Résumé technique : Conceptualisation et validation de l'échelle d'empathie humain-IA (HAES)

Énoncé du problème

Malgré la prévalence croissante de l'intelligence artificielle (IA) dans les rôles sociaux, il existe un écart théorique et de mesure significatif concernant le fait de savoir si et pourquoi les consommateurs éprouvent de l'empathie pour les agents d'IA. Alors que la littérature existante couvre largement l'anthropomorphisme (attribuer des traits humains à des entités non humaines) et la perception de l'esprit (attribuer des capacités mentales), ces construits ne capturent pas pleinement le phénomène psychologique par lequel les consommateurs dirigent des réponses empathiques — cognitives, émotionnelles et morales — vers des entités artificielles. Les mesures d'empathie traditionnelles, telles que l'Interpersonal Reactivity Index (IRI), sont conçues pour des cibles humaines et ne parviennent pas à rendre compte du contexte unique où les consommateurs reconnaissent la nature artificielle d'une entité tout en réagissant néanmoins à celle-ci comme à un être social. Les auteurs postulent que l'empathie humain-IA est un trait psychologique distinct qui nécessite une conceptualisation systématique et un outil de mesure dédié pour comprendre ses antécédents et ses conséquences dans le comportement du consommateur.

Méthodologie

La recherche emploie un processus rigoureux de développement et de validation d'échelle en trois études, suivant les directives établies (Churchill, 1979 ; DeVellis, 2017 ; Hulland et al., 2026).

Étude 1 : Validité de contenu et réduction des items

• Objectif : Évaluer la validité de contenu d'un pool initial de 70 items générés à partir de la littérature sur l'empathie, l'anthropomorphisme et la perception de l'esprit.
• Procédure : Un panel de 14 experts (chercheurs en doctorat en marketing, gestion, SI et informatique) a évalué les items selon l'essentialité, la pertinence, la clarté et la charge pour le répondant.
• Analyse : L'étude a utilisé le ratio de validité de contenu de Lawshe (CVR) et l'indice de validité de contenu au niveau de l'item (I-CVI). Les items ont été conservés s'ils répondaient aux seuils statistiques d'essentialité (CVR ≥ .571 pour N=14) et de pertinence/clarté (I-CVI ≥ .78).
• Résultat : Le pool a été réduit de 70 à 26 items, tous démontrant une forte validité de contenu.

Étude 2 : Dimensionnalité, sélection basée sur l'IRT et validité préliminaire

• Échantillon : 475 adultes basés aux États-Unis recrutés via Prolific.
• Procédure : Les participants ont évalué les 26 items, ainsi que des mesures d'anthropomorphisme et de confiance envers l'IA.
• Analyse :
  • Analyse factorielle exploratoire (EFA) : Réalisée avec Mplus utilisant l'estimation WLSMV et la rotation Geomin. Une solution à trois facteurs a été identifiée comme étant la structure la plus interprétable sur le plan théorique et la plus solide statistiquement.
  • Théorie de la réponse à l'item (IRT) : Des modèles de réponse graduée (GRM) ont été ajustés à chaque dimension pour affiner la sélection des items en fonction de la discrimination ($a$), de l'ajustement de l'item ($S-X^2$) et de l'indépendance locale (corrélations résiduelles Q3).
  • Validité : La validité convergente et discriminante a été testée par rapport à l'anthropomorphisme et à la confiance envers l'IA à l'aide de modèles à variables latentes.
• Résultat : L'échelle a été affinée pour devenir une mesure finale de 22 items comprenant trois dimensions : l'empathie cognitive, la connexion émotionnelle et la préoccupation morale. L'analyse préliminaire confirme que l'échelle est distincte de l'anthropomorphisme et de la confiance, tout en étant positivement corrélée à celles-ci.

Étude 3 : Validité nomologique et conditions limites

• Échantillon : 524 adultes basés au Royaume-Uni recrutés via Prolific.
• Procédure : Une approche de modélisation par équations structurelles (SEM) a testé un réseau nomologique où la tendance à l'anthropomorphisme et la perception de l'esprit servent d'antécédents, et la satisfaction, l'attachement à l'IA, la volonté de payer et le pardon (après un échec de service) servent de conséquences. Un scénario d'échec de service (gravité élevée vs faible) a été utilisé pour tester une hypothèse de modération.
• Analyse : Des équations structurelles latentes modérées (LMS) ont été utilisées pour tester l'interaction entre l'empathie et la gravité de l'échec. Un modèle structurel élagué a été estimé à l'aide de WLSMV. Une validité discriminante supplémentaire a été testée par rapport à l'innovativité de la consommation et à l'empathie dispositionnelle envers les humains (Toronto Empathy Questionnaire).
• Résultat : Le modèle a confirmé les relations antécédent-conséquence et a établi que l'empathie humain-IA est distincte de l'empathie interpersonnelle générale.

