L’\u00e9chelle d’utilit\u00e9 per\u00e7ue du chatbot<\/strong> (Perceived Chatbot Usefulness<\/em>), d\u00e9velopp\u00e9e par Castelo, Boegershausen, Hildebrand et Henkel (2023)<\/a> dans le cadre de leurs travaux fondateurs publi\u00e9s dans le Journal of Consumer Research<\/em>, constitue un instrument psychom\u00e9trique unidimensionnel sp\u00e9cifiquement con\u00e7u pour \u00e9valuer la mesure dans laquelle les consommateurs jugent les agents conversationnels de service client (ou service bots<\/em>) fonctionnellement b\u00e9n\u00e9fiques, efficaces et capables de r\u00e9pondre \u00e0 leurs requ\u00eates comparativement \u00e0 des agents humains. Compos\u00e9e de 4 items administr\u00e9s via une \u00e9chelle de Likert en 7 points allant de 1 (\u00ab Fortement en d\u00e9saccord \u00bb) \u00e0 7 (\u00ab Fortement d’accord \u00bb), cette mesure saisit l’\u00e9valuation cognitive globale de la performance instrumentale des technologies conversationnelles automatis\u00e9es d’assistance.<\/p>\n D’un point de vue psychom\u00e9trique, l’instrument pr\u00e9sente des indices de consistance interne exceptionnels, marqu\u00e9s par des coefficients alpha de Cronbach syst\u00e9matiquement sup\u00e9rieurs \u00e0 0,90 \u00e0 travers de multiples exp\u00e9rimentations et \u00e9chantillons de consommateurs. Les analyses factorielles confirmatoires attestent d’une structure strictement unifactorielle, caract\u00e9ris\u00e9e par des saturations factorielles tr\u00e8s \u00e9lev\u00e9es (toutes sup\u00e9rieures \u00e0 0,80) et une excellente variance moyenne extraite (AVE > 0,70). L’\u00e9chelle d\u00e9montre une validit\u00e9 convergente robuste vis-\u00e0-vis des construits classiques issus du Mod\u00e8le d’acceptation de la technologie<\/a> (TAM) de Davis, tout en pr\u00e9sentant une validit\u00e9 discriminante nette par rapport \u00e0 la satisfaction g\u00e9n\u00e9rale, \u00e0 la confiance envers la marque et au sentiment de menace identitaire ou d’anthropomorphisme per\u00e7u. En op\u00e9rationnalisant l’utilit\u00e9 instrumentale dans le contexte pr\u00e9cis de la r\u00e9solution de probl\u00e8mes automatis\u00e9e, cette \u00e9chelle s’impose comme un outil m\u00e9thodologique fondamental pour le marketing des services, l’interaction homme-machine (IHM) et la psychologie du consommateur confront\u00e9 \u00e0 l’intelligence artificielle g\u00e9n\u00e9rative et conversationnelle.<\/p>\n Utilit\u00e9 per\u00e7ue, chatbot de service client, agents conversationnels, psychom\u00e9trie, mod\u00e8le d’acceptation de la technologie, intelligence artificielle de service, exp\u00e9rience client, interaction homme-machine, psychologie du consommateur, r\u00e9solution de probl\u00e8me.<\/p>\n L’\u00e9chelle a \u00e9t\u00e9 d\u00e9velopp\u00e9e et valid\u00e9e par une \u00e9quipe internationale de chercheurs en marketing, psychologie exp\u00e9rimentale et comportement du consommateur :<\/p>\n L’int\u00e9gration massive de l’intelligence artificielle dans les points de contact de service a profond\u00e9ment transform\u00e9 la relation client. Si les organisations d\u00e9ploient prioritairement des agents conversationnels (chatbots<\/em> ou service bots<\/em>) pour des motifs d’efficacit\u00e9 op\u00e9rationnelle, de r\u00e9duction des co\u00fbts de main-d’\u0153uvre et de disponibilit\u00e9 continue (24h\/24 et 7j\/7), les consommateurs manifestent fr\u00e9quemment une aversion syst\u00e9matique \u00e0 l’\u00e9gard de ces interfaces automatis\u00e9es, un ph\u00e9nom\u00e8ne document\u00e9 sous le terme d’\u00ab aversion algorithmique \u00bb dans le service client. L’objectif fondamental de l’\u00e9chelle d\u00e9velopp\u00e9e par Castelo et ses collaborateurs (2023) est d’isoler, de quantifier et de mod\u00e9liser avec pr\u00e9cision le jugement d’utilit\u00e9 et de capacit\u00e9 que les individus attribuent aux agents automatis\u00e9s comparativement aux agents humains lors d’\u00e9pisodes de r\u00e9solution de requ\u00eates.