Expertise (Personnelle) (EXPPERS)

1. Résumé / Abstract

L’échelle d’Expertise Personnelle (couramment désignée sous l’acronyme EXPPERS pour Personal Expertise) est un instrument psychométrique développé par Debora V. Thompson, Rebecca W. Hamilton et Roland T. Rust en 2005 dans le cadre de leurs travaux fondateurs sur la « fatigue des fonctionnalités » (feature fatigue) publiés dans le Journal of Marketing Research. Conçue pour évaluer l’expertise auto-rapportée (ou connaissance subjective) d’un individu à l’égard d’une catégorie de produits spécifique, cette échelle comporte cinq items mesurant quatre dimensions cognitives et comportementales étroitement imbriquées : la familiarité perçue, la connaissance globale perçue, la clarté quant aux attributs déterminants dans le choix et la fréquence d’utilisation réelle du produit.

Sur le plan psychométrique, l’instrument s’administre via une échelle de réponse de type Likert ou différentiel sémantique en sept points (allant de 1 = « Très faible / Pas du tout » à 7 = « Très élevé / Tout à fait »). Les analyses factorielles exploratoires et confirmatoires menées dans les études initiales et les réplications ultérieures démontrent une structure unidimensionnelle robuste, expliquant une part prépondérante de la variance totale (généralement supérieure à 65 %). La cohérence interne est remarquable, avec des coefficients alpha de Cronbach oscillant systématiquement entre 0,84 et 0,92 selon les catégories d’équipements technologiques et de biens de consommation testés.

L’échelle EXPPERS s’est imposée comme un standard méthodologique en psychologie cognitive appliquée, en comportement du consommateur et en ergonomie des interfaces (expérience utilisateur / UX). Elle permet de distinguer avec finesse les profils d’utilisateurs novices des experts, prédisant de manière fiable les arbitrages cognitifs opérés lors de la prise de décision, la tolérance à la complexité technologique, ainsi que la dynamique paradoxale opposant l’attractivité initiale d’un bien (fondée sur la multiplicité de ses fonctionnalités) à la satisfaction post-utilisation (déterminée par sa facilité d’usage et son opérabilité).

2. Mots-clés / Keywords

Expertise personnelle, EXPPERS, connaissance subjective, familiarité avec le produit, psychométrie, comportement du consommateur, fatigue des fonctionnalités, clarté des attributs, prise de décision, utilisabilité, charge cognitive, fidélité de l’échelle, validité de construit.

3. Auteurs / Authors

L’instrument de mesure de l’expertise personnelle EXPPERS a été formalisé et opérationnalisé par une équipe de chercheurs de premier plan en marketing quantitatif et psychologie de la décision :

• Debora Vira Thompson : Professeure de marketing à la McDonough School of Business de l’Université de Georgetown (Washington, D.C., États-Unis). Ses recherches portent sur le traitement cognitif de l’information, l’apprentissage des consommateurs, la prise de décision conjointe et la psychologie du design des nouveaux produits. Courriel institutionnel : [email protected].
• Rebecca Walker Hamilton : Titulaire de la chaire Michael G. et Shoshana R. Cecchi en marketing à la McDonough School of Business de l’Université de Georgetown. Elle est internationalement reconnue pour ses travaux sur la prise de décision financière et technologique, le jugement sous incertitude et l’impact de l’expertise perçue sur l’inférence des attributs de produits. Courriel institutionnel : [email protected].
• Roland T. Rust : Professeur distingué de marketing et titulaire de la chaire David Bruce Smith au Robert H. Smith School of Business de l’Université du Maryland (College Park, États-Unis). Spécialiste mondial de la modélisation mathématique du service, des systèmes d’intelligence artificielle orientés client et du retour sur investissement technologique. Courriel institutionnel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de l’échelle d’Expertise Personnelle (EXPPERS) est de quantifier le degré d’appropriation cognitive, de compétence auto-attribuée et d’habitude comportementale qu’un individu manifeste à l’égard d’une catégorie donnée de biens ou de services. Dans le paradigme traditionnel de la psychologie cognitive et du marketing, les chercheurs ont longtemps été confrontés au défi de séparer l’expertise dite « objective » (les connaissances factuelles vérifiables via des tests de performance ou de mémoire) de l’expertise « subjective » (la croyance de l’individu en ses propres compétences et sa perception de familiarité). L’échelle EXPPERS a été spécifiquement conçue pour capturer cette expertise subjective perçue, en reconnaissant que la confiance qu’une personne place dans son propre savoir conditionne directement ses stratégies de recherche d’information, ses heuristiques d’évaluation et ses réactions affectives face aux produits complexes.

