Échelle des risques et des bénéfices de l’IA

1. Résumé / Abstract

L’Échelle des risques et des bénéfices de l’IA (AI Risks and Benefits Scale ou AIRBS) est un instrument psychométrique développé par Sophie Kerstan, Nadine Bienefeld et Gudela Grote (2024) afin de quantifier les représentations subjectives des individus quant à l’introduction des systèmes d’intelligence artificielle dans le domaine des soins de santé. Conçue initialement pour élucider les mécanismes sous-tendant la préférence systématique accordée aux médecins humains par rapport aux agents algorithmiques, cette échelle évalue deux dimensions orthogonales interdépendantes : les risques perçus liés à l’IA en médecine et les bénéfices escomptés de son intégration clinique.

L’instrument se compose de 19 items distribués en deux sous-échelles distinctes : une sous-échelle de risques (10 items, notés R1 à R10) englobant les menaces relatives à la sécurité des données, à la déshumanisation du soin, aux biais de mesure, aux défaillances logicielles et à la dépendance technologique ; et une sous-échelle de bénéfices (9 items, notés B1 à B9) évaluant la réduction des erreurs médicales, l’accessibilité des soins, la personnalisation thérapeutique, le diagnostic précoce et l’optimisation des flux d’information clinique. Les participants répondent au moyen d’une échelle de Likert en 7 points allant de 1 (« Très peu probable ») à 7 (« Très probable »).

Sur le plan des propriétés psychométriques, les analyses factorielles confirmatoires menées par les auteurs démontrent une structure bifactorielle robuste et stable, distinguant nettement la valence négative (risques) de la valence positive (bénéfices). La cohérence interne est excellente, avec des coefficients alpha de Cronbach excédant les seuils conventionnels de saturation (α > 0,85 pour les deux sous-dimensions). L’échelle présente une validité de construit remarquable, prédisant de manière significative l’acceptation technologique, le niveau de confiance comparative et l’intention comportementale d’adopter des recommandations médicales formulées par des systèmes d’IA. Cet outil s’avère fondamental pour la recherche en psychologie ergonomique, la santé numérique et la sociologie médicale.

2. Mots-clés / Keywords

Intelligence artificielle, santé numérique, évaluation psychométrique, perception du risque, bénéfices perçus, confiance technologique, relation médecin-patient, prise de décision clinique, acceptation des technologies, ergonomie cognitive, AIRBS, éthique médicale.

3. Auteurs / Authors

L’échelle a été développée et validée par une équipe de chercheurs spécialisés en psychologie du travail, en comportement organisationnel et en facteurs humains au sein d’institutions suisses de premier plan :

• Sophie Kerstan : Département de Management, Technologie et Économie (D-MTEC), Chaire de Gestion du Travail et des Organisations, École polytechnique fédérale de Zurich (ETH Zürich), Zurich, Suisse.
• Nadine Bienefeld : Institut de Leadership et de Gestion des Ressources Humaines, Université de Saint-Gall (HSG), Saint-Gall, Suisse, et chercheuse associée à l’ETH Zürich. Experte dans l’interaction homme-machine et l’adoption technologique dans les contextes à haute fiabilité.
• Gudela Grote : Professeure titulaire de psychologie du travail et des organisations au Département de Management, Technologie et Économie (D-MTEC), ETH Zürich, Zurich, Suisse. Reconnue internationalement pour ses travaux sur la sécurité organisationnelle, la gestion du risque et l’autonomie dans les systèmes sociotechniques.

4. Objectif / Purpose

L’avènement de l’intelligence artificielle dans le secteur biomédical soulève des interrogations fondamentales quant à la transformation des pratiques diagnostiques et thérapeutiques. Si les modèles algorithmiques atteignent fréquemment des performances comparables, voire supérieures, à celles des praticiens humains dans des tâches spécialisées telles que la lecture d’imagerie médicale ou la prédiction oncologique, les patients manifestent une réticence marquée à l’égard de l’autonomie décisionnelle de ces outils. L’Échelle des risques et des bénéfices de l’IA (AIRBS) a été conçue pour capturer et mesurer avec précision les croyances individuelles qui sous-tendent cette ambivalence.

