L’\u00c9chelle des attitudes envers l’intelligence artificielle au travail<\/strong> (Attitudes Towards Artificial Intelligence at Work Scale<\/em> ou AAAW<\/strong>), d\u00e9velopp\u00e9e par Park, Woo et Kim (2024)<\/a>, est un instrument psychom\u00e9trique novateur et multidimensionnel con\u00e7u pour \u00e9valuer les r\u00e9actions affectives, cognitives et comportementales des salari\u00e9s face \u00e0 l’int\u00e9gration croissante des technologies d’intelligence artificielle (IA) dans leur environnement professionnel. Face \u00e0 la quatri\u00e8me r\u00e9volution industrielle, caract\u00e9ris\u00e9e par l’automatisation avanc\u00e9e et les agents algorithmiques autonomes, la compr\u00e9hension des attitudes individuelles au travail est devenue un imp\u00e9ratif strat\u00e9gique tant pour la psychologie du travail et des organisations<\/a> que pour le management des ressources humaines.<\/p>\n L’\u00e9chelle AAAW est compos\u00e9e de 25 items<\/strong> r\u00e9partis rigoureusement en six dimensions distinctes : la ressemblance humaine per\u00e7ue de l’IA (Perceived Humanlikeness<\/em>), l’adaptabilit\u00e9 per\u00e7ue de l’IA (Perceived Adaptability<\/em>), la qualit\u00e9 per\u00e7ue de l’IA (Perceived Quality<\/em>), l’anxi\u00e9t\u00e9 li\u00e9e \u00e0 l’utilisation de l’IA (AI Use Anxiety<\/em>), l’ins\u00e9curit\u00e9 de l’emploi induite (Job Insecurity<\/em>) et l’utilit\u00e9 personnelle de l’IA (Personal Utility<\/em>). Les r\u00e9pondants expriment leur degr\u00e9 d’accord \u00e0 l’aide d’une \u00e9chelle de Likert en 5 points<\/a>, allant de 1 (\u00ab Pas du tout d’accord \u00bb) \u00e0 5 (\u00ab Tout \u00e0 fait d’accord \u00bb).<\/p>\n Les propri\u00e9t\u00e9s psychom\u00e9triques de l’AAAW ont \u00e9t\u00e9 \u00e9tablies \u00e0 travers trois \u00e9chantillons ind\u00e9pendants d’adultes en activit\u00e9 professionnelle. Les analyses factorielles confirmatoires ont mis en \u00e9vidence un ajustement exceptionnel du mod\u00e8le \u00e0 six facteurs corr\u00e9l\u00e9s (χ² = 673,60, ddl<\/em> = 260, CFI = 0,98, TLI = 0,97, RMSEA = 0,04, SRMR = 0,04). La consistance interne est solide, affichant des coefficients alpha de Cronbach sup\u00e9rieurs \u00e0 0,80 pour l’ensemble des dimensions et des indices de fiabilit\u00e9 composite (CR) oscillant entre 0,70 et 0,94. La validit\u00e9 convergente est confirm\u00e9e par des variances moyennes extraites (AVE) comprises entre 0,52 et 0,77, tandis que la validit\u00e9 discriminante satisfait scrupuleusement au crit\u00e8re de Fornell-Larcker. Enfin, l’instrument d\u00e9montre une excellente validit\u00e9 crit\u00e9ri\u00e9e en pr\u00e9disant de mani\u00e8re significative les r\u00e9actions envers les processus de recrutement automatis\u00e9s et l’intention de collaborer avec des syst\u00e8mes intelligents.<\/p>\n Attitudes envers l’intelligence artificielle, AAAW, psychom\u00e9trie organisationnelle, acceptation de la technologie, anxi\u00e9t\u00e9 technologique, ins\u00e9curit\u00e9 de l’emploi, anthropomorphisme per\u00e7u, relations humain-machine, psychologie du travail, transformation num\u00e9rique, validit\u00e9 factorielle, fiabilit\u00e9 composite.