Exhaustivité de l’information

1. Résumé / Abstract

L’échelle d’exhaustivité de l’information (Comprehensiveness of the Information Scale), introduite dans la littérature contemporaine par Stefan Hoffmann, Tom Joerß, Robert Mai et Payam Akbar (2022) dans le cadre de leurs recherches publiées dans le Journal of the Academy of Marketing Science, constitue un instrument psychométrique conçu pour quantifier l’évaluation cognitive subjective qu’un individu porte sur la complétude, la richesse et l’étendue des données qui lui sont présentées. Initialement déployé pour sonder la réaction des consommateurs face à des technologies immersives comme la réalité augmentée sur le point de vente, cet outil mesure de façon parcimonieuse mais rigoureuse quatre dimensions intrinsèques du message informatif : le caractère détaillé, l’exhaustivité globale, la largeur (étendue) et la profondeur cognitive du contenu.

L’instrument se compose de quatre items unifactoriels administrés selon une échelle de Likert en 7 points allant de 1 (« fortement en désaccord ») à 7 (« fortement d’accord »). Les analyses psychométriques menées à travers plusieurs cohortes expérimentales (une étude principale et deux études de réplication et d’extension) attestent de qualités métrologiques remarquables. L’échelle démontre une consistance interne systématiquement supérieure aux standards conventionnels, avec un coefficient alpha de Cronbach oscillant entre 0,88 et 0,93, ainsi qu’une fiabilité composite (CR) et une variance moyenne extraite (AVE) corroborant une excellente validité convergente. Sur le plan de la validité de construit, l’analyse factorielle confirmatoire démontre une adéquation optimale avec une structure strictement unidimensionnelle. L’échelle permet de distinguer avec finesse le sentiment d’avoir reçu un volume d’information satisfaisant de notions connexes telles que la surcharge cognitive, la clarté perçue ou la contrôlabilité de l’interface.

2. Mots-clés / Keywords

exhaustivité de l’information, qualité de l’information, réalité augmentée, psychométrie, traitement cognitif de l’information, prise de décision du consommateur, profondeur informationnelle, point de vente numérique, échelle de Likert, surcharge cognitive, évaluation ergonomique, modélisation en équations structurelles.

3. Auteurs / Authors

L’échelle a été développée et formalisée par une équipe d’enseignants-chercheurs spécialistes du marketing quantitatif, des technologies interactives et du comportement du consommateur :

• Stefan Hoffmann : Professeur des universités en marketing, Chaire de marketing, Faculté des sciences économiques et sociales, Christian-Albrechts-Universität zu Kiel (Université de Kiel), Kiel, Allemagne. Courriel institutionnel : [email protected].
• Tom Joerß : Chercheur postdoctoral et affilié au département de marketing de la Christian-Albrechts-Universität zu Kiel, Kiel, Allemagne. Spécialiste des interfaces immersives et du comportement d’achat.
• Robert Mai : Professeur de marketing, Grenoble École de Management, Grenoble, France. Ses travaux portent sur la psychologie du consommateur, la prise de décision analytique et la modélisation statistique avancée.
• Payam Akbar : Professeur en gestion d’entreprise et e-commerce, Worms University of Applied Sciences (Hochschule Worms), Worms, Allemagne. Ses recherches se concentrent sur le commerce omnicanal, l’acceptation des technologies interactives et les interactions homme-machine.

4. Objectif / Purpose

L’avènement des environnements d’achat numérisés et des dispositifs de réalité augmentée sur le lieu de vente physique a bouleversé la façon dont l’information relative aux produits est mise à disposition des individus. Alors que les supports traditionnels (emballages, étiquettes, brochures) souffrent de contraintes physiques évidentes de surface d’affichage, les technologies virtuelles permettent d’agréger, de superposer et de déployer une masse presque illimitée de données textuelles, iconographiques et interactives. Dans ce contexte, l’objectif principal de l’échelle d’exhaustivité de l’information est d’évaluer la perception métacognitive de la densité et de l’ampleur informationnelle telle qu’elle est vécue par le récepteur.