L’objectif scientifique principal de l’AIRBS est d’opérationnaliser les jugements probabilistes que portent les usagers et les soignants sur les conséquences potentielles du déploiement de l’IA en milieu clinique. Plus précisément, l’instrument permet d’étudier comment la perception des risques (tels que la déshumanisation de la relation soignant-soigné, la violation de la confidentialité des dossiers médicaux, la survenue de pannes imprévues ou la perte d’expertise humaine) et la perception des bénéfices (comme la démocratisation de l’accès aux soins, la précision accrue du monitorage et la réduction des erreurs nosocomiales ou diagnostiques) interagissent pour influencer les attitudes d’acceptation ou de rejet.

Dans le domaine de la recherche fondamentale et appliquée, l’AIRBS offre un cadre standardisé permettant d’évaluer l’efficacité des interventions communicationnelles, des modules de formation en littératie numérique ou des politiques publiques visant à éclairer le consentement des patients. En milieu clinique et hospitalier, cet outil peut être employé pour auditer la réceptivité du personnel médical et paramédical préalablement à l’implantation de logiciels d’aide à la décision diagnostique. Enfin, la justification théorique de l’outil repose sur la nécessité de dépasser les modèles simplistes d’attitude unidimensionnelle (simple technophilie ou technophobie) en adoptant une approche fine de balance décisionnelle issue de la théorie de la décision et de la psychologie du risque.

5. Construit psychologique / Construct

Le construit théorique évalué par l’AIRBS est fondé sur une modélisation cognitive bidimensionnelle de l’évaluation technologique. Contrairement à l’hypothèse intuitive selon laquelle le risque et le bénéfice représenteraient les deux extrémités d’un continuum bipolaire unique, les recherches en psychologie cognitive démontrent qu’ils constituent deux dimensions cognitives distinctes et orthogonales : un individu peut simultanément anticiper des gains majeurs et redouter des périls substantiels.

Dimension 1 : Risques perçus de l’IA en santé (10 items)

Cette sous-échelle évalue la gravité et la probabilité subjective de conséquences négatives découlant de la substitution ou de l’assistance algorithmique. Elle intègre plusieurs facettes du risque :

• Risque d’altération relationnelle et déshumanisation : Appréhension que la technologie érode l’empathie inhérente au soin (item R7) et ne parvienne pas à saisir la singularité clinique ou existentielle de chaque patient (item R1).
• Risques de sécurité et de confidentialité : Craintes relatives aux violations de la sécurité des données de santé personnelles, au piratage ou à l’usage abusif des dossiers électroniques (item R3).
• Risques techniques et iatrogéniques : Probabilité d’introduction de bogues informatiques, d’erreurs de mesure physiologiques ou d’accroissement net des erreurs médicales dues aux défaillances algorithmiques (items R5, R8, R9, R10).
• Risques éthiques et systémiques : Inquiétudes liées à la perte d’emplois médicaux (item R2), aux dilemmes moraux sans responsabilité clairement établie (item R4) et à la surdépendance technologique induisant une atrophie des compétences cliniques humaines (item R6).

Dimension 2 : Bénéfices perçus de l’IA en santé (9 items)

Cette sous-échelle quantifie l’espérance de gains fonctionnels, qualitatifs et organisationnels générés par l’adoption de l’IA médicale :

• Optimisation de la performance clinique : Anticipation d’une réduction tangible des erreurs médicales humaines (item B1), d’une détection diagnostique plus précoce et fiable (item B8) et d’un guidage thérapeutique plus approprié (item B9).
• Personnalisation et proactivité du soin : Capacité perçue de l’IA à adapter les traitements au profil individuel (item B2) et à prédire les événements indésirables avant leur survenue critique (item B3).
• Amélioration structurelle et accessibilité : Accroissement de l’accessibilité géographique et temporelle des soins pour les populations vulnérables ou isolées (item B5), meilleure fluidité du partage d’informations entre professionnels (item B4) et précision accrue des métriques physiologiques (item B6, B7).

6. Cadre théorique / Theoretical Framework

L’élaboration de l’AIRBS s’ancre à la croisée de plusieurs paradigmes majeurs de la psychologie cognitive, des théories du risque et des sciences de l’interaction homme-machine.

