L’\u00c9chelle des risques et b\u00e9n\u00e9fices de l’intelligence artificielle<\/strong> (en anglais, AI Risks and Benefits Scale<\/em> ou ARBS<\/strong>), con\u00e7ue en 2024 par Sophie Kerstan, Nadine Bienefeld et Gudela Grote au sein de l’\u00c9cole polytechnique f\u00e9d\u00e9rale de Zurich (ETH Z\u00fcrich<\/a>), est un instrument psychom\u00e9trique standardis\u00e9 destin\u00e9 \u00e0 quantifier les perceptions individuelles relatives aux r\u00e9percussions potentielles des technologies d’intelligence artificielle (IA) dans le domaine de la sant\u00e9. Contrairement \u00e0 d’autres instruments focalis\u00e9s sur des dispositifs cliniques \u00e9troits (par exemple, des algorithmes d’imagerie diagnostique ou des agents conversationnels de t\u00e9l\u00e9m\u00e9decine), l’ARBS adopte une perspective g\u00e9n\u00e9rique permettant d’\u00e9valuer la valence des attitudes envers l’IA m\u00e9dicale sans ancrage exclusif dans un applicatif particulier.<\/p>\n L’\u00e9chelle comprend un total de 19 items<\/strong> r\u00e9partis en deux dimensions orthogonales principales : la perception des risques<\/em> (10 items) et la perception des b\u00e9n\u00e9fices<\/em> (9 items). L’administration s’effectue par auto-\u00e9valuation sur une \u00e9chelle de r\u00e9ponse ordinale de type Likert en sept points, allant de 1 (\u00ab Tr\u00e8s peu probable \u00bb) \u00e0 7 (\u00ab Tr\u00e8s probable \u00bb). Les propri\u00e9t\u00e9s m\u00e9trologiques initiales de l’instrument t\u00e9moignent d’une excellente consistance interne, illustr\u00e9e par des coefficients alpha de Cronbach<\/a> de 0,87<\/strong> pour la sous-\u00e9chelle des risques et de 0,84<\/strong> pour celle des b\u00e9n\u00e9fices. Les analyses factorielles confirmatoires (AFC<\/a>) corroborent la sup\u00e9riorit\u00e9 structurelle d’une mod\u00e9lisation multidimensionnelle dissociant distinctement les repr\u00e9sentations n\u00e9gatives et positives, par opposition \u00e0 un mod\u00e8le unidimensionnel o\u00f9 risques et b\u00e9n\u00e9fices constitueraient les p\u00f4les oppos\u00e9s d’un m\u00eame continuum. Cet outil s’av\u00e8re particuli\u00e8rement pertinent pour les chercheurs en psychologie de la sant\u00e9, en ergonomie cognitive et en interaction humain-machine (IHM), ainsi que pour les d\u00e9cideurs hospitaliers \u00e9valuant l’acceptabilit\u00e9 sociale des innovations algorithmiques.<\/p>\n Intelligence artificielle, perception des risques, perception des b\u00e9n\u00e9fices, psychom\u00e9trie, sant\u00e9 num\u00e9rique, acceptabilit\u00e9 des technologies, relation m\u00e9decin-patient, prise de d\u00e9cision clinique, ergonomie cognitive, fid\u00e9lit\u00e9 factorielle.<\/p>\n L’\u00e9chelle a \u00e9t\u00e9 d\u00e9velopp\u00e9e et valid\u00e9e par une \u00e9quipe de chercheurs rattach\u00e9s au d\u00e9partement de gestion, technologie et \u00e9conomie de l’ETH Z\u00fcrich en Suisse :<\/p>\n Adresse de correspondance :<\/strong> Sophie Kerstan, ETH Z\u00fcrich, Department of Management, Technology, and Economics, Work and Organizational Psychology, Weinbergstrasse 56\/58, 8092 Z\u00fcrich, Suisse.