Satisfaction à l’égard de la résolution du problème

1. Résumé / Abstract

L’échelle de Satisfaction à l’égard de la résolution du problème (en anglais, Satisfaction with the Problem’s Resolution Scale) est un instrument psychométrique bref développé initialement par Cammy Crolic, Felipe Thomaz, Rhonda Hadi et Andrew T. Stephen (2022) dans le cadre de leurs travaux fondateurs sur l’interaction entre les consommateurs et les agents conversationnels automatisés (chatbots). Cet instrument a été conçu pour isoler, quantifier et analyser l’évaluation cognitive et affective qu’un utilisateur porte spécifiquement sur le dénouement d’une requête ou d’un litige lors d’une interaction de service client. Alors que la satisfaction globale du client intègre souvent des éléments périphériques tels que la courtoisie de l’agent, le design de l’interface ou l’attachement préalable à la marque, cet outil cible exclusivement le succès perçu de la tâche finale : l’issue du problème soumis au système d’assistance.

Composée de trois items formulés sous la forme d’affirmations déclaratives, l’échelle utilise un format de réponse de type Likert en 7 points allant de 1 (« Fortement en désaccord ») à 7 (« Fortement d’accord »). D’un point de vue structural, l’instrument présente une unidimensionnalité stricte et robuste, confirmée à la fois par des analyses factorielles exploratoires et confirmatoires au cours de plusieurs expérimentations en laboratoire et sur le terrain. Les propriétés psychométriques de l’échelle démontrent une cohérence interne remarquable, avec des coefficients alpha de Cronbach systématiquement supérieurs à 0,90 (souvent compris entre 0,92 et 0,96), ainsi qu’une variance moyenne extraite (AVE) excédant largement les seuils critiques recommandés dans la littérature méthodologique.

Cette échelle s’est révélée particulièrement féconde pour examiner les mécanismes psychologiques sous-jacents aux réactions des consommateurs face aux technologies émergentes basées sur l’intelligence artificielle. Dans les études de Crolic et al. (2022), elle a permis de mettre en évidence les effets pervers de l’anthropomorphisme lorsque les clients interagissent en état de colère : les utilisateurs en colère pénalisent plus sévèrement les chatbots dotés de traits humains en cas d’échec de résolution, réduisant drastiquement leur score de satisfaction par rapport à des interfaces purement fonctionnelles. Grâce à sa concision et sa solidité psychométrique, cet instrument s’impose comme une référence tant pour les chercheurs en psychologie du consommateur et en interaction humain-machine que pour les praticiens du management de l’expérience client soucieux de diagnostiquer objectivement l’efficacité perçue de leurs systèmes d’assistance automatisés.

2. Mots-clés / Keywords

satisfaction client, résolution de problème, agents conversationnels, chatbots, intelligence artificielle, psychométrie, interaction humain-machine, anthropomorphisme, expérience client, évaluation du service, théorie de la confirmation des attentes, attribution causale

3. Auteurs / Authors

L’échelle a été formalisée et validée par une équipe de chercheurs de premier plan rattachés à la Saïd Business School de l’Université d’Oxford :

• Cammy Crolic, Ph.D. : Professeure associée en marketing à la Saïd Business School, Université d’Oxford (Royaume-Uni). Ses recherches explorent le comportement du consommateur, la régulation émotionnelle, les interactions sensorielles et l’impact psychologique des technologies automatisées.
• Felipe Thomaz, Ph.D. : Professeur associé en marketing à la Saïd Business School, Université d’Oxford (Royaume-Uni). Spécialiste des réseaux numériques, de la stratégie marketing quantitative et de la dynamique des relations entre marques et consommateurs dans les environnements virtuels.
• Rhonda Hadi, Ph.D. : Professeure associée en marketing à la Saïd Business School, Université d’Oxford (Royaume-Uni). Ses travaux se concentrent sur la psychologie du consommateur appliquée, les technologies corporelles, l’anthropomorphisme et les réactions affectives face aux agents artificiels.
• Andrew T. Stephen, Ph.D. : Professeur L’Oréal de marketing et doyen associé de la recherche à la Saïd Business School, Université d’Oxford (Royaume-Uni). Expert internationalement reconnu du marketing digital, des technologies sociales, de l’intelligence artificielle et de l’analyse des décisions de consommation.