L’heuristique de l’affect et le paradigme psychométrique du risque

L’architecture conceptuelle de l’échelle puise largement dans les travaux fondateurs de Paul Slovic et de ses collaborateurs sur le paradigme psychométrique de la perception du risque (Slovic, 1987). Selon ce cadre, le grand public n’évalue pas les technologies selon des calculs de probabilités actuarielles purs, mais à travers des filtres qualitatifs marqués par l’heuristique de l’affect (Alhakami & Slovic, 1994). Lorsque l’affect ressenti envers une technologie est négatif, les risques sont jugés élevés et les bénéfices faibles, et inversement. L’AIRBS permet précisément de tester si cette corrélation inverse spontanée se confirme ou si les sujets maintiennent une évaluation cognitive nuancée des deux dimensions.

Le modèle d’acceptation de la technologie (TAM)

L’échelle s’articule également avec le Technology Acceptance Model développé par Fred Davis (1989), dérivé de la théorie de l’action raisonnée. Dans le TAM, l’utilité perçue (qui fait écho aux bénéfices de l’AIRBS) constitue le déterminant le plus puissant de l’intention d’utilisation. Cependant, l’AIRBS enrichit ce modèle en incorporant formellement la dimension d’aversion au risque, particulièrement cruciale dans le domaine médical où les enjeux engagent l’intégrité vitale des individus.

La théorie de la confiance comparative homme-machine

L’apport théorique central de Kerstan et al. (2024) réside dans l’intégration de la confiance comparative. Les auteurs posent que l’acceptation de l’IA ne s’opère pas dans le vide : elle implique toujours une mise en miroir avec les capacités supposées du médecin humain. Les représentations des risques et bénéfices servent de médiateurs cognitifs entre le niveau de connaissances factuelles du sujet, sa confiance préexistante envers le corps médical et son consentement final à déléguer des actes de soins à un algorithme.

7. Validité / Validity

Les études empiriques conduites par Kerstan et al. (2024) sur des échantillons diversifiés de citoyens et d’usagers du système de santé ont rigoureusement étayé la validité psychométrique de l’AIRBS.

Validité de construit

La validité de construit a été examinée par le biais d’analyses factorielles confirmatoires, démontrant que la séparation entre la dimension des risques et celle des bénéfices ajuste les données de manière nettement supérieure à un modèle unifactoriel global. Les indices d’ajustement respectent les standards méthodologiques les plus rigoureux (RMSEA < 0,06, CFI > 0,95, TLI > 0,94).

Validité convergente et discriminante

La validité convergente se traduit par des saturations factorielles standardisées hautement significatives (λ > 0,60 pour l’ensemble des items sur leur facteur respectif). La validité discriminante entre les deux sous-échelles est confirmée par le fait que la variance moyenne extraite (AVE) de chaque construit surpasse le carré de la corrélation interfactorielle. Bien que corrélées négativement de façon modérée (généralement entre r = -0,30 et r = -0,45), les deux dimensions capturent des variances conceptuellement et statistiquement distinctes.

Validité prédictive et de critère

L’AIRBS a prouvé une excellente validité prédictive : les scores de bénéfices perçus prédisent significativement une probabilité plus élevée de choisir un avis médical généré par une IA, tandis que les scores de risques perçus prédisent de manière robuste l’évitement de l’IA et la préférence exclusive pour les praticiens humains. De surcroît, les régressions hiérarchiques montrent que l’AIRBS explique une part de variance incrémentielle majeure au-delà des variables sociodémographiques classiques (âge, genre, niveau d’éducation) et du niveau de connaissances objectives en technologie.

8. Fidélité / Reliability

L’évaluation de la fidélité de l’AIRBS met en évidence une très forte cohérence interne à travers les différents échantillons analysés :

• Sous-échelle des Risques (10 items) : Le coefficient d’alpha de Cronbach rapporté oscille entre α = 0,88 et α = 0,91. L’indice de fidélité composite (Composite Reliability, CR) dépasse 0,90, témoignant d’une redondance minimale et d’une homogénéité exemplaire des indicateurs.
• Sous-échelle des Bénéfices (9 items) : L’alpha de Cronbach se situe entre α = 0,89 et α = 0,92, avec un coefficient de fidélité composite également supérieur à 0,90.
• Corrélations item-total : Toutes les corrélations partielles item-total corrigées dépassent le seuil critique de 0,50 (s’étalant de 0,54 à 0,78), indiquant que chaque item contribue de façon substantielle et consistante à la mesure de sa dimension respective.

