Test d’association implicite (IAT)

1. Résumé / Abstract

Le Test d’association implicite (en anglais, Implicit Association Test ou IAT), développé à l’origine par le psychologue social Anthony G. Greenwald, McGhee et Schwartz (1998), constitue l’un des paradigmes expérimentaux et psychométriques les plus influents de la psychologie cognitive et sociale contemporaine. Conçu pour quantifier les cognitions implicites et contourner les écueils inhérents aux inventaires auto-rapportés traditionnels (notamment le biais d’auto-présentation, la désirabilité sociale et les limites de l’introspection consciente), l’IAT évalue la force relative des associations automatiques entretenues en mémoire à long terme entre deux paires de concepts contrastés (par exemple, des catégories sociales telles que Blanc/Noir, Homme/Femme ou Jeune/Âgé) et deux attributs évaluatifs (tels que Agréable/Désagréable ou Bon/Mauvais).

Le protocole standard se compose généralement de sept blocs d’essais informatisés dans lesquels les participants doivent catégoriser des stimuli verbaux ou picturaux le plus rapidement et le plus précisément possible à l’aide de deux touches de clavier. En mesurant les temps de réaction (latences de réponse) au millième de seconde près, l’IAT postule que la tâche est facilitée et exécutée plus promptement lorsque le concept cible et l’attribut partagent une congruence cognitive ou une valence affective similaire au sein du réseau sémantique du participant. La métrique canonique, formalisée par l’algorithme du score D de Greenwald, Nosek et Banaji (2003), normalise ces écarts de latence par la variance intra-individuelle globale, produisant une mesure robuste de taille d’effet.

D’un point de vue psychométrique, l’IAT a fait l’objet de centaines de validations empiriques à travers le monde. Il démontre une consistance interne satisfaisante pour une épreuve chronométrique (coefficients alpha et split-half oscillant généralement entre 0,70 et 0,90), une fidélité test-retest modérée (de l’ordre de 0,50 à 0,65, reflétant à la fois une composante de trait et des fluctuations d’état contextuelles), ainsi qu’une validité convergente et prédictive substantielle quant à la manifestation de comportements non verbaux, micro-comportements discriminatoires et jugements sociaux spontanés. Cet article propose une analyse psychométrique exhaustive de l’outil, explicitant son assise théorique, ses propriétés métrologiques, ses applications empiriques et ses limites structurelles.

2. Mots-clés / Keywords

Test d’association implicite, IAT, cognition implicite, attitudes implicites, stéréotypes automatiques, temps de réaction, score D, psychométrie cognitive, biais de désirabilité sociale, validité prédictive, réseau sémantique, évaluation informatisée.

3. Auteurs / Authors

Le Test d’association implicite a été conçu et initialement publié en 1998 par une équipe de chercheurs de l’Université de Washington à Seattle :

• Anthony G. Greenwald, Ph.D. — Professeur émérite de psychologie à l’Université de Washington (Department of Psychology, Seattle, WA, États-Unis). Concepteur principal du paradigme de l’IAT et pionnier de la recherche sur la cognition sociale implicite. Courriel : [email protected].
• Debbie E. McGhee, Ph.D. — Chercheuse associée à l’Université de Washington, spécialisée en psychologie quantitative, modélisation statistique et évaluation psychométrique.
• Jordan L. K. Schwartz, B.A. — Chercheur et collaborateur de recherche à l’Université de Washington lors du développement des protocoles informatiques initiaux de l’IAT.
• Contributeurs majeurs au développement ultérieur de l’outil :
  • Mahzarin R. Banaji, Ph.D. — Professeure de psychologie sociale à l’Université Harvard (Department of Psychology, Cambridge, MA, États-Unis). Co-fondatrice du Projet Implicit. Courriel : [email protected].
  • Brian A. Nosek, Ph.D. — Professeur de psychologie à l’Université de Virginie et directeur exécutif du Center for Open Science (Charlottesville, VA, États-Unis). Co-développeur de l’algorithme de calcul du score D et de la plateforme en ligne Project Implicit. Courriel : [email protected].