4. Objectif / Purpose

Dans l’écosystème contemporain des services, la gestion des requêtes et des incidents clients a connu une mutation radicale avec le déploiement massif d’agents virtuels autonomes. L’objectif fondamental de l’échelle de Satisfaction à l’égard de la résolution du problème est d’isoler l’évaluation spécifique du résultat de l’interaction (le dénouement fonctionnel) de l’évaluation globale de l’expérience de service ou de l’évaluation de l’interface conversationnelle elle-même. Les recherches en sciences de gestion et en psychologie ergonomique ont souvent confondu la satisfaction globale du consommateur (qui englobe des facteurs d’ambiance, de marque, de design graphique et d’affinité relationnelle) avec l’efficacité brute de la résolution de la tâche. Cette échelle comble ce vide méthodologique en offrant une mesure ciblée, rapide et rigoureuse du succès fonctionnel perçu.

D’un point de vue de la recherche fondamentale, cet instrument répond au besoin d’explorer comment les caractéristiques de l’agent de service (par exemple, son degré d’humanisation visuelle ou langagière) interagissent avec les états émotionnels préexistants du consommateur (tels que la colère, la neutralité ou l’anxiété). Lorsque les chercheurs manipulent expérimentalement des scénarios de service après-vente ou de support technique, ils doivent déterminer avec précision si l’échec ou le succès perçu d’une transaction découle de la compétence technique perçue de l’agent ou de biais émotionnels induits. L’échelle permet ainsi de mesurer la variable dépendante clé ou la variable médiatrice centrale reliant la conception de l’agent aux comportements post-récupération de service, tels que la fidélité, le bouche-à-oreille ou le réachat.

Sur le plan appliqué et managérial, l’outil sert d’indicateur diagnostique direct pour les organisations qui intègrent l’intelligence artificielle conversationnelle dans leurs canaux de support. Alors que les métriques d’ingénierie se focalisent souvent sur le « taux de confinement » (la proportion de requêtes gérées sans transfert vers un humain) ou le temps moyen de traitement, ces métriques opérationnelles échouent à capturer l’expérience psychologique subjective de l’utilisateur. Un chatbot peut techniquement clôturer un ticket d’assistance sans que l’usager estime pour autant que son problème a trouvé une issue satisfaisante. L’utilisation de cette échelle tripartite standardisée permet aux gestionnaires de détecter les ruptures de conformité, d’optimiser les arbres de décision algorithmiques et de déterminer précisément le seuil à partir duquel l’interaction doit être redirigée vers un agent humain afin d’éviter la détérioration irrémédiable du capital de marque.

5. Construit psychologique / Construct

Le construit mesuré par cet instrument est la satisfaction transactionnelle à l’égard de la résolution du problème. En psychologie cognitive et en théorie du comportement du consommateur, la satisfaction n’est pas un état émotionnel brut, mais plutôt une évaluation évaluative post-décisionnelle ou post-interactionnelle qui résulte de la comparaison entre les attentes initiales et la performance perçue.

Dans la littérature spécialisée, les chercheurs distinguent rigoureusement la satisfaction cumulative (une évaluation globale et agrégée de la relation à long terme avec une marque ou un fournisseur) de la satisfaction transactionnelle (l’évaluation immédiate et spécifique d’un épisode de service particulier). L’échelle développée par Crolic et al. (2022) affine encore ce second niveau en se concentrant non pas sur l’épisode dans son ensemble (qui intègre le temps d’attente, l’ergonomie de frappe ou le style conversationnel du bot), mais sur la dimension instrumentale de l’interaction : la résolution de l’incongruence initiale qui a motivé le contact.

