1. Résumé / Abstract
L’échelle des Préoccupations relatives à la vie privée (Utilisation secondaire des données) (en anglais, Privacy Concerns – Data Secondary Usage) constitue un instrument psychométrique ciblé conçu pour opérationnaliser et évaluer l’appréhension des individus quant à l’exploitation de leurs informations personnelles à des fins distinctes de celles pour lesquelles elles ont été initialement collectées. Issue des travaux fondateurs sur les dimensions de la confidentialité des données (notamment inspirée de la conceptualisation multidimensionnelle de Smith, Milberg et Burke, 1996, ainsi que des modélisations subséquentes de Malhotra, Kim et Agarwal, 2004) et adaptée dans le contexte du commerce contemporain et du comportement du consommateur par Grosso, Castaldo, Li et Larivière (2020), cette échelle mesure de manière spécifique la crainte du détournement finalisé des données personnelles.
Dans sa forme opérationnalisée au sein des recherches en marketing relationnel et en psychologie du consommateur, la sous-échelle consacrée à l’utilisation secondaire comprend généralement entre 3 et 4 items formulés sous la forme d’affirmations déclaratives. Les participants évaluent leur degré d’accord à l’aide d’une échelle de type Likert en 7 points (variant de 1 = « Pas du tout d’accord » à 7 = « Tout à fait d’accord »). D’un point de vue psychométrique, l’instrument démontre une excellente consistance interne, attestée par un coefficient alpha de Cronbach systématiquement supérieur au seuil de 0,85 et une fiabilité composite (CR) excédant 0,88 dans les études empiriques publiées. La validité convergente et la validité discriminante sont solidement établies via des analyses factorielles confirmatoires, démontrant que cette préoccupation ne se confond ni avec le souci d’exactitude des données (data accuracy), ni avec la simple méfiance globale à l’égard des entreprises ou la perception générale du risque transactionnel.
2. Mots-clés / Keywords
Préoccupations relatives à la vie privée, utilisation secondaire des données, psychométrie, comportement du consommateur, protection des données personnelles, confiance organisationnelle, modélisation par équations structurelles, validité de construit, divulgation d’informations, théorie du calcul de la vie privée.
3. Auteurs / Authors
L’adaptation et la contextualisation de cette échelle spécifique au sein du secteur de la distribution omnicanale et de la confiance relationnelle ont été dirigées par :
- Monica Grosso — Professeure associée en marketing, EMLYON Business School, Lyon, France. Spécialiste des relations client-fournisseur, du marketing relationnel et des dynamiques de confiance dans les canaux de distribution.
- Sandro Castaldo — Professeur ordinaire de gestion commerciale et marketing, Université Bocconi, Département de Marketing, Milan, Italie. Expert reconnu internationalement pour ses travaux sur la confiance institutionnelle et interpersonnelle dans les réseaux de vente au détail.
- Hongwei Li — Chercheur en marketing quantitatif et analytique des données comportementales, affilié aux institutions de recherche en sciences de gestion et sciences économiques.
- Bart Larivière — Professeur de marketing de services, Université de Gand (Center for Service Intelligence, Faculty of Economics and Business Administration), Gand, Belgique, et KU Leuven, Belgique. Autorité académique en matière d’expérience client, de technologies de service et de gouvernance des données clients.
4. Objectif / Purpose
L’objectif fondamental de cette échelle de mesure est d’isoler, de quantifier et d’analyser une facette critique et souvent prédominante des inquiétudes informationnelles des consommateurs : l’utilisation non autorisée ou imprévue des données à des fins secondaires. Dans les écosystèmes numériques actuels, les entreprises et les plateformes recueillent une masse considérable de données personnelles sous prétexte d’optimiser l’expérience utilisateur, de personnaliser les programmes de fidélité ou de finaliser une transaction commerciale. Cependant, une divergence majeure apparaît lorsque ces données sont monétisées, transférées à des tiers non affiliés, croisées avec des bases de données externes ou exploitées par des algorithmes d’apprentissage automatique pour du profilage comportemental sans le consentement explicite et éclairé de l’utilisateur.
