Exploiter le modèle d’acceptation technologique pour comprendre l’adoption par les utilisateurs d’influenceurs virtuels : le rôle de l’authenticité perçue et de l’anthropomorphisme

Résumé

Cette étude applique un modèle d’acceptation technologique étendu pour examiner l’adoption par les influenceurs virtuels sur les plateformes de courtes vidéos, démontrant que l’utilité perçue, la facilité d’utilisation, l’authenticité et l’anthropomorphisme influencent significativement les attitudes et intentions comportementales des utilisateurs à partir des données d’enquête analysées avec PLS-SEM.

Résumé

Les influenceurs virtuels (VIs) deviennent de plus en plus des acteurs clés sur les applications de courtes vidéos telles que TikTok, YouTube Shorts et Instagram Reels. Alors que les recherches précédentes ont exploré les VI en termes d’anthropomorphisme, d’authenticité et d’interaction avec les consommateurs, la plupart des travaux précédents se sont concentrés sur les jeux de données Instagram ou l’analyse de contenu sans adopter un cadre comportemental systématique. Pour remédier à ces limitations, cette étude utilise le Modèle d’Acceptation de la Technologie (TAM) pour examiner comment l’Utilité Perçue (PU) et la Facilité d’Utilisation Perçue (PEOU) influencent l’Attitude et l’Intention Comportementale de l’utilisateur à suivre ou interagir avec les VI sur les plateformes de courtes vidéos. L’étude propose l’authenticité perçue et l’anthropomorphisme comme variables modératrices, étendant le TAM à la capture des dynamiques psychologiques et sociales. Un cadre conceptuel a été développé intégrant TAM avec ces modérateurs. Les données ont été collectées à l’issue d’une enquête en ligne auprès de 350 utilisateurs de courtes vidéos exposées à du contenu VI monté et mesurées à l’aide d’instruments validés à l’échelle Likert. Les participants ont d’abord été exposés à des stimuli vidéo virtuels standardisés d’influenceurs, puis ont rempli un questionnaire structuré administré via une plateforme d’enquête en ligne. Le jeu de données a été analysé à l’aide de la modélisation des équations structurales des moindres carrés partiels (PLS-SEM) pour évaluer la fiabilité des mesures, les relations structurelles et les effets modérateurs. Avant l’analyse, l’ensemble de données a été examiné pour détecter des réponses incomplètes, des valeurs manquantes et des incohérences de réponse. Les résultats confirment l’applicabilité du TAM dans le contexte VI. L’UP a influencé positivement l’UP (β = 0,46, p < 0,001), l’UP a significativement influencé l’Attitude (β = 0,39, p < 0,001), et l’Attitude a fortement prédit l’Intention Comportementale (β = 0,58, p < 0,001). L’authenticité perçue renforçait la relation entre l’UP et l’attitude, ainsi qu’entre l’attitude et l’intention comportementale, tandis que l’anthropomorphisme accentuait les effets de l’UPP et du PEOU sur l’attitude. Indices d’ajustement du modèle (R² = 0,64 pour l’attitude ; R² = 0,57 pour l’intention comportementale) indiquent un fort pouvoir explicatif. Ces résultats confirment le TAM étendu pour expliquer l’adoption par les influenceurs virtuels sur les plateformes de courtes vidéos.

Introduction

Ces dernières années, les influenceurs sur les réseaux sociaux (SMI) ont acquis un nombre important de followers en partageant des aspects de leur vie, de leurs connaissances, de leurs produits et de leurs marques sur les plateformes de diffusion^{communautaire 1,2}. Les influenceurs virtuels (VI) ont attiré une attention considérable tant du milieu académique que des milieux d’affaires en tant qu’approche novatrice pour promouvoir des biens et services sur des plateformes telles qu’Instagram, Facebook et TikTok³. Contrairement aux influenceurs humains (HI), les VI ne sont pas de vrais individus mais des personnages générés par ordinateur développés par des équipes de designers pour reproduire l’apparence et le comportement humains ou pour ressembler à des personas^{animées 4}. Grâce à leurs fortes capacités d’engagement, de nombreuses marques utilisent les VI pour le marketing d’influence, soit par collaboration, soit en créant des VI propriétaires⁵. Par conséquent, des marques bien connues comme BMW ont collaboré avec des VI comme Lil Miquela pour stimuler l’engagement client et influencer les décisions d’achat.

