L’\u00e9chelle d’Artificialit\u00e9 Per\u00e7ue de l’Appareil<\/strong> (Perceived Device Artificiality Scale<\/em>) constitue un instrument psychom\u00e9trique d\u00e9velopp\u00e9 et valid\u00e9 pour quantifier la mesure dans laquelle un utilisateur per\u00e7oit un dispositif technologique interactif \u2014 plus particuli\u00e8rement un assistant vocal<\/a> ou un agent conversationnel dot\u00e9 d’intelligence artificielle<\/a> \u2014 comme \u00e9tant m\u00e9canique, synth\u00e9tique et semblable \u00e0 une machine, par opposition \u00e0 une entit\u00e9 naturelle, organique ou semblable \u00e0 un \u00eatre humain. Introduite et formalis\u00e9e dans le champ du marketing quantitatif et du comportement du consommateur par Guha, Bressgott, Grewal, Mahr, Wetzels et Schweiger (2023), cette mesure adapte et enrichit des travaux doctoraux ant\u00e9rieurs portant sur le construit de \u00ab naturalit\u00e9 \u00bb (naturalness<\/em>) pour l’appliquer aux interfaces vocales contemporaines.<\/p>\n Sur le plan structural, l’instrument s’articule g\u00e9n\u00e9ralement comme une \u00e9chelle unidimensionnelle ou bipolaire \u00e9valuant le continuum machine-humain \u00e0 travers une batterie d’items pr\u00e9sent\u00e9s sous forme de diff\u00e9rentiels s\u00e9mantiques ou d’\u00e9chelles de type Likert<\/a> \u00e0 7 points. Les ancres lexicales mobilis\u00e9es explorent les p\u00f4les contrast\u00e9s de l’artificialit\u00e9 (artificiel, semblable \u00e0 une machine, m\u00e9canique, programm\u00e9) face \u00e0 la naturalit\u00e9 per\u00e7ue (naturel, semblable \u00e0 un humain, spontan\u00e9). Les \u00e9tudes empiriques conduites par Guha et al. (2023) d\u00e9montrent des qualit\u00e9s psychom\u00e9triques rigoureuses : une consistance interne \u00e9lev\u00e9e attest\u00e9e par des coefficients alpha de Cronbach<\/a> exc\u00e9dant syst\u00e9matiquement les seuils conventionnels de 0,85, une validit\u00e9 convergente<\/a> robuste confirm\u00e9e par des analyses factorielles confirmatoires, ainsi qu’une validit\u00e9 discriminante<\/a> nettement \u00e9tablie par rapport \u00e0 l’intelligence per\u00e7ue (perceived intelligence<\/em>) et \u00e0 l’anthropomorphisme<\/a> global. Cet outil fournit aux chercheurs et praticiens en ergonomie cognitive et en interaction humain-machine (IHM) une m\u00e9trique standardis\u00e9e indispensable pour analyser les r\u00e9actions affectives, cognitives et \u00e9valuatives des utilisateurs face aux technologies vocales \u00e9mergentes.<\/p>\n Artificialit\u00e9 per\u00e7ue, assistant vocal, anthropomorphisme, interaction humain-machine, psychom\u00e9trie, \u00e9valuation technologique, agents conversationnels, intelligence artificielle, fid\u00e9lit\u00e9 de mesure, exp\u00e9rience utilisateur.<\/p>\n L’\u00e9chelle d’\u00e9valuation de l’artificialit\u00e9 per\u00e7ue a \u00e9t\u00e9 formalis\u00e9e et valid\u00e9e dans son cadre d’application aux assistants vocaux par une \u00e9quipe internationale de chercheurs en marketing et en syst\u00e8mes d’information :<\/p>\n L’objectif fondamental de l’\u00e9chelle d’Artificialit\u00e9 Per\u00e7ue de l’Appareil<\/strong> r\u00e9side dans la quantification pr\u00e9cise de la perception qu’a l’usager du caract\u00e8re m\u00e9canique, synth\u00e9tique et manufactur\u00e9 d’une technologie vocale interactive. Avec l’av\u00e8nement des syst\u00e8mes cybern\u00e9tiques