Inventaire du modèle de satisfaction de l’apprentissage en ligne

1. Résumé / Abstract

L’Inventaire du modèle de satisfaction de l’apprentissage en ligne (connu sous le nom d’E-learning Satisfaction Model Inventory) est un instrument psychométrique et docimologique développé en 2023 par les chercheurs Devisakti et Ramayah de l’Universiti Sains Malaysia. Cet outil d’évaluation quantitative a été spécifiquement conçu pour opérationnaliser, modéliser et évaluer l’impact synergique des variables psychologiques individuelles, des dynamiques d’influence sociale et des facteurs d’utilisabilité technologique sur l’engagement et le rendement académique des étudiants inscrits dans l’enseignement supérieur évoluant au sein d’environnements numériques d’apprentissage (Learning Management Systems ou portails d’e-learning).

L’inventaire comprend un total de 30 items répartis rigoureusement sur huit dimensions ou sous-échelles théoriques : l’Attitude envers l’e-learning (3 items), l’Influence des enseignants (3 items), l’Influence des pairs (3 items), l’Auto-efficacité informatique (4 items), le Sentiment d’appartenance (3 items), la Ténacité ou « Grit » (6 items), l’Utilisation effective du système (4 items) et la Performance académique perçue (4 items). Les construits évaluant les prédispositions psychologiques et les pressions normatives sont administrés via une échelle de Likert en 7 points, tandis que les construits comportementaux d’utilisation et de retombées sur la performance mobilisent une échelle de Likert en 5 points.

Sur le plan psychométrique, l’instrument a fait l’objet d’une validation rigoureuse au moyen de la modélisation en équations structurelles par les moindres carrés partiels (PLS-SEM). La cohérence interne de l’ensemble des dimensions est élevée, avec des coefficients alpha de Cronbach oscillant entre 0,843 et 0,881. La validité convergente est démontrée par des charges factorielles externes (outer loadings) supérieures au seuil conventionnel de 0,70 pour l’ensemble des items et des variances moyennes extraites (Average Variance Extracted, AVE) excédant 0,50 pour chaque sous-échelle. La validité discriminante a été corroborée de manière stricte par le ratio Hétérotrait-Monotrait (HTMT), affichant des valeurs systématiquement inférieures au seuil conservateur de 0,85, couplées à des intervalles de confiance bootstrap n’englobant jamais la valeur 1,0. Cet inventaire constitue une référence robuste pour les chercheurs en sciences de l’éducation, les ingénieurs pédagogiques et les psychologues cognitivistes analysant la persévérance et le succès dans les cours en ligne.

2. Mots-clés / Keywords

Apprentissage en ligne, E-learning, Modélisation en équations structurelles, Sentiment d’appartenance, Ténacité, Grit, Auto-efficacité, Acceptation des technologies, Enseignement supérieur, Environnement virtuel d’apprentissage, Psychométrie, Validité discriminante, Fidélité, Performance académique, Influence sociale.

3. Auteurs / Authors

L’inventaire a été formalisé, adapté et validé par un binôme de chercheurs spécialisés en gestion de l’innovation, statistiques appliquées et technologies éducatives au sein de l’Universiti Sains Malaysia (USM) :

• Dr. A. Devisakti : Chercheur associé à l’Institut national de recherche sur l’enseignement supérieur (Institut Penyelidikan Pendidikan Tinggi Negara – IPPTN), Universiti Sains Malaysia, 11800 Gelugor, Penang, Malaisie. Adresse de correspondance institutionnelle : [email protected]. Ses axes de recherche englobent les politiques éducatives universitaires, les technologies pédagogiques émergentes et l’engagement des apprenants aux cycles supérieurs.
• Prof. Dr. T. Ramayah : Professeur émérite en sciences de gestion et modélisation quantitative à la School of Management, Universiti Sains Malaysia, Penang, Malaisie. Spécialiste mondialement reconnu de la méthodologie PLS-SEM (Partial Least Squares Structural Equation Modeling), il est également professeur affilié et chercheur invité dans plusieurs institutions internationales. Ses travaux portent principalement sur l’adoption des technologies de l’information, le comportement organisationnel et les méthodologies statistiques multivariées.

