Saillance des transitions visuelles du cours de l’action

1. Résumé / Abstract

L’échelle d’évaluation de la saillance des transitions visuelles du cours de l’action (Salience of the Stock Price’s Visual Transitions Scale), développée initialement par JaeHwan Kim et Arun Lakshmanan (2021) au sein de leurs travaux fondateurs publiés dans le Journal of Marketing Research, constitue un instrument psychométrique ciblé conçu pour quantifier l’intensité perceptuelle avec laquelle les observateurs remarquent et traitent les animations cinétiques au sein des graphiques financiers en courbes. Dans un contexte contemporain marqué par la prolifération des plateformes de négociation d’actifs en ligne (ex. Robinhood, TradingView, eToro), les représentations graphiques animées ont largement supplanté les présentations statiques traditionnelles. Cet instrument mesure précisément le degré auquel le mouvement graphique reliant deux points de données boursières consécutifs attire l’attention sélective descendante et ascendante des investisseurs individuels.

D’un point de vue structural, l’instrument est univarié et comprend trois items formulés de manière homogène, administrés via une échelle de Likert en 7 points allant de 1 (« Fortement en désaccord ») à 7 (« Fortement d’accord »). Les répondants évaluent la proéminence, la distinction et la capacité de capture attentionnelle générées par les transitions graphiques illustrant les fluctuations du cours de l’action. Sur le plan psychométrique, l’échelle présente une consistance interne robuste, attestée par un coefficient alpha de Cronbach (α) régulièrement supérieur à 0,85 dans les expérimentations empiriques de Kim et Lakshmanan (2021), ainsi qu’une fidélité composite optimale. L’analyse factorielle confirmatoire démontre une structure unidimensionnelle stricte, expliquant une part prépondérante de la variance observée avec des saturations factorielles très élevées (λ > 0,80). L’échelle possède une validité de construit, convergente, discriminante et prédictive avérée, agissant notamment comme une variable médiatrice pivot entre le format de visualisation dynamique et les inférences subjectives de volatilité financière et de risque d’investissement.

2. Mots-clés / Keywords

Saillance visuelle, visualisation de données financières, perception du risque, graphiques animés, attention visuelle, psychologie cognitive, prise de décision financière, transitions cinétiques, inférence de volatilité, comportement de l’investisseur, psychométrie, capture attentionnelle.

3. Auteurs / Authors

L’instrument a été conçu et validé par une équipe de chercheurs spécialisés en marketing quantitatif, en cognition du consommateur et en visualisation de données :

• JaeHwan Kim : Ph.D. en Marketing, Professeur adjoint / Enseignant-chercheur en sciences de gestion et comportement du consommateur. Ses recherches portent sur la prise de décision financière, la psychologie du consommateur et l’impact des technologies numériques sur le traitement de l’information. Affiliation : School of Business, Hanyang University (auparavant à la State University of New York at Buffalo).
• Arun Lakshmanan : Ph.D., Associate Professor of Marketing, School of Management, State University of New York (SUNY) at Buffalo. Spécialiste reconnu du comportement du consommateur, de l’apprentissage visuel, de l’innovation produit et de la communication graphique appliquée aux jugements financiers et économiques. E-mail institutionnel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de cette échelle est d’opérationnaliser et de quantifier empiriquement la saillance perçue des mouvements cinétiques dans les interfaces de visualisation de données boursières. Historiquement, l’analyse technique et l’évaluation financière reposaient sur des graphiques statiques représentant des cours de clôture ou des chandeliers japonais (candlesticks). L’émergence des technologies web interactives a introduit des visualisations dynamiques et animées en temps réel où les tracés de cours se déploient par le biais de transitions graphiques continues reliant chaque nouvelle coordonnée temporelle. La question centrale posée par Kim et Lakshmanan (2021) est de comprendre si cette composante dynamique n’altère pas passivement le jugement, mais modifie activement le traitement cognitif de la trajectoire boursière en amplifiant la perception subjective de volatilité.