<\/p>\n L’introduction exponentielle de l’intelligence artificielle dans les syst\u00e8mes de sant\u00e9 soul\u00e8ve des interrogations fondamentales sur la confiance que les usagers et les professionnels accordent aux recommandations algorithmiques. L’objectif fondamental de l’ARBS est d’op\u00e9rationnaliser et de quantifier l’estimation probabiliste subjective des cons\u00e9quences n\u00e9gatives et positives attribu\u00e9es \u00e0 l’IA en pratique m\u00e9dicale. Alors que les avanc\u00e9es computationnelles promettent une d\u00e9tection pr\u00e9coce des pathologies et une r\u00e9duction drastique de l’iatrog\u00e9nie, une r\u00e9ticence marqu\u00e9e persiste au sein de la population g\u00e9n\u00e9rale, conduisant souvent \u00e0 ce que la litt\u00e9rature nomme \u00ab l’aversion pour les algorithmes \u00bb (algorithm aversion<\/em>).<\/p>\n Sur le plan th\u00e9orique, l’outil a \u00e9t\u00e9 initialement \u00e9labor\u00e9 pour diss\u00e9quer les m\u00e9canismes sous-jacents aux pr\u00e9f\u00e9rences individuelles entre les avis formul\u00e9s par des m\u00e9decins humains et ceux issus de syst\u00e8mes d’aide \u00e0 la d\u00e9cision informatis\u00e9s. Les instruments ant\u00e9rieurs souffraient fr\u00e9quemment d’un biais d’application sp\u00e9cifique (ex. \u00e9valuation exclusive de l’IA appliqu\u00e9e \u00e0 la radiologie oncologique ou aux logiciels de triage) ou confondaient la perception des risques avec l’anxi\u00e9t\u00e9 technologique g\u00e9n\u00e9rale. L’ARBS comble cette lacune en proposant un questionnaire contextuellement standardis\u00e9 mais technologiquement ind\u00e9pendant, permettant d’appr\u00e9hender le profil cognitif global de l’observateur face \u00e0 la transformation num\u00e9rique du soin.<\/p>\n Dans le domaine de la recherche empirique, l’ARBS permet de mod\u00e9liser le r\u00f4le m\u00e9diateur ou mod\u00e9rateur des croyances individuelles dans l’adoption des solutions d’e-sant\u00e9, la conformit\u00e9 aux traitements sugg\u00e9r\u00e9s par des syst\u00e8mes automatis\u00e9s et le consentement \u00e9clair\u00e9 num\u00e9rique. En pratique clinique et organisationnelle, cette \u00e9chelle offre aux directeurs d’\u00e9tablissements de sant\u00e9, aux ing\u00e9nieurs biom\u00e9dicaux et aux comit\u00e9s d’\u00e9thique un levier diagnostique pr\u00e9cieux pour cartographier les craintes pr\u00e9valentes (telles que la d\u00e9shumanisation de l’accompagnement th\u00e9rapeutique ou la d\u00e9faillance de la s\u00e9curit\u00e9 des donn\u00e9es) et les leviers d’adh\u00e9sion (tels que la rapidit\u00e9 de prise en charge ou la personnalisation des th\u00e9rapies). Une telle cartographie s’av\u00e8re indispensable pour \u00e9laborer des interventions psycho\u00e9ducatives et concevoir des interfaces d’IA explicables (explainable AI<\/em>) adapt\u00e9es aux attentes l\u00e9gitimes des patients et des soignants.<\/p>\n Le construit psychologique cibl\u00e9 par l’\u00e9chelle rel\u00e8ve de l’\u00e9valuation cognitive duale des technologies \u00e9mergentes, sp\u00e9cifiquement ancr\u00e9e dans le paradigme de l’\u00e9valuation probabiliste des risques et b\u00e9n\u00e9fices per\u00e7us. Dans la lign\u00e9e des travaux classiques en psychologie cognitive du risque, les individus ne traitent pas les b\u00e9n\u00e9fices et les risques comme les extr\u00e9mit\u00e9s oppos\u00e9es d’une variable bipolaire unique, mais \u00e9laborent deux repr\u00e9sentations cognitives distinctes, capables de coexister et d’interagir.