4. Objectif / Purpose

L’expansion fulgurante des environnements numériques d’apprentissage dans l’enseignement supérieur, accélérée par les transitions pédagogiques post-pandémiques, s’est heurtée à une problématique récurrente : l’hétérogénéité des taux d’engagement des étudiants, les phénomènes d’abandon précoce et le sentiment d’isolement psychologique éprouvé lors des formations à distance. L’objectif fondamental de la création de l’Inventaire du modèle de satisfaction de l’apprentissage en ligne est d’examiner avec minutie l’agencement structural des variables déterminant l’utilisation réelle des portails d’apprentissage et leurs retombées directes sur les performances académiques des étudiants de cycles supérieurs (postgraduate students).

Applications en recherche et contexte universitaire

Sur le plan de la recherche scientifique, cet instrument a été conceptualisé pour combler un angle mort dans la littérature sur l’acceptation technologique. Alors que les modèles traditionnels – tels que le Modèle d’Acceptation de la Technologie (TAM) ou la Théorie Unifiée de l’Acceptation et de l’Utilisation de la Technologie (UTAUT) – privilégient des facteurs purement cognitifs et instrumentaux (utilité perçue, facilité d’utilisation perçue), le modèle de Devisakti et Ramayah introduit des construits psychologiques dispositionnels et affectifs profonds : le sentiment d’appartenance (sense of belonging) et la ténacité (grit). L’inventaire permet de quantifier précisément comment ces dimensions internes interagissent avec des pressions externes (influence des pairs et des instructeurs) pour façonner les attitudes et le comportement d’étude.

Applications cliniques, diagnostiques et pédagogiques

Dans une perspective appliquée et institutionnelle, l’inventaire sert d’instrument de diagnostic psycho-éducatif pour les directions des systèmes d’information des universités et les centres de pédagogie universitaire. En administrant cet outil, les équipes pédagogiques peuvent :

• Identifier précocement les cohortes ou sous-groupes d’étudiants présentant un faible niveau d’auto-efficacité ou un déficit prononcé d’intégration sociale et institutionnelle, facteurs corrélés au décrochage en ligne.
• Évaluer l’efficacité des interventions tutorales, notamment en mesurant si le soutien manifesté par les enseignants (Instructor Influence) compense d’éventuelles faiblesses d’autorégulation chez les apprenants.
• Optimiser l’ergonomie et l’architecture sociale des plateformes de télé-enseignement (ex. Moodle, Canvas, Blackboard) afin de catalyser un sentiment de communauté plutôt qu’une simple distribution asynchrone de documents.
• Modéliser le lien direct entre la fréquence et la pertinence de l’usage des technologies éducatives et l’amélioration tangible de l’efficacité, de la productivité et de la gestion de l’effort académique.

5. Construit psychologique / Construct

L’inventaire opérationnalise un métaconstruit multidimensionnel articulé autour de huit facteurs psychologiques, comportementaux et environnementaux distincts mais interreliés :

1. L’Attitude (Attitude – 3 items)

L’attitude désigne l’évaluation affective et cognitive globale, favorable ou défavorable, portée par l’apprenant quant à l’intégration de la technologie du portail d’apprentissage dans son parcours universitaire. Dérivée des travaux classiques d’Alharbi et Drew (2014), cette sous-échelle mesure l’approbation générale, l’enthousiasme intellectuel et la disposition positive face au système d’apprentissage virtuel. Une attitude positive traduit un ancrage cognitif préalable favorable à l’engagement numérique.

2. L’Influence de l’Enseignant (Instructor Influence – 3 items)

Cette composante sociale capture le degré de pression normative, d’incitation formelle et de soutien perçu émanant du corps professoral, des tuteurs ou des chargés de cours concernant l’utilisation du portail. Adaptée des conceptualisations de Teo et van Schaik (2012), elle évalue à quel point l’étudiant perçoit que ses instructeurs considèrent l’outil numérique comme indispensable, souhaitent son adoption active et valorisent son exploitation pédagogique.

3. L’Influence des Pairs (Peer Influence – 3 items)

Reposant sur les formulations de Wu et Zhang (2014), cette dimension évalue l’impact du groupe d’appartenance horizontale sur les conduites individuelles. Elle mesure comment les opinions, les normes partagées, la confiance et les habitudes technologiques des autres étudiants conditionnent l’apprenant à se conformer aux standards collectifs d’interaction avec le portail d’e-learning.

