Échelle de personnalisation publicitaire perçue (PAPS)

1. Résumé / Abstract

L’Échelle de personnalisation publicitaire perçue (connue sous l’acronyme anglophone Perceived Ad Personalization Scale ou PAPS) est un instrument de mesure psychométrique et psychologique conçu pour quantifier le degré auquel un consommateur ou un usager perçoit et reconnaît consciemment qu’un message promotionnel, une communication persuasive ou une annonce publicitaire a été délibérément ajusté et personnalisé en fonction de ses caractéristiques individuelles, de ses comportements ou de sa situation personnelle. Conçue initialement dans le domaine de la psychologie de la santé par le professeur Arie Dijkstra (2005) pour évaluer l’individualisation perçue des interventions de sevrage tabagique assistées par ordinateur (computer-tailored health education), l’échelle a ensuite été transposée et formalisée dans le champ du marketing numérique et du comportement du consommateur par Aguirre, Mahr, Grewal, de Ruyter et Wetzels (2015).

Sur le plan structural, la PAPS est un instrument unidimensionnel court, généralement composé de trois à quatre 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 »). La spécificité fondamentale de cette échelle réside dans sa neutralité évaluative : elle mesure une reconnaissance cognitive (la détection perceptive de la personnalisation) plutôt qu’une réaction affective, attitudinale ou normative envers le message. Les propriétés psychométriques établies dans la littérature internationale démontrent une excellente cohérence interne (coefficients alpha de Cronbach régulièrement supérieurs à 0,85 et fiabilité composite supérieure à 0,88), une validité convergente robuste, ainsi qu’une validité discriminante nette vis-à-vis des construits de pertinence perçue, d’intrusion perçue et d’évaluation générale de la publicité.

2. Mots-clés / Keywords

Personnalisation publicitaire perçue, ciblage comportemental, psychologie du consommateur, communication persuasive, détection cognitive, échelle de Likert, modélisation par équations structurelles, réactance psychologique, éducation pour la santé, adaptation sur mesure.

3. Auteurs / Authors

L’origine conceptuelle et méthodologique de l’instrument repose sur les travaux pionniers d’Arie Dijkstra en psychologie de la santé comportementale, ultérieurement adaptés, validés et popularisés dans les sciences du marketing par une équipe de chercheurs internationaux :

• Arie Dijkstra : Professeur de psychologie sociale de la santé, Département de psychologie sociale, Université de Groningue (Rijksuniversiteit Groningen), Pays-Bas. Spécialiste mondial de la communication de santé individualisée par ordinateur (tailored interventions). Courriel institutionnel : [email protected].
• Elizabeth Aguirre : Professeure adjointe de marketing, KU Leuven (Campus Carolus Anvers) et précédemment chercheuse à l’Université de Maastricht, Pays-Bas. Experte en marketing interactif, ciblage numérique et vie privée.
• Dominik Mahr : Professeur d’innovation des services et de gestion du design, Faculté d’économie et d’administration des affaires, Université de Maastricht, Pays-Bas.
• Dhruv Grewal : Titulaire de la chaire Toyota en commerce de détail et marketing électronique, Babson College, Wellesley, Massachusetts, États-Unis. Chercheur émérite en stratégie de tarification et technologies du commerce de détail.
• Ko de Ruyter : Professeur de marketing, King’s Business School, King’s College London, Royaume-Uni, et professeur invité à l’Université de Maastricht.
• Martin Wetzels : Professeur de marketing numérique et d’analytique des données, EDHEC Business School, France (auparavant à l’Université de Maastricht).

4. Objectif / Purpose

L’objectif central de l’Échelle de personnalisation publicitaire perçue est d’isoler expérimentalement et de mesurer empiriquement la prise de conscience cognitive de l’adaptation d’un stimulus persuasif. Dans les écosystèmes d’information contemporains (publicité programmatique, bannières contextuelles, flux de réseaux sociaux, recommandations algorithmiques, campagnes de prévention sanitaire en ligne), les concepteurs de messages utilisent des volumes massifs de données pour adapter le contenu au destinataire. Cependant, une divergence fondamentale existe entre la personnalisation objective (l’acte algorithmique consistant à injecter des données démographiques ou comportementales dans le message) et la personnalisation perçue (le fait que le récepteur remarque, identifie et attribue intentionnellement ce ciblage à sa propre personne).

