L’Inventaire du mod\u00e8le de mesure des facteurs d\u00e9terminants de l’utilisation des applications d’apprentissage mobile<\/strong> (Drivers of Mobile Learning App Usage \u2013 Measurement Model Inventory<\/em> [DMLU-MM]), d\u00e9velopp\u00e9 par Yeh, Wang, Wang et Liao (2023), constitue un cadre psychom\u00e9trique et structural rigoureux destin\u00e9 \u00e0 \u00e9valuer les ant\u00e9c\u00e9dents dispositionnels, cognitifs et motivationnels r\u00e9gissant l’adoption des technologies \u00e9ducatives nomades. Issu des champs disciplinaires convergents des sciences de l’\u00e9ducation, de la psychologie de la personnalit\u00e9 et des syst\u00e8mes d’information, cet instrument capture la complexit\u00e9 des comportements d’apprentissage sur ordiphone \u00e0 travers un mod\u00e8le multidimensionnel unifi\u00e9. L’architecture globale de l’\u00e9valuation mobilise plusieurs construits fondamentaux : le profil de personnalit\u00e9 mod\u00e9lis\u00e9 selon le mod\u00e8le des Big Five<\/a> (extraversion, agr\u00e9abilit\u00e9, conscience, neuroticisme, ouverture \u00e0 l’exp\u00e9rience) op\u00e9rationnalis\u00e9 d’apr\u00e8s John et al. (1991), le lieu de contr\u00f4le (locus of control<\/em>) adapt\u00e9 de Carducci (2009) et Rotter (1966), la pr\u00e9paration \u00e0 l’apprentissage mobile (mobile learning readiness<\/em>) d\u00e9clin\u00e9e selon les dimensions de Lin et al. (2016) incluant l’auto-efficacit\u00e9, l’optimisme technologique et l’autonomie d’apprentissage (self-directed learning<\/em>), ainsi que les dimensions motivationnelles intrins\u00e8ques et extrins\u00e8ques fond\u00e9es sur les conceptualisations paradigmatiques de Davis et al. (1992). Enfin, l’intention comportementale d’utilisation est mesur\u00e9e d’apr\u00e8s les standards de Wang et al. (2009).<\/p>\n Au niveau op\u00e9rationnel, le c\u0153ur du mod\u00e8le de mesure v\u00e9rifi\u00e9 se focalise sur les dimensions cardinales de l’acceptation technologique appliqu\u00e9e \u00e0 l’apprentissage nomade : l’auto-efficacit\u00e9 mobile (MLSE), l’optimisme (OPT), l’apprentissage autodirig\u00e9 (SDL), le plaisir per\u00e7u \/ la motivation intrins\u00e8que (PE), l’utilit\u00e9 per\u00e7ue \/ la motivation extrins\u00e8que (PU) et l’intention comportementale (BI). L’ensemble des construits continus est \u00e9valu\u00e9 par le biais d’une \u00e9chelle de r\u00e9ponse de type Likert en 7 points, tandis que le lieu de contr\u00f4le repose sur un choix forc\u00e9 dichotomique. Les propri\u00e9t\u00e9s psychom\u00e9triques \u00e9tablies aupr\u00e8s d’un \u00e9chantillon diversifi\u00e9 de la population g\u00e9n\u00e9rale adulte d\u00e9montrent une fid\u00e9lit\u00e9 de coh\u00e9rence interne exceptionnelle, avec des coefficients alpha de Cronbach<\/a> s’\u00e9tendant de 0,87 \u00e0 0,95 et une fiabilit\u00e9 composite (CR) oscillant entre 0,90 et 0,97. La validit\u00e9 convergente est confirm\u00e9e par des variances moyennes extraites (AVE) syst\u00e9matiquement sup\u00e9rieures au seuil conventionnel de 0,50 (s’\u00e9tablissant toutes au-del\u00e0 de 0,59 et atteignant 0,91 pour l’intention d’usage). La validit\u00e9 discriminante, v\u00e9rifi\u00e9e via le crit\u00e8re de Fornell-Larcker et l’analyse des charges crois\u00e9es, atteste d’une parfaite diff\u00e9renciation factorielle des dimensions latentes, positionnant cet inventaire comme une r\u00e9f\u00e9rence incontournable pour la recherche empirique et l’ing\u00e9nierie techno-p\u00e9dagogique contemporaine.