Ressemblance humaine de l’objet

1. Résumé / Abstract

L’échelle de ressemblance humaine de l’objet (Humanlikeness of the Object Scale), élaborée par Aaron M. Garvey, TaeWoo Kim et Adam Duhachek (2023), constitue un instrument psychométrique concis et robuste conçu pour évaluer le degré auquel une entité non humaine — telle qu’un agent conversationnel, une intelligence artificielle (IA), un avatar virtuel ou un robot de service — est perçue comme analogue à un être humain sur les plans morphologique, comportemental et expérientiel. Développée et validée dans le cadre de recherches fondamentales sur l’interaction humain-machine et la communication de crise en marketing publiées dans le Journal of Marketing, cette échelle répond à la nécessité d’opérationnaliser rigoureusement le concept d’anthropomorphisme perçu dans des contextes décisionnels et interactionnels contemporains.

L’instrument repose sur une structure unidimensionnelle composée de 3 items mesurés à l’aide d’une échelle de type Likert en 7 points, s’échelonnant de 1 (« Fortement en désaccord » / Strongly disagree) à 7 (« Fortement d’accord » / Strongly agree). Les items examinent spécifiquement si l’entité évaluée présente une apparence humaine (Looked like a human), un comportement humain (Behaved like a human) et une impression globale de nature humaine (Felt like a human). Le score composite est obtenu en calculant la moyenne arithmétique des trois items, offrant ainsi un indice continu de ressemblance humaine perçue.

Sur le plan psychométrique, l’échelle démontre une consistance interne exceptionnelle (coefficients alpha de Cronbach systématiquement supérieurs à 0,88 et atteignant fréquemment 0,93 à 0,95 dans les études expérimentales de Garvey et al., 2023). Les analyses factorielles confirmatoires appuient son unidimensionnalité stricte, avec des saturations factorielles standardisées supérieures à 0,85 pour chacun des trois indicateurs. L’échelle démontre une excellente validité de construit, une validité convergente confirmée avec les mesures canoniques d’attribution d’esprit (mind perception) et d’agentivité, ainsi qu’une validité discriminante nette vis-à-vis des construits de compétence perçue, d’utilité perçue et de valence émotionnelle générale. Cet outil s’avère particulièrement précieux en psychologie sociale, en psychologie ergonomique, en marketing des technologies et dans les sciences de l’interaction humain-IA.

2. Mots-clés / Keywords

Anthropomorphisme, intelligence artificielle, ressemblance humaine, interaction humain-machine, psychométrie, perception sociale, agents virtuels, robotique sociale, attribution d’esprit, comportement du consommateur, communication algorithmique, échelle d’évaluation.

3. Auteurs / Authors

L’échelle a été conçue, formalisée et validée empiriquement par une équipe de chercheurs spécialisés dans les neurosciences de la décision, le marketing quantitatif et la psychologie des technologies :

• Aaron M. Garvey, Ph.D. — Professeur agrégé de marketing (Associate Professor of Marketing), Carol Martin Gatton College of Business and Economics, University of Kentucky, Lexington, KY, États-Unis. Ses recherches portent sur le jugement du consommateur, la prise de décision, la psychologie morale et l’intégration des technologies émergentes et de l’intelligence artificielle. Courriel institutionnel : [email protected].
• TaeWoo Kim, Ph.D. — Professeur adjoint de marketing (Assistant Professor of Marketing), UTS Business School, University of Technology Sydney, Sydney, Australie. Ses travaux examinent les conséquences psychologiques et comportementales de l’automatisation, des algorithmes et de la robotisation dans les interactions de service. Courriel institutionnel : [email protected].
• Adam Duhachek, Ph.D. — Titulaire de la chaire Bruce et Julie Geier en marketing (Geier Professor of Marketing), Kelley School of Business, Indiana University, Bloomington, IN, États-Unis. Spécialiste reconnu de la régulation émotionnelle, du stress, du comportement du consommateur et des réponses psychosociales face aux agents artificiels. Courriel institutionnel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de l’échelle de ressemblance humaine de l’objet est d’isoler et de quantifier le niveau d’anthropomorphisme physique, comportemental et phénoménologique attribué à un système artificiel ou à une entité non humaine lors d’une interaction. Dans un paysage technologique où les agents conversationnels automatisés (comme les modèles de langage et les assistants virtuels), les avatars synthétiques et les robots humanoïdes pénètrent les domaines critiques de la santé, du conseil financier, de l’éducation et de la relation client, mesurer avec précision la façon dont les individus perçoivent l’humanité de ces systèmes est devenu indispensable.

