Préoccupations liées à la vie privée (exactitude des données)

1. Résumé / Abstract

L’échelle des préoccupations liées à la vie privée concernant l’exactitude des données (Privacy Concerns – Data Accuracy) constitue un instrument psychométrique ciblé conçu pour quantifier l’appréhension subjective des consommateurs quant à la rigueur, la mise à jour et la véracité des informations personnelles collectées et conservées par les organisations commerciales. Développée et opérationnalisée dans le cadre des travaux fondateurs de Grosso, Castaldo, Li et Larivière (2020) au sein d’une vaste recherche empirique transnationale publiée dans le Journal of Retailing, cette mesure s’inscrit au cœur des modèles théoriques explorant les antécédents psychologiques du partage de données et les mécanismes de confiance dans l’environnement de la distribution omnicanale.

Sur le plan structurel, cette échelle unidimensionnelle capture l’évaluation cognitive et affective par le consommateur des politiques de gouvernance de données mises en œuvre par les détaillants, spécifiquement l’effort déployé par ces derniers pour préserver des dossiers précis et offrir des mécanismes accessibles de rectification des erreurs. Composée généralement de trois à quatre items formulés selon une échelle de réponse de type Likert en sept points (allant de 1 = « Pas du tout d’accord » à 7 = « Tout à fait d’accord »), l’échelle démontre d’excellentes qualités métrologiques. Les analyses psychométriques rapportées dans les contextes multiculturels (notamment aux États-Unis, en Italie et dans plusieurs pays européens) attestent d’une consistance interne remarquable, avec des coefficients alpha de Cronbach systématiquement supérieurs au seuil conventionnel de 0,85, ainsi qu’une fiabilité composite (CR) excédant 0,87.

La validité convergente et la validité discriminante de l’échelle ont été confirmées au moyen d’analyses factorielles confirmatoires rigoureuses, montrant une variance moyenne extraite (AVE) supérieure à 0,65. L’instrument permet d’éclairer avec finesse les arbitrages perceptuels des usagers confrontés au profilage algorithmique, à la personnalisation marchande et aux asymétries informationnelles caractéristiques de l’économie numérique contemporaine.

2. Mots-clés / Keywords

Préoccupations relatives à la vie privée, exactitude des données, confiance du consommateur, psychométrie, divulgation d’informations personnelles, distribution omnicanale, gouvernance des données, intégrité informationnelle, théorie du calcul de la vie privée, fidélité composite.

3. Auteurs / Authors

L’instrument a été formalisé et validé empiriquement dans sa version spécifique au commerce de détail par une équipe internationale de chercheurs en marketing et psychométrie du comportement du consommateur :

• Monica Grosso : Professeure associée en marketing à l’Audencia Business School, Nantes, France. Ses recherches se concentrent sur la gestion de la relation client, la confiance, la fidélité et le comportement du consommateur dans les réseaux de distribution. Courriel institutionnel : [email protected].
• Sandro Castaldo : Professeur titulaire de marketing et de gestion commerciale à l’Université Bocconi, Milan, Italie, et chercheur senior au sein du département de gestion et de technologie de la SDA Bocconi School of Management. Spécialiste mondialement reconnu de la confiance interorganisationnelle et de la confiance client-détaillant. Courriel institutionnel : [email protected].
• Hongyan Li : Enseignante-chercheuse et statisticienne, affiliée aux départements d’analytique et de modélisation quantitative, spécialisée dans les équations structurelles et la modélisation multi-niveaux appliquée au comportement de partage d’informations.
• Bart Larivière : Professeur de marketing de services à la KU Leuven, Faculté d’économie et de commerce, Centre d’excellence en gestion des services, Louvain, Belgique. Ses travaux pionniers portent sur la transformation numérique des services, l’expérience client et l’analyse prédictive. Courriel institutionnel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de cette échelle de mesure est d’isoler, de quantifier et d’analyser la composante critique de l’exactitude des données (data accuracy) au sein du méta-construit multidimensionnel que représentent les préoccupations relatives à la vie privée (privacy concerns). Alors que les recherches traditionnelles ont fréquemment agrégé de manière indistincte les craintes liées à la surveillance, à l’accès non autorisé, à l’utilisation secondaire et au vol d’identité, les auteurs ont mis en évidence la nécessité théorique et pratique de dissocier les craintes relatives à l’intégrité et à l’exactitude des registres de données détenus par les firmes.