4. Objectif / Purpose

L’objectif fondamental du Test d’association implicite est de mesurer des différences individuelles dans la force relative des liens associatifs conceptuels et évaluatifs en mémoire, sans solliciter l’introspection consciente ni nécessiter une formulation délibérée de la part de l’individu. Depuis l’émergence de la psychométrie moderne, l’investigation des construits à forte charge affective ou morale — tels que les préjugés raciaux, les stéréotypes de genre, l’estime de soi, les orientations sexuelles ou les addictions — s’est heurtée à deux limitations structurelles majeures des inventaires déclaratifs :

1. L’inaccessibilité introspective : Une grande partie du traitement de l’information humaine s’opère selon des processus automatiques, pré-attentionnels et implicites. Un individu peut sincèrement ignorer qu’il associe de manière préférentielle un groupe social donné à une valence négative, car ses valeurs conscientes et ses croyances explicites adhèrent fermement à des principes égalitaires (Greenwald & Banaji, 1995).
2. La gestion des impressions et la désirabilité sociale : Face à des questionnaires mesurant des attitudes socialement sensibles (ex. le racisme, l’homophobie ou le sexisme), les répondants ont tendance à réguler stratégiquement leurs réponses afin de se conformer aux normes culturelles prescrites ou de préserver une image de soi positive.

Pour dépasser ces obstacles, l’IAT déplace le curseur de la psychométrie : au lieu de demander « Qu’en pensez-vous ? », le test mesure la vitesse à laquelle le système cognitif traite des configurations spécifiques de stimuli. En recourant à une tâche de catégorisation binaire sous contrainte temporelle, l’IAT capture les traces mnésiques résiduelles issues de l’apprentissage culturel, des expériences passées et des associations répétées.

Dans le domaine de la recherche, l’IAT a ouvert de vastes perspectives en psychologie sociale expérimentale, en sociologie, en économie comportementale et en neurosciences cognitives. Il permet de cartographier la prévalence des stéréotypes sociétaux et d’analyser la dissociation empirique entre attitudes explicites et implicites. Dans la pratique appliquée et clinique, l’IAT a été adapté avec succès pour sonder des construits cliniques complexes : l’association implicite du soi avec la mort ou le suicide chez des patients psychiatriques afin de prédire les conduites suicidaires futures (Nock & Banaji, 2007), les biais cognitifs automatiques dans l’abus de substances et les dépendances comportementales (Thush & Wiers, 2007), ou encore l’identification des biais implicites chez les professionnels de santé susceptibles d’altérer la qualité de la prise en charge diagnostique et thérapeutique auprès des minorités marginalisées (Blair et al., 2012 ; FitzGerald & Hurst, 2017).

5. Construit psychologique / Construct

L’IAT opérationnalise le construit de cognition implicite, et plus particulièrement les attitudes implicites et les stéréotypes implicites. Selon la formulation de Greenwald et Banaji (1995), une attitude implicite est définie comme « une trace d’expérience passée non identifiée introspectivement (ou faussement identifiée) qui médiatise un sentiment favorable ou défavorable, une pensée ou une action envers un objet social ». L’architecture du test s’articule autour de plusieurs dimensions et sous-construits clés :

1. La force d’association associative (Associative Strength)

Le construit central repose sur le concept de force d’association au sein d’un réseau mnésique. Selon les théories de la propagation de l’activation, lorsqu’un nœud conceptuel (ex. « Fleur ») est activé, l’énergie d’activation diffuse vers les nœuds adjacents en proportion directe de la force du lien qui les unit (ex. « Agréable » ou « Beau »). Si le sujet doit associer simultanément sur une même réponse motrice deux concepts fortement connectés en mémoire, le temps de réponse est minimal. Inversement, l’association conjointe de deux nœuds antagonistes (ex. « Insecte » et « Agréable ») engendre un conflit cognitif nécessitant une résolution inhibitrice, ce qui se traduit par un allongement mesurable des latences et une augmentation potentielle des erreurs de frappe.