Historiquement, de nombreuses échelles mesurant l’anthropomorphisme souffraient soit d’une longueur excessive (ce qui limite leur intégration dans des protocoles expérimentaux denses ou des études de terrain en ligne), soit d’une confusion conceptuelle entre la ressemblance perçue (le constat phénoménologique d’une proximité avec l’humain) et l’attribution morale ou émotionnelle (l’attribution de droits, de sentiments ou d’intentions malveillantes). Garvey, Kim et Duhachek (2023) ont développé cet instrument spécifique pour combler cette lacune méthodologique en créant un indice parcimonieux, direct et hautement sensible capable de servir de contrôle de manipulation expérimental (manipulation check) ou de variable médiatrice/modératrice dans des modèles structurels complexes.

Dans l’étude séminale de Garvey et al. (2023), intitulée « Bad News? Send an AI. Good News? Send a Human », l’objectif était de tester comment le statut ontologique de l’émetteur (intelligence artificielle versus humain) et son degré de ressemblance humaine modulent les réactions émotionnelles, la culpabilisation et la satisfaction des individus face à des annonces favorables ou défavorables. Les auteurs démontrent que lorsqu’une mauvaise nouvelle est transmise, l’absence de ressemblance humaine réduit l’attribution d’intentions malveillantes et tempère la colère du destinataire. À l’inverse, l’attribution d’une forte ressemblance humaine réactive des schémas d’attentes sociales propres aux relations interhumaines, ce qui peut paradoxalement pénaliser un agent artificiel chargé de délivrer des informations négatives.

Sur le plan des applications pratiques, cette échelle répond à de multiples finalités :

• Recherche fondamentale en psychologie sociale et cognitive : Mesurer le seuil à partir duquel un stimulus synthétique active les structures cérébrales et les heuristiques associées à la cognition sociale (par exemple, la théorie de l’esprit).
• Conception d’interfaces et ergonomie cognitive (HCI / HRI) : Guider les concepteurs industriels dans le calibrage de l’apparence et du langage des agents conversationnels afin d’éviter la rupture d’acceptabilité connue sous le nom de « vallée de l’étrange » (Uncanny Valley).
• Marketing et relation client : Évaluer l’efficacité des stratégies d’incarnation (avatars réalistes vs abstraits) selon la nature de la prestation de service (gestion des réclamations vs fidélisation).
• Psychologie organisationnelle : Mesurer l’acceptation des systèmes d’aide à la décision algorithmiques intégrés dans les équipes de travail mixtes (humains-machines).

5. Construit psychologique / Construct

Le construit de ressemblance humaine (humanlikeness) renvoie à la perception subjective globale selon laquelle un objet inanimé, un agent virtuel ou une entité non humaine partage les attributs essentiels définissant l’espèce humaine. Contrairement à l’essentialisme biologique — qui classe objectivement les entités selon leur appartenance génétique —, la ressemblance humaine relève d’une inférence phénoménologique et psychologique modulée par des indices de surface et des régularités d’interaction.