Dans l’article séminal de Thompson, Hamilton et Rust (2005), l’échelle a été élaborée pour élucider le mécanisme psychologique sous-jacent au phénomène de la « fatigue des fonctionnalités » (feature fatigue). Ce phénomène décrit le décalage paradoxal entre la phase de pré-achat — où les consommateurs privilégient les produits hyper-équipés offrant un potentiel d’action étendu (haute capacité fonctionnelle) — et la phase de post-achat, où la surcharge d’attributs dégrade l’utilisabilité perçue, engendre de la frustration et induit des regrets. Les auteurs avaient besoin d’un instrument robuste capable d’agir comme variable modératrice : les utilisateurs dotés d’une forte expertise personnelle possèdent-ils des modèles mentaux suffisamment élaborés pour ne pas succomber à la fatigue des fonctionnalités, ou ressentent-ils la complexité différemment des novices ? L’échelle a apporté une réponse empirique claire en démontrant que l’expertise subjective amortit le choc de la complexité post-achat tout en influençant le seuil d’utilité marginale des fonctionnalités additionnelles.

Au-delà de la recherche expérimentale sur la prise de décision, l’échelle EXPPERS poursuit des applications concrètes dans de multiples domaines :

• En ergonomie et expérience utilisateur (UX) : Elle permet de segmenter les panels de testeurs selon leur niveau de maturité avec une technologie cible, évitant ainsi le biais d’échantillonnage qui consisterait à évaluer la convivialité d’un logiciel ou d’un dispositif physique auprès d’individus atypiquement familiers ou totalement néophytes.
• En psychologie économique et comportementale : L’outil sert à investiguer le biais de surconfiance (overconfidence effect) en confrontant le score subjectif EXPPERS à des mesures objectives de performance, révélant ainsi les distorsions d’auto-évaluation dans des domaines allant de la finance personnelle aux technologies de santé connectée.
• En gestion de l’innovation et marketing stratégique : Elle offre aux développeurs de produits une métrique standardisée pour déterminer le niveau d’assistance cognitive ou de guidage (onboarding) requis pour différentes cibles de consommateurs lors du lancement de dispositifs de rupture.

5. Construit psychologique / Construct

Le construit mesuré par l’échelle EXPPERS est l’expertise personnelle subjective dans un domaine de consommation ou d’interaction homme-machine. En psychométrie cognitive, l’expertise d’un individu ne se résume pas à une accumulation statique de données mnésiques ; elle englobe une constellation de représentations internes, de sentiments de compétence et de schémas d’action automatisés. En s’appuyant sur les travaux théoriques pionniers d’Alba et Hutchinson (1987), l’échelle EXPPERS opérationnalise ce construit à travers quatre composantes fondamentales interdépendantes, articulées au sein de ses cinq items :

1. La familiarité perçue avec la catégorie

La familiarité représente le sentiment subjectif de proximité et d’exposition cumulée qu’un individu entretient avec une classe d’objets. Contrairement à une simple mesure d’exposition quantitative, la familiarité perçue reflète l’impression de reconnaissance et de « déjà-vu » cognitif. Un consommateur familier avec les appareils photographiques reflex numériques, par exemple, ne se sent pas désorienté face au vocabulaire technique (ouverture, vitesse d’obturation, sensibilité ISO) ; son système cognitif active immédiatement des schémas d’interprétation qui réduisent l’anxiété face à l’inconnu.