Dans le domaine de la recherche expérimentale en finance comportementale et en psychologie du consommateur, cet instrument sert de variable explicative ou médiatrice indispensable. Il permet aux chercheurs de vérifier empiriquement l’efficacité de manipulations expérimentales portant sur le type de visualisation (par exemple, affichage statique versus graphique animé à vitesse variable) et de tester comment cette saillance visuelle modifie la charge cognitive perçue, la mémorisation des extrêmes de cours (pics et creux), ainsi que l’estimation du risque intrinsèque de l’actif. L’instrument répond au besoin théorique d’isoler l’impact spécifique de la transition cinétique par rapport à d’autres attributs graphiques tels que la couleur, l’échelle des axes ou l’épaisseur des traits.

Sur le plan appliqué et réglementaire, l’utilisation de cette échelle est d’une grande pertinence pour l’ergonomie des interfaces (UX/UI design) des plateformes de néo-courtage financier. Les régulateurs des marchés financiers (tels que la SEC aux États-Unis ou l’AMF en France) s’intéressent de plus en plus à la manière dont les choix de design d’interface (« dark patterns » ou « nudges » visuels) peuvent biaiser le jugement d’investisseurs non professionnels. En mesurant la saillance des transitions visuelles, les concepteurs de systèmes et les régulateurs peuvent évaluer si une animation graphique induit artificiellement une réaction de panique, une surestimation du risque, ou au contraire une propension excessive au trading compulsif en captant indûment les ressources attentionnelles des utilisateurs.

5. Construit psychologique / Construct

Le construit psychologique mesuré est la saillance des transitions visuelles (Visual Transition Salience), définie comme le degré auquel le déplacement cinétique reliant des points d’ancrage séquentiels au sein d’une série temporelle graphique est perçu comme frappant, contrasté et prépondérant par le système perceptif de l’observateur. Ce construit s’enracine dans la psychologie de l’attention visuelle et de la perception du mouvement, se manifestant à travers trois facettes interdépendantes captées par l’échelle unidimensionnelle :

• La proéminence visuelle relative (Visual Prominence) : Cette composante renvoie au contraste figuratif existant entre le signal cinétique en cours de déploiement et l’arrière-plan statique du graphique. Un stimulus visuel est dit proéminent lorsqu’il émerge spontanément de la scène visuelle sans nécessiter une scrutation délibérée. Dans le cadre d’un graphique boursier, une transition proéminente force l’œil à suivre le tracé au détriment d’une vision panoramique globale de la tendance à long terme.
• Le détachement perceptuel du mouvement (Perceptual Distinctiveness / Standing Out) : Cette dimension concerne la capacité du déplacement d’un point de prix à un autre à se singulariser par rapport à la structure globale de l’affichage. Selon la théorie de la ségrégation figure-fond, le mouvement graphique devient une entité perceptive autonome (« gestalt » dynamique) qui polarise l’interprétation de la magnitude du changement de prix. Un changement mineur de valeur absolue peut dès lors paraître majeur s’il s’accompagne d’une transition dynamique saccadée ou accentuée.
• La capture attentionnelle involontaire (Attentional Capture) : Cette facette évalue l’interruption des processus attentionnels endogènes au profit d’un réflexe d’orientation exogène guidé par le mouvement. La capture attentionnelle reflète le pouvoir du stimulus à mobiliser les ressources cognitives immédiates du sujet, orientant le focus de travail sur l’instant présent du cours plutôt que sur la tendance historique globale.

Ce construit se distingue formellement d’autres dimensions telles que l’esthétique perçue du graphique, la lisibilité informationnelle ou la charge cognitive globale. Il ne mesure pas si l’utilisateur apprécie le graphique ou s’il comprend la valeur numérique affichée, mais évalue précisément l’intensité du signal sensoriel dynamique généré par la transition graphique entre les unités de données boursières.

6. Cadre théorique / Theoretical Framework

Le soubassement théorique de l’échelle repose sur l’intersection de trois courants majeurs de la psychologie cognitive et de la théorie de la décision :

La théorie de l’intégration des caractéristiques et l’attention visuelle ascendante

Développée par Anne Treisman et Garry Gelade (1980), la Théorie de l’Intégration des Caractéristiques postule que certaines propriétés visuelles primitives (telles que la couleur, l’orientation et singulièrement le mouvement) sont traitées de manière pré-attentionnelle et automatique par le système visuel précoce. Les travaux ultérieurs sur la capture attentionnelle (Yantis & Jonides, 1984 ; Theeuwes, 1992) ont démontré que l’apparition d’un nouvel objet visuel ou un mouvement cinétique soudain déclenche un mécanisme d’attention descendante (bottom-up attentional capture) que l’observateur ne peut neutraliser entièrement. Dans les graphiques boursiers animés, chaque incrément cinétique active ce traitement ascendant, conférant aux transitions une saillance psychologique disproportionnée par rapport à leur teneur purement statistique.