Dans les écosystèmes marchands contemporains, les détaillants collectent une multiplicité d’empreintes numériques : historiques d’achats, coordonnées géographiques, données sociodémographiques, préférences implicites et scores prédictifs générés par l’intelligence artificielle. Dès lors, l’instrument vise à mesurer le degré de suspicion ou d’inquiétude de l’individu quant à l’incapacité de l’entreprise à maintenir des dossiers exempts d’erreurs, ainsi que l’absence perçue de voies de recours simples pour rectifier des informations erronées, obsolètes ou décontextualisées.

Les applications de cette échelle s’étendent à de multiples domaines de la recherche fondamentale et appliquée :

• Modélisation du comportement de divulgation : L’outil sert à déterminer dans quelle mesure la crainte d’inexactitudes bloque la volonté du client de partager des données sensibles (telles que des identifiants financiers, des antécédents médicaux ou des adresses privées).
• Analyse de l’efficacité des leviers de confiance : L’échelle permet de tester le rôle modérateur et médiateur des préoccupations d’exactitude face à la confiance accordée au personnel de vente en magasin, à l’enseigne marchande globale et aux régulations juridiques du pays d’appartenance.
• Diagnostic éthique et conformité organisationnelle : Dans le cadre de l’application du Règlement Général sur la Protection des Données (RGPD) en Europe ou du CCPA en Californie, l’échelle permet aux entreprises d’auditer la perception publique de leur conformité avec le principe fondamental d’exactitude des données (Article 5(1)(d) du RGPD).
• Psychologie des technologies interactives : Les chercheurs emploient cette mesure pour étudier l’acceptation des systèmes de recommandation, des programmes de fidélité numériques et des interfaces d’achat conversationnelles.

5. Construit psychologique / Construct

Le construit psychologique opérationnalisé par cette échelle relève de la psychologie cognitive et de l’évaluation du risque informationnel. Il trouve son origine conceptuelle dans le modèle séminal de Smith, Milberg et Burke (1996) relatif aux Concern for Information Privacy (CFIPC), ultérieurement enrichi par Malhotra, Kim et Agarwal (2004) dans le cadre de l’Internet Users’ Information Privacy Concerns (IUIPC). Dans cette taxonomie, l’exactitude des données désigne la perception subjective qu’a un individu des risques inhérents à la gestion technique et managériale de ses données personnelles, caractérisée par deux dimensions sous-jacentes interconnectées :

1. La rigueur procédurale de vérification (Verification Rigor)

Cette dimension renvoie à l’évaluation par le consommateur de la vigilance déployée par l’organisation pour s’assurer que les données collectées ne sont ni corrompues, ni tronquées, ni associées par erreur à un autre profil d’utilisateur. Un consommateur manifestant un score élevé sur cette composante craint, par exemple, qu’un détaillant n’enregistre un historique d’achat erroné susceptible d’altérer sa solvabilité, son éligibilité à certaines promotions ou sa réputation au sein du programme de fidélité. Le sujet perçoit les bases de données institutionnelles comme des réceptacles potentiellement instables où les erreurs humaines et logicielles prolifèrent faute d’audits systématiques.

2. L’accessibilité des mécanismes correctifs (Corrective Recourse Accessibility)

La seconde composante évalue le sentiment d’impuissance ou d’injustice procédurale face à l’impossibilité de modifier, d’amender ou de supprimer des informations périmées ou inexactes. Il ne s’agit pas uniquement de déplorer l’existence d’une erreur, mais d’anticiper les frictions cognitives, le stress et les barrières bureaucratiques nécessaires pour contraindre l’organisation à rétablir la vérité factuelle. Un niveau élevé d’inquiétude sur cette facette reflète la conviction que l’entreprise n’offre pas de canaux fluides, transparents et réactifs pour faire valoir le droit de rectification.

Ce construit se distingue nettement des préoccupations relatives à la collection abusive (unauthorized collection) ou au partage non consenti avec des tiers (secondary use). Alors que la collection concerne la quantité de données prélevées et que l’usage secondaire concerne la destination des données, l’exactitude se concentre strictement sur la fidélité, l’intégrité et la précision du reflet numérique de la personne au sein des serveurs de l’entreprise.

