L’\u00c9chelle des risques et des b\u00e9n\u00e9fices de l’IA<\/strong> (AI Risks and Benefits Scale<\/em> ou AIRBS<\/em>) est un instrument psychom\u00e9trique d\u00e9velopp\u00e9 par Sophie Kerstan, Nadine Bienefeld et Gudela Grote (2024) afin de quantifier les repr\u00e9sentations subjectives des individus quant \u00e0 l’introduction des syst\u00e8mes d’intelligence artificielle dans le domaine des soins de sant\u00e9. Con\u00e7ue initialement pour \u00e9lucider les m\u00e9canismes sous-tendant la pr\u00e9f\u00e9rence syst\u00e9matique accord\u00e9e aux m\u00e9decins humains par rapport aux agents algorithmiques, cette \u00e9chelle \u00e9value deux dimensions orthogonales interd\u00e9pendantes : les risques per\u00e7us li\u00e9s \u00e0 l’IA en m\u00e9decine et les b\u00e9n\u00e9fices escompt\u00e9s de son int\u00e9gration clinique.<\/p>\n L’instrument se compose de 19 items distribu\u00e9s en deux sous-\u00e9chelles distinctes : une sous-\u00e9chelle de risques (10 items, not\u00e9s R1 \u00e0 R10) englobant les menaces relatives \u00e0 la s\u00e9curit\u00e9 des donn\u00e9es, \u00e0 la d\u00e9shumanisation du soin, aux biais de mesure, aux d\u00e9faillances logicielles et \u00e0 la d\u00e9pendance technologique ; et une sous-\u00e9chelle de b\u00e9n\u00e9fices (9 items, not\u00e9s B1 \u00e0 B9) \u00e9valuant la r\u00e9duction des erreurs m\u00e9dicales, l’accessibilit\u00e9 des soins, la personnalisation th\u00e9rapeutique, le diagnostic pr\u00e9coce et l’optimisation des flux d’information clinique. Les participants r\u00e9pondent au moyen d’une \u00e9chelle de Likert en 7 points allant de 1 (\u00ab Tr\u00e8s peu probable \u00bb) \u00e0 7 (\u00ab Tr\u00e8s probable \u00bb).<\/p>\n Sur le plan des propri\u00e9t\u00e9s psychom\u00e9triques, les analyses factorielles confirmatoires men\u00e9es par les auteurs d\u00e9montrent une structure bifactorielle robuste et stable, distinguant nettement la valence n\u00e9gative (risques) de la valence positive (b\u00e9n\u00e9fices). La coh\u00e9rence interne est excellente, avec des coefficients alpha de Cronbach<\/a> exc\u00e9dant les seuils conventionnels de saturation (α > 0,85 pour les deux sous-dimensions). L’\u00e9chelle pr\u00e9sente une validit\u00e9 de construit remarquable, pr\u00e9disant de mani\u00e8re significative l’acceptation technologique, le niveau de confiance comparative et l’intention comportementale d’adopter des recommandations m\u00e9dicales formul\u00e9es par des syst\u00e8mes d’IA. Cet outil s’av\u00e8re fondamental pour la recherche en psychologie ergonomique, la sant\u00e9 num\u00e9rique et la sociologie m\u00e9dicale.<\/p>\n Intelligence artificielle, sant\u00e9 num\u00e9rique, \u00e9valuation psychom\u00e9trique, perception du risque, b\u00e9n\u00e9fices per\u00e7us, confiance technologique, relation m\u00e9decin-patient, prise de d\u00e9cision clinique, acceptation des technologies, ergonomie cognitive, AIRBS, \u00e9thique m\u00e9dicale.<\/p>\n L’\u00e9chelle a \u00e9t\u00e9 d\u00e9velopp\u00e9e et valid\u00e9e par une \u00e9quipe de chercheurs sp\u00e9cialis\u00e9s en psychologie du travail, en comportement organisationnel et en facteurs humains au sein d’institutions suisses de premier plan :<\/p>\n L’av\u00e8nement de l’intelligence artificielle dans le secteur biom\u00e9dical soul\u00e8ve des interrogations fondamentales quant \u00e0 la transformation des pratiques diagnostiques et th\u00e9rapeutiques. Si les mod\u00e8les algorithmiques atteignent fr\u00e9quemment des performances comparables, voire sup\u00e9rieures, \u00e0 celles des praticiens humains dans des t\u00e2ches sp\u00e9cialis\u00e9es telles que la lecture d’imagerie m\u00e9dicale ou la pr\u00e9diction oncologique, les patients manifestent une r\u00e9ticence marqu\u00e9e \u00e0 l’\u00e9gard de l’autonomie d\u00e9cisionnelle de ces outils. L’\u00c9chelle des risques et des b\u00e9n\u00e9fices de l’IA<\/strong> (AIRBS) a \u00e9t\u00e9 con\u00e7ue pour capturer et mesurer avec pr\u00e9cision les croyances individuelles qui sous-tendent cette ambivalence.