Questionnaire du modèle de mesure de l’intention liée à la réalité augmentée

1. Résumé

Le Questionnaire du modèle de mesure de l’intention liée à la réalité augmentée (en anglais, Augmented Reality Intention–Measurement Model Questionnaire, ou ARI-MMQ), conceptualisé et validé par Muhammad Saleem, Suzilawati Kamarudin, Haneen Mohammad Shoaib et Asim Nasar en 2023, constitue un outil d’évaluation psychométrique conçu pour investiguer les déterminants socio-cognitifs et expérientiels de l’adoption pédagogique des technologies immersives. Développé dans le contexte critique de la transition numérique forcée induite par la pandémie de COVID-19 auprès d’un échantillon d’étudiants universitaires au Pakistan, cet instrument opérationnalise l’intégration de la théorie du comportement planifié (Ajzen, 1985, 1991) et des théories de la valeur perçue (Childers et al., 2001) appliquées aux environnements virtuels d’apprentissage (e-learning).

L’instrument comprend un total de 18 items mesurés à l’aide d’une échelle de Likert en cinq points s’étendant de 1 (« extrêmement peu probable » / extremely unlikely) à 5 (« extrêmement probable » / extremely likely). Le modèle structurel et de mesure s’articule autour de six construits latents fondamentaux : la valeur utilitaire de la réalité augmentée, la valeur hédonique de la réalité augmentée (toutes deux unifiées au sein d’un méta-construit de second ordre désignant la valeur perçue de la réalité augmentée), l’attitude envers l’intégration technologique, les normes subjectives, le contrôle comportemental perçu et l’intention comportementale d’adoption de l’apprentissage en ligne médiatisé par la réalité augmentée. Sur le plan psychométrique, le modèle présente une consistance interne remarquable, avec des coefficients d’alpha de Cronbach compris entre 0,702 et 0,885, une fiabilité composite (CR) variant de 0,680 à 0,913, et une validité convergente confirmée par des variances moyennes extraites (AVE) allant de 0,636 à 0,819. La validité discriminante, vérifiée selon le critère de Fornell-Larcker, corrobore l’indépendance factorielle des six dimensions. L’ARI-MMQ s’impose ainsi comme un dispositif standardisé robuste pour les chercheurs en psychologie de l’éducation, en interaction homme-machine et en technopédagogie.

2. Mots-clés

Théorie du comportement planifié, Réalité augmentée, Intention d’adoption, E-learning, Valeur hédonique, Valeur utilitaire, Modèle de mesure, Psychométrie éducationnelle, Interaction homme-machine, Enseignement supérieur.

3. Auteurs

Le questionnaire ARI-MMQ a été conçu et validé par une équipe internationale de chercheurs spécialisés en systèmes d’information, en sciences de gestion et en technologies éducatives :

• Muhammad Saleem : Azman Hashim International Business School, Universiti Teknologi Malaysia, Kuala Lumpur, Malaisie. Identifiant ORCID : 0000-0002-0325-217X. Adresse courriel institutionnelle / correspondance : [email protected].
• Suzilawati Kamarudin : Azman Hashim International Business School, Universiti Teknologi Malaysia, Kuala Lumpur, Malaisie.
• Haneen Mohammad Shoaib : College of Business Administration, University of Business and Technology, Djeddah, Arabie Saoudite.
• Asim Nasar : Azman Hashim International Business School, Universiti Teknologi Malaysia, Kuala Lumpur, Malaisie. Identifiant ORCID : 0000-0003-0053-2595.

4. Objectif

L’objectif fondamental de l’Augmented Reality Intention–Measurement Model Questionnaire (ARI-MMQ) est de modéliser, d’évaluer et d’élucider les facteurs psychologiques, instrumentaux et environnementaux qui gouvernent l’intention des étudiants de l’enseignement supérieur d’adopter des applications de réalité augmentée au sein de leurs activités d’apprentissage numérique (e-learning). Alors que les plateformes d’enseignement à distance conventionnelles souffrent fréquemment de limitations inhérentes à l’isolement social, au manque d’interactivité et à une charge cognitive passive, l’immersion sensorielle et contextuelle offerte par la réalité augmentée représente une avancée majeure capable d’enrichir l’engagement des apprenants.