6. Cadre théorique / Theoretical Framework

L’architecture théorique sous-jacente à la mesure repose principalement sur la conjugaison de trois grands cadres conceptuels en psychologie et sciences de gestion :

La théorie du calcul de la vie privée (Privacy Calculus Theory)

Inspirée des modèles d’utilité espérée de théorie du choix rationnel de Laufer et Wolfe (1977), la Privacy Calculus Theory postule que la décision d’un individu de divulguer des informations personnelles résulte d’une pesée cognitive méticuleuse entre les bénéfices anticipés (personnalisation du service, remises financières, commodité logistique) et les risques encourus (atteinte à la vie privée, usurpation d’identité, discrimination tarifaire). Dans cette matrice décisionnelle, les préoccupations d’exactitude agissent comme un amplificateur direct du risque perçu. Si les données stockées sont inexactes, le consommateur n’anticipe plus de bénéfices personnalisés pertinents, mais redoute au contraire des décisions algorithmiques biaisées et des désagréments administratifs, ce qui fait basculer le calcul en faveur de la rétention d’information.

La théorie de la confiance multidimensionnelle (Multidimensional Trust Theory)

La recherche de Grosso et al. (2020) ancre l’échelle dans les approches systémiques de la confiance développées par Mayer, Davis et Schoorman (1995). Les auteurs démontrent que la confiance ne se déploie pas dans le vide, mais s’articule à trois niveaux hiérarchiques :

• La confiance interpersonnelle envers le personnel en contact (personnel-trust), basée sur la bienveillance et l’empathie perçue ;
• La confiance organisationnelle envers le détaillant (retailer-trust), adossée à l’intégrité et à la compétence managériale globale ;
• La confiance institutionnelle envers le cadre sociétal et légal du pays (country-trust), fondée sur l’effectivité des lois de protection des consommateurs.

Les préoccupations d’exactitude des données constituent une force inhibitrice que ces trois piliers de confiance doivent compenser. En l’absence d’une confiance solide dans l’organisation ou dans le cadre légal du pays, une vive inquiétude quant à la tenue des registres annihilera toute disposition à coopérer.

La théorie de la justice procédurale (Procedural Justice Theory)

Élaborée par Lind et Tyler (1988), cette théorie explique que les individus accordent une valeur primordiale à l’équité des processus de décision, indépendamment des résultats obtenus. L’obligation pour une entreprise de tenir des données exactes et de fournir des outils de correction est interprétée par le sujet comme le témoignage d’une justice procédurale élémentaire. L’inquiétude mesurée par l’échelle traduit ainsi un déficit de justice procédurale perçue au sein de la gouvernance de l’information.

7. Validité / Validity

Les protocoles de validation psychométrique appliqués à cette échelle dans les travaux de Grosso et ses collaborateurs (2020) ont suivi les standards méthodologiques les plus rigoureux recommandés en psychométrie et marketing quantitatif :

Validité de contenu et validité faciale

Les items originaux ont été initialement adaptés des échelles validées de Smith et al. (1996) et de Malhotra et al. (2004), puis soumis à un panel d’experts académiques en comportement du consommateur et en droit du numérique pour juger de leur pertinence contextuelle face aux technologies modernes du commerce de détail. Des entretiens cognitifs préliminaires menés auprès d’échantillons de consommateurs ont permis d’éliminer toute ambiguïté sémantique dans la formulation des énoncés.

Validité convergente

La validité convergente a été démontrée à travers plusieurs indices dans le cadre de modèles d’équations structurelles confirmatoires :

• Les saturations factorielles standardisées (standardized factor loadings, $lambda$) de chaque item sur le facteur latent de l’exactitude des données étaient toutes hautement significatives ($p < 0,001$) et dépassaient largement le seuil conventionnel de 0,70 (variant entre 0,78 et 0,89).
• La variance moyenne extraite (Average Variance Extracted, AVE) s’est établie à des valeurs oscillant entre 0,66 et 0,74 selon les sous-échantillons nationaux analysés, dépassant largement le plancher prescrit de 0,50 par Fornell et Larcker (1981).

Validité discriminante

La distinction entre cette échelle et les autres dimensions des préoccupations de vie privée (notamment la collecte non autorisée, l’accès inapproprié et l’absence de contrôle) a été rigoureusement confirmée :

• Selon le critère de Fornell-Larcker, la racine carrée de l’AVE pour le construit de l’exactitude des données s’est révélée supérieure à toutes les corrélations bivariées inter-construits reliant cette facette aux autres variables latentes du modèle.
• Le ratio Hétérotrait-Monotrait (HTMT) a été examiné conformément aux directives méthodologiques contemporaines de Henseler, Ringle et Sarstedt (2015) ; toutes les valeurs HTMT étaient strictement inférieures au seuil conservateur de 0,85, attestant d’une nette différenciation conceptuelle et empirique.