2. Les attitudes implicites (Valence évaluative)

Dans les IAT d’attitude (comme l’IAT Race, l’IAT Âge ou l’IAT d’orientation politique), le test évalue l’association entre une catégorie cible bipolaire (ex. Blanc / Noir) et une catégorie d’attribut évaluatif universel (ex. Mots agréables / Mots désagréables). L’effet IAT reflète alors une préférence évaluative automatique relative en faveur d’une catégorie par rapport à l’autre. Par exemple, une latence plus courte lorsque « Blanc » et « Agréable » partagent la même touche (par rapport à « Noir » et « Agréable ») traduit une attitude implicite pro-Blanche relative.

3. Les stéréotypes implicites (Attributs conceptuels spécifiques)

Contrairement aux attitudes qui portent sur une dimension affective bipolaire (bon/mauvais), les stéréotypes implicites quantifient l’attribution automatique de traits descriptifs ou de compétences spécifiques. L’exemple paradigmatique est l’IAT Genre-Science, où la catégorie cible Homme / Femme est croisée avec les catégories d’attributs Science (ex. physique, chimie, astronomie) et Lettres/Arts (ex. littérature, histoire, poésie). L’IAT mesure ici la force relative avec laquelle le concept masculin est assimilé au domaine scientifique par comparaison au concept féminin.

4. L’auto-concept et l’estime de soi implicites

En adaptant les catégories cibles au Moi / Non-Moi (Self / Other), les chercheurs évaluent l’estime de soi implicite (en croisant avec Positif / Négatif) ou des traits de personnalité implicites comme l’extraversion, l’anxiété ou l’agressivité (Greenwald & Farnham, 2000 ; Grumm & von Collani, 2007). Le sujet n’évalue pas consciemment s’il est anxieux ; le test mesure si les représentations de soi sont spontanément interconnectées aux représentations conceptuelles de la nervosité et de l’inquiétude.

6. Cadre théorique / Theoretical Framework

L’IAT s’enracine à la convergence de la psychologie cognitive expérimentale, des modèles de double processus et du néo-associationnisme connexionniste.

Le modèle des réseaux sémantiques et de la diffusion de l’activation

Le socle théorique premier provient des travaux classiques de Collins et Loftus (1975) sur la propagation de l’activation dans les réseaux sémantiques, combinés aux paradigmes d’amorçage évaluatif de Fazio, Sanbonmatsu, Powell et Kardes (1986). La mémoire sémantique y est modélisée comme un vaste graphe de nœuds interconnectés. L’activation d’un stimulus cible déclenche une vague d’excitation qui pré-active les concepts congruents. Lorsque l’expérimentateur impose une double tâche de catégorisation sur une réponse motrice partagée, la compatibilité stimulus-réponse (effet de type Stroop ou Simon) produit une facilitation motrice si les stimuli affectés à la même touche possèdent une compatibilité d’association préalable, ou une interférence cognitive en cas d’incompatibilité.

Les modèles du double processus (Dual-Process Theories)

L’IAT s’inscrit au cœur des théorisations contemporaines distinguant deux modes distincts de traitement cognitif (Chaiken & Trope, 1999 ; Kahneman, 2011 ; Strack & Deutsch, 2004) :

• Le Système 1 (Processus associatif/automatique) : Fonctionnant de manière rapide, involontaire, sans effort conscient et résistant au contrôle intentionnel immédiat. C’est ce système, structuré par la contiguïté spatiotemporelle et les apprentissages conditionnés, que l’IAT cherche à isoler.
• Le Système 2 (Processus propositionnel/délibératif) : Fondé sur le raisonnement logique, la conformité aux valeurs conscientes et l’évaluation de la vérité. Ce système est sollicité lors de la passation de questionnaires auto-rapportés où le sujet formule des propositions jugées vraies ou fausses (Gawronski & Bodenhausen, 2006).

Le Modèle d’Évaluation Associative et Propositionnelle (APE Model) de Gawronski et Bodenhausen explicite avec une grande rigueur la dynamique de ces relations : les réponses à l’IAT sont le reflet direct des activations associatives automatiques, tandis que les mesures explicites traduisent la validation propositionnelle de ces associations par le système conscient, médiatisée par des motivations correctrices.

