Échelle du caractère informatif perçu (IGS)

1. Résumé / Abstract

L’Échelle du caractère informatif perçu (souvent désignée sous l’acronyme anglophone IGS pour Informativeness General Scale ou Perceived Informativeness Scale) constitue un instrument psychométrique unidimensionnel et unipolaire conçu pour évaluer la mesure dans laquelle un stimulus communicationnel, textuel ou multimédia est appréhendé par un individu comme apportant des éléments de connaissance pertinents, fonctionnels et enrichissants. Initialement déployée et formalisée dans le champ du comportement du consommateur et de la psychologie de la communication — notamment documentée dans les travaux de Moore (2012, 2015) sur les dynamiques du bouche-à-oreille électronique (eWOM, pour electronic Word-of-Mouth) et les récits d’expériences hédoniques versus utilitaires —, cette échelle se compose de trois items adjectivaux fondamentaux : « Helpful » (aidant/bénéfique), « Useful » (utile) et « Informative » (informatif).

Chaque item est évalué au moyen d’une échelle de notation de type différentiel sémantique ou échelle d’évaluation en sept points, allant de 1 (« Pas du tout » / Not at all) à 7 (« Extrêmement » / Extremely). D’un point de vue structural, l’instrument se caractérise par une parcimonie méthodologique remarquable, permettant une administration fluide sans engendrer de fatigue cognitive chez le répondant, tout en maximisant la fidélité de la mesure. Sur le plan psychométrique, les études empiriques mettent en évidence une consistance interne substantielle, illustrée de façon récurrente par un coefficient alpha de Cronbach d’environ 0,85, ainsi qu’une excellente validité convergente avec les indices d’utilité perçue de l’information (perceived usefulness) et les comportements décisionnels subséquents. L’échelle se distingue formellement des instruments spécifiques au champ publicitaire (tels que l’Ad Informativeness Scale) par sa neutralité contextuelle, autorisant son application transversale à tout type de contenu informationnel : avis en ligne, recommandations d’experts, articles de vulgarisation, interactions d’agents conversationnels ou synthèses techniques.

2. Mots-clés / Keywords

Caractère informatif perçu, utilité perçue, psychométrie, bouche-à-oreille électronique, traitement de l’information, évaluation cognitive, prise de décision, crédibilité de l’information, psychologie du consommateur, communication persuasive, diagnosticité de l’information, modèle d’adoption de l’information.

3. Auteurs / Authors

L’instrument a été structuré et mobilisé dans la littérature académique contemporaine par la professeure Sarah G. Moore, chercheuse en comportement du consommateur et psychologie du marketing. Sarah G. Moore a exercé au sein de prestigieuses institutions académiques canadiennes, notamment à l’Alberta School of Business de l’Université d’Alberta (Edmonton, Alberta, Canada) et à la Haskayne School of Business de l’Université de Calgary. Ses axes de recherche privilégiés portent sur les mécanismes psycholinguistiques sous-jacents au bouche-à-oreille, l’impact émotionnel et cognitif de la narration sur l’émetteur et le récepteur d’un message, ainsi que sur l’évaluation de la valeur ajoutée des avis de consommateurs en ligne.

Les investigations menées par Moore (notamment publiées dans le Journal of Consumer Research en 2012 et 2015) ont apporté une formalisation empirique déterminante à cette échelle d’évaluation générale en trois items, l’utilisant afin de quantifier avec précision la perception d’utilité et de richesse informative générée par différents formats narratifs (explications fondées sur des actions directes versus réactions émotionnelles face à des biens utilitaires ou hédoniques).

4. Objectif / Purpose

L’objectif fondamental de l’Échelle du caractère informatif perçu est d’opérationnaliser et de quantifier l’évaluation subjective qu’un individu formule à l’égard de la valeur épistémique et pratique d’un flux d’informations. Dans la société contemporaine saturée de données numériques, les individus sont continuellement confrontés à une asymétrie informationnelle et à une surcharge cognitive. La valeur d’une information ne réside pas uniquement dans son exhaustivité mathématique ou sa structure objective, mais dans la perception qualitative qu’en a le récepteur : le contenu permet-il de réduire l’incertitude ? Présente-t-il une valeur diagnostique pour orienter une décision ou clarifier un jugement ?

Sur le plan de la recherche scientifique, cet instrument permet aux chercheurs d’isoler l’effet direct de variables textuelles, sémiotiques ou structurelles sur le récepteur. Par exemple, dans les études consacrées au bouche-à-oreille électronique (eWOM), les chercheurs cherchent à comprendre comment le ton émotionnel, le degré d’abstraction linguistique, l’exposition des motivations de l’auteur ou l’ancrage sensoriel influencent la perception de pertinence d’un avis. L’échelle fournit une métrique standardisée, rapide et hautement reproductible, servant fréquemment de variable dépendante primaire ou de variable médiatrice reliant les caractéristiques du message aux intentions comportementales (comme l’intention d’achat, l’adhésion à une recommandation médicale ou l’acceptation d’un conseil technologique).