Validité prédictive et nomologique

La validité nomologique est étayée par la capacité de l’échelle à prédire de manière statistiquement significative la variable dépendante clé : la propension des acheteurs à divulguer des données personnelles (willingness to share information). Les coefficients de régression structurelle ont montré une relation négative robuste entre le niveau d’inquiétude d’exactitude et la volonté de partager des données, cette relation étant modérée de manière prévisible par les dimensions de la confiance (personnel, enseigne et pays).

8. Fidélité / Reliability

L’évaluation de la fidélité psychométrique de l’échelle a fait l’objet d’analyses approfondies au sein de différents contextes empiriques :

Consistance interne

La consistance interne de l’instrument a été vérifiée par le calcul de l’alpha de Cronbach ($\alpha$) et de la fiabilité composite (Composite Reliability, CR) de Jöreskog. Dans l’échantillon transnational de Grosso et al. (2020), comprenant des répondants de plusieurs marchés développés, les indicateurs ont démontré une stabilité remarquable :

• Alpha de Cronbach ($\alpha$) : Les valeurs rapportées s’échelonnent entre 0,84 et 0,91, témoignant d’une très forte cohérence mutuelle entre les items formulés sans pour autant indiquer une redondance excessive (qui surviendrait au-delà de 0,95).
• Fiabilité composite (CR) : Les valeurs de CR varient de 0,87 à 0,93, excédant largement le standard scientifique minimal requis de 0,70.
• Corrélations totales corrigées des items (Corrected Item-Total Correlations) : Tous les items affichent des corrélations item-total supérieures à 0,65, confirmant que chaque énoncé contribue de façon substantielle à la variance du construit commun.

Invariance de la mesure (Measurement Invariance)

Puisque l’échelle a été administrée dans plusieurs pays, des tests d’invariance de mesure multi-groupes (MGCFA) ont été conduits pour vérifier la stabilité psychométrique à travers les cultures. L’invariance configurationnelle (structure factorielle identique), l’invariance métrique (saturations factorielles équivalentes, $p > 0,05$ pour les variations de $\chi^2$) et l’invariance scalaire partielle ont été établies. Cela garantit que les différences de scores observées reflètent d’authentiques variations psychologiques dans les préoccupations de vie privée et non des artefacts de traduction ou d’interprétation sémantique entre les cohortes linguistiques.

9. Analyse factorielle / Factor Analysis

La structure factorielle de l’instrument a été examinée au moyen d’analyses factorielles exploratoires (AFE) préalables et d’analyses factorielles confirmatoires (AFC) approfondies utilisant l’estimateur du maximum de vraisemblance robuste (MLR) ou la modélisation par équations structurelles basée sur la covariance (CB-SEM) :

Analyse Factorielle Exploratoire (AFE)

Lors des phases initiales de développement, une analyse en composantes principales assortie d’une rotation oblique (Promax ou Oblimin direct, en accord avec l’intercorrélation théorique attendue des facettes de la vie privée) a été appliquée. Les résultats ont systématiquement fait émerger une solution claire où :

• Tous les items d’exactitude des données saturaient exclusivement sur un seul facteur propre avec des valeurs propres (eigenvalues) supérieures à 1,0 (critère de Kaiser).
• Ce facteur expliquait plus de 68 % de la variance totale extraite de la sous-dimension.
• Aucune saturation croisée (cross-loading) substantielle n’a dépassé 0,25 sur les autres facteurs de la vie privée (collection, contrôle, usage secondaire).

Analyse Factorielle Confirmatoire (AFC)

L’AFC conduite sur le modèle de mesure global intégrant les différentes facettes des préoccupations et les dimensions de la confiance a démontré un ajustement exceptionnel aux données empiriques. Les indices d’adéquation globale (Goodness-of-Fit) se situent systématiquement dans les intervalles d’excellence prescrits par Hu et Bentler (1999) :

• Chi-deux normalisé ($\chi^2/ddl$) : Compris entre 1,82 et 2,45 (largement inférieur au seuil acceptable de 3,0).
• Comparative Fit Index (CFI) : Valeurs supérieures à 0,96.
• Tucker-Lewis Index (TLI) : Valeurs supérieures à 0,95.
• Root Mean Square Error of Approximation (RMSEA) : Valeurs situées entre 0,038 et 0,049 avec un intervalle de confiance à 90 % étroit ([0,031 ; 0,056]).
• Standardized Root Mean Square Residual (SRMR) : Inférieur à 0,042.