Alors que le nombre de personnes influencées par les SMI continue d’augmenter, le marketing d’influence est également en^{croissance 6}. L’Influencer Marketing Hub rapporte que le nombre d’entreprises spécialisées dans les services de marketing d’influence a augmenté de 26 % en 2021 et devrait atteindre 18 900 dans le monde⁷. L’une des catégories émergentes les plus notables d’IME comprend les « personnages 3D, générés par ordinateur » capables d’imiter le comportement et l’apparence humains ^8,9,10. Les VI ont rapidement gagné en popularité auprès des consommateurs et sont de plus en plus perçus comme des influenceurs crédibles comparables aux influenceurs^{humains 11}. Entre 2017 et 2019, le nombre de VI sur les plateformes sociales est passé de 27 à 125¹². À mesure que leur popularité grandissait, les VIs ont commencé à collaborer avec des marques internationales¹². VIs représente une alternative convaincante qui combine les avantages des influenceurs humains avec un meilleur contrôle sur l’apparence et le message^.

Un développement particulièrement innovant dans ce domaine est l’émergence des influenceurs virtuels en tant qu’entités de réseaux sociaux partiellement ou totalement artificielles (par exemple, des avatars 3D générés par ordinateur), mais capables de produire du contenu similaire à celui des influenceurs humains. Leur ascension rapide a attiré l’attention des universitaires, bien que les recherches existantes restent^{limitées à 14}. Pour combler cet écart, la présente étude examine les interactions parasociales (PSI), définies comme des réponses cognitives, affectives et comportementales aux figures^{médiatiques 15}. Des recherches antérieures ont examiné PSI en comparant les réactions du public à des influenceurs humanoïdes et virtuels présentant des caractéristiques similaires.

Des études récentes ont examiné les différences entre les VI et les influenceurs humains dans la formation des perceptions des utilisateurs, en particulier dans les environnements de vidéos sociables. Les preuves suggèrent que les recommandations de VI peuvent influencer la perception des produits (par exemple, renforcer les associations de luxe) et peuvent rivaliser avec les influenceurs humains pour l’utilité et la crédibilité perçues. Cependant, l’identification avec les influenceurs humains reste plus forte, mettant en lumière un écart d’authenticité qui influence les décisions d’adoption dans les contextes de courtes^{vidéos 16, 17, 18}. La recherche quantitative identifie systématiquement l’UP et le PEOU comme des indicateurs clés de l’intention comportementale, souvent complétés par des concepts tels que le plaisir, la présence sociale et l’engagement communautaire, renforçant ainsi l’applicabilité du TAM dans ce^{domaine 19,20}.

Un nombre croissant de recherches abordent directement l’authenticité dans le contexte VI. Des études qualitatives et quantitatives indiquent que l’authenticité perçue influence significativement la confiance, l’engagement et la persuasion. Des facteurs tels que la divulgation de l’IA et la ressemblance humaine influencent la crédibilité et la réaction des^{utilisateurs 21,22.} Des recherches supplémentaires montrent que les indices « heuristiques machine » peuvent réduire l’authenticité perçue lorsque les utilisateurs reconnaissent les origines de l’IA, renforçant ainsi l’authenticité comme condition limite critique pour l’acceptation^23–25. Les revues de l’anthropomorphisme soulignent également son rôle théorique en tant que modérateur, pouvant renforcer ou affaiblir les relations TAM grâce à des mécanismes tels que la présence sociale et la confiance²⁶.

De même, le modèle Stimulus–Organisme–Réponse (SOR) a été appliqué pour examiner comment les indices anthropomorphes et les stimuli sociaux influencent l’acceptation par les utilisateurs des systèmes pilotés par^{l’IA 27}. La SOR est particulièrement efficace pour capturer les réponses émotionnelles en temps réel aux stimuli technologiques et le rôle des variables situationnelles dans la formation du comportement²⁸. Cela s’inscrit dans les environnements interactifs pilotés par l’IA, où un retour rapide système-utilisateur génère des réponses émotionnelles^{dynamiques 29}. Le cadre SOR permet également l’intégration de multiples stimuli affectifs et cognitifs. Cependant, des modèles tels que TAM et UTAUT, bien que largement utilisés, se concentrent sur des constructions prédéfinies (par exemple, l’utilité perçue et la facilité d’utilisation), ce qui peut limiter leur capacité à capturer des influences multidimensionnelles sur le comportement^{de l’utilisateur 30}. Ces modèles sont généralement plus adaptés à l’analyse statique qu’aux contextes de prise de décision^{dynamiques 31}. Les méga-influenceurs, par exemple, peuvent atteindre des audiences mondiales, accroître la notoriété de la marque et générer un engagement significatif, bien que leur efficacité varie selon les^contextes. SOR offre des perspectives complémentaires sur les processus affectifs, tandis que TAM propose un cadre parcimonieux et prédictif pour modéliser les intentions comportementales.

