Échelle de confiance dans l’intelligence artificielle (AIT)

1. Résumé / Abstract

L’Échelle de confiance dans l’intelligence artificielle (AI Trust Scale, AIT) est un instrument psychométrique conçu pour opérationnaliser et évaluer quantitativement le niveau de confiance accordé par les utilisateurs et les consommateurs aux systèmes automatisés, aux agents conversationnels intelligents et aux architectures algorithmiques d’intelligence artificielle (IA). Ancrée dans les travaux fondateurs de la psychologie organisationnelle et de l’interaction humain-machine (IHM), cette échelle adapte le modèle tripartite de la confiance interpersonnelle théorisé par Mayer, Davis et Schoorman (1995), tout en intégrant la dichotomie classique entre confiance cognitive et confiance affective établie par McAllister (1995) et Lewis et Weigert (1985), formalisée pour les technologies émergentes par des chercheurs tels que Söllner, Hoffmann et Leimeister (2016).

L’échelle évalue principalement trois dimensions de confiance cognitive fondamentales : la compétence perçue (ability, capacité perçue du système à accomplir de façon exacte et performante les tâches prévues), la bienveillance perçue (benevolence, croyance selon laquelle l’IA agit dans l’intérêt supérieur de l’utilisateur sans visée purement opportuniste ou extractive) et l’intégrité perçue (integrity, adhésion de l’agent à un ensemble de règles éthiques, de principes moraux et de transparence acceptables pour l’utilisateur). En complément, les extensions psychométriques de l’outil capturent la confiance affective, caractérisée par des sentiments de sécurité psychologique, de confort subjectif et d’absence d’appréhension émotionnelle face aux décisions automatisées.

Composée généralement de 12 à 18 items selon les déclinaisons expérimentales, l’échelle utilise un format 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 littérature internationale démontrent une consistance interne remarquable (coefficients alpha de Cronbach systématiquement supérieurs à 0,85 pour toutes les sous-échelles), une validité factorielle confirmatoire robuste et une excellente validité prédictive à l’égard de l’adoption technologique, de la dépendance comportementale envers l’IA et de la réduction de l’aversion aux algorithmes.

2. Mots-clés / Keywords

Confiance dans l’intelligence artificielle, psychométrie, modèle de Mayer, confiance cognitive, confiance affective, acceptation technologique, interaction humain-machine, compétence perçue, intégrité algorithmique, bienveillance de l’IA, agents intelligents, systèmes de recommandation.

3. Auteurs / Authors

L’adaptation et la validation psychométrique des cadres de confiance appliqués aux agents numériques intelligents et aux systèmes d’information s’appuient sur les travaux de plusieurs chercheurs de premier plan dans le domaine des systèmes d’information et de la psychologie des technologies :

• Prof. Dr. Matthias Söllner : Professeur ordinaire d’informatique de gestion et directeur du département d’ingénierie des systèmes d’information à l’Université de Saint-Gall (Suisse) et à l’Université de Kassel (Allemagne). Spécialiste de la confiance dans les technologies émergentes, des agents ubiquitaires et de la conception de systèmes centrés sur l’humain. Courriel : [email protected].
• Dr. Axel Hoffmann : Chercheur senior en systèmes d’information, Faculté des sciences économiques et de gestion, Université de Kassel (Allemagne). Expert de l’ingénierie des exigences et de la formation de la confiance numérique.
• Prof. Dr. Jan Marco Leimeister : Titulaire de la chaire d’informatique de gestion à l’Université de Saint-Gall (Institute of Information Management) et directeur de recherche à l’Université de Kassel. Auteur prolifique sur la collaboration humain-IA et l’évaluation de la confiance socio-technique. Courriel : [email protected].
• Fondements théoriques originaux : Roger C. Mayer (University of Nebraska at Omaha), James H. Davis (Utah State University) et F. David Schoorman (Purdue University), auteurs du modèle d’évaluation de la confiance organisationnelle (1995).