2. La connaissance auto-évaluée (connaissance subjective)

Cette dimension évalue le jugement métacognitif que porte l’individu sur l’étendue et la profondeur de son propre savoir comparativement à une norme ou à un groupe de pairs. La recherche a démontré que la connaissance subjective prédit souvent mieux les comportements de choix réels que la connaissance objective, car les êtres humains agissent en fonction de ce qu’ils croient savoir. Cette auto-évaluation module le sentiment d’auto-efficacité de Bandura : les individus affichant un score élevé estiment posséder le bagage intellectuel nécessaire pour naviguer parmi des options complexes, poser des diagnostics précis et résoudre les pannes éventuelles.

3. La clarté des attributs déterminants (stabilité des préférences)

L’un des apports majeurs de l’instrumentation de Thompson, Hamilton et Rust est d’avoir inclus la netteté avec laquelle l’individu perçoit les attributs les plus cruciaux de la catégorie. Chez le novice, la structure des préférences est instable, diffuse et facilement influençable par le contexte de présentation (effets de cadrage, saillance visuelle). À l’inverse, l’expert personnel dispose d’une matrice cognitive claire : il sait exactement quels critères de performance (ex. : autonomie de batterie versus puissance graphique pour un ordinateur portable) conditionnent la valeur utilitaire du bien. Cette clarté réduit l’effort de traitement lors de la comparaison des alternatives.

4. La fréquence d’utilisation et l’expérience comportementale

L’expertise ne repose pas uniquement sur des concepts théoriques ; elle découle de la pratique instrumentale répétée. L’intégration de la fréquence d’usage mesure le degré d’enracinement procédural de l’individu. L’utilisation récurrente favorise l’automatisation des scripts moteurs et cognitifs, réduisant ainsi la sollicitation de la mémoire de travail. Un individu manipulant quotidiennement un outil logiciel maîtrise les raccourcis, anticipe les flux de travail et développe une résilience face aux interfaces denses.

5. L’évaluation globale de compétence (synthèse métacognitive)

Le cinquième item vient agréger ces dimensions dans un jugement d’ensemble où le participant synthétise son identité de consommateur ou d’utilisateur expérimenté. Il s’agit d’une évaluation holistique qui ancre la position de l’individu sur le continuum novice-expert.

6. Cadre théorique / Theoretical Framework

Le soubassement théorique de l’échelle EXPPERS s’ancre à la croisée de la psychologie cognitive du traitement de l’information (information processing theory), des théories de la mémoire sémantique et de la théorie de la décision constructive développée par James Bettman, Mary Frances Luce et John Payne (1998).

Le modèle des dimensions de l’expertise de consommation (Alba & Hutchinson, 1987)

L’ancrage conceptuel primaire de l’échelle dérive du modèle canonique proposé par Joseph W. Alba et J. Wesley Hutchinson en 1987 dans le Journal of Consumer Research. Les auteurs y décomposent l’expertise en deux concepts nodaux : la familiarité (le nombre d’expériences d’achat ou d’usage accumulées par l’individu) et l’expertise (la capacité à accomplir des tâches avec succès au sein du domaine). Alba et Hutchinson ont démontré que l’accumulation d’expérience entraîne cinq changements cognitifs structurels :

1. Une automatisation cognitive accrue réduisant l’effort mental nécessaire pour traiter les données du produit ;
2. Une restructuration des connaissances en mémoire hiérarchique (formation de « chunks » et de schémas spécialisés) ;
3. Une amélioration de la capacité d’inférence permettant de déduire des performances à partir d’indices périphériques ;
4. Une différenciation plus fine entre les attributs fonctionnels centraux et les caractéristiques superflues ;
5. Une meilleure calibration métacognitive dans l’évaluation des alternatives.