D’un point de vue fondamental, la quantité objective d’informations délivrée par un système ne coïncide pas nécessairement avec le sentiment subjectif d’avoir obtenu une information complète et profonde. Des facteurs ergonomiques tels que la vitesse de navigation, le format de présentation, l’effort cognitif requis pour révéler de nouveaux attributs et le degré de contrôlabilité accordé à l’utilisateur interfèrent grandement avec cette appréciation. L’échelle conçue par Hoffmann et ses collaborateurs (2022) a pour vocation précise d’isoler ce jugement perceptuel afin de comprendre comment la configuration technique d’une interface médiatise la construction cognitive du jugement produit.

Sur le plan des applications empiriques et expérimentales, l’échelle remplit une triple fonction :

• Mesure de médiation dans les processus décisionnels : L’outil sert de variable intermédiaire clé entre les stimuli environnementaux (ergonomie, affordance, degré de personnalisation) et les réactions affectives ou comportementales (confiance envers la marque, certitude du choix, intention d’achat, hésitation).
• Diagnostic de la charge et de la saturation informationnelle : Dans le cadre de la théorie du traitement de l’information, elle permet d’identifier le point de bascule où une information perçue comme trop vaste ou excessivement profonde cesse d’éclairer l’usager et commence à engendrer une fatigue cognitive (le phénomène de « retour de flamme » ou backfire effect théorisé dans l’article princeps).
• Optimisation de l’ergonomie cognitive : En ingénierie des interfaces et en psychologie ergonomique, l’échelle fournit un retour quantifié sur la manière dont les utilisateurs jugent le calibrage informationnel d’un prototype, évitant ainsi tant la sous-information (génératrice d’ambiguïté) que la sur-information (génératrice de paralysie décisionnelle).

5. Construit psychologique / Construct

Le construit psychologique de l’exhaustivité de l’information (information comprehensiveness) s’articule autour de la perception globale par le sujet qu’un message couvre l’ensemble du spectre requis pour former une représentation mentale exhaustive de l’objet évalué. Contrairement à des concepts voisins comme la pertinence (qui évalue l’adéquation au but) ou la crédibilité (qui évalue la véracité), l’exhaustivité réfère à la quantité, l’étendue thématique et la granularité qualitative des données fournies.

Sur le plan conceptuel, bien que mesuré de façon unidimensionnelle pour maximiser la parcimonie statistique au sein de modèles d’équations structurelles complexes, le construit encapsule quatre nuances sémantiques complémentaires indispensables :

1. Le niveau de détail (Detailedness)

Ce volet appréhende le degré de précision microscopique du contenu informationnel. Une information détaillée ne se limite pas à mentionner les caractéristiques génériques d’un produit ou d’une situation (par exemple, « appareil économe en énergie »), mais explicite les éléments sous-jacents, les métriques précises et les mécanismes techniques (par exemple, « consommation annuelle mesurée à 142 kWh selon la norme ISO, système d’isolation multicouche »). L’individu évalue si le contenu descend à un niveau d’analyse suffisant pour satisfaire son besoin d’exactitude.

2. L’exhaustivité holistique (Comprehensiveness)

Cette composante représente le sentiment synthétique d’achèvement. Le récepteur juge si le corpus d’informations forme un tout cohérent et complet, sans omission flagrante ni zone d’ombre. Un message exhaustif permet à l’utilisateur d’avoir l’impression d’avoir « fait le tour » du sujet sans ressentir le besoin impérieux de recourir à des sources d’information complémentaires extérieures pour combler des lacunes évidentes.

3. L’étendue thématique (Breadth)

La dimension d’étendue ou de largeur informationnelle fait référence à l’éventail macroscopique des facettes abordées. Elle reflète la variété des angles et des attributs présentés. Dans le cadre de l’évaluation d’un produit, une information large n’aborde pas exclusivement la dimension tarifaire ou technique, mais balaie l’origine des matériaux, la durabilité écologique, les conditions d’utilisation, les garanties commerciales et les retours d’expérience d’utilisateurs tiers. Elle rend compte du périmètre horizontal du message.