Sur le plan théorique et psychologique, cet outil comble une lacune essentielle dans la littérature relative à l’acceptation des technologies éducatives. Les modèles traditionnels tels que le modèle d’acceptation de la technologie (TAM; Davis, 1989) se concentrent de manière prépondérante sur l’utilité perçue et la facilité d’utilisation. Saleem et al. (2023) ont formulé l’hypothèse qu’au sein d’environnements d’apprentissage hautement interactifs, les composantes expérientielles et hédoniques jouent un rôle médiateur et déterminant au moins aussi substantiel que les composantes purement fonctionnelles ou utilitaires. L’ARI-MMQ permet donc de quantifier simultanément la dualité de la valeur perçue (valeur utilitaire versus valeur hédonique) et d’évaluer la manière dont cette valeur façonne l’attitude individuelle, la sensibilité à la pression normative des pairs et des enseignants, ainsi que le sentiment d’auto-efficacité ou de contrôle sur la technologie.

Dans le domaine de la recherche empirique, l’échelle fournit un cadre standardisé permettant d’évaluer l’efficacité différentielle de diverses applications de réalité augmentée (par exemple, des visualisations anatomiques en 3D dans l’enseignement médical, des simulations de mécanique physique ou des environnements d’architecture virtuelle). Les chercheurs peuvent employer cet instrument pour comparer des cohortes, étudier l’impact d’interventions pédagogiques spécifiques ou explorer des médiations modérées par des facteurs démographiques ou technologiques.

Dans la pratique technopédagogique et institutionnelle, l’ARI-MMQ constitue un outil diagnostique précieux pour les directions universitaires, les concepteurs de logiciels didactiques et les ingénieurs pédagogiques. Lors du déploiement de nouveaux modules immersifs, l’administration de l’échelle permet d’identifier précisément les freins psychologiques à l’adoption : un déficit d’adhésion peut être imputable à une carence de contrôle comportemental perçu (manque de compétences techniques ou d’équipements adaptés), à un faible sentiment de validation par les pairs (normes subjectives déficientes), ou à un déséquilibre entre l’utilité perçue et le plaisir intrinsèque procuré par l’interface. En ciblant ces leviers avec rigueur, les concepteurs peuvent réajuster leurs dispositifs pour maximiser l’acceptabilité sociale et ergonomique des systèmes d’apprentissage en ligne de nouvelle génération.

5. Construit psychologique

Le modèle de mesure ARI-MMQ conceptualise l’intention technologique à travers six construits latents de premier ordre, interconnectés au sein d’une structure causale cohérente :

Valeur utilitaire de la réalité augmentée (AR: Utilitarian Value)

Ce construit quantifie l’évaluation rationnelle, cognitive et fonctionnelle des bénéfices apportés par l’application de réalité augmentée à l’apprentissage. Inspirée des travaux pionniers sur la consommation expérientielle de Childers et al. (2001), la dimension utilitaire mesure dans quelle mesure l’apprenant juge l’outil efficace pour optimiser ses performances académiques, faciliter l’évaluation de son travail et accroître sa productivité éducative. Par exemple, un étudiant en ingénierie qui utilise une application RA pour démonter virtuellement un moteur complexe appréciera la valeur utilitaire si l’outil améliore sa compréhension technique et réduit le temps nécessaire à la maîtrise du cours.

Valeur hédonique de la réalité augmentée (AR: Hedonic Value)

À l’opposé de la dimension fonctionnelle, la valeur hédonique appréhende les facettes affectives, ludiques et intrinsèquement gratifiantes de l’interaction immersive. Elle capture le niveau de plaisir, d’excitation, de bien-être et de divertissement subjectif éprouvé lors de l’utilisation de l’application. Dans les contextes d’apprentissage numérique souvent perçus comme austères, la composante hédonique agit comme un puissant catalyseur motivationnel extrinsèque et intrinsèque. Un apprenant déclarant que l’usage de la réalité augmentée est captivant et stimulant reflète un niveau élevé de valeur hédonique.

Attitude envers l’utilisation (Attitude)

Conformément au cadre de la psychologie sociale, l’attitude correspond au degré global d’évaluation favorable ou défavorable qu’un individu porte sur l’intégration de la réalité augmentée dans son parcours éducatif. Elle englobe une appréciation holistique combinant désirabilité affective et jugement cognitif quant au caractère judicieux, opportun et agréable de l’adoption de l’outil pour ses sessions d’études en ligne.

Normes subjectives (Subjective Norms)

Ce construit mesure l’influence perçue des pressions sociales et institutionnelles. Il opérationnalise la croyance de l’individu quant à l’opinion des personnes signifiantes de son entourage (camarades de classe, enseignants, famille, pairs académiques) concernant l’adoption de la technologie. Une composante importante de cette dimension inclut également l’observation normative du comportement du groupe d’appartenance, c’est-à-dire la propension perçue des autres étudiants de la classe à s’approprier activement l’outil de réalité augmentée.