7. Validité / Validity

La validité psychométrique de l’IAT a fait l’objet d’un examen critique continu et d’une littérature prolifique, marquée par des débats stimulants et de vastes méta-analyses.

Validité de construit

La validité de construit de l’IAT réside dans sa capacité à refléter des structures associatives réelles plutôt que de simples artefacts méthodologiques. Plusieurs hypothèses alternatives ont été examinées et réfutées par la recherche expérimentale :

• Le biais de familiarité : Certains auteurs ont initialement objecté que les temps de réponse plus rapides envers des noms euro-américains par rapport à des noms afro-américains résultaient d’une familiarité lexicale plus élevée plutôt que d’un préjugé évaluatif. Les études de Dasgupta, McGhee, Greenwald et Banaji (2000) ont formellement démontré que lorsque des stimuli d’égale familiarité ou des visages non familiers étaient utilisés, l’effet IAT persistait avec une magnitude équivalente.
• La saillance et la polarité de la tâche : D’autres travaux ont exploré l’asymétrie de saillance (Rothermund & Wentura, 2004). Toutefois, les affinements méthodologiques, le contrebalancement strict de l’ordre des blocs et l’application du score D ont consolidé la robustesse du construit mesuré (Nosek, Greenwald, & Banaji, 2005).

Validité convergente et discriminante

L’IAT présente une validité discriminante remarquable vis-à-vis des échelles d’attitudes explicites (questionnaires d’auto-évaluation). Dans une méta-analyse majeure portant sur 126 études, Hofmann, Gawronski, Gschwendner, Le et Schmitt (2005) ont rapporté une corrélation globale moyenne de r = 0,24 entre les scores IAT et les mesures auto-rapportées. Cette corrélation modérée est théoriquement conforme aux prédictions : elle confirme que l’IAT mesure un construit distinct (la cognition implicite) non réductible aux réponses conscientes, tout en maintenant une relation positive significative là où la désirabilité sociale est faible (ex. préférences politiques où r > 0,50).

Sur le plan de la validité convergente, l’IAT corrèle de manière cohérente avec d’autres paradigmes chronométriques indirects, tels que l’amorçage évaluatif de Fazio (Evaluative Priming Task) et l’Affect Misattribution Procedure (AMP) de Payne, bien que l’IAT surpasse souvent ces derniers en matière de puissance statistique et de fidélité métrique (Nosek et al., 2007).

Validité prédictive et critériée

La capacité de l’IAT à prédire des comportements observables réels a été documentée à grande échelle :

• Dans leur méta-analyse de référence englobant 122 rapports de recherche et 184 échantillons indépendants (N = 14 900), Greenwald, Poehlman, Uhlmann et Banaji (2009) ont établi que les mesures IAT prédisent significativement des critères comportementaux, cognitifs et physiologiques avec une corrélation prédictive moyenne de r = 0,274.
• La validité prédictive de l’IAT surpasse nettement celle des mesures auto-rapportées dans les domaines socialement sensibles (notamment les discriminations intergroupes, où la corrélation prédictive de l’IAT est de r = 0,236 contre r = 0,116 pour les échelles explicites).
• Sur le plan comportemental micro-social, McConnell et Leibold (2001) ont démontré que les scores à l’IAT de race prédisaient de façon robuste des comportements non verbaux spontanés envers un interlocuteur afro-américain (diminution du contact visuel, sourires moins fréquents, distance spatiale accrue, hésitations verbales).

8. Fidélité / Reliability

Dans le domaine des mesures chronométriques basées sur le temps de réaction, la fidélité psychométrique constitue historiquement un défi complexe, en raison de la variance résiduelle introduite par la fatigue, l’attention fluctuante et la vitesse motrice pure. L’IAT se distingue néanmoins par des indices de consistance interne remarquablement élevés pour une tâche cognitive :

Consistance interne

La fidélité de consistance interne de l’IAT est le plus souvent estimée par la méthode du partage par moitié (split-half) — calculée en corrélant les scores D obtenus sur les essais pairs et impairs avec application de la correction de Spearman-Brown — ou par des coefficients alpha de Cronbach calculés sur des sous-ensembles de blocs :

• Les coefficients de cohérence interne se situent de manière consistante dans une plage de 0,70 à 0,90 (Greenwald, Nosek, & Banaji, 2003 ; Nosek et al., 2007).
• Cette stabilité interne dépasse très largement celle observée dans la plupart des tâches concurrentes de temps de réaction (par exemple, les tâches d’amorçage classique dont l’alpha excède rarement 0,40 à 0,50).