4. L’Auto-efficacité (Self-Efficacy – 4 items)

Inspirée de la théorie socio-cognitive d’Albert Bandura et adaptée au contexte numérique par Teo et van Schaik (2012), l’auto-efficacité réfère au jugement que porte un étudiant sur sa propre capacité à exécuter les actions requises pour exploiter le système avec succès. Les items sondent la confiance opératoire, l’indépendance technique (capacité d’utilisation en l’absence de superviseur direct) et la résilience face aux obstacles techniques ou fonctionnels rencontrés sur le portail.

5. Le Sentiment d’Appartenance (Sense of Belonging – 3 items)

Ancrée dans les travaux d’Asatryan et al. (2013) ainsi que de Lee et Suh (2015), cette sous-échelle mesure l’attachement émotionnel, l’affiliation et l’inclusion psychologique de l’étudiant dans l’espace virtuel d’apprentissage. Il s’agit de déterminer si l’apprenant s’y sent « chez lui » (at home), s’il se perçoit comme un membre légitime de cette communauté en ligne ou s’il s’y sent étranger et déconnecté.

6. La Ténacité ou Persévérance (Grit – 6 items)

Basée sur la psychologie positive et le modèle de la persévérance développé initialement par Duckworth et adapté aux environnements numériques par Aparicio (2017), la ténacité évalue la passion et la persévérance manifestées par un individu pour atteindre des objectifs à long terme, en dépit des revers, de la lenteur des progrès ou des distractions. Les items quantifient l’ardeur au travail, la constance des intérêts, la résilience face aux retards techniques ou pédagogiques et la capacité à achever systématiquement les tâches académiques initiées.

7. L’Utilisation (Usage – 4 items)

Mesurée par auto-évaluation sur la base des protocoles de Lu et al. (2009) et de Hsieh et al. (2016), cette dimension opérationnalise l’adoption effective et le comportement manifeste d’utilisation. Elle apprécie la fréquence, l’intensité, la régularité et l’opportunité de la navigation sur le portail d’e-learning dans le cadre quotidien du travail d’étude.

8. La Performance (Performance – 4 items)

Fondée sur le paradigme de Mohammadyari et Singh (2015), cette dimension finale mesure l’impact auto-rapporté de la technologie sur les accomplissements académiques. Elle intègre l’optimisation de la gestion du temps, l’accroissement de la productivité intellectuelle, le renforcement de l’efficacité d’apprentissage et l’utilité globale ressentie dans la réussite du cursus universitaire.

6. Cadre théorique / Theoretical Framework

Le modèle sous-tendant cet inventaire s’articule à la croisée de plusieurs courants fondamentaux de la psychologie contemporaine, de la sociologie de l’éducation et des systèmes d’information :

1. Le Modèle d’Acceptation de la Technologie (TAM) et la Théorie du Comportement Planifié (TPB)

Historiquement formulé par Fred Davis en 1989, le TAM postule que l’usage effectif d’un système est directement déterminé par l’intention comportementale d’usage, elle-même influencée par l’utilité perçue et la facilité d’utilisation perçue. Devisakti et Ramayah enrichissent cette structure par la Théorie du comportement planifié d’Icek Ajzen (1991), en introduisant formellement la composante normative sous deux prismes complémentaires : l’influence verticale des figures d’autorité académique (enseignants) et l’influence horizontale des pairs (social proof).

2. La Théorie Socio-Cognitive d’Albert Bandura

L’intégration de l’auto-efficacité repose sur le paradigme du déterminisme réciproque triadique d’Albert Bandura (1986). Dans un contexte d’e-learning, les facteurs environnementaux (la plateforme et son ergonomie), les facteurs personnels (les croyances d’auto-efficacité, la ténacité) et les comportements (l’usage soutenu) s’influencent mutuellement de manière continue. Les étudiants possédant une forte auto-efficacité abordent les interfaces d’apprentissage complexes comme des défis à surmonter plutôt que comme des menaces rédhibitoires, ce qui stimule directement l’attitude favorable et la régularité de l’utilisation.

3. La Théorie du Grit (Duckworth et al., 2007)

L’introduction du construit de « Grit » (ténacité) constitue l’innovation psychologique majeure de ce modèle d’e-learning. Selon Angela Duckworth, les capacités cognitives ou le quotient intellectuel ne prédisent que partiellement la réussite académique supérieure ; la ténacité, définie comme une combinaison de persévérance de l’effort et de consistance des intérêts, s’avère bien plus déterminante dans les contextes marqués par une faible présence synchrone et une exigence élevée d’autonomie. Dans un portail d’e-learning, l’étudiant fait face à l’isolement, à l’absence de relance physique immédiate et à des pannes potentielles : seul un niveau substantiel de grit permet de maintenir le cap sur le long terme.