<\/p>\n Cette composante explore le degr\u00e9 de certitude subjective avec lequel un individu anticipe des retomb\u00e9es d\u00e9l\u00e9t\u00e8res d\u00e9coulant de l’int\u00e9gration de l’IA en m\u00e9decine. Elle englobe plusieurs facettes ph\u00e9nom\u00e9nologiques du pr\u00e9judice :<\/p>\n Cette dimension \u00e9value l’anticipation positive de gains cliniques, diagnostiques et organisationnels d\u00e9coulant du d\u00e9ploiement de l’IA :<\/p>\n Le fondement th\u00e9orique de l’ARBS s’articule autour de la convergence de trois grands corpus th\u00e9oriques en psychologie et en sciences sociales :<\/p>\n Initi\u00e9 par Paul Slovic<\/a> et ses coll\u00e8gues de la Decision Research<\/em> \u00e0 la fin des ann\u00e9es 1970, le paradigme psychom\u00e9trique postule que le risque n’est pas une entit\u00e9 physique objectivement r\u00e9ductible \u00e0 un calcul actuariel (probabilit\u00e9 \u00d7 s\u00e9v\u00e9rit\u00e9), mais un construit multidimensionnel modul\u00e9 par des facteurs psychologiques subjectifs. Parmi ces facteurs figurent la contr\u00f4labilit\u00e9 per\u00e7ue, le potentiel catastrophique, la familiarit\u00e9 de la technologie et le degr\u00e9 d’effroi (dread risk<\/em>). Dans le contexte de l’IA en m\u00e9decine, l’ARBS op\u00e9rationnalise pr\u00e9cis\u00e9ment cette estimation en mesurant comment la peur de la d\u00e9faillance invisible des algorithmes active une heuristique de pr\u00e9caution.<\/p>\n Les mod\u00e8les de double processus (dual-process theories<\/em>) et les recherches de Finucane, Alhakami, Slovic et Johnson (2000) d\u00e9montrent que dans l’esprit du public, le risque et le b\u00e9n\u00e9fice per\u00e7us entretiennent g\u00e9n\u00e9ralement une corr\u00e9lation inverse spontan\u00e9e (si une technologie est aim\u00e9e, elle est jug\u00e9e hautement b\u00e9n\u00e9fique et peu risqu\u00e9e), bien que dans le monde r\u00e9el cette relation soit nulle ou positive. L’ARBS pr\u00e9serve l’ind\u00e9pendance structurelle des deux dimensions pour permettre de tester la validit\u00e9 empirique de l’heuristique de l’affect face aux technologies de sant\u00e9, o\u00f9 un individu peut simultan\u00e9ment reconna\u00eetre de gigantesques b\u00e9n\u00e9fices pr\u00e9dictifs tout en appr\u00e9hendant intens\u00e9ment la d\u00e9shumanisation clinique.<\/p>\n L’instrument s’adosse \u00e9galement aux prolongements du Mod\u00e8le d’Acceptation de la Technologie<\/a> (TAM ; Davis, 1989 ; Venkatesh et al., 2003) et aux mod\u00e8les de confiance automatis\u00e9e (Lee & See, 2004). Le TAM postule que l’utilit\u00e9 per\u00e7ue (analogue aux b\u00e9n\u00e9fices de l’ARBS) et la facilit\u00e9 d’utilisation conditionnent l’intention d’usage. Toutefois, l’ARBS int\u00e8gre les critiques modernes formul\u00e9es \u00e0 l’encontre du TAM en milieu hospitalier, qui soulignent l’insuffisance de la seule \u00ab utilit\u00e9 \u00bb et l’obligation d’int\u00e9grer formellement les dimensions \u00e9thiques, d\u00e9ontologiques et syst\u00e9miques du risque.<\/p>\n Le processus de validation de l’ARBS par Kerstan, Bienefeld et Grote (2024) a mobilis\u00e9 plusieurs crit\u00e8res psychom\u00e9triques conformes aux standards internationaux des Standards for Educational and Psychological Testing<\/em> :<\/p>\n Les 19 items initiaux ont \u00e9t\u00e9 d\u00e9riv\u00e9s d’une synth\u00e8se exhaustive de la litt\u00e9rature portant sur l’impact de l’IA en m\u00e9decine clinique, en int\u00e9grant notamment les taxonomies empiriques \u00e9tablies par Blease et al. (2019) concernant les attitudes des praticiens et des usagers. Une phase de pr\u00e9-test qualitative a permis de raffiner la formulation linguistique, d’\u00e9liminer les ambigu\u00eft\u00e9s s\u00e9mantiques et de s’assurer de l’ad\u00e9quation conceptuelle des descripteurs pour un public non expert en informatique m\u00e9dicale.