Des études empiriques suggèrent que les méga-influenceurs génèrent un engagement plus fort, des attitudes envers les produits et une acquisition d’information^{plus fortes.} Cependant, les influenceurs de bas niveau peuvent accroître la notoriété et l’authenticité, surpassant parfois les publicités^{ciblées 34}. D’autres résultats indiquent que, tandis que les méga-influenceurs génèrent un engagement plus large, les influenceurs plus petits font preuve d’une authenticité et d’une confiance plus^{fortes 35}. Ces résultats mitigés mettent en lumière des incohérences dans l’efficacité des influenceurs dans les^{contextes 36,37} et soulignent la nécessité d’explorer d’autres types d’influenceurs, y compris les influenceurs^{virtuels 38}.

Malgré un intérêt croissant pour les VI, la recherche existante reste limitée en portée. La plupart des études s’appuient sur des ensembles de données basés sur Instagram et des analyses de contenu pour évaluer les indicateurs d’engagement (par exemple, likes, commentaires, caractéristiques linguistiques), laissant un vide dans la compréhension de l’intention d’adoption d’un point de vue comportemental. De plus, des recherches limitées ont examiné l’adoption de l’VI sur les plateformes de courtes vidéos, qui présentent des caractéristiques socio-techniques uniques, notamment une exposition par algorithmes, une consommation rapide de contenu et des interactions parasociales intensifiées.

Pour combler ces lacunes, cette étude applique le Technology Acceptance Model (TAM) pour étudier systématiquement les facteurs influençant l’adoption de l’VI sur les plateformes de courtes vidéos. TAM est sélectionné pour sa forte puissance explicative, sa parcimonie et sa validation empirique étendue dans les contextes numériques. Bien que des cadres alternatifs tels que SOR et UTAUT fournissent des perspectives précieuses, ils mettent l’accent sur des facteurs affectifs ou institutionnels au-delà du focus cognitif de cette étude. En conséquence, le TAM est étendu pour intégrer l’authenticité perçue et l’anthropomorphisme au stade de formation des croyances.

Plus précisément, cette étude examine comment la facilité d’utilisation perçue (PEOU) influence l’utilité perçue (PU), et comment ces concepts façonnent l’attitude et l’intention comportementale de l’utilisateur envers les VI. Il examine également les rôles modérateurs de l’authenticité perçue et de l’anthropomorphisme dans la formation de ces relations. Empiriquement, l’étude utilise une enquête quantitative auprès des utilisateurs de courtes vidéos et teste le modèle étendu à l’aide du PLS-SEM. En passant de l’analyse de contenu à un cadre d’adoption comportementale, cette recherche s’attaque à une lacune critique et contribue à la compréhension de l’adoption des VI dans les environnements numériques émergents.

Cette étude apporte trois contributions clés. Premièrement, elle étend TAM aux influenceurs virtuels sur des plateformes de courtes vidéos, démontrant son applicabilité aux entités générées par l’IA. Deuxièmement, il intègre l’anthropomorphisme et l’authenticité perçue dans la phase de formation des croyances du TAM, renforçant la voie croyance–attitude–intention. Troisièmement, elle fait progresser la méthodologie en employant une approche comportementale quantitative utilisant des données d’enquête et PLS-SEM pour évaluer la validité des mesures, les relations structurelles et les effets de modération.

