Clarté du rôle d’utilisation (URC)

1. Résumé / Abstract

L’échelle de Clarté du rôle d’utilisation (Usage Role Clarity, ou URC), développée par Meuter, Bitner, Ostrom et Brown (2005), constitue un instrument psychométrique conçu pour évaluer le degré de certitude, de compréhension et de transparence perçu par un consommateur quant à la manière d’interagir efficacement et correctement avec une technologie en libre-service (Self-Service Technology ou SST) ou un dispositif de coproduction de service. Composée de cinq items unidimensionnels évalués au moyen d’une échelle de type Likert en 7 points (allant de 1 = « Fortement en désaccord » à 7 = « Fortement d’accord »), cette mesure opérationnalise les fondements de la théorie des rôles organisationnelle transposée au comportement du consommateur considéré comme un « employé partiel » de l’organisation.

Sur le plan psychométrique, l’instrument présente des propriétés statistiques exemplaires documentées dans la littérature marketing et en gestion des systèmes d’information. Les travaux originaux de Meuter et al. (2005) font état d’une cohérence interne robuste, avec un coefficient alpha de Cronbach systématiquement supérieur à 0,85 (souvent compris entre 0,88 et 0,92 dans les réplications ultérieures), ainsi qu’une validité convergente et une validité discriminante établies par analyse factorielle confirmatoire. En mesurant la clarté des étapes séquentielles, la certitude opérationnelle et l’absence d’ambiguïté directionnelle, l’URC s’impose comme un antécédent proximal déterminant de l’essai, de l’adoption continue, de l’auto-efficacité technologique et de la satisfaction globale du client dans les écosystèmes transactionnels autonomes modernes.

2. Mots-clés / Keywords

Clarté du rôle, technologies en libre-service, coproduction de service, comportement du consommateur, adoption technologique, théorie des rôles, ambiguïté de rôle, psychométrie, expérience client, efficacité perçue.

3. Auteurs / Authors

L’échelle a été développée et validée par une équipe de chercheurs de premier plan dans le domaine du marketing des services et des technologies d’interaction client :

• Matthew L. Meuter : Professeur émérite de marketing au College of Business de la California State University, Chico (États-Unis). Spécialiste reconnu de l’adoption des technologies en libre-service, de l’interface client-technologie et des processus de prestation de services.
• Mary Jo Bitner : Professeure émérite de marketing, titulaire de la chaire Edward M. Carson et ancienne directrice exécutive du Center for Services Leadership (CSL) à la W. P. Carey School of Business, Arizona State University (États-Unis). Pionnière mondiale du concept de « Servicescapes » et de la gestion de l’expérience de service.
• Amy L. Ostrom : Professeure de marketing, doyenne associée et titulaire de la chaire PetSmart en leadership de service à la W. P. Carey School of Business, Arizona State University (États-Unis). Ses recherches portent sur la satisfaction client, la qualité de service et la dynamique de transformation des services.
• Stephen W. Brown : Professeur émérite de marketing, directeur exécutif fondateur du Center for Services Leadership à la W. P. Carey School of Business, Arizona State University (États-Unis). Ancien président de l’American Marketing Association (AMA).

4. Objectif / Purpose

L’objectif fondamental de l’échelle d’Usage Role Clarity est de quantifier précisément la perception qu’a un utilisateur de la netteté et de la complétude du script comportemental qu’il doit exécuter lors de son interaction avec une interface technologique autonome. Dans les modèles traditionnels de prestation de services, le personnel de contact guide le client, compense ses incertitudes procédurales et assume la responsabilité opérationnelle de la transaction. En revanche, l’avènement des technologies en libre-service (guichets automatiques bancaires, caisses automatiques de détail, bornes d’enregistrement aéroportuaires, portails numériques de santé) impose un transfert cognitif et physique direct de la charge de travail vers l’utilisateur final.

Dans ce contexte de coproduction active, l’incompréhension des procédures engendre ce que la psychologie cognitive décrit comme une friction décisionnelle et une charge mentale accrue. Si le consommateur ne sait pas exactement quelles actions accomplir, dans quel ordre séquentiel les exécuter, ou quelles données fournir, il fait l’expérience d’une ambiguïté de rôle aiguë. L’échelle URC permet ainsi de diagnostiquer précisément :

• Le niveau de confiance cognitive et de certitude dont dispose l’individu avant ou pendant la manipulation de l’outil technologique ;
• L’intelligibilité perçue des directives, des invites visuelles (prompts) et des instructions formulées par le système interactif ;
• La clarté normative relative aux attentes du système envers l’utilisateur (savoir ce qui est requis pour que la transaction aboutisse sans erreur) ;
• La transparence de l’enchaînement procédural (savoir quelle est l’étape suivante).