4. La Théorie de la Communauté d’Apprentissage et le Sentiment d’Appartenance

Le sentiment d’appartenance s’enracine dans la hiérarchie des besoins de Maslow et a été transposé aux contextes pédagogiques par Carol Goodenow (1993) puis Alfred Rovai (2002) avec le concept de Classroom Community. L’apprentissage n’est pas un acte exclusivement individuel ; il nécessite la sensation d’être accueilli et reconnu au sein d’un collectif d’apprentissage légitime. Lorsque le portail virtuel cesse d’être perçu comme une machine distante pour devenir un espace « familier » où l’étudiant ne se sent pas étranger, les barrières affectives tombent, favorisant un engagement intrinsèque profond.

7. Validité / Validity

L’examen psychométrique de l’Inventaire du modèle de satisfaction de l’apprentissage en ligne a été conduit par Devisakti et Ramayah (2023) selon les préconisations méthodologiques les plus rigoureuses de l’analyse multivariée par moindres carrés partiels (PLS-SEM), telles qu’établies par Hair, Hult, Ringle et Sarstedt (2021).

Validité de Construit et Validité Convergente

La validité convergente vérifie que les items composant chaque construit reflètent adéquatement le concept latent théorisé :

• Charges factorielles externes (Outer Loadings) : L’ensemble des 30 indicateurs ont manifesté des saturations factorielles standardisées nettement supérieures au seuil usuel de 0,708 (toutes les charges dépassent 0,70). Cela démontre que chaque item explique plus de 50 % de la variance de sa variable latente respective.
• Variance Moyenne Extraite (Average Variance Extracted – AVE) : Pour la totalité des huit construits (Attitude, Instructor Influence, Peer Influence, Self-Efficacy, Sense of Belonging, Grit, Usage, Performance), l’indice AVE se situe systématiquement au-dessus du critère plancher de 0,50 (Fornell & Larcker, 1981). Ces scores confirment une excellente validité convergente au niveau de chaque sous-échelle.

Validité Discriminante

Pour attester que chaque sous-échelle mesure un phénomène empiriquement distinct des autres dimensions du réseau nomologique, deux tests de pointe ont été mobilisés :

• Critère du ratio Hétérotrait-Monotrait (HTMT) : Conforme aux recommandations contemporaines de Henseler, Ringle et Sarstedt (2015), toutes les valeurs HTMT calculées entre les paires de construits se sont avérées strictement inférieures au seuil conservateur de 0,85 (bien en deçà du seuil limite de 0,90).
• Inférence statistique HTMT par rééchantillonnage (Bootstrapping) : Une procédure de rééchantillonnage non paramétrique à 5000 sous-échantillons a permis de construire les intervalles de confiance à 95 % pour chaque ratio HTMT. L’analyse confirme qu’aucun intervalle de confiance n’inclut la valeur critique de 1,0 et que la borne supérieure de chaque intervalle demeure strictement inférieure à 1. La validité discriminante est ainsi sans équivoque.

Validité Nomologique et Prédictive

L’estimation des coefficients de chemin (path coefficients) au sein du modèle structurel a confirmé les hypothèses directes reliant les facteurs psychologiques (auto-efficacité, sentiment d’appartenance, ténacité) et sociaux (influences normative) à l’attitude, puis de l’attitude vers l’utilisation réelle du portail, aboutissant de façon statistiquement significative à la performance académique auto-rapportée des étudiants.

8. Fidélité / Reliability

La fidélité de l’inventaire a été minutieusement investiguée sous l’angle de la cohérence interne des items composant les différentes sous-échelles :

Coefficients de Cohérence Interne

• Alpha de Cronbach : Les coefficients alpha calculés pour les huit dimensions de l’instrument s’étendent de 0,843 à 0,881. Dans les normes psychométriques reconnues (Nunnally & Bernstein, 1994), une valeur supérieure à 0,80 indique une consistance interne forte et robuste, sans toutefois excéder 0,95 (ce qui signalerait une redondance excessive d’items).
• Fiabilité Composite (Composite Reliability – CR / rho_c et rho_a) : En modélisation PLS-SEM, le coefficient de fiabilité composite offre une estimation non biaisée de la fidélité en ne supposant pas l’équivalence des saturations de tous les items (contrairement à l’alpha de Cronbach). Dans cette étude, les valeurs de fiabilité composite excèdent systématiquement le seuil recommandé de 0,80 pour l’ensemble des huit dimensions, confirmant une précision de mesure optimale des construits latents.