Dans l’ensemble, l’étude apporte des perspectives théoriques et pratiques sur la manière dont l’authenticité et la conception semblable à l’humain influencent l’adoption des VI. Il examine les effets du PEOU et de l’UP sur l’Attitude (ATT) et l’Intention Comportementale (BI), et teste les rôles modérateurs de l’Authenticité Perçue (PA) sur les relations PU–ATT et ATT–BI, ainsi que de l’Anthropomorphisme (ANTH) sur les relations PEOU–ATT et PU–ATT. Sur la base de ces relations, les hypothèses suivantes sont avancées :

La facilité d’utilisation (PEOU) conçue par H1:P a un impact positif sur l’utilité perçue (U).
H2 : L’utilité perçue (APP) a un impact positif sur l’Attitude (ATT) envers les influenceurs virtuels.
H3 : L’attitude (ATT) a un impact positif sur l’intention comportementale (BI) pour utiliser des influenceurs virtuels.
H4 : La facilité d’utilisation perçue (PEOU) a un impact positif sur l’attitude (ATT) envers les influenceurs virtuels.
H5 : L’authenticité perçue (PA) modère positivement la relation entre l’UP et l’ATT.
H6 : L’authenticité perçue (PA) modère positivement la relation entre ATT et BI.
H7 : L’anthropomorphisme (ANTH) modère positivement la relation entre PEOU et ATT.
H8 : L’anthropomorphisme (ANTH) modère positivement la relation entre PU et ATT.

La Figure 1 présente le cadre conceptuel basé sur le modèle étendu d’acceptation technologique (TAM) pour l’adoption par les influenceurs virtuels sur les plateformes de courtes vidéos. Le modèle inclut des concepts fondamentaux du TAM, ainsi que deux variables modératrices — l’authenticité perçue et l’anthropomorphisme perçu — pour capturer les influences sociales et psychologiques pertinentes. Les relations directes sont représentées par des flèches pleines, tandis que les effets modérateurs sont présentés par des lignes pointillées ciblant les chemins structurels correspondants. Cette représentation aligne le modèle conceptuel avec les hypothèses proposées et améliore la clarté en distinguant les effets directs des effets d’interaction.

Protocole

Cette étude a été approuvée par le Comité d’éthique de la recherche de l’Azman Hashim International Business School, UniversitiTeknologi Malaysia, Kuala Lumpur, Malaisie (Approbation n° : UTM. AHIBS/REC/2025/012). Toutes les procédures respectaient les normes éthiques institutionnelles et les principes de la Déclaration d’Helsinki. Le consentement éclairé a été obtenu de tous les participants avant la collecte des données. Les participants ont été informés de l’objectif de l’étude, de la nature volontaire de leur participation, de la confidentialité de leurs réponses et de leur droit de se retirer à tout moment sans pénalité. Un consentement écrit a également été obtenu pour l’utilisation de données anonymisées d’enquêtes dans les publications académiques. Aucune donnée personnellement identifiable ou sensible n’est incluse dans ce manuscrit.

Le processus de recherche méthodologique utilisé dans cette étude pour examiner l’adoption par les consommateurs d’influenceurs virtuels sur les plateformes de courtes vidéos est illustré à la Figure 2. La procédure de l’étude a été menée de manière séquentielle, incluant la préparation des stimulos, l’exposition des participants, l’administration des enquêtes, le prétraitement des données et l’analyse statistique. Les utilisateurs sont d’abord exposés à des stimuli virtuels soigneusement sélectionnés d’influenceurs sur des plateformes de courtes vidéos telles que TikTok, YouTube Shorts et Instagram Reels. Pour saisir les principaux concepts du Modèle d’Acceptation Technologique (TAM), notamment la Facilité d’Utilisation Perçue (PEOU), l’Utilité Perçue (PU), l’Attitude (ATT) et l’Intention Comportementale (BI), les réponses aux enquêtes sont collectées à l’aide d’instruments validés à l’échelle Likert. Les données collectées sont ensuite prétraitées, y compris le nettoyage des données ainsi que les évaluations de validité et de fiabilité, afin d’assurer la qualité des données.

Le cadre TAM étendu, incorporant des variables modératrices, est ensuite appliqué à l’ensemble de données raffiné. Plus précisément, l’anthropomorphisme (ANTH) modère les relations entre PEOU → ATT et PU → ATT, tandis que l’authenticité perçue (PA) modère les relations entre PU → ATT et ATT → BI. Ces effets modérateurs sont explicitement modélisés comme des interactions sur les chemins structurels. Enfin, le modèle de mesure, les relations structurelles et les effets de modération sont évalués à l’aide de la modélisation des équations structurelles des moindres carrés partiels (PLS-SEM). Les résultats fournissent une analyse complète et systématique du comportement d’adoption des utilisateurs envers les influenceurs virtuels sur les plateformes de courtes vidéos, mettant en lumière à la fois les relations directes (PEOU, PU → ATT → BI) et les effets de modération.