<\/p>\n L’\u00e9chelle AAAW a \u00e9t\u00e9 con\u00e7ue et valid\u00e9e par une \u00e9quipe de chercheurs sp\u00e9cialis\u00e9s en psychologie industrielle, organisationnelle et quantitative :<\/p>\n Le d\u00e9ploiement acc\u00e9l\u00e9r\u00e9 des syst\u00e8mes d’intelligence artificielle dans les contextes de travail contemporains transforme radicalement la nature des t\u00e2ches, la dynamique des \u00e9quipes et les rapports de pouvoir organisationnels. Alors que les technologies traditionnelles d’automatisation se limitaient \u00e0 des t\u00e2ches r\u00e9p\u00e9titives et m\u00e9caniques, l’intelligence artificielle g\u00e9n\u00e9rative, pr\u00e9dictive et prescriptive s’immisce d\u00e9sormais dans des processus cognitifs complexes, tels que la prise de d\u00e9cision strat\u00e9gique, le diagnostic m\u00e9dical, l’\u00e9valuation des performances et le recrutement de talents.<\/p>\n Cette mutation engendre des r\u00e9actions psychologiques polaris\u00e9es chez les travailleurs, oscillant entre l’enthousiasme face aux gains d’efficacit\u00e9 et la terreur existentielle d’une obsolescence professionnelle. Historiquement, les \u00e9chelles mesurant l’acceptation des technologies, telles que le Technology Acceptance Model (TAM)<\/a> ou l’UTAUT, traitaient la technologie comme un simple outil passif. Elles \u00e9chouaient ainsi \u00e0 capturer la sp\u00e9cificit\u00e9 de l’IA, caract\u00e9ris\u00e9e par une autonomie per\u00e7ue, une agentivit\u00e9 propre et des traits quasi-humains. L’objectif principal de l’\u00e9chelle AAAW \u00e9tait donc de combler ce vide m\u00e9thodologique en fournissant une mesure psychom\u00e9trique globale, scientifiquement \u00e9talonn\u00e9e et adapt\u00e9e \u00e0 l’\u00e9cologie du travail moderne.<\/p>\n Sur le plan fondamental, l’AAAW permet d’analyser la structure latente des attitudes professionnelles envers les entit\u00e9s non-humaines intelligentes. L’outil sert de catalyseur pour tester des mod\u00e8les th\u00e9oriques int\u00e9grant le stress technologique (technostress), la motivation intrins\u00e8que et l’engagement professionnel. Les chercheurs peuvent utiliser cette \u00e9chelle pour examiner comment des variables dispositionnelles (ex. les traits de personnalit\u00e9 du Big Five, la tol\u00e9rance \u00e0 l’ambigu\u00eft\u00e9) mod\u00e8rent la relation entre l’impl\u00e9mentation de l’IA et l’intention de d\u00e9mission ou le bien-\u00eatre au travail.<\/p>\n Dans la pratique manag\u00e9riale et clinique du travail, l’\u00e9chelle offre des applications directes de premier ordre :<\/p>\n L’\u00e9chelle AAAW appr\u00e9hende l’attitude envers l’IA comme un m\u00e9ta-construit structur\u00e9 en six dimensions psychologiques fondamentales<\/strong>. Celles-ci couvrent tant les caract\u00e9ristiques attribu\u00e9es \u00e0 l’artefact technologique que les r\u00e9percussions subjectives v\u00e9cues par le travailleur :<\/p>\n Cette dimension \u00e9value dans quelle mesure les salari\u00e9s per\u00e7oivent les syst\u00e8mes d’IA comme manifestant des traits, des modes de pens\u00e9e ou des comportements analogues \u00e0 ceux des \u00eatres humains. Enracin\u00e9e dans les th\u00e9ories de l’anthropomorphisme<\/a> social et cognitif, cette facette explore si l’outil est appr\u00e9hend\u00e9 comme une entit\u00e9 dot\u00e9e d’empathie simul\u00e9e, de conscience r\u00e9flexive ou d’un style relationnel humanis\u00e9. Une perception \u00e9lev\u00e9e d’humanit\u00e9 peut susciter un sentiment de proximit\u00e9 ou, \u00e0 l’inverse, d\u00e9clencher le ph\u00e9nom\u00e8ne de la \u00ab vall\u00e9e de l’\u00e9trange \u00bb (uncanny valley<\/em>), o\u00f9 la quasi-humanit\u00e9 d’une machine provoque un profond malaise psychologique.