fond\u00e9s sur le traitement automatique du langage naturel (TALN) et les mod\u00e8les g\u00e9n\u00e9ratifs de parole, la fronti\u00e8re perceptive entre l’op\u00e9rateur biologique et le syst\u00e8me informatique s’est consid\u00e9rablement estomp\u00e9e. N\u00e9anmoins, l’exp\u00e9rience subjective de l’utilisateur n’assimile pas spontan\u00e9ment tout dispositif communicant \u00e0 un alter ego humain. Les utilisateurs d\u00e9c\u00e8lent fr\u00e9quemment des micro-indices prosodiques, syntaxiques ou cin\u00e9matiques qui trahissent la nature algorithmique du syst\u00e8me. L’\u00e9chelle a \u00e9t\u00e9 con\u00e7ue pour isoler ce jugement perceptif sp\u00e9cifique de l’\u00e9valuation des comp\u00e9tences fonctionnelles ou de la performance du dispositif.<\/p>\n Dans le domaine de la recherche fondamentale et appliqu\u00e9e en interaction humain-machine<\/a>, cet instrument r\u00e9pond \u00e0 un imp\u00e9ratif m\u00e9thodologique crucial : d\u00e9m\u00ealer l’impact crois\u00e9 de la forme (degr\u00e9 d’humanisation per\u00e7ue versus artificialit\u00e9) et de la fonction (intelligence per\u00e7ue ou utilit\u00e9 per\u00e7ue). Guha et al. (2023) ont montr\u00e9 que l’\u00e9valuation globale d’un assistant vocal ne d\u00e9pend pas isol\u00e9ment de ses capacit\u00e9s cognitives suppos\u00e9es, mais de la conjonction subtile entre son niveau d’intelligence per\u00e7ue et son artificialit\u00e9 per\u00e7ue. Une technologie per\u00e7ue comme hautement intelligente mais intrins\u00e8quement artificielle peut induire des attentes cognitives sp\u00e9cifiques ou, au contraire, susciter une forme de rejet ou de dissonance lorsque des indices humains discordants sont introduits de mani\u00e8re maladroite.<\/p>\n En contexte de recherche clinique appliqu\u00e9e et d’ergonomie comportementale, mesurer l’artificialit\u00e9 per\u00e7ue s’av\u00e8re d\u00e9terminant pour analyser l’adh\u00e9sion th\u00e9rapeutique et la confiance accord\u00e9e aux agents conversationnels<\/a> d\u00e9di\u00e9s au soutien psychologique, au t\u00e9l\u00e9diagnostic ou \u00e0 l’accompagnement des personnes vuln\u00e9rables. Une perception trop accentu\u00e9e de l’artificialit\u00e9 peut engendrer une distance relationnelle d\u00e9l\u00e9t\u00e8re et entraver l’alliance th\u00e9rapeutique<\/a> num\u00e9rique, tandis qu’une artificialit\u00e9 assum\u00e9e et transparente peut parfois rassurer les individus craignant le jugement social inh\u00e9rent \u00e0 un interlocuteur humain. L’\u00e9chelle offre ainsi un barom\u00e8tre \u00e9talonn\u00e9 pour optimiser le calibrage perceptif des interfaces vocales afin de maximiser l’acceptabilit\u00e9, l’engagement et l’efficacit\u00e9 communicative des outils autonomes.<\/p>\n Le construit psychologique op\u00e9rationnalis\u00e9 par cette \u00e9chelle est l’artificialit\u00e9 per\u00e7ue<\/strong>, d\u00e9finie comme l’attribution d’une essence m\u00e9canique, manufactur\u00e9e, programm\u00e9e et d\u00e9nu\u00e9e de spontan\u00e9it\u00e9 organique \u00e0 un syst\u00e8me interactif. Ce construit se situe \u00e0 l’intersection de la cognition sociale, de la perception cat\u00e9gorielle et de la psychologie des m\u00e9dias. L’artificialit\u00e9 per\u00e7ue ne constitue pas un simple r\u00e9sidu passif traduisant l’absence d’humanit\u00e9 ; elle repr\u00e9sente un jugement inf\u00e9rentiel actif par lequel l’observateur classe l’objet d’interaction dans la cat\u00e9gorie ontologique des art\u00e9facts inanim\u00e9s r\u00e9gis par des r\u00e8gles d\u00e9terministes.