<\/p>\n Apprentissage mobile, m-learning, mod\u00e8le d’acceptation de la technologie, motivation intrins\u00e8que, motivation extrins\u00e8que, auto-efficacit\u00e9 informatique, psychom\u00e9trie, Big Five, lieu de contr\u00f4le, intention comportementale, validit\u00e9 convergente, mod\u00e9lisation par \u00e9quations structurelles.<\/p>\n L’inventaire et le mod\u00e8le th\u00e9orique associ\u00e9 ont \u00e9t\u00e9 con\u00e7us et valid\u00e9s scientifiquement par une \u00e9quipe de chercheurs sp\u00e9cialis\u00e9s en syst\u00e8mes d’information, gestion internationale et technologies \u00e9ducatives :<\/p>\n Le d\u00e9veloppement de l’inventaire du mod\u00e8le de mesure des facteurs d\u00e9terminants de l’utilisation des applications d’apprentissage mobile r\u00e9pond \u00e0 un imp\u00e9ratif \u00e9pist\u00e9mologique et appliqu\u00e9 majeur : comprendre les m\u00e9canismes psychologiques et cognitifs profonds qui incitent ou freinent l’appropriation des dispositifs p\u00e9dagogiques d\u00e9mat\u00e9rialis\u00e9s sur ordiphone (smartphones<\/em> et tablettes). Alors que la prolif\u00e9ration des environnements d’apprentissage mobiles (m-learning<\/em>) a profond\u00e9ment reconfigur\u00e9 l’acc\u00e8s au savoir dans l’enseignement sup\u00e9rieur et la formation continue, les mod\u00e8les traditionnels d’adoption technologique ont fr\u00e9quemment \u00e9t\u00e9 critiqu\u00e9s pour leur surrepr\u00e9sentation des facteurs purement utilitaires, n\u00e9gligeant les dispositions stables de la personnalit\u00e9 et les profils d’autonomie des apprenants.<\/p>\n L’objectif fondamental de cet instrument psychom\u00e9trique est d’op\u00e9rationnaliser un mod\u00e8le d’\u00e9valuation int\u00e9gratif reliant la structure de la personnalit\u00e9 de l’individu (th\u00e9orie dispositionnelle), sa pr\u00e9paration psychologique et technique \u00e0 l’\u00e9gard du m-learning, ses d\u00e9terminants motivationnels (h\u00e9doniques et instrumentaux), et son engagement effectif formalis\u00e9 par l’intention d’usage. Il s’agit de d\u00e9passer le clivage traditionnel entre les perspectives d\u00e9terministes technologiques et les th\u00e9ories humanistes de l’apprentissage en procurant aux chercheurs un inventaire standardis\u00e9 capable de quantifier simultan\u00e9ment les ant\u00e9c\u00e9dents distaux (personnalit\u00e9, lieu de contr\u00f4le) et les ant\u00e9c\u00e9dents proximaux (perception d’utilit\u00e9, d’amusement et auto-efficacit\u00e9).<\/p>\n Dans le domaine de la recherche empirique, cet outil offre une base standardis\u00e9e pour explorer les m\u00e9diations et mod\u00e9rations complexes r\u00e9gissant l’\u00e9cologie num\u00e9rique des apprenants adultes. Il permet d’analyser pourquoi des individus dot\u00e9s de comp\u00e9tences num\u00e9riques \u00e9quivalentes manifestent des niveaux d’adh\u00e9sion hautement divergents face aux plateformes d’apprentissage mobile. En milieu acad\u00e9mique et organisationnel, l’inventaire permet de concevoir des diagnostics techno-p\u00e9dagogiques pr\u00e9alables : les concepteurs de syst\u00e8mes d’instruction mobile peuvent identifier avec pr\u00e9cision les dimensions fragilis\u00e9es chez un groupe cible (par exemple, un faible sentiment d’auto-efficacit\u00e9 mobile ou un d\u00e9ficit de comp\u00e9tences autodirig\u00e9es) afin d’adapter l’\u00e9chafaudage p\u00e9dagogique, la gamification ou l’ergonomie de l’interface utilisateur.