Cette échelle a été développée et raffinée pour pallier les limites des mesures unidimensionnelles de la vie privée qui tendaient à agréger indistinctement la peur du vol d’identité, l’accès non autorisé, l’imprécision des dossiers et l’usage détourné. En isolant la dimension de « l’utilisation secondaire » (Secondary Use), l’instrument permet aux chercheurs et aux praticiens de déterminer précisément dans quelle mesure les réticences des consommateurs à partager leurs données sont motivées par le sentiment de perte de contrôle directionnel de l’information. Dans le cadre des travaux de Grosso et ses collaborateurs (2020), l’échelle a servi à évaluer comment la confiance envers le personnel en magasin, la confiance envers l’enseigne et la confiance institutionnelle au niveau national interagissent pour atténuer l’impact négatif de cette préoccupation sur la volonté de divulguer des informations privées.
Sur le plan des applications appliquées et de la recherche en psychologie sociale et économique, cet instrument constitue un outil diagnostique indispensable :
- Recherche fondamentale en comportement du consommateur : Modélisation fine des arbitrages psychologiques décrits par le modèle du « Privacy Calculus », où l’individu pèse les bénéfices immédiats d’un service face aux coûts perçus liés à la vulnérabilité informationnelle.
- Audit organisationnel et éthique des données : Évaluation de l’acceptabilité sociale des programmes de fidélisation omnicanaux et identification des seuils d’alerte déclenchant des comportements d’évitement ou de rétention d’informations volontaire (ex. fourniture de fausses données).
- Conformité réglementaire et politiques publiques : Mesure de l’impact perçu des cadres juridiques protecteurs, tels que le Règlement général sur la protection des données (RGPD), sur l’atténuation du sentiment d’exploitation abusive des données.
5. Construit psychologique / Construct
Le construit mesuré par cette échelle s’inscrit au cœur de la psychologie de la confidentialité informationnelle. Historiquement conceptualisé dans les travaux fondateurs de la psychométrie appliquée aux systèmes d’information (CFIR de Smith et al., 1996 ; IUIPC de Malhotra et al., 2004), le concept d’utilisation secondaire des données désigne la croyance subjective d’un individu selon laquelle ses données personnelles, une fois collectées pour un objectif explicite et légitime (par exemple, la livraison d’un colis ou la gestion d’un compte client), seront réutilisées, partagées ou vendues à des tierces parties ou pour des finalités internes totalement distinctes sans son consentement préalable.
Ce construit se distingue conceptuellement et empiriquement de plusieurs autres dimensions psychologiques connexes :
- Distinction avec l’exactitude des données (Data Accuracy) : Alors que l’exactitude concerne la crainte que l’organisation commette des erreurs factuelles dans les dossiers ou néglige de mettre à jour des informations erronées (ce qui pourrait porter préjudice à l’évaluation du crédit ou à la réputation du consommateur), l’utilisation secondaire porte exclusivement sur l’absence de frontière téléologique dans l’exploitation des données véridiques.
- Distinction avec l’accès non autorisé (Unauthorized Access / Security) : L’accès non autorisé renvoie aux failles de sécurité techniques, au piratage informatique et aux intrusions malveillantes externes. À l’inverse, l’utilisation secondaire implique directement la conduite intentionnelle et opportuniste de l’organisation détentrice légitime des données, qui choisit délibérément de briser le contrat psychologique établi lors de la collecte.
- Distinction avec la collecte excessive (Data Collection / Awareness) : La dimension de collecte réfère au volume ou à l’intrusivité de l’information demandée lors du premier contact, tandis que l’utilisation secondaire concerne le devenir longitudinal de ces données après leur remise.
Sur le plan psychologique, l’utilisation secondaire non consentie engendre chez le sujet un sentiment aigu de perte d’autonomie informationnelle. Selon la théorie de la réactance psychologique de Brehm (1966), la perception qu’une entité commerciale s’approprie la trajectoire future des données personnelles d’un individu menace directement son sentiment de liberté et de contrôle sur son identité numérique. Cela déclenche un état de vigilance défensive et de scepticisme cognitif qui inhibe la disposition relationnelle à long terme.