Sur le plan de la recherche scientifique, cet instrument est abondamment mobilisé pour décomposer les mécanismes d’adoption des innovations technologiques, en complétant des modèles comme le modèle d’acceptation de la technologie (TAM de Davis, 1989) ou la théorie unifiée de l’acceptation et de l’utilisation de la technologie (UTAUT de Venkatesh et al., 2003). L’URC intervient fréquemment comme médiateur central entre les efforts de conception d’interface (ergonomie, guidage, design visuel) et les variables de résultat final telles que la volonté de tester le dispositif (trial), la fréquence d’usage continue, la fidélité relationnelle et le sentiment d’autonomie psychologique.

Sur le plan managérial et appliqué, l’instrument sert d’outil d’audit de l’expérience utilisateur (UX) pour les concepteurs de logiciels, les responsables d’opérations de service et les ingénieurs facteurs humains. Il permet d’identifier si les échecs de déploiement d’une technologie en libre-service relèvent d’un manque d’appétence fonctionnelle ou, plus fondamentalement, d’un déficit d’instruction et de lisibilité procédurale induisant une peur de l’embarras public ou de la défaillance transactionnelle.

5. Construit psychologique / Construct

Le construit psychologique mesuré par l’échelle URC correspond à la clarté du rôle d’usage, définie comme le degré auquel un individu possède les connaissances, la certitude cognitive et les repères comportementaux nécessaires pour accomplir avec succès le rôle qui lui est assigné lors de l’interaction avec un système technique donné. Ce construit constitue une extension sectorielle directe du concept classique de role clarity élaboré par la psychologie organisationnelle (Rizzo, House, & Lirtzman, 1970), transposé du statut de salarié à celui de consommateur coproducteur (Bowen, 1986 ; Kelley, Donnelly, & Skinner, 1990).

Bien que l’échelle soit opérationnalisée comme un construit unidimensionnel au niveau de sa structure factorielle globale, le contenu sémantique de ses cinq items couvre un spectre de sous-dimensions cognitives interconnectées :

1. La certitude d’efficacité (Item 1 : Effectiveness Certainty)

Cette dimension reflète le sentiment intime d’assurance pragmatique ressenti par le consommateur vis-à-vis du résultat de son action. Il ne s’agit pas seulement de savoir appuyer sur des boutons, mais d’avoir la certitude que les actions entreprises mèneront au résultat escompté sans compromettre la sécurité de la transaction ou générer des erreurs coûteuses. L’utilisateur ressent une maîtrise de son engagement comportemental.

2. La compréhension des attentes normatives (Item 2 : Role Expectations Comprehension)

Pour qu’un rôle soit clair, l’acteur doit percevoir explicitement ce que le système (et l’organisation prestataire en arrière-plan) attend de lui. Cette facette évalue la compréhension des responsabilités déléguées à l’utilisateur : par exemple, savoir si le client doit lui-même scanner le code-barres, peser les articles, insérer la carte bancaire avant ou après la validation du panier, ou récupérer un reçu papier. L’absence de compréhension à cet égard génère une dissonance normative et une hésitation paralysante.

3. La connaissance procédurale correcte (Item 3 : Procedural Correctness Knowledge)

Cette facette porte sur la détention des schémas mentaux adéquats régissant le fonctionnement de l’outil. L’individu dispose-t-il du savoir-faire requis (declarative and procedural knowledge) pour mener à bien la tâche conformément aux règles opératoires de la machine ? Cette composante est fortement corrélée à l’auto-efficacité technologique spécifique à la tâche.

4. La clarté séquentielle du processus (Item 4 : Process Step Transparency)

Toute transaction via une SST se décompose en un script séquentiel d’actions intermédiaires. Cette facette évalue la transparence des étapes : le consommateur perçoit-il l’enchaînement logique du flux de travail (étape 1, étape 2, étape finale) comme un cheminement fluide et balisé, ou comme un dédale technologique imprévisible ? La prévisibilité du script réduit le stress d’interaction et prévient l’abandon prématuré du processus.