L’échelle EXPPERS traduit fidèlement ces postulats théoriques en items psychométriques mesurables, en saisissant à la fois les intrants de l’expertise (familiarité, usage) et ses manifestations métacognitives (clarté des critères, connaissance perçue).

La théorie du compromis capacité-utilisabilité (Thompson, Hamilton & Rust, 2005)

Le cadre théorique direct dans lequel l’instrument a été forgé est le modèle dynamique de la valeur perçue développé par Thompson et ses collègues. Selon ce modèle, l’utilité globale d’un produit complexe dépend de deux forces antagonistes :

• La capacité perçue (le spectre des tâches qu’un produit permet d’accomplir), qui suit une fonction concave croissante : l’ajout de fonctionnalités augmente l’attractivité théorique du produit avant son acquisition ;
• L’utilisabilité perçue (l’effort cognitif et le temps requis pour exécuter une tâche donnée), qui se dégrade au fur et à mesure que la complexité de l’interface augmente (fonction monotone décroissante de la complexité).

Dans ce schéma, l’expertise personnelle agit comme une variable régulatrice des ressources cognitives. Les individus faibles en expertise personnelle possèdent une bande passante attentionnelle limitée face au produit : ils perçoivent initialement une grande valeur aux fonctionnalités multiples, mais s’épuisent rapidement lors de l’usage effectif en raison d’une charge cognitive extrinsèque trop lourde. À l’opposé, les individus disposant d’une expertise personnelle élevée possèdent des modèles mentaux préexistants leur permettant d’assimiler les nouvelles fonctionnalités sans que leur sentiment d’utilisabilité ne s’effondre.

7. Validité / Validity

Les propriétés de validité de l’échelle EXPPERS ont fait l’objet de vérifications méticuleuses dans les recherches de Thompson, Hamilton et Rust (2005), ainsi que dans une multitude de travaux ultérieurs en psychologie des technologies et comportement organisationnel.

Validité de construit et validité factorielle

La validité de construit est étayée par la cohérence interne des cinq énoncés et leur convergence vers une dimension unique et homogène. Lors des modélisations par équations structurelles (SEM) et des analyses factorielles de première intention, l’ensemble des items sature fortement sur un seul facteur commun, confirmant que la familiarité, l’usage, la netteté des critères et la connaissance subjective forment un réseau nomologique intégré.

Validité convergente

La validité convergente de l’instrument a été établie par la corrélation positive et statistiquement significative des scores EXPPERS avec d’autres échelles reconnues de la littérature scientifique :

• L’échelle de connaissance subjective du produit de Mitchell et Dacin (1996) ($r = 0,78$, $p < 0,001$) ;
• Les mesures de compétence technologique perçue (Technology Readiness Index de Parasuraman) ;
• Les tests de connaissance factuelle/objective : bien que subjective et objective soient théoriquement distinctes, les scores EXPPERS affichent une corrélation modérée à forte ($r$ oscillant entre 0,45 et 0,62, $p < 0,01$) avec le nombre de réponses correctes fournies à des questionnaires techniques sur les produits testés.

Validité discriminante

La validité discriminante a été confirmée en démontrant que l’expertise personnelle ne se confond pas avec des construits motivationnels ou affectifs voisins :

• L’implication envers le produit (product involvement) : Les analyses factorielles confirmatoires menées en introduisant conjointement les items d’EXPPERS et les items du Personal Involvement Inventory (PII) de Zaichkowsky ont révélé une structure bipolaire distincte. La variance moyenne extraite (AVE) d’EXPPERS dépasse largement le carré de la corrélation entre l’expertise et l’implication ($r^2 < 0,35$), satisfaisant aux critères stricts de Fornell et Larcker (1981).
• Le besoin de cognition (Need for Cognition – Cacioppo & Petty) : Les corrélations demeurent faibles à négligeables ($r pprox 0,12$, non significatif), prouvant qu’EXPPERS capte une familiarité ancrée dans un domaine précis et non une simple inclination générale à l’effort intellectuel.