4. Objectif / Purpose

Le déploiement exponentiel de l’intelligence artificielle dans les sphères professionnelles, cliniques, bancaires et domestiques a profondément transformé la nature de l’interaction entre l’humain et l’artefact technologique. Alors que les outils informatiques traditionnels étaient perçus comme de simples instruments déterministes et passifs, les agents dotés d’apprentissage automatique (machine learning) et de capacités génératives manifestent une autonomie décisionnelle, une adaptabilité et une opacité fonctionnelle (phénomène de « boîte noire ») qui imposent une renégociation fondamentale de la relation d’usage. Dans ce paradigme, la confiance ne constitue plus un simple antécédent d’utilisabilité, mais le médiateur psychologique critique conditionnant toute délégation d’autorité cognitive à la machine.

L’objectif premier de l’Échelle de confiance dans l’intelligence artificielle est de fournir un instrument standardisé, valide et réplicable permettant de mesurer le degré auquel un individu est disposé à se rendre vulnérable aux actions, prédictions ou recommandations émises par un agent artificiel. L’échelle a été conçue pour surmonter les limitations des modèles classiques d’acceptation de la technologie, tels que le Technology Acceptance Model (TAM ; Davis, 1989), qui réduisent souvent l’adoption aux dimensions d’utilité perçue et de facilité d’utilisation, sans capturer les dynamiques d’incertitude et d’attribution morale propres aux entités quasi-autonomes.

Dans le domaine de la recherche fondamentale et appliquée, l’instrument permet :

• D’explorer les déterminants psychologiques de l’« aversion algorithmique » (la propension des utilisateurs à rejeter les conseils d’un algorithme même lorsqu’il s’avère statistiquement plus performant qu’un expert humain) et son pendant, l’« appréciation algorithmique ».
• De tester les effets différentiels des interfaces explicatives (eXplainable Artificial Intelligence, XAI) sur la restauration ou le maintien de la confiance de l’utilisateur face à des défaillances algorithmiques.
• D’évaluer l’impact anthropomorphique (conception vocale, incarnation visuelle, tonalité empathique) sur la genèse d’une confiance illusoire ou excessive (« sur-confiance ») préjudiciable à la vigilance critique.

Sur le plan des applications organisationnelles et industrielles, l’échelle sert d’indicateur diagnostic rigoureux lors du déploiement de systèmes d’aide à la décision médicale, d’assistants de conduite autonome, de moteurs de recommandation pour le commerce électronique ou d’agents conversationnels au sein des services clients. Elle permet d’identifier précisément les faiblesses perçues d’un système : un utilisateur peut accorder une compétence technique irréprochable à un agent (confiance cognitive dans l’aptitude) tout en éprouvant une méfiance radicale quant à la protection de ses données personnelles ou à l’alignement des intérêts de l’agent avec les siens (déficit de bienveillance et d’intégrité).

5. Construit psychologique / Construct

La confiance dans l’intelligence artificielle est un construit psychologique multidimensionnel défini comme l’état psychologique comprenant l’intention d’accepter une vulnérabilité personnelle sur la base d’attentes positives concernant les intentions, le comportement ou les capacités fonctionnelles d’un système à base d’IA. L’architecture factorielle de l’échelle AIT opérationnalise ce construit à travers deux grands domaines interactifs : la confiance cognitive (décomposée selon la triade de Mayer et al.) et la confiance affective.

1. Dimension Compétence / Capacité Perçue (Ability / Competence)

Cette dimension renvoie à l’évaluation rationnelle par l’utilisateur de l’expertise technique, des aptitudes analytiques et de l’efficacité opérationnelle de l’IA dans un domaine d’action circonscrit. Elle mesure la conviction que l’agent possède les algorithmes, les données et la puissance de traitement nécessaires pour résoudre des problèmes complexes sans commettre d’erreurs rédhibitoires.

• Manifestations conceptuelles : Exactitude des prédictions, fiabilité technique, vitesse de traitement et adaptabilité contextuelle de l’outil.
• Exemple d’évaluation : L’utilisateur estime qu’un assistant de diagnostic clinique identifie correctement les anomalies radiologiques et surpasse ou égale les normes médicales établies.

2. Dimension Bienveillance Perçue (Benevolence)

La bienveillance perçue correspond à la croyance selon laquelle le système d’IA – et par extension, les concepteurs et l’organisation qui le déploient – agit avec une intention favorable envers l’utilisateur, en cherchant à maximiser son bien-être plutôt qu’à exploiter unilatéralement ses vulnérabilités ou à servir exclusivement des impératifs de rentabilité commerciale.