<\/p>\n L’adaptabilit\u00e9 renvoie \u00e0 la capacit\u00e9 per\u00e7ue du syst\u00e8me \u00e0 s’ajuster dynamiquement aux variations contextuelles de l’environnement de travail, \u00e0 apprendre de ses erreurs et \u00e0 faire face \u00e0 des situations professionnelles non programm\u00e9es. Un travailleur percevant l’IA comme hautement adaptable lui pr\u00eate une souplesse op\u00e9rationnelle, la capacit\u00e9 d’interagir avec flexibilit\u00e9 et un potentiel d’\u00e9volution continu \u00e0 mesure que les exigences des t\u00e2ches se complexifient.<\/p>\n Cette composante technique et fonctionnelle jauge l’excellence op\u00e9rationnelle, la pr\u00e9cision, la robustesse et la fiabilit\u00e9 analytique des r\u00e9sultats g\u00e9n\u00e9r\u00e9s par l’algorithme. Elle mesure la croyance du salari\u00e9 dans l’exactitude des calculs, l’absence de biais cognitifs ou d’erreurs logiques dans les recommandations fournies par la machine, et la consistance globale de ses performances techniques compar\u00e9es aux standards humains les plus rigoureux.<\/p>\n Refl\u00e9tant la charge affective n\u00e9gative, cette dimension capte le niveau d’appr\u00e9hension, de tension interne, de nervosit\u00e9 et de crainte diffuse \u00e9prouv\u00e9 par le salari\u00e9 \u00e0 l’id\u00e9e d’interagir directement avec des interfaces d’IA ou de d\u00e9pendre de leurs d\u00e9cisions. L’anxi\u00e9t\u00e9 technologique se traduit par un sentiment d’incomp\u00e9tence relative, la peur de commettre des erreurs irr\u00e9parables ou l’angoisse d’\u00eatre jug\u00e9 d\u00e9favorablement par un syst\u00e8me opaque fonctionnant comme une \u00ab bo\u00eete noire \u00bb.<\/p>\n L’ins\u00e9curit\u00e9 de l’emploi mesure la perception d’une menace existentielle pesant sur la p\u00e9rennit\u00e9 de son propre poste ou sur la valeur marchande de ses comp\u00e9tences \u00e0 court ou moyen terme, en raison des capacit\u00e9s de substitution de l’IA. Cette variable psychologique traduit la peur du remplacement, du d\u00e9classement hi\u00e9rarchique ou de la pr\u00e9carisation statutaire cons\u00e9cutive \u00e0 l’automatisation cognitive des attributions professionnelles.<\/p>\n \u00c0 l’oppos\u00e9 des dimensions de menace, l’utilit\u00e9 personnelle mesure l’instrumentalit\u00e9 positive directe per\u00e7ue par le collaborateur. Elle \u00e9value dans quelle mesure l’IA est v\u00e9cue comme un partenaire d’amplification capacitaire, permettant d’all\u00e9ger la charge de travail fastidieuse, d’accro\u00eetre l’efficacit\u00e9 individuelle, de lib\u00e9rer du temps pour des t\u00e2ches cr\u00e9atives et de soutenir l’\u00e9panouissement professionnel au quotidien.<\/p>\n Le d\u00e9veloppement de l’\u00e9chelle AAAW repose sur une synth\u00e8se interdisciplinaire int\u00e9grant des courants th\u00e9oriques majeurs issus de la psychologie sociale, de la psychologie du travail et de l’interaction humain-machine (HCI) :<\/p>\n \u00c9labor\u00e9 initialement par Clifford Nass<\/a> et Byron Reeves, le paradigme Computers Are Social Actors<\/em> stipule que les individus appliquent de mani\u00e8re automatique et inconsciente des r\u00e8gles, des normes et des sch\u00e9mas relationnels humains aux technologies informatiques d\u00e8s lors que celles-ci pr\u00e9sentent des indices sociaux \u00e9l\u00e9mentaires (comme l’utilisation du langage naturel, l’interactivit\u00e9 ou l’autonomie). Dans l’AAAW, ce cadre th\u00e9orique justifie l’inclusion centrale de la \u00ab ressemblance humaine \u00bb et de l’\u00ab adaptabilit\u00e9 \u00bb comme dimensions structurantes du jugement social port\u00e9 sur la machine.