Échelle d’intelligence du produit (PI-Scale)

1. Résumé / Abstract

L’Échelle d’intelligence du produit (Product Intelligence Scale ou PI-Scale), développée initialement par Serge A. Rijsdijk, Erik Jan Hultink et Adamantios Diamantopoulos en 2007, constitue un instrument psychométrique fondamental conçu pour quantifier la perception par les consommateurs des capacités cognitives et interactives intégrées au sein des biens de consommation intelligents. Face à l’essor spectaculaire des objets connectés, de l’intelligence artificielle appliquée, de la domotique, de l’automobile autonome et des assistants vocaux virtuels, la mesure de la perception de l’intelligence d’un artefact physique ou numérique s’est imposée comme un déterminant central des attitudes d’adoption technologique et du comportement du consommateur. L’échelle conceptualise l’intelligence du produit comme un construit factoriel de second ordre reflété par six dimensions de premier ordre complémentaires : l’Autonomie (capacité à opérer indépendamment d’une intervention humaine constante), l’Adaptabilité (aptitude à apprendre de l’expérience et à modifier son propre comportement), la Réactivité (capacité à détecter des stimuli environnementaux et à y réagir promptement), la Multifonctionnalité (aptitude à remplir une pluralité de fonctions distinctes et intégrées), la Capacité de coopération (aptitude à interagir et à coordonner ses actions avec des êtres humains ou d’autres systèmes) et la Personnalité / Caractère (possession d’une identité comportementale constante, reconnaissable et anthropomorphe).

Dans sa structure psychométrique consolidée, l’échelle comporte 24 items distribués équitablement à raison de 4 items par sous-dimension. Les répondants évaluent chaque proposition sur une échelle d’évaluation de type Likert en sept points, allant de 1 (« Pas du tout d’accord ») à 7 (« Tout à fait d’accord »). Les analyses psychométriques initiales et les validations transculturelles subséquentes ont mis en évidence des propriétés remarquables : la cohérence interne mesurée par le coefficient alpha de Cronbach excède systématiquement le seuil critique de 0,80 pour l’ensemble des dimensions, oscillant généralement entre 0,81 et 0,91. La validité de construit est étayée par des analyses factorielles confirmatoires rigoureuses attestant de la validité convergente et de la validité discriminante selon les critères stricts de Fornell et Larcker. Sur le plan prédictif, le score global d’intelligence du produit s’avère un puissant prédicteur de la valeur perçue, de l’utilité perçue dans le cadre du modèle d’acceptation de la technologie, de la satisfaction globale du consommateur et de l’intention d’achat ou d’usage continu.

2. Mots-clés / Keywords

Intelligence du produit, psychométrie, adoption technologique, objets connectés, autonomie perçue, adaptabilité, réactivité, multifonctionnalité, coopération homme-machine, anthropomorphisme, comportement du consommateur, modélisation par équations structurelles.

3. Auteurs / Authors

L’échelle d’intelligence du produit a été conceptualisée, opérationnalisée et validée de manière conjointe par trois éminents chercheurs internationaux en marketing de l’innovation, développement de nouveaux produits et gestion stratégique :

• Serge A. Rijsdijk — Professeur agrégé au Département de gestion stratégique et de l’entrepreneuriat à la Rotterdam School of Management, Université Érasme de Rotterdam (Erasmus Universiteit Rotterdam), Pays-Bas. Ses travaux portent principalement sur le développement de nouveaux produits, l’interaction technologique intelligente et la créativité dans les équipes organisationnelles. Courriel académique : [email protected].
• Erik Jan Hultink — Professeur titulaire de lancement de nouveaux produits au sein de la Faculté de génie en conception industrielle (Faculty of Industrial Design Engineering) à l’Université de technologie de Delft (TU Delft), Pays-Bas. Spécialiste mondialement reconnu du lancement commercial d’innovations, de la performance des produits de rupture et du design industriel. Courriel académique : [email protected].
• Adamantios Diamantopoulos — Professeur émérite et titulaire de la chaire de marketing international à la Faculté des affaires, d’économie et de statistiques de l’Université de Vienne (Universität Wien), Autriche. Fellow de la British Academy of Management et récipiendaire de nombreuses distinctions pour ses travaux de référence sur la méthodologie de recherche en marketing, la psychométrie appliquée et la modélisation des construits latents. Courriel académique : [email protected].

