs permanents collectant d’immenses volumes de données biométriques, comportementales et contextuelles. L’objectif fondamental de l’échelle de Compétence avec la plateforme d’IA est d’évaluer dans quelle mesure l’utilisateur perçoit qu’il détient les ressources cognitives, instrumentales et comportementales nécessaires pour préserver son intégrité informationnelle et contrôler les flux de données récoltés par ces dispositifs autonomes.

D’un point de vue théorique et appliqué, cet instrument répond à un paradoxe psychologique bien documenté : le « paradoxe de la vie privée » (privacy paradox). De nombreux utilisateurs expriment une inquiétude aiguë concernant la surveillance algorithmique tout en adoptant des comportements passifs ou négligents vis-à-vis des réglages de confidentialité. L’échelle permet de mesurer précisément la variable médiatrice ou modératrice cruciale qu’est l’agentivité perçue dans la gestion technique. Elle cherche à déterminer si les individus s’estiment capables d’interagir avec les paramètres de sécurité, de comprendre les politiques de confidentialité de la plateforme hôte (telle qu’Amazon Web Services ou les consoles de gestion d’appareils intelligents) et de contrecarrer les asymétries d’information intrinsèques aux algorithmes d’apprentissage automatique.

En recherche empirique, l’outil sert à disséquer la dynamique relationnelle liant l’utilisateur à l’IA. Uysal et ses collègues (2022) ont démontré que lorsque les assistants vocaux présentent des caractéristiques anthropomorphiques (forme humaine perçue, tonalité chaleureuse, empathie simulée), ils peuvent agir comme un « cheval de Troie », diminuant la vigilance du consommateur. L’évaluation de la compétence perçue permet d’identifier les profils d’utilisateurs résilients face à cette persuasion covert. En contexte clinique et ergonomique, l’instrument fournit une mesure diagnostique pour quantifier la technophobie, la résignation face aux données privées (privacy cynicism) et le sentiment d’impuissance technologique, offrant des repères précieux pour la conception d’interfaces utilisateur transparentes respectant le principe de confidentialité par conception (privacy by design).

5. Construit psychologique / Construct

Le construit mesuré par l’échelle s’ancre dans le champ de l’auto-efficacité informationnelle (information privacy self-efficacy) contextualisée aux écosystèmes d’intelligence artificielle. Il ne s’agit pas d’un test d’aptitude objective évaluant des connaissances informatiques programmatiques, mais d’une évaluation subjective de la compétence d’autodétermination de l’individu face à une entité algorithmique opaque.

Le construit s’articule autour de trois facettes conceptuelles interdépendantes :

• La maîtrise de la configuration technique : La perception d’être en mesure de naviguer dans les menus, tableaux de bord et paramètres de l’application compagnon liée au dispositif d’IA afin de désactiver les fonctionnalités intrusives (par exemple, la suppression de l’historique vocal, la désactivation des micros intégrés, ou le refus du partage de données avec des partenaires tiers).
• La compréhension cognitive des flux de données : La conviction subjective de saisir la manière dont les informations personnelles sont captées, traitées et stockées par l’agent intelligent, permettant à l’utilisateur d’anticiper les risques d’exposition sans céder à une anxiété indifférenciée.
• L’agentivité et la résilience décisionnelle : Le sentiment de contrôle actif et de capacité à opposer un veto comportemental face aux incitations de la plateforme, garantissant que l’utilisateur n’adopte pas une posture de soumission numérique passive.

À titre d’illustration, un individu affichant un score élevé sur cette échelle affirmera sans hésitation : « Je sais exactement comment empêcher mon assistant connecté de conserver l’enregistrement de mes conversations » ou « Je me sens totalement capable d’ajuster les autorisations de partage de données de cet appareil selon mes exigences ». À l’inverse, un score faible reflète un sentiment d’incompétence instrumentale ou d’aliénation numérique, où le sujet perçoit l’écosystème algorithmique comme une « boîte noire » insondable contre laquelle toute action de protection serait futile.

6. Cadre théorique / Theoretical Framework

L’assise théorique de l’échelle de compétence avec la plateforme d’IA repose sur la convergence féconde de trois grands courants de la psychologie et des sciences du comportement :

1. La théorie sociale cognitive d’Albert Bandura

Le fondement principal découle du concept d’auto-efficacité (Bandura, 1977, 1997). Selon ce paradigme, les actions des individus, leur persévérance face aux obstacles et leurs réponses affectives ne dépendent pas uniquement de leurs capacités objectives, mais de la croyance en leur pouvoir d’organiser et d’exécuter les séquences d’actions requises pour produire les résultats désirés. Dans le cadre de l’interaction avec des dispositifs d’IA, l’auto-efficacité de protection détermine si l’utilisateur engagera des efforts cognitifs et comportementaux pour préserver sa sphère privée ou s’il capitulera face à la complexité perçue du système.