Contrôle comportemental perçu (Perceived Behavioural Control)

Dérivé du concept d’auto-efficacité développé par Albert Bandura et formalisé par Ajzen, le contrôle comportemental perçu évalue la perception qu’a l’étudiant de sa propre capacité, de ses ressources cognitives, de ses compétences techniques et de sa liberté de décision pour exploiter avec succès l’application de réalité augmentée. Un score élevé indique que l’individu estime posséder le savoir-faire instrumental, l’autonomie et l’assurance nécessaires pour surmonter les obstacles technologiques potentiels.

Intention envers l’apprentissage en ligne via la réalité augmentée (Intention Towards e-Learning)

Construit cible final du modèle, l’intention comportementale représente la probabilité subjective, le niveau de planification consciente et l’engagement délibéré de l’étudiant à mobiliser concrètement les applications de réalité augmentée au cours de son cursus en ligne futur. Dans les paradigmes sociocognitifs, cette intention constitue le prédicteur proximal le plus direct du comportement effectif d’utilisation.

6. Cadre théorique

L’architecture conceptuelle de l’ARI-MMQ repose sur la synthèse élégante de deux corpus théoriques majeurs en sciences psychologiques et comportementales : la théorie du comportement planifié (Theory of Planned Behavior – TPB) introduite par Icek Ajzen (1985, 1991), et le cadre théorique de la dualité de la valeur perçue (utilitaire et hédonique) formalisé notamment par Childers, Carr, Peck et Carson (2001) et Holbrook et Hirschman (1982).

La théorie du comportement planifié postule que l’intention d’exécuter un comportement donné est gouvernée de façon conjointe par trois déterminants fondamentaux : l’attitude envers le comportement, la norme subjective et le contrôle comportemental perçu. Dans le domaine de l’acceptation des technologies, la TPB offre une robustesse prédictive supérieure aux modèles purement mécanistes en accordant une place explicite aux contingences normatives et aux capacités perçues d’autonomie instrumentale. Cependant, Ajzen lui-même préconisait l’adaptation et l’extension du modèle générique par l’adjonction de variables antécédentes pertinentes propres au domaine investigué.

Saleem et ses collègues (2023) ont répondu à cette recommandation en intégrant les dimensions expérientielles de la réalité augmentée en amont des composantes de la TPB. La réalité augmentée, en superposant des éléments virtuels dynamiques au monde physique réel, modifie profondément la perception sensorielle de l’utilisateur. En s’appuyant sur Childers et al. (2001), les auteurs postulent que l’expérience utilisateur dans un environnement immersif ne relève pas exclusivement d’une logique utilitariste (résolution de tâche, efficacité académique), mais procède tout autant d’une quête d’immersion hédonique (amusement, éveil émotionnel, curiosité sensorielle). Dans le modèle de Saleem et al., ces deux facettes sont modélisées comme un construit réflexif de second ordre : la valeur globale de la réalité augmentée.

Cette conceptualisation théorique permet d’établir une chaîne causale séquentielle : la valeur perçue (utilitaire et hédonique) générée par l’application de réalité augmentée agit comme un antécédent primaire puissant qui nourrit et module l’attitude globale de l’apprenant. Cette attitude, articulée aux influences normatives du groupe de pairs (normes subjectives) et aux sentiments de maîtrise technologique (contrôle comportemental perçu), façonne à son tour l’intention conative d’intégrer durablement la réalité augmentée dans les dispositifs d’apprentissage en ligne. Ce cadre théorique composite fournit une grille d’analyse remarquablement équilibrée, alliant psychologie cognitive, psychologie sociale et ergonomie des interactions personne-système.

7. Validité

La validation psychométrique du questionnaire ARI-MMQ a été exécutée selon les normes rigoureuses de la modélisation par équations structurelles basée sur les moindres carrés partiels (PLS-SEM) et l’analyse factorielle confirmatoire, en se conformant aux standards méthodologiques préconisés par Hair, Black, Babin et Anderson (2010, 2014).