4. Objectif / Purpose

L’avènement des technologies de l’information ubiquitaires et des microprocesseurs intégrés dans les produits grand public a profondément bouleversé le rapport entre l’utilisateur et les objets manufacturés. Historiquement, un produit électroménager ou électronique était caractérisé par son inertie : il s’agissait d’un outil purement mécanique ou électromécanique, dépendant entièrement d’une commande humaine explicite pour exécuter une tâche déterministe. Toutefois, la convergence de l’intelligence artificielle, de l’Internet des objets (IoT), des capteurs avancés et de la connectivité réseau a engendré une nouvelle classe d’artefacts dits « intelligents ». Ces appareils ne se contentent plus de relayer une action ; ils perçoivent leur environnement physique, ajustent leurs paramètres en temps réel, prédisent les routines de leurs propriétaires, communiquent avec d’autres terminaux et prennent des décisions semi-autonomes. Face à cette rupture paradigmatique, les cadres théoriques traditionnels du comportement du consommateur et de l’évaluation de la qualité se sont révélés insuffisants.

L’objectif fondamental de la Product Intelligence Scale (PI-Scale) est de fournir aux chercheurs universitaires et aux praticiens industriels une métrique standardisée, valide et fidèle capable de mesurer le degré d’intelligence anthropomorphique attribué à un produit par ses utilisateurs. Plutôt que de mesurer l’intelligence objective d’un point de vue purement informatique ou algorithmique (telle que la puissance de calcul brute ou la complexité logicielle), l’échelle capture l’intelligence subjective perçue. En psychologie cognitive et en psychologie du consommateur, la réalité psychologique de l’individu est celle qui façonne ses croyances, ses émotions et ses conduites décisionnelles. Un produit doté d’une ingénierie extrêmement sophistiquée qui échoue à communiquer ses capacités intelligentes à l’usager sera jugé inefficace, complexe ou déroutant ; inversement, une interface soigneusement conçue peut susciter une perception d’intelligence aiguë, modifiant positivement le jugement de valeur.

Dans le domaine de la recherche académique, la PI-Scale remplit un rôle intégrateur majeur. Elle s’articule directement avec le Modèle d’Acceptation de la Technologie (TAM pour Technology Acceptance Model), la théorie unifiée de l’acceptation et de l’utilisation de la technologie (UTAUT) et les théories de la relation consommateur-produit. Elle permet de disséquer comment des attributs d’autonomie ou d’adaptabilité influencent la charge cognitive perçue, le sentiment de perte de contrôle, la confiance technologique et le plaisir intrinsèque lié à l’usage. En recherche clinique appliquée à l’ergonomie cognitive et à la santé connectée, l’échelle est également employée pour concevoir des technologies d’assistance (prothèses cognitives, piluliers intelligents, moniteurs cardiaques autonomes) qui doivent être perçues comme suffisamment intelligentes pour rassurer les patients vulnérables sans pour autant générer d’anxiété technologique ou de sentiment de dépossession personnelle.

Sur le plan industriel et managérial, l’outil permet aux équipes de recherche et développement (R&D), aux designers industriels et aux chefs de produit d’évaluer des prototypes lors de phases de tests préalables au lancement sur le marché. En identifiant précisément quelles sous-dimensions sont valorisées par la cible (par exemple, une forte demande de coopération dans les outils professionnels collaboratifs, comparativement à une demande prédominante d’autonomie et de discrétion dans l’électroménager domestique), les entreprises peuvent optimiser l’architecture fonctionnelle de leurs systèmes et formuler des positionnements publicitaires en adéquation avec les attentes des consommateurs cibles.

5. Construit psychologique / Construct

Le construit théorique d’« intelligence du produit » (Product Intelligence) est formellement défini comme l’aptitude perçue d’un artefact matériel ou logiciel à manifester des processus cognitifs et comportementaux analogues à ceux couramment observés chez les êtres vivants ou les entités rationnelles. Rijsdijk et al. (2007) ont conceptualisé cette variable comme un construit réflexif de second ordre, ce qui signifie que le niveau d’intelligence globale émane et se manifeste à travers six dimensions de premier ordre, distinctes sur le plan sémantique mais covariantes sur le plan empirique.