<\/p>\n L’objectif scientifique principal de l’AIRBS est d’op\u00e9rationnaliser les jugements probabilistes que portent les usagers et les soignants sur les cons\u00e9quences potentielles du d\u00e9ploiement de l’IA en milieu clinique. Plus pr\u00e9cis\u00e9ment, l’instrument permet d’\u00e9tudier comment la perception des risques (tels que la d\u00e9shumanisation de la relation soignant-soign\u00e9, la violation de la confidentialit\u00e9 des dossiers m\u00e9dicaux, la survenue de pannes impr\u00e9vues ou la perte d’expertise humaine) et la perception des b\u00e9n\u00e9fices (comme la d\u00e9mocratisation de l’acc\u00e8s aux soins, la pr\u00e9cision accrue du monitorage et la r\u00e9duction des erreurs nosocomiales ou diagnostiques) interagissent pour influencer les attitudes d’acceptation ou de rejet.<\/p>\n Dans le domaine de la recherche fondamentale et appliqu\u00e9e, l’AIRBS offre un cadre standardis\u00e9 permettant d’\u00e9valuer l’efficacit\u00e9 des interventions communicationnelles, des modules de formation en litt\u00e9ratie num\u00e9rique ou des politiques publiques visant \u00e0 \u00e9clairer le consentement des patients. En milieu clinique et hospitalier, cet outil peut \u00eatre employ\u00e9 pour auditer la r\u00e9ceptivit\u00e9 du personnel m\u00e9dical et param\u00e9dical pr\u00e9alablement \u00e0 l’implantation de logiciels d’aide \u00e0 la d\u00e9cision diagnostique. Enfin, la justification th\u00e9orique de l’outil repose sur la n\u00e9cessit\u00e9 de d\u00e9passer les mod\u00e8les simplistes d’attitude unidimensionnelle (simple technophilie ou technophobie) en adoptant une approche fine de balance d\u00e9cisionnelle issue de la th\u00e9orie de la d\u00e9cision et de la psychologie du risque.<\/p>\n Le construit th\u00e9orique \u00e9valu\u00e9 par l’AIRBS est fond\u00e9 sur une mod\u00e9lisation cognitive bidimensionnelle de l’\u00e9valuation technologique. Contrairement \u00e0 l’hypoth\u00e8se intuitive selon laquelle le risque et le b\u00e9n\u00e9fice repr\u00e9senteraient les deux extr\u00e9mit\u00e9s d’un continuum bipolaire unique, les recherches en psychologie cognitive d\u00e9montrent qu’ils constituent deux dimensions cognitives distinctes et orthogonales : un individu peut simultan\u00e9ment anticiper des gains majeurs et redouter des p\u00e9rils substantiels.<\/p>\n Cette sous-\u00e9chelle \u00e9value la gravit\u00e9 et la probabilit\u00e9 subjective de cons\u00e9quences n\u00e9gatives d\u00e9coulant de la substitution ou de l’assistance algorithmique. Elle int\u00e8gre plusieurs facettes du risque :<\/p>\n Cette sous-\u00e9chelle quantifie l’esp\u00e9rance de gains fonctionnels, qualitatifs et organisationnels g\u00e9n\u00e9r\u00e9s par l’adoption de l’IA m\u00e9dicale :<\/p>\n L’\u00e9laboration de l’AIRBS s’ancre \u00e0 la crois\u00e9e de plusieurs paradigmes majeurs de la psychologie cognitive<\/a>, des th\u00e9ories du risque et des sciences de l’interaction homme-machine.