<\/p>\n Pour appr\u00e9hender la granularit\u00e9 de ce construit, il convient de le d\u00e9composer selon ses manifestations cognitives et ph\u00e9nom\u00e9nologiques :<\/p>\n Il est indispensable de distinguer conceptuellement l’artificialit\u00e9 per\u00e7ue d’autres construits adjacents tels que l’anthropomorphisme et l’intelligence per\u00e7ue. L’anthropomorphisme<\/a> renvoie \u00e0 la tendance g\u00e9n\u00e9rale \u00e0 attribuer des caract\u00e9ristiques, des \u00e9motions ou des intentions humaines \u00e0 des entit\u00e9s non humaines. Bien que n\u00e9gativement corr\u00e9l\u00e9e \u00e0 l’artificialit\u00e9 per\u00e7ue, l’artificialit\u00e9 n’en est pas le strict inverse sym\u00e9trique : un utilisateur peut pleinement reconna\u00eetre la nature artificielle d’un robot tout en lui appliquant m\u00e9taphoriquement des sch\u00e9mas d’interpr\u00e9tation anthropomorphiques. De m\u00eame, l’intelligence per\u00e7ue mesure la capacit\u00e9 suppos\u00e9e du syst\u00e8me \u00e0 r\u00e9soudre des probl\u00e8mes complexes, \u00e0 m\u00e9moriser des donn\u00e9es et \u00e0 accomplir des t\u00e2ches avec comp\u00e9tence ; or, une machine peut \u00eatre jug\u00e9e immens\u00e9ment comp\u00e9tente et intelligente pr\u00e9cis\u00e9ment en raison de son artificialit\u00e9 computationnelle surhumaine, sans que l’utilisateur ne la per\u00e7oive pour autant comme une entit\u00e9 humaine.<\/p>\n Le soubassement th\u00e9orique de l’\u00e9chelle d’artificialit\u00e9 per\u00e7ue s’enracine dans trois courants majeurs de la psychologie cognitive et des th\u00e9ories de la communication :<\/p>\n Formul\u00e9 initialement par Byron Reeves et Clifford Nass (1996), le paradigme CASA<\/a> postule que les \u00eatres humains appliquent de fa\u00e7on quasi automatique et inconsciente des r\u00e8gles sociales, des normes de politesse et des st\u00e9r\u00e9otypes interpersonnels aux ordinateurs et aux technologies d\u00e8s lors que ces derniers \u00e9mettent des indices sociaux fondamentaux (tels que l’utilisation du langage parl\u00e9 ou des tours de parole interactifs). Toutefois, les d\u00e9veloppements th\u00e9oriques contemporains ont nuanc\u00e9 ce mod\u00e8le en introduisant la notion de traitement cognitif \u00e0 double processus (dual-process theories<\/em>, cf. Kahneman, 2011). Si le Syst\u00e8me 1 (automatique, heuristique) tend \u00e0 traiter la voix de l’appareil comme celle d’un partenaire social humain, le Syst\u00e8me 2 (analytique, r\u00e9flexif) r\u00e9active constamment la conscience de l’artificialit\u00e9 sous-jacente. L’\u00e9chelle d\u00e9velopp\u00e9e par Guha et al. (2023) permet pr\u00e9cis\u00e9ment de mesurer le r\u00e9sultat de ce contr\u00f4le m\u00e9tacognitif o\u00f9 le caract\u00e8re d’art\u00e9fact est explicitement discern\u00e9.