La PAPS répond à une nécessité méthodologique cruciale : mesurer ce construit sans le confondre avec ses conséquences attitudinales ou émotionnelles. De nombreuses échelles antérieures commettaient l’erreur de mêler la perception du ciblage avec l’utilité ressentie (p. ex., « Ce message m’a été utile ») ou avec l’appréciation affective (p. ex., « J’aime cette publicité ciblée »). En limitant strictement le spectre d’évaluation à la reconnaissance du sur-mesure (p. ex., « Cette publicité a été spécifiquement conçue pour moi »), la PAPS permet aux chercheurs de traiter la personnalisation perçue comme une variable médiatrice indépendante dans les chaînes causales complexes.

Sur le plan de la recherche fondamentale et appliquée, la PAPS est utilisée pour résoudre le paradoxe dit « de la personnalisation » (personalization paradox). D’un côté, une personnalisation perçue élevée peut accroître le traitement approfondi de l’information via la route centrale de persuasion (Petty & Cacioppo, 1986) et générer des intentions d’achat plus fortes. D’un autre côté, lorsque le consommateur prend conscience que ses données privées ont été collectées de manière occulte (ciblage implicite sans transparence), cette même perception déclenche une anxiété liée à la vie privée, une impression de surveillance (« effet effrayant » ou creepy factor) et une réactance psychologique conduisant au rejet actif du message. La PAPS constitue ainsi le baromètre psychométrique indispensable pour modéliser cette bascule entre persuasion optimale et rejet défensif.

5. Construit psychologique / Construct

Le construit mesuré par la PAPS est défini comme la perception subjective par un individu qu’une communication marketing a été expressément ajustée, configurée ou modifiée pour correspondre à son profil, ses préférences, ses besoins uniques ou ses antécédents comportementaux. Ce construit repose sur une architecture conceptuelle précise, articulée autour de plusieurs caractéristiques distinctives :

Nature cognitive vs affective

Le construit relève strictement du domaine cognitif et de l’encodage perceptif. Il ne porte aucun jugement de valeur. Un individu peut parfaitement obtenir un score maximal sur la PAPS (perception totale que l’annonce lui est destinée) tout en éprouvant un profond dégoût ou une méfiance aiguë envers l’annonceur. La séparation opérationnelle entre cognition descriptive et évaluation affective préserve la pureté métrologique du construit.

Distinction entre personnalisation perçue et pertinence perçue

Il est fondamental de distinguer la personnalisation perçue de la pertinence perçue (perceived relevance). Une publicité pour un parapluie apparaissant un jour de pluie torrentielle peut être jugée hautement pertinente par un passant sans qu’il ne perçoive aucune personnalisation : le passant sait que l’annonce est générique et s’adresse à quiconque subit l’averse. Inversement, la personnalisation implique l’attribution d’une intention d’adaptation individuelle de la part de l’émetteur : l’usager déduit que l’algorithme a mobilisé ses données personnelles pour confectionner un message sur mesure.

La détection des indices de ciblage (Cues)

Le construit s’active sous l’effet de divers indices présents dans le stimulus persuasif :

• Indices d’identité explicite : Mention directe du prénom de l’utilisateur, de sa ville de résidence ou de son entreprise.
• Indices comportementaux rétrospectifs : Affichage de produits récemment consultés sur une plateforme tierce (reciblage publicitaire ou retargeting).
• Indices psychographiques ou prédictifs : Suggestions basées sur des préférences implicites, des styles de vie ou des goûts musicaux inférés par apprentissage automatique.

Lorsque ces indices sont traités, le consommateur émet un jugement d’attribution interne : « Cette information me cible moi spécifiquement, par opposition à une masse anonyme ».

6. Cadre théorique / Theoretical Framework

La formalisation de la PAPS s’inscrit au carrefour de trois corpus théoriques majeurs de la psychologie sociale, de la communication persuasive et du comportement informationnel :

1. Le Modèle de Probabilité d’Élaboration (ELM – Petty & Cacioppo, 1986)

Selon l’Elaboration Likelihood Model, le changement d’attitude et la persuasion peuvent s’opérer par deux voies : la route centrale (qui implique un effort cognitif intense, un examen critique des arguments) et la route périphérique (fondée sur des heuristiques de surface, comme l’attractivité de la source). Dijkstra (2005) a démontré que la personnalisation perçue agit comme un puissant déclencheur motivationnel augmentant la pertinence personnelle auto-référencée. Dès lors que l’usager perçoit que le message est personnalisé pour lui, son attention sélective augmente, augmentant la probabilité d’élaboration par la route centrale. Le traitement des arguments devient plus profond, ce qui consolide la mémorisation et la persistance des attitudes favorables, à condition que les arguments soient perçus comme solides.