Fidélité test-retest (Stabilité temporelle)

La fidélité temporelle de l’IAT a été rigoureusement quantifiée au fil de multiples cohortes expérimentales :

• Les corrélations test-retest oscillent généralement entre r = 0,50 et r = 0,65 pour des intervalles allant de quelques semaines à plusieurs mois (Greenwald & Farnham, 2000 ; Nosek et al., 2005).
• Bien que ces valeurs soient inférieures à celles des tests de personnalité conventionnels de type Big Five (qui atteignent souvent 0,80), elles reflètent la nature théorique du construit : les réseaux associatifs sont dynamiques et sensibles aux activations contextuelles récentes, aux ambiances émotionnelles et aux expositions médiatiques immédiates, tout en conservant une composante dispositionnelle stable.

9. Analyse factorielle / Factor Analysis

La modélisation factorielle des temps de latence de l’IAT requiert des méthodologies psychométriques spécifiques empruntées à la psychométrie computationnelle et aux modèles d’équations structurelles (SEM).

Modèles factoriels confirmatoires (AFC)

Plusieurs études factorielles confirmatoires ont examiné la structure latente sous-tendant les blocs d’essais de l’IAT (notamment Cunningham, Preacher, & Banaji, 2001 ; Schmukle & Egloff, 2004) :

• Structure unifactorielle vs bifactorielle : Les analyses factorielles confirmatoires menées sur les parcelles de blocs (latences associées aux blocs combinés congruents et incongruents) indiquent qu’un modèle à deux facteurs latents corrélés (représentant la vitesse d’association dans la condition compatible et la vitesse d’association dans la condition incompatible) s’ajuste significativement mieux aux données qu’un modèle unidimensionnel direct. La différence entre ces deux facteurs latents définit précisément le facteur d’attitude implicite pure.
• Contrôle de la vitesse cognitive globale (Processing Speed) : Les modèles structurels ont isolé un facteur de vitesse motrice générale (General Cognitive Speed ou facteur g de latence). Avant l’introduction de l’algorithme D, ce facteur général expliquait jusqu’à 15 % de la variance des scores d’écart bruts (les personnes globalement lentes présentant artificiellement des scores de différence plus élevés). L’intégration de la déviation standard intra-individuelle dans le calcul du score D a permis d’éliminer quasi intégralement la saturation indésirable du facteur de vitesse générale sur la mesure du construit.

Modélisation par diffusion cognitive (Drift Diffusion Modeling)

Au-delà de l’analyse factorielle classique, les chercheurs en psychométrie mathématique modélisent les données brutes de l’IAT à l’aide du modèle de diffusion de Ratcliff (Klauer, Voss, Schmitz, & Teige-Mocigemba, 2007). Ce modèle décompose le processus de réponse en plusieurs paramètres psychologiques distincts :

• Le taux de dérive (drift rate, v) : vitesse d’accumulation de l’information, représentant la force associative réelle.
• L’écartement des frontières (boundary separation, a) : prudence de la décision motrice.
• Le temps non décisionnel (non-decision time, t0) : temps d’encodage sensoriel et d’exécution motrice.

Ces modélisations confirment que les différences individuelles capturées par l’IAT sont majoritairement gouvernées par le taux de dérive (drift rate), attestant que le test isole fidèlement l’efficience de l’intégration conceptuelle.