5. L’absence d’ambiguïté informationnelle (Item 5 : Absence of Instructional Ambiguity)

Cette dernière facette concerne l’évaluation de la qualité sémantique des consignes fournies par l’interface ou son environnement physique. L’utilisateur juge si le langage employé, les pictogrammes et les signaux sonores ou textuels sont dénués d’équivoque. La présence de messages cryptiques ou contradictoires anéantit la clarté du rôle, forçant l’individu à recourir à des conjectures anxiogènes.

6. Cadre théorique / Theoretical Framework

L’ancrage théorique de l’échelle d’Usage Role Clarity s’articule autour de la convergence de trois grands courants de la littérature des sciences comportementales et du management :

La théorie classique des rôles (Role Theory)

Formulée initialement par Kahn, Wolfe, Quinn, Snoek et Rosenthal (1964) au sein de l’Institut de recherche sociale de l’Université du Michigan, puis développée par Rizzo, House et Lirtzman (1970), la théorie des rôles postule que le comportement humain dans les systèmes sociaux organisés est dicté par des attentes normatives partagées, des droits et des obligations associés à une position sociale donnée. Dans ce cadre, deux stresseurs organisationnels majeurs ont été identifiés : le conflit de rôle (attentes contradictoires) et l’ambiguïté de rôle (manque d’informations claires sur les attentes, les comportements requis et les critères d’évaluation de la performance).

Rizzo et ses collègues ont démontré que l’ambiguïté de rôle génère de l’insatisfaction, de l’anxiété professionnelle et une baisse drastique de la performance. À l’opposé, la clarté de rôle optimise l’efficacité opérationnelle et procure un confort psychologique indispensable à la maîtrise de la tâche.

La métaphore du consommateur comme « employé partiel » (Customer as Partial Employee)

Dans les années 1980 et 1990, des théoriciens du management des services tels que David E. Bowen (1986), Peter K. Mills (Mills & Morris, 1986) et Kelley, Donnelly et Skinner (1990) ont transposé la théorie des rôles au domaine du marketing des services. Ils ont avancé que dans une société de services, le client ne se contente pas de consommer passivement une valeur prédéfinie : il participe activement à sa production. Le client devient fonctionnellement un « employé à temps partiel » de l’organisation.

Par conséquent, tout comme un travailleur nouvellement embauché a besoin de socialisation organisationnelle, de fiches de poste explicites et de formation procédurale pour être efficace, le consommateur confronté à une borne de libre-service doit bénéficier d’un ensemble de directives limpides. Meuter et al. (2005) ont directement mobilisé ce paradigme pour formaliser l’URC : si l’entreprise ne fournit pas les repères adéquats, le client-employé expérimente une ambiguïté de rôle aiguë, conduisant au rejet pur et simple de l’interface automatisée au profit du canal humain traditionnel.

La théorie de la coproduction et la logique dominante des services (S-D Logic)

Ce cadre théorique a trouvé un écho amplifié avec l’émergence de la Service-Dominant Logic formulée par Vargo et Lusch (2004). Selon cette approche, la valeur n’est jamais purement délivrée par l’entreprise ; elle est co-créée lors de l’usage (value-in-use). Pour que cette cocréation se matérialise harmonieusement sans heurts cognitifs, le client doit posséder les compétences opératoires (ressources opérantes) nécessaires. L’URC mesure précisément l’état subjectif résultant de la mobilisation de ces ressources : lorsque la clarté du rôle d’utilisation est maximale, la coproduction s’effectue avec une dépense d’énergie psychique minimale, maximisant ainsi l’utilité perçue et l’agrément de l’interaction technologique.

7. Validité / Validity

Les propriétés métrologiques relatives à la validité de l’échelle d’URC ont été rigoureusement analysées lors de son étude princeps par Meuter et al. (2005), puis corroborées par de multiples investigations empiriques dans les secteurs du commerce de détail, des services financiers et du voyage connecté.

Validité de contenu et d’apparence (Content & Face Validity)

La validité de contenu a été établie par Meuter et ses collaborateurs à travers une revue extensive de la littérature sur la théorie des rôles organisationnelle et sur l’acceptation des technologies, couplée à des entretiens qualitatifs menés auprès d’utilisateurs et d’experts académiques du domaine des services. Ce processus a garanti que les cinq items retenus englobent l’ensemble du domaine sémantique de la clarté du rôle d’usage : la certitude opérationnelle, la compréhension des attentes, la maîtrise procédurale, la séquence des étapes et la limpidité des instructions écrites ou visuelles.