1. L’Autonomie (Autonomy)

L’autonomie désigne la mesure dans laquelle un produit est perçu comme capable d’opérer, de prendre des initiatives et d’exécuter des séquences d’actions opérationnelles sans nécessiter une supervision ou une saisie manuelle continue de la part de l’utilisateur humain. Un aspirateur robot capable de quitter spontanément sa station de recharge à heure programmée, de naviguer dans des espaces encombrés et de retourner se brancher en cas de décharge illustre un haut degré d’autonomie perçue. Cependant, l’autonomie présente une dynamique psychologique double : si elle procure un gain substantiel de temps et d’effort, elle peut également induire chez certains profils d’utilisateurs un inconfort lié à la perte perçue de contrôle décisionnel, notamment lorsque l’artefact effectue des arbitrages non sollicités.

2. L’Adaptabilité (Adaptability)

L’adaptabilité renvoie à la capacité du produit à emmagasiner des informations issues de son historique d’utilisation, à apprendre de ses interactions antérieures et à moduler dynamiquement son fonctionnement en conséquence. Cette dimension est profondément enracinée dans la notion d’apprentissage automatique (machine learning). Un exemple typique est un thermostat connecté (tel que Google Nest) qui, après une période initiale de calibrage, déduit automatiquement les préférences thermiques des résidents selon l’heure, le jour de la semaine et les prévisions météorologiques, sans que l’usager n’ait à programmer manuellement chaque plage horaire.

3. La Réactivité (Reactivity)

La réactivité caractérise l’aptitude d’un système à capter des stimuli ou des modifications soudaines survenant au sein de son environnement immédiat et à déployer une réponse comportementale adéquate, quasi-instantanée et contextuellement appropriée. Cette sous-dimension repose sur l’intégration de capteurs de pointe (optiques, acoustiques, thermiques, de proximité). À titre d’illustration, le système de freinage d’urgence autonome d’un véhicule automobile qui détecte la trajectoire inopinée d’un piéton et immobilise la machine avant la perception réflexe du conducteur incarne un niveau d’excellence en matière de réactivité perçue.

4. La Multifonctionnalité (Multi-functionality)

La multifonctionnalité réfère à l’étendue et à la diversité des tâches disjointes ou convergentes qu’un produit est capable d’exécuter avec succès. Contrairement aux appareils monovalents traditionnels, les artefacts intelligents condensent de multiples utilités autrefois dispersées. Un smartphone contemporain n’est pas uniquement un terminal de télécommunication vocale : il fait simultanément office d’appareil photographique professionnel, d’assistant bancaire, de console vidéoludique, d’outil de géo-positionnement satellitaire et de plateforme de productivité bureautique. La multifonctionnalité contribue de manière prépondérante à la perception globale de puissance et de sophistication de l’outil.

5. La Capacité de coopération (Ability to Cooperate)

Cette dimension englobe l’aptitude du produit à interagir, à communiquer des données, à synchroniser ses opérations et à négocier des flux d’action avec d’autres agents de son écosystème, qu’il s’agisse d’autres machines interconnectées (communication Machine-to-Machine, M2M) ou d’utilisateurs humains. Dans une maison intelligente, la capacité du système d’éclairage à coordonner son intensité avec les rideaux motorisés et la chaîne multimédia pour créer une ambiance cinématographique illustre cette synergie coopérative. Sur le plan humain, cela reflète la fluidité du dialogue et la complémentarité de la collaboration homme-technologie.

6. La Personnalité / Le Caractère (Personality)

La dimension de personnalité désigne l’attribution à l’artefact d’un profil comportemental constant, singulier, reconnaissable et teinté d’attributs psycho-affectifs ou anthropomorphiques. L’incarnation d’un agent conversationnel via un timbre vocal particulier, un débit de parole chaleureux, l’usage de touches d’humour ou la manifestation stylistique de politesse conduit l’usager à projeter une identité quasi-humaine sur la machine. Cette dimension exploite les mécanismes universels de l’anthropomorphisme où les individus tendent naturellement à humaniser les entités inanimées démontrant un comportement complexe.

6. Cadre théorique / Theoretical Framework

L’élaboration de la PI-Scale s’inscrit au carrefour de plusieurs courants théoriques majeurs issus de la psychologie cognitive, de la sociologie de la technologie et du comportement du consommateur. Les fondements conceptuels de l’instrument puisent substantiellement dans les théories de l’intelligence distribuée, le paradigme des équivalences sociales vis-à-vis des médias, ainsi que les modèles structuraux de l’acceptation des innovations.