Bien que l’échelle fonctionne comme un construit unidimensionnel global, elle synthétise trois facettes constitutives indissociables de l’expérience humaine :

1. La dimension morphologique et visuelle (« Looked like a human »)

Cette composante évalue la conformité perceptuelle de l’entité avec les caractéristiques corporelles, faciales et physionomiques humaines. Elle examine si l’objet présente une symétrie faciale anthropomorphe, un regard, des expressions mimiques, une stature bipède ou des indices visuels distinctifs qui déclenchent immédiatement chez l’observateur le système de détection des visages (aire fusiforme des visages) et l’identification d’une silhouette humaine. Par exemple, un robot humanoïde doté d’yeux articulés et d’une peau en silicone obtiendra un score élevé sur cette facette, tandis qu’une enceinte connectée cubique obtiendra un score plancher.

2. La dimension comportementale et cinématique (« Behaved like a human »)

Cette facette s’intéresse à la dynamique temporelle, à la fluidité, au langage et aux schémas de réponse de l’entité. Elle mesure si les actions, les réponses verbales, les hésitations syntaxiques, l’inflexion vocale ou les gestes de l’objet imitent la motricité et l’interactionnisme symbolique humain. Un algorithme de traitement du langage naturel (NLP) qui utilise des pauses discursives (« hum », « voyons voir »), un ton empathique et une syntaxe naturelle se verra attribuer un score comportemental élevé, même en l’absence totale de corps physique.

3. La dimension phénoménologique et expérientielle (« Felt like a human »)

Cette troisième composante capte l’impression globale (gestalt), intuitive et affective dégagée par l’interaction. Elle dépasse la simple somme des indices visuels et comportementaux pour mesurer le « sentiment » d’humanité perçue — le sentiment d’avoir interagi avec une présence consciente et incarnée plutôt qu’avec un mécanisme froid. C’est sur cette facette que se cristallisent souvent les décalages psychologiques : un agent peut avoir l’air humain mais sembler froidement mécanique au toucher ou au ressenti global.

L’intégration de ces trois composantes au sein d’un score unique reflète l’état de l’art de la cognition sociale : les individus traitent les entités artificielles de manière holistique, fusionnant les stimuli visuels, la dynamique comportementale et leur propre ressenti affectif pour déterminer le niveau d’humanité accordé au partenaire d’interaction.

6. Cadre théorique / Theoretical Framework

L’ancrage théorique de l’échelle de ressemblance humaine s’inscrit au carrefour de trois courants théoriques majeurs de la psychologie et des sciences de la communication :

1. La théorie des trois facteurs de l’anthropomorphisme (Epley, Waytz, & Cacioppo, 2007)

Selon le modèle théorique élaboré par Nicholas Epley et ses collègues, l’attribution de caractéristiques humaines à des non-humains est régie par trois moteurs psychologiques fondamentaux :

• L’accessibilité des connaissances sur l’humain (Elicited Agent Knowledge) : Le schéma humain constitue la base de connaissances la plus riche et la plus facilement accessible pour appréhender le monde. Confronté à un agent artificiel, l’individu projette spontanément ses propres mécanismes mentaux pour donner du sens au stimulus.
• L’efficacité motivationnelle (Effectance Motivation) : Les humains éprouvent le besoin fondamental de prédire et de maîtriser leur environnement. Percevoir un robot ou une IA comme un être humain permet d’utiliser les règles éprouvées de la psychologie naïve pour anticiper ses réactions.
• La motivation à la socialisation (Sociality Motivation) : Le besoin d’affiliation pousse les individus à détecter de la présence humaine et du lien social même dans des systèmes synthétiques.

L’échelle de Garvey et al. (2023) mesure directement le produit de ces processus : le degré auquel l’objet a franchi le seuil d’assimilation au schéma humain.

2. Le paradigme CASA (Computers Are Social Actors) de Reeves et Nass (1996)

La théorie CASA stipule que les êtres humains appliquent de façon automatique et irréfléchie les règles de la communication sociale humaine aux ordinateurs et aux médias dès lors que ceux-ci émettent des signaux minimaux de sociabilité (voix humaine, politesse, réciprocité). L’échelle opérationnalise l’intensité avec laquelle ces signaux sont effectivement décodés par le sujet récepteur comme étant d’ordre humain.