Sur le plan pratique et appliqué, cet outil d’évaluation présente un intérêt majeur pour l’ergonomie cognitive, la conception des systèmes d’aide à la décision, l’expérience utilisateur (UX) et le marketing de contenu. Les organisations peuvent administrer cette échelle afin de tester l’efficacité de notices techniques, de fiches produits, de politiques de confidentialité vulgarisées ou de dialogues générés par des intelligences artificielles conversationnelles. Mesurer le caractère informatif perçu permet ainsi d’identifier avec finesse les frictions cognitives et de concevoir des architectures d’information optimisant l’utilisabilité perçue sans submerger les utilisateurs de détails non pertinents.

5. Construit psychologique / Construct

Le construit du « caractère informatif perçu » (Perceived Informativeness) renvoie à une appréciation cognitive multidimensionnelle condensée en une attitude globale positive vis-à-vis de l’apport cognitif d’un stimulus. Dans le cadre de la théorie du traitement de l’information, ce construit reflète la capacité perçue d’un message à fournir des données précises, exactes, complètes et pertinentes pour un but donné. L’échelle opérationnalise ce construit au moyen de trois facettes conceptuellement intriquées mais distinctes dans leurs nuances sémantiques :

• Le caractère aidant ou bénéfique (Helpful) : Cette composante réfère au soutien direct que le contenu procure au récepteur dans le cadre d’une tâche cognitive ou pragmatique. Un message qualifié de helpful facilite la progression de l’individu vers son but, l’oriente et allège son effort cognitif. Par exemple, dans le contexte de l’achat d’un ordinateur portable, un commentaire expliquant clairement l’autonomie réelle de la batterie en usage bureautique est jugé « aidant » car il résout une interrogation pratique sans exiger d’investigations techniques supplémentaires.
• L’utilité fonctionnelle (Useful) : Très proche du concept d’utilité perçue développé dans le cadre du Technology Acceptance Model (TAM) par Fred Davis, cette facette mesure la valeur instrumentale du message. L’utilité traduit le sentiment que l’information reçue améliore la qualité ou l’efficience de la prise de décision. Si l’information reçue modifie ou affine substantiellement l’évaluation globale d’un problème, elle possède une haute valeur d’utilité.
• Le caractère informatif au sens strict (Informative) : Cette dimension reflète la densité, la nouveauté et la pertinence intrinsèque du savoir partagé. Un contenu est perçu comme informative lorsqu’il apporte des éléments substantiels, descriptifs ou explicatifs qui dissipent l’ignorance ou l’ambiguïté entourant un phénomène.

Bien que ces trois termes soient sémantiquement apparentés, leur combinaison au sein d’une échelle unidimensionnelle capture de manière équilibrée la dimension cognitive globale du message : un texte peut sembler riche en données (informatif) tout en étant complexe à exploiter (moins aidant) ou peu pertinent pour le besoin immédiat (moins utile). Le score agrégé neutralise ces écarts sémantiques marginaux pour offrir une mesure robuste du construit central.

6. Cadre théorique / Theoretical Framework

Le fondement théorique de l’Échelle du caractère informatif perçu s’ancre principalement dans trois courants majeurs des sciences psychologiques et de la communication cognitive :

Le modèle de probabilité d’élaboration (Elaboration Likelihood Model – ELM)

Formulé par Richard Petty et John Cacioppo (1986), l’Elaboration Likelihood Model postule que la persuasion et le traitement des messages s’opèrent par deux voies distinctes : la voie centrale, caractérisée par une réflexion approfondie, systématique et critique sur les arguments du message, et la voie périphérique, reposant sur des indices superficiels (prestige de la source, attrait esthétique, longueur brute). Le caractère informatif perçu constitue une évaluation fondamentale relevant de la voie centrale : il mesure dans quelle mesure les arguments présentés possèdent une force diagnostique et une qualité suffisante pour convaincre ou éclairer l’individu.

Le modèle d’adoption de l’information (Information Adoption Model – IAM)

Développé par Sussman et Siegal (2003), l’IAM intègre les concepts de l’ELM et du modèle d’acceptation des technologies pour expliquer comment les individus adoptent des conseils au sein de plateformes informatisées. Selon ce modèle, la « qualité de l’argument » (argument quality) est le prédicteur direct le plus puissant de l’utilité et de l’adoption de l’information. L’Échelle du caractère informatif perçu constitue l’instrument privilégié pour mesurer empiriquement la perception de cette qualité d’argumentation telle que vécue par l’utilisateur.