<\/p>\n L’inventaire op\u00e9rationnalise un ensemble de dimensions latentes interconnect\u00e9es qui d\u00e9crivent l’\u00e9cosyst\u00e8me cognitif et affectif de l’utilisateur d’applications mobiles d’apprentissage :<\/p>\n Ancr\u00e9e dans la th\u00e9orie sociale cognitive de Bandura, cette dimension \u00e9value la croyance subjective de l’apprenant en ses capacit\u00e9s organisationnelles et techniques \u00e0 exploiter avec succ\u00e8s les fonctionnalit\u00e9s d’un environnement mobile pour acqu\u00e9rir des connaissances. L’auto-efficacit\u00e9 ne refl\u00e8te pas la ma\u00eetrise technique objective, mais le sentiment de comp\u00e9tence personnelle face \u00e0 la recherche, au t\u00e9l\u00e9chargement, \u00e0 la navigation et \u00e0 l’exploitation p\u00e9dagogique des applications.<\/p>\n L’optimisme mesure une disposition cognitive positive \u00e0 l’\u00e9gard de la technologie mobile, per\u00e7ue comme un catalyseur d’efficience, d’autonomie et de contr\u00f4le accru sur la vie quotidienne et la gestion des apprentissages. Un score \u00e9lev\u00e9 d\u00e9note la conviction que le num\u00e9rique offre une flexibilit\u00e9 lib\u00e9ratrice et d\u00e9mocratise l’acc\u00e8s au savoir pour des profils d’apprenants diversifi\u00e9s, surpassant les contextes p\u00e9dagogiques magistraux classiques.<\/p>\n Cette dimension cognitive et m\u00e9tacognitive r\u00e9f\u00e8re \u00e0 l’aptitude de l’individu \u00e0 piloter activement son propre cursus d’acquisition du savoir. Elle englobe la capacit\u00e9 \u00e0 identifier avec clairvoyance ses besoins formatifs, \u00e0 planifier un calendrier d’\u00e9tude structur\u00e9 au sein de l’environnement applicatif, et \u00e0 maintenir une discipline de gestion du temps exempte de procrastination, \u00e9l\u00e9ment particuli\u00e8rement critique dans les contextes nomades caract\u00e9ris\u00e9s par une surcharge de stimuli distractifs.<\/p>\n Conceptualis\u00e9e selon la th\u00e9orie de l’autod\u00e9termination et les travaux de Davis et al. (1992), cette variable mesure le degr\u00e9 d’agr\u00e9ment, de divertissement et de satisfaction h\u00e9donique inh\u00e9rent \u00e0 l’interaction avec l’application mobile en tant que telle, ind\u00e9pendamment de toute r\u00e9compense ext\u00e9rieure ou performance acad\u00e9mique anticip\u00e9e.<\/p>\n Cette composante instrumentale quantifie la mesure dans laquelle l’apprenant estime que l’usage de l’application optimise directement son rendement scolaire ou professionnel, am\u00e9liore sa productivit\u00e9 d’apprentissage, et renforce l’efficacit\u00e9 globale de l’assimilation des connaissances.<\/p>\n Consid\u00e9r\u00e9e comme le pr\u00e9dicteur imm\u00e9diat le plus robuste de l’adoption r\u00e9elle d’un syst\u00e8me dans les mod\u00e8les psychosociaux, l’intention comportementale \u00e9value la r\u00e9solution volontaire, la planification prospective et la propension d\u00e9clar\u00e9e de l’individu \u00e0 recourir fr\u00e9quemment aux applications d’apprentissage mobile \u00e0 l’avenir, incluant la prescription aupr\u00e8s de ses pairs.<\/p>\n L’ancrage th\u00e9orique du DMLU-MM repose sur une synth\u00e8se interdisciplinaire int\u00e9grant la th\u00e9orie de l’action raisonn\u00e9e (Fishbein & Ajzen, 1975), le mod\u00e8le d’acceptation de la technologie<\/a> (TAM ; Davis, 1989 ; Davis et al., 1992), la th\u00e9orie de l’autod\u00e9termination<\/a> (Deci & Ryan, 2000), le mod\u00e8le dispositionnel des Big Five (Goldberg, 1990 ; John et al., 1991) et la th\u00e9orie de l’apprentissage social (Rotter, 1966 ; Bandura, 1997).<\/p>\n Dans la formulation classique du TAM, l’utilit\u00e9 per\u00e7ue et la facilit\u00e9 d’utilisation per\u00e7ue conditionnent l’attitude et l’intention comportementale. Toutefois, Davis et al. (1992) ont rapidement \u00e9tabli que l’utilit\u00e9 per\u00e7ue fonctionne comme l’\u00e9quivalent cognitif de la motivation extrins\u00e8que<\/em>, tandis que le plaisir per\u00e7u (perceived enjoyment<\/em>) incarne la motivation intrins\u00e8que<\/em>. L’int\u00e9gration de ces deux leviers motivationnels permet de rendre compte du comportement d’individus naviguant dans un \u00e9cosyst\u00e8me num\u00e9rique o\u00f9 l’apprentissage n’est plus seulement une obligation utilitaire, mais \u00e9galement une exp\u00e9rience immersive et engageante.