💻 informatique

A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs

Cette étude introduit un cadre unifié à deux étapes qui intègre la modélisation par équations structurelles de moindres carrés partiels (PLS-SEM) avec un réseau de neurones convolutifs (CNN) pour analyser l'adoption de l'IA dans les PME nigérianes, démontrant que si la PLS-SEM confirme les relations théoriques, le CNN améliore significativement la précision prédictive hors échantillon lorsque les deux modèles sont rigoureusement comparés sur des plis de données identiques.

Auteurs originaux : Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

Publié 2026-10-22

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les petites entreprises constituent la colonne vertébrale de l'économie mondiale, employant la moitié de la main-d'œuvre mondiale et formant la vaste majorité des entreprises partout dans le monde. Pourtant, lorsqu'il s'agit d'adopter de nouvelles technologies comme l'intelligence artificielle, ces plus petites structures accusent souvent un retard par rapport à leurs homologues plus importantes. L'écart ne provient généralement pas du fait que la technologie est indisponible ou trop coûteuse ; il s'agit plutôt d'une question de volonté. Les décideurs des petites entreprises doivent d'abord comprendre ce que la technologie peut faire, puis décider s'ils veulent l'utiliser. Les chercheurs tentent depuis longtemps de cartographier les facteurs qui influencent cette décision, tels que la confiance du propriétaire de l'entreprise envers la technologie, le fait qu'il possède les compétences numériques nécessaires ou s'il ressent la pression de ses concurrents. Traditionnellement, les scientifiques ont utilisé des outils statistiques pour tracer des lignes droites entre ces facteurs et la décision finale d'adoption, supposant que la relation est simple et directe. Cependant, le comportement humain et les environnements commerciaux sont rarement aussi simples, et les outils utilisés pour les étudier peinent souvent à capturer la réalité complexe et non linéaire de la façon dont les gens prennent réellement leurs décisions.

Une équipe de chercheurs du Nigéria et du Royaume-Uni a entrepris de tester si une approche plus sophistiquée pouvait révéler une image plus claire de la manière dont les petites entreprises décident d'utiliser l'intelligence artificielle. Ils se sont concentrés sur un groupe spécifique de 1 210 petites et moyennes entreprises au Nigéria, interrogeant les propriétaires et les gestionnaires sur leur connaissance de divers outils d'IA, leur confiance envers la technologie et leur intention de l'adopter. Les chercheurs ont combiné deux méthodes d'analyse différentes. La première était une approche statistique standard qui teste une théorie préétablie sur la façon dont différents facteurs sont connectés. La seconde était un type d'intelligence artificielle connu sous le nom de réseau de neurones convolutifs, un système conçu pour trouver des modèles complexes dans les données que les statistiques standards pourraient manquer. Crucialement, l'équipe n'a pas seulement exécuté ces deux méthodes l'une après l'autre sur des ensembles de données différents. Au lieu de cela, ils ont construit un système unifié où les résultats de la première méthode façonnaient l'entrée de la seconde, et ils ont testé les deux modèles sur les mêmes segments de données pour assurer une comparaison équitable.

L'étude a commencé par confirmer un ensemble de quinze facteurs différents qui pourraient influencer la décision d'une entreprise. Ceux-ci incluaient des aspects technologiques comme l'utilité ou la facilité d'utilisation perçue des outils, des facteurs organisationnels comme le soutien de la direction et la littératie numérique du personnel, et des facteurs environnementaux comme le soutien du gouvernement et la pression de la concurrence. Les chercheurs ont également mesuré à quel point les propriétaires d'entreprises avaient confiance en l'IA et leur niveau de connaissance des outils spécifiques disponibles sur le marché. En analysant les données, ils ont constaté que presque chacun de ces quinze facteurs jouait un rôle. Les moteurs les plus puissants étaient la confiance envers la technologie et le niveau de littératie numérique au sein de l'entreprise. Curieusement, les chercheurs ont découvert que ces facteurs n'influençaient rarement la décision d'adopter l'IA directement. Au lieu de cela, ils agissaient en augmentant d'abord la sensibilisation du chef d'entreprise sur ce que l'IA pouvait faire. Une fois que le décideur devenait conscient de la technologie, cette sensibilisation devenait la principale porte d'entrée vers l'intention d'adopter. La confiance était le seul facteur qui fonctionnait de deux manières : elle augmentait la sensibilisation, mais elle boostait également directement la volonté d'adopter, indépendamment de la sensibilisation.

Les chercheurs ont ensuite testé si leur modèle d'intelligence artificielle complexe pouvait prédire l'intention d'adoption mieux que le modèle statistique standard. Ils ont constaté que le réseau de neurones performait effectivement légèrement mieux, réduisant l'erreur de ses prédictions d'environ deux pour cent par rapport au modèle standard. Cette amélioration était statistiquement significative, ce qui signifie qu'elle était peu susceptible d'être un coup de chance. Cependant, l'étude a également révélé une limite surprenante. Lorsque les chercheurs ont comparé le réseau de neurones à d'autres outils d'apprentissage automatique plus simples, tels qu'un algorithme de forêt aléatoire ou un réseau de neurones à propagation avant simple, le réseau de neurones ne performait pas mieux. Cela suggère que l'amélioration ne provenait pas de l'architecture spécifique et complexe du réseau de neurones, mais simplement du fait qu'il permettait des relations non linéaires, que le modèle statistique standard ne pouvait pas capturer. L'étude a également révélé que l'utilisation d'un modèle de mesure validé pour regrouper les questions du sondage était essentiel. Lorsqu'ils ont tenté de prédire l'adoption en utilisant toutes les questions brutes du sondage sans les regrouper au préalable, les résultats étaient nettement moins bons, prouvant que l'organisation des données selon la théorie est tout aussi importante que la méthode de prédiction elle-même.