En premier lieu, le cadre repose sur le paradigme CASA (Computers Are Social Actors), formulé initialement par Clifford Nass et Byron Reeves au début des années 1990 à l’Université Stanford (Reeves & Nass, 1996). Selon cette approche socio-cognitive, les individus appliquent de manière automatique, subconsciente et irrépressible des règles sociales et des schémas d’attributions psychologiques humaines lorsqu’ils interagissent avec des ordinateurs et des technologies interactives. Dès lors qu’un produit émet des signaux mimant la communication humaine (mouvements autonomes, réponses adaptées au contexte, langage verbal), le cerveau humain déclenche des scripts d’évaluation relationnelle. La PI-Scale opérationnalise empiriquement cette dynamique en traduisant les dimensions de l’intelligence humaine (décision autonome, apprentissage, langage, interaction sociale) en descripteurs évaluatifs applicables aux biens technologiques manufacturés.

En second lieu, l’instrumentation s’adosse à la Théorie de l’Anthropomorphisme théorisée par Nicholas Epley, Adam Waytz et John T. Cacioppo (Epley et al., 2007). Selon leur modèle à trois facteurs, l’anthropomorphisme est stimulé par l’accessibilité des connaissances anthropocentriques (les humains utilisent leur propre expérience cognitive comme ancre de jugement), la motivation à l’effectance (le besoin de comprendre, d’expliquer et de prédire le comportement d’un objet complexe) et la motivation à la sociabilité (la recherche de connexions interpersonnelles). Face à des produits intelligents opaques (souvent assimilés à des « boîtes noires » algorithmiques), les utilisateurs comblent le déficit de compréhension technique en projetant des caractéristiques d’intelligence, d’autonomie et de personnalité. La PI-Scale permet de quantifier avec exactitude le degré auquel cette projection anthropomorphique s’opère.

En troisième lieu, le cadre méthodologique intègre les enseignements du Modèle d’Acceptation de la Technologie (TAM) de Fred Davis (1989), dérivé de la Théorie de l’Action Raisonnée (Ajzen & Fishbein, 1980). Rijsdijk et ses coauteurs ont démontré que la perception d’intelligence ne constitue pas une finalité isolée, mais agit comme un antécédent proximal puissant des construits clés du TAM : l’utilité perçue (Perceived Usefulness) et la facilité d’utilisation perçue (Perceived Ease of Use). Cependant, la modélisation théorique souligne une tension dialectique : si la multifonctionnalité et l’adaptabilité augmentent drastiquement l’utilité perçue, une autonomie excessive mal explicitée ou un manque de réactivité peuvent exacerber la complexité perçue, générant un phénomène de surcharge technologique (technostress) ou de résistance passive. L’ancrage de la PI-Scale permet ainsi de modéliser avec précision ces effets contradictoires au sein de chaînes causales complexes.

7. Validité / Validity

La validation psychométrique de l’Échelle d’intelligence du produit a fait l’objet d’un processus rigoureux en plusieurs phases, combinant des approches qualitatives et quantitatives auprès d’échantillons diversifiés de consommateurs confrontés à des catégories variées de produits intelligents (téléphonie mobile, systèmes de navigation automobile, appareils de climatisation intelligente, électroménager robotisé).

Validité de contenu et de surface (Face & Content Validity)

La génération initiale des items a reposé sur une revue exhaustive de la littérature multidisciplinaire en intelligence artificielle, psychologie différentielle, cybernétique et design industriel, complétée par des entretiens approfondis auprès de panels d’experts scientifiques et de panels de consommateurs. Un pool initial de plus de 60 énoncés a été soumis à l’évaluation d’un panel de juges indépendants spécialistes du marketing et de la psychométrie. Seuls les items ayant obtenu un accord unanime quant à leur clarté sémantique, leur pertinence théorique et leur non-redondance ont été retenus, garantissant une couverture exhaustive des domaines conceptuels constitutifs du construit.

Validité convergente (Convergent Validity)

La validité convergente a été confirmée à travers l’estimation de modèles d’équations structurelles (SEM). Les saturations factorielles standardisées (factor loadings) de l’ensemble des 24 items sur leurs dimensions respectives sont toutes statistiquement significatives à p < 0,001 et dépassent amplement le seuil conventionnel de 0,70 (les saturations oscillent majoritairement entre 0,74 et 0,89). Par ailleurs, la Variance Moyenne Extraite (Average Variance Extracted, AVE) calculée pour chacune des six dimensions de premier ordre excède rigoureusement le seuil minimal de 0,50 recommandé par Fornell et Larcker (1981), oscillant entre 0,58 et 0,72. Ces indicateurs attestent que la majorité de la variance observée des items est effectivement capturée par le construit latent théorisé.