Résultats clés

1. Structure de l'échelle (HAES)
L'échelle d'empathie humain-IA (HAES) est un construit à 22 items et trois dimensions :

• Empathie cognitive : La tendance à comprendre ou à adopter la perspective d'un agent d'IA (ex. : inférer comment il « pense » ou interprète les situations).
• Connexion émotionnelle : La tendance à percevoir l'IA comme un partenaire socialement significatif et à s'engager émotionnellement avec elle (ex. : ressentir de la chaleur ou de l'attachement).
• Préoccupation morale : La propension à éprouver de la sympathie ou de la préoccupation morale lorsque l'IA est perçue comme maltraitée ou lésée.

2. Propriétés psychométriques

• Fiabilité et validité : L'échelle a démontré une forte fiabilité et une solidité psychométrique à travers les études.
• Validité discriminante : L'empathie humain-IA était empiriquement distinguable de l'anthropomorphisme, de la confiance, de l'attachement et de l'empathie dispositionnelle envers les humains. Notamment, la corrélation avec l'empathie dispositionnelle envers les humains était non significative ($r = .07$), confirmant que l'empathie envers l'IA est un construit distinct dirigé vers la technologie plutôt qu'un trait général d'empathie interpersonnelle.

3. Antécédents et conséquences

• Antécédents : La perception de l'esprit a été identifiée comme un antécédent proximal fort de l'empathie humain-IA ($\beta = .81$). Bien que la tendance à l'anthropomorphisme soit corrélée à l'empathie, son effet unique n'était pas significatif lorsque la perception de l'esprit était contrôlée, suggérant que percevoir l'IA comme possédant un esprit est le principal moteur des réponses empathiques.
• Conséquences : L'empathie humain-IA a prédit positivement :
  • La satisfaction des interactions avec l'IA ($\beta = .50$).
  • L'attachement à l'IA ($\beta = .90$).
  • La volonté de payer ($\beta = .51$).
  • Le pardon suite à un échec de service de l'IA ($\beta = .35$).
• Modération : L'étude a révélé que la relation positive entre l'empathie humain-IA et le pardon ne variait pas de manière significative en fonction de la gravité de l'échec de service. Cela suggère que la tendance empathique capturée par la HAES opère comme une différence individuelle relativement stable plutôt que comme une réponse situationnelle dépendante de l'ampleur de l'échec.

Signification et contributions

L'article revendique plusieurs contributions théoriques et pratiques :

1. Avancement conceptuel : Il introduit l'empathie humain-IA comme un construit psychologique distinct, étendant la recherche sur l'empathie au-delà des cibles humaines vers des agents artificiels. Il clarifie que ce phénomène implique un jeu complexe où les consommateurs reconnaissent la nature artificielle d'une entité tout en y répondant par une préoccupation cognitive, affective et morale.
2. Intégration théorique : En positionnant la perception de l'esprit comme un antécédent proximal, la recherche fournit un compte rendu nuancé des processus psychologiques menant aux réponses empathiques, distinguant la perception d'un esprit de la réponse empathique à ce esprit perçu.
3. Outil de mesure : La validation de la HAES en 22 items fournit un outil psychométriquement rigoureux pour examiner les différences individuelles dans les réponses empathiques envers l'IA, répondant à une limitation de la recherche antérieure qui se concentrait principalement sur les réponses émotionnelles situationnelles à des robots spécifiques plutôt que sur des traits stables.
4. Pertinence managériale : Les résultats suggèrent que les entreprises peuvent segmenter les consommateurs en fonction de leur orientation empathique. Les consommateurs à haute empathie peuvent être plus réceptifs aux conceptions d'IA relationnelles, présenter une volonté de payer plus élevée et être plus indulgents lors d'échecs de service. L'échelle offre une base pour adapter la conception de services d'IA, le marketing ciblé et les stratégies de récupération de service afin de s'aligner sur les orientations psychologiques des consommateurs envers les agents artificiels.

Les auteurs concluent que cette recherche pose les jalons de travaux futurs examinant la nature sociale et relationnelle évolutive des interactions humain-IA, tout en reconnaissant les limites concernant les types spécifiques d'IA (ex. : générative vs prédictive) et l'absence d'incarnation physique dans l'opérationnalisation actuelle.