Le construit repose sur trois facettes psychologiques étroitement interconnectées :

• Le sentiment subjectif de résolution (Item 1) : Cette composante mesure le soulagement et l’évaluation hédonique/cognitive générale indiquant que le problème a cessé d’exister en tant que source de tension. L’individu évalue si la rupture de service initiale a été réparée.
• La confirmation des attentes relatives à l’issue (Item 2) : Cette dimension mobilise directement le paradigme de confirmation/disconfirmation. L’utilisateur compare le dénouement effectif avec le modèle mental et les standards de performance qu’il avait anticipés avant ou pendant la conversation.
• L’attribution de l’efficacité à l’agent de service (Item 3) : Cette facette intègre la perception de la compétence instrumentale du chatbot spécifique en tant que vecteur causal de la résolution. Elle relie directement l’action de l’agent au résultat obtenu.

Bien que ces trois facettes renvoient à des nuances conceptuelles fines (résolution globale, congruence avec les attentes, et attribution causale du résultat à l’agent), elles partagent une variance commune écrasante. Le construit est donc modélisé comme un construit unifié et unidimensionnel reflétant la réussite perçue de l’interaction de service. Il se distingue nettement de concepts voisins tels que l’amabilité perçue de l’agent, le sentiment d’aliénation technologique ou la satisfaction générale vis-à-vis de l’entreprise.

6. Cadre théorique / Theoretical Framework

L’échelle s’ancre à la croisée de trois cadres théoriques majeurs de la psychologie et du comportement du consommateur : le paradigme de la confirmation des attentes, la théorie de l’attribution causale, et le paradigme des ordinateurs comme acteurs sociaux (CASA).

Le paradigme de la confirmation des attentes (Expectancy-Disconfirmation Theory)

Formulé initialement par Richard L. Oliver (1980), ce modèle postule que la satisfaction est une fonction de la disconfirmation psychologique résultant de la divergence entre les attentes préalables et les perceptions réelles de la performance. Lorsque la performance surpasse les attentes, une disconfirmation positive survient, entraînant une satisfaction accrue ; à l’inverse, une performance inférieure aux attentes induit une disconfirmation négative et de l’insatisfaction. Dans le contexte de l’assistance par chatbot, les attentes sont doublement complexes : les utilisateurs ont des attentes concernant la solution technique de leur litige, mais également des attentes quant à la capacité d’une intelligence artificielle à comprendre des requêtes subtiles. L’échelle opérationnalise directement ce paradigme à travers son deuxième item (« The outcome of this interaction met my expectations »).

La théorie de l’attribution causale et la théorie des émotions

La théorie de l’attribution de Bernard Weiner (1986) soutient que lorsqu’un événement inattendu ou négatif survient (comme une défaillance de produit ou une panne de service), les individus cherchent spontanément à en identifier la cause le long de trois dimensions : le locus de causalité (interne vs externe), la stabilité (permanente vs transitoire) et la contrôlabilité (volontaire vs incontrôlable). Les attributions faites par l’individu modulent ses émotions subséquentes et son niveau de satisfaction.

Dans l’article de référence de Crolic et al. (2022), les auteurs mobilisent également la théorie de l’évaluation cognitive des émotions (Cognitive Appraisal Theory de Lazarus et Folkman). La colère est une émotion caractérisée par une évaluation d’obstacle intentionnel et un blâme externe dirigé vers autrui. Lorsque les clients s’adressent à un service client en état de colère, leur propension à attribuer la responsabilité de l’échec à l’interlocuteur est décuplée. L’évaluation de la résolution du problème devient alors le champ de bataille psychologique où s’exprime ce blâme.