Validité discriminante (Discriminant Validity)

La validité discriminante entre les six sous-dimensions a été attestée par deux protocoles méthodologiques stricts :

• Critère de Fornell et Larcker : Pour chaque paire de dimensions, la racine carrée de l’AVE de chaque construit est strictement supérieure aux corrélations inter-construits correspondantes, démontrant que chaque facteur partage davantage de variance avec ses propres indicateurs qu’avec les autres dimensions du modèle.
• Tests de contrainte chi-carré : Pour chaque couple de variables latentes, des modèles à deux facteurs ont été comparés à des modèles à facteur unique contraint (corrélation fixée à 1,0). Dans tous les cas sans exception, le test de différence de chi-carré (Δχ²) s’est révélé hautement significatif (p < 0,001), rejetant catégoriquement l’hypothèse de colinéarité unitaire.

Validité prédictive et nomologique (Predictive & Nomological Validity)

La validité nomologique a été établie en vérifiant l’insertion théorique de l’intelligence perçue dans un réseau d’attitudes de consommation éprouvées. Les analyses démontrent que le construit de second ordre d’intelligence du produit exerce un effet direct et positif statistiquement très significatif sur :

• L’utilité relative perçue (coefficients structurels β oscillant typiquement entre 0,45 et 0,65, p < 0,001) ;
• La satisfaction globale post-utilisation (β ≈ 0,35 à 0,52, p < 0,001) ;
• L’intention de réachat et de recommandation bouche-à-oreille (β ≈ 0,40, p < 0,001).

Par ailleurs, les études montrent que l’effet de l’intelligence perçue est médié par l’expérience d’utilisation et modulé par l’aversion au risque technologique de l’utilisateur, ce qui concorde parfaitement avec les prédictions théoriques de la psychologie sociale cognitive.

8. Fidélité / Reliability

L’évaluation de la stabilité et de l’homogénéité métrique de la Product Intelligence Scale démontre d’excellentes qualités de fidélité à travers divers contextes expérimentaux et transversaux.

La cohérence interne a été systématiquement examinée au moyen du coefficient alpha de Cronbach (α) et de l’indice de fiabilité composite de Jöreskog (Composite Reliability, CR). Les valeurs rapportées dans les publications fondatrices (Rijsdijk et al., 2007) et les réplications ultérieures s’établissent comme suit pour chacune des dimensions composées de 4 items :

• Autonomie : α = 0,84 à 0,88 ; Fiabilité composite (CR) = 0,87
• Adaptabilité : α = 0,86 à 0,91 ; Fiabilité composite (CR) = 0,89
• Réactivité : α = 0,82 à 0,87 ; Fiabilité composite (CR) = 0,85
• Multifonctionnalité : α = 0,85 à 0,89 ; Fiabilité composite (CR) = 0,88
• Capacité de coopération : α = 0,83 à 0,88 ; Fiabilité composite (CR) = 0,86
• Personnalité : α = 0,87 à 0,92 ; Fiabilité composite (CR) = 0,90

Au niveau du construit de second ordre intégrant l’ensemble des 24 items, l’alpha de Cronbach global excède régulièrement 0,93, ce qui témoigne d’une cohérence interne globale remarquable sans pour autant révéler de sur-redondance item-item pénalisante. Les corrélations item-total corrigées dépassent toutes le plancher critique de 0,50, s’échelonnant entre 0,58 et 0,81.

En ce qui concerne la fidélité test-retest, des études de stabilité temporelle conduites sur un intervalle de quatre semaines auprès d’utilisateurs d’environnements domotiques et de systèmes embarqués ont mis en évidence des coefficients de corrélation intraclasse (ICC) compris entre 0,78 et 0,86 pour l’ensemble des sous-échelles. Ces indices confirment que l’échelle ne réagit pas à des fluctuations d’humeur éphémères, mais capture fidèlement une perception cognitive stabilisée issue de l’interaction avec le dispositif.

9. Analyse factorielle / Factor Analysis

Le processus de développement de l’échelle a reposé sur une articulation rigoureuse entre Analyse Factorielle Exploratoire (AFE) lors de la phase préliminaire et Analyse Factorielle Confirmatoire (AFC) lors de la phase de validation finale sur des échantillons scindés indépendants (split-sample validation).