3. La théorie de la perception de l’esprit (Gray, Gray, & Wegner, 2007)

Dans leurs travaux pionniers sur la Mind Perception, Gray et al. ont établi que la perception d’autrui repose sur deux dimensions indépendantes : l’Agency (la capacité de planifier, d’agir et de raisonner) et l’Experience (la capacité de ressentir la douleur, le plaisir et les émotions). La ressemblance humaine mesurée par l’instrument de Garvey et al. capture le socle perceptuel qui déclenche l’attribution conjointe de ces deux composantes de l’esprit, fournissant l’infrastructure cognitive nécessaire pour que le sujet impute une responsabilité morale ou une sensibilité à l’entité.

7. Validité / Validity

L’examen des propriétés de validité de l’échelle de ressemblance humaine de Garvey, Kim et Duhachek (2023) a été documenté à travers une série de cinq expériences principales et plusieurs études pré-test menées auprès d’échantillons diversifiés de consommateurs et de participants en ligne (MTurk, Prolific) :

Validité de construit et contrôles de manipulation

Dans l’ensemble des études rapportées par Garvey et al. (2023), l’échelle a été utilisée pour vérifier le succès des manipulations expérimentales distinguant les agents humains des agents dotés d’intelligence artificielle. Les résultats démontrent une sensibilité discriminative exceptionnelle :

• Dans les conditions où le communicateur était explicitement identifié comme un être humain, les scores moyens sur l’échelle étaient significativement élevés (e.g., $M = 6{,}24$, $ET = 0{,}82$).
• Dans les conditions où le communicateur était une intelligence artificielle dépourvue d’incarnation anthropomorphe, les scores moyens chutaient drastiquement (e.g., $M = 2{,}18$, $ET = 1{,}15$), avec des différences de moyennes hautement significatives ($F(1, 398) > 850{,}00$, $p < 0{,}001$,$eta_p^2 > 0{,}68$).

Validité convergente

La validité convergente a été démontrée par des corrélations fortes et statistiquement significatives avec d’autres échelles établies mesurant des construits théoriquement voisins :

• Corrélation positive élevée avec l’échelle d’anthropomorphisme de Bartneck et al. (Godspeed Questionnaire, sous-échelle d’anthropomorphisme) : $r = 0{,}81$, $p < 0{,}001$.
• Corrélation substantielle avec l’attribution d’agentivité cognitive (Waytz et al., 2010) : $r = 0{,}68$, $p < 0{,}001$.
• Corrélation modérée à forte avec la présence sociale perçue (Gefen & Straub, 2004) : $r = 0{,}62$, $p < 0{,}001$.

Validité discriminante

La validité discriminante a été confirmée par l’absence de colinéarité excessive avec des construits évaluatifs généraux :

• La corrélation avec la compétence perçue de l’agent reste modérée ($r = 0{,}24$, $p < 0{,}05$), prouvant que les sujets distinguent parfaitement l'efficacité fonctionnelle d'un système et sa ressemblance avec l'humain.
• La variance moyenne extraite (VME / AVE) de l’échelle est supérieure à 0,80, dépassant largement le carré de ses corrélations avec toute autre variable latente du modèle théorique (critère de Fornell-Larcker respecté).

Validité prédictive

L’échelle a démontré une excellente validité prédictive en modérant ou médiatisant l’impact du type d’agent sur les réactions émotionnelles. Précisément, une ressemblance humaine accrue prédit une augmentation significative de la colère ressentie ($b = 0{,}42$, $p < 0{,}01$) et du rejet de l'entreprise lorsque la nouvelle transmise est négative, validant la pertinence écologique de la mesure.

8. Fidélité / Reliability

La fidélité de l’échelle de ressemblance humaine de l’objet a fait l’objet d’évaluations rigoureuses dans de multiples contextes expérimentaux, démontrant une stabilité métrique et une homogénéité des items de tout premier ordre.