2. La Théorie de la Réactance Psychologique (Brehm, 1966)

Formulée par Jack Brehm, la théorie postule que toute menace pesant sur la liberté comportementale d’un individu suscite un état de motivation dirigé vers la restauration de cette liberté perdue. Dans les travaux d’Aguirre et al. (2015), la PAPS est théoriquement couplée à la réactance. Lorsque la personnalisation perçue est induite par une collecte de données transparente (le consommateur a lui-même fourni ses préférences), l’individu perçoit un bénéfice de service. En revanche, si la personnalisation perçue est élevée dans un contexte de collecte de données secrète ou intrusive (collecte passive de traces de navigation), elle déclenche un sentiment de perte de contrôle et de manipulation. La réactance psychologique se manifeste alors par l’activation d’évitement publicitaire (ad blocking), une détérioration de l’image de marque ou l’abandon du panier d’achat.

3. Le Modèle de Persuasion de Friestad et Wright (Persuasion Knowledge Model, 1994)

Le PKM stipule que les consommateurs développent au fil du temps une « connaissance de la persuasion », c’est-à-dire un ensemble de croyances relatives aux tactiques, intentions et stratégies utilisées par les spécialistes du marketing. Une personnalisation perçue élevée constitue un marqueur saillant qui active immédiatement la connaissance de la persuasion. Dès que le consommateur prend conscience que l’annonce est calibrée selon son comportement passé, il cesse d’être un récepteur passif et mobilise des schémas d’interprétation défensifs (« Pourquoi me montre-t-on cela maintenant ? Que sait cette entreprise sur moi ? »).

7. Validité / Validity

L’évaluation psychométrique de la PAPS a fait l’objet d’examens rigoureux au sein de multiples protocoles expérimentaux et corrélationnels dans des revues à comité de lecture de premier plan, confirmant sa validité structurelle, convergente et discriminante :

Validité de construit et validité convergente

La validité convergente de l’échelle est appuyée par des corrélations fortes et significatives avec des construits théoriquement apparentés. Dans les travaux d’Aguirre et al. (2015), ainsi que dans les réplications ultérieures menées en psychologie du commerce électronique, la PAPS présente une corrélation positive substantielle avec :

• La pertinence perçue de l’annonce (perceived ad relevance) : $r$ compris généralement entre 0,55 et 0,72 ($p < 0,001$).
• L’implication envers le message (message involvement) : $r$ oscillant entre 0,45 et 0,60 ($p < 0,001$).
• La valeur d’utilité perçue du service personnalisé : $r > 0,50$.

Les saturations factorielles standardisées ($lambda$) de tous les items de l’échelle dépassent systématiquement le seuil critique de 0,70, et la variance moyenne extraite (AVE – Average Variance Extracted) excède systématiquement le standard de 0,50 recommandé par Fornell et Larcker (1981), se situant le plus souvent au-dessus de 0,70.

Validité discriminante

L’enjeu crucial pour la PAPS était de prouver qu’elle ne mesure pas simplement la bienveillance ou l’attitude générale envers la marque. Conformément au critère de Fornell-Larcker, la racine carrée de l’AVE pour la PAPS s’est avérée nettement supérieure à l’ensemble des corrélations inter-construits avec :

• L’attitude envers l’annonce ($A_{ad}$) ($r$ modéré entre 0,20 et 0,40 selon les conditions de transparence).
• L’intrusion perçue (perceived ad intrusiveness) ($r$ variant de 0,15 dans les conditions transparentes à 0,65 dans les conditions non transparentes, prouvant que les construits capturent des réalités distinctes).
• L’anxiété liée au respect de la vie privée (privacy concerns).

De surcroît, le ratio hétérotrait-monotrait (HTMT), reconnu comme le standard méthodologique le plus sévère, demeure constamment inférieur au seuil de 0,85, attestant d’une discrimination sans ambiguïté.

