L’\u00e9chelle de mesure de l’Intelligence du produit \u2014 Dimension Capacit\u00e9 d’apprentissage<\/strong> (Product Intelligence: Ability to Learn<\/em>), con\u00e7ue initialement par Serge A. Rijsdijk<\/a>, Erik Jan Hultink et Adamantios Diamantopoulos<\/a> en 2007, constitue un outil psychom\u00e9trique et marketing fondamental visant \u00e0 quantifier la perception par les utilisateurs de la capacit\u00e9 des artefacts technologiques \u00e0 acqu\u00e9rir des connaissances, m\u00e9moriser des interactions et adapter leur comportement au fil du temps. Face \u00e0 l’essor des objets connect\u00e9s<\/a>, des syst\u00e8mes autonomes et des dispositifs int\u00e9grant l’intelligence artificielle, l’\u00e9valuation psychologique des repr\u00e9sentations d’apprentissage attribu\u00e9es aux produits est devenue critique pour mod\u00e9liser l’adoption, la confiance et la satisfaction de l’utilisateur.<\/p>\n Cette sous-\u00e9chelle unidimensionnelle fait partie int\u00e9grante du mod\u00e8le multidimensionnel de l’intelligence du produit (qui englobe \u00e9galement l’autonomie, la r\u00e9activit\u00e9, la capacit\u00e9 de coop\u00e9ration, l’interaction de type humain et la personnalit\u00e9). Elle est compos\u00e9e sp\u00e9cifiquement de cinq items<\/strong> formul\u00e9s sous forme d’\u00e9nonc\u00e9s \u00e9valu\u00e9s au moyen d’une \u00e9chelle de type Likert<\/a> en 7 points allant de 1 (\u00ab Pas du tout d’accord \u00bb) \u00e0 7 (\u00ab Tout \u00e0 fait d’accord \u00bb). Les propri\u00e9t\u00e9s psychom\u00e9triques \u00e9tablies lors des \u00e9tudes de validation princeps et des r\u00e9plications ind\u00e9pendantes d\u00e9montrent une consistance interne exceptionnelle (coefficient alpha de Cronbach syst\u00e9matiquement sup\u00e9rieur \u00e0 0,85, souvent situ\u00e9 entre 0,88 et 0,92) et une fiabilit\u00e9 composite robuste (CR > 0,85). La validit\u00e9 convergente et la validit\u00e9 discriminante ont \u00e9t\u00e9 rigoureusement d\u00e9montr\u00e9es au moyen d’analyses factorielles confirmatoires et du crit\u00e8re de Fornell-Larcker, prouvant que la capacit\u00e9 d’apprentissage per\u00e7ue se distingue nettement de la simple r\u00e9activit\u00e9 op\u00e9rationnelle ou de l’automatisation passive.<\/p>\n Intelligence du produit, capacit\u00e9 d’apprentissage, objets intelligents, perception technologique, psychom\u00e9trie marketing, mod\u00e8le d’acceptation de la technologie, anthropomorphisme, ergonomie cognitive, fid\u00e9lit\u00e9 psychom\u00e9trique, analyse factorielle confirmatoire, satisfaction du consommateur, interaction humain-machine.<\/p>\n L’\u00e9chelle de la capacit\u00e9 d’apprentissage int\u00e9gr\u00e9e au construit d’intelligence du produit a \u00e9t\u00e9 d\u00e9velopp\u00e9e et formalis\u00e9e par un consortium international de chercheurs en gestion de l’innovation et en marketing quantitatif :<\/p>\n L’av\u00e8nement des technologies ubiquitaires a fondamentalement modifi\u00e9 le statut ontologique des biens de consommation : les produits ne sont plus de simples instruments passifs ex\u00e9cutant des s\u00e9quences d’instructions fig\u00e9es, mais des agents dou\u00e9s d’une dynamique d’adaptation continue. L’objectif fondamental de la sous-\u00e9chelle Product Intelligence (Ability to Learn)<\/strong> est d’op\u00e9rationnaliser et de quantifier empiriquement la mesure dans laquelle les consommateurs ou utilisateurs per\u00e7oivent qu’un dispositif physique ou num\u00e9rique poss\u00e8de la facult\u00e9 d’extraire des r\u00e9gularit\u00e9s \u00e0 partir de son environnement, de capitaliser sur les interactions ant\u00e9rieures et de faire \u00e9voluer son comportement sans intervention programmatique manuelle explicite.