Inventaire du modèle de mesure des facteurs déterminants de l’utilisation des applications d’apprentissage mobile

1. Résumé

L’Inventaire du modèle de mesure des facteurs déterminants de l’utilisation des applications d’apprentissage mobile (Drivers of Mobile Learning App Usage – Measurement Model Inventory [DMLU-MM]), développé par Yeh, Wang, Wang et Liao (2023), constitue un cadre psychométrique et structural rigoureux destiné à évaluer les antécédents dispositionnels, cognitifs et motivationnels régissant l’adoption des technologies éducatives nomades. Issu des champs disciplinaires convergents des sciences de l’éducation, de la psychologie de la personnalité et des systèmes d’information, cet instrument capture la complexité des comportements d’apprentissage sur ordiphone à travers un modèle multidimensionnel unifié. L’architecture globale de l’évaluation mobilise plusieurs construits fondamentaux : le profil de personnalité modélisé selon le modèle des Big Five (extraversion, agréabilité, conscience, neuroticisme, ouverture à l’expérience) opérationnalisé d’après John et al. (1991), le lieu de contrôle (locus of control) adapté de Carducci (2009) et Rotter (1966), la préparation à l’apprentissage mobile (mobile learning readiness) déclinée selon les dimensions de Lin et al. (2016) incluant l’auto-efficacité, l’optimisme technologique et l’autonomie d’apprentissage (self-directed learning), ainsi que les dimensions motivationnelles intrinsèques et extrinsèques fondées sur les conceptualisations paradigmatiques de Davis et al. (1992). Enfin, l’intention comportementale d’utilisation est mesurée d’après les standards de Wang et al. (2009).

Au niveau opérationnel, le cœur du modèle de mesure vérifié se focalise sur les dimensions cardinales de l’acceptation technologique appliquée à l’apprentissage nomade : l’auto-efficacité mobile (MLSE), l’optimisme (OPT), l’apprentissage autodirigé (SDL), le plaisir perçu / la motivation intrinsèque (PE), l’utilité perçue / la motivation extrinsèque (PU) et l’intention comportementale (BI). L’ensemble des construits continus est évalué par le biais d’une échelle de réponse de type Likert en 7 points, tandis que le lieu de contrôle repose sur un choix forcé dichotomique. Les propriétés psychométriques établies auprès d’un échantillon diversifié de la population générale adulte démontrent une fidélité de cohérence interne exceptionnelle, avec des coefficients alpha de Cronbach s’étendant de 0,87 à 0,95 et une fiabilité composite (CR) oscillant entre 0,90 et 0,97. La validité convergente est confirmée par des variances moyennes extraites (AVE) systématiquement supérieures au seuil conventionnel de 0,50 (s’établissant toutes au-delà de 0,59 et atteignant 0,91 pour l’intention d’usage). La validité discriminante, vérifiée via le critère de Fornell-Larcker et l’analyse des charges croisées, atteste d’une parfaite différenciation factorielle des dimensions latentes, positionnant cet inventaire comme une référence incontournable pour la recherche empirique et l’ingénierie techno-pédagogique contemporaine.

2. Mots-clés

Apprentissage mobile, m-learning, modèle d’acceptation de la technologie, motivation intrinsèque, motivation extrinsèque, auto-efficacité informatique, psychométrie, Big Five, lieu de contrôle, intention comportementale, validité convergente, modélisation par équations structurelles.

3. Auteurs

L’inventaire et le modèle théorique associé ont été conçus et validés scientifiquement par une équipe de chercheurs spécialisés en systèmes d’information, gestion internationale et technologies éducatives :

• Ching-Hsuan Yeh : Département de commerce international (Department of International Business), Université Feng Chia, Taichung, Taïwan. Identifiant ORCID : 0000-0003-1308-3602.
• Yi-Shun Wang (Auteur correspondant) : Département de gestion des systèmes d’information (Department of Information Management), Université nationale d’éducation de Changhua, Changhua, Taïwan. Adresse électronique institutionnelle : [email protected].
• Yu-Min Wang : Département de gestion des systèmes d’information (Department of Information Management), Université nationale Chi Nan, Nantou, Taïwan. Identifiant ORCID : 0000-0002-2096-6801.
• Ting-Jun Liao : Département de gestion des systèmes d’information (Department of Information Management), Université nationale Chung Hsing, Taichung, Taïwan.