<\/p>\n La validit\u00e9 de construit a \u00e9t\u00e9 rigoureusement d\u00e9montr\u00e9e par l’analyse factorielle confirmatoire. Les r\u00e9sultats soutiennent l’ind\u00e9pendance des polarit\u00e9s : un mod\u00e8le combinant artificiellement les repr\u00e9sentations des risques et des b\u00e9n\u00e9fices au sein d’un facteur latent de premier ordre unique a manifest\u00e9 un effondrement des indices statistiques de fid\u00e9lit\u00e9, confirmant que la perception des risques et la perception des b\u00e9n\u00e9fices ne sont pas r\u00e9ductibles \u00e0 un m\u00e9canisme psychologique unidimensionnel.<\/p>\n Dans l’\u00e9chantillon d’\u00e9talonnage de Kerstan et al. (2024), les scores obtenus \u00e0 l’ARBS pr\u00e9disent significativement les choix comportementaux et pr\u00e9f\u00e9rentiels des participants confront\u00e9s \u00e0 des arbitrages d\u00e9cisionnels simul\u00e9s (choix entre une prescription valid\u00e9e par un m\u00e9decin humain vs g\u00e9n\u00e9r\u00e9e par un algorithme d’IA). Un score \u00e9lev\u00e9 de perception des risques s’associait de mani\u00e8re robuste \u00e0 un rejet de l’option algorithmique, m\u00eame lorsque celle-ci affichait une pr\u00e9cision statistique sup\u00e9rieure, apportant une preuve tangible de validit\u00e9 crit\u00e9rielle externe.<\/p>\n La fid\u00e9lit\u00e9 de l’ARBS a fait l’objet d’\u00e9valuations de coh\u00e9rence interne approfondies lors de son administration aupr\u00e8s d’une cohorte d’adultes recrut\u00e9s via la plateforme Prolific :<\/p>\n L’erreur standard de mesure (SEM) se maintient \u00e0 des niveaux particuli\u00e8rement faibles, assurant une pr\u00e9cision d’estimation optimale aussi bien aux niveaux m\u00e9dians que dans les segments extr\u00eames des distributions de scores. Bien que les donn\u00e9es de fid\u00e9lit\u00e9 test-retest \u00e0 long terme m\u00e9ritent d’\u00eatre compl\u00e9t\u00e9es par des \u00e9tudes longitudinales ult\u00e9rieures, la stabilit\u00e9 des saturations factorielles entre sous-groupes confirme la r\u00e9silience structurelle de l’outil.<\/p>\n La validation empirique de l’architecture interne de l’ARBS a \u00e9t\u00e9 conduite en combinant des approches exploratoires et confirmatoires s\u00e9quentielles :<\/p>\n Une analyse factorielle exploratoire men\u00e9e sur l’ensemble initial des items a mis en lumi\u00e8re une organisation interne nuanc\u00e9e :<\/p>\n L’\u00e9valuation confirmatoire a compar\u00e9 plusieurs structures concurrentes. Le mod\u00e8le final retenu (mod\u00e8le \u00e0 cinq facteurs englobant les facettes de l’\u00e9tude globale de Kerstan et al., 2024) a mis en \u00e9vidence des indices d’ajustement conformes aux standards m\u00e9thodologiques stricts de Hu et Bentler (1999) :<\/p>\n De mani\u00e8re d\u00e9terminante, un mod\u00e8le alternatif unitaire \u00e0 4 facteurs fusionnant indistinctement les risques et les b\u00e9n\u00e9fices en un seul m\u00e9ta-facteur d’attitude g\u00e9n\u00e9rale a produit un ajustement significativement d\u00e9grad\u00e9 ($\\Delta\\chi^2$<\/span> hautement significatif, baisse marqu\u00e9e du CFI et hausse du RMSEA), ent\u00e9rinant d\u00e9finitivement la n\u00e9cessit\u00e9 th\u00e9orique et statistique de traiter les risques et les b\u00e9n\u00e9fices per\u00e7us comme deux entit\u00e9s psychologiques irr\u00e9ductibles.