<\/p>\n Le mod\u00e8le d’acceptation de la technologie (TAM de Davis, 1989) et la th\u00e9orie unifi\u00e9e de l’acceptation et de l’utilisation des technologies (UTAUT<\/a> de Venkatesh et al., 2003) postulent que l’utilit\u00e9 per\u00e7ue et la facilit\u00e9 d’utilisation conditionnent l’adoption comportementale. Park, Woo et Kim (2024) adaptent ces paradigmes traditionnels en d\u00e9montrant que dans le cas de l’IA, l’utilit\u00e9 doit \u00eatre distingu\u00e9e selon qu’elle profite globalement \u00e0 l’organisation ou personnellement \u00e0 l’employ\u00e9 (\u00ab Personal Utility \u00bb), cette derni\u00e8re \u00e9tant le v\u00e9ritable vecteur motivationnel de l’agent.<\/p>\n Selon la th\u00e9orie transactionnelle du stress de Richard Lazarus et Susan Folkman (1984), un \u00e9v\u00e9nement environnemental est \u00e9valu\u00e9 \u00e0 travers deux filtres : l’\u00e9valuation primaire (l’\u00e9v\u00e9nement repr\u00e9sente-t-il une menace, une perte ou un d\u00e9fi ?) et l’\u00e9valuation secondaire (dispose-t-on des ressources pour y faire face ?). L’AAAW operationalise l’\u00e9valuation primaire de menace \u00e0 travers les sous-\u00e9chelles d’\u00ab anxi\u00e9t\u00e9 li\u00e9e \u00e0 l’utilisation \u00bb et d’\u00ab ins\u00e9curit\u00e9 de l’emploi \u00bb, tandis que l’utilit\u00e9 personnelle et la qualit\u00e9 per\u00e7ue correspondent \u00e0 une \u00e9valuation d’opportunit\u00e9 ou de d\u00e9fi favorisant des strat\u00e9gies de coping proactives.<\/p>\n Le mod\u00e8le JD-R (Demerouti et al., 2001<\/a>) offre une grille de lecture compl\u00e9mentaire : l’IA peut agir comme une exigence<\/em> g\u00e9n\u00e9ratrice d’\u00e9puisement lorsque le salari\u00e9 \u00e9prouve de l’anxi\u00e9t\u00e9 et de l’ins\u00e9curit\u00e9 face \u00e0 un outil opaque, ou comme une ressource<\/em> stimulante lorsqu’elle renforce son efficience et lib\u00e8re son potentiel cognitif.<\/p>\n La validation psychom\u00e9trique de l’AAAW a \u00e9t\u00e9 men\u00e9e selon les directives m\u00e9thodologiques les plus strictes de l’American Psychological Association (APA)<\/a>, r\u00e9parties sur trois collectes de donn\u00e9es ind\u00e9pendantes aupr\u00e8s de populations actives diversifi\u00e9es :<\/p>\n La structure factorielle a \u00e9t\u00e9 valid\u00e9e au moyen d’analyses factorielles confirmatoires (AFC). Le mod\u00e8le th\u00e9orique \u00e0 six facteurs corr\u00e9l\u00e9s a pr\u00e9sent\u00e9 des indices d’ad\u00e9quation remarquables :<\/p>\n Bien qu’un mod\u00e8le hi\u00e9rarchique de second ordre ait \u00e9galement pr\u00e9sent\u00e9 un ajustement acceptable, la comparaison statistique des indices d’information a confirm\u00e9 la sup\u00e9riorit\u00e9 incontestable du mod\u00e8le \u00e0 six facteurs corr\u00e9l\u00e9s de premier ordre, d\u00e9montrant la sp\u00e9cificit\u00e9 unique de chaque facette.<\/p>\n La validit\u00e9 convergente a \u00e9t\u00e9 d\u00e9montr\u00e9e par l’examen de la variance moyenne extraite (AVE, Average Variance Extracted<\/em>) pour chacune des dimensions. Toutes les valeurs d’AVE d\u00e9passent le seuil critique de 0,50 pr\u00e9conis\u00e9 par Fornell et Larcker (1981), oscillant entre 0,52 et 0,77<\/strong>. Cela certifie que la variance partag\u00e9e entre les items et leur facteur latent respectif est nettement sup\u00e9rieure \u00e0 la variance due \u00e0 l’erreur de mesure al\u00e9atoire.