Structure exploratoire initiale (AFE)

Sur un premier échantillon de développement, une analyse en composantes principales assortie d’une rotation oblique (Promax ou Oblimin direct, en raison des interrelations théoriques attendues entre dimensions cognitives) a été exécutée. Les indices de qualité d’échantillonnage de Kaiser-Meyer-Olkin (KMO) ont affiché des valeurs très élevées (> 0,90), et le test de sphéricité de Bartlett s’est révélé statistiquement significatif (χ², p < 0,001). L’application de la règle de Kaiser (valeurs propres supérieures à 1,0) conjuguée à l’examen du diagramme de Cattell (scree plot) a fait émerger une solution à 6 facteurs distincts, expliquant cumulativement plus de 68 % de la variance totale des données.

Structure confirmatoire de second ordre (AFC)

L’architecture hiérarchique a ensuite été testée formellement par AFC à l’aide de logiciels de modélisation par équations structurelles (tels que LISREL et AMOS), en employant la méthode d’estimation du maximum de vraisemblance (Maximum Likelihood). Plusieurs structures concurrentes ont été systématiquement comparées :

• Modèle 1 : Modèle unifactoriel global (tous les items saturent sur un unique facteur d’intelligence générale) ;
• Modèle 2 : Modèle à six facteurs orthogonaux (facteurs supposés indépendants) ;
• Modèle 3 : Modèle à six facteurs corrélés de premier ordre ;
• Modèle 4 : Modèle hiérarchique de second ordre (l’intelligence globale comme construit parent gouvernant les six dimensions).

Les résultats empiriques ont démontré la supériorité éclatante des modèles hiérarchiques et à facteurs corrélés par rapport au modèle unidimensionnel (qui présentait des indices d’adéquation très dégradés, par exemple RMSEA > 0,15 et CFI < 0,70). Pour le modèle théorique final de second ordre (Modèle 4), les indices d’ajustement global rapportés dans la recherche originale et les réplications sont pleinement conformes aux standards méthodologiques les plus sévères de Hu et Bentler (1999) :

• Ratio Chi-carré normé (χ²/ddl) < 2,50 ;
• Comparative Fit Index (CFI) ≥ 0,94 à 0,97 ;
• Tucker-Lewis Index (TLI) ≥ 0,93 à 0,96 ;
• Root Mean Square Error of Approximation (RMSEA) compris entre 0,042 et 0,058 avec un intervalle de confiance à 90 % inférieur à 0,07 ;
• Standardized Root Mean Square Residual (SRMR) ≤ 0,049.

Les saturations de second ordre (reliant le facteur d’intelligence globale à chacun des six facteurs de premier ordre) sont toutes extrêmement robustes et statistiquement significatives : typiquement comprises entre 0,65 et 0,85 pour l’autonomie, l’adaptabilité, la réactivité, la multifonctionnalité et la capacité de coopération. La dimension de personnalité affiche fréquemment une saturation de second ordre légèrement plus modeste (γ ≈ 0,50 à 0,60), ce qui s’explique par sa nature plus symbolique et expressive, tout en demeurant une composante essentielle de l’architecture cognitive globale perçue.

10. Instrument de mesure / Instrument

L’instrument se présente sous la forme d’un inventaire auto-administré standardisé, déployable aussi bien sur support papier que par l’intermédiaire de plateformes électroniques d’enquête en ligne (Qualtrics, SurveyMonkey, Sphinx). Ses paramètres techniques de passation et de dépouillement sont structurés comme suit :