4. Objectif

Le développement de l’inventaire du modèle de mesure des facteurs déterminants de l’utilisation des applications d’apprentissage mobile répond à un impératif épistémologique et appliqué majeur : comprendre les mécanismes psychologiques et cognitifs profonds qui incitent ou freinent l’appropriation des dispositifs pédagogiques dématérialisés sur ordiphone (smartphones et tablettes). Alors que la prolifération des environnements d’apprentissage mobiles (m-learning) a profondément reconfiguré l’accès au savoir dans l’enseignement supérieur et la formation continue, les modèles traditionnels d’adoption technologique ont fréquemment été critiqués pour leur surreprésentation des facteurs purement utilitaires, négligeant les dispositions stables de la personnalité et les profils d’autonomie des apprenants.

L’objectif fondamental de cet instrument psychométrique est d’opérationnaliser un modèle d’évaluation intégratif reliant la structure de la personnalité de l’individu (théorie dispositionnelle), sa préparation psychologique et technique à l’égard du m-learning, ses déterminants motivationnels (hédoniques et instrumentaux), et son engagement effectif formalisé par l’intention d’usage. Il s’agit de dépasser le clivage traditionnel entre les perspectives déterministes technologiques et les théories humanistes de l’apprentissage en procurant aux chercheurs un inventaire standardisé capable de quantifier simultanément les antécédents distaux (personnalité, lieu de contrôle) et les antécédents proximaux (perception d’utilité, d’amusement et auto-efficacité).

Dans le domaine de la recherche empirique, cet outil offre une base standardisée pour explorer les médiations et modérations complexes régissant l’écologie numérique des apprenants adultes. Il permet d’analyser pourquoi des individus dotés de compétences numériques équivalentes manifestent des niveaux d’adhésion hautement divergents face aux plateformes d’apprentissage mobile. En milieu académique et organisationnel, l’inventaire permet de concevoir des diagnostics techno-pédagogiques préalables : les concepteurs de systèmes d’instruction mobile peuvent identifier avec précision les dimensions fragilisées chez un groupe cible (par exemple, un faible sentiment d’auto-efficacité mobile ou un déficit de compétences autodirigées) afin d’adapter l’échafaudage pédagogique, la gamification ou l’ergonomie de l’interface utilisateur.

5. Construit psychologique

L’inventaire opérationnalise un ensemble de dimensions latentes interconnectées qui décrivent l’écosystème cognitif et affectif de l’utilisateur d’applications mobiles d’apprentissage :

Auto-efficacité liée à l’apprentissage mobile (Mobile Learning Self-Efficacy – MLSE)

Ancrée dans la théorie sociale cognitive de Bandura, cette dimension évalue la croyance subjective de l’apprenant en ses capacités organisationnelles et techniques à exploiter avec succès les fonctionnalités d’un environnement mobile pour acquérir des connaissances. L’auto-efficacité ne reflète pas la maîtrise technique objective, mais le sentiment de compétence personnelle face à la recherche, au téléchargement, à la navigation et à l’exploitation pédagogique des applications.

Optimisme technologique (Optimism – OPT)

L’optimisme mesure une disposition cognitive positive à l’égard de la technologie mobile, perçue comme un catalyseur d’efficience, d’autonomie et de contrôle accru sur la vie quotidienne et la gestion des apprentissages. Un score élevé dénote la conviction que le numérique offre une flexibilité libératrice et démocratise l’accès au savoir pour des profils d’apprenants diversifiés, surpassant les contextes pédagogiques magistraux classiques.

Apprentissage autodirigé (Self-Directed Learning – SDL)

Cette dimension cognitive et métacognitive réfère à l’aptitude de l’individu à piloter activement son propre cursus d’acquisition du savoir. Elle englobe la capacité à identifier avec clairvoyance ses besoins formatifs, à planifier un calendrier d’étude structuré au sein de l’environnement applicatif, et à maintenir une discipline de gestion du temps exempte de procrastination, élément particulièrement critique dans les contextes nomades caractérisés par une surcharge de stimuli distractifs.

Motivation intrinsèque / Plaisir perçu (Intrinsic Motivation / Perceived Enjoyment – PE)

Conceptualisée selon la théorie de l’autodétermination et les travaux de Davis et al. (1992), cette variable mesure le degré d’agrément, de divertissement et de satisfaction hédonique inhérent à l’interaction avec l’application mobile en tant que telle, indépendamment de toute récompense extérieure ou performance académique anticipée.

Motivation extrinsèque / Utilité perçue (Extrinsic Motivation / Perceived Usefulness – PU)

Cette composante instrumentale quantifie la mesure dans laquelle l’apprenant estime que l’usage de l’application optimise directement son rendement scolaire ou professionnel, améliore sa productivité d’apprentissage, et renforce l’efficacité globale de l’assimilation des connaissances.