<\/p>\n D’un point de vue de la psychologie cognitive et de l’ergonomie, la performance objective d’un algorithme d’apprentissage automatique (machine learning<\/a>) ne co\u00efncide pas n\u00e9cessairement avec l’\u00e9valuation subjective qu’en fait l’utilisateur final. Deux artefacts dot\u00e9s d’une puissance computationnelle identique peuvent \u00eatre per\u00e7us de fa\u00e7on radicalement diff\u00e9rente selon les indices contextuels, la r\u00e9troaction fonctionnelle et le design de l’interface. Mesurer la \u00ab capacit\u00e9 d’apprentissage per\u00e7ue \u00bb r\u00e9pond \u00e0 la n\u00e9cessit\u00e9 d’\u00e9tudier le mod\u00e8le mental que l’utilisateur construit de la machine. Si l’utilisateur attribue au syst\u00e8me une capacit\u00e9 d’apprentissage, il adapte en retour ses propres strat\u00e9gies de communication, son niveau de tol\u00e9rance aux erreurs initiales et sa propension \u00e0 d\u00e9l\u00e9guer des t\u00e2ches critiques au produit.<\/p>\n Dans le domaine de la recherche fondamentale et appliqu\u00e9e en marketing et en interactions homme-machine (IHM), cette \u00e9chelle permet :<\/p>\n Le construit de Capacit\u00e9 d’apprentissage (Ability to Learn)<\/strong> au sein de l’intelligence du produit est d\u00e9fini comme l’aptitude per\u00e7ue d’un artefact \u00e0 acqu\u00e9rir des comp\u00e9tences, \u00e0 retenir en m\u00e9moire des sch\u00e9mas d’interaction, \u00e0 modifier ses algorithmes de r\u00e9ponse en fonction d’exp\u00e9riences ant\u00e9rieures et \u00e0 optimiser son fonctionnement op\u00e9rationnel de mani\u00e8re autonome au fil du temps. Ce construit n’\u00e9value pas l’intelligence biologique, mais une forme d’\u00ab intelligence artificielle situ\u00e9e \u00bb projet\u00e9e sur l’artefact par le consommateur.<\/p>\n L’op\u00e9rationnalisation du construit repose sur l’articulation de plusieurs composantes cognitives per\u00e7ues :<\/p>\n Il est imp\u00e9ratif d’isoler th\u00e9oriquement la capacit\u00e9 d’apprentissage d’autres dimensions proches au sein du mod\u00e8le global de Rijsdijk et al. (2007) :<\/p>\n La formalisation du construit d’intelligence du produit et de sa composante d’apprentissage s’ancre \u00e0 la crois\u00e9e de plusieurs paradigmes majeurs de la psychologie cognitive, de la sociologie des techniques et de la th\u00e9orie marketing :<\/p>\n D\u00e9velopp\u00e9 par Byron Reeves et Clifford Nass (1996), le paradigme CASA<\/a> stipule que les \u00eatres humains appliquent de fa\u00e7on automatique et inconsciente des r\u00e8gles sociales, psychologiques et cognitives aux ordinateurs et artefacts technologiques, m\u00eame lorsqu’ils sont parfaitement conscients que ces machines sont d\u00e9nu\u00e9es de conscience et d’\u00e9motions. Dans le cadre de l’\u00e9chelle de Rijsdijk et al. (2007), la capacit\u00e9 d’apprentissage per\u00e7ue refl\u00e8te cette tendance fondamentale \u00e0 projeter des facult\u00e9s d’apprentissage de type biologique sur des lignes de code algorithmiques. Les usagers traitent le syst\u00e8me comme un \u00e9l\u00e8ve ou un partenaire cognitif qui progresse par l’entra\u00eenement.