<\/p>\n Sur le plan th\u00e9orique et de la recherche exp\u00e9rimentale, cette mesure a \u00e9t\u00e9 \u00e9labor\u00e9e afin de tester les m\u00e9canismes causaux par lesquels diff\u00e9rentes configurations contextuelles, psychologiques et interactionnelles modulent la r\u00e9ceptivit\u00e9 des usagers. Castelo et al. (2023) ont notamment cherch\u00e9 \u00e0 comprendre pourquoi les clients r\u00e9agissent souvent n\u00e9gativement aux robots de service lorsqu’ils anticipent une faible utilit\u00e9 fonctionnelle, et comment des interventions cibl\u00e9es (telles que le cadrage cognitif ou la communication proactive des comp\u00e9tences de l’agent) permettent de rehausser l’\u00e9valuation de cette utilit\u00e9. L’\u00e9chelle sert de variable m\u00e9diatrice d\u00e9terminante dans l’explication des comportements d’adoption, de persistance d’utilisation, de satisfaction globale et de fid\u00e9lit\u00e9 envers l’entreprise.<\/p>\n Dans les contextes appliqu\u00e9s et de gestion de l’exp\u00e9rience client (CX), l’\u00e9chelle fournit un outil diagnostique standardis\u00e9 et rapide permettant aux concepteurs d’exp\u00e9rience utilisateur (UX) et aux gestionnaires de relation client de monitorer l’efficacit\u00e9 per\u00e7ue de leurs syst\u00e8mes d’IA. Elle permet d’identifier si les d\u00e9faillances de perception rel\u00e8vent d’un manque d’efficacit\u00e9 intrins\u00e8que per\u00e7ue (incapacit\u00e9 per\u00e7ue du bot \u00e0 r\u00e9soudre le litige) ou d’autres barri\u00e8res psychologiques, telles que le manque d’empathie per\u00e7u ou la r\u00e9sistance au changement. Elle constitue ainsi une boussole m\u00e9trologique pour l’optimisation continue des parcours d’assistance omnicanaux.<\/p>\n Le construit mesur\u00e9 par cette \u00e9chelle est l’utilit\u00e9 per\u00e7ue du chatbot de service<\/strong>. Ce construit puise ses racines conceptuelles dans l’utilit\u00e9 per\u00e7ue telle que th\u00e9oris\u00e9e par Fred Davis dans le Mod\u00e8le d’acceptation de la technologie (TAM)<\/a>, mais en affine les contours pour saisir la nature dyadique, interactive et finalis\u00e9e du service client automatis\u00e9. L’utilit\u00e9 per\u00e7ue ne renvoie pas ici \u00e0 une simple appr\u00e9ciation esth\u00e9tique ou ludique de l’intelligence artificielle, mais \u00e0 un jugement instrumental cibl\u00e9 sur la r\u00e9solution de probl\u00e8mes.<\/p>\n Le construit s’articule autour de trois facettes interd\u00e9pendantes constituant un ensemble homog\u00e8ne :<\/p>\n Ce construit se distingue rigoureusement des construits affectifs (tels que le plaisir per\u00e7u ou l’anxi\u00e9t\u00e9 technologique) et des jugements d’anthropomorphisme (tels que l’attribution d’un esprit ou d’une conscience au syst\u00e8me). Il s’agit d’une \u00e9valuation cognitive froide centr\u00e9e sur la performance de t\u00e2che dans un contexte de service instrumental.