6. Cadre théorique / Theoretical Framework
Le soubassement théorique de cette échelle repose sur l’intégration de plusieurs paradigmes majeurs en psychologie sociale, en économie comportementale et en gestion des systèmes d’information :
1. La théorie de l’intégrité contextuelle (Contextual Integrity)
Développée par la philosophe et théoricienne Helen Nissenbaum (2004, 2010), la théorie de l’intégrité contextuelle postule que la vie privée ne réside pas dans le secret absolu ou l’isolement, mais dans le respect des normes informationnelles spécifiques à chaque contexte social. Selon Nissenbaum, chaque sphère de la vie (médicale, commerciale, intime, professionnelle) est régie par des normes de distribution précises concernant les acteurs, les attributs et les principes de transmission. L’utilisation secondaire des données constitue une violation paradigmatique de l’intégrité contextuelle : l’information transmise au sein du contexte de la relation marchande est transposée sans justification dans un contexte commercial externe ou publicitaire opaque, provoquant une rupture normative ressentie comme une invasion inacceptable de la vie privée.
2. Le modèle du calcul de la vie privée (Privacy Calculus Theory)
Issu des théories de l’échange social (Blau, 1964) et de l’utilité espérée, le modèle du calcul de la vie privée (Culnan & Armstrong, 1999 ; Dinev & Hart, 2006) soutient que la décision de divulguer des données repose sur une analyse rationnelle et probabiliste coûts-bénéfices. Dans cette équation décisionnelle, la crainte d’une utilisation secondaire représente le coût perçu le plus insidieux : il est asymétrique, temporellement différé et difficilement mesurable par le consommateur, car celui-ci ne peut observer directement comment ses données circulent dans les coulisses des courtiers en données (data brokers). L’échelle capture précisément l’ampleur de ce coût perçu négatif.
3. La théorie de la confiance et du contrat psychologique
Dans l’approche défendue par Grosso, Castaldo, Li et Larivière (2020), la dynamique de protection de la vie privée est intimement articulée à la théorie de la confiance multidimensionnelle (Mayer, Davis, & Schoorman, 1995). La confiance agit comme un mécanisme de réduction de la complexité sociale permettant de contrebalancer les craintes liées à l’opportunisme organisationnel. Lorsque les consommateurs craignent une utilisation secondaire des données, ils perçoivent un risque élevé de comportement opportuniste de la part du détaillant. Pour surmonter ce frein, des ancrages de confiance solides — tant au niveau micro (le personnel de vente en contact direct), méso (la marque du distributeur) que macro (le cadre juridique du pays) — deviennent indispensables.
7. Validité / Validity
La validité psychométrique de l’échelle d’utilisation secondaire des données a fait l’objet de rigoureuses vérifications empiriques, tant dans la littérature séminale que dans l’étude ciblée de Grosso et ses collègues (2020) :
Validité de contenu et validité faciale
Les items ont été initialement générés et affinés à partir de revues systématiques de la littérature et soumis à des panels d’experts en comportement du consommateur et en droit de la consommation. Cette démarche garantit que les énoncés ciblent sans équivoque le partage avec des tierces parties, le changement de finalité non approuvé et la monétisation des données collectées.
Validité convergente
La validité convergente vérifie que les items mesurant l’utilisation secondaire partagent une variance substantielle commune. Dans les analyses par équations structurelles menées par Grosso et al. (2020), l’indice de variance moyenne extraite (AVE – Average Variance Extracted) pour ce construit dépasse largement le seuil standard de 0,50 préconisé par Fornell et Larcker (1981), se situant typiquement au-delà de 0,65. De plus, toutes les saturations factorielles standardisées ($lambda$) des items sur leur facteur latent respectif sont hautement significatives ($p < 0,001$) et dépassent le seuil recommandé de 0,70.