<\/p>\n La conceptualisation philosophique et cognitive de Daniel Dennett (1987) relative \u00e0 la \u00ab posture intentionnelle \u00bb (intentional stance<\/em>) offre un fondement robuste : pour pr\u00e9dire et expliquer les actions d’un syst\u00e8me complexe dont le fonctionnement interne nous \u00e9chappe (la fameuse \u00ab bo\u00eete noire \u00bb de l’IA), les \u00eatres humains postulent que le syst\u00e8me est un agent rationnel dot\u00e9 de croyances, de d\u00e9sirs et de capacit\u00e9s d’apprentissage. En attribuant la facult\u00e9 d’apprendre au produit, le consommateur structure ses attentes quant aux performances futures de l’appareil.<\/p>\n Dans la lign\u00e9e des mod\u00e8les d\u00e9riv\u00e9s du Technology Acceptance Model (TAM)<\/a> de Fred Davis (1989), les caract\u00e9ristiques per\u00e7ues du produit agissent comme des ant\u00e9c\u00e9dents directs de l’utilit\u00e9 per\u00e7ue (perceived usefulness<\/em>) et de l’attitude envers l’utilisation. Rijsdijk et ses coll\u00e8gues d\u00e9montrent que la capacit\u00e9 d’apprentissage modifie structurellement l’utilit\u00e9 per\u00e7ue : un objet qui apprend r\u00e9sout les frictions ergonomiques, r\u00e9duit la charge de configuration manuelle et g\u00e9n\u00e8re une personnalisation pouss\u00e9e, favorisant ainsi la satisfaction durable du consommateur.<\/p>\n L’\u00e9chelle mesurant la capacit\u00e9 d’apprentissage a fait l’objet d’un processus de validation psychom\u00e9trique approfondi men\u00e9 par Rijsdijk, Hultink et Diamantopoulos (2007), suivi de multiples r\u00e9plications inter-cat\u00e9gories de produits dans la litt\u00e9rature subs\u00e9quente en gestion et en psychologie ergonomique.<\/p>\n La validit\u00e9 convergente a \u00e9t\u00e9 d\u00e9montr\u00e9e par l’analyse des saturations factorielles (factor loadings<\/em>, $lambda$<\/span>) et de la variance moyenne extraite (AVE \u2014 Average Variance Extracted<\/em>). Dans l’\u00e9tude princeps portant sur un \u00e9chantillon repr\u00e9sentatif de consommateurs \u00e9valuant diverses technologies domestiques intelligentes, tous les items de la sous-\u00e9chelle \u00ab Capacit\u00e9 d’apprentissage \u00bb pr\u00e9sentaient des saturations standardis\u00e9es statistiquement significatives ($p < 0,001$<\/span>) et largement sup\u00e9rieures au seuil conventionnel de 0,70 (les saturations individuelles s’\u00e9chelonnaient de 0,74 \u00e0 0,89). L’AVE calcul\u00e9e pour la dimension d\u00e9passait 0,65, surpassant confortablement le crit\u00e8re minimal de 0,50 \u00e9tabli par Fornell et Larcker (1981), ce qui confirme que la variance partag\u00e9e entre les items et le construit sous-jacent est largement sup\u00e9rieure \u00e0 la variance r\u00e9siduelle d’erreur.