L’\u00e9chelle de la chaleur du donneur de conseil<\/strong> (Advice-Giver Warmth Scale<\/em>) \u00e9value le degr\u00e9 auquel un individu per\u00e7oit ou anticipe qu’une source d\u00e9livrant des recommandations est bienveillante, chaleureuse, sympathique, serviable et \u00e9motionnellement attentive. Initialement formalis\u00e9e et appliqu\u00e9e dans le champ du comportement du consommateur et des services par von Walter, Wentzel et Raff (2023)<\/a>, cette \u00e9chelle permet d’appr\u00e9hender les r\u00e9ponses affectives et sociocognitives des utilisateurs face \u00e0 des conseillers humains comparativement \u00e0 des syst\u00e8mes automatis\u00e9s ou des algorithmes d’intelligence artificielle.<\/p>\n Sur le plan psychom\u00e9trique, l’instrument s’enracine directement dans le mod\u00e8le du contenu des st\u00e9r\u00e9otypes (Stereotype Content Model<\/em>) d\u00e9velopp\u00e9 par Susan Fiske et ses collaborateurs, qui postule que le jugement social d’autrui repose sur deux dimensions fondamentales : la comp\u00e9tence et la chaleur. L’\u00e9chelle de chaleur du donneur de conseil est g\u00e9n\u00e9ralement unifactorielle lorsqu’elle isole la bienveillance per\u00e7ue, bien qu’elle s’articule souvent au sein d’une batterie bifactorielle coupl\u00e9e \u00e0 la comp\u00e9tence per\u00e7ue de la source. Elle comprend typiquement entre 3 et 5 items formul\u00e9s sous la forme d’adjectifs diff\u00e9rentiels s\u00e9mantiques ou d’\u00e9nonc\u00e9s \u00e9valu\u00e9s sur une \u00e9chelle de Likert en 7 points (allant de 1 \u00ab Pas du tout d’accord \u00bb \u00e0 7 \u00ab Tout \u00e0 fait d’accord \u00bb ou de 1 \u00ab Pas du tout chaleureux \u00bb \u00e0 7 \u00ab Extr\u00eamement chaleureux \u00bb).<\/p>\n Les propri\u00e9t\u00e9s psychom\u00e9triques rapport\u00e9es dans la litt\u00e9rature attestent d’une coh\u00e9rence interne robuste, avec des coefficients alpha de Cronbach syst\u00e9matiquement sup\u00e9rieurs \u00e0 0,85 et une fiabilit\u00e9 composite (CR) exc\u00e9dant 0,88. La validit\u00e9 convergente et la validit\u00e9 discriminante sont \u00e9tay\u00e9es par une variance moyenne extraite (AVE) sup\u00e9rieure \u00e0 0,60, confirmant que le construit se distingue nettement des dimensions de comp\u00e9tence technique, de cr\u00e9dibilit\u00e9 de la source ou d’utilit\u00e9 per\u00e7ue du conseil. Cet outil constitue un levier d’\u00e9valuation d\u00e9terminant pour la recherche sur l’adoption technologique, la relation client et la psychologie sociale des interactions homme-machine.<\/p>\n Chaleur per\u00e7ue, Donneur de conseil, Conseil algorithmique, Mod\u00e8le du contenu des st\u00e9r\u00e9otypes, Perception sociale, Interaction homme-machine, Prise de d\u00e9cision, Relation de service, Psychom\u00e9trie, Bienveillance<\/p>\n L’op\u00e9rationnalisation de cette mesure dans le cadre comparatif des conseils humains et algorithmiques a \u00e9t\u00e9 men\u00e9e par les chercheurs suivants :<\/p>\n L’objectif principal de l’\u00e9chelle de chaleur du donneur de conseil est de quantifier la perception affective et socio-\u00e9motionnelle qu’un individu entretient \u00e0 l’\u00e9gard d’une entit\u00e9 fournissant des recommandations, qu’il s’agisse d’un conseiller humain (par exemple, un gestionnaire de patrimoine, un m\u00e9decin ou un vendeur) ou d’un agent d\u00e9cisionnel automatis\u00e9 (syst\u00e8me expert, robo-advisor ou mod\u00e8le d’intelligence artificielle g\u00e9n\u00e9rative). La mesure a \u00e9t\u00e9 con\u00e7ue pour r\u00e9pondre \u00e0 un d\u00e9fi empirique majeur : expliquer les disparit\u00e9s d’adh\u00e9sion, de confiance et d’observance des conseils lorsque la nature de la source varie.