<\/p>\n Conceptualis\u00e9e par le roboticien Masahiro Mori en 1970, l’hypoth\u00e8se de la vall\u00e9e de l’\u00e9trange<\/a> soutient que l’affinit\u00e9 \u00e9motionnelle d’un observateur envers une entit\u00e9 artificielle cro\u00eet \u00e0 mesure que sa ressemblance avec l’\u00eatre humain augmente, jusqu’\u00e0 atteindre un point critique o\u00f9 une ressemblance quasi parfaite mais imparfaite suscite un profond sentiment de malaise, d’\u00e9tranget\u00e9 et de r\u00e9pulsion. L’\u00e9valuation de l’artificialit\u00e9 per\u00e7ue joue un r\u00f4le charni\u00e8re dans cette dynamique : le d\u00e9calage entre des indices vocaux hautement r\u00e9alistes et des signaux d’artificialit\u00e9 r\u00e9siduels (lenteur de r\u00e9ponse, choix lexicaux incongrus, absence d’\u00e9motion contextuelle) r\u00e9veille la d\u00e9tection d’une anomalie cat\u00e9gorielle. Mesurer rigoureusement le niveau d’artificialit\u00e9 per\u00e7ue permet de situer pr\u00e9cis\u00e9ment l’artefact sur la trajectoire menant ou \u00e9chappant au gouffre de l’\u00e9tranget\u00e9.<\/p>\n Dans le domaine du comportement du consommateur et du marketing des technologies (Oliver, 1980), l’\u00e9valuation finale d’un produit r\u00e9sulte de la confrontation entre les attentes pr\u00e9alables formul\u00e9es par l’individu et les performances r\u00e9elles d\u00e9livr\u00e9es. Guha et al. (2023) mobilisent ce cadre pour expliquer comment l’artificialit\u00e9 per\u00e7ue module l’\u00e9valuation de l’intelligence. Lorsqu’un dispositif est per\u00e7u comme \u00e9minemment humain (faible artificialit\u00e9), les usagers calibrent leurs attentes sur les standards d’une conversation humaine d’une flexibilit\u00e9 absolue ; toute erreur d’interpr\u00e9tation de la part de l’assistant entra\u00eene alors une s\u00e9v\u00e8re d\u00e9confirmation n\u00e9gative. \u00c0 l’inverse, lorsque l’appareil est per\u00e7u comme clairement artificiel (forte artificialit\u00e9), les attentes sont ajust\u00e9es au statut de programme informatique, ce qui rend l’utilisateur plus indulgent envers les limites de la machine et paradoxalement plus impressionn\u00e9 par ses d\u00e9monstrations de haute comp\u00e9tence cognitive.<\/p>\n Les proc\u00e9dures de validation psychom\u00e9trique d\u00e9ploy\u00e9es par Guha et al. (2023) dans leurs deux \u00e9tudes empiriques d\u00e9montrent des propri\u00e9t\u00e9s robustes pour l’\u00e9chelle d’artificialit\u00e9 per\u00e7ue, attestant de sa robustesse m\u00e9thodologique selon les crit\u00e8res de l’American Psychological Association<\/a> :<\/p>\n L’\u00e9chelle a \u00e9t\u00e9 initialement d\u00e9riv\u00e9e et adapt\u00e9e \u00e0 partir de travaux doctoraux ciblant la dimension de \u00ab naturalit\u00e9 \u00bb per\u00e7ue des interfaces. Les auteurs ont soumis les \u00e9nonc\u00e9s \u00e0 des revues d’experts en comportement du consommateur et en marketing des technologies de pointe pour garantir que les items couvraient de mani\u00e8re exhaustive le spectre s\u00e9mantique de l’artifice machinique sans introduire de biais de d\u00e9sirabilit\u00e9 sociale. La validit\u00e9 de construit<\/a> a \u00e9t\u00e9 confirm\u00e9e par une ad\u00e9quation optimale aux mod\u00e8les factoriels test\u00e9s, prouvant que les items partagent une variance commune substantielle attribuable exclusivement au concept cibl\u00e9.<\/p>\n La validit\u00e9 convergente a \u00e9t\u00e9 d\u00e9montr\u00e9e par des saturations factorielles standardis\u00e9es (factor loadings<\/em>) tr\u00e8s \u00e9lev\u00e9es pour l’ensemble des indicateurs de l’\u00e9chelle, oscillant majoritairement entre 0,80 et 0,94. La variance moyenne extraite (AVE, Average Variance Extracted<\/em>) surpasse largement le crit\u00e8re conservateur de Fornell et Larcker (1981) de 0,50, atteignant des valeurs sup\u00e9rieures \u00e0 0,70 dans les diff\u00e9rentes \u00e9tudes de r\u00e9plication. Cela indique que plus de 70 % de la variance des indicateurs est expliqu\u00e9e par le construit sous-jacent d’artificialit\u00e9 per\u00e7ue.