<\/p>\n L’architecture conceptuelle de l’\u00e9chelle puise largement dans les travaux fondateurs de Paul Slovic et de ses collaborateurs sur le paradigme psychom\u00e9trique de la perception du risque (Slovic, 1987). Selon ce cadre, le grand public n’\u00e9value pas les technologies selon des calculs de probabilit\u00e9s actuarielles purs, mais \u00e0 travers des filtres qualitatifs marqu\u00e9s par l’heuristique de l’affect (Alhakami & Slovic, 1994). Lorsque l’affect ressenti envers une technologie est n\u00e9gatif, les risques sont jug\u00e9s \u00e9lev\u00e9s et les b\u00e9n\u00e9fices faibles, et inversement. L’AIRBS permet pr\u00e9cis\u00e9ment de tester si cette corr\u00e9lation inverse spontan\u00e9e se confirme ou si les sujets maintiennent une \u00e9valuation cognitive nuanc\u00e9e des deux dimensions.<\/p>\n L’\u00e9chelle s’articule \u00e9galement avec le Technology Acceptance Model<\/em> d\u00e9velopp\u00e9 par Fred Davis (1989), d\u00e9riv\u00e9 de la th\u00e9orie de l’action raisonn\u00e9e. Dans le TAM, l’utilit\u00e9 per\u00e7ue (qui fait \u00e9cho aux b\u00e9n\u00e9fices de l’AIRBS) constitue le d\u00e9terminant le plus puissant de l’intention d’utilisation. Cependant, l’AIRBS enrichit ce mod\u00e8le en incorporant formellement la dimension d’aversion au risque, particuli\u00e8rement cruciale dans le domaine m\u00e9dical o\u00f9 les enjeux engagent l’int\u00e9grit\u00e9 vitale des individus.<\/p>\n L’apport th\u00e9orique central de Kerstan et al. (2024) r\u00e9side dans l’int\u00e9gration de la confiance comparative. Les auteurs posent que l’acceptation de l’IA ne s’op\u00e8re pas dans le vide : elle implique toujours une mise en miroir avec les capacit\u00e9s suppos\u00e9es du m\u00e9decin humain. Les repr\u00e9sentations des risques et b\u00e9n\u00e9fices servent de m\u00e9diateurs cognitifs entre le niveau de connaissances factuelles du sujet, sa confiance pr\u00e9existante envers le corps m\u00e9dical et son consentement final \u00e0 d\u00e9l\u00e9guer des actes de soins \u00e0 un algorithme.<\/p>\n Les \u00e9tudes empiriques conduites par Kerstan et al. (2024) sur des \u00e9chantillons diversifi\u00e9s de citoyens et d’usagers du syst\u00e8me de sant\u00e9 ont rigoureusement \u00e9tay\u00e9 la validit\u00e9 psychom\u00e9trique de l’AIRBS.<\/p>\n La validit\u00e9 de construit a \u00e9t\u00e9 examin\u00e9e par le biais d’analyses factorielles confirmatoires, d\u00e9montrant que la s\u00e9paration entre la dimension des risques et celle des b\u00e9n\u00e9fices ajuste les donn\u00e9es de mani\u00e8re nettement sup\u00e9rieure \u00e0 un mod\u00e8le unifactoriel global. Les indices d’ajustement respectent les standards m\u00e9thodologiques les plus rigoureux (RMSEA < 0,06, CFI > 0,95, TLI > 0,94).<\/p>\n La validit\u00e9 convergente se traduit par des saturations factorielles standardis\u00e9es hautement significatives (λ > 0,60 pour l’ensemble des items sur leur facteur respectif). La validit\u00e9 discriminante entre les deux sous-\u00e9chelles est confirm\u00e9e par le fait que la variance moyenne extraite (AVE) de chaque construit surpasse le carr\u00e9 de la corr\u00e9lation interfactorielle. Bien que corr\u00e9l\u00e9es n\u00e9gativement de fa\u00e7on mod\u00e9r\u00e9e (g\u00e9n\u00e9ralement entre r<\/em> = -0,30 et r<\/em> = -0,45), les deux dimensions capturent des variances conceptuellement et statistiquement distinctes.