Méthodologie et conception de l’étude
La méthodologie a été développée en trois phases : l’élaboration du cadre conceptuel, la collecte de données et l’analyse empirique.

Développement du cadre conceptuel
Cette phase a impliqué le développement du cadre théorique en étendant le Modèle d’Acceptation Technologique (TAM) avec deux modérateurs socio-psychologiques pertinents pour les influenceurs virtuels : l’authenticité perçue et l’anthropomorphisme. Le modèle suppose que le PEOU influence l’UP, tandis que l’UP et le PEOU influencent conjointement l’Attitude, qui à son tour influence l’Intention Comportementale (Figure 3).

Collecte de données
Des données empiriques ont été collectées via un questionnaire en ligne administré à 350 utilisateurs de plateformes de vidéos courtes telles que TikTok, YouTube Shorts et Instagram Reels. Les participants ont été invités à regarder des vidéos standardisées mettant en scène des influenceurs virtuels populaires. Les données ont été collectées sur des constructions TAM et des variables modératrices. Les variables témoins comprenaient les caractéristiques démographiques et d’utilisation. Des considérations éthiques ont été respectées.

Analyse empirique
Les données ont été analysées à l’aide d’une procédure en deux étapes de modélisation structurelle des moindres carrés partiels (PLS-SEM). La fiabilité et la validité ont été évaluées à l’aide de charges factorielles, de l’alpha de Cronbach, de la fiabilité composite, de la variance moyenne extraite (AVE), du critère de Fornell–Larcker et du rapport Hétérotrait–Monotrait (HTMT). Le bootstrapping avec 5 000 rééchantillons a été utilisé pour tester les chemins structurels et les effets de modération, validant le modèle TAM avec authenticité et anthropomorphisme comme modérateurs.

Formulation des modèles structurels
L’étude étend le modèle TAM en intégrant les aspects socio-émotionnels des influenceurs virtuels sur les plateformes de courtes vidéos. En plus des constructions traditionnelles (PU, PEOU, Attitude, Intention comportementale), deux variables modératrices — Authenticité perçue et Anthropomorphisme — sont incluses pour représenter respectivement les dimensions psychologiques de crédibilité et de ressemblance humaine.

Au niveau de la mesure, tous les constructs latents (PEOU, PU, ATT, BI, PA, ANTH) sont définis de manière réfléchissante, avec plusieurs éléments d’enquête chargés sur chaque facteur^{latent de 39}. Le modèle de mesure s’exprime comme suit :

(1)

où x_j était l’indicateur observé, η était la construction latente, λ_j était la charge factorielle, et ε_j était l’erreur de mesure. Cela a fourni la fiabilité a priori, la rationalité convergente et la rationalité discriminante avant de tester les chemins causaux.

Au niveau structurel, les équations de base TAM étaient définies comme trails⁴⁰. L’utilité perçue a été prédite par la facilité d’utilisation perçue :

(2)

L’attitude a alors été spécifiée en fonction de PU et PEOU :

(3)

Enfin, l’intention comportementale s’expliquait par l’attitude, avec l’UP comme prédicteur direct optionnel :

(4)

Pour intégrer la modération, des termes d’interaction sont introduits. L’anthropomorphisme (ANTH) modère les effets de l’UP et du PEOU sur l’ATT, tandis que l’authenticité perçue (PA) modère les effets de l’UP sur l’ATT et de l’ATT sur l’ATT. Les équations structurelles modérées sont :

(5)

Les coefficients d’interaction (β₆, β₇, β₈, β₉) indiquent si les relations TAM varient selon les niveaux d’anthropomorphisme et d’authenticité. Par exemple, l’effet conditionnel de PU sur ATT est :

β₂ + β₆· ANTH + β₈· PA

De même, l’effet conditionnel de l’ATT sur BI est :

β₄ + β₉· PA

Le cadre prend également en compte la médiation et la médiation modérée. L’effet indirect du PEOU sur l’ATT via PU dans le modèle de référence est :

(6)

Avec la présence des modérateurs, cela devenait un effet indirect conditionnel :

(7)

où a et p représentent respectivement des valeurs d’anthropomorphisme et d’authenticité perçue.