• Manifestations conceptuelles : Altruisme algorithmique perçu, orientation vers l’intérêt de l’utilisateur, absence de manipulation cognitive et préservation de la sécurité psychologique de l’usager.
• Exemple d’évaluation : La conviction qu’un moteur de recommandation financière suggère des placements parce qu’ils correspondent réellement au profil de risque du client, et non pour maximiser les commissions bancaires de l’institution.

3. Dimension Intégrité Perçue (Integrity)

L’intégrité traduit la perception que l’intelligence artificielle adhère à un ensemble cohérent de principes éthiques, de normes morales et de standards d’équité jugés acceptables par l’utilisateur. Dans le cadre de l’IA, cette dimension englobe la transparence algorithmique, l’impartialité (absence de biais discriminatoires injustifiés) et l’honnêteté quant à ses propres limites de fonctionnement.

• Manifestations conceptuelles : Équité des décisions générées, respect scrupuleux de la confidentialité des données, prévisibilité et cohérence morale des décisions.
• Exemple d’évaluation : La certitude qu’un logiciel d’IA de recrutement traite l’ensemble des candidatures selon des critères strictement professionnels et impartiaux, sans reproduire de biais de genre ou d’origine ethnique.

4. Dimension de la Confiance Affective (Affective Trust)

Contrairement aux trois dimensions cognitives fondées sur des calculs d’utilité et des évaluations factuelles, la confiance affective trouve sa source dans les réponses émotionnelles, le sentiment de confort et le lien psychologique intuitif établi entre l’humain et l’agent intelligent. Elle reflète l’assurance émotionnelle, le calme subjectif et l’absence d’anxiété ressentie lors de la délégation d’une décision critique à la machine.

• Manifestations conceptuelles : Confort subjectif, sérénité lors de l’interaction, sentiment de partenariat harmonieux et rejet des peurs viscérales liées à la dépossession de contrôle.
• Exemple d’évaluation : Un passager d’un véhicule autonome qui ressent une détente corporelle et émotionnelle complète, sans besoin compulsif de surveiller le volant ou d’anticiper une collision.

6. Cadre théorique / Theoretical Framework

Le cadre conceptuel de l’Échelle de confiance dans l’IA se situe au carrefour de trois traditions théoriques majeures de la psychologie sociale, de la sociologie et de l’étude des systèmes socio-techniques.

Le modèle intégrateur de la confiance organisationnelle (Mayer, Davis & Schoorman, 1995)

Le pivot théorique central repose sur le modèle ABI (Ability, Benevolence, Integrity). Dans leur publication fondamentale au sein de l’Academy of Management Review, Mayer et ses collègues ont défini la confiance comme la volonté d’une partie d’être vulnérable aux actions d’une autre partie. Ils ont formalisé l’idée que les attributs perçus du dépositaire de la confiance (le trustee) forment la base cognitive de la confiance accordée par le tiers (le trustor). Alors que ce modèle a été pensé initialement pour des interactions interpersonnelles, les chercheurs en interaction humain-machine ont démontré empiriquement que les individus appliquent inconsciemment les mêmes règles sociales et attributions psychologiques aux ordinateurs qu’aux humains, un paradigme expérimental solidement ancré dans les travaux pionniers du projet CASA (Computers Are Social Actors) menés par Reeves et Nass (1996).

La théorie de la confiance dans l’automatisation (Lee & See, 2004)

L’échelle intègre les apports séminaux de Lee et See (2004) relatifs à la confiance dans les technologies autonomes. Selon ces auteurs, la confiance dans l’automatisation se structure autour de trois composantes homologues : la performance (analogue à l’habileté/compétence), le processus (compréhension des mécanismes internes, proche de l’intégrité fonctionnelle) et le but (intention attribuée aux créateurs de la technologie, équivalent à la bienveillance). Lee et See insistent sur le phénomène de calibrage de la confiance : une confiance adéquate correspond à une adéquation exacte entre le niveau de performance réelle de la machine et le niveau de confiance accordé par l’opérateur, évitant ainsi le double écueil de la sous-utilisation (méfiance excessive) et de la mauvaise utilisation par excès d’assurance (complaisance).