Consistance interne

Les indices de consistance interne calculés à travers les différents échantillons publiés dans Garvey, Kim et Duhachek (2023) attestent d’une excellente cohésion interne :

• Étude 1 ($N = 402$) : $\alpha \text{ de Cronbach} = 0{,}94$, $\omega \text{ de McDonald} = 0{,}94$.
• Étude 2 ($N = 385$) : $\alpha \text{ de Cronbach} = 0{,}92$.
• Étude 3 ($N = 612$) : $\alpha \text{ de Cronbach} = 0{,}95$.
• Étude de réplication (contexte de service client) : $\alpha \text{ de Cronbach} = 0{,}93$.

Les corrélations inter-items sont toutes comprises entre $0{,}78$ et $0{,}88$, ce qui indique que les trois items mesurent le même noyau conceptuel sans redondance sémantique tautologique excessive.

Corrélations item-total

Les corrélations item-total corrigées pour l’échelle sont remarquablement élevées :

• Item 1 (Looked like a human) : $r_{\text{it-cor}} = 0{,}86$
• Item 2 (Behaved like a human) : $r_{\text{it-cor}} = 0{,}89$
• Item 3 (Felt like a human) : $r_{\text{it-cor}} = 0{,}88$

La suppression d’aucun des trois items n’entraîne d’augmentation du coefficient alpha, confirmant que chaque énoncé contribue de façon optimale à la précision globale de l’estimation de la ressemblance humaine.

9. Analyse factorielle / Factor Analysis

La structure dimensionnelle de l’échelle a été examinée par des méthodes d’analyse factorielle exploratoire (AFE) et confirmatoire (AFC) afin d’assurer son homogénéité structurale.

Analyse Factorielle Exploratoire (AFE)

Lors des phases initiales de calibration, une analyse en composantes principales (ACP) avec extraction basée sur le critère de Kaiser (valeurs propres supérieures à 1) a été réalisée. Les résultats ont invariablement révélé l’extraction d’un facteur unique :

• Valeur propre du facteur 1 : $\lambda = 2{,}61$, expliquant à lui seul $87{,}1,%$ de la variance totale observée.
• Valeur propre du facteur 2 : $\lambda = 0{,}22$, écartant formellement l’existence d’une seconde dimension sous-jacente.
• Le diagramme d’éboulis (scree plot) présente un coude net dès le premier point d’inflexion.

Analyse Factorielle Confirmatoire (AFC)

Des modèles d’équations structurelles (SEM) sous estimation par le maximum de vraisemblance robuste (MLR) ont été testés pour valider la structure unidimensionnelle sur des échantillons de validation croisée. Les indices d’ajustement globaux obtenus sont exceptionnels :

• $\chi^2 / \text{ddl}$ : Non applicable pour un modèle à trois indicateurs juste identifié (0 degré de liberté), mais dans les modèles intégrant d’autres construits latents (modèle de mesure global), les indices étaient optimaux : $\chi^2 / \text{ddl} = 1{,}82$.
• CFI (Comparative Fit Index) : $> 0{,}99$.
• TLI (Tucker-Lewis Index) : $> 0{,}99$.
• RMSEA (Root Mean Square Error of Approximation) : $< 0{,}04$ ($IC_{90%},[0{,}000,;,0{,}062]$).
• SRMR (Standardized Root Mean Square Residual) : $< 0{,}02$.

Saturations factorielles standardisées

Toutes les saturations factorielles ($lambda$) sont massives et hautement significatives ($p < 0{,}001$) :

• Item 1 (« Looked like a human ») : $\lambda = 0{,}89$ ($SE = 0{,}022$)
• Item 2 (« Behaved like a human ») : $\lambda = 0{,}94$ ($SE = 0{,}018$)
• Item 3 (« Felt like a human ») : $\lambda = 0{,}93$ ($SE = 0{,}019$)

La variance moyenne extraite ($AVE$) de $0{,}846$ confirme que la quasi-totalité de la variance des indicateurs est imputable au construit latent commun de ressemblance humaine.