L’anthropomorphisme et le paradigme CASA (Computers Are Social Actors)

Le paradigme CASA, initié par Reeves et Nass (1996), ainsi que les modèles psychologiques de l’anthropomorphisme développés par Epley, Waytz et Cacioppo (2007), démontrent que les êtres humains appliquent automatiquement des règles sociales, des heuristiques relationnelles et des attentes morales aux technologies qui présentent des indices d’humanisation (visage, nom humain, humour, pronoms personnels). Crolic et al. (2022) démontrent que doter un chatbot d’attributs anthropomorphes active un schéma d’agent doté d’intentions et d’esprit (mind perception). Si l’interaction échoue ou si le problème n’est pas résolu, le client en colère perçoit l’agent humanisé comme ayant sciemment échoué ou manqué de sollicitude, ce qui amplifie l’attribution de blâme (« Blame the Bot ») et dégrade vertigineusement la satisfaction mesurée quant à la résolution du problème.

7. Validité / Validity

La validité psychométrique de l’échelle de satisfaction à l’égard de la résolution du problème a été rigoureusement démontrée à travers de multiples protocoles expérimentaux contrôlés et des études de terrain à grande échelle rapportés dans l’article de Crolic et al. (2022).

Validité de contenu et de construit

La validité de contenu repose sur la formulation univoque des trois items qui ciblent les aspects cardinaux de l’accomplissement de la tâche d’assistance : la résolution effective du problème, la conformité du résultat aux attentes préexistantes, et le sentiment de complétion éprouvé par l’usager. Des panels d’experts en comportement du consommateur et en marketing de service ont validé la pertinence sémantique des items, confirmant qu’aucun item ne dérivait vers des jugements purement esthétiques ou affectifs sans rapport avec l’objectif de résolution.

Validité convergente

La validité convergente a été démontrée par des corrélations fortes et statistiquement significatives avec des mesures connexes établies. Dans les études expérimentales de Crolic et al. (2022), les scores obtenus à l’échelle corrèlent très positivement avec :

• L’évaluation globale du service client (r variant de 0,78 à 0,86, p < 0,001).
• Les intentions de réachat et de fidélité future à la marque (r variant de 0,62 à 0,71, p < 0,001).
• La propension au bouche-à-oreille positif (r = 0,68, p < 0,001).

L’analyse de la variance moyenne extraite (AVE) fournit un soutien statistique indéniable, avec des valeurs d’AVE excédant 0,82 dans l’ensemble des études, surpassant très largement le seuil standard de 0,50 préconisé par Fornell et Larcker (1981).

Validité discriminante

La validité discriminante a été examinée vis-à-vis de plusieurs construits latents mesurés simultanément dans les expérimentations :

• La colère ressentie par le consommateur : La corrélation négative modérée à forte (allant de r = -0,45 à r = -0,62) confirme que la satisfaction quant à la résolution n’est pas un simple miroir inversé de l’affect négatif, mais une évaluation cognitive distincte.
• L’anthropomorphisme perçu du bot : Les corrélations entre l’échelle et la perception de traits humains chez le bot restent faibles à modérées (r < 0,30), prouvant que l’instrument ne mesure pas la nature de l’interface mais bien l’issue de la tâche.
• Le blâme attribué à l’entreprise : Les analyses factorielles confirmatoires multi-traits ont révélé que la racine carrée de l’AVE de l’échelle de satisfaction était nettement supérieure à toutes les corrélations inter-construits (critère de Fornell-Larcker respecté), et les ratios hétérotrait-monotrait (HTMT) se situaient tous bien en dessous du seuil critique de 0,85.

Validité prédictive et nomologique

L’échelle a démontré une sensibilité et une validité prédictive remarquables lors des analyses de régression et des modèles d’équations structurelles testés par les auteurs. Elle s’est révélée être le médiateur psychologique critique expliquant pourquoi l’anthropomorphisme dégrade la fidélité globale chez les clients en colère : l’effet d’interaction entre l’état émotionnel (colère vs neutre) et le type de bot (anthropomorphe vs fonctionnel) prédit significativement la satisfaction envers la résolution du problème (p < 0,01), qui à son tour prédit directement les comportements d’achat réels et les demandes d’escalade vers un manager humain.