• Type d’instrument : Questionnaire psychométrique quantitatif à visée d’évaluation des artefacts technologiques et des systèmes d’intelligence artificielle.
• Format d’administration : Auto-évaluation individuelle (self-report questionnaire). Peut être administré immédiatement après une séance d’interaction en laboratoire (protocole de test utilisateur), dans le cadre d’études longitudinales d’usage ou lors de sondages rétrospectifs auprès de propriétaires confirmés.
• Nombre d’items : 24 énoncés au total dans sa version intégrale standardisée (répartis en six sous-échelles de 4 items chacune).
• Format des réponses : Échelle de Likert à 7 points d’ancrage sémantique :
  1 = « Pas du tout d’accord » (Strongly disagree)
  2 = « Pas d’accord » (Disagree)
  3 = « Plutôt pas d’accord » (Somewhat disagree)
  4 = « Neutre / Ni d’accord ni pas d’accord » (Neither agree nor disagree)
  5 = « Plutôt d’accord » (Somewhat agree)
  6 = « D’accord » (Agree)
  7 = « Tout à fait d’accord » (Strongly agree)
• Durée de passation : Environ 5 à 8 minutes, ce qui garantit un très faible taux d’abandon et prévient la fatigue cognitive des répondants.
• Modalités de cotation et de calcul des scores :
  • Scores factoriels de premier ordre : Calculés en effectuant la moyenne arithmétique simple (ou la somme, de 4 à 28) des 4 items composant chaque dimension respective (Autonomie, Adaptabilité, Réactivité, Multifonctionnalité, Coopération, Personnalité). Un score moyen supérieur à 4,0 indique une perception positive de la dimension considérée.
  • Score global d’intelligence du produit (Second ordre) : Établi en effectuant la moyenne arithmétique globale des 24 items (ou la moyenne des scores des six dimensions). Ce score composite varie sur un continuum de 1,00 à 7,00, les valeurs les plus élevées signalant une attribution intense de capacités cognitives humaines au produit évalué.

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

• Année de publication initiale : 2007 (dans le volume 35 de la prestigieuse revue Journal of the Academy of Marketing Science).
• Propriété intellectuelle et droits d’auteur : Le cadre conceptuel, le développement métrologique et la publication princeps sont protégés par le droit d’auteur détenu conjointement par les auteurs (Serge A. Rijsdijk, Erik Jan Hultink, Adamantios Diamantopoulos) et l’éditeur scientifique Springer / Academy of Marketing Science.
• Conditions d’utilisation et politique tarifaire :
  • Recherche académique et enseignement : L’échelle est accessible et utilisable gratuitement sans versement de redevance (royalty-free) par les chercheurs universitaires, étudiants et enseignants-chercheurs dans le cadre strict d’études non commerciales, sous réserve impérative de citer exhaustivement l’article princeps de 2007 conformément aux normes académiques internationales.
  • Utilisation commerciale et industrielle : Toute intégration de l’instrument dans le cadre d’audits propriétaires à visée lucrative, d’études de marché commanditées ou d’outils logiciels d’évaluation commerciale nécessite l’accord explicite des auteurs originaux ou des ayants droit éditoriaux pour l’exploitation des formulations d’items sous marque déposée.

12. Références / References

Les sources bibliographiques ci-dessous réunissent les publications fondatrices et les contributions théoriques majeures ayant servi à la formalisation, à l’analyse et à la contextualisation de l’Échelle d’intelligence du produit :

• Ajzen, I., & Fishbein, M. (1980). Understanding attitudes and predicting social behavior. Prentice-Hall.
• 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
• Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. https://doi.org/10.1037/0033-295X.114.4.864
• 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
• Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• Rijsdijk, S. A., & Hultink, E. J. (2003). ‘Honey, have you seen the proto?’: On the communication between design and marketing. The Journal of Product Innovation Management, 20(3), 204–216. https://doi.org/10.1111/1540-5885.2003004
• Rijsdijk, S. A., & Hultink, E. J. (2009). How today’s smart products affect consumer satisfaction. Journal of Product Innovation Management, 26(1), 24–42. https://doi.org/10.1111/j.1540-5885.2009.00332.x
• Rijsdijk, S. A., Hultink, E. J., & Diamantopoulos, A. (2007). Product intelligence: Its conceptualization, measurement, and impact on consumer satisfaction. Journal of the Academy of Marketing Science, 35(3), 340–356. https://doi.org/10.1007/s11747-007-0040-6
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540

13. Questions et items du questionnaire / Scale Items

Les items officiels complets de l’Échelle d’intelligence du produit (Product Intelligence Scale) sont protégés par le droit d’auteur éditorial et académique et ne sont pas reproduits sous leur libellé intégral propriétaire dans le domaine public ouvert.

Conformément aux directives déontologiques et aux règles de propriété intellectuelle, le questionnaire complet officiel doit être obtenu auprès des auteurs ou directement consulté dans la publication originale de référence publiée dans le Journal of the Academy of Marketing Science. La structure opérationnelle comprend 24 items distribués équitablement entre les six dimensions théoriques suivantes, évaluées sur une échelle de Likert de 1 (« Pas du tout d’accord ») à 7 (« Tout à fait d’accord ») :