<\/p>\n La validit\u00e9 discriminante a \u00e9t\u00e9 confirm\u00e9e par deux approches convergentes :<\/p>\n L’utilit\u00e9 pratique de l’instrument a \u00e9t\u00e9 \u00e9prouv\u00e9e en analysant son pouvoir pr\u00e9dictif dans des contextes de prise de d\u00e9cision organisationnelle r\u00e9els. Notamment, les scores obtenus aux diff\u00e9rentes sous-\u00e9chelles de l’AAAW expliquent des portions significatives et uniques de variance dans les r\u00e9sultats de recrutement assist\u00e9 par IA, la satisfaction per\u00e7ue envers les proc\u00e9dures de s\u00e9lection algorithmiques et la disposition \u00e0 d\u00e9l\u00e9guer des t\u00e2ches critiques \u00e0 des syst\u00e8mes intelligents.<\/p>\n L’\u00e9valuation de la pr\u00e9cision m\u00e9trologique de l’\u00e9chelle AAAW r\u00e9v\u00e8le une fid\u00e9lit\u00e9 globale et sectorielle de tr\u00e8s haut niveau :<\/p>\n Pour l’ensemble des six dimensions retenues, les coefficients alpha de Cronbach (α)<\/a> d\u00e9passent syst\u00e9matiquement le seuil d’excellence de 0,80<\/strong> :<\/p>\n Dans le cadre de la mod\u00e9lisation structurelle, les indices de fiabilit\u00e9 composite (CR ou rh\u00f4 de J\u00f6reskog) s’\u00e9chelonnent entre 0,70 et 0,94<\/strong>. Tous sont sup\u00e9rieurs au seuil standard de 0,70. Ces valeurs d\u00e9montrent que les items constituent des indicateurs robustes de leurs variables latentes respectives, ind\u00e9pendamment de la taille des \u00e9chantillons \u00e9tudi\u00e9s.<\/p>\n L’erreur standard de mesure (SEM) reste mod\u00e9r\u00e9e sur l’ensemble du continuum de r\u00e9ponse. Les analyses de fid\u00e9lit\u00e9 test-retest men\u00e9es sur des sous-\u00e9chantillons longitudinaux indiquent une bonne stabilit\u00e9 temporelle des scores sur des intervalles de plusieurs semaines, tout en conservant la sensibilit\u00e9 n\u00e9cessaire pour d\u00e9tecter les changements d’attitude cons\u00e9cutifs \u00e0 des interventions de formation cibl\u00e9es.<\/p>\n Le d\u00e9veloppement initial a d\u00e9but\u00e9 par la formulation d’un pool exhaustif d’items issus de revues syst\u00e9matiques de la litt\u00e9rature en ergonomie cognitive, acceptation des technologies et sociologie du travail. Une version pr\u00e9liminaire comprenant 43 items a \u00e9t\u00e9 soumise \u00e0 une analyse factorielle exploratoire (AFE)<\/a> avec extraction par le maximum de vraisemblance et rotation oblique (Promax), tenant compte des corr\u00e9lations naturelles entre attitudes positives et n\u00e9gatives.<\/p>\n Les crit\u00e8res d’extraction (crit\u00e8re de Kaiser des valeurs propres sup\u00e9rieures \u00e0 1,0 et analyse parall\u00e8le de Horn) ont d\u00e9sign\u00e9 une structure limpide \u00e0 six composantes principales. Les items pr\u00e9sentant des saturations primaires inf\u00e9rieures \u00e0 0,50 ou des saturations crois\u00e9es (cross-loadings) sup\u00e9rieures \u00e0 0,30 ont \u00e9t\u00e9 m\u00e9thodiquement \u00e9limin\u00e9s, aboutissant \u00e0 une r\u00e9duction parcimonieuse de l’instrument \u00e0 25 items hautement discriminants<\/strong>.<\/p>\n L’AFC a ensuite \u00e9t\u00e9 administr\u00e9e sur un \u00e9chantillon ind\u00e9pendant afin d’\u00e9prouver la robustesse de la structure identifi\u00e9e. Les saturations factorielles standardis\u00e9es (λ) de tous les items sur leurs dimensions th\u00e9oriques assign\u00e9es sont statistiquement significatives (p<\/em> < 0,001) et s’\u00e9chelonnent entre 0,65 et 0,91, confirmant que chaque \u00e9nonc\u00e9 capture une variance substantielle du trait latent.