<\/p>\n L’enjeu m\u00e9thodologique majeur consistait \u00e0 prouver que l’artificialit\u00e9 per\u00e7ue ne constituait pas un simple miroir inverse de l’intelligence per\u00e7ue ou d’autres variables d’\u00e9valuation globale. La validit\u00e9 discriminante a \u00e9t\u00e9 confirm\u00e9e au moyen de plusieurs approches :<\/p>\n La validit\u00e9 pr\u00e9dictive de l’\u00e9chelle a \u00e9t\u00e9 mise en \u00e9vidence par son r\u00f4le mod\u00e9rateur critique au sein des mod\u00e8les d’\u00e9quations structurelles test\u00e9s par Guha et al. (2023). Les r\u00e9gressions et analyses de mod\u00e9ration r\u00e9v\u00e8lent que l’artificialit\u00e9 per\u00e7ue interagit de fa\u00e7on statistiquement significative avec l’intelligence per\u00e7ue pour pr\u00e9dire les attitudes des consommateurs envers l’assistant vocal et la valorisation financi\u00e8re du produit. Ces r\u00e9sultats confirment l’insertion r\u00e9ussie du construit dans le r\u00e9seau nomologique th\u00e9oris\u00e9.<\/p>\n La fid\u00e9lit\u00e9 de l’instrument d’\u00e9valuation de l’artificialit\u00e9 per\u00e7ue a \u00e9t\u00e9 \u00e9tablie au moyen d’analyses statistiques approfondies r\u00e9parties sur les deux \u00e9tudes exp\u00e9rimentales de l’article princeps de Guha et al. (2023) :<\/p>\n La coh\u00e9rence des r\u00e9ponses entre les diff\u00e9rents items de l’\u00e9chelle a \u00e9t\u00e9 \u00e9valu\u00e9e \u00e0 l’aide de l’alpha de Cronbach ($\u0007lpha$<\/span>) et de la fiabilit\u00e9 composite (CR, Composite Reliability<\/em>) :<\/p>\n Bien que l’instrument soit principalement employ\u00e9 dans des protocoles exp\u00e9rimentaux d’exposition imm\u00e9diate o\u00f9 la mesure test-retest n’est pas la m\u00e9trique principale, la stabilit\u00e9 des coefficients de consistance interne \u00e0 travers des contextes technologiques distincts (variations d’accents vocaux, diff\u00e9rentes marques d’assistants comme Amazon Alexa ou Google Assistant) confirme la robustesse transculturelle et structurelle de l’\u00e9chelle. L’erreur standard de mesure (SEM) demeure faible, garantissant que les scores observ\u00e9s refl\u00e8tent avec fid\u00e9lit\u00e9 le v\u00e9ritable niveau latent d’artificialit\u00e9 per\u00e7u par l’\u00e9chantillon.<\/p>\n La structure factorielle de l’instrument a fait l’objet d’\u00e9valuations rigoureuses par le biais d’analyses factorielles exploratoires (AFE) puis d’analyses factorielles confirmatoires (AFC) au sein des \u00e9tudes men\u00e9es par Guha et al. (2023) :<\/p>\n Lors des phases initiales de calibration, l’AFE utilisant une extraction en composantes principales suivie d’une rotation oblique (Promax ou Oblimin direct, compte tenu des corr\u00e9lations potentielles entre dimensions psychologiques) a mis en \u00e9vidence une solution claire \u00e0 un seul facteur dominant<\/strong>. Ce facteur unique extrait plus de 65 % \u00e0 72 % de la variance totale selon les \u00e9chantillons analys\u00e9s. L’examen du graphique des valeurs propres (scree plot<\/em> de Cattell) r\u00e9v\u00e8le une rupture nette (coude factoriel) apr\u00e8s la premi\u00e8re valeur propre (dont la valeur d\u00e9passe largement 2,5), tandis que les valeurs propres subs\u00e9quentes demeurent inf\u00e9rieures \u00e0 0,7, satisfaisant pleinement au crit\u00e8re de Kaiser.