9. Analyse factorielle / Factor Analysis

Le développement initial de l’instrument a fait l’objet d’une analyse factorielle exploratoire (AFE) par extraction en axes principaux avec rotation oblique (Promax ou Oblimin direct), en raison de la corrélation théorique attendue entre les risques et les bénéfices perçus.

L’examen du graphique des valeurs propres (scree plot de Cattell) et le critère de Kaiser ont unanimement confirmé une structure à deux facteurs prédominants :

Facteur	Nombre d’items	Étendue des saturations standardisées (λ)	Variance expliquée
Facteur 1 : Risques perçus	10 items (R1 à R10)	0,61 à 0,82	~34,5 %
Facteur 2 : Bénéfices perçus	9 items (B1 à B9)	0,64 à 0,85	~28,2 %

Une analyse factorielle confirmatoire (AFC) indépendante a ensuite validé ce modèle théorique à deux facteurs corrélés face à un modèle alternatif à un seul facteur général. Les résultats indiquent sans ambiguïté la supériorité du modèle bifactoriel : χ²/dl < 2,5, GFI > 0,92, CFI = 0,96, RMSEA = 0,048 (IC 90 % [0,041 ; 0,055]). Aucun item ne présentait de saturation croisée problématique (> 0,30 sur le facteur secondaire).

10. Instrument de mesure / Instrument

• Nom officiel : Échelle des risques et des bénéfices de l’IA (AI Risks and Benefits Scale – AIRBS).
• Type de test : Questionnaire psychométrique d’auto-évaluation (self-report inventory).
• Nombre total d’items : 19 items standardisés.
  • Sous-échelle 1 : Perception des risques (10 items : R1 à R10).
  • Sous-échelle 2 : Perception des bénéfices (9 items : B1 à B9).
• Format de réponse : Échelle de Likert graduée en 7 points :
  • 1 = Très peu probable (Very unlikely)
  • 2 = Peu probable
  • 3 = Légèrement peu probable
  • 4 = Neutre / Ni probable ni improbable
  • 5 = Légèrement probable
  • 6 = Probable
  • 7 = Très probable (Very likely)
• Consigne d’administration : « Selon vous, quelle est la probabilité que les risques ou bénéfices suivants se manifestent ? L’IA en santé pourrait… »
• Calcul des scores et cotation :
  • Score de Risques : Moyenne arithmétique ou somme directe des items R1 à R10 (score allant de 1 à 7 ou de 10 à 70). Un score élevé traduit une forte appréhension des dangers liés à l’IA.
  • Score de Bénéfices : Moyenne arithmétique ou somme directe des items B1 à B9 (score allant de 1 à 7 ou de 9 à 63). Un score élevé traduit une forte perception des gains potentiels de l’IA.
  • Score de Balance cognitive : Possibilité de calculer un score différentiel (Bénéfices standardisés – Risques standardisés) pour quantifier l’attitude nette envers l’IA clinique.
• Durée moyenne de passation : Environ 4 à 6 minutes.

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

• Année de publication : 2024.
• Propriété intellectuelle : Développée par Sophie Kerstan, Nadine Bienefeld et Gudela Grote au sein de l’ETH Zürich. Publiée dans la revue scientifique à comité de lecture Risk Analysis (revue affiliée à la Society for Risk Analysis, éditée par Wiley).
• Conditions d’accès et tarif : L’échelle est accessible gratuitement à des fins de recherche académique, scientifique et pédagogique non commerciale, sous réserve de citer scrupuleusement l’article princeps (Kerstan et al., 2024).
• Usage commercial : Toute utilisation dans le cadre d’audits privés, de développement commercial ou de plateformes logicielles propriétaires nécessite une demande d’autorisation auprès des auteurs et/ou de l’éditeur juridique.

12. Références / References

Alhakami, A. S., & Slovic, P. (1994). A psychological study of the inverse relationship between perceived risk and perceived benefit. Risk Analysis, 14(6), 1085-1096. https://doi.org/10.1111/j.1539-6924.1994.tb00080.x

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

Kerstan, S., Bienefeld, N., & Grote, G. (2024). Choosing human over AI doctors: How comparative trust associations and knowledge relate to risk and benefit perceptions of AI in healthcare. Risk Analysis, 44(4), 939-957. https://doi.org/10.1111/risa.14216

Slovic, P. (1987). Perception of risk. Science, 236(4799), 280-285. https://doi.org/10.1126/science.3563507

13. Questions et items du questionnaire / Scale Items