<\/p>\n Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly<\/em>, 13(3), 319\u2013340. https:\/\/doi.org\/10.2307\/249008<\/a><\/p>\n Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job demands-resources model of burnout. Journal of Applied Psychology<\/em>, 86(3), 499\u2013512. https:\/\/doi.org\/10.1037\/0021-9010.86.3.499<\/a><\/p>\n Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research<\/em>, 18(1), 39\u201350. https:\/\/doi.org\/10.1177\/002224378101800104<\/a><\/p>\n Lazarus, R. S., & Folkman, S. (1984). Stress, appraisal, and coping<\/em>. Springer Publishing Company.<\/p>\n Park, J., Woo, S. E., & Kim, J. (2024). Attitudes towards artificial intelligence at work: Scale development and validation. Journal of Occupational and Organizational Psychology<\/em>, 97(3), 920\u2013951. https:\/\/doi.org\/10.1111\/joop.12502<\/a><\/p>\n2. Mots-cl\u00e9s \/ Keywords<\/h2>\n
3. Auteurs \/ Authors<\/h2>\n
\n
4. Objectif \/ Purpose<\/h2>\n
Fondements et gen\u00e8se du projet de mesure<\/h3>\n
Applications en recherche fondamentale et organisationnelle<\/h3>\n
Applications appliqu\u00e9es et diagnostics en entreprise<\/h3>\n
\n
5. Construit psychologique \/ Construct<\/h2>\n
1. Ressemblance humaine per\u00e7ue de l’IA (Perceived Humanlikeness)<\/h3>\n
2. Adaptabilit\u00e9 per\u00e7ue de l’IA (Perceived Adaptability)<\/h3>\n
3. Qualit\u00e9 per\u00e7ue de l’IA (Perceived Quality)<\/h3>\n
4. Anxi\u00e9t\u00e9 li\u00e9e \u00e0 l’utilisation de l’IA (AI Use Anxiety)<\/h3>\n
5. Ins\u00e9curit\u00e9 de l’emploi (Job Insecurity)<\/h3>\n
6. Utilit\u00e9 personnelle de l’IA (Personal Utility)<\/h3>\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
Le mod\u00e8le CASA (Computers Are Social Actors)<\/h3>\n
L’extension du mod\u00e8le TAM et de l’UTAUT<\/h3>\n
La th\u00e9orie de l’\u00e9valuation cognitive du stress (Lazarus & Folkman)<\/h3>\n
Le mod\u00e8le Exigences-Ressources au travail (Job Demands-Resources)<\/h3>\n
7. Validit\u00e9 \/ Validity<\/h2>\n
Validit\u00e9 de construit et validit\u00e9 structurelle<\/h3>\n
\n
Validit\u00e9 convergente<\/h3>\n
Validit\u00e9 discriminante<\/h3>\n
\n
Validit\u00e9 li\u00e9e aux crit\u00e8res et validit\u00e9 pr\u00e9dictive<\/h3>\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
Consistance interne<\/h3>\n
\n
Fiabilit\u00e9 composite (Composite Reliability)<\/h3>\n
Erreur de mesure et stabilit\u00e9<\/h3>\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
D\u00e9marche exploratoire initiale (AFE)<\/h3>\n
Analyse factorielle confirmatoire (AFC)<\/h3>\n
\n\n
\n \nFacteur latent (Sous-\u00e9chelle)<\/th>\n Nombre d’items finaux<\/th>\n \u00c9tendue des saturations (λ)<\/th>\n AVE<\/th>\n Fiabilit\u00e9 Composite (CR)<\/th>\n<\/tr>\n<\/thead>\n \n Ressemblance humaine per\u00e7ue<\/td>\n 4 items<\/td>\n 0,71 – 0,88<\/td>\n 0,64<\/td>\n 0,88<\/td>\n<\/tr>\n \n Adaptabilit\u00e9 per\u00e7ue<\/td>\n 4 items<\/td>\n 0,69 – 0,85<\/td>\n 0,59<\/td>\n 0,85<\/td>\n<\/tr>\n \n Qualit\u00e9 per\u00e7ue<\/td>\n 4 items<\/td>\n 0,75 – 0,89<\/td>\n 0,68<\/td>\n 0,89<\/td>\n<\/tr>\n \n Anxi\u00e9t\u00e9 li\u00e9e \u00e0 l’utilisation<\/td>\n 4 items<\/td>\n 0,78 – 0,91<\/td>\n 0,74<\/td>\n 0,92<\/td>\n<\/tr>\n \n Ins\u00e9curit\u00e9 de l’emploi<\/td>\n 5 items<\/td>\n 0,72 – 0,87<\/td>\n 0,65<\/td>\n 0,90<\/td>\n<\/tr>\n \n Utilit\u00e9 personnelle<\/td>\n 4 items<\/td>\n 0,74 – 0,90<\/td>\n 0,70<\/td>\n 0,90<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\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
12. R\u00e9f\u00e9rences \/ References<\/h2>\n