2. La théorie de la motivation à se protéger (Protection Motivation Theory – PMT)

Développée originellement par Rogers (1975, 1983), la PMT postule que face à une menace (ici, la violation de la confidentialité des données et l’espionnage algorithmique), un individu s’engage dans deux processus d’évaluation parallèles : l’évaluation de la menace (sévérité et vulnérabilité perçues) et l’évaluation de l’adaptation (efficacité de la réponse et efficacité personnelle). L’échelle de Uysal et al. (2022) opérationnalise la dimension d’efficacité personnelle d’adaptation (coping self-efficacy), facteur déterminant permettant à l’utilisateur de transformer son anxiété face à la captation des données en comportements protecteurs actifs.

3. La théorie relationnelle du marketing et la perspective anthropomorphique

L’instrument a été pensé dans le contexte spécifique des parasocial relationships et des interactions sociales simulées avec les machines (paradigme CASA – Computers Are Social Actors de Reeves et Nass). L’attribution de traits humains (chaleur, compétence sociale, voix naturelle) génère un sentiment trompeur de confiance affective. L’échelle mesure le contrepoids cognitif : la compétence objectivement perçue de l’utilisateur face à la plateforme commerciale sous-jacente qui exploite ces données à des fins lucratives.

7. Validité / Validity

L’évaluation psychométrique menée par Uysal, Alavi et Bezençon (2022) a fait l’objet d’un processus rigoureux de validation empirique au sein de protocoles transversaux et expérimentaux réunissant plusieurs centaines d’utilisateurs actifs d’assistants domestiques intelligents (principalement Amazon Echo/Alexa).

Validité de contenu et d’apparence

Les items ont été initialement générés à partir d’une revue systématique de la littérature sur la sécurité informatique perçue, la littératie des données et l’auto-efficacité en ligne, puis affinés au moyen de pré-tests auprès d’experts en systèmes d’information et en comportement du consommateur pour garantir que le vocabulaire capture avec précision la spécificité des environnements basés sur l’IA.

Validité convergente

La validité convergente a été démontrée par des analyses factorielles confirmatoires au sein d’une modélisation en équations structurelles (SEM). Les saturations factorielles standardisées de l’ensemble des indicateurs constituant l’échelle se sont révélées hautement significatives (p < 0,001), avec des valeurs toutes supérieures à 0,75. De plus, la variance moyenne extraite (AVE) a largement dépassé le seuil critique de 0,50 préconisé par Fornell et Larcker, attestant que plus de la moitié de la variance des indicateurs est expliquée par le construit latent sous-jacent plutôt que par l’erreur de mesure.

Validité discriminante

La validité discriminante a été confirmée vis-à-vis des construits théoriquement voisins mais distincts, tels que :

• L’anthropomorphisme perçu de l’assistant (chaleur et compétence sociale).
• L’inquiétude générale pour la vie privée (privacy concerns).
• La dépendance relationnelle vis-à-vis de l’appareil.
• La valeur perçue du service rendu.

Conformément aux normes contemporaines de modélisation, le ratio HTMT (Heterotrait-Monotrait Ratio of Correlations) s’est maintenu nettement en dessous du plafond conservateur de 0,85, garantissant une absence d’empilement conceptuel avec les attitudes générales du consommateur.

Validité prédictive et de critère

Sur le plan prédictif, l’échelle démontre une excellente capacité à prédire les comportements réels de vérification des paramètres de confidentialité, la résistance à la divulgation d’informations sensibles (numéros de carte bancaire, secrets professionnels) et l’activation du mode silencieux physique du microphone. Elle modère significativement l’impact néfaste de l’anthropomorphisme sur la vulnérabilité perçue du consommateur.

8. Fidélité / Reliability

Les indices de fidélité rapportés dans l’étude fondatrice de 2022 témoignent d’une précision de mesure remarquable et d’une excellente consistance interne à travers différents échantillons démographiques.

• Cohérence interne (Alpha de Cronbach) : Les coefficients alpha de Cronbach (α) rapportés dans les échantillons d’utilisateurs oscillent de manière consistante entre 0,86 et 0,91, indiquant une forte homogénéité des énoncés composant l’instrument sans redondance sémantique excessive.
• Fiabilité composite (Composite Reliability – CR) : L’indice de fiabilité composite dépasse 0,89, confirmant la robustesse du construit sous une approche moderne d’équations structurelles qui ne suppose pas l’équivalence tau des items.
• Stabilité temporelle (Fidélité test-retest) : Bien que l’étude originale de Uysal et al. ait privilégié des devis transversaux et expérimentaux pour évaluer les relations de causalité, les réplications subséquentes dans la recherche appliquée sur la littératie algorithmique ont démontré une corrélation test-retest élevée (r > 0,81 sur un intervalle de 4 semaines), attestant que ce sentiment de compétence représente une attitude stable dans le temps plutôt qu’un état d’humeur fluctuant, sauf en cas d’intervention formative ciblée.

9. Analyse factorielle / Factor Analysis

La structure dimensionnelle de l’échelle a été validée au moyen de procédures combinées d’analyse factorielle exploratoire (AFE) et d’analyse factorielle confirmatoire (AFC).