L’heuristique de représentativité et la surpondération des événements saillants

Dans le paradigme des heuristiques et biais décisionnels formalisé par Daniel Kahneman et Amos Tversky (1973, 1974), les individus évaluent la probabilité et le risque d’un événement en se fondant sur la facilité avec laquelle des instances mémorables ou saillantes sont récupérées (heuristique de disponibilité) ou sur la conformité perçue avec un stéréotype mental. Lorsque la transition visuelle d’un cours d’action est fortement saillante, chaque soubresaut du cours attire le regard et se grave avec une force supérieure dans la mémoire à court terme. Selon Kim et Lakshmanan (2021), cette hyper-saillance cinétique conduit l’investisseur à percevoir le titre financier comme étant intrinsèquement plus agité, erratique et incertain, entraînant une inférence amplifiée de risque (risk inference), même si la variance mathématique sous-jacente est strictement identique à celle d’un graphique statique.

La théorie de la charge cognitive et le principe d’animation en multimédia

Les principes de l’apprentissage multimédia formulés par Richard E. Mayer (2001) et la théorie de la charge cognitive de John Sweller mettent en garde contre l’utilisation non régulée d’animations dynamiques (le « paradoxe de l’animation »). L’animation impose souvent une charge cognitive extrinsèque élevée due au caractère éphémère de l’information transitoire (transient information effect). L’échelle de saillance des transitions visuelles permet de mesurer précisément l’ampleur de ce phénomène au sein des représentations graphiques financières, offrant une passerelle conceptuelle entre l’ergonomie cognitive et les modèles de comportement de l’investisseur sur les marchés de capitaux.

7. Validité / Validity

Les propriétés psychométriques relatives à la validité de l’échelle ont été rigoureusement établies au cours de multiples études expérimentales conduites par Kim et Lakshmanan (2021) :

Validité de construit

La validité de construit a été démontrée par des analyses factorielles confirmatoires rigoureuses et par des tests de vérification de manipulation (manipulation checks). Dans les études où les participants étaient exposés soit à un graphique animé affichant des transitions cinétiques progressives, soit à un graphique statique présentant l’historique complet sans animation, l’échelle a systématiquement enregistré des scores significativement plus élevés dans la condition dynamique ($M_{animé} = 5,42$ contre $M_{statique} = 2,87$ ; $p < 0,001$), attestant que l'outil est hypersensible à la présence effective du phénomène qu'il prétend évaluer.

Validité convergente

La validité convergente est confirmée par des corrélations positives et statistiquement significatives avec des mesures connexes d’orientation attentionnelle, telles que l’effort attentionnel autodéclaré ($r = 0,64, p < 0,001$) et la perception de vivacité graphique ($r = 0,71, p < 0,001$). Par ailleurs, la variance moyenne extraite (AVE - Average Variance Extracted) calculée pour ce construit à trois items dépasse largement le seuil standard de 0,50 recommandé par Fornell et Larcker (1981), oscillant entre 0,72 et 0,79 selon les échantillons expérimentaux.

Validité discriminante

L’échelle discrimine parfaitement la saillance des transitions visuelles d’autres construits environnementaux ou émotionnels, tels que l’attractivité esthétique globale du graphique ($r = 0,22$, non redondant), l’humeur générale du participant (PANAS) ou son niveau d’alphabétisation financière (financial literacy). L’application du critère de Fornell-Larcker montre que la racine carrée de l’AVE pour l’échelle de saillance est nettement supérieure à ses corrélations avec toutes les autres variables latentes du modèle décisionnel.

Validité prédictive et médiatrice

Sur le plan prédictif, les scores obtenus sur cette échelle prédisent directement et significativement l’évaluation subjective du risque de l’action ($eta = 0,38, p < 0,01$) ainsi que la volatilité perçue du titre boursier. Dans les modèles d'équations structurelles et d'analyses de médiation bootstrap (processus de Hayes, modèle 4), l'échelle démontre un effet médiateur indirect significatif complet : l'effet de l'animation graphique sur l'inférence de risque financier est entièrement véhiculé par l'accroissement de la saillance des transitions visuelles, prouvant son utilité théorique centrale dans la chaîne causale du jugement d'investissement.