La dialectique confiance cognitive versus confiance affective (Lewis & Weigert, 1985 ; McAllister, 1995)

La distinction entre processus froids (calculatoires, logiques, probabilistes) et processus chauds (émotionnels, affectifs) est essentielle pour appréhender l’acceptation de l’IA. Lewis et Weigert (1985) ont posé qu’une confiance purement cognitive reposerait sur une rationalité dénuée de tout affect, ce qui est psychologiquement irréaliste dans les situations de forte vulnérabilité personnelle. En adaptant cette vision aux environnements numériques, Söllner et al. (2016) et Komiak et Benbasat (2006) ont mis en évidence que si la confiance cognitive constitue la condition nécessaire à l’adoption initiale d’un système intelligent, la confiance affective en constitue le moteur de fidélisation et d’appropriation intime continue.

7. Validité / Validity

L’évaluation psychométrique de l’Échelle de confiance dans l’intelligence artificielle a fait l’objet de nombreuses validations empiriques au sein de contextes technologiques variés (chatbots génératifs, systèmes experts médicaux, robo-advisors financiers et véhicules autonomes).

Validité de Construit (Construct Validity)

La validité de construit a été systématiquement étayée au moyen d’analyses factorielles confirmatoires (AFC). Les modélisations structurelles attestent que la décomposition multidimensionnelle (Compétence, Bienveillance, Intégrité et dimension affective) s’ajuste significativement mieux aux données observées qu’un modèle unidimensionnel global de confiance (avec des gains de $\Delta\chi^2$ hautement significatifs, $p < 0,001$). Les indices d’ajustement respectent les critères méthodologiques les plus rigoureux :

• Indice de fixation comparative (CFI) : valeurs rapportées régulièrement entre 0,94 et 0,98.
• Indice de Tucker-Lewis (TLI) : valeurs supérieures à 0,93.
• Erreur quadratique moyenne d’approximation (RMSEA) : comprise entre 0,038 et 0,058, avec des intervalles de confiance à 90 % ne dépassant pas le seuil critique de 0,08.
• Résidu standardisé quadratique moyen (SRMR) : inférieur à 0,045.

Validité Convergente (Convergent Validity)

La validité convergente est démontrée par des saturations factorielles standardisées hautement significatives ($p < 0,001$) et excédant le seuil recommandé de 0,70 pour l’ensemble des items sur leurs dimensions respectives. La variance moyenne extraite (AVE) dépasse systématiquement la barre des 0,50 préconisée par Fornell et Larcker (1981), oscillant typiquement entre 0,62 et 0,78 selon les échantillons. De surcroît, l’échelle montre de fortes corrélations positives avec des construits théoriquement proches tels que l’Utilité perçue ($r = 0,55$ à $0,72$, $p < 0,001$) et la Facilité d’utilisation perçue ($r = 0,42$ à $0,61$, $p < 0,001$) du modèle TAM.

Validité Discriminante (Discriminant Validity)

La validité discriminante a été validée selon deux approches complémentaires :

• Critère de Fornell-Larcker : Pour chaque construit latent, la racine carrée de l’AVE est strictement supérieure aux corrélations inter-facteurs partagées entre cette variable et les autres dimensions du modèle.
• Ratio Hétérotrait-Monotrait (HTMT) : Dans les études récentes basées sur la modélisation par équations structurelles aux moindres carrés partiels (PLS-SEM), tous les ratios HTMT se situent en deçà du seuil conservateur de 0,85, garantissant une distinction conceptuelle et opérationnelle nette entre compétence, intégrité et bienveillance.

Validité Prédictive et Critérielle (Predictive Validity)

L’échelle prédit de façon robuste les comportements réels et les intentions déclarées des utilisateurs. Les scores composites d’AIT expliquent entre 45 % et 68 % de la variance de l’intention d’utiliser ou de continuer à interagir avec une solution d’IA ($R^2 = 0,45 – 0,68$). Dans des paradigmes expérimentaux d’aide à la décision, des scores élevés de confiance cognitive prédisent de manière causale la propension du participant à modifier son jugement initial au profit de la recommandation émise par l’algorithme, tout en réduisant le temps de délibération.

8. Fidélité / Reliability

Les indices de consistance interne et de stabilité temporelle de l’Échelle de confiance dans l’intelligence artificielle confirment son excellente précision de mesure.

