1. Résumé / Abstract
L’échelle d’utilisation continue de l’appareil (Continued Use of the Device) est un instrument psychométrique développé et formalisé pour quantifier les attentes comportementales et les intentions prospectives d’un consommateur quant au maintien de l’intégration d’un dispositif technologique dans ses routines quotidiennes. Mobilisée notamment par Guha, Bressgott, Grewal, Mahr, Wetzels et Schweiger (2023) dans le cadre de recherches publiées dans le Journal of the Academy of Marketing Science, cette mesure s’inscrit au cœur des théories post-adoption des technologies émergentes, spécifiquement les assistants vocaux intelligents et les dispositifs d’intelligence artificielle conversationnelle.
L’instrument cible la phase critique qui succède à l’interaction initiale, évaluant si le dispositif transcende le statut de simple nouveauté éphémère pour devenir un artefact enraciné dans les habitudes de vie de l’utilisateur. Composée généralement de 3 à 4 items formulés sous la forme d’échelles d’accord de type Likert en 7 points (allant de 1 = « Pas du tout d’accord » à 7 = « Tout à fait d’accord »), l’échelle capte la projection temporelle, la disposition à renouveler l’usage récurrent et la probabilité d’incorporation fonctionnelle continue.
Sur le plan psychométrique, l’instrument présente une structure unifactorielle robuste, caractérisée par une cohérence interne élevée (alphas de Cronbach systématiquement supérieurs à 0,85 et fiabilité composite supérieure à 0,88 dans les investigations empiriques). La validité convergente et la validité discriminante sont solidement établies par rapport à des construits adjacents tels que l’utilité perçue, la satisfaction immédiate ou l’intention d’achat ponctuelle. Cet outil constitue un levier méthodologique fondamental pour la recherche en comportement du consommateur, en ergonomie cognitive et en interaction humain-machine (HCI).
2. Mots-clés / Keywords
Utilisation continue, fidélité technologique, assistants vocaux, post-adoption, comportement du consommateur, appropriation technologique, acceptation des technologies, habitudes de consommation, intelligence artificielle, psychométrie.
3. Auteurs / Authors
L’opérationnalisation empirique de cette échelle dans le contexte des interactions vocales et de l’intelligence artificielle est attribuée au collectif de chercheurs suivant :
- Abhijit Guha — University of South Carolina, Darla Moore School of Business, Département de Marketing, Columbia, Caroline du Sud, États-Unis.
- Timna Bressgott — RWTH Aachen University, School of Business and Economics, Aix-la-Chapelle, Allemagne.
- Dhruv Grewal — Babson College, Département de Marketing, Babson Park, Massachusetts, États-Unis.
- Dominik Mahr — Maastricht University, School of Business and Economics, Département de Marketing et de Gestion de la Chaîne d’Approvisionnement, Maastricht, Pays-Bas.
- Martin Wetzels — EDHEC Business School, Roubaix/Lille, France.
- Elisa Schweiger — University of Bath, School of Management, Bath, Royaume-Uni.
4. Objectif / Purpose
L’objectif fondamental de l’échelle d’utilisation continue de l’appareil est d’évaluer la trajectoire comportementale d’un individu au-delà du premier contact expérientiel avec une technologie interactive. Dans le domaine du marketing numérique et des systèmes d’information, un paradoxe récurrent réside dans le fait que les taux d’essai initiaux d’un nouveau matériel ou d’un service basé sur l’intelligence artificielle ne prédisent pas nécessairement sa viabilité à long terme. L’abandon précoce de dispositifs d’assistance vocale, d’objets connectés ou de plateformes interactives représente un enjeu critique. L’échelle a été élaborée pour mesurer avec précision l’attente subjective selon laquelle l’appareil fera durablement partie du répertoire comportemental de l’utilisateur.