Validité discriminante
La validité discriminante a été confirmée par de multiples critères psychométriques :
- Critère de Fornell et Larcker : La racine carrée de l’AVE pour la dimension d’utilisation secondaire est systématiquement supérieure aux corrélations inter-construits avec les autres dimensions de l’étude (ex. confiance envers le personnel, confiance dans l’enseigne, intention de partage d’informations sociodémographiques ou transactionnelles).
- Critère du ratio hétérotrait-monotrait (HTMT) : Les valeurs du ratio HTMT entre la préoccupation d’utilisation secondaire et les autres construits latents demeurent strictement inférieures au seuil conservateur de 0,85, démontrant sans ambiguïté l’indépendance statistique et conceptuelle du construit.
Validité prédictive et nomologique
La validité nomologique est corroborée par le rôle modérateur et médiateur attesté du construit au sein du modèle conceptuel. L’échelle démontre une relation prédictive inverse significative avec la volonté déclarée des consommateurs de partager des données personnelles sensibles (coordonnées financières, géolocalisation, historique d’achats). Par ailleurs, l’échelle réagit conformément aux prédictions théoriques : des niveaux élevés de confiance organisationnelle et institutionnelle diminuent significativement l’impact inhibiteur de cette préoccupation sur le comportement de partage.
8. Fidélité / Reliability
La fidélité de l’instrument est caractérisée par une excellente stabilité métrologique et une homogénéité interne remarquable à travers divers échantillons et contextes culturels :
- Cohérence interne (Alpha de Cronbach) : Dans les recherches de Grosso et al. (2020), l’alpha de Cronbach calculé pour la sous-échelle d’utilisation secondaire des données atteint des valeurs oscillant entre 0,87 et 0,92 selon les sous-échantillons transnationaux étudiés, témoignant d’une très forte consistance entre les items de l’échelle.
- Fiabilité composite (CR / $
ho_c$) : Le coefficient de fiabilité composite de Raykov/Jöreskog dépasse régulièrement le niveau de 0,88, confirmant que l’erreur de mesure aléatoire associée aux indicateurs reste particulièrement faible. - Stabilité temporelle (Test-Retest) : Bien que la préoccupation envers la vie privée puisse fluctuer suite à des événements médiatisés (scandales de fuites de données), les évaluations de stabilité test-retest sur des intervalles courts (de 2 à 4 semaines) dans des contextes expérimentaux stables indiquent des coefficients de corrélation intraclasse (ICC) supérieurs à 0,78, attestant de la robustesse de l’instrument comme mesure d’une disposition cognitive relativement stable en l’absence de chocs informationnels majeurs.
9. Analyse factorielle / Factor Analysis
La validation structurale de l’échelle repose sur des procédures avancées d’analyse factorielle exploratoire (AFE) et confirmatoire (AFC) :
Analyse Factorielle Exploratoire (AFE)
Lors des phases exploratoires initiales (avec extraction par factorisation en axes principaux ou maximum de vraisemblance et rotation oblique Promax ou Oblimin), la sous-échelle d’utilisation secondaire s’isole sous la forme d’un facteur distinct unidimensionnel. Ce facteur présente une valeur propre (eigenvalue) nettement supérieure au critère de Kaiser de 1, expliquant à lui seul plus de 65 % de la variance totale des items composant la sous-échelle. Aucun phénomène significatif de saturation croisée (cross-loading supérieur à 0,30) n’est observé avec les indicateurs d’autres formes de préoccupations ou d’attitudes envers la technologie.
Analyse Factorielle Confirmatoire (AFC)
Dans les modélisations d’équations structurelles basées sur la covariance (CB-SEM sous LISREL ou AMOS) et par moindres carrés partiels (PLS-SEM), le modèle de mesure factoriel de premier ordre présente des indices d’adéquation (Goodness-of-Fit) exceptionnels :
- Chi-deux normé ($\chi^2/ddl$) : Compris entre 1,20 et 2,45, indiquant un ajustement optimal au modèle théorique.
- CFI (Comparative Fit Index) : Valeurs régulièrement supérieures à 0,97.
- TLI (Tucker-Lewis Index) : Valeurs supérieures à 0,96.