<\/p>\n Cependant, les auteurs de l’inventaire postulent que ces facteurs motivationnels ne surgissent pas dans un vide psychologique. Ils sont d\u00e9termin\u00e9s en amont par des variables dispositionnelles profondes :<\/p>\n Le mod\u00e8le structurel global postule ainsi une cha\u00eene causale s\u00e9quentielle allant des traits dispositionnels distaux vers la pr\u00e9paration technologique et les motivations proximale, aboutissant in fine<\/em> \u00e0 l’intention comportementale.<\/p>\n L’\u00e9valuation des propri\u00e9t\u00e9s m\u00e9trologiques du mod\u00e8le de mesure a \u00e9t\u00e9 r\u00e9alis\u00e9e selon les exigences de la mod\u00e9lisation par \u00e9quations structurelles bas\u00e9e sur la m\u00e9thode des moindres carr\u00e9s partiels (PLS-SEM), conform\u00e9ment aux recommandations de Hair et al. (2017). Les analyses de validit\u00e9 de construit se sont articul\u00e9es autour de l’estimation rigoureuse de la validit\u00e9 convergente et de la validit\u00e9 discriminante.<\/p>\n La validit\u00e9 convergente v\u00e9rifie le degr\u00e9 de corr\u00e9lation entre les indicateurs th\u00e9oriquement associ\u00e9s \u00e0 un m\u00eame construit latent. Elle a \u00e9t\u00e9 sanctionn\u00e9e par deux crit\u00e8res statistiques :<\/p>\n La validit\u00e9 discriminante s’assure qu’un construit donn\u00e9 se distingue empiriquement des autres construits du r\u00e9seau nomologique. Deux m\u00e9thodologies compl\u00e9mentaires ont \u00e9t\u00e9 d\u00e9ploy\u00e9es :<\/p>\n L’estimation de la coh\u00e9rence interne des \u00e9chelles composant le DMLU-MM a \u00e9t\u00e9 conduite via le calcul conjoint de l’alpha de Cronbach ($\u0007lpha$<\/span>) et de la fiabilit\u00e9 composite (Composite Reliability<\/em> – CR), cette derni\u00e8re fournissant une estimation moins biais\u00e9e de la fid\u00e9lit\u00e9 en ne postulant pas une \u00e9quivalence des poids de mesure (tau-\u00e9quivalence).<\/p>\n Les indices psychom\u00e9triques obtenus aupr\u00e8s de la population g\u00e9n\u00e9rale adulte mettent en \u00e9vidence une fid\u00e9lit\u00e9 d’une excellente tenue m\u00e9thodologique, tr\u00e8s largement sup\u00e9rieure aux seuils d’acceptabilit\u00e9 habituels (0,70 en recherche exploratoire, 0,80 en \u00e9valuation confirmatoire) :<\/p>\n Ces coefficients \u00e9lev\u00e9s attestent d’une variance d’erreur de mesure particuli\u00e8rement restreinte, garantissant une reproductibilit\u00e9 optimale des scores lors de passations r\u00e9p\u00e9t\u00e9es ou d’enqu\u00eates \u00e0 large \u00e9chelle.<\/p>\n La validation factorielle du mod\u00e8le de mesure s’est inscrite dans une d\u00e9marche confirmatoire par mod\u00e9lisation d’\u00e9quations structurelles, tous les construits focaux \u00e9tant sp\u00e9cifi\u00e9s sur un mode r\u00e9flexif. Conform\u00e9ment \u00e0 la d\u00e9marche d’\u00e9puration psychom\u00e9trique recommand\u00e9e dans le paradigme PLS-SEM :<\/p>\n Lors de la phase initiale d’estimation factorielle, une analyse des saturations externes (indicator loadings<\/em>) a \u00e9t\u00e9 r\u00e9alis\u00e9e pour v\u00e9rifier l’homog\u00e9n\u00e9it\u00e9 des items au regard de leurs construits respectifs. Un seuil critique de coupure de 0,70 a \u00e9t\u00e9 appliqu\u00e9 pour s’assurer que chaque item explique plus de la moiti\u00e9 de sa propre variance au profit du facteur latent.