D’un point de vue clinique et ergonomique, l’outil permet d’examiner la charge cognitive, la dépendance fonctionnelle ou au contraire la résistance passive développée face à un agent conversationnel. Dans les applications de recherche fondamentale, il offre un critère d’évaluation dépendant essentiel pour analyser comment des manipulations expérimentales — par exemple le degré d’artificialité perçue de la voix, l’incarnation visuelle ou le niveau de compétence attribué à l’intelligence artificielle — modulent les décisions de maintenir le dispositif dans l’espace domestique ou professionnel.
Sur le plan managérial et appliqué, les concepteurs d’interfaces et les stratèges de marque utilisent cette échelle pour diagnostiquer les points de friction dans l’expérience utilisateur (UX). Plutôt que de se limiter à des scores de satisfaction hédonique éphémère (« J’ai trouvé cette démonstration amusante »), l’échelle mesure l’utilisabilité perçue et la valeur durable (« Je continuerai à solliciter cet appareil régulièrement »). Cette distinction conceptuelle est essentielle pour isoler les déterminants psychologiques qui transforment un objet technologique en composante indissociable du mode de vie.
5. Construit psychologique / Construct
Le construit psychologique d’utilisation continue de l’appareil relève de la famille des intentions comportementales durables, théorisées dans le modèle de continuation des systèmes d’information (Expectation-Confirmation Model de Bhattacherjee). Contrairement à l’intention d’adoption initiale, qui est souvent conditionnée par la curiosité cognitive, l’attrait de la nouveauté et le battage médiatique, la décision d’utilisation continue est guidée par l’évaluation rétrospective des bénéfices réels versus attendus.
Ce construit comprend plusieurs facettes cognitives et volitionnelles interdépendantes :
- L’anticipation de la régularité temporelle : Le consommateur formule une attente probabiliste selon laquelle le comportement d’interaction se répétera à intervalles fréquents à moyen et long terme. Il ne s’agit pas d’un usage accidentel, mais d’une décision consciente de persévérance.
- L’incorporation routinière : Le dispositif n’est plus perçu comme une entité extérieure nécessitant un effort d’apprentissage délibéré ; il s’insère dans les scripts comportementaux quotidiens (par exemple, demander la météo le matin, commander des produits essentiels ou contrôler la domotique par commande vocale).
- L’absence de propension à l’abandon ou au remplacement : Le construit postule implicitement un faible niveau de fatigue technologique ou de désillusion fonctionnelle. L’utilisateur anticipe le non-délaissement de l’outil au profit de méthodes manuelles antérieures.
Dans l’étude empirique de Guha et al. (2023), ce construit agit comme une variable de résultat fondamentale (outcome variable). Les auteurs ont démontré que lorsque les assistants vocaux présentent une artificialité apparente mal calibrée par rapport à leurs capacités cognitives inférées, les utilisateurs éprouvent une dissonance qui réduit drastiquement leur intention de pérenniser l’usage du dispositif dans leur vie privée.
6. Cadre théorique / Theoretical Framework
Le socle théorique sous-tendant l’échelle d’utilisation continue puise à la croisée de plusieurs paradigmes majeurs en psychologie sociale et en sciences des systèmes d’information :
La théorie de la confirmation des attentes (ECT / ECM)
Formulée initialement par Richard L. Oliver dans le domaine de la satisfaction du consommateur, puis transposée aux technologies par Anol Bhattacherjee (2001), la théorie de la confirmation des attentes stipule que l’intention de continuer à utiliser un système dépend de la satisfaction de l’usager et de l’utilité perçue post-adoption. L’échelle opérationnalise directement cette variable de sortie : la décision volitionnelle de prolonger l’usage découle du fait que les attentes initiales n’ont pas été déçues lors de la phase de confrontation pratique.
Le modèle d’acceptation de la technologie (TAM) et l’UTAUT
Le modèle d’acceptation de la technologie (Technology Acceptance Model) introduit par Fred Davis (1989), prolongé par Venkatesh et al. dans la théorie unifiée de l’acceptation et de l’utilisation de la technologie (UTAUT), postule que l’utilité perçue et la facilité d’utilisation perçue déterminent l’intention comportementale. L’échelle d’utilisation continue affine ce postulat en le situant dans une perspective longitudinale, mesurant non pas l’intention d’adopter un nouvel outil, mais la décision de s’y conformer durablement.