Intention comportementale d’utilisation (Behavioral Intention to Use – BI)

Considérée comme le prédicteur immédiat le plus robuste de l’adoption réelle d’un système dans les modèles psychosociaux, l’intention comportementale évalue la résolution volontaire, la planification prospective et la propension déclarée de l’individu à recourir fréquemment aux applications d’apprentissage mobile à l’avenir, incluant la prescription auprès de ses pairs.

6. Cadre théorique

L’ancrage théorique du DMLU-MM repose sur une synthèse interdisciplinaire intégrant la théorie de l’action raisonnée (Fishbein & Ajzen, 1975), le modèle d’acceptation de la technologie (TAM ; Davis, 1989 ; Davis et al., 1992), la théorie de l’autodétermination (Deci & Ryan, 2000), le modèle dispositionnel des Big Five (Goldberg, 1990 ; John et al., 1991) et la théorie de l’apprentissage social (Rotter, 1966 ; Bandura, 1997).

Dans la formulation classique du TAM, l’utilité perçue et la facilité d’utilisation perçue conditionnent l’attitude et l’intention comportementale. Toutefois, Davis et al. (1992) ont rapidement établi que l’utilité perçue fonctionne comme l’équivalent cognitif de la motivation extrinsèque, tandis que le plaisir perçu (perceived enjoyment) incarne la motivation intrinsèque. L’intégration de ces deux leviers motivationnels permet de rendre compte du comportement d’individus naviguant dans un écosystème numérique où l’apprentissage n’est plus seulement une obligation utilitaire, mais également une expérience immersive et engageante.

Cependant, les auteurs de l’inventaire postulent que ces facteurs motivationnels ne surgissent pas dans un vide psychologique. Ils sont déterminés en amont par des variables dispositionnelles profondes :

• Les traits de personnalité (Big Five) : L’ouverture à l’expérience stimule la curiosité envers les nouveaux formats technologiques ; la conscience soutient la persévérance dans l’apprentissage autonome ; l’extraversion favorise les fonctionnalités sociales et collaboratives des applications ; l’agréabilité encourage le partage de connaissances ; le névrosisme peut susciter de la technophobie ou, à l’inverse, une recherche de contrôle compensatoire.
• Le lieu de contrôle (Locus of Control) : Formulé par Julian Rotter, ce construit différencie les individus convaincus que les événements de leur vie résultent de leurs propres efforts (locus interne) de ceux qui les attribuent à la chance, au destin ou à des facteurs externes (locus externe). Un locus interne constitue un catalyseur majeur de l’apprentissage autorégulé et de l’auto-efficacité.
• La préparation à l’apprentissage mobile (Readiness) : Conceptualisée d’après Lin et al. (2016), elle postule que l’individu doit posséder des ressources cognitives spécifiques (auto-efficacité technique, optimisme technologique, compétences autodirigées) pour convertir son potentiel d’apprentissage en adoption effective.

Le modèle structurel global postule ainsi une chaîne causale séquentielle allant des traits dispositionnels distaux vers la préparation technologique et les motivations proximale, aboutissant in fine à l’intention comportementale.

7. Validité

L’évaluation des propriétés métrologiques du modèle de mesure a été réalisée selon les exigences de la modélisation par équations structurelles basée sur la méthode des moindres carrés partiels (PLS-SEM), conformément aux recommandations de Hair et al. (2017). Les analyses de validité de construit se sont articulées autour de l’estimation rigoureuse de la validité convergente et de la validité discriminante.

Validité convergente

La validité convergente vérifie le degré de corrélation entre les indicateurs théoriquement associés à un même construit latent. Elle a été sanctionnée par deux critères statistiques :

• Les saturations factorielles externes (outer loadings) : Tous les items conservés présentent des saturations supérieures au seuil conventionnel de 0,70 (p < 0,001), garantissant que chaque indicateur partage au moins 50 % de sa variance avec son construit latent respectif.
• La variance moyenne extraite (AVE – Average Variance Extracted) : L’ensemble des construits focaux démontre des valeurs d’AVE substantiellement supérieures au critère minimal de 0,50 établi par Fornell et Larcker (1981). Les valeurs d’AVE rapportées s’échelonnent entre 0,59 (pour la conscience et l’agréabilité) et 0,91 (pour l’intention d’utilisation des applications), en passant par 0,71 pour la préparation à l’apprentissage mobile, 0,83 pour la motivation intrinsèque et 0,87 pour la motivation extrinsèque. Ces métriques confirment une excellente convergence empirique des indicateurs vers leurs variables latentes parentes.