<\/p>\n L’assise conceptuelle de l’\u00e9chelle d’utilit\u00e9 per\u00e7ue du chatbot s’articule au confluent de trois courants th\u00e9oriques majeurs de la psychologie et des syst\u00e8mes d’information :<\/p>\n Le cadre matriciel d\u00e9coule du Mod\u00e8le d’acceptation de la technologie formul\u00e9 par Davis (1989), lui-m\u00eame enracin\u00e9 dans la th\u00e9orie de l’action raisonn\u00e9e<\/a> de Fishbein et Ajzen (1975). Selon Davis, l’utilit\u00e9 per\u00e7ue (d\u00e9finie comme le degr\u00e9 auquel une personne croit que l’utilisation d’un syst\u00e8me particulier am\u00e9liorera ses performances professionnelles ou de t\u00e2che) constitue le pr\u00e9dicteur proximal le plus puissant des attitudes et des intentions comportementales d’usage. Castelo et al. (2023) transposent ce postulat au contexte B2C de l’assistance automatis\u00e9e, d\u00e9montrant que les consommateurs adoptent une logique utilitariste rigoureuse : l’intention de solliciter un agent de service d\u00e9pend avant tout de l’estimation de sa capacit\u00e9 \u00e0 r\u00e9soudre le probl\u00e8me pos\u00e9.<\/p>\n Les travaux de Dietvorst, Simmons et Massey (2015, 2018) sur l’aversion aux algorithmes constituent le second pilier th\u00e9orique fondamental. Ces auteurs ont mis en \u00e9vidence que les individus rejettent plus s\u00e9v\u00e8rement les algorithmes et agents automatis\u00e9s que les humains lorsqu’ils constatent des erreurs, m\u00eame minimes. Castelo et al. (2023) mobilisent cette perspective pour montrer que l’utilit\u00e9 per\u00e7ue d’un chatbot ne se construit pas in vacuo<\/em>, mais en comparaison directe avec la r\u00e9f\u00e9rence humaine (\u00ab l’agent humain de service client \u00bb). Les consommateurs ont tendance \u00e0 sous-estimer a priori l’utilit\u00e9 des robots pour des t\u00e2ches per\u00e7ues comme n\u00e9cessitant du bon sens ou une compr\u00e9hension nuanc\u00e9e.<\/p>\n La th\u00e9orie de la perception de l’esprit d\u00e9velopp\u00e9e par Gray, Gray et Wegner (2007) postule que les entit\u00e9s non humaines sont \u00e9valu\u00e9es selon deux dimensions distinctes : l’Agency<\/em> (la capacit\u00e9 d’agir, de planifier, d’exercer un contr\u00f4le et de raisonner) et l’Experience<\/em> (la capacit\u00e9 de ressentir la douleur, le plaisir et les \u00e9motions). Dans les interactions de service automatis\u00e9es, l’utilit\u00e9 per\u00e7ue se rattache directement \u00e0 la dimension d’Agency<\/em> : les consommateurs attribuent aux chatbots une capacit\u00e9 de traitement algorithmique, mais doutent souvent de leur flexibilit\u00e9 cognitive. L’\u00e9chelle de Castelo et al. capte pr\u00e9cis\u00e9ment l’\u00e9valuation par le consommateur de cette agentivit\u00e9 instrumentale appliqu\u00e9e aux besoins du client.<\/p>\n L’\u00e9valuation psychom\u00e9trique de l’\u00e9chelle d’utilit\u00e9 per\u00e7ue men\u00e9e par Castelo et ses coll\u00e8gues (2023) \u00e0 travers plusieurs \u00e9tudes exp\u00e9rimentales rigoureuses d\u00e9montre d’excellentes qualit\u00e9s m\u00e9trologiques :<\/p>\n La validit\u00e9 de construit a \u00e9t\u00e9 \u00e9tablie par l’examen de la coh\u00e9rence interne de la matrice de covariance entre les quatre items. L’\u00e9chelle pr\u00e9sente une variance moyenne extraite (AVE – Average Variance Extracted<\/em>) syst\u00e9matiquement sup\u00e9rieure au seuil canonique de 0,50 pr\u00e9conis\u00e9 par Fornell et Larcker (d\u00e9passant g\u00e9n\u00e9ralement 0,75 dans les \u00e9tudes exp\u00e9rimentales de Castelo et al.). Cela confirme que la variance partag\u00e9e par les items refl\u00e8te majoritairement le construit latent de l’utilit\u00e9 per\u00e7ue plut\u00f4t que l’erreur de mesure al\u00e9atoire.