Cela permet d’examiner si le caractère arbitral de l’UPP dépend des attributs sociaux des VI, fournissant ainsi des preuves d’une médiation modérée.

L’authenticité perçue (PA) et l’anthropomorphisme (ANTH) agissent comme modérateurs de l’acceptation par les utilisateurs des influenceurs virtuels sur les plateformes de courtes vidéos, comme illustré à la Figure 3. Les lignes pleines représentent des relations TAM directes, tandis que les lignes pointillées indiquent des effets modérateurs. Dans l’ensemble, le modèle intègre des facteurs technologiques et socio-psychologiques pour fournir une explication complète de l’adoption par les influenceurs virtuels.

Collection de jeux de données
Cette recherche est basée sur un ensemble de données d’enquête (N = 350 participants). Les participants étaient des utilisateurs réguliers de plateformes de courtes vidéos telles que TikTok, YouTube Shorts et Instagram Reels. On leur a montré des clips édités d’influenceurs virtuels et on leur a demandé de remplir un questionnaire structuré utilisant des mesures validées sur l’échelle Likert pour les constructions TAM (PEOU, PU, ATT, BI) et les modérateurs (PA, ANTH). Les données étaient auto-déclarées et non obtenues à partir d’une base de données publique ; Cependant, la structure de mesure a été adaptée à partir d’échelles établies en adoption technologique et en recherche sur les influenceurs virtuels.

Le tableau 1 décrit la structure de l’ensemble de données d’adoption comportementale. Chaque ligne représente une construction dans le modèle TAM étendu, ainsi que ses éléments de mesure, le type d’échelle et son rôle analytique. Le PEOU et le PU ont été mesurés à l’aide de quatre items chacun sur une échelle de Likert à 7 points.

Le tableau 2 présente le profil démographique des répondants. Le profil démographique des répondants (N = 350) indique une répartition relativement équilibrée par les sexes, avec 50,86 % d’hommes et 45,43 % de femmes et une faible proportion (3,71 %) s’identifiant comme autre. En termes d’âge, la majorité des participants appartiennent au groupe d’âge 25–34 ans (44,57 %), suivi des 18–24 ans (29,43 %) et des 35–39 ans (26,00 %), ce qui suggère que l’ensemble de données est principalement composé de jeunes à d’âge moyen. En ce qui concerne le niveau d’éducation, les répondants sont répartis équitablement sur différents niveaux, la plus grande proportion détenant des diplômes de troisième cycle (23,14 %), suivis par le lycée (22,86 %), le diplôme de premier cycle (20,29 %), le diplôme (17,43 %) et le doctorat (16,29 %). Cela reflète un parcours éducatif diversifié parmi les participants. En ce qui concerne le comportement d’utilisation de la plateforme, une majorité significative des répondants (61,71 %) ont déclaré une utilisation quotidienne, tandis que 29,14 % utilisent la plateforme chaque semaine et 9,14 % occasionnellement. Cela indique un niveau élevé d’engagement avec la plateforme parmi la population échantillonnée. Ces caractéristiques indiquent que l’échantillon représente des utilisateurs actifs des plateformes de courtes vidéos.

Analyse des données
Après la collecte des données, 350 réponses valides ont été analysées à l’aide de la modélisation des équations structurales des moindres carrés partiels (PLS-SEM), adaptées à l’extension théorique, à la recherche orientée prédiction et aux modèles complexes avec des variables modératrices. L’analyse comprenait l’évaluation du modèle de mesure, l’évaluation du modèle structurel, l’analyse de modération et l’estimation globale du modèle.

Validation du modèle de mesure
La première étape consistait à mesurer la fiabilité et la rationalité de tous les concepts. La fiabilité interne a été testée au moyen de l’Alpha (α) et du Composite Reliability (CR) de Cronbach, des normes supérieures à 0,70 étant jugées satisfaisantes. La rationalité convergente a été déterminée par la variance moyenne extraite (AVE ≥ 0,50). La cohérence discriminante a été vérifiée au moyen de la norme de Fornell–Larcker, où la racine carrée de l’AVE de chaque construction était supérieure à ses associations avec des concepts supplémentaires. L’AVE d’une construction j était calculée comme suit :

(8)

où λ_ij était la charge factorielle standardisée de l’élément i sur le construct j, et est l’erreur de mesure.