4. La profondeur analytique (Depth)

La profondeur informationnelle s’oppose à la superficialité. Elle capture la capacité du message à explorer verticalement les implications et les justifications des faits présentés. Une information qualifiée de « profonde » fournit un éclairage causal : elle n’explique pas seulement ce qu’est le produit, mais pourquoi il a été conçu ainsi et en quoi ses propriétés mécaniques ou chimiques influencent directement sa performance à long terme. Cette composante active préférentiellement la voie centrale de traitement cognitif chez le consommateur.

L’intégration de ces quatre pôles au sein d’une échelle homogène permet de capturer la structure cognitive complète de la richesse informationnelle sans imposer au répondant une batterie d’items redondants.

6. Cadre théorique / Theoretical Framework

L’élaboration et l’application de l’échelle d’exhaustivité de l’information reposent sur une convergence de plusieurs cadres fondateurs en psychologie cognitive et en théorie du comportement décisionnel :

1. La théorie du traitement de l’information du consommateur

Formulée historiquement par James R. Bettman (1979) dans son ouvrage fondateur An Information Processing Theory of Consumer Choice, cette perspective envisage l’humain comme un processeur à capacité limitée naviguant dans un environnement surchargé de signaux. Selon Bettman, l’acquisition de données externes est guidée par la recherche d’un équilibre entre la réduction du risque perçu et la dépense d’effort mental. Lorsque l’information perçue est jugée exhaustive, elle diminue l’incertitude décisionnelle. Toutefois, si cette exhaustivité requiert un déploiement d’attention disproportionné, l’effort perçu devient supérieur aux bénéfices marginaux obtenus, provoquant des biais de rejet ou de confusion.

2. La théorie de la charge cognitive (Cognitive Load Theory)

Développée par John Sweller (1988), la théorie de la charge cognitive postule que la mémoire de travail humaine possède une capacité de rétention et de traitement strictement bornée. Hoffmann et ses coauteurs mobilisent cette théorie pour élucider le paradoxe central de leur article de 2022 : lorsque des interfaces de réalité augmentée offrent une trop grande liberté de contrôle pour explorer une information qualifiée d’extrêmement vaste (large et profonde), la charge cognitive extrinsèque (liée à la manipulation de l’outil) s’additionne à la charge intrinsèque (inhérente à la compréhension des données). Dans cette configuration, une exhaustivité informationnelle perçue comme très élevée cesse d’être une valeur ajoutée et devient un facteur déclencheur d’encombrement cognitif, dégradant l’expérience globale du consommateur.

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

Formulé par Richard E. Petty et John T. Cacioppo (1986), l’ELM suggère que les individus traitent les stimuli persuasifs selon deux trajets : la voie centrale (analytique, attentive aux arguments détaillés) et la voie périphérique (fondée sur des indices heuristiques contextuels). L’échelle d’exhaustivité de l’information mesure un déterminant capital de la voie centrale. Lorsque l’information est jugée détaillée et profonde, les consommateurs disposant d’un besoin de cognition élevé (Need for Cognition) s’engagent dans un examen rigoureux des arguments. En revanche, pour les individus utilisant la voie périphérique, une trop grande profondeur peut être décourageante ou perçue comme un bavardage technique inutile.

4. Le paradoxe de la contrôlabilité et le « Backfire Effect »

L’innovation théorique spécifique de Hoffmann et al. (2022) réside dans l’interaction entre le contrôle offert par le dispositif numérique et l’évaluation de l’exhaustivité de l’information. Alors que les postulats ergonomiques traditionnels prédisent qu’une interactivité accrue favorise toujours la satisfaction, les chercheurs démontrent que donner aux consommateurs le contrôle total sur l’exploration de détails exhaustifs génère une obligation implicite de traitement exhaustif. Les consommateurs se sentent contraints d’inspecter chaque couche d’information, ce qui épuise leurs ressources attentionnelles. L’échelle joue ici le rôle d’indicateur étalon permettant de vérifier à quel moment l’intensité informative bascule d’une fonction d’aide à une source de dysfonctionnement perceptuel.