<\/p>\n L’ARBS se pr\u00e9sente sous la forme d’un inventaire auto-administr\u00e9 standardis\u00e9 :<\/p>\n L’\u00c9chelle des risques et b\u00e9n\u00e9fices de l’IA a \u00e9t\u00e9 publi\u00e9e en 2024<\/strong>. Conform\u00e9ment aux engagements de l’ETH Z\u00fcrich en mati\u00e8re de science ouverte (Open Science<\/em>), le questionnaire est diffus\u00e9 sous une licence Creative Commons<\/strong> (CC-BY). En cons\u00e9quence :<\/p>\n Les sources bibliographiques suivantes constituent le corpus fondamental sous-tendant la conception et la validation psychom\u00e9trique de l’instrument :<\/p>\n Instructions to respondents:<\/strong><\/p>\n In your opinion, how likely are the following risks or benefits to occur? AI in healthcare might …<\/em><\/p>\n Response scale:<\/strong><\/p>\n L’\u00c9chelle des risques et b\u00e9n\u00e9fices de l’IA (ARBS ; Kerstan, Bienefeld, & Grote, 2024) mesure de fa\u00e7on psychom\u00e9trique la perception des risques et b\u00e9n\u00e9fices de l’intelligence artificielle en sant\u00e9 \u00e0 travers 19 items standardis\u00e9s.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2539,65,2],"tags":[26826,26827,17374,26828,424,10023,16,6005],"class_list":["post-17382","psych_scale","type-psych_scale","status-publish","hentry","category-interaction-humain-machine","category-psychologie-de-la-sante","category-psychometrie","tag-acceptabilite-des-technologies","tag-arbs","tag-echelle-dattitude","tag-ethique-biomedicale","tag-intelligence-artificielle","tag-perception-du-risque","tag-psychometrie","tag-sante-numerique"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/17382","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=17382"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/17382\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=17382"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=17382"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=17382"}],"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
Sous-\u00e9chelle 1 : Perception des risques (Risk Perceptions – 10 items)<\/h3>\n
\n
Sous-\u00e9chelle 2 : Perception des b\u00e9n\u00e9fices (Benefit Perceptions – 9 items)<\/h3>\n
\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
Le paradigme psychom\u00e9trique du risque<\/h3>\n
L’heuristique de l’affect et l’asym\u00e9trie b\u00e9n\u00e9fice-risque<\/h3>\n
Les mod\u00e8les d’acceptation technologique et de confiance organisationnelle<\/h3>\n
7. Validit\u00e9 \/ Validity<\/h2>\n
Validit\u00e9 de contenu<\/h3>\n
Validit\u00e9 de construit et validit\u00e9 factorielle discriminante<\/h3>\n
Validit\u00e9 pr\u00e9dictive et de crit\u00e8re<\/h3>\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
Analyse factorielle exploratoire (AFE)<\/h3>\n
\n
Analyse factorielle confirmatoire (AFC)<\/h3>\n
\n
10. Instrument de mesure \/ Instrument<\/h2>\n
\n
\n 1 = Tr\u00e8s peu probable (Very unlikely<\/em>)
\n 2 = Peu probable (Unlikely<\/em>)
\n 3 = Plut\u00f4t peu probable (Somewhat unlikely<\/em>)
\n 4 = Neutre (Neutral<\/em>)
\n 5 = Plut\u00f4t probable (Somewhat likely<\/em>)
\n 6 = Probable (Likely<\/em>)
\n 7 = Tr\u00e8s probable (Very likely<\/em>)<\/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
Risks Subscale<\/h3>\n
\n
Benefits Subscale<\/h3>\n
\n