Le paradigme CASA (« Computers Are Social Actors »)
Dans les travaux de Clifford Nass et Byron Reeves, les individus appliquent inconsciemment des règles sociales et des attentes relationnelles aux ordinateurs et aux interfaces vocales. Guha et al. (2023) mobilisent ce cadre théorique pour éclairer la manière dont l’artificialité vocale et l’intelligence perçue interagissent. Lorsque l’appareil viole les schémas anthropomorphiques attendus, une rupture cognitive survient, sapant l’intention d’utilisation continue au sein de l’écologie domestique.
7. Validité / Validity
Les propriétés de validité de l’échelle d’utilisation continue de l’appareil ont été démontrées à travers des protocoles méthodologiques rigoureux :
Validité de contenu et de construit
La validité de contenu repose sur l’adaptation d’items préalablement validés dans la littérature de référence sur la post-adoption des systèmes d’information (notamment Bhattacherjee, 2001 ; Venkatesh et al., 2012). Les énoncés ciblent directement l’anticipation temporelle et l’engagement comportemental futur de l’individu sans ambiguïté sémantique. L’analyse factorielle confirme que tous les items s’agrègent de manière homogène sur le construit visé.
Validité convergente
La validité convergente est étayée par des indices statistiques solides. Dans les études expérimentales de Guha et al. (2023), la variance moyenne extraite (Average Variance Extracted, AVE) dépasse largement le seuil standard de 0,50 recommandé par Fornell et Larcker (1981), oscillant régulièrement entre 0,70 et 0,85 selon les échantillons. Cela atteste que la majorité de la variance observée dans les items est directement imputable au construit latent d’utilisation continue.
Validité discriminante
La validité discriminante a été confirmée selon le critère de Fornell-Larcker ainsi que par l’examen du ratio hétérotrait-monotrait (HTMT). La racine carrée de l’AVE pour l’utilisation continue demeure supérieure aux corrélations inter-construits reliant cette échelle à des variables connexes telles que l’attitude générale envers la marque, l’évaluation de l’intelligence perçue ou la simple curiosité technologique. Les valeurs HTMT demeurent inférieures au seuil conservateur de 0,85, démontrant que l’échelle ne se confond pas avec la satisfaction générale.
Validité prédictive et nomologique
L’instrument démontre une excellente sensibilité aux effets de médiation et de modération. Dans Guha et al. (2023), l’utilisation continue est significativement prédite par l’adéquation entre l’intelligence attribuée au dispositif et son degré d’artificialité vocale, validant ainsi les hypothèses nomologiques formulées par les auteurs dans leur modèle conceptuel.
8. Fidélité / Reliability
La fidélité de l’échelle d’utilisation continue de l’appareil est systématiquement documentée comme étant exemplaire dans les contextes d’administration en ligne et en laboratoire :
- Cohérence interne : L’alpha de Cronbach (α) calculé pour cette échelle atteint des valeurs comprises entre 0,88 et 0,94 selon les études et les conditions expérimentales présentées par Guha et al. (2023). Ces scores indiquent une excellente homogénéité des items composant l’instrument.
- Fiabilité composite : Le coefficient de fiabilité composite (Composite Reliability, CR) se situe généralement au-delà de 0,90, confirmant que l’ensemble des indicateurs contribue fidèlement à la mesure du construit latent sans redondance excessive.
- Stabilité de la mesure : Bien que les protocoles expérimentaux reposent fréquemment sur des plans transversaux post-manipulation, les réplications transversales conduites à travers plusieurs études indépendantes (Study 1, Study 2) ont montré une consistance remarquable des coefficients de fidélité à travers des profils d’utilisateurs et des scénarios technologiques variés.