Validité discriminante

La validité discriminante s’assure qu’un construit donné se distingue empiriquement des autres construits du réseau nomologique. Deux méthodologies complémentaires ont été déployées :

• L’examen des charges croisées (cross-loadings) : Les calculs démontrent que la saturation de chaque indicateur sur son facteur théorique assigné est systématiquement et nettement supérieure à ses charges croisées sur n’importe quel autre construit du modèle.
• Le critère de Fornell-Larcker : Pour chaque construit latent, la racine carrée de l’AVE s’est avérée strictement supérieure aux corrélations bivariées partagées entre ce construit et toutes les autres variables du modèle. L’absence d’adénopathie corrélationnelle excessive garantit l’unicité conceptuelle et l’absence de redondance opérationnelle au sein de l’inventaire.

8. Fidélité

L’estimation de la cohérence interne des échelles composant le DMLU-MM a été conduite via le calcul conjoint de l’alpha de Cronbach ($lpha$) et de la fiabilité composite (Composite Reliability – CR), cette dernière fournissant une estimation moins biaisée de la fidélité en ne postulant pas une équivalence des poids de mesure (tau-équivalence).

Les indices psychométriques obtenus auprès de la population générale adulte mettent en évidence une fidélité d’une excellente tenue méthodologique, très largement supérieure aux seuils d’acceptabilité habituels (0,70 en recherche exploratoire, 0,80 en évaluation confirmatoire) :

• Extraversion : $lpha = 0,94$ ; $ ext{CR} = 0,95$
• Conscience : $lpha = 0,90$ ; $ ext{CR} = 0,92$
• Ouverture à l’expérience : $lpha = 0,87$ ; $ ext{CR} = 0,90$
• Agréabilité : $lpha = 0,89$ ; $ ext{CR} = 0,91$
• Neuroticisme : $lpha = 0,89$ ; $ ext{CR} = 0,91$
• Préparation à l’apprentissage mobile (MLR) : $lpha = 0,90$ ; $ ext{CR} = 0,93$
• Motivation intrinsèque (Plaisir perçu) : $lpha = 0,89$ ; $ ext{CR} = 0,93$
• Motivation extrinsèque (Utilité perçue) : $lpha = 0,95$ ; $ ext{CR} = 0,96$
• Intention d’utiliser les applications de m-learning : $lpha = 0,95$ ; $ ext{CR} = 0,97$

Ces coefficients élevés attestent d’une variance d’erreur de mesure particulièrement restreinte, garantissant une reproductibilité optimale des scores lors de passations répétées ou d’enquêtes à large échelle.

9. Analyse factorielle

La validation factorielle du modèle de mesure s’est inscrite dans une démarche confirmatoire par modélisation d’équations structurelles, tous les construits focaux étant spécifiés sur un mode réflexif. Conformément à la démarche d’épuration psychométrique recommandée dans le paradigme PLS-SEM :

Lors de la phase initiale d’estimation factorielle, une analyse des saturations externes (indicator loadings) a été réalisée pour vérifier l’homogénéité des items au regard de leurs construits respectifs. Un seuil critique de coupure de 0,70 a été appliqué pour s’assurer que chaque item explique plus de la moitié de sa propre variance au profit du facteur latent.

Cette étape de calcul préliminaire a révélé que plusieurs items présentaient des charges factorielles sub-optimales (< 0,70), entraînant leur élimination ciblée afin de préserver l’invariance et la robustesse de l’espace factoriel :

• 1 item d’extraversion (EXT_6) ;
• 1 item de conscience (CON_3) ;
• 4 items d’ouverture à l’expérience (OTE_3, OTE_6, OTE_7, OTE_9, OTE_10) ;
• 2 items d’agréabilité (AGR_1, AGR_5) ;
• 3 items de neuroticisme (NEU_3, NEU_4, NEU_7) ;
• 1 item de préparation au m-learning (MLR_6).

À la suite de cette purge systématique, un recalcul du modèle structural a confirmé que l’ensemble des indicateurs résiduels présentait des saturations factorielles univoques et hautement significatives (valeurs comprises entre 0,73 et 0,95, toutes à $p < 0,001$). Dans le modèle final focalisé sur l’acceptation et les dimensions fonctionnelles du m-learning, les 22 items vérifiés se distribuent de manière nette sur les facteurs latents d’auto-efficacité (MLSE), d’optimisme (OPT), d’apprentissage autodirigé (SDL), de motivation intrinsèque/plaisir (PE), de motivation extrinsèque/utilité (PU) et d’intention comportementale (BI), fournissant une adéquation globale empiriquement irréprochable.