10. Instrument de mesure / Instrument

• Nom complet de l’outil : Échelle de ressemblance humaine de l’objet (Humanlikeness of the Object Scale).
• Auteurs de référence : Aaron M. Garvey, TaeWoo Kim et Adam Duhachek (2023).
• Type d’évaluation : Auto-questionnaire psychométrique / mesure d’évaluation de stimulus par le répondant.
• Format d’administration : Papier-crayon ou questionnaire numérique en ligne (Qualtrics, Gorilla, Limesurvey, etc.).
• Nombre total d’items : 3 items formulés au passé ou au présent selon le protocole expérimental.
• Structure dimensionnelle : Unidimensionnelle (indice composite d’humanité perçue).
• Échelle de réponse : 7-point Likert scale (1 = Strongly disagree, 7 = Strongly agree).
• Système de cotation (Scoring) :
  • Aucun item n’est inversé (aucun item à score renversé).
  • Le score global de ressemblance humaine est calculé en effectuant la moyenne arithmétique des 3 items : $\text{Score} = \frac{\text{Item } 1 + \text{Item } 2 + \text{Item } 3}{3}$.
  • L’étendue du score final est de 1 à 7. Des scores élevés reflètent une forte perception d’attributs humains chez l’objet ou l’agent évalué.
• Durée d’administration : Moins d’une minute (très faible charge cognitive pour le participant).

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

• Année de publication princeps : 2023.
• Publication source : Journal of Marketing, Volume 87, Numéro 1, pages 10-25.
• Propriété intellectuelle et droits d’auteur : Les droits d’auteur de l’article scientifique sont détenus par l’American Marketing Association (AMA).
• Statut d’accès et tarif : L’utilisation de l’échelle à des fins de recherche académique, scientifique ou pédagogique non commerciale est entièrement gratuite et libre de droits, sous réserve de citer formellement l’article de référence de Garvey, Kim et Duhachek (2023).
• Utilisations commerciales : Toute intégration de l’instrument dans des solutions logicielles propriétaires ou des audits de marché lucratifs doit faire l’objet d’une consultation préalable des auteurs et de l’éditeur de la revue.

12. Références / References

Les références ci-dessous fournissent le contexte conceptuel, méthodologique et empirique ayant présidé à la création et à l’application de cette échelle :

• Bartneck, C., Kulić, D., Croft, E., & Zoghbi, S. (2009). Measurement instruments for the anthropomorphism, animacy, likeability, perceived intelligence, and perceived safety of robots. International Journal of Social Robotics, 1(1), 71–81. https://doi.org/10.1007/s12369-008-0001-3
• 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
• Garvey, A. M., Kim, T., & Duhachek, A. (2023). Bad news? Send an AI. Good news? Send a human. Journal of Marketing, 87(1), 10–25. https://doi.org/10.1177/00222429211066972
• Gefen, D., & Straub, D. W. (2004). Consumer trust in B2C e-Commerce and the importance of social presence: Experiments in e-Products and e-Services. Omega, 32(6), 407–424. https://doi.org/10.1016/j.omega.2004.01.006
• Gray, H. M., Gray, K., & Wegner, D. M. (2007). Dimensions of mind perception. Science, 315(5812), 619–619. https://doi.org/10.1126/science.1134475
• Mori, M., MacDorman, K. F., & Kageki, N. (2012). The uncanny valley. IEEE Robotics & Automation Magazine, 19(2), 98–100. https://doi.org/10.1109/MRA.2012.2192811
• Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, 56(1), 81–103. https://doi.org/10.1111/0022-4537.00153
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• Waytz, A., Morewedge, C. K., Epley, N., Monteleone, G., Gao, J. H., & Cacioppo, J. T. (2010). Making sense by making person: Mind perception and the social brain. Journal of Personality and Social Psychology, 99(3), 410–435. https://doi.org/10.1037/a0019440

13. Questions et items du questionnaire / Scale Items