Validité convergente

La validité convergente évalue la cohérence avec laquelle les items manifestes convergent pour mesurer leur construit latent respectif. Elle a été examinée au moyen de deux indices principaux : la variance moyenne extraite (Average Variance Extracted, AVE) et la fiabilité composite (Composite Reliability, CR) :

• Variance Moyenne Extraite (AVE) : Toutes les valeurs d’AVE pour l’ensemble des six construits se situent entre 0,636 et 0,819. Ces coefficients dépassent largement le seuil minimal d’acceptabilité conventionnel établi à 0,50 par Fornell et Larcker (1981), attestant que plus de 63,6 % de la variance de chaque indicateur est capturée par son construit théorique d’appartenance.
• Fiabilité Composite (CR) : Les coefficients de fiabilité composite oscillent entre 0,680 et 0,913, surpassant le critère standard de 0,60 à 0,70 requis pour confirmer la cohésion interne des construits au sein de modèles structurels.

Validité discriminante

La validité discriminante certifie que chaque dimension mesure un phénomène empiriquement distinct des autres construits du système. Elle a été rigoureusement démontrée selon le critère classique de Fornell-Larcker : pour chaque variable latente, la racine carrée de la variance moyenne extraite ($sqrt\{text\{AVE\}\}$) s’est avérée strictement supérieure à toutes les corrélations inter-construits appariées. Les résultats confirment l’absence de colinéarité excessive ou de redondance conceptuelle entre les six sous-échelles.

Validité de construit et prédictive

Les saturations factorielles de l’ensemble des 18 items sur leurs construits désignés se sont révélées statistiquement significatives et supérieures au critère minimal standard de 0,70. De surcroît, le modèle de second ordre modélisant la Réalité Augmentée comme entité réflexive supérieure présente des saturations de très haut niveau, avec 0,981 pour la valeur utilitaire et 0,980 pour la valeur hédonique, corroborant la validité nomologique et structurelle de cette articulation conceptuelle dans l’explication de l’intention d’apprentissage numérique.

8. Fidélité

L’évaluation de la fidélité de l’ARI-MMQ repose sur l’analyse de la consistance interne de chacun de ses construits latents lors de l’investigation empirique auprès d’étudiants universitaires durant la crise sanitaire au Pakistan.

La fidélité des échelles a été mesurée par l’entremise du coefficient d’alpha de Cronbach (Cronbach’s alpha). L’ensemble des indices calculés s’échelonne de 0,702 à 0,885 :

• Tous les coefficients d’alpha de Cronbach surpassent le seuil psychométrique d’acceptabilité fixé universellement à 0,70 pour les échelles de mesure en sciences sociales (Nunnally & Bernstein, 1994).
• Les valeurs de fiabilité composite (CR), complémentaires de l’alpha et reconnues pour leur précision supérieure dans les modélisations SEM, s’échelonnent entre 0,680 et 0,913, garantissant l’absence d’erreur de mesure aléatoire préjudiciable à l’estimation des paramètres.

Ces coefficients numériques démontrent que chaque sous-échelle de 3 items possède une consistance interne satisfaisante, sans redondance excessive qui indiquerait une tautologie entre les énoncés formulés. L’homogénéité des mesures assure que l’instrument produit des scores stables, reproductibles et fiables pour l’évaluation des dispositions d’apprentissage immersif.

9. Analyse factorielle

La confirmation de la topologie dimensionnelle de l’ARI-MMQ a fait l’objet d’une analyse factorielle confirmatoire (AFC) rigoureuse dans le cadre du modèle de mesure (Saleem et al., 2023) :

Structure factorielle et saturations individuelles

L’analyse factorielle a validé l’organisation des 18 items au sein des 6 facteurs de premier ordre théoriquement postulés. Conformément aux préconisations de Hair et al. (2010), un seuil critique de saturation factorielle (factor loading) de 0,70 a été appliqué pour juger de la pertinence des indicateurs :

• Tous les 18 items du questionnaire affichent des saturations factorielles nettement supérieures au seuil de 0,70 sur leurs construits cibles respectifs, avec des contributions statistiquement significatives au seuil de p < 0,001.
• Aucun phénomène de saturation croisée (cross-loading) substantielle n’a été observé, attestant de la clarté sémiologique et de l’étanchéité des items.

Modélisation factorielle de second ordre

Une spécificité centrale du modèle réside dans le traitement du méta-construit « Réalité Augmentée » (AR) sous la forme d’un construit hiérarchique de second ordre englobant la dimension fonctionnelle et la dimension expérientielle. L’analyse factorielle confirmatoire démontre des saturations factorielles de second ordre exceptionnelles :

• Valeur utilitaire (Utilitarian Value) : saturation factorielle de second ordre = 0,981.
• Valeur hédonique (Hedonic Value) : saturation factorielle de second ordre = 0,980.