<\/p>\n Dans les contextes de service modernes, les organisations remplacent ou compl\u00e8tent fr\u00e9quemment les conseillers humains par des algorithmes d’aide \u00e0 la d\u00e9cision. Or, la litt\u00e9rature sur l’aversion algorithmique (algorithm aversion<\/em>) d\u00e9montre que les usagers rejettent souvent les pr\u00e9conisations informatis\u00e9es, m\u00eame lorsque celles-ci se r\u00e9v\u00e8lent objectivement sup\u00e9rieures sur le plan computationnel. L’\u00e9valuation de la chaleur per\u00e7ue permet de d\u00e9voiler le m\u00e9canisme psychologique sous-jacent \u00e0 cette r\u00e9sistance : les consommateurs n’attribuent g\u00e9n\u00e9ralement pas d’intentions bienveillantes, d’empathie ou de r\u00e9sonance \u00e9motionnelle aux algorithmes, ce qui engendre un d\u00e9ficit de chaleur ressenti par rapport aux interactions humaines.<\/p>\n Sur le plan de la recherche, cet instrument sert de variable m\u00e9diatrice ou mod\u00e9ratrice cruciale dans les mod\u00e8les d’\u00e9quations structurelles. Il permet d’examiner comment les caract\u00e9ristiques de l’interface (anthropomorphisme textuel, intonation vocale, conception visuelle) peuvent pallier ce d\u00e9ficit de chaleur, ou au contraire comment une tentative artificielle de para\u00eetre chaleureux peut susciter une r\u00e9action de d\u00e9fiance (effet de la vall\u00e9e de l’\u00e9trange ou perception de manipulation). Dans les \u00e9tudes de von Walter, Wentzel et Raff (2023), l’outil a servi \u00e0 d\u00e9montrer que la chaleur per\u00e7ue explique pourquoi les clients historiques, habitu\u00e9s \u00e0 une relation de service personnalis\u00e9e, manifestent une baisse significative de satisfaction lorsqu’un algorithme leur est impos\u00e9, alors que les nouveaux clients, moins investis \u00e9motionnellement, y sont plus r\u00e9ceptifs.<\/p>\n Sur le plan des applications appliqu\u00e9es et manag\u00e9riales, l’\u00e9chelle fournit aux concepteurs d’exp\u00e9riences clients (UX\/CX), aux institutions financi\u00e8res et aux services de sant\u00e9 un indicateur diagnostique pr\u00e9cis. Elle permet de tester si un agent conversationnel ou un parcours de conseil automatis\u00e9 r\u00e9ussit \u00e0 transmettre un niveau d’\u00e9coute et d’attention psychologique suffisant pour rassurer l’utilisateur lors de choix critiques ou anxiog\u00e8nes.<\/p>\n Le construit psychologique de la chaleur per\u00e7ue<\/strong> (perceived warmth<\/em>) renvoie aux inf\u00e9rences qu’un individu formule quant aux intentions morales, sociales et relationnelles d’une autre entit\u00e9. Dans le contexte de la prise de conseil, la chaleur ne mesure pas la performance intellectuelle ou analytique de la source, mais sa disposition pr\u00e9sum\u00e9e \u00e0 agir dans le meilleur int\u00e9r\u00eat du b\u00e9n\u00e9ficiaire avec bienveillance et sensibilit\u00e9 \u00e9motionnelle.<\/p>\n Ce construit s’articule autour de plusieurs composantes qualitatives interconnect\u00e9es :<\/p>\n Dans l’architecture conceptuelle des interactions sociales, la chaleur est consid\u00e9r\u00e9e comme la dimension \u00e9valuative primaire. Selon les postulats de l’\u00e9volution psychologique, d\u00e9terminer les intentions d’un acteur (ami ou ennemi, bienveillant ou malveillant) prime sur la d\u00e9termination de sa capacit\u00e9 \u00e0 ex\u00e9cuter ses intentions (comp\u00e9tent ou incomp\u00e9tent). Par cons\u00e9quent, lorsqu’un individu sollicite un conseil, l’absence de signaux de chaleur engendre une vigilance accrue et une r\u00e9serve cognitive, limitant la disposition \u00e0 suivre la recommandation re\u00e7ue.<\/p>\n L’\u00e9chelle repose th\u00e9oriquement sur le mod\u00e8le du contenu des st\u00e9r\u00e9otypes<\/strong> (Stereotype Content Model<\/em>, SCM), formul\u00e9 par Fiske, Cuddy, Glick et Xu (2002)<\/a>, ainsi que sur ses extensions ult\u00e9rieures \u00e0 la perception des organisations et des marques (Aaker, Vohs, & Mogilner, 2010<\/a>). Selon le SCM, la cognition sociale humaine classe les cibles (individus, groupes ou entit\u00e9s anthropomorphis\u00e9es) selon deux axes orthogonaux : la chaleur (warmth<\/em>) et la comp\u00e9tence (competence<\/em>).