7. Validité / Validity

La validité psychométrique de l’échelle d’exhaustivité de l’information a fait l’objet d’un processus de vérification méthodologique approfondi dans l’étude princeps d’Hoffmann et al. (2022), articulé autour d’une démarche multi-études impliquant des expérimentations contrôlées en laboratoire et des contextes de terrain.

Validité de contenu et d’apparence

Les items ont été rédigés pour couvrir l’espace sémantique complet du concept d’exhaustivité tel qu’établi dans la littérature du marketing et des systèmes d’information. Des experts en psychologie de la consommation ont validé la pertinence lexicale de chaque proposition (« detailed », « comprehensive », « broad », « deep »), assurant que les nuances d’étendue horizontale et de profondeur verticale soient fidèlement restituées sans introduire d’ambiguïté lexicale.

Validité convergente

La validité convergente de l’instrument a été évaluée par le calcul de la variance moyenne extraite (AVE – Average Variance Extracted) et par l’examen des saturations factorielles standardisées issues de modèles d’équations structurelles confirmatoires :

• Les saturations factorielles standardisées ($lambda$) de l’ensemble des quatre items dépassent largement le seuil standard de 0,70 recommandé par Hair et al., se situant typiquement entre 0,78 et 0,91 selon les échantillons étudiés.
• La variance moyenne extraite (AVE) calculée pour l’échelle s’élève à des valeurs supérieures à 0,68, surpassant le seuil critique de 0,50 défini par Fornell et Larcker (1981). Cela démontre que plus de deux tiers de la variance des indicateurs est capturée par le construit sous-jacent plutôt que par l’erreur de mesure.

Validité discriminante

La validité discriminante a été testée rigoureusement par rapport aux construits psychologiques contigus mesurés simultanément dans les protocoles d’Hoffmann et al. (2022), notamment la contrôlabilité perçue, la complexité de l’interface, la charge cognitive perçue, la qualité globale de l’interface et la confiance dans le choix :

• Critère de Fornell-Larcker : La racine carrée de l’AVE pour l’échelle d’exhaustivité de l’information s’est avérée systématiquement supérieure à toutes les corrélations bivariées inter-construits (les corrélations $r$ s’échelonnant généralement entre 0,25 et 0,55, alors que $\sqrt{\text{AVE}} > 0,82$).
• Ratio Hétérotrait-Monotrait (HTMT) : Les ratios HTMT calculés se sont tous inscrits en dessous du seuil conservateur de 0,85, garantissant empiriquement que l’exhaustivité perçue de l’information constitue un construit parfaitement distinct de l’utilité perçue ou de la difficulté de manipulation cognitive.

Validité prédictive et nomologique

L’échelle a démontré une validité prédictive remarquable à travers des modélisations causales. Dans les contextes où la charge cognitive demeurait sous contrôle, des scores élevés d’exhaustivité de l’information prédisaient positivement la certitude de décision du consommateur et la réduction du regret anticipé. En revanche, dans des conditions de forte contrôlabilité surabondante, des scores élevés d’exhaustivité interagissaient avec le format de présentation pour prédire une baisse de l’évaluation globale du produit, corroborant fidèlement les hypothèses théoriques avancées par les auteurs quant aux mécanismes de saturation cognitive.

8. Fidélité / Reliability

La consistance interne et la stabilité métrologique de l’échelle d’exhaustivité de l’information ont été établies sur des échantillons hétérogènes de consommateurs totalisant plusieurs centaines de participants dans les études menées par Hoffmann et al. (2022).