<\/p>\n Cette \u00e9tape de calcul pr\u00e9liminaire a r\u00e9v\u00e9l\u00e9 que plusieurs items pr\u00e9sentaient des charges factorielles sub-optimales (< 0,70), entra\u00eenant leur \u00e9limination cibl\u00e9e afin de pr\u00e9server l’invariance et la robustesse de l’espace factoriel :<\/p>\n \u00c0 la suite de cette purge syst\u00e9matique, un recalcul du mod\u00e8le structural a confirm\u00e9 que l’ensemble des indicateurs r\u00e9siduels pr\u00e9sentait des saturations factorielles univoques et hautement significatives (valeurs comprises entre 0,73 et 0,95, toutes \u00e0 $p < 0,001$<\/span>). Dans le mod\u00e8le final focalis\u00e9 sur l’acceptation et les dimensions fonctionnelles du m-learning, les 22 items v\u00e9rifi\u00e9s se distribuent de mani\u00e8re nette sur les facteurs latents d’auto-efficacit\u00e9 (MLSE), d’optimisme (OPT), d’apprentissage autodirig\u00e9 (SDL), de motivation intrins\u00e8que\/plaisir (PE), de motivation extrins\u00e8que\/utilit\u00e9 (PU) et d’intention comportementale (BI), fournissant une ad\u00e9quation globale empiriquement irr\u00e9prochable.<\/p>\n L’instrument se pr\u00e9sente sous la forme d’un questionnaire standardis\u00e9 structur\u00e9 comme suit :<\/p>\n Les sources conceptuelles, empiriques et m\u00e9thodologiques ayant pr\u00e9sid\u00e9 \u00e0 l’\u00e9laboration et \u00e0 la validation du mod\u00e8le sont les suivantes :<\/p>\n Response scale:<\/strong> All measures, with the exception of locus of control, are scored using 7-point Likert scales.<\/p>\n Analyse psychom\u00e9trique d\u00e9taill\u00e9e de l’inventaire du mod\u00e8le de mesure des facteurs d\u00e9terminants de l’utilisation des applications d’apprentissage mobile (DMLU-MM) d\u00e9velopp\u00e9 par Yeh et al. (2023).<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[647,2,1844],"tags":[16541,25600,398,1161,197,25599,350,16,2507],"class_list":["post-16059","psych_scale","type-psych_scale","status-publish","hentry","category-psychologie-cognitive","category-psychometrie","category-technologies-educatives","tag-acceptation-de-la-technologie","tag-apprentissage-mobile","tag-auto-efficacite","tag-big-five","tag-echelle-de-mesure","tag-m-learning","tag-motivation-intrinseque","tag-psychometrie","tag-tam"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/16059","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=16059"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/16059\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=16059"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=16059"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=16059"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. Mots-cl\u00e9s<\/h2>\n
3. Auteurs<\/h2>\n
\n
4. Objectif<\/h2>\n
5. Construit psychologique<\/h2>\n
Auto-efficacit\u00e9 li\u00e9e \u00e0 l’apprentissage mobile (Mobile Learning Self-Efficacy – MLSE<\/em>)<\/h3>\n
Optimisme technologique (Optimism – OPT<\/em>)<\/h3>\n
Apprentissage autodirig\u00e9 (Self-Directed Learning – SDL<\/em>)<\/h3>\n
Motivation intrins\u00e8que \/ Plaisir per\u00e7u (Intrinsic Motivation \/ Perceived Enjoyment – PE<\/em>)<\/h3>\n
Motivation extrins\u00e8que \/ Utilit\u00e9 per\u00e7ue (Extrinsic Motivation \/ Perceived Usefulness – PU<\/em>)<\/h3>\n
Intention comportementale d’utilisation (Behavioral Intention to Use – BI<\/em>)<\/h3>\n
6. Cadre th\u00e9orique<\/h2>\n
\n
7. Validit\u00e9<\/h2>\n
Validit\u00e9 convergente<\/h3>\n
\n
Validit\u00e9 discriminante<\/h3>\n
\n
8. Fid\u00e9lit\u00e9<\/h2>\n
\n
9. Analyse factorielle<\/h2>\n
\n
10. Instrument de mesure<\/h2>\n
\n
11. Permissions, Tarifs et Ann\u00e9e du test<\/h2>\n
\n
12. R\u00e9f\u00e9rences<\/h2>\n
\n
13. Questions et items du questionnaire<\/h2>\n
\n