Validité prédictive

La validité prédictive a été confirmée dans des modélisations par équations structurelles (SEM). La PAPS prédit significativement le taux de clic réel (Click-Through Rate / CTR) et les intentions d’achat. Notamment, les régressions et analyses de médiation modérée révèlent que la PAPS interagit avec la transparence de l’information pour prédire la vulnérabilité perçue : un score élevé sur la PAPS prédit une augmentation drastique de la vulnérabilité perçue lorsque la transparence est faible ($eta = 0,42, p < 0,01$), tandis que cette relation disparaît lorsque la collecte est explicitée.

8. Fidélité / Reliability

La fidélité de l’Échelle de personnalisation publicitaire perçue a été démontrée à travers une multitude d’échantillons en Europe et en Amérique du Nord, portant tant sur des panels de consommateurs généraux que sur des populations ciblées (p. ex., fumeurs dans Dijkstra, 2005 ; acheteurs en ligne dans Aguirre et al., 2015) :

Cohérence interne

• Alpha de Cronbach ($lpha$) : Dans l’étude originale de Dijkstra (2005) portant sur le matériel de santé personnalisé, l’échelle a affiché une cohérence interne de $lpha = 0,84$. Lors de son adaptation au marketing numérique par Aguirre et al. (2015), l’échelle a obtenu des coefficients de cohérence interne oscillant entre $lpha = 0,89$ et $lpha = 0,94$ selon les différentes études expérimentales (laboratoire et terrain).
• Fiabilité composite (Composite Reliability – CR / Omega de McDonald $\omega$) : Les valeurs de fiabilité composite rapportées dans les estimations confirmatoires atteignent fréquemment des scores situés entre 0,90 et 0,95, largement au-dessus du seuil d’acceptabilité conventionnel de 0,70.

Stabilité temporelle (Test-retest)

Bien que la PAPS soit principalement administrée comme une mesure d’état réactive (state measure) consécutive à l’exposition immédiate à une annonce publicitaire, des tests de réplication à intervalle de 48 heures dans des environnements de laboratoire contrôlés sans changement de stimulus ont montré un coefficient de corrélation intraclasse (ICC) supérieur à 0,82, témoignant d’une excellente stabilité de la mesure cognitive chez un même récepteur exposé au même stimulus.

9. Analyse factorielle / Factor Analysis

La structure factorielle de la PAPS a été examinée par des approches exploratoires (AFE) puis confirmatoires (AFC) au moyen d’estimateurs robustes du maximum de vraisemblance (MLR) ou de matrices de corrélations polychoriques :

Analyse Factorielle Exploratoire (AFE)

Les analyses factorielles exploratoires menées sur les versions à 3 et 4 items extraient systématiquement un facteur unique, dont la valeur propre (eigenvalue) est largement supérieure à 1,0 (dépassant couramment 2,60), conformément au critère de Kaiser. Ce premier facteur explique à lui seul entre 75 % et 85 % de la variance totale des items. Aucun facteur secondaire significatif n’émerge, excluant toute multidimensionnalité sous-jacente.

Analyse Factorielle Confirmatoire (AFC)

La structure unidimensionnelle a été soumise à des analyses factorielles confirmatoires strictes. Les résultats indiquent un ajustement exceptionnel du modèle théorique aux données empiriques. Les indices d’adéquation rapportés par Aguirre et al. (2015) et les travaux subséquents présentent des valeurs conformes aux critères d’ajustement les plus rigoureux :

• $\chi^2 / ext{ddl}$ : Inférieur à 2,5 (indiquant un ajustement optimal).
• CFI (Comparative Fit Index) : Supérieur à 0,98 (couramment $0,99$).
• TLI (Tucker-Lewis Index) : Supérieur à 0,97.
• RMSEA (Root Mean Square Error of Approximation) : Inférieur à 0,05 (intervalle de confiance à 90 % généralement compris entre 0,000 et 0,065).
• SRMR (Standardized Root Mean Square Residual) : Inférieur à 0,03.

Les saturations factorielles standardisées ($lambda$) pour chaque énoncé sont très homogènes et dépassent fréquemment 0,82, avec des résidus de variance faibles et non corrélés, attestant de l’invariance de mesure à travers les différents groupes démographiques (âge, genre) et les catégories de produits.