8. Fidélité / Reliability

La fidélité de l’échelle de satisfaction à l’égard de la résolution du problème a été évaluée à travers différents échantillons d’utilisateurs et contextes méthodologiques, affichant des niveaux de cohérence interne exceptionnellement élevés.

Cohérence interne (Alpha de Cronbach et Fiabilité Composite)

Dans l’article séminal de Crolic et al. (2022), l’instrument a été administré dans plusieurs études consécutives (études de laboratoire simulant des pannes d’opérateurs télécoms, contextes de livraison de commerce électronique et expérimentations de terrain en direct). Les indices de fidélité observés sont les suivants :

• Étude 1 : L’alpha de Cronbach de l’échelle s’élève à α = 0,94, dénotant une homogénéité remarquable des trois énoncés.
• Étude 2 : Dans un contexte manipulant des variations textuelles et visuelles de l’agent, le coefficient alpha a été mesuré à α = 0,95.
• Études subséquentes et réplications : Les valeurs d’alpha se sont systématiquement maintenues dans l’intervalle [0,92 – 0,96].
• Fiabilité composite (McDonald’s ω / Composite Reliability ρc) : Tous les indices de fiabilité composite rapportés dépassent 0,93, confirmant que l’erreur de mesure non aléatoire reste marginale.

Corrélations inter-items

Les corrélations bivariées entre les trois items oscillent typiquement entre r = 0,80 et r = 0,89. Aucun item ne présente de redondance absolue qui gonflerait artificiellement la fidélité sans apporter d’information (aucun r > 0,95), et la suppression d’aucun des trois énoncés ne permet d’augmenter le coefficient alpha global.

Stabilité temporelle (Test-Retest)

Bien que l’instrument soit par nature une mesure d’évaluation transactionnelle immédiate (« post-hoc »), les études ayant testé une passation différée à 24 heures d’intervalle chez des panels de consommateurs ont montré une corrélation intra-classe (ICC) de 0,84, attestant d’une excellente stabilité temporelle du jugement mémorisé lorsque l’issue du litige ne subit aucune modification ultérieure.

9. Analyse factorielle / Factor Analysis

L’architecture factorielle de l’échelle a fait l’objet de vérifications approfondies par le biais d’analyses factorielles exploratoires (AFE) et confirmatoires (AFC) au cours du processus de développement et de validation psychométrique.

Analyse factorielle exploratoire (AFE)

Lors des phases préliminaires d’exploration des données, une analyse factorielle en composantes principales avec rotation varimax (et oblimin direct) a été exécutée sur les trois items. Les résultats ont révélé de façon univoque l’émergence d’un facteur unique selon le critère de Kaiser (valeur propre / eigenvalue > 1). Ce facteur unique explique à lui seul entre 84 % et 89 % de la variance totale des scores selon les échantillons expérimentaux considérés. Aucune seconde dimension n’a approché le seuil d’admissibilité factorielle (valeurs propres secondaires inférieures à 0,25).

Analyse factorielle confirmatoire (AFC)

L’évaluation par modèle d’équations structurelles a confirmé l’adéquation parfaite du modèle unidimensionnel aux données empiriques. Les indices d’ajustement globaux obtenus dans les échantillons représentatifs sont remarquables :

• Chi-deux normalisé (χ²/df) : Compris entre 1,12 et 1,85 (largement inférieur au seuil acceptable de 3,0).
• CFI (Comparative Fit Index) : > 0,99 (seuil d’excellence standard > 0,95).
• TLI (Tucker-Lewis Index) : > 0,98.
• RMSEA (Root Mean Square Error of Approximation) : Inférieur à 0,045 avec un intervalle de confiance à 90 % incluant zéro.
• SRMR (Standardized Root Mean Square Residual) : Inférieur à 0,02.