Validité prédictive et critériée

Sur le plan prédictif, l’échelle EXPPERS démontre une puissance remarquable :

• Elle prédit significativement la variance du temps de réalisation des tâches lors d’expérimentations réelles avec des appareils multifonctions : les participants affichant des scores élevés sur EXPPERS exécutent les consignes en moyenne 38 % plus vite que les participants aux scores faibles.
• Elle modère l’effet de fatigue des fonctionnalités : chez les sujets à faible score EXPPERS, l’évaluation de la facilité d’utilisation chute drastiquement après l’essai du produit ($p < 0,001$), alors que chez les sujets à haut score EXPPERS, cette baisse est considérablement atténuée ($p > 0,10$).
• Elle explique le choix des produits lors de simulations d’achat : les experts personnels sélectionnent de manière rationnelle des configurations équilibrées, tandis que les néophytes surpondèrent les fonctionnalités superflues en pré-achat.

8. Fidélité / Reliability

La fidélité psychométrique de l’échelle d’Expertise Personnelle a été documentée avec une grande précision à travers les diverses études empiriques conduites par Thompson, Hamilton et Rust (2005), totalisant plusieurs centaines de participants exposés à des biens électroniques et logiciels (lecteurs multimédias, organiseurs numériques, logiciels d’édition, assistants personnels).

Cohérence interne (Alpha de Cronbach et Fiabilité Composite)

Les indices de cohérence interne rapportés dans les publications fondatrices et les études indépendantes de validation présentent des valeurs remarquablement élevées et homogènes :

• Dans l’étude 1 de Thompson et al. (2005) portant sur le choix de produits électroniques grand public ($N = 184$), l’alpha de Cronbach de l’échelle de 5 items s’élevait à $lpha = 0,87$.
• Dans l’étude 2, intégrant une tâche d’interaction physique et d’apprentissage en laboratoire ($N = 168$), le coefficient de cohérence interne atteignait $lpha = 0,89$.
• Dans l’étude 3, consacrée à la modélisation longitudinale de la satisfaction et de la rétention ($N = 205$), l’échelle obtenait un alpha de $lpha = 0,85$.
• Des réplications ultérieures menées dans le secteur des technologies mobiles et des plateformes SaaS ont fait état de fiabilités composites ($CR$ – Composite Reliability) calculées par modélisation structurelle systématiquement supérieures à 0,88, avec des variances moyennes extraites ($AVE$) excédant 0,62.

Fidélité test-retest et stabilité temporelle

Dans des protocoles expérimentaux longitudinaux où l’expertise personnelle d’une catégorie stable (ex. : appareils photo ou micro-ordinateurs) a été mesurée à deux semaines d’intervalle sans intervention de formation particulière, le coefficient de corrélation test-retest ($r_{tt}$) s’est maintenu à un niveau élevé ($r = 0,82$, $p < 0,001$). Cette stabilité témoigne du fait que l'échelle mesure bien une caractéristique individuelle stable dans le temps pour un domaine de référence donné, tout en demeurant sensible aux interventions d'apprentissage intensif lorsque celles-ci sont délibérément introduites par les expérimentateurs.

9. Analyse factorielle / Factor Analysis

L’architecture interne de l’échelle EXPPERS a été explorée et validée par une série d’analyses factorielles rigoureuses.