<\/p>\n L’AIRBS a prouv\u00e9 une excellente validit\u00e9 pr\u00e9dictive : les scores de b\u00e9n\u00e9fices per\u00e7us pr\u00e9disent significativement une probabilit\u00e9 plus \u00e9lev\u00e9e de choisir un avis m\u00e9dical g\u00e9n\u00e9r\u00e9 par une IA, tandis que les scores de risques per\u00e7us pr\u00e9disent de mani\u00e8re robuste l’\u00e9vitement de l’IA et la pr\u00e9f\u00e9rence exclusive pour les praticiens humains. De surcro\u00eet, les r\u00e9gressions hi\u00e9rarchiques montrent que l’AIRBS explique une part de variance incr\u00e9mentielle majeure au-del\u00e0 des variables sociod\u00e9mographiques classiques (\u00e2ge, genre, niveau d’\u00e9ducation) et du niveau de connaissances objectives en technologie.<\/p>\n L’\u00e9valuation de la fid\u00e9lit\u00e9 de l’AIRBS met en \u00e9vidence une tr\u00e8s forte coh\u00e9rence interne \u00e0 travers les diff\u00e9rents \u00e9chantillons analys\u00e9s :<\/p>\n Le d\u00e9veloppement initial de l’instrument a fait l’objet d’une analyse factorielle exploratoire (AFE) par extraction en axes principaux avec rotation oblique (Promax ou Oblimin direct), en raison de la corr\u00e9lation th\u00e9orique attendue entre les risques et les b\u00e9n\u00e9fices per\u00e7us.<\/p>\n L’examen du graphique des valeurs propres (scree plot<\/em> de Cattell) et le crit\u00e8re de Kaiser ont unanimement confirm\u00e9 une structure \u00e0 deux facteurs pr\u00e9dominants :<\/p>\n Une analyse factorielle confirmatoire (AFC) ind\u00e9pendante a ensuite valid\u00e9 ce mod\u00e8le th\u00e9orique \u00e0 deux facteurs corr\u00e9l\u00e9s face \u00e0 un mod\u00e8le alternatif \u00e0 un seul facteur g\u00e9n\u00e9ral. Les r\u00e9sultats indiquent sans ambigu\u00eft\u00e9 la sup\u00e9riorit\u00e9 du mod\u00e8le bifactoriel : χ²\/dl < 2,5, GFI > 0,92, CFI = 0,96, RMSEA = 0,048 (IC 90 % [0,041 ; 0,055]). Aucun item ne pr\u00e9sentait de saturation crois\u00e9e probl\u00e9matique (> 0,30 sur le facteur secondaire).<\/p>\n Alhakami, A. S., & Slovic, P. (1994). A psychological study of the inverse relationship between perceived risk and perceived benefit. Risk Analysis<\/em>, 14(6), 1085-1096. https:\/\/doi.org\/10.1111\/j.1539-6924.1994.tb00080.x<\/a><\/p>\n Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly<\/em>, 13(3), 319-340. https:\/\/doi.org\/10.2307\/249008<\/a><\/p>\n Kerstan, S., Bienefeld, N., & Grote, G. (2024). Choosing human over AI doctors: How comparative trust associations and knowledge relate to risk and benefit perceptions of AI in healthcare. Risk Analysis<\/em>, 44(4), 939-957. https:\/\/doi.org\/10.1111\/risa.14216<\/a><\/p>\n2. Mots-cl\u00e9s \/ Keywords<\/h2>\n
3. Auteurs \/ Authors<\/h2>\n
\n
4. Objectif \/ Purpose<\/h2>\n
5. Construit psychologique \/ Construct<\/h2>\n
Dimension 1 : Risques per\u00e7us de l’IA en sant\u00e9 (10 items)<\/h3>\n
\n
Dimension 2 : B\u00e9n\u00e9fices per\u00e7us de l’IA en sant\u00e9 (9 items)<\/h3>\n
\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
L’heuristique de l’affect et le paradigme psychom\u00e9trique du risque<\/h3>\n
Le mod\u00e8le d’acceptation de la technologie (TAM)<\/h3>\n
La th\u00e9orie de la confiance comparative homme-machine<\/h3>\n
7. Validit\u00e9 \/ Validity<\/h2>\n
Validit\u00e9 de construit<\/h3>\n
Validit\u00e9 convergente et 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
\n\n
\n \nFacteur<\/th>\n Nombre d’items<\/th>\n \u00c9tendue des saturations standardis\u00e9es (λ)<\/th>\n Variance expliqu\u00e9e<\/th>\n<\/tr>\n<\/thead>\n \n Facteur 1 : Risques per\u00e7us<\/strong><\/td>\n 10 items (R1 \u00e0 R10)<\/td>\n 0,61 à 0,82<\/td>\n ~34,5 %<\/td>\n<\/tr>\n \n Facteur 2 : B\u00e9n\u00e9fices per\u00e7us<\/strong><\/td>\n 9 items (B1 \u00e0 B9)<\/td>\n 0,64 à 0,85<\/td>\n ~28,2 %<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n 10. Instrument de mesure \/ Instrument<\/h2>\n
\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