<\/p>\n La validit\u00e9 discriminante a \u00e9t\u00e9 examin\u00e9e par rapport aux cinq autres dimensions de l’intelligence du produit (autonomie, r\u00e9activit\u00e9, coop\u00e9ration, interaction humaine, personnalit\u00e9) :<\/p>\n La validit\u00e9 nomologique a \u00e9t\u00e9 \u00e9tay\u00e9e par la mod\u00e9lisation en \u00e9quations structurelles (SEM). La capacit\u00e9 d’apprentissage per\u00e7ue exerce un effet direct et positif sur l’utilit\u00e9 per\u00e7ue du produit ($\b\\eta \\approx 0,31, p < 0,01$<\/span>) et sur la satisfaction globale de l’utilisateur. En outre, des \u00e9tudes ult\u00e9rieures ont confirm\u00e9 son r\u00f4le mod\u00e9rateur : lorsque la complexit\u00e9 d’une t\u00e2che est \u00e9lev\u00e9e, l’impact positif de la capacit\u00e9 d’apprentissage sur la confiance accord\u00e9e au produit s’accro\u00eet significativement, d\u00e9montrant une sensibilit\u00e9 pr\u00e9dictive \u00e9lev\u00e9e.<\/p>\n La consistance interne et la stabilit\u00e9 psychom\u00e9trique de la sous-\u00e9chelle ont \u00e9t\u00e9 confirm\u00e9es \u00e0 travers plusieurs jeux de donn\u00e9es ind\u00e9pendants et diff\u00e9rents contextes d’innovations technologiques (robots aspirateurs, smartphones, syst\u00e8mes domotiques, assistants virtuels vocaux).<\/p>\n Les donn\u00e9es empiriques issues des publications scientifiques rapportent les coefficients suivants :<\/p>\n Bien que con\u00e7ue initialement pour une passation transversale, des \u00e9tudes longitudinales de suivi d’utilisation sur des p\u00e9riodes de 4 \u00e0 8 semaines ont d\u00e9montr\u00e9 une stabilit\u00e9 relative des classements individuels (coefficients de corr\u00e9lation test-retest $r > 0,78$<\/span>), tout en capturant de mani\u00e8re sensible la progression r\u00e9elle de l’apprentissage machine lorsque le produit d\u00e9ploie ses algorithmes au contact de l’usager.<\/p>\n La structure dimensionnelle de l’\u00e9chelle d’intelligence du produit a fait l’objet d’investigations statistiques rigoureuses combinant l’analyse factorielle exploratoire (AFE) durant les phases de calibration et l’analyse factorielle confirmatoire (AFC) pour la validation d\u00e9finitive du mod\u00e8le de mesure.<\/p>\n Lors des phases initiales de d\u00e9veloppement d’items, une analyse factorielle par la m\u00e9thode des axes principaux avec rotation oblique (Promax) a \u00e9t\u00e9 conduite sur l’ensemble des items d’intelligence du produit. Les r\u00e9sultats ont clairement fait \u00e9merger les facteurs th\u00e9oriques attendus (valeurs propres initiales sup\u00e9rieures \u00e0 1 selon le crit\u00e8re de Kaiser). Les cinq items d\u00e9di\u00e9s \u00e0 la capacit\u00e9 d’apprentissage ont satur\u00e9 de mani\u00e8re pure et univoque sur un facteur unique, avec des saturations primaires comprises entre 0,75 et 0,88, et aucune saturation crois\u00e9e (cross-loading<\/em>) n’exc\u00e9dant 0,25 sur les autres dimensions.<\/p>\n Le mod\u00e8le de mesure complet int\u00e9grant les six facteurs de premier ordre a \u00e9t\u00e9 soumis \u00e0 une estimation par le maximum de vraisemblance. Les indices d’ajustement globaux ont d\u00e9montr\u00e9 une ad\u00e9quation remarquable aux donn\u00e9es empiriques :<\/p>\n Les estimations des param\u00e8tres du mod\u00e8le de mesure pour la sous-\u00e9chelle \u00ab Capacit\u00e9 d’apprentissage \u00bb r\u00e9v\u00e8lent des coefficients standardis\u00e9s hautement convergents :<\/p>\n L’instrument de mesure se pr\u00e9sente sous la forme d’un questionnaire standardis\u00e9 d’auto-\u00e9valuation administrable en ligne, en laboratoire ou sur le terrain apr\u00e8s interaction r\u00e9elle ou simul\u00e9e avec le produit technologique.