10. Instrument de mesure / Instrument

L’IAT standard est un test de performance cognitive informatisé reposant sur la vitesse de discrimination catégorielle. Les caractéristiques structurelles et procédurales de l’instrument s’établissent comme suit :

• Type de test : Épreuve chronométrique informatisée de temps de réaction et de discrimination binaire relative.
• Format d’administration : Ordinateur individuel (laboratoire ou en ligne via navigateur web, Inquisit, PsychoPy, ou plateforme Project Implicit) ou version adaptée sur tablette/papier (IAT papier-crayon).
• Architecture procédurale standard en 7 blocs :
  • Bloc 1 (20 essais d’apprentissage) : Discrimination des concepts cibles (ex. appui sur « E » pour Blanc, « I » pour Noir).
  • Bloc 2 (20 essais d’apprentissage) : Discrimination des attributs de valence (ex. appui sur « E » pour Agréable, « I » pour Désagréable).
  • Bloc 3 (20 essais combinés d’entraînement) : Première combinaison compatible/congruente (ex. « E » = Blanc ou Agréable ; « I » = Noir ou Désagréable).
  • Bloc 4 (40 essais combinés de test) : Répétition de la tâche combinée initiale pour collecte critique des latences.
  • Bloc 5 (20 essais d’apprentissage inversé) : Inversion de la discrimination du concept cible (ex. appui sur « E » pour Noir, « I » pour Blanc).
  • Bloc 6 (20 essais combinés inversés d’entraînement) : Combinaison incompatible/incongruente (ex. « E » = Noir ou Agréable ; « I » = Blanc ou Désagréable).
  • Bloc 7 (40 essais combinés inversés de test) : Répétition de la tâche combinée inversée pour collecte critique des latences.
• Nombre total d’essais : Généralement 180 essais dans la version classique à 7 blocs (ou 140 à 160 essais dans les versions optimisées à 5 blocs).
• Stimuli présentés : 10 à 25 stimuli par catégorie (mots évocateurs, photographies faciales standardisées, icônes ou symboles visuels).
• Algorithme de cotation (Score D de Greenwald et al., 2003) :
  • Élimination des essais présentant des latences extrêmes (> 10 000 ms) et exclusion des sujets ayant plus de 10 % d’essais ultra-rapides (< 300 ms).
  • Calcul des moyennes de latences pour les blocs d’entraînement (3 et 6) et les blocs de test (4 et 7), avec inclusion systématique d’une pénalité pour les erreurs (ex. latence de correction ou ajout de 600 ms).
  • Calcul de la différence de moyenne entre blocs incompatibles et compatibles : $(\text{Moyenne}_{\text{incompatible}} – \text{Moyenne}_{\text{compatible}})$.
  • Division de chaque différence par l’écart-type « poolé » global de tous les essais des blocs correspondants.
  • Moyennage des deux sous-scores pour produire le score D final, dont les valeurs varient habituellement entre -2,0 et +2,0.
• Interprétation normative conventionnelle du score D :
  • $|D| < 0,15$ : Effet nul ou absence d’association préférentielle automatique.
  • $0,15 le |D| < 0,35$ : Préférence automatique faible / association légère.
  • $0,35 le |D| < 0,65$ : Préférence automatique modérée.
  • $|D| ge 0,65$ : Préférence automatique forte.

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

• Année de conception originale : 1998 (première publication par Anthony G. Greenwald, Debbie E. McGhee et Jordan L. K. Schwartz). Version révisée de l’algorithme de cotation publiée en 2003.
• Statut des droits d’auteur et propriété intellectuelle : Le concept de l’IAT et ses algorithmes méthodologiques ont été développés dans le cadre académique universitaire. Le nom « Implicit Association Test » et les codes sources originaux sont associés aux auteurs et à l’organisation non marchande Project Implicit.
• Tarification et accès pour la recherche académique : L’utilisation du paradigme IAT à des fins de recherche fondamentale, d’enseignement ou d’auto-évaluation personnelle est entièrement gratuite (Free for Academic & Research Use). Aucun honoraire de licence n’est requis pour les chercheurs universitaires.
• Ressources et logiciels disponibles :
  • La plateforme académique participative Project Implicit (Harvard) permet une passation libre et confidentielle en ligne.
  • Des scripts expérimentaux libres et open-source pour plateformes de passation (PsychoPy, jsPsych, Qualtrics, OpenSesame) ainsi que des bibliothèques de traitement statistique (paquets R tels que IATtools ou iatres) sont accessibles via le site du Project Implicit et le Center for Open Science.
  • Des progiciels professionnels spécialisés (comme Inquisit de Millisecond Software) proposent des batteries de tests IAT préprogrammées sous licence logicielle payante.
• Usage commercial et corporatif : Toute application commerciale, d’audit en entreprise ou de conseil professionnel à but lucratif fait l’objet de réglementations spécifiques définies par Project Implicit Services (projectimplicit.net).