- RMSEA (Root Mean Square Error of Approximation) : Estimé entre 0,035 et 0,052 avec un intervalle de confiance à 90 % étroit, bien en-deçà du seuil critique de 0,08.
- SRMR (Standardized Root Mean Square Residual) : Inférieur à 0,04.
Les saturations factorielles standardisées individuelles s’échelonnent typiquement de 0,78 à 0,91, attestant de la capacité discriminante et de l’ancrage empirique de chaque item dans le facteur latent spécifique de l’utilisation secondaire.
10. Instrument de mesure / Instrument
Les caractéristiques opérationnelles de l’instrument de mesure se résument ainsi :
- Type d’évaluation : Questionnaire psychométrique d’auto-évaluation (self-report inventory).
- Format d’administration : Papier-crayon ou questionnaire numérique en ligne (compatible ordinateur, tablette, smartphone).
- Nombre d’items : Généralement 3 à 4 items dédiés à la dimension d’utilisation secondaire des données.
- Format des réponses : Échelle de Likert à 7 degrés d’accord allant de :
- 1 = Pas du tout d’accord
- 2 = Fortement en désaccord
- 3 = Légèrement en désaccord
- 4 = Neutre / Ni en accord ni en désaccord
- 5 = Légèrement d’accord
- 6 = Fortement d’accord
- 7 = Tout à fait d’accord
- Cotation et calcul du score :
- Aucun item inversé dans la configuration standard : tous les items sont orientés positivement vers l’expression d’une préoccupation accrue.
- Le score global de la sous-échelle est obtenu en calculant la moyenne arithmétique simple ou le score factoriel pondéré des items.
- Un score élevé indique un niveau très intense d’inquiétude quant à la dissémination et à la réutilisation non convenue des données personnelles par l’organisation collectrice.
- Temps de passation estimé : Moins de 2 minutes pour la sous-échelle isolée (5 à 10 minutes lorsqu’elle est intégrée à une batterie complète sur le profil de confidentialité).
11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year
- Année d’adaptation de référence : 2020 (dans le contexte de l’étude empirique sur la vente au détail omnicanale par Grosso, Castaldo, Li et Larivière). Les racines conceptuelles initiales remontent aux travaux de Smith, Milberg et Burke (1996) et Malhotra, Kim et Agarwal (2004).
- Droits d’auteur et propriété intellectuelle : L’article original et ses annexes méthodologiques sont protégés par le droit d’auteur de l’éditeur académique (Elsevier / Journal of Retailing). L’instrumentation scientifique est mise à disposition pour des usages académiques et scientifiques sans but lucratif sous réserve de citation rigoureuse de la publication source.
- Tarifs d’utilisation : Gratuit pour la recherche universitaire et les études académiques à des fins non commerciales. Les utilisations commerciales, intégrations dans des outils d’audit propriétaires ou applications de diagnostic d’entreprise nécessitent l’accord préalable des auteurs et/ou de la maison d’édition conformément aux politiques de réutilisation de l’éditeur.
12. Références / References
Les travaux scientifiques majeurs fondant la théorisation et la validation empirique de cette échelle comprennent :
- Blau, P. M. (1964). Exchange and power in social life. John Wiley & Sons.
- Brehm, J. W. (1966). A theory of psychological reactance. Academic Press.
- Culnan, M. J., & Armstrong, P. K. (1999). Information privacy concerns, procedural fairness, and impersonal trust: An empirical investigation. Organization Science, 10(1), 104-115. https://doi.org/10.1287/orsc.10.1.104
- Dinev, T., & Hart, P. (2006). An extended privacy calculus model for e-commerce transactions. Information Systems Research, 17(1), 61-80. https://doi.org/10.1287/isre.1060.0080
- 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.2020.08.002
- 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
- Nissenbaum, H. (2004). Privacy as contextual integrity. Washington Law Review, 79(1), 119-157.
- Nissenbaum, H. (2010). Privacy in context: Technology, policy, and the integrity of social life. Stanford University Press.
- 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/10.2307/249677