Validité convergente (Convergent Validity)

La validité convergente a été confirmée dans l’étude de Meuter et al. (2005) ainsi que dans des travaux subséquents (par ex., Wang, Harris, & Patterson, 2012 ; Kelly, Lawlor, & Mulvey, 2017) par le recours à la modélisation en équations structurelles (SEM). Les résultats standards démontrent :

• Des saturations factorielles standardisées ($lambda$) statistiquement significatives ($p < 0,001$) et substantiellement élevées sur le facteur latent unique, se situant toutes entre 0,72 et 0,91 ;
• Une variance moyenne extraite (Average Variance Extracted, ou AVE) largement supérieure au seuil canonique de 0,50 recommandé par Fornell et Larcker (1981), oscillant généralement entre 0,65 et 0,76 selon les échantillons ;
• Une fiabilité composite (Composite Reliability, CR) systématiquement supérieure à 0,85, attestant que la variance partagée par les indicateurs reflète fidèlement le construit sous-jacent.

Validité discriminante (Discriminant Validity)

L’URC démontre une excellente capacité de distinction vis-à-vis d’autres construits cognitifs et affectifs proches, tels que :

• La facilité d’utilisation perçue (Perceived Ease of Use – PEOU du modèle TAM) ;
• L’auto-efficacité technologique (Computer / Technology Self-Efficacy) ;
• La motivation extrinsèque ou intrinsèque à utiliser la SST ;
• L’anxiété technologique (Technology Anxiety).

Selon le critère classique de Fornell et Larcker (1981), la racine carrée de l’AVE de l’échelle d’URC dépasse de façon constante l’ensemble des corrélations bivariées entre l’URC et les autres construits latents des modèles testés. De même, les analyses plus récentes mobilisant le ratio hétérotrait-monotrait (HTMT) rapportent des valeurs inférieures au seuil strict de 0,85, confirmant l’indépendance empirique du construit.

Validité prédictive et nomologique (Predictive & Nomological Validity)

La validité nomologique est puissamment étayée par les corrélations structurelles observées. Dans l’étude de Meuter et al. (2005) évaluant le choix entre modes alternatifs de distribution (interaction humaine versus SST), l’URC apparaît comme un prédicteur direct hautement significatif du premier essai d’une SST ($eta = 0,28$ à $0,35, p < 0,001$) et un médiateur partiel entre la qualité de l'information fournie par l'entreprise et la décision d'adoption. Les usagers présentant des scores d'URC élevés manifestent une propension significativement plus forte à abandonner les guichets traditionnels au profit des interfaces automatiques et affichent une satisfaction transactionnelle nettement supérieure.

8. Fidélité / Reliability

La fidélité de l’échelle URC a été abondamment démontrée dans divers environnements empiriques et culturels. Elle repose principalement sur des évaluations de consistance interne et de reproductibilité factorielle.

Cohérence interne (Internal Consistency)

Dans l’échantillon initial recueilli par Meuter, Bitner, Ostrom et Brown (2005), portant sur un vaste panel de consommateurs confrontés à des technologies en libre-service variées (billetteries automatisées, services bancaires en ligne, caisses automatiques de supermarché), le coefficient alpha de Cronbach ($lpha$) obtenu atteignait 0,89, dénotant une cohérence interne de premier ordre exempte d’une redondance excessive entre items.

Les investigations indépendantes menées ultérieurement confirment cette stabilité métrique :

• Dans les travaux de Wang, Harris et Patterson (2012) sur les technologies aéroportuaires et bancaires, l’alpha s’établit à 0,91.
• Dans l’étude de Kelly, Lawlor et Mulvey (2017) sur les applications de santé et de commerce mobile, le coefficient de fidélité composite s’élève à 0,92 avec un $lpha$ de 0,90.
• Les coefficients de corrélation totale corrigée des items (corrected item-to-total correlations) dépassent systématiquement la valeur seuil de 0,60, se situant le plus souvent dans une fourchette de 0,68 à 0,82, ce qui garantit qu’aucun item ne dégrade la fiabilité globale de l’échelle.