Consistance Interne

Les investigations psychométriques menées auprès d’échantillons diversifiés (utilisateurs grand public, professionnels de santé, cadres financiers) rapportent les métriques suivantes :

• Alpha de Cronbach ($\alpha$) :
  • Sous-échelle Compétence perçue : $\alpha = 0,89$ à $0,94$.
  • Sous-échelle Bienveillance perçue : $\alpha = 0,86$ à $0,92$.
  • Sous-échelle Intégrité perçue : $\alpha = 0,87$ à $0,93$.
  • Sous-échelle Confiance affective : $\alpha = 0,88$ à $0,95$.
  • Score global composite : $\alpha > 0,93$.
• Fiabilité Composite (Composite Reliability – CR) : Les coefficients de Jöreskog ($
  ho_c$) sont tous supérieurs à 0,88, excédant largement le standard acceptable de 0,70.
• Corrélations inter-items corrigées : Toutes les corrélations item-total s’établissent au-delà de 0,55, attestant de l’homogénéité interne sans redondance excessive (pas d’items quasi-identiques susceptibles de biaiser l’instrument).

Fidélité Test-Retest

Dans les protocoles longitudinaux évaluant la stabilité temporelle sur un intervalle de deux à quatre semaines en l’absence d’incident technologique ou de mise à jour majeure du système d’IA, les coefficients de corrélation intra-classe (CCI) varient entre $0,78$ et $0,86$. Cette stabilité met en lumière la nature dispositionnelle et stabilisée de la confiance une fois la phase initiale de découverte technologique achevée.

9. Analyse factorielle / Factor Analysis

L’exploration et la confirmation de la structure latente de l’échelle AIT ont suivi les standards méthodologiques stricts de la psychométrie contemporaine.

Analyse Factorielle Exploratoire (AFE)

Lors des phases initiales de développement d’items sur des échantillons d’étalonnage, l’analyse en composantes principales ainsi que l’extraction par factorisation en axes principaux avec rotation oblique (Promax ou Oblimin direct, en raison des intercorrélations théoriques attendues entre dimensions de la confiance) ont systématiquement révélé des structures à trois ou quatre facteurs selon l’inclusion de la dimension affective. Les critères suivants ont été validés :

• Valeurs propres initiales supérieures à 1,0 (critère de Kaiser-Guttman).
• Point d’inflexion net sur le diagramme de Cattell (scree test).
• Pourcentage cumulé de variance expliquée dépassant régulièrement 65 % à 75 %.
• Saturations primaires substantielles (> 0,65) sur le facteur d’appartenance théorique et saturations croisées minimales (< 0,25) sur les facteurs secondaires.

Analyse Factorielle Confirmatoire (AFC) et Modélisation Hiérarchique

Pour départager les hypothèses structurales concurrentes, plusieurs modèles d’AFC ont été testés et comparés dans les publications scientifiques :

1. Modèle unidimensionnel : Tous les items convergent sur un seul facteur général de confiance envers l’IA. Ce modèle présente de piètres indices d’ajustement (ex. $\text{RMSEA} > 0,12$, $\text{CFI} < 0,80$) et se trouve universellement rejeté.
2. Modèle multifactoriel corrélé de premier ordre : Les facteurs d’aptitude, de bienveillance, d’intégrité et de confiance affective sont modélisés comme distincts mais corrélés. Ce modèle offre un ajustement excellent aux données empiriques.
3. Modèle factoriel de second ordre (hiérarchique) : Les dimensions cognitives de premier ordre se rattachent à un méta-construit de « Confiance cognitive », qui interagit avec la « Confiance affective » pour alimenter la « Confiance globale dans l’IA ». Cette structure présente une élégance théorique maximale et des indices statistiques équivalents ou supérieurs au modèle de premier ordre ($\chi^2/df < 2,5$, $\text{CFI} = 0,962$, $\text{RMSEA} = 0,046$).

10. Instrument de mesure / Instrument

L’Échelle de confiance dans l’IA se présente sous la forme d’un auto-questionnaire standardisé administrable en ligne ou sur support papier.