Les saturations factorielles standardisées des items au sein de l’AFC se sont révélées uniformément élevées et stables, attestant du caractère robuste et épuré de l’architecture factorielle unidimensionnelle de cette sous-échelle.

10. Instrument de mesure / Instrument

L’instrument de mesure présente les spécifications administratives et métrologiques suivantes :

• Type d’évaluation : Auto-questionnaire psychométrique standardisé (self-report inventory).
• Format d’administration : Papier-crayon ou administration numérique en ligne (compatible ordinateurs, tablettes et smartphones).
• Population cible : Consommateurs adultes, utilisateurs de plateformes de commerce électronique, acheteurs en magasin physique et clients de programmes de fidélité omnicanaux.
• Nombre d’items : 3 à 4 items centraux (selon la version spécifique adaptée des échelles de CFIPC/IUIPC dans l’étude de référence).
• Échelle de réponse : Échelle de type Likert en 7 points :
  1 = Fortement en désaccord (Strongly disagree)
  2 = En désaccord (Disagree)
  3 = Légèrement en désaccord (Somewhat disagree)
  4 = Neutre / Ni en accord ni en désaccord (Neither agree nor disagree)
  5 = Légèrement d’accord (Somewhat agree)
  6 = D’accord (Agree)
  7 = Fortement d’accord (Strongly agree)
• Temps de passation : Approximativement 1 à 2 minutes pour la sous-échelle d’exactitude (environ 8 à 12 minutes si administrée avec la batterie complète d’antécédents de confiance et d’intentions de partage).
• Procédure de cotation : Calcul du score moyen non pondéré (somme des items divisée par le nombre total d’items) ou modélisation par score factoriel latent dans les environnements SEM. Aucun item n’est inversé (tous les items sont formulés dans le sens d’une préoccupation accrue). Un score élevé traduit une inquiétude profonde et une méfiance marquée vis-à-vis de l’exactitude des données détenues par l’organisation.

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

L’échelle et le cadre conceptuel ont été formellement publiés dans leur configuration empirique dans le Journal of Retailing en 2020 :

• Année d’introduction dans le contexte omnicanal : 2020 (fondations conceptuelles ancrées dans Smith et al., 1996 et Malhotra et al., 2004).
• Propriété intellectuelle et droits d’auteur : Les droits éditoriaux de l’article scientifique de référence sont détenus par Elsevier Inc. au nom de la New York University (propriétaire du Journal of Retailing).
• Conditions d’utilisation et tarification : L’utilisation des items dans le cadre de recherches académiques non commerciales, de mémoires universitaires et de thèses doctorales est généralement autorisée à titre gracieux, sous réserve d’une citation bibliographique formelle et appropriée de l’article de Grosso et al. (2020). Les utilisations commerciales, les audits propriétaires d’entreprises ou l’intégration dans des progiciels d’évaluation commerciale requièrent une autorisation formelle auprès des titulaires des droits (via le système Copyright Clearance Center / RightsLink d’Elsevier).

12. Références / References

Les sources théoriques et empiriques étayant cette échelle incluent les publications scientifiques de référence suivantes :

• 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
• Grosso, M., Castaldo, S., Li, H., & Larivière, B. (2020). What information do shoppers share? The effect of personnel-, retailer-, and country-trust on willingness to share information. Journal of Retailing, 96(4), 524-547. https://doi.org/10.1016/j.jretai.2020.10.004
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8
• 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
• Laufer, R. S., & Wolfe, M. (1977). Privacy as a concept and a social issue: A multidimensional developmental theory. Journal of Social Issues, 33(3), 22-42. https://doi.org/10.1111/j.1540-4560.1977.tb01880.x
• Malhotra, N. K., Kim, S. S., & Agarwal, J. (2004). Internet users’ information privacy concerns (IUIPC): The construct, the scale, and a causal model. Information Systems Research, 15(4), 336-355. https://doi.org/10.1287/isre.1040.0032
• Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709-734. https://doi.org/10.5465/amr.1995.9508080332
• Smith, H. J., Milberg, S. J., & Burke, S. J. (1996). Information privacy: Measuring individuals’ concerns about organizational practices. MIS Quarterly, 20(2), 167-196. https://doi.org/10.2307/249477

13. Questions et items du questionnaire / Scale Items