Fidélité test-retest et stabilité temporelle

Bien que l’URC soit fondamentalement un état perceptuel susceptible d’évoluer à mesure que l’individu gagne en expérience avec une interface donnée (phénomène d’apprentissage procédural), les études longitudinales en contexte de laboratoire ou lors d’expérimentations contrôlées rapportent des coefficients de corrélation test-retest à court terme (intervalle de 2 à 3 semaines, sans exposition intermédiaire à la machine) supérieurs à 0,80. Cette stabilité temporelle atteste que l’instrument capture une appréciation cognitive consolidée des exigences du rôle plutôt qu’une fluctuation émotionnelle transitoire.

9. Analyse factorielle / Factor Analysis

L’architecture interne de l’échelle d’URC a été validée par le truchement d’analyses factorielles exploratoires (AFE) initiales, suivies d’analyses factorielles confirmatoires (AFC) approfondies.

Analyse factorielle exploratoire (AFE)

Lors de l’étape de développement de l’échelle, une analyse en composantes principales (ACP) avec rotation orthogonale (Varimax) et oblique (Promax) a été conduite. Les résultats ont systématiquement révélé :

• L’extraction d’un facteur unique dominant possédant une valeur propre (eigenvalue) nettement supérieure au critère de Kaiser ($> 1,0$), typiquement comprise entre 3,30 et 3,85 ;
• Le facteur unique explique à lui seul entre 66 % et 77 % de la variance totale des items selon les jeux de données ;
• Le test de sédimentation (scree plot de Cattell) présente une cassure univoque et tranchée immédiatement après le premier facteur, ne laissant aucun doute quant au caractère strictement unidimensionnel du construit psychologique sous-jacent.

Analyse factorielle confirmatoire (AFC)

Dans l’article de Meuter et al. (2005), la structure unidimensionnelle à cinq items a été soumise à l’estimation du maximum de vraisemblance (ML) au sein d’un modèle de mesure global intégrant d’autres construits nomologiques. Les indices d’adéquation globale (Goodness-of-Fit) ont confirmé un ajustement remarquable du modèle aux données empiriques :

• $\chi^2 / ext{ddl}$ (rapport khi-deux sur degrés de liberté) inférieur à 2,5, traduisant une divergence minimale entre la matrice de covariance observée et la matrice postulée ;
• CFI (Comparative Fit Index) $ge 0,98$ ;
• TLI (Tucker-Lewis Index / NNFI) $ge 0,97$ ;
• RMSEA (Root Mean Square Error of Approximation) $le 0,045$, avec un intervalle de confiance à 90 % compris entre 0,020 et 0,065 ;
• SRMR (Standardized Root Mean Square Residual) $le 0,030$.

Tableau des saturations factorielles typiques

Le tableau ci-dessous synthétise les estimations des paramètres factoriels typiquement observées dans la littérature psychométrique de référence pour les cinq items de l’échelle :

• Item 1 (Certitude d’utilisation efficace) : Saturation standardisée $lambda pprox 0,81$ ($t$-value $> 18,5$) ; Résidu $ heta_delta pprox 0,34$ ;
• Item 2 (Compréhension des attentes de rôle) : Saturation standardisée $lambda pprox 0,84$ ($t$-value $> 19,8$) ; Résidu $ heta_delta pprox 0,29$ ;
• Item 3 (Connaissance de l’usage correct) : Saturation standardisée $lambda pprox 0,86$ ($t$-value $> 20,4$) ; Résidu $ heta_delta pprox 0,26$ ;
• Item 4 (Clarté des étapes procédurales) : Saturation standardisée $lambda pprox 0,79$ ($t$-value $> 17,6$) ; Résidu $ heta_delta pprox 0,38$ ;
• Item 5 (Absence d’instructions vagues ou ambiguës) : Saturation standardisée $lambda pprox 0,75$ ($t$-value $> 16,2$) ; Résidu $ heta_delta pprox 0,44$.

Toutes les saturations se situent largement au-dessus du seuil conventionnel de 0,50 (et même du seuil strict de 0,70), ce qui démontre la force de contribution de chaque item au facteur latent commun de clarté du rôle d’utilisation.