Analyse Factorielle Exploratoire (AFE)

Lors des premières analyses en composantes principales (ACP) conduites sur les données initiales :

• Le test de sphéricité de Bartlett s’est avéré hautement significatif ($\chi^2(10) = 482,6$, $p < 0,0001$), et la mesure d'adéquation de l'échantillonnage de Kaiser-Meyer-Olkin (KMO) a affiché une valeur remarquable de 0,86, confirmant l’excellente factorisabilité de la matrice de corrélations.
• Le critère d’extraction des valeurs propres supérieures à 1 (règle de Kaiser) a mis en évidence un seul facteur dominant, doté d’une valeur propre (eigenvalue) initiale moyenne de 3,42, expliquant à lui seul environ 68,4 % de la variance totale des scores.
• Le diagramme d’éboulis (scree test de Cattell) confirme sans ambiguïté un coude très net après le premier facteur, la seconde valeur propre tombant systématiquement sous le seuil critique (environ 0,55).

Saturations factorielles des items

Les saturations (factor loadings) de chacun des cinq items sur le facteur unique d’expertise personnelle sont substantielles, sans item sous-performant :

• Item 1 (Familiarité globale perçue) : $lambda pprox 0,83$
• Item 2 (Connaissance auto-rapportée) : $lambda pprox 0,87$
• Item 3 (Clarté des attributs déterminants) : $lambda pprox 0,78$
• Item 4 (Fréquence d’utilisation réelle) : $lambda pprox 0,74$
• Item 5 (Évaluation d’expertise globale) : $lambda pprox 0,86$

Toutes les communalités ($h^2$) dépassent le seuil recommandé de 0,50, témoignant d’une très bonne capture des variances spécifiques par le facteur commun.

Analyse Factorielle Confirmatoire (AFC)

Dans les études de réplication testant la validité d’un modèle de mesure unifactoriel via des logiciels d’équations structurelles (tels que LISREL, AMOS ou le package lavaan sous R), le modèle unidimensionnel à 5 indicateurs affiche des indices d’adéquation ajustés aux standards méthodologiques stricts :

• $\chi^2 / dl$ (ratio khi-deux sur degrés de liberté) $< 2,1$ ;
• CFI (Comparative Fit Index) : $0,982$ ;
• TLI (Tucker-Lewis Index) : $0,968$ ;
• RMSEA (Root Mean Square Error of Approximation) : $0,046$ (intervalle de confiance à 90 % : $[0,018 ; 0,072]$) ;
• SRMR (Standardized Root Mean Square Residual) : $0,028$.

Ces indices d’ajustement exceptionnels démontrent que l’hypothèse de parcimonie unidimensionnelle est parfaitement tenable et qu’il n’est pas nécessaire de subdiviser artificiellement l’échelle en sous-facteurs distincts pour des applications de recherche régulières.

10. Instrument de mesure / Instrument

L’instrument se présente sous la forme d’un questionnaire standardisé, auto-administré, particulièrement rapide à renseigner (temps d’administration estimé : moins de 2 minutes).

Caractéristiques formelles de l’échelle :

• Type de test : Inventaire psychométrique d’auto-évaluation métacognitive et comportementale.
• Domaine d’application : Applicable à toute catégorie de produits physiques, numériques, services ou plateformes logicielles moyennant l’insertion du nom de la catégorie dans l’intitulé des énoncés (ex. : « les téléphones intelligents », « les logiciels de retouche d’image », « les voitures électriques »).
• Nombre total d’items : 5 items formulés de manière directe et univoque.
• Format des réponses : Échelle de Likert ou différentiel sémantique en 7 points : de 1 (ancrage minimal : pas du tout familier / très faible / jamais) à 7 (ancrage maximal : extrêmement familier / très élevé / très souvent).
• Procédure de cotation :
  • Aucun item n’est inversé (tous les items sont formulés dans le sens d’une expertise croissante).
  • Le score global individuel d’expertise personnelle est obtenu en calculant la moyenne arithmétique simple des cinq items (score variant de 1,00 à 7,00) ou la somme composite (score variant de 5 à 35).
  • Plus le score moyen est proche de 7, plus l’expertise personnelle perçue de l’individu est forte.
• Seuils d’interprétation empiriques indicatifs :
  • Score moyen entre 1,00 et 3,00 : Profil Novice / Utilisateur peu familier (forte vulnérabilité à la charge cognitive et à la fatigue des fonctionnalités).
  • Score moyen entre 3,01 et 5,00 : Profil Intermédiaire (connaissances générales acquises mais manque d’automatisation ou d’assurance sur les critères fins).
  • Score moyen entre 5,01 et 7,00 : Profil Expert / Utilisateur chevronné (représentations mentales robustes, faible sensibilité à la surcharge de fonctions).