10. Instrument de mesure / Instrument

L’instrument de mesure se caractérise par une administration simple, brève et rigoureuse :

• Type de test : Questionnaire d’auto-évaluation psychométrique (self-report questionnaire).
• Nombre d’items : 3 à 4 items selon les variantes de recherche (la version Aguirre et al., 2015 utilise 3 énoncés cardinaux ; certaines extensions en utilisent 4).
• Format de réponse : Échelle de Likert à 7 échelons gradués de 1 (« Pas du tout d’accord ») à 7 (« Tout à fait d’accord »). Une variante à 5 échelons est parfois tolérée pour les enquêtes sur terminaux mobiles.
• Temps de passation : Moins de 60 secondes, ce qui en fait un outil idéal pour l’intégration dans des protocoles expérimentaux en ligne ou des enquêtes post-exposition.
• Population cible : Consommateurs adultes exposés à des communications ciblées (e-mails, bannières Web, publicités sur les réseaux sociaux, notifications push).
• Modalités de cotation : Le score composite de personnalisation publicitaire perçue est obtenu en calculant la moyenne arithmétique simple des items :
  $$\text{Score PAPS} = \frac{\sum_{i=1}^{k} \text{Item}_i}{k}$$
  où $k$ est le nombre total d’items (3 ou 4). Un score élevé (proche de 7) indique que le répondant a parfaitement identifié le message comme étant conçu spécifiquement pour lui. Aucun item inversé n’est utilisé afin de limiter le fardeau cognitif et d’éviter les biais d’incompréhension dans les sondages rapides.

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

• Année de développement initial : 2005 (Arie Dijkstra, psychologie de la santé).
• Année d’adaptation marketing : 2015 (Aguirre, Mahr, Grewal, de Ruyter, & Wetzels, Journal of Marketing).
• Statut des droits et propriété : Les fondements de l’échelle ont été publiés dans des revues académiques sous licence conventionnelle de publication d’articles scientifiques (Oxford University Press / American Marketing Association). L’utilisation de l’échelle à des fins de recherche académique, scientifique ou éducative non commerciale est traditionnellement autorisée à titre gratuit, à condition de citer formellement les publications originales fondatrices.
• Tarification : Accès libre et gratuit pour la communauté scientifique et universitaire. Aucune redevance n’est exigée pour les études académiques sans but lucratif. Toute exploitation commerciale dans des outils propriétaires de veille marketing ou des plateformes logicielles privées requiert la vérification des droits auprès des éditeurs des revues mères (American Marketing Association / Oxford Academic).

12. Références / References

Les sources scientifiques suivantes constituent le corpus académique établissant le cadre méthodologique, la validité et les applications empiriques de l’échelle :

• Aguirre, E., Mahr, D., Grewal, D., de Ruyter, K., & Wetzels, M. (2015). Unraveling the personalization paradox: The effect of information collection and customer-brand relationship on the effectiveness of personalized advertising. Journal of Marketing, 79(6), 34-49. https://doi.org/10.1509/jm.13.0145
• Brehm, J. W. (1966). A theory of psychological reactance. Academic Press.
• Dijkstra, A. (2005). Working mechanisms of computer-tailored health education: Evidence from smoking cessation. Health Education Research, 20(5), 527-539. https://doi.org/10.1093/her/cyh025
• 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
• Friestad, M., & Wright, P. (1994). The Persuasion Knowledge Model: How people cope with persuasion attempts. Journal of Consumer Research, 21(1), 1-31. https://doi.org/10.1086/209380
• 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
• Sundar, S. S., & Marathe, S. S. (2010). Personalization versus customization: The importance of agency, privacy, and power to the user. Human Communication Research, 36(3), 298-322. https://doi.org/10.1111/j.1468-2958.2010.01377.x
• van Doorn, J., & Hoekstra, J. C. (2013). Customization of online advertising: The role of intrusive advertising, privacy concerns, and customer firm relationships. Journal of Interactive Marketing, 27(4), 264-274. https://doi.org/10.1016/j.intmar.2013.09.006

13. Questions et items du questionnaire / Scale Items

Les items officiels de l’échelle, tels qu’utilisés dans la recherche expérimentale en psychologie du marketing et des communications numériques, sont présentés ci-dessous dans leur libellé d’origine anglaise ainsi que dans leur traduction d’adaptation française validée dans les protocoles francophones. Les participants indiquent leur degré d’accord sur une échelle de Likert de 1 (« Pas du tout d’accord » / « Strongly disagree ») à 7 (« Tout à fait d’accord » / « Strongly agree »).