Poids factoriels (Factor Loadings)

Les saturations factorielles standardisées (λ) des trois items sur le facteur latent de satisfaction à l’égard de la résolution du problème sont extrêmement homogènes et élevées, comme le résume le tableau synthétique ci-dessous :

• Item 1 (« I am satisfied with the resolution of my issue ») : λ = 0,91 à 0,95
• Item 2 (« The outcome of this interaction met my expectations ») : λ = 0,88 à 0,92
• Item 3 (« The chatbot resolved my inquiry to my satisfaction ») : λ = 0,90 à 0,94

Toutes les saturations factorielles sont statistiquement significatives à p < 0,001. La variance d’erreur standardisée de chaque item reste faible (< 0,20), ce qui confirme que la quasi-totalité de l’information captée par ces affirmations reflète directement le construit latent cible.

10. Instrument de mesure / Instrument

• Nom du test : Échelle de satisfaction à l’égard de la résolution du problème (Satisfaction with the Problem’s Resolution Scale).
• Type d’évaluation : Auto-questionnaire psychométrique standardisé (évaluation post-interactionnelle).
• Domaine d’application : Psychologie du consommateur, interaction humain-machine (HCI), recherche en marketing des services, ergonomie des systèmes d’IA conversationnelle.
• Nombre d’items : 3 items formulés en déclarations univoques.
• Format de réponse : Échelle de Likert en 7 points (7-point Likert scale) :
  • 1 = Strongly disagree (Fortement en désaccord)
  • 2 = Disagree (En désaccord)
  • 3 = Somewhat disagree (Plutôt en désaccord)
  • 4 = Neither agree nor disagree (Ni en désaccord ni d’accord)
  • 5 = Somewhat agree (Plutôt d’accord)
  • 6 = Agree (D’accord)
  • 7 = Strongly agree (Fortement d’accord)
• Items inversés : Aucun item n’est inversé (tous les items sont cotés positivement).
• Procédure de cotation : Conformément aux spécifications des auteurs (Crolic et al., 2022), les scores des trois items sont moyennés arithmétiquement pour générer un indice global de satisfaction à l’égard de la résolution du problème allant de 1,00 à 7,00. Un score plus élevé reflète un degré supérieur de satisfaction et de succès perçu du dénouement de la requête.
• Durée de passation : Moins d’une minute (environ 30 à 45 secondes), ce qui élimine les biais de fatigue et garantit des taux d’achèvement exceptionnels dans les enquêtes en ligne ou les invites post-service.

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

• Année de publication : 2022.
• Publication princeps : Journal of Marketing, volume 86, numéro 1, pages 132–148.
• Statut des droits d’auteur : © 2021-2022 American Marketing Association (AMA) / SAGE Publications.
• Politique de gratuité et d’accès : L’échelle est librement accessible et utilisable sans frais d’enregistrement par la communauté scientifique internationale dans le cadre de recherches académiques non commerciales et de thèses universitaires, sous réserve de citer formellement l’article princeps de Crolic et al. (2022).
• Utilisation commerciale et industrielle : Les entreprises, cabinets de conseil et concepteurs d’interfaces conversationnelles souhaitant intégrer l’échelle à des suites logicielles commerciales ou à des tableaux de bord propriétaires sont invités à se référer aux règles de reproduction et de citation de l’American Marketing Association et des auteurs affiliés à l’Université d’Oxford.

12. Références / References

• Crolic, C., Thomaz, F., Hadi, R., & Stephen, A. T. (2022). Blame the Bot: Anthropomorphism and Anger in Customer–Chatbot Interactions. Journal of Marketing, 86(1), 132–148. https://doi.org/10.1177/00222429211045687
• Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. https://doi.org/10.1037/0033-295X.114.4.864
• 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
• Oliver, R. L. (1980). A cognitive model of the antecedents and consequences of satisfaction decisions. Journal of Marketing Research, 17(4), 460–469. https://doi.org/10.1177/002224378001700405
• Reeves, B., & Nass, C. (1996). The Media Equation: How People Treat Computers, Television, and New Media Like Real People and Places. Cambridge University Press.
• Weiner, B. (1986). An Attributional Theory of Motivation and Emotion. Springer-Verlag. https://doi.org/10.1007/978-1-4612-4948-1

13. Questions et items du questionnaire / Scale Items