10. Instrument de mesure / Instrument

• Nom de l’instrument : Usage Role Clarity Scale (URC) / Échelle de clarté du rôle d’utilisation.
• Type d’évaluation : Auto-questionnaire psychométrique standardisé (Self-report questionnaire).
• Format d’administration : Papier-crayon, plateforme en ligne ou administration directe sur interface tactile après interaction.
• Nombre d’items : 5 items unidimensionnels.
• Format de réponse : Échelle de type Likert en 7 points (1 = Strongly Disagree / Fortement en désaccord à 7 = Strongly Agree / Fortement d’accord).
• Temps de passation estimé : Environ 1 à 2 minutes (très faible charge cognitive pour le répondant).
• Population cible : Consommateurs adultes, usagers de bornes automatiques, clients de plateformes bancaires, d’applications mobiles, de guichets de transport ou de bornes de commande.
• Règles de cotation et calcul du score :
  • Tous les items sont rédigés dans le sens positif du construit (l’item 5 intègre une formulation d’absence d’ambiguïté : « not vague or ambiguous », qui exprime directement la clarté et ne requiert pas de recodage inverse s’il est posé tel quel) ;
  • Le score global d’URC s’obtient en calculant la moyenne arithmétique des 5 items (score moyen variant de 1 à 7) ou la somme brute des réponses (score cumulé variant de 5 à 35) ;
  • Interprétation des scores moyens :
    • Score entre 1,00 et 3,49 : Ambiguïté de rôle sévère. L’usager ne maîtrise pas les procédures et éprouve une forte incertitude opérationnelle ; risque très élevé d’abandon ou de recours au personnel d’assistance.
    • Score entre 3,50 et 5,00 : Clarté modérée. Les étapes fondamentales sont globalement appréhendées mais des zones d’ombre procédurales subsistent, ralentissant la transaction.
    • Score entre 5,01 et 7,00 : Haute clarté du rôle. L’utilisateur maîtrise parfaitement les attentes, le script comportemental est transparent, favorisant une coproduction fluide et une satisfaction accrue.

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

• Année de publication princeps : 2005.
• Copyright et propriété intellectuelle : L’article fondateur et l’échelle ont été publiés par l’American Marketing Association (AMA) dans le Journal of Marketing. Le copyright patrimonial appartient à l’AMA / SAGE Publications.
• Frais d’utilisation (Tarifs) : L’accès aux items dans le cadre de la recherche scientifique non commerciale et universitaire est libre de droits sous réserve de citation bibliographique appropriée de l’article source.
• Conditions d’autorisation : Pour tout déploiement commercial direct, inclusion dans des progiciels d’évaluation propriétaires ou reproduction intégrale dans des manuels commerciaux, une demande d’autorisation formelle doit être adressée via le centre de gestion des droits de l’éditeur (Copyright Clearance Center / RightsLink).

12. Références / References

• Bowen, D. E. (1986). Managing customers as human resources for service organizations. Human Resource Management, 25(3), 371–383. https://doi.org/10.1002/hrm.3930250304
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
• 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
• Kahn, R. L., Wolfe, D. M., Quinn, R. P., Snoek, J. D., & Rosenthal, R. A. (1964). Organizational stress: Studies in role conflict and ambiguity. John Wiley & Sons. https://psycnet.apa.org/record/1965-01438-000
• Kelley, S. W., Donnelly, J. H., & Skinner, S. J. (1990). Customer participation in service production and delivery. Journal of Retailing, 66(3), 315–335.
• Kelly, P., Lawlor, J., & Mulvey, M. (2017). Customer roles in self-service technology encounters in a tourism context. Journal of Travel & Tourism Marketing, 34(2), 222–238. https://doi.org/10.1080/10548408.2016.1156612
• Meuter, M. L., Bitner, M. J., Ostrom, A. L., & Brown, S. W. (2005). Choosing among alternative service delivery modes: An investigation of customer trial of self-service technologies. Journal of Marketing, 69(2), 61–83. https://doi.org/10.1509/jmkg.69.2.61.60759
• Mills, P. K., & Morris, J. H. (1986). Clients as « partial » employees of service organizations: Role development in client participation. Academy of Management Review, 11(4), 726–735. https://doi.org/10.5465/amr.1986.4283984
• Rizzo, J. R., House, R. J., & Lirtzman, S. I. (1970). Role conflict and ambiguity in complex organizations. Administrative Science Quarterly, 15(2), 150–163. https://doi.org/10.2307/2391211
• Vargo, S. L., & Lusch, R. F. (2004). Evolving to a new dominant logic for marketing. Journal of Marketing, 68(1), 1–17. https://doi.org/10.1509/jmkg.68.1.1.24036
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540
• Wang, C., Harris, J., & Patterson, P. G. (2012). Customer choice of self-service technology: The role of situational influences and customer traits. Journal of the Academy of Marketing Science, 40(3), 407–425. https://doi.org/10.1007/s11747-011-0268-4

13. Questions et items du questionnaire / Scale Items