La théorie de la réduction de l’incertitude (Uncertainty Reduction Theory)

Initialement formulée par Berger et Calabrese (1975) dans le contexte interpersonnel, cette théorie a été étendue à la relation individu-information. Lorsqu’un consommateur ou un citoyen prend une décision dans un environnement incertain, il éprouve une dissonance ou une anxiété cognitive. L’information perçue comme hautement informative, utile et aidante permet de faire décroître cette incertitude en fournissant des repères stables et probants, rendant ainsi la prédiction de l’issue comportementale plus aisée et sécurisante.

7. Validité / Validity

L’Échelle du caractère informatif perçu a fait l’objet de nombreuses validations empiriques dans des dispositifs expérimentaux et corrélationnels en psychologie sociale et comportementale :

Validité de construit et validité convergente

La validité convergente a été démontrée par des corrélations positives statistiquement significatives avec des mesures connexes établies. Dans les études sur la communication en ligne, le caractère informatif perçu est fortement corrélé :

• À la crédibilité de la source (mesurée par l’expertise et la bienveillance perçues de l’auteur) avec des coefficients $r$ oscillant généralement entre 0,55 et 0,72 ($p < 0,001$).
• À l’utilité perçue du site ou de la plateforme hébergeant l’information ($r \approx 0,60$).
• Aux votes explicites d’aide (« Helpfulness votes ») accordés sur les plateformes communautaires de commerce en ligne comme Amazon ou TripAdvisor.

Validité discriminante

La validité discriminante est solidement établie par rapport aux construits affectifs et hédoniques. Les analyses corrélationnelles et factorielles confirment que l’échelle se distingue nettement du plaisir perçu (perceived enjoyment), de la valence émotionnelle du message (sentiment positif versus négatif) et de l’intention persuasive manipulatrice. De surcroît, elle se différencie explicitement de l’Ad Informativeness Scale (conçue par Ducoffe en 1996), laquelle incorpore des dimensions spécifiques aux sollicitations publicitaires intrusives, tandis que l’échelle IGS capture une utilité informationnelle pure, indépendante du statut commercial du stimulus.

Validité prédictive

Dans les travaux de Moore (2015), l’échelle a démontré une sensibilité et une validité prédictive exceptionnelles pour rendre compte des effets de médiation. Les résultats expérimentaux ont mis en lumière que la nature linguistique de la formulation de l’avis (explications d’actions vs d’états émotionnels) module de façon significative le score sur l’échelle d’informativité, et que ce score prédit directement les intentions comportementales d’achat des participants, confirmant l’efficacité de l’outil comme proxy de la valeur diagnostique du message.

8. Fidélité / Reliability

En dépit de sa structure concise composée de trois items seulement, l’échelle fait preuve d’une robustesse métrologique particulièrement élevée :

Consistance interne

Le coefficient alpha de Cronbach rapporté dans l’étude 5 de Moore (2015), menée auprès d’un échantillon de 186 répondants issus d’un panel en ligne, atteint $\alpha = 0,85$. Cette valeur excède largement le seuil standard de 0,70 préconisé par Nunnally (1978) pour la recherche en sciences sociales, et se situe dans la zone idéale de cohérence interne (entre 0,80 et 0,90), garantissant une excellente synergie des items sans redondance sémantique excessive.

Corrélations inter-items et fiabilité composite

Les corrélations inter-items moyennes rapportées dans la littérature se situent généralement dans un intervalle compris entre 0,60 et 0,75, démontrant que les concepts de « utile », « aidant » et « informatif » partagent une variance commune substantielle. De plus, les coefficients de fiabilité composite (Composite Reliability – CR ou Omega de McDonald) calculés dans des études de réplication structurales dépassent de manière constante la valeur critique de 0,80, attestant de la grande stabilité psychométrique du construit mesuré.

9. Analyse factorielle / Factor Analysis

Les analyses factorielles exploratoires (AFE) et confirmatoires (AFC) menées sur les réponses à cette échelle soutiennent sans ambiguïté une solution strictement unidimensionnelle.

Analyse factorielle exploratoire (AFE)

Lors d’une extraction en composantes principales ou par la méthode du maximum de vraisemblance, un seul facteur émerge avec une valeur propre (eigenvalue) nettement supérieure au critère de Kaiser ($> 1$), expliquant habituellement entre 75 % et 85 % de la variance totale des scores. Les saturations factorielles (factor loadings) de chacun des trois items sont uniformément élevées, oscillant typiquement entre 0,82 et 0,91, sans signe d’équivocité ou de saturation croisée.