9. Analyse factorielle / Factor Analysis
L’architecture factorielle de l’instrument a fait l’objet d’examens psychométriques approfondis par analyse factorielle exploratoire (AFE) puis confirmatoire (AFC) :
Analyse Factorielle Exploratoire (AFE)
Lors de l’extraction par la méthode des composantes principales ou du maximum de vraisemblance avec rotation orthogonale (Varimax) ou oblique (Promax), les données révèlent invariablement une solution unifactorielle stricte. Une seule valeur propre (eigenvalue) émerge au-dessus du seuil de Kaiser de 1,0, expliquant fréquemment entre 72 % et 85 % de la variance totale des items. Aucun phénomène de double saturation critique n’est observé.
Analyse Factorielle Confirmatoire (AFC)
Les modèles d’équations structurelles (SEM) et l’AFC confirment l’adéquation parfaite de la structure à facteur unique avec les matrices de covariance empiriques. Les indices d’ajustement respectent scrupuleusement les recommandations méthodologiques de Hu et Bentler (1999) :
- CFI (Comparative Fit Index) : > 0,98
- TLI (Tucker-Lewis Index) : > 0,97
- RMSEA (Root Mean Square Error of Approximation) : < 0,06 (intervalle de confiance à 90 % généralement compris entre 0,00 et 0,08)
- SRMR (Standardized Root Mean Square Residual) : < 0,03
Toutes les saturations factorielles standardisées (λ) des items sur le construit d’utilisation continue sont hautement significatives (p < 0,001) et affichent des grandeurs supérieures à 0,80, témoignant d’une liaison empirique puissante entre chaque item et la variable latente.
10. Instrument de mesure / Instrument
L’instrument de mesure présente les spécifications techniques et administratives suivantes :
- Nature de l’outil : Échelle psychométrique d’auto-évaluation comportementale prospective (post-test / post-adoption).
- Format d’administration : Questionnaire auto-administré sur support numérique ou papier-crayon, fréquemment intégré dans des plateformes d’enquêtes en ligne (Qualtrics, Gorilla, etc.).
- Nombre d’items : Généralement 3 à 4 items formulés sous la forme d’affirmations ciblées.
- Échelle de réponse : Échelle d’accord de type Likert en 7 points :
- 1 = Totalement 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 = Totalement d’accord (Strongly agree)
- Modalités de cotation (Scoring) : Calcul de la moyenne arithmétique simple ou du score sommatoire des items. Un score plus élevé indique une intention plus marquée et pérenne de maintenir le dispositif dans ses habitudes de consommation. Tous les items sont orientés positivement (pas d’inversion requise dans le format standard).
- Durée de passation : Moins de 2 minutes.
11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year
Année d’introduction / formalisation : 2023 (dans sa modélisation appliquée aux interactions vocales et à l’intelligence artificielle par Guha et ses collaborateurs).
Conditions de réutilisation et droits d’auteur : Les articles scientifiques publiés dans le Journal of the Academy of Marketing Science par Springer Nature sont régis par les conventions standards du droit de reproduction scientifique. L’instrument est accessible à des fins de recherche académique et non commerciale, à condition de citer fidèlement la source originale de Guha et al. (2023).
Tarification : L’accès au protocole est gratuit pour les chercheurs universitaires disposant d’un abonnement institutionnel à la revue ou dans le cadre de l’utilisation des formulations adaptées des échelles de post-adoption du domaine public. Les applications commerciales propriétaires ou l’intégration dans des solutions logicielles d’audit privées peuvent nécessiter des autorisations complémentaires auprès des détenteurs des droits de publication.
12. Références / References
Les travaux fondamentaux et méthodologiques encadrant cette mesure sont présentés ci-dessous :
- Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS Quarterly, 25(3), 351–370. https://doi.org/10.2307/3250921
- 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
- Guha, A., Bressgott, T., Grewal, D., Mahr, D., Wetzels, M., & Schweiger, E. (2023). How artificiality and intelligence affect voice assistant evaluations. Journal of the Academy of Marketing Science, 51(4), 843–866. https://doi.org/10.1007/s11747-022-00911-3
- Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
- Venkatesh, V., Thong, J. Y., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157–178. https://doi.org/10.2307/41410412