Les indicateurs statistiques de fidélité obtenus à travers les différentes vagues expérimentales s’établissent comme suit :

• Alpha de Cronbach ($lpha$) : Le coefficient $lpha$ rapporté dans l’étude principale atteint 0,89. Lors des études de réplication et d’extension (Follow-up Studies), les valeurs se sont maintenues à un niveau très élevé, fluctuant entre 0,88 et 0,92. Ces valeurs démontrent une excellente cohérence interne, très supérieure au seuil d’acceptabilité conventionnel de 0,70, tout en demeurant sous le seuil d’hyper-redondance critique (0,95).
• Fiabilité composite (Composite Reliability – CR) : Calculée selon la formulation de Jöreskog, la fiabilité composite du construit s’élève à des valeurs comprises entre 0,89 et 0,93, confirmant que l’ensemble des indicateurs concourt de manière équilibrée et robuste à la mesure du facteur latent commun.
• Corrélations inter-items : Toutes les corrélations partielles et bivariées entre les quatre items s’établissent dans une fourchette comprise entre 0,62 et 0,79, attestant qu’aucun item n’est périphérique ni discordant par rapport au noyau central de la mesure.
• Stabilité à travers les contextes expérimentaux : L’échelle a démontré une invariance de mesure configurationnelle et métrique entre des groupes soumis à des présentations traditionnelles sur écran plat et des groupes manipulant des hologrammes en réalité augmentée, confirmant sa robustesse transculturelle et trans-technologique.

9. Analyse factorielle / Factor Analysis

La dimensionalité de l’échelle a été vérifiée au moyen d’analyses factorielles exploratoires (AFE) préalables, consolidées par des analyses factorielles confirmatoires (AFC) exploitant l’estimateur du maximum de vraisemblance avec correction robuste (MLR) au sein du logiciel Mplus et des packages structurels de R.

Structure factorielle unidimensionnelle

L’analyse factorielle exploratoire (extraction en composantes principales avec rotation varimax) appliquée aux 4 items produit une extraction sans ambiguïté :

• Un seul facteur latent émerge avec une valeur propre (eigenvalue) très supérieure à 1 (typiquement $> 2,80$).
• Le facteur unique rend compte de plus de 72 % à 78 % de la variance totale selon les échantillons, ne laissant subsister aucun facteur secondaire résiduel doté d’une valeur propre supérieure à 0,45.
• L’examen du graphique des valeurs propres (scree plot de Cattell) révèle une rupture nette après le premier facteur, justifiant indubitablement l’unidimensionnalité du construit.

Indices d’adéquation en Analyse Factorielle Confirmatoire (AFC)

L’estimation du modèle unifactoriel à quatre indicateurs dans le cadre de la modélisation par équations structurelles fournit des indices d’adéquation (goodness-of-fit) conformes aux critères d’excellence établis par Hu et Bentler (1999) :

• Chi-deux normé ($\chi^2 / df$) : Inférieur à 2,20, traduisant un écart minime entre la matrice de covariance observée et la matrice postulée.
• Comparative Fit Index (CFI) : $> 0,98$ (valeurs empiriques oscillant entre 0,985 et 0,996).
• Tucker-Lewis Index (TLI) : $> 0,97$ (valeurs empiriques supérieures à 0,978).
• Root Mean Square Error of Approximation (RMSEA) : $< 0,055$ (avec un intervalle de confiance à 90 % compris entre [0,000 ; 0,078] et une probabilité de close fit $p > 0,50$).
• Standardized Root Mean Square Residual (SRMR) : $< 0,028$.

Saturations factorielles standardisées ($lambda$)

Les coefficients de saturation factorielle standardisés pour les quatre items s’échelonnent comme suit :

• Item 1 (detailed) : $lambda pprox 0,84$ ($p < 0,001$)
• Item 2 (comprehensive) : $lambda pprox 0,89$ ($p < 0,001$)
• Item 3 (broad) : $lambda pprox 0,81$ ($p < 0,001$)
• Item 4 (deep) : $lambda pprox 0,85$ ($p < 0,001$)

Ces résultats confirment que chaque item contribue avec un poids substantiel et statistiquement significatif à la définition du construit commun.