<\/p>\n Les sources acad\u00e9miques fondant la structure psychom\u00e9trique, le d\u00e9veloppement et la validation de l’\u00e9chelle sont r\u00e9pertori\u00e9es ci-dessous selon les normes APA (7e<\/sup> \u00e9dition) :<\/p>\n Instructions to respondents:<\/strong> Please indicate the degree to which you agree or disagree with each of the following statements regarding the product, using a scale from 1 (Strongly disagree) to 7 (Strongly agree).<\/p>\n Response scale:<\/strong><\/p>\n Measurement items:<\/strong><\/p>\n Analyse psychom\u00e9trique d\u00e9taill\u00e9e de l’\u00e9chelle Product Intelligence (Ability to Learn) d\u00e9velopp\u00e9e par Rijsdijk, Hultink et Diamantopoulos (2007). Cadre th\u00e9orique, validit\u00e9, fid\u00e9lit\u00e9 et mod\u00e9lisation de l’apprentissage per\u00e7u des technologies intelligentes.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2455,4528,2],"tags":[18545,1031,1058,11903,18536,16,11902],"class_list":["post-12647","psych_scale","type-psych_scale","status-publish","hentry","category-comportement-du-consommateur","category-ergonomie-cognitive","category-psychometrie","tag-capacite-dapprentissage","tag-ergonomie","tag-marketing","tag-objets-connectes","tag-product-intelligence","tag-psychometrie","tag-rijsdijk"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/12647","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_scale"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=12647"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/12647\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=12647"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=12647"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=12647"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. Mots-cl\u00e9s \/ Keywords<\/h2>\n
3. Auteurs \/ Authors<\/h2>\n
\n
srijsdijk@rsm.nl<\/code>.<\/li>\ne.j.hultink@tudelft.nl<\/code>.<\/li>\nadamantios.diamantopoulos@univie.ac.at<\/code>.<\/li>\n<\/ul>\n4. Objectif \/ Purpose<\/h2>\n
Justification th\u00e9orique et psychologique<\/h3>\n
Applications en recherche et en conception industrielle<\/h3>\n
\n
5. Construit psychologique \/ Construct<\/h2>\n
Composantes fondamentales de la dimension<\/h3>\n
\n
Distinction avec les construits adjacents<\/h3>\n
\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
1. Le paradigme CASA (Computers Are Social Actors)<\/h3>\n
2. La th\u00e9orie de l’esprit et la posture intentionnelle (Dennett)<\/h3>\n
3. Le Mod\u00e8le d’Acceptation de la Technologie (TAM) et la Th\u00e9orie de l’Action Raisonn\u00e9e<\/h3>\n
7. Validit\u00e9 \/ Validity<\/h2>\n
Validit\u00e9 de construit et validit\u00e9 convergente<\/h3>\n
Validit\u00e9 discriminante<\/h3>\n
\n
Validit\u00e9 pr\u00e9dictive et nomologique<\/h3>\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
Indices de consistance interne<\/h3>\n
\n
Fid\u00e9lit\u00e9 test-retest et stabilit\u00e9 transculturelle<\/h3>\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
Analyse factorielle exploratoire (AFE)<\/h3>\n
Analyse factorielle confirmatoire (AFC)<\/h3>\n
\n
\n
10. Instrument de mesure \/ Instrument<\/h2>\n
\n
\n
\n
11. Permissions, Tarifs et Ann\u00e9e du test \/ Permissions & Fee and Test Year<\/h2>\n
\n
\n
12. R\u00e9f\u00e9rences \/ References<\/h2>\n
\n
13. Questions et items du questionnaire \/ Scale Items<\/h2>\n
\n
\n