10. Instrument de mesure

L’instrument se présente sous la forme d’un questionnaire standardisé structuré comme suit :

• Type de test : Inventaire psychométrique et techno-pédagogique auto-rapporté (self-report questionnaire).
• Format d’administration : Support papier-crayon ou passation informatisée/en ligne.
• Nombre d’items : Le protocole complet initial comporte 48 énoncés d’investigation globale ; le modèle d’acceptation centralisé vérifié comporte 22 items cibles couvrant la dynamique préparatoire, motivationnelle et comportementale de l’apprentissage mobile.
• Échelle de réponse : All measures, with the exception of locus of control, are scored using 7-point Likert scales (allant de 1 = « Fortement en désaccord » à 7 = « Fortement en accord »). Pour l’échelle complémentaire de lieu de contrôle, les répondants opèrent un choix forcé dichotomique entre deux propositions (0 = contrôle interne, 1 = contrôle externe).
• Population cible : Adultes (18 ans et plus), incluant les jeunes adultes (18-29 ans), les trentenaires (30-39 ans) et les adultes d’âge mûr (40-64 ans) issus de la population générale.
• Cotation et scoring : Les scores factoriels s’obtiennent par le calcul de la moyenne arithmétique ou du score sommatif des items associés à chaque dimension. Les scores élevés sur les échelles Likert traduisent une manifestation intense du construit correspondant. Les règles de calcul de sous-échelles isolent : l’Auto-efficacité liée à l’apprentissage mobile (items 1 à 4), l’Optimisme (items 5 à 8), l’Apprentissage autodirigé (items 9 à 11), le Plaisir perçu / Motivation intrinsèque (items 12 à 14), l’Utilité perçue / Motivation extrinsèque (items 15 à 18), et l’Intention comportementale d’utilisation (items 19 à 22).

11. Permissions, Tarifs et Année du test

• Année de publication princeps : 2023.
• Statut commercial : Non commercial (instrument libre à visée académique et scientifique).
• Frais d’utilisation (Fee) : Aucun coût d’acquisition ; utilisation gratuite dans le cadre de recherches non lucratives.
• Permissions et droits d’auteur : Les chercheurs désireux d’exploiter le questionnaire dans leurs travaux empiriques doivent contacter l’éditeur ou solliciter l’accord de l’auteur de correspondance (Prof. Yi-Shun Wang, [email protected]) tout en citant rigoureusement la publication originale de référence dans leurs productions scientifiques.

12. Références

Les sources conceptuelles, empiriques et méthodologiques ayant présidé à l’élaboration et à la validation du modèle sont les suivantes :

• Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman and Company.
• Carducci, B. J. (2009). The psychology of personality: Viewpoints, research, and applications (2nd ed.). Wiley-Blackwell.
• 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
• Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1992). Extrinsic and intrinsic motivation to use computers in the workplace. Journal of Applied Social Psychology, 22(14), 1111–1132. https://doi.org/10.1111/j.1559-1816.1992.tb00945.x
• Deci, E. L., & Ryan, R. M. (2000). The « what » and « why » of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268. https://doi.org/10.1207/S15327965PLI1104_01
• Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Addison-Wesley.
• 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
• Goldberg, L. R. (1990). An alternative « description of personality »: The Big-Five factor structure. Journal of Personality and Social Psychology, 59(6), 1216–1229. https://doi.org/10.1037/0022-3514.59.6.1216
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). SAGE Publications.
• John, O. P., Donahue, E. M., & Kentle, R. L. (1991). The Big Five Inventory–Versions 4a and 54. Institute of Personality and Social Research, University of California, Berkeley.
• Lin, H.-C., Chen, M.-K., & Chang, S.-C. (2016). Assessing the effects of mobile learning readiness on students’ learning achievement and motivation. Computers in Human Behavior, 64, 461–472. https://doi.org/10.1016/j.chb.2016.07.020
• Rotter, J. B. (1966). Generalized expectancies for internal versus external control of reinforcement. Psychological Monographs: General and Applied, 80(1), 1–28. https://doi.org/10.1037/h0092976
• Wang, Y.-S., Wu, M.-C., & Wang, H.-Y. (2009). Investigating the determinants and age and gender differences in the acceptance of mobile learning. British Journal of Educational Technology, 40(1), 92–118. https://doi.org/10.1111/j.1467-8535.2007.00809.x
• Yeh, C.-H., Wang, Y.-S., Wang, Y.-M., & Liao, T.-J. (2023). Drivers of mobile learning app usage: An integrated perspective of personality, readiness, and motivation. Interactive Learning Environments, 31(6), 3577–3594. https://doi.org/10.1080/10494820.2021.1937658

13. Questions et items du questionnaire