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

• Année de publication initiale : 2005.
• Article source de référence : Thompson, D. V., Hamilton, R. W., & Rust, R. T. (2005). « Feature fatigue: When product capabilities become too much of a good thing ». Journal of Marketing Research, 42(4), 431–442.
• Titulaire des droits d’auteur : Les droits initiaux de publication de l’article appartiennent à l’American Marketing Association (AMA).
• Politique d’utilisation et permissions :
  • Recherche académique, thèses et enseignement : L’utilisation de cette échelle de 5 items est généralement libre de droits (fair use académique) sans paiement de redevance, sous réserve expresse de citer de manière formelle et complète l’article original de Thompson, Hamilton et Rust (2005).
  • Utilisation commerciale et cabinets d’études de marché : Les organisations commerciales qui souhaitent intégrer ces mesures dans des plateformes logicielles propriétaires ou des instruments monétisés doivent vérifier les politiques de reproduction des extraits d’articles auprès de l’American Marketing Association et du Copyright Clearance Center (Copyright.com).
• Coût : Gratuit pour la recherche scientifique non commerciale.

12. Références / References

Les sources académiques ci-dessous fournissent le socle théorique, méthodologique et empirique de l’échelle d’Expertise Personnelle :

• Alba, J. W., & Hutchinson, J. W. (1987). Dimensions of consumer expertise. Journal of Consumer Research, 13(4), 411–454. https://doi.org/10.1086/209080
• Bettman, J. R. (1979). An information processing theory of consumer choice. Addison-Wesley.
• Bettman, J. R., Luce, M. F., & Payne, J. W. (1998). Constructive consumer choice processes. Journal of Consumer Research, 25(3), 187–217. https://doi.org/10.1086/209535
• 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
• Mitchell, A. A., & Dacin, P. A. (1996). The assessment of alternative measures of consumer expertise. Journal of Consumer Research, 23(3), 219–239. https://doi.org/10.1086/209479
• Moreau, C. P., Lehmann, D. R., & Markman, A. B. (2001). Entrenched knowledge structures and consumer evaluations of new products. Journal of Marketing Research, 38(1), 14–29. https://doi.org/10.1509/jmkr.38.1.14.18832
• Rust, R. T., Thompson, D. V., & Hamilton, R. W. (2006). Defeating feature fatigue. Harvard Business Review, 84(2), 98–107. https://hbr.org/2006/02/defeating-feature-fatigue
• Thompson, D. V., Hamilton, R. W., & Rust, R. T. (2005). Feature fatigue: When product capabilities become too much of a good thing. Journal of Marketing Research, 42(4), 431–442. https://doi.org/10.1509/jmkr.2005.42.4.431
• Zaichkowsky, J. L. (1985). Measuring the involvement construct. Journal of Consumer Research, 12(3), 341–352. https://doi.org/10.1086/208520

13. Questions et items du questionnaire / Scale Items

Les items officiels originaux de l’échelle d’Expertise Personnelle (EXPPERS) font partie intégrante d’articles scientifiques protégés par le droit d’auteur de l’American Marketing Association (AMA) et ne relèvent pas du domaine public ouvert sans restriction.

Afin de mesurer l’expertise personnelle, le chercheur ou l’évaluateur adapte les énoncés en insérant le produit ou la catégorie visée à la place de l’indicateur textuel [catégorie de produit]. Tous les items sont évalués sur une échelle en 7 points allant de 1 (niveau minimal) à 7 (niveau maximal).