Le modèle de mesure de l’étude actuelle est illustré à la Figure 4. Chaque structure latente TAM prolongée était opérationnelle par plusieurs indicateurs réfléchissants. En particulier, la Facilité d’Utilisation Perçue (PEOU) et l’Utilité Perçue (PU) ont été mesurées avec 4 items, tandis que l’Attitude (ATT) et l’Intention comportementale (BI) ont été mesurées avec 3 items. Les modérateurs — Authenticité perçue (AP) et Anthropomorphisme (ANTH) — ont chacun été évalués à l’aide de trois indicateurs. Tous les chemins menaient des concepts à leurs pointeurs individuels, reflétant la nature réfléchissante du modèle de mesure. La fiabilité et la validité des concepts ont été confirmées à l’aide de charges factorielles, de l’alpha de Cronbach, de la fiabilité composite (CR) et de la variance moyenne extraite (AVE). Cela a rendu statistiquement solide que le modèle de mesure et les concepts mesurent les dimensions souhaitées des attitudes et intentions comportementales des utilisateurs envers les influenceurs virtuels sur les plateformes de courtes vidéos.

Essais de modèles structurels
Une fois la validité de la mesure établie, les trajectoires structurelles du modèle TAM élargi ont été examinées. Les relations directes proposées sont les suivantes :

(9)

(10)

(11)

Où : β₁ a examiné l’effet du PEOU → le PU, β₂, β₃ a examiné l’effet du PU et du PEOU → ATT, β₄ a capturé l’effet de l’ATT → BI. Les coefficients de chemin (β) ont été calculés via la méthode de démarrage (5000 rééchantillons), et la signification a été calculée via des valeurs t et p.

Analyse de la modération
Une analyse de modération a été réalisée pour examiner les effets d’interaction. L’extension du TAM comprenait Perception Authenticity (PA) et Anthropomorphism (ANTH) comme modérateurs. La modération a été testée en générant des termes d’interaction entre variables indépendantes et modérateurs. Le modèle étendu était représenté comme suit :

(12)

Ici : PU × PA : Testé si l’authenticité renforçait le rôle joué par l’utilité sur l’attitude. PEOU × ANTH : Évaluation si l’anthropomorphisme améliorait le résultat de la facilité d’utilisation perçue sur l’attitude. TT × PA : Évaluation de l’authenticité renforçant le résultat de l’attitude sur l’intention comportementale. Un coefficient significatif β₇, β₈ ou β₁₀ a confirmé la survenue de la modération.

Évaluation du modèle
Le modèle dans son ensemble a été évalué en termes de pouvoir explicatif et prédictif :

Coefficient de détermination (R²) : Signifiait l’altération clarifiée dans les constructions endogènes (ATT et BI). R² ≥ 0,50 était considéré comme élevé dans les études comportementales.

Pertinence prédictive (Q²) : Déterminée par bandage à l’aveugle, Q² > 0 indiquant la validité prédictive de la situation.

Taille d’effet (f²) : A été utilisée pour déterminer l’effet de chaque construction sur le modèle et est calculée comme suit :

(13)

Où la variance était expliquée lors de l’inclusion d’un prédictor, et où la variance était en l’excluant. En conclusion, l’analyse des données confirme initialement la fiabilité et la validité du construct, teste les relations structurelles du TAM, évalue les effets de modération de l’anthropomorphisme et de l’authenticité, et enfin, vérifie le contrôle descriptif et extrapolatif du typique. Cette approche approfondie garantit la solidité des résultats et étend la TAM au cas des influenceurs virtuels sur les plateformes de courtes vidéos.

Test d’hypothèses
Pour confirmer le cadre TAM étendu, huit hypothèses ont été testées en utilisant PLS-SEM avec bootstrapping (5000 rééchantillons). Le processus de bootstrapping créait des constantes de traînée (β), des valeurs t et des valeurs p, qui étaient fixées par rapport au seuil critique (p < 0,05).

Effets directs (H1–H4)
Les impacts directs du TAM classique ont d’abord été évalués. Les résultats ont confirmé que la Facilité d’Utilisation Perçue (PEOU) avait une influence importante sur l’Utilité Perçue (PU). L’équation estimée est la suivante :

(14)

Où β₁=0,46, t=8,72, p < 0,001. En conséquence, H1 est pris en charge.