Considérations sur la fidélité test-retest

Conformément au design de recherche initial de Devisakti et Ramayah (2023), l’administration reposait sur un échantillonnage transversal ciblant des étudiants de troisième cycle universitaire en situation active d’apprentissage. Par conséquent, aucune fidélité test-retest à moyen terme n’a été documentée dans l’article princeps, le comportement d’utilisation technologique et la performance étant par nature soumis à une évolution dynamique continue tout au long des semestres d’enseignement.

9. Analyse factorielle / Factor Analysis

Dans le protocole analytique de Devisakti et Ramayah (2023), l’évaluation de la structure factorielle a été mise en œuvre au travers de l’évaluation du modèle de mesure (outer model) par la modélisation en équations structurelles basée sur les moindres carrés partiels (PLS-SEM), une approche équivalente à une analyse factorielle confirmatoire (AFC) orientée vers la prédiction des construits réflexifs.

Structure Factorielle Confirmée

L’architecture de mesure s’articule autour d’un modèle réflexif à 8 facteurs indépendants sans variables croisées perturbatrices :

• Saturations factorielles des indicateurs (Outer Loadings) : Chaque item a été assigné a priori à sa variable latente respective sur la base de la littérature théorique (Alharbi & Drew, 2014 ; Teo & van Schaik, 2012 ; Wu & Zhang, 2014 ; Asatryan et al., 2013 ; Aparicio, 2017 ; Mohammadyari & Singh, 2015). L’estimation statistique confirme que les charges factorielles standardisées oscillent entre 0,72 et 0,89, attestant que chaque énoncé capte une proportion prépondérante de la variance du trait sous-jacent.
• Absence de charges croisées parasites (Cross-loadings) : L’analyse matricielle des charges croisées a vérifié que chaque indicateur présentait sa saturation la plus élevée sur son construit assigné, avec un différentiel substantiel (généralement supérieur à 0,20) par rapport aux saturations secondaires sur les autres dimensions.
• Stabilité de la solution factorielle : Le rééchantillonnage bootstrap non paramétrique (avec 5 000 itérations) a confirmé que l’ensemble des saturations factorielles étaient statistiquement significatives à un seuil critique de p < 0,001 (valeurs t > 3,29), attestant de l’invariance et de la stabilité empirique de la structure à 8 facteurs.

10. Instrument de mesure / Instrument

• Nom complet du test : E-learning Satisfaction Model Inventory (Inventaire du modèle de satisfaction de l’apprentissage en ligne).
• Type d’instrument : Questionnaire standardisé d’auto-évaluation psychologique et comportementale (inventaire psychométrique).
• Population cible : Adultes (18 ans et plus), étudiants de l’enseignement supérieur, particulièrement les étudiants de master, doctorat et programmes professionnels (postgraduates).
• Nombre total d’items : 30 items répartis en 8 sous-échelles clairement individualisées.
• Modalité d’administration : Administration numérique assistée par ordinateur ou plateforme en ligne (portail universitaire, formulaires sécurisés).
• Durée moyenne de passation : Environ 8 à 12 minutes pour l’ensemble des 30 items.
• Format des échelles de réponse :
  • Échelle de Likert en 7 points pour les sous-échelles Attitude, Influence de l’enseignant, Influence des pairs, Auto-efficacité, Sentiment d’appartenance et Ténacité (Grit) :
    1 = Totalement en désaccord (Strongly disagree)
    2 = En désaccord (Disagree)
    3 = Plutôt en désaccord (Somewhat disagree)
    4 = Neutre / Ni en accord ni en désaccord (Neutral)
    5 = Plutôt d’accord (Somewhat agree)
    6 = D’accord (Agree)
    7 = Totalement d’accord (Strongly agree)
  • Échelle de Likert en 5 points pour les sous-échelles Utilisation (Usage) et Performance :
    1 = Jamais / Totalement en désaccord (Never / Strongly disagree)
    2 = Rarement / En désaccord (Rarely / Disagree)
    3 = Parfois / Neutre (Sometimes / Neutral)
    4 = Souvent / D’accord (Often / Agree)
    5 = Très fréquemment / Totalement d’accord (Always / Strongly agree)
• Procédure de cotation et de calcul des scores : Les scores de chaque sous-échelle sont obtenus en calculant la moyenne arithmétique (ou la somme standardisée) des items affiliés à la dimension considérée. Aucun item n’est inversé dans sa formulation originale. Les scores peuvent être exploités de manière désagrégée pour un diagnostic de profil individuel ou réinjectés comme variables composites dans des modèles d’équations structurelles multivariés.