12. Références / References

Baron, A. S., & Banaji, M. R. (2006). The development of implicit attitudes: Evidence of race evaluations from ages 6 and 10 and adults. Child Development, 77(3), 778–792. https://doi.org/10.1111/j.1467-8624.2006.00902.x

Blair, I. V., Steiner, J. F., Fairclough, D. L., Hanratty, R., Price, D. W., Hirsh, H. K., Wright, L. A., Bronsert, M., Karim, M. R., Magid, D. J., & Havranek, E. P. (2012). Clinicians’ implicit ethnic/racial bias and health care disparities. The Annals of Family Medicine, 10(4), 295–305. https://doi.org/10.1370/afm.1442

Collins, A. M., & Loftus, E. F. (1975). A spreading-activation theory of semantic processing. Psychological Review, 82(6), 407–428. https://doi.org/10.1037/0033-295X.82.6.407

Cunningham, W. A., Preacher, K. J., & Banaji, M. R. (2001). Implicit attitude measures: Consistency, stability, and convergent validity. Psychological Science, 12(2), 163–170. https://doi.org/10.1111/1467-9280.00328

Dasgupta, N., McGhee, D. E., Greenwald, A. G., & Banaji, M. R. (2000). Associative processes in social categorization: Thinking about faces. Group Processes & Intergroup Relations, 3(3), 269–289. https://doi.org/10.1177/1368430200033003

Fazio, R. H., Sanbonmatsu, D. M., Powell, M. C., & Kardes, F. R. (1986). On the automatic activation of attitudes. Journal of Personality and Social Psychology, 50(2), 229–238. https://doi.org/10.1037/0022-3514.50.2.229

FitzGerald, C., & Hurst, S. (2017). Implicit bias in healthcare professionals: A systematic review. BMC Medical Ethics, 18(1), Article 19. https://doi.org/10.1186/s12910-017-0179-8

Frantz, C. M., Cuddy, A. J. C., Burnett, M., Ray, H., & Hart, A. (2004). A threat in the computer: The race implicit association test as a stereotype threat experience. Personality and Social Psychology Bulletin, 30(12), 1611–1624. https://doi.org/10.1177/0146167204266650

Gawronski, B. (2002). What does the Implicit Association Test measure? A test of the convergent and discriminant validity of prejudice constructs. Experimental Psychology, 49(3), 171–180. https://doi.org/10.1026//1618-3169.49.3.171

Gawronski, B., & Bodenhausen, G. V. (2006). Associative and propositional processes in evaluation: An integrative review of implicit and explicit attitude change. Psychological Bulletin, 132(5), 692–731. https://doi.org/10.1037/0033-2909.132.5.692

Greenwald, A. G., & Banaji, M. R. (1995). Implicit social cognition: Attitudes, self-esteem, and stereotypes. Psychological Review, 102(1), 4–27. https://doi.org/10.1037/0033-295X.102.1.4

Greenwald, A. G., & Farnham, S. D. (2000). Using the Implicit Association Test to measure self-esteem and self-concept. Journal of Personality and Social Psychology, 79(6), 1022–1038. https://doi.org/10.1037/0022-3514.79.6.1022

Greenwald, A. G., McGhee, D. E., & Schwartz, J. L. K. (1998). Measuring individual differences in implicit cognition: The implicit association test. Journal of Personality and Social Psychology, 74(6), 1464–1480. https://doi.org/10.1037/0022-3514.74.6.1464

Greenwald, A. G., Nosek, B. A., & Banaji, M. R. (2003). Understanding and using the Implicit Association Test: I. An improved scoring algorithm. Journal of Personality and Social Psychology, 85(3), 197–216. https://doi.org/10.1037/0022-3514.85.3.197