Analyse factorielle confirmatoire (AFC)

Dans le cadre de modélisations par équations structurelles (SEM), le modèle unifactoriel s’avère parfaitement saturé pour un modèle à trois indicateurs (modèle juste identifié à zéro degré de liberté). Lorsqu’il est intégré dans des modèles de mesure plus larges comportant des construits tels que la confiance dans la source, la réputation de la marque et l’intention comportementale, l’échelle s’intègre harmonieusement avec d’excellents indices d’ajustement :

• Indice de comparaison de Bentler (CFI) $> 0,98$
• Indice de Tucker-Lewis (TLI) $> 0,97$
• Erreur quadratique moyenne d’approximation (RMSEA) $< 0,05$
• Résidu quadratique moyen standardisé (SRMR) $< 0,03$

La variance moyenne extraite (Average Variance Extracted – AVE) dépasse systématiquement le seuil recommandé de 0,50 (se situant fréquemment au-dessus de 0,68), attestant d’une convergence empirique irréprochable des trois adjectifs vers le facteur sous-jacent unique.

10. Instrument de mesure / Instrument

L’instrument de mesure présente des spécifications techniques optimales pour une intégration fluide dans des questionnaires en ligne ou papier :

• Type d’instrument : Échelle psychométrique auto-administrée d’évaluation cognitive unipolaire.
• Nature des items : Adjectifs uniques évalués au regard d’un stimulus textuel ou visuel présenté préalablement.
• Nombre d’items : 3 items (Helpful, Useful, Informative).
• Échelle de réponse : 7-point semantic differential / rating scale (1 = Not at all to 7 = Extremely).
• Durée de passation : Moins de 60 secondes.
• Modalités de cotation : Les scores attribués aux trois items (cotés de 1 à 7) sont moyennés afin de produire un indice global composite du caractère informatif perçu. Aucun item n’est inversé (aucun score inversé requis). Un score global élevé reflète une perception d’informativité et d’utilité maximale.
• Champ d’application : Évaluation d’avis de consommateurs, publications sur réseaux sociaux, articles de presse, notices explicatives, messages publicitaires ou recommandations algorithmiques.

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

L’instrument a été consolidé et diffusé dans les publications académiques de 2012 et 2015 par la chercheuse Sarah G. Moore au sein de revues scientifiques à comité de lecture. Conformément aux usages établis dans la communauté internationale de la recherche universitaire, les échelles courtes composées d’adjectifs descriptifs d’usage général ne sont soumises à aucune redevance commerciale (accès sans frais / fee-free) lorsqu’elles sont utilisées dans le cadre de recherches académiques, d’enseignements ou d’enquêtes scientifiques à but non lucratif.

Les chercheurs utilisant cet instrument sont tenus de citer rigoureusement les travaux sources originaux (notamment Moore, 2012, 2015) selon les normes bibliographiques de l’APA. Pour toute exploitation commerciale à grande échelle, intégration dans des progiciels propriétaires d’audit ou solutions SaaS d’analyse d’expérience client, il convient de se référer aux règles générales du droit d’auteur applicables aux publications scientifiques originales.

12. Références / References

• Berger, C. R., & Calabrese, R. J. (1975). Some explorations in initial interaction and beyond: Toward a developmental theory of interpersonal communication. Human Communication Research, 1(2), 99–112. https://doi.org/10.1111/j.1468-2958.1975.tb00258.x
• 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
• Ducoffe, R. H. (1996). Advertising value and advertising on the web. Journal of Advertising Research, 36(5), 21–35.
• Moore, S. G. (2012). Some things are better left unsaid: How word of mouth influences the storyteller. Journal of Consumer Research, 38(6), 1140–1154. https://doi.org/10.1086/661891
• Moore, S. G. (2015). Attitude predictability and word of mouth: How explaining makes evaluations look more attitude-based and increases perceived helpfulness. Journal of Marketing Research, 52(4), 515–529. https://doi.org/10.1509/jmr.13.0487
• Nunnally, J. C. (1978). Psychometric theory (2e éd.). McGraw-Hill.
• Petty, R. E., & Cacioppo, J. T. (1986). The Elaboration Likelihood Model of persuasion. Advances in Experimental Social Psychology, 19, 123–205. https://doi.org/10.1016/S0065-2601(08)60214-2
• Sussman, S. W., & Siegal, W. S. (2003). Informational influence in organizations: An integrated approach to knowledge adoption. Information Systems Research, 14(1), 47–65. https://doi.org/10.1287/isre.14.1.47.14767

13. Questions et items du questionnaire / Scale Items