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

• Année de publication du test : 2023.
• Publication princeps : Revue scientifique internationale évaluée par les pairs Interactive Learning Environments, éditée par Taylor & Francis.
• Tarif d’utilisation : Aucun frais financier n’est exigé (No fee). L’utilisation de l’inventaire est entièrement gratuite dans le cadre de la recherche académique, de travaux doctoraux et d’évaluations universitaires sans but lucratif.
• Usage commercial : Cet instrument n’est pas destiné à une exploitation commerciale directe sous forme de produit payant.
• Droits de reproduction et permissions : Pour toute utilisation formelle, traduction transcuturelle ou intégration dans des protocoles de recherche institutionnels, il convient de se référer à la publication princeps et, le cas échéant, de contacter l’éditeur ou les auteurs principaux par courrier électronique ([email protected]). La citation systématique de la référence originale APA 7e est obligatoire.

12. Références / References

• Alharbi, S., & Drew, S. (2014). Using the technology acceptance model in understanding academics’ behavioural intention to use learning management systems. International Journal of Advanced Computer Science and Applications, 5(1), 143–155. https://doi.org/10.14569/IJACSA.2014.050120
• Aparicio, M. (2017). Grit and e-learning success: An empirical study on university students. Journal of Educational Computing Research, 55(3), 320–338.
• Asatryan, V. S., Oh, H., & Kavazanjian, E. (2013). Conceptualizing and measuring students’ sense of belonging in higher education. Journal of College Student Retention: Research, Theory & Practice, 15(3), 373–398. https://doi.org/10.2190/CS.15.3.d
• Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Prentice-Hall.
• 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
• Devisakti, A., & Ramayah, T. (2023). Sense of belonging and grit in e-learning portal usage in higher education. Interactive Learning Environments, 31(8), 4850–4864. https://doi.org/10.1080/10494820.2021.1983611
• Duckworth, A. L., Peterson, C., Matthews, M. D., & Kelly, D. R. (2007). Grit: Perseverance and passion for long-term goals. Journal of Personality and Social Psychology, 92(6), 1087–1101. https://doi.org/10.1037/0022-3514.92.6.1087
• 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
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM) (3e éd.). SAGE Publications.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Hsieh, P. J., Rai, A., & Keil, M. (2016). Understanding digital inequality: Comparing continued use behavioral models of the socio-economically advantaged and disadvantaged. Information Systems Research, 27(1), 97–120. https://doi.org/10.1287/isre.2015.0608
• Lee, J., & Suh, A. (2015). How do virtual community members build social capital and a sense of belonging? Computers in Human Behavior, 52, 384–395. https://doi.org/10.1016/j.chb.2015.06.018
• Lu, H. P., Zhou, R., & Wang, P. (2009). Exploring the determinants of e-learning continuation: An empirical study on Chinese virtual universities. Computers & Education, 53(2), 402–410. https://doi.org/10.1016/j.compedu.2009.02.015
• Mohammadyari, S., & Singh, H. (2015). Understanding the effect of e-learning on individual performance: The role of digital literacy. Computers & Education, 82, 11–25. https://doi.org/10.1016/j.compedu.2014.10.025
• Rovai, A. P. (2002). Development of an instrument to measure classroom community. Internet and Higher Education, 5(3), 197–211. https://doi.org/10.1016/S1096-7516(02)00102-1
• Teo, T., & van Schaik, P. (2012). Understanding the intention to use technology by preservice teachers: An application of the technology acceptance model. British Journal of Educational Technology, 43(3), 436–445. https://doi.org/10.1111/j.1467-8535.2011.01201.x
• Wu, B., & Zhang, C. (2014). Empirical study on continuance intention of blogging through the social identity perspective. Information & Management, 51(8), 927–937. https://doi.org/10.1016/j.im.2014.07.001

13. Questions et items du questionnaire / Scale Items