<\/p>\n Dans le cadre de l’AFC ex\u00e9cut\u00e9e via des logiciels de mod\u00e9lisation par \u00e9quations structurelles (tels que LISREL, AMOS ou le package lavaan<\/em> sous R), le mod\u00e8le unidimensionnel de l’artificialit\u00e9 per\u00e7ue a \u00e9t\u00e9 compar\u00e9 \u00e0 des mod\u00e8les alternatifs multidimensionnels. Les indices d’ajustement global du mod\u00e8le unidimensionnel ont confirm\u00e9 une ad\u00e9quation exemplaire aux donn\u00e9es empiriques :<\/p>\n Les saturations factorielles standardis\u00e9es de chaque item sur le facteur latent de l’artificialit\u00e9 per\u00e7ue sont toutes statistiquement significatives ($p < 0{,}001$<\/span>) et oscillent entre 0,81 et 0,93. Ces r\u00e9sultats \u00e9liminent l’hypoth\u00e8se d’une multidimensionnalit\u00e9 r\u00e9siduelle et confortent l’usage d’un score moyen ou sommatif direct pour repr\u00e9senter l’artificialit\u00e9 per\u00e7ue de l’appareil.<\/p>\n L’\u00e9chelle d’Artificialit\u00e9 Per\u00e7ue de l’Appareil (Guha et al., 2023) mesure le degr\u00e9 auquel un dispositif ou assistant vocal est per\u00e7u comme m\u00e9canique et semblable \u00e0 une machine plut\u00f4t que naturel ou humain.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2539,647,2],"tags":[2592,22407,22333,10925,424,16],"class_list":["post-14438","psych_scale","type-psych_scale","status-publish","hentry","category-interaction-humain-machine","category-psychologie-cognitive","category-psychometrie","tag-anthropomorphisme","tag-artificialite-percue","tag-assistants-vocaux","tag-experience-utilisateur","tag-intelligence-artificielle","tag-psychometrie"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/14438","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=14438"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/14438\/revisions"}],"predecessor-version":[{"id":14439,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/14438\/revisions\/14439"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=14438"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=14438"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=14438"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. Mots-cl\u00e9s \/ Keywords<\/h2>\n
3. Auteurs \/ Authors<\/h2>\n
\n
4. Objectif \/ Purpose<\/h2>\n
5. Construit psychologique \/ Construct<\/h2>\n
\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
Le paradigme CASA (Computers Are Social Actors)<\/h3>\n
La th\u00e9orie de la vall\u00e9e de l’\u00e9trange (The Uncanny Valley)<\/h3>\n
La th\u00e9orie des attentes et de la confirmation (Expectancy Disconfirmation Theory)<\/h3>\n
7. Validit\u00e9 \/ Validity<\/h2>\n
Validit\u00e9 de contenu et validit\u00e9 de construit<\/h3>\n
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
Consistance interne<\/h3>\n
\n
Stabilit\u00e9 temporelle et \u00e9quivalence<\/h3>\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
Analyse factorielle exploratoire (AFE)<\/h3>\n
Analyse factorielle confirmatoire (AFC)<\/h3>\n
\n
10. Instrument de mesure \/ Instrument<\/h2>\n
\n
11. Permissions, Tarifs et Ann\u00e9e du test \/ Permissions & Fee and Test Year<\/h2>\n
\n
12. R\u00e9f\u00e9rences \/ References<\/h2>\n
\n
13. Questions et items du questionnaire \/ Scale Items<\/h2>\n