10. Instrument de mesure / Instrument

L’instrument se caractérise par une architecture technique compacte, garantissant une passation rapide et minimisant l’attrition des répondants au cours de protocoles expérimentaux denses :

• Type d’évaluation : Questionnaire d’auto-évaluation psychométrique (self-report measure).
• Format d’administration : Papier-crayon ou formulaire numérique informatisé (compatible ordinateurs, tablettes, smartphones et casques de réalité augmentée/virtuelle).
• Nombre d’items : 4 items rédigés sous forme d’affirmations déclaratives simples.
• Format de réponse : Échelle de Likert à 7 points (1 = strongly disagree / fortement en désaccord, à 7 = strongly agree / fortement d’accord).
• Temps de passation estimé : Moins de 60 secondes.
• Procédure de calcul des scores (Cotation) :
  • Aucun item inversé : l’ensemble des 4 items est orienté positivement vers une forte perception d’exhaustivité.
  • Un score global d’exhaustivité de l’information est calculé par la moyenne arithmétique simple des 4 items :
    $$\text{Score d’exhaustivité} = \frac{\text{Item 1} + \text{Item 2} + \text{Item 3} + \text{Item 4}}{4}$$
  • Le score résultant est compris entre 1,00 et 7,00. Un score supérieur à 5,00 témoigne d’une information jugée substantiellement riche, large et profonde, tandis qu’un score inférieur à 3,00 caractérise une information jugée superficielle, succincte ou incomplète.
  • Pour des analyses en modélisation par équations structurelles (SEM), les items peuvent être modélisés directement sous forme d’indicateurs d’un construit latent réflectif unifactoriel.

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

L’instrument a été officialisé et diffusé dans sa version actuelle en 2022 au sein du Journal of the Academy of Marketing Science :

• Année d’introduction académique : 2022.
• Droits d’auteur et propriété intellectuelle : Les droits afférents à la publication scientifique originale sont détenus par Springer Nature et l’Academy of Marketing Science. La formulation des items appartient à Stefan Hoffmann, Tom Joerß, Robert Mai et Payam Akbar.
• Politique d’utilisation et frais (Tarification) : L’échelle est mise à la disposition de la communauté académique et scientifique à titre gratuit pour des travaux de recherche non commerciale. Aucune redevance n’est exigée pour son utilisation dans le cadre de mémoires universitaires, de thèses doctorales ou d’articles académiques.
• Modalités de citation : Toute utilisation de l’échelle dans un dispositif expérimental ou observationnel doit s’accompagner d’une citation bibliographique formelle de l’article source d’Hoffmann et al. (2022) conformément aux conventions de l’APA.
• Utilisation commerciale : Toute intégration de l’outil dans des audits d’entreprises, des solutions logicielles propriétaires ou des services marchands payants nécessite une autorisation préalable auprès des détenteurs des droits de publication et des auteurs.

12. Références / References

Les références bibliographiques suivantes fournissent les fondements théoriques, psychométriques et méthodologiques de l’échelle d’exhaustivité de l’information :

• Bettman, J. R. (1979). An Information Processing Theory of Consumer Choice. Addison-Wesley Educational Publishers.
• 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
• Hoffmann, S., Joerß, T., Mai, R., & Akbar, P. (2022). Augmented reality-delivered product information at the point of sale: When information controllability backfires. Journal of the Academy of Marketing Science, 50(4), 743–776. https://doi.org/10.1007/s11747-022-00850-w
• 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
• Petty, R. E., & Cacioppo, J. T. (1986). The Elaboration Likelihood Model of persuasion. In L. Berkowitz (Ed.), Advances in Experimental Social Psychology (Vol. 19, pp. 123–205). Academic Press. https://doi.org/10.1016/S0065-2601(08)60214-2
• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4

13. Questions et items du questionnaire / Scale Items