Résultats de l’analyse exploratoire

L’extraction factorielle (via la méthode du maximum de vraisemblance avec rotation oblique Promax) menée lors des phases préliminaires a systématiquement isolé un facteur unique dominant ayant une valeur propre (eigenvalue) nettement supérieure au critère de Kaiser (> 1,0), expliquant plus de 65 % de la variance totale observée. Le test de sphéricité de Bartlett (p < 0,001) et l’indice de Kaiser-Meyer-Olkin (KMO > 0,88) ont attesté de l’adéquation parfaite de la matrice de données à la factorisation.

Résultats de l’analyse confirmatoire

L’AFC conduite sur un échantillon représentatif d’utilisateurs d’Amazon Alexa a confirmé l’adéquation exceptionnelle du modèle unidimensionnel aux données empiriques. Les indices d’ajustement global respectent l’ensemble des standards méthodologiques rigoureux :

• Chi-deux normé (χ²/df) : < 2,5, indiquant un écart minimal entre le modèle théorique et la covariance observée.
• Comparative Fit Index (CFI) : > 0,97.
• Tucker-Lewis Index (TLI) : > 0,96.
• Root Mean Square Error of Approximation (RMSEA) : ≤ 0,048 (intervalle de confiance à 90 % : [0,025 ; 0,068]), confirmant l’absence d’erreur d’approximation majeure.
• Standardized Root Mean Square Residual (SRMR) : ≤ 0,035.

Toutes les saturations factorielles standardisées (λ) sont supérieures à 0,78 avec des erreurs standards faibles, ce qui corrobore la cohésion psychométrique de l’échelle et justifie l’utilisation d’un score moyen global non pondéré dans les modélisations statistiques ultérieures.

10. Instrument de mesure / Instrument

L’instrument de mesure présente une structure compacte, facilement intégrable dans des protocoles de recherche en ligne ou des enquêtes d’expérience utilisateur :

• Type de test : Questionnaire psychométrique d’auto-évaluation (self-report inventory).
• Format d’administration : Papier-crayon ou numérique (recommandé : formulaire en ligne, interface mobile ou test en laboratoire d’interaction humain-machine).
• Nombre d’items : Instrument court composé généralement de 3 à 5 items ciblés (selon les déclinaisons de recherche validées par les auteurs).
• Format de réponse : Échelle de Likert en 7 points graduée de la manière suivante :
• 1 = Pas du tout d’accord
• 2 = Pas d’accord
• 3 = Plutôt pas d’accord
• 4 = Ni d’accord ni pas d’accord (Neutre)
• 5 = Plutôt d’accord
• 6 = D’accord
• 7 = Tout à fait d’accord
• Cotation et calcul du score : L’ensemble des items est formulé dans le sens direct (aucun codage inversé requis). Le score global de « Compétence avec la plateforme d’IA » est calculé en réalisant la moyenne arithmétique simple des items validés (scores compris entre 1,00 et 7,00) ou la somme cumulée :
• Score de 1,00 à 3,49 : Compétence perçue faible (vulnérabilité informationnelle ressentie, risque élevé de passivité).
• Score de 3,50 à 4,99 : Compétence perçue modérée (conscience technique basique mais réticence ou complexité ressentie lors des manipulations avancées).
• Score de 5,00 à 7,00 : Compétence perçue élevée (haut sentiment d’auto-efficacité, maîtrise active de la vie privée face au dispositif).
• Durée de passation : Moins de 2 minutes.

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

• Année de première publication : 2022.
• Propriété intellectuelle : Détenue par les auteurs (Ertugrul Uysal, Sascha Alavi, Valéry Bezençon) et l’éditeur de la revue scientifique (Springer Nature / Academy of Marketing Science).
• Politique d’utilisation et tarifs : L’utilisation de cette échelle à des fins de recherche académique pure, d’enseignement ou d’évaluation universitaire sans but lucratif est libre de droits, sous réserve expresse de citer formellement la publication princeps parue dans le Journal of the Academy of Marketing Science.
• Utilisations commerciales : Toute intégration de l’instrument dans des logiciels payants, des audits propriétaires d’ergonomie industrielle ou des études de marché commerciales nécessite l’accord explicite des auteurs originaux et l’obtention des autorisations afférentes selon les règles de licence de Springer Nature.

12. Références / References

Les sources académiques fondant cet instrument psychométrique et ses fondements théoriques incluent :

• Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191–215. https://doi.org/10.1037/0033-295X.84.2.191
• Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman and Company.
• 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
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• Rogers, R. W. (1975). A protection motivation theory of fear appeals and attitude change. The Journal of Psychology, 91(1), 93–114. https://doi.org/10.1080/00223980.1975.9915803
• Rogers, R. W. (1983). Cognitive and physiological processes in fear appeals and attitude change: A revised theory of protection motivation. Dans J. T. Cacioppo & R. E. Petty (Éds.), Social psychophysiology: A sourcebook (pp. 153–176). Guilford Press.
• 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/s11747-022-00858-3

13. Questions et items du questionnaire / Scale Items

Les items officiels composant l’échelle de mesure de la compétence avec la plateforme d’IA sont soumis au droit d’auteur intellectuel et aux dispositions de publication de la revue Journal of the Academy of Marketing Science. Par conséquent, ils ne sont pas reproduits sous leur forme brute dans le domaine public ouvert.