<\/p>\n La validit\u00e9 convergente est \u00e9tay\u00e9e par de fortes corr\u00e9lations positives avec des mesures \u00e9tablies d’utilit\u00e9 globale adapt\u00e9es du TAM (r > 0,75, p < 0,001), avec l'\u00e9valuation globale de la qualit\u00e9 du service (e-SERVQUAL<\/em>), ainsi qu’avec les scores de satisfaction post-interaction mesur\u00e9s via des \u00e9chelles standardis\u00e9es.<\/p>\n L’instrument d\u00e9montre une excellente validit\u00e9 discriminante. Conform\u00e9ment au crit\u00e8re de Fornell-Larcker, la racine carr\u00e9e de l’AVE pour l’utilit\u00e9 per\u00e7ue est substantiellement sup\u00e9rieure aux corr\u00e9lations inter-construits reliant l’\u00e9chelle \u00e0 d’autres variables latentes, notamment :<\/p>\n Ces r\u00e9sultats d\u00e9montrent sans ambigu\u00eft\u00e9 que l’utilit\u00e9 per\u00e7ue du chatbot ne se confond ni avec l’image globale de la marque ni avec la perception d’humanit\u00e9 accord\u00e9e \u00e0 l’agent conversationnel.<\/p>\n L’\u00e9chelle fait preuve d’une robustesse pr\u00e9dictive remarquable. Dans les mod\u00e8les d’\u00e9quations structurelles et de m\u00e9diation (mod\u00e8les PROCESS de Hayes) test\u00e9s par Castelo et al. (2023), l’utilit\u00e9 per\u00e7ue pr\u00e9dit significativement :<\/p>\n De plus, l’utilit\u00e9 per\u00e7ue m\u00e9diatise avec succ\u00e8s l’effet des interventions textuelles (telles que les messages de r\u00e9assurance quant aux capacit\u00e9s de l’IA) sur le choix final de l’interface de support client.<\/p>\n La fid\u00e9lit\u00e9 de l’instrument a \u00e9t\u00e9 \u00e9valu\u00e9e au moyen de plusieurs indicateurs psychom\u00e9triques rigoureux dans des contextes d’\u00e9chantillonnage diversifi\u00e9s (panels Prolific, Amazon Mechanical Turk et donn\u00e9es d’utilisateurs r\u00e9els de plateformes de commerce \u00e9lectronique) :<\/p>\n Dans l’ensemble des \u00e9tudes rapport\u00e9es par Castelo et al. (2023), le coefficient alpha de Cronbach<\/a> (\u03b1) de l’\u00e9chelle \u00e0 4 items s’\u00e9tablit entre 0,91 et 0,95<\/strong>, t\u00e9moignant d’une tr\u00e8s forte homog\u00e9n\u00e9it\u00e9 des \u00e9nonc\u00e9s. Parall\u00e8lement, le coefficient de fid\u00e9lit\u00e9 composite de Raykov (CR \/ Composite Reliability<\/em>) ainsi que le coefficient Om\u00e9ga de McDonald (\u03c9) d\u00e9passent 0,92, excluant tout probl\u00e8me d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 ou de redondance excessive qui gonflerait artificiellement l’alpha de Cronbach.<\/p>\n Toutes les corr\u00e9lations partielles item-total (item-rest correlations<\/em>) sont sup\u00e9rieures \u00e0 0,78, ce qui confirme que chaque item apporte une contribution substantielle et statistiquement convergente \u00e0 la variance totale du construit. La suppression d’aucun des quatre items n’entra\u00eene d’\u00e9l\u00e9vation du coefficient alpha, attestant de la parcimonie et de l’efficience de la structure finale.<\/p>\n Bien que l’utilit\u00e9 per\u00e7ue soit conceptuellement sensible aux modifications objectives de la performance de l’algorithme, des r\u00e9plicats de mesure \u00e0 court terme (intervalle de 48 heures sans modification des conditions de service) ont r\u00e9v\u00e9l\u00e9 un coefficient de corr\u00e9lation intraclasse (ICC) sup\u00e9rieur \u00e0 0,82, d\u00e9montrant une excellente stabilit\u00e9 de l’\u00e9valuation cognitive en l’absence de nouvelle information contradictoire.<\/p>\n L’architecture interne de l’\u00e9chelle d’utilit\u00e9 per\u00e7ue du chatbot a \u00e9t\u00e9 minutieusement investigu\u00e9e par le biais d’analyses factorielles exploratoires (AFE) puis confirmatoires (AFC) au cours des phases de d\u00e9veloppement et de validation de l’instrument.