• Type de test : Instrument psychométrique d’auto-évaluation quantitative des attitudes et croyances sociotechniques.
• Format d’administration : Questionnaire individuel, complété de manière asynchrone ou synchrone (durée moyenne de passation : 5 à 8 minutes).
• Nombre d’items : Variable selon les versions de recherche (version intégrale : 12 à 16 items couvrant les 3 ou 4 sous-échelles ; version condensée : 6 à 8 items).
• Échelle de réponse : Échelle de Likert à 7 points :
  • 1 = Fortement en désaccord (Strongly Disagree)
  • 2 = En désaccord (Disagree)
  • 3 = Légèrement en désaccord (Somewhat Disagree)
  • 4 = Neutre / Ni en désaccord ni d’accord (Neutral)
  • 5 = Légèrement d’accord (Somewhat Agree)
  • 6 = D’accord (Agree)
  • 7 = Fortement d’accord (Strongly Agree)
• Modalités de cotation et de calcul des scores :
  • Calcul des scores sous-dimensionnels : moyenne arithmétique des items assignés à chaque dimension respective (Compétence, Bienveillance, Intégrité, Confiance Affective). Les scores varient de 1,00 à 7,00.
  • Calcul du score global de confiance : moyenne générale non pondérée de l’ensemble des items (après inversion des items négatifs résiduels éventuels).
  • Interprétation clinique / expérimentale :
    • 1,00 à 3,49 : Confiance faible / Défiance algorithmique prononcée.
    • 3,50 à 4,50 : Zone d’ambivalence ou de neutralité calculatoire.
    • 4,51 à 5,99 : Confiance modérée à élevée (calibrage usuel optimal pour l’acceptation).
    • 6,00 à 7,00 : Confiance absolue / Risque d’hyper-complaisance technologique et d’abandon d’esprit critique.

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

• Année d’introduction : Le modèle théorique de référence a été publié en 1995 (Mayer et al.), puis ses adaptations formalisées aux systèmes informatiques et à l’IA ont proliféré à partir de 2014-2016 (notamment Söllner et al., 2016).
• Statut du droit d’auteur : Le cadre conceptuel et les modèles factoriels relèvent de la littérature académique soumise au droit de la propriété intellectuelle des revues savantes associées (telles que l’Association for Information Systems, Elsevier, ou Springer). Les versions dérivées produites dans le cadre de recherches subventionnées sont généralement utilisables sous licence académique fair use.
• Politique de tarification : L’accès aux items pour les chercheurs du secteur public et les étudiants universitaires est gratuit à des fins exclusives de recherche scientifique non commerciale. Une citation rigoureuse des publications sources est impérative.
• Usage commercial : Toute exploitation de l’échelle à des fins d’évaluation commerciale propriétaire, d’audit algorithmique commercial ou d’intégration dans des plateformes SaaS payantes requiert l’accord préalable des auteurs et/ou des éditeurs académiques dépositaires des droits.

12. Références / References

Les travaux académiques suivants constituent les fondements théoriques et méthodologiques de l’Échelle de confiance dans l’intelligence artificielle :

• 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
• 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/10.2307/3151312
• Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627–660. https://doi.org/10.5465/annals.2018.0057
• Komiak, S. X., & Benbasat, I. (2006). The effects of personalization and familiarity on trust and adoption of recommendation agents. Information Systems Research, 17(4), 341–360. https://doi.org/10.1287/isre.1070.0130
• Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50–80. https://doi.org/10.1518/hfes.46.1.50_30398
• Lewis, J. D., & Weigert, A. (1985). Trust as a social reality. Social Forces, 63(4), 967–985. https://doi.org/10.2307/258138
• Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734. https://doi.org/10.2307/258792
• McAllister, D. J. (1995). Affect- and cognition-based trust as foundations for interpersonal cooperation in organizations. Academy of Management Journal, 38(1), 24–59. https://doi.org/10.2307/258126
• McKnight, D. H., Carter, M., Thatcher, J. B., & Clay, P. F. (2011). Trust in a specific technology: An investigation of its components and measures. ACM Transactions on Management Information Systems, 2(2), 1–25. https://doi.org/10.1145/1985347.1985353
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• Söllner, M., Hoffmann, A., & Leimeister, J. M. (2016). Why different trust relationships matter for information systems users. European Journal of Information Systems, 25(3), 274–287. https://doi.org/10.1057/ejis.2015.19

13. Questions et items du questionnaire / Scale Items

Les formulations officielles des instruments psychométriques opérationnalisant la confiance dans les technologies selon le modèle de Mayer et al. font l’objet d’adaptations contextualisées et sont régies par le droit d’auteur des publications académiques associées.