Cet équilibre quasi-parfait des saturations de second ordre démontre empiriquement que la valeur utilitaire et la valeur hédonique contribuent de manière équivalente et déterminante à la conceptualisation globale de la valeur perçue de la réalité augmentée en contexte d’apprentissage numérique.

10. Instrument de mesure

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

• Nom complet de l’outil : Augmented Reality Intention–Measurement Model Questionnaire (ARI-MMQ) / Questionnaire du modèle de mesure de l’intention liée à la réalité augmentée.
• Type de test : Questionnaire psychométrique d’auto-évaluation / Inventaire d’attitudes et d’intentions comportementales.
• Nombre total d’items : 18 items répartis équitablement (3 items par sous-échelle).
• Structure des sous-échelles :
  • AR: Utilitarian Value (Items UVL1 à UVL3)
  • AR: Hedonic Value (Items HVL1 à HVL3)
  • Attitude (Items ATU1 à ATU3)
  • Subjective Norms (Items SN1 à SN3)
  • Perceived Behavioural Control (Items BC1 à BC3)
  • Intention Towards e-Learning (Items INT1 à INT3)
• Format de réponse : Échelle de Likert authentique en 5 points, s’étendant obligatoirement de 5 = extremely likely (extrêmement probable) à 1 = extremely unlikely (extrêmement peu probable).
• Langue originale : Anglais.
• Population cible : Étudiants universitaires, adultes (18 ans et plus), apprenants engagés dans des dispositifs d’enseignement à distance ou hybride.
• Procédure de cotation : Le calcul des scores dimensionnels s’effectue par la moyenne arithmétique ou la modélisation des scores latents des trois items constitutifs de chaque sous-échelle. Aucun item inversé n’est inclus dans la formulation standard originale. Un score élevé reflète une adhésion plus forte au construit correspondant.

11. Permissions, Tarifs et Année du test

• Année de développement : 2023 (publication originale sous forme d’article scientifique).
• Droits d’auteur et permissions : Les droits de publication sont détenus par l’éditeur (Taylor & Francis / Interactive Learning Environments) et les auteurs originaux. L’utilisation du questionnaire à des fins de recherche académique non commerciale est généralement régie par les règles habituelles d’usage loyal de la citation scientifique, sous réserve de référencer fidèlement l’article princeps de Saleem et al. (2023). Pour toute adaptation commerciale, intégration dans un logiciel payant ou distribution étendue, il convient de contacter l’éditeur ou l’auteur correspondant.
• Tarif : Aucun coût d’utilisation directe (évaluation accessible gratuitement pour la recherche universitaire).
• Contact pour autorisations : Dr. Muhammad Saleem, Azman Hashim International Business School, Universiti Teknologi Malaysia, 54100 Kuala Lumpur, Malaisie. Courriel : [email protected].

12. Références

Les références suivantes documentent le développement de l’échelle, son cadre théorique et sa méthodologie de validation psychométrique :

• Ajzen, I. (1985). From intentions to actions: A theory of planned behavior. In J. Kuhl & J. Beckmann (Eds.), Action control: From cognition to behavior (pp. 11–39). Springer-Verlag. https://doi.org/10.1007/978-3-642-69746-3_2
• Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
• Childers, T. L., Carr, C. L., Peck, J., & Carson, S. (2001). Hedonic and utilitarian motivations for online retail shopping behavior. Journal of Retailing, 77(4), 511–535. https://doi.org/10.1016/S0022-4359(01)00056-2
• 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
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Prentice Hall.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2014). A primer on partial least squares structural equation modeling (PLS-SEM). SAGE Publications.
• Holbrook, M. B., & Hirschman, E. C. (1982). The experiential aspects of consumption: Consumer fantasies, feelings, and fun. Journal of Consumer Research, 9(2), 132–140. https://doi.org/10.1086/208906
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Saleem, M., Kamarudin, S., Shoaib, H. M., & Nasar, A. (2023). Influence of augmented reality app on intention towards e-learning amidst COVID-19 pandemic. Interactive Learning Environments, 31(5), 3083–3097. https://doi.org/10.1080/10494820.2021.1919147

13. Questions et items du questionnaire

Les items originaux ci-dessous sont présentés dans leur formulation textuelle exacte telle que validée par Saleem et al. (2023). Tous les items sont administrés selon une échelle de réponse de Likert en cinq points : 5 = extremely likely, 4 = likely, 3 = neutral, 2 = unlikely, 1 = extremely unlikely.