Deuxièmement, l’Utilité Perçue (PU) et le PEOU ont également eu une influence positive sur l’Attitude (ATT) :

(15)

avec β₂=0,39, t=7,64, p < 0,001 et β₃=0,21, t=2,14, p < 0,05. Ces résultats soutiennent fortement H2 et un soutien partiel H4, renforçant que la facilité d’utilisation perçue et l’utilité influencent toutes deux les attitudes.

Enfin, l’influence de l’ATT sur l’intention comportementale (BI) était significative :

(16)

avec β₄=0,58, t=10,12, p < 0,001. Par conséquent, H3 est fortement soutenu, soulignant que les attitudes positives motivent fortement l’intention d’utiliser les influenceurs virtuels.

Effets modérateurs (H5–H8)
Les impacts modérateurs de l’authenticité perçue (AP) et de l’anthropomorphisme (ANTH) ont été testés en intégrant des termes d’interaction.

Pour H5, l’effet de la PU sur l’ATT a été modéré par PA :

(17)

avec β₅=0,15, t=3,21, p < 0,01. Cela suggère que si les VI sont considérés comme authentiques, leur utilité a une influence plus forte sur les attitudes.

Pour H6, la modération ATT → BI par PA était également significative :

(18)

avec β₆=0,12, t=2,94, p<0,01. Cela implique que l’authenticité est plus étroite entre les attitudes positives et l’intention comportementale.

Pour H7, l’anthropomorphisme ANTH modère l’effet du PEOU sur l’ATT :

(19)

avec β₇=0,14, t=3,08, p < 0,01. Ainsi, lorsque les VI sont plus humains, la facilité d’utilisation influence renforcée par des attitudes positives.

Pour H8, l’anthropomorphisme a également amélioré la voie PU → ATT modérée par ANTH :

(20)

avec β₈=0,11, t=2,21, p < 0,05.

La performance du modèle a été évaluée à l’aide de R² pour le pouvoir explicatif, Q² pour la pertinence prédictive et la taille de l’effet (f²) pour évaluer la contribution de chaque prédicteur.

Résultats

Un total de 350 réponses exploitables ont été obtenues auprès d’utilisateurs actifs d’applications de courtes vidéos (Instagram Reels, YouTube Shorts et TikTok). Les données ont été analysées à l’aide de la modélisation des équations structurales des moindres carrés partiels (PLS-SEM) dans SmartPLS 4.0, après prétraitement et l’exclusion des réponses incomplètes. Cette approche a permis l’évaluation à la fois des modèles de mesure et de modèles structurels, ainsi que des effets de modéra...

Discussion

Pour valider les constructions, le modèle de mesure a été évalué pour la fiabilité, la validité convergente et la validité^{discriminante 39,40}. Les résultats de l’étude fournissent des informations importantes sur les facteurs influençant l’adoption par les utilisateurs des Influenceurs Virtuels (VIs) sur les plateformes de courtes vidéos. Les résultats indiquent que les facteurs technologiques (utilité perçue et facilité d’utilis...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Computer System (PC/Laptop)	Generic (HP/Dell/Lenovo ou équivalent)	N/A	Utilisé pour la collecte et l'analyse de données
Google Forms	Google LLC	N/A / https://forms.google.com	Utilisé pour la conception de sondages et la collecte de données
Instagram Reels	Meta Platforms Inc.	N/A / https://www.instagram.com/reels/	Plateforme pour les stimuli vidéo d'influenceurs virtuels
Internet Connection	Fournisseur de services Internet local	N/A	Requis pour accéder au sondage et aux plateformes
Microsoft Excel	Microsoft Corporation	365 / https://www.microsoft.com/excel	Utilisé pour la préparation et l'organisation des données
Python	Python Software Foundation	3.x / https://www.python.org	Utilisé pour le prétraitement et la gestion des données optionnels
SmartPLS	SmartPLS GmbH	4.0 / https://www.smartpls.com	Utilisé pour l'analyse PLS-SEM y compris HTMT, Q² (aveuglement) et f² taille de l'effet
TikTok	TikTok Inc.	N/A / https://www.tiktok.com	Plateforme pour les stimuli vidéo d'influenceurs virtuels
Virtual Influencer Video Clips	Ensemble de données généré par l'auteur	N/A	Stimuli vidéo standardisés présentés aux participants
YouTube Shorts	Google LLC	N/A / https://www.youtube.com/shorts	Plateforme pour les stimuli vidéo d'influenceurs virtuels