<\/p>\n La chaleur r\u00e9pond \u00e0 la question adaptative fondamentale : \u00ab Quelles sont les intentions de cette cible \u00e0 mon \u00e9gard ? \u00bb<\/em>. La comp\u00e9tence r\u00e9pond \u00e0 la question compl\u00e9mentaire : \u00ab Cette cible a-t-elle les moyens d’ex\u00e9cuter ses intentions ? \u00bb<\/em>. Dans le cadre de l’interaction avec des donneurs de conseil, la comp\u00e9tence refl\u00e8te l’expertise per\u00e7ue, la pr\u00e9cision logique et l’intelligence de la recommandation. La chaleur, quant \u00e0 elle, capte la nature humaine, morale et altruiste per\u00e7ue de l’\u00e9metteur.<\/p>\n Ce cadre s’enrichit des th\u00e9ories contemporaines sur l’interaction humain-technologie :<\/p>\n La validation psychom\u00e9trique de l’\u00e9chelle de chaleur du donneur de conseil a fait l’objet d’examens empiriques rigoureux dans les travaux de von Walter, Wentzel et Raff (2023) ainsi que dans la litt\u00e9rature affili\u00e9e sur la perception des agents conversationnels :<\/p>\n La fiabilit\u00e9 m\u00e9trique de l’\u00e9chelle a \u00e9t\u00e9 document\u00e9e \u00e0 travers plusieurs \u00e9chantillons exp\u00e9rimentaux ind\u00e9pendants impliquant des contextes de conseil financier, m\u00e9dical et commercial :<\/p>\n La structure factorielle de la mesure a \u00e9t\u00e9 \u00e9prouv\u00e9e par le biais d’analyses factorielles exploratoires (AFE) et confirmatoires (AFC) :<\/p>\n La comparaison de mod\u00e8les concurrents montre syst\u00e9matiquement la sup\u00e9riorit\u00e9 d’un mod\u00e8le bifactoriel orthogonal ou faiblement corr\u00e9l\u00e9 (chaleur et comp\u00e9tence s\u00e9par\u00e9es) par rapport \u00e0 un mod\u00e8le unidimensionnel regroupant l’ensemble des perceptions de la source sous un facteur unique d’\u00e9valuation globale ($\\Delta \\chi^2$<\/span> hautement significatif, $p < 0,001$).<\/p>\n L’instrument se caract\u00e9rise par une structure standardis\u00e9e, adaptable aux contextes de recherche sur les services et les technologies :<\/p>\n Les items officiels composant l’\u00e9chelle adapt\u00e9e par von Walter, Wentzel et Raff (2023) sont issus de leurs travaux exp\u00e9rimentaux publi\u00e9s sous droit d’auteur. Conform\u00e9ment aux normes de protection de la propri\u00e9t\u00e9 intellectuelle, le protocole ci-dessous pr\u00e9sente la structure indicative de recueil des donn\u00e9es telle qu’op\u00e9rationnalis\u00e9e dans les recherches sur la perception des conseillers humains et algorithmiques.<\/p>\n Instructions to respondents:<\/strong><\/p>\n Please think about the advice source (the person or automated system) that just provided you with recommendations. Indicate the extent to which you agree with each of the following statements describing this advice-giver on a scale from 1 (Strongly disagree) to 7 (Strongly agree).<\/p>\n L’\u00e9chelle de la chaleur du donneur de conseil (von Walter et al., 2023) mesure la bienveillance et l’attention \u00e9motionnelle per\u00e7ues d’une source de recommandation, humaine ou algorithmique.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2455,154,2],"tags":[14911,22540,8775,3962,176],"class_list":["post-14500","psych_scale","type-psych_scale","status-publish","hentry","category-comportement-du-consommateur","category-psychologie-sociale","category-psychometrie","tag-chaleur-percue","tag-conseil-algorithmique","tag-interaction-homme-machine","tag-modele-du-contenu-des-stereotypes","tag-prise-de-decision"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/14500","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=14500"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/14500\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=14500"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=14500"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=14500"}],"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
\n
7. Validit\u00e9 \/ Validity<\/h2>\n
\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
\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
\n