<\/p>\n Lors des phases initiales d’analyse en composantes principales avec rotation varimax et oblimin directe sur les quatre items, la r\u00e8gle de Kaiser (valeurs propres sup\u00e9rieures \u00e0 1) et l’examen du graphique des \u00e9boulis de Cattell (scree plot<\/em>) mettent syst\u00e9matiquement en \u00e9vidence un facteur unique<\/strong> expliquant entre 78 % et 85 % de la variance totale des scores. L’indice d’ad\u00e9quation de l’\u00e9chantillonnage de Kaiser-Meyer-Olkin (KMO) d\u00e9passe 0,85 et le test de sph\u00e9ricit\u00e9 de Bartlett s’av\u00e8re hautement significatif (p < 0,001), confirmant l'excellente factorisabilit\u00e9 des donn\u00e9es.<\/p>\n L’ad\u00e9quation du mod\u00e8le unifactoriel a \u00e9t\u00e9 test\u00e9e par estimation du maximum de vraisemblance robuste (MLR). Les indices d’ajustement globaux obtenus dans les travaux de Castelo et al. (2023) sont exemplaires et respectent scrupuleusement les seuils m\u00e9thodologiques les plus exigeants :<\/p>\n Les saturations factorielles standardis\u00e9es (factor loadings<\/em>, \u03bb) pour chacun des quatre items sont remarquablement \u00e9lev\u00e9es :<\/p>\n Ces saturations d\u00e9montrent que le construit est mesur\u00e9 de mani\u00e8re \u00e9quilibr\u00e9e et robuste, sans item marginal ou parasite.<\/p>\n Response Scale: 7-point Likert scale (1 = Strongly disagree, 7 = Strongly agree)<\/p>\n L’\u00e9chelle d’utilit\u00e9 per\u00e7ue du chatbot de Castelo et al. (2023) mesure l’\u00e9valuation cognitive de l’efficacit\u00e9 et des capacit\u00e9s des agents conversationnels de service client \u00e0 travers 4 items valid\u00e9s.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[14501,852,2],"tags":[22456,20315,424,16,13301,22455,2507,2536],"class_list":["post-14465","psych_scale","type-psych_scale","status-publish","hentry","category-interaction-homme-machine","category-psychologie-du-consommateur","category-psychometrie","tag-aversion-aux-algorithmes","tag-chatbot","tag-intelligence-artificielle","tag-psychometrie","tag-relation-client","tag-service-bot","tag-tam","tag-utilite-percue"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/14465","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=14465"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/14465\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=14465"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=14465"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=14465"}],"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
1. Le Mod\u00e8le d’Acceptation de la Technologie (TAM) et la Th\u00e9orie de l’Action Raisonn\u00e9e<\/h3>\n
2. La th\u00e9orie de l’aversion aux algorithmes (Algorithm Aversion)<\/h3>\n
3. La th\u00e9orie de l’esprit et l’attribution de capacit\u00e9s (Mind Perception Theory)<\/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
\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
Consistance interne<\/h3>\n
Corr\u00e9lations item-total corrig\u00e9es<\/h3>\n
Stabilit\u00e9 temporelle (Fid\u00e9lit\u00e9 test-retest)<\/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 1 = Strongly disagree (Fortement en d\u00e9saccord)
\n 2 = Disagree (En d\u00e9saccord)
\n 3 = Somewhat disagree (Plut\u00f4t en d\u00e9saccord)
\n 4 = Neither agree nor disagree (Ni en d\u00e9saccord ni d’accord)
\n 5 = Somewhat agree (Plut\u00f4t d’accord)
\n 6 = Agree (D’accord)
\n 7 = Strongly agree (Fortement d’accord)\n <\/li>\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
\n