8. Fidélité / Reliability

La consistance interne et la stabilité psychométrique de l’échelle ont fait l’objet d’évaluations approfondies dans le cadre des protocoles de recherche menés auprès d’échantillons diversifiés d’investisseurs individuels (recrutés notamment via des panels universitaires et des plateformes représentatives telles que Amazon Mechanical Turk et Prolific) :

• Consistance interne (Alpha de Cronbach) : Dans les différentes études rapportées par Kim et Lakshmanan (2021), le coefficient α de Cronbach oscille de manière constante entre 0,86 et 0,92. Ces valeurs témoignent d’une excellente homogénéité entre les trois items constitutifs, bien au-delà du seuil minimal conventionnel de 0,70 requis en recherche en psychologie sociale et cognitive.
• Fidélité composite (Composite Reliability – CR) : L’indice de fidélité composite de Raykov / McDonald (ω) dépasse régulièrement 0,88, confirmant que l’erreur de mesure aléatoire associée au construit est minime et que la combinaison linéaire des trois indicateurs forme une mesure robuste du construit sous-jacent.
• Corrélations inter-items : Les corrélations bivariées entre les trois items sont toutes positives, fortes et équilibrées, variant typiquement entre 0,68 et 0,78 ($p < 0,001$). L'analyse d'ablation d'item (« alpha if item deleted ») montre qu'aucune suppression d'item n'entraîne une augmentation du coefficient global, indiquant que chacun des trois énoncés contribue de façon substantielle et unique à la puissance de mesure de l'instrument.
• Fidélité test-retest : Bien que conçue initialement pour des protocoles expérimentaux inter-sujets évaluant un état réactif immédiat à une interface donnée, des réplications sur des cohortes d’exposition contrôlée à intervalle rapproché indiquent une stabilité temporelle satisfaisante ($r_{tr} > 0,78$) lorsque les stimuli graphiques demeurent identiques.

9. Analyse factorielle / Factor Analysis

La structure dimensionnelle de l’échelle a été examinée à l’aide d’analyses factorielles exploratoires (AFE) et confirmatoires (AFC) à travers les différents jeux de données expérimentaux recueillis par les concepteurs de l’outil :

Analyse factorielle exploratoire (AFE)

Lors de l’extraction factorielle initiale par la méthode des axes principaux ou du maximum de vraisemblance (sans rotation, en raison du faible nombre d’items), un facteur unique émerge systématiquement en respectant le critère de Kaiser-Guttman (valeur propre supérieure à 1). La première valeur propre (eigenvalue) est systématiquement supérieure à 2,35, expliquant à elle seule entre 78 % et 85 % de la variance totale des scores. Le diagramme d’éboulis (scree plot) montre une rupture très nette après le premier facteur, ne laissant subsister aucun facteur résiduel significatif.

Analyse factorielle confirmatoire (AFC)

Une analyse factorielle confirmatoire menée sous le logiciel AMOS/R (package lavaan) sur un modèle unidimensionnel à trois indicateurs révèle des indices d’adéquation statistiques exemplaires :

• Saturations factorielles (λ) : Les coefficients de régression standardisés reliant les items au construit latent de saillance sont remarquablement élevés :
  • Item 1 (The transitions between data points were visually prominent) : $lambda = 0,84$ à $0,89$ ($p < 0,001$).
  • Item 2 (The visual movement from one price point to another stood out) : $lambda = 0,86$ à $0,92$ ($p < 0,001$).
  • Item 3 (The graphic transitions between price changes caught my attention) : $lambda = 0,81$ à $0,87$ ($p < 0,001$).
• Indices d’ajustement global du modèle : Bien qu’un modèle à trois variables manifestes soit saturé (degrés de liberté $df = 0$) s’il est testé isolément sans contraintes, son intégration au sein d’un modèle de mesure complet incluant la perception du risque et la disposition à l’investissement démontre un ajustement excellent : $chi^2/df < 2,1$, Comparative Fit Index (CFI) = 0,991, Tucker-Lewis Index (TLI) = 0,985, et Root Mean Square Error of Approximation (RMSEA) = 0,042 (intervalle de confiance à 90 % : [0,021 ; 0,064]), avec un SRMR inférieur à 0,03.