Greenwald, A. G., Poehlman, T. A., Uhlmann, E. L., & Banaji, M. R. (2009). Understanding and using the Implicit Association Test: III. Meta-analysis of predictive validity. Journal of Personality and Social Psychology, 97(1), 17–41. https://doi.org/10.1037/a0015565

Grumm, M., & von Collani, G. (2007). Measuring Big-Five personality dimensions with the implicit association test–implicit personality approach or bug in the machine? European Journal of Personality, 21(8), 977–991. https://doi.org/10.1002/per.656

Hofmann, W., Gawronski, B., Gschwendner, T., Le, H., & Schmitt, M. (2005). A meta-analysis on the correlation between the implicit association test and explicit self-report measures. Personality and Social Psychology Bulletin, 31(10), 1369–1385. https://doi.org/10.1177/0146167205275613

Klauer, K. C., Voss, A., Schmitz, F., & Teige-Mocigemba, H. (2007). Testing the first steps in the Implicit Association Test: A diffusion model analysis. Journal of Experimental Psychology: General, 136(4), 624–649. https://doi.org/10.1037/0096-3445.136.4.624

McConnell, A. R., & Leibold, J. M. (2001). Relations among the Implicit Association Test, discriminatory behavior, and explicit measures of racial attitudes. Journal of Experimental Social Psychology, 37(5), 435–442. https://doi.org/10.1006/jesp.2000.1470

Nock, M. K., & Banaji, M. R. (2007). Assessment of adolescent suicide risk: A new approach to measuring implicit self-harm associations. Journal of the American Academy of Child & Adolescent Psychiatry, 46(3), 359–366. https://doi.org/10.1097/chi.0b013e31802d7335

Nosek, B. A., Greenwald, A. G., & Banaji, M. R. (2005). Understanding and using the Implicit Association Test: II. Method variables and construct validity. Personality and Social Psychology Bulletin, 31(2), 166–180. https://doi.org/10.1177/0146167204271418

Nosek, B. A., Greenwald, A. G., & Banaji, M. R. (2007). The Implicit Association Test at age 7: A methodological and conceptual review. In J. A. Bargh (Ed.), Social psychology and the unconscious: The automaticity of higher mental processes (pp. 265–292). Psychology Press.

Olson, M. A., & Fazio, R. H. (2004). Reducing the influence of extrapersonal associations on the Implicit Association Test: Personalizing the IAT. Journal of Personality and Social Psychology, 86(5), 653–667. https://doi.org/10.1037/0022-3514.86.5.653

Rachlinski, J. J., Johnson, S. L., Wistrich, A. J., & Guthrie, C. (2009). Does unconscious bias affect trial judges? Notre Dame Law Review, 84(3), 1195–1246.

Rudman, L. A., & Ashmore, R. D. (2007). Discrimination and the Implicit Association Test. Group Processes & Intergroup Relations, 10(3), 359–372. https://doi.org/10.1177/1368430207078696

Schmukle, S. C., & Egloff, B. (2004). Does the Implicit Association Test for assessing anxiety measure trait anxiety, state anxiety, or both? A structural equation modeling approach. Cognition and Emotion, 18(7), 983–995. https://doi.org/10.1080/02699930341000347

Siegel, E. F., Dougherty, M. R., & Huber, D. E. (2012). Manipulating the role of cognitive control while taking the implicit association test. Journal of Experimental Social Psychology, 48(5), 1057–1068. https://doi.org/10.1016/j.jesp.2012.03.009

Teachman, B. A., Smith-Janik, S. B., & Saporito, J. (2007). Information processing biases and panic disorder: Relationships among cognitive and behavioral measures. Behavior Therapy, 38(4), 371–386. https://doi.org/10.1016/j.beth.2006.10.005

Thush, C., & Wiers, R. W. (2007). Explicit and implicit alcohol-related cognitions and the prediction of alcohol consumption in adolescents. Addiction, 102(3), 379–388. https://doi.org/10.1111/j.1360-0443.2006.01704.x

13. Questions et items du questionnaire / Scale Items