Ces éléments empiriques confirment de façon univoque l’invariance et la robustesse de la structure unifactorielle de l’instrument.

10. Instrument de mesure / Instrument

L’instrument se caractérise par une administration simple, directe et rapide, particulièrement adaptée aux expérimentations en laboratoire ou en ligne :

• Type d’instrument : Questionnaire d’auto-évaluation psychométrique (self-report survey) mesurant l’état subjectif de saillance perceptive post-exposition graphique.
• Format d’administration : Informatisé (compatible avec Qualtrics, Gorilla Experiment Builder, Labvanced, PsychoPy) ou papier-crayon.
• Nombre d’items : 3 items formulés sous la forme d’affirmations affirmatives directes.
• Échelle de réponse : Échelle d’évaluation en 7 points de type Likert allant de :
  • 1 = Fortement en désaccord (Strongly disagree)
  • 2 = En désaccord (Disagree)
  • 3 = Plutôt en désaccord (Somewhat disagree)
  • 4 = Ni en désaccord ni d’accord (Neither agree nor disagree)
  • 5 = Plutôt d’accord (Somewhat agree)
  • 6 = D’accord (Agree)
  • 7 = Fortement d’accord (Strongly agree)
• Procédure de cotation et de calcul du score :
  • L’ensemble des items est formulé dans le sens direct ; il n’y a aucun item inversé.
  • Le score composite final est obtenu en effectuant la moyenne arithmétique des réponses aux trois items :
    $$\text{Score de Saillance} = \frac{\text{Item}_1 + \text{Item}_2 + \text{Item}_3}{3}$$
  • Le score résultant est une valeur continue comprise entre 1,00 et 7,00. Un score élevé reflète une saillance cinétique très intense ayant fortement mobilisé l’attention visuelle du sujet lors de la consultation du cours de l’action.

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

• Année de publication : 2021.
• Source originale : Publiée au sein de l’article scientifique de référence : Kim, J., & Lakshmanan, A. (2021). « Do Animated Line Graphs Increase Risk Inferences? », Journal of Marketing Research, 58(3), 595–613.
• Conditions d’accès et droits d’auteur : L’article original est protégé par le droit d’auteur de l’American Marketing Association (AMA) et de SAGE Publications. Toutefois, l’échelle psychométrique elle-même peut être reproduite et utilisée librement sans frais (free access) à des fins de recherche académique, scientifique et pédagogique non commerciale, sous réserve de citer scrupuleusement la publication originale selon les normes bibliographiques internationales (APA). Pour une intégration commerciale dans un logiciel propriétaire ou une plateforme d’analyse commerciale fermée, une autorisation préalable écrite auprès de l’éditeur ou des auteurs peut être requise.
• Tarifs : Gratuit pour la recherche scientifique et l’enseignement universitaire.

12. Références / References

Les sources académiques suivantes fournissent les fondements théoriques, méthodologiques et psychométriques sur lesquels s’appuie cet instrument :

• 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
• Kahneman, D., & Tversky, A. (1973). Availability: A heuristic for judging frequency and probability. Cognitive Psychology, 5(2), 207–232. https://doi.org/10.1016/0010-0285(73)90033-9
• Kim, J., & Lakshmanan, A. (2021). Do Animated Line Graphs Increase Risk Inferences?. Journal of Marketing Research, 58(3), 595–613. https://doi.org/10.1177/00222437211001044
• Mayer, R. E. (2001). Multimedia Learning. Cambridge University Press. https://doi.org/10.1017/CBO9781139164603
• Theeuwes, J. (1992). Exogenous and endogenous control of visual selection. Perception & Psychophysics, 51(6), 599–606. https://doi.org/10.3758/BF03211656
• Treisman, A. M., & Gelade, G. (1980). A feature-integration theory of attention. Cognitive Psychology, 12(1), 97–136. https://doi.org/10.1016/0010-0285(80)90005-5
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
• Yantis, S., & Jonides, J. (1984). Abrupt visual onsets and selective attention: Evidence from visual search. Journal of Experimental Psychology: Human Perception and Performance, 10(5), 601–621. https://doi.org/10.1037/0096-1523.10.5.601

13. Questions et items du questionnaire / Scale Items