En fin de compte, la recherche souligne que pour les petites entreprises, le chemin vers l'adoption de l'intelligence artificielle est pavé par la sensibilisation. Les facteurs contextuels comme le soutien du gouvernement, la préparation financière ou la pression concurrentielle ne poussent pas une entreprise à adopter l'IA directement ; ils poussent d'abord le propriétaire de l'entreprise à devenir conscient de la technologie. Une fois que cette sensibilisation est établie, l'intention d'adopter suit. L'étude sert également de leçon méthodologique pour la communauté scientifique. Elle démontre que, bien que les outils d'apprentissage automatique avancés puissent offrir un léger avantage de prédiction, ils doivent être testés équitablement contre des alternatives plus simples pour comprendre ce qui motive réellement l'amélioration. Dans ce cas, le gain provenait du fait de laisser les données parler avec leur propre voix complexe et non linéaire plutôt que de les forcer dans une ligne droite, mais la complexité spécifique du réseau de neurones lui-même n'était pas l'ingrédient magique. Les conclusions confirment que la théorie compte toujours : organiser les données autour de concepts établis aide même les algorithmes les plus avancés à mieux comprendre le monde.

Résumé Technique : Une analyse hybride PLS-SEM et Réseau de Neurones Convolutifs sur l'intention d'adoption de l'IA dans les PME

Énoncé du problème
La recherche empirique sur l'adoption des technologies, particulièrement l'Intelligence Artificielle (IA) dans les Petites et Moyennes Entreprises (PME), s'est historiquement appuyée sur la Modélisation par Équations Structurelles par les Moindres Carrés Partiels (PLS-SEM). Bien qu'efficace pour le test d'hypothèses et l'explication de la variance intra-échantillon, cette approche fait face à trois limitations critiques :

Validité prédictive : Les modèles sont souvent évalués sur la base du pouvoir explicatif intra-échantillon ( $R^2$ ) plutôt que sur la performance prédictive hors-échantillon, ce qui conduit à une surestimation potentielle de la transportabilité d'un modèle.
Hypothèses de forme fonctionnelle : La PLS-SEM conventionnelle suppose des relations linéaires, échouant ainsi à capturer les dynamiques potentiellement non linéaires (par exemple, les seuils de capacité ou les rendements décroissants) inhérentes aux comportements d'adoption.
Méthodologies hybrides défectueuses : Les approches hybrides existantes combinant la SEM avec les Réseaux de Neurones Artificiels (ANN) entraînent généralement le réseau de neurones sur des scores de construits dérivés du modèle structurel et les évaluent sur des divisions de données distinctes. Cette méthodologie empêche une comparaison formelle et statistiquement rigoureuse entre les modèles structurels et prédictifs, rendant les affirmations de « validation mutuelle » impossibles à tester.

Méthodologie
L'étude propose un cadre d'évaluation unifié en deux étapes appliqué aux données de 1 210 PME nigérianes. Le design intègre les étapes confirmatoires et prédictives à travers trois couplages architecturaux explicites :

Étape 1 : PLS-SEM Confirmatoire
- Objectif : Valider le modèle de mesure, estimer les construits latents et tester les hypothèses basées sur un cadre intégré Technologie-Organisation-Environnement (TOE), Diffusion de l'Innovation (DOI) et comportemental.
- Modèle : Un modèle structurel avec 15 construits (13 antécédents, 1 médiateur, 1 résultat) et 15 hypothèses.
- Sortie : Des scores de construits validés et des coefficients de chemin standardisés servent de base à l'étape suivante.
Étape 2 : Réseau de Neurones Convolutifs (CNN) Prédictif
- Représentation de l'entrée : Au lieu d'utiliser des indicateurs bruts ou de simples scores de construits, l'étude encode chaque répondant sous la forme d'un tenseur 2D ( $14 \times 6$ ). Les lignes représentent les 14 construits validés (13 antécédents + médiateur) et les colonnes représentent leurs indicateurs conservés.
- Architecture :
  - Convolution Intra-Construit : Des noyaux 1D (spécifiquement 1×3) glissent le long de l'axe des indicateurs pour apprendre un analogue de l'agrégation du « modèle externe » de la PLS-SEM.
  - Convolution Inter-Construit : Des noyaux 1D (spécifiquement 3×1) glissent le long de l'axe des construits pour apprendre les relations inter-construits, servant d'analogue appris du « modèle interne ».
- Protocole d'évaluation : Crucialement, le CNN, le modèle structurel PLS-SEM et quatre références alternatives (ANN Feed-Forward, Forêt Aléatoire, CNN à scores de construits et Moindres Carrés Ordinaires) sont évalués en utilisant des divisions de validation croisée à 10 plis identiques. Cela garantit des comparaisons hors-échantillon commensurables.
- Rigueur statistique : Les différences de performance sont évaluées à l'aide de tests t appariés, de tests de rang signé de Wilcoxon et de la taille de l'effet (d de Cohen).

Résultats Clés

Résultats structurels : Les 15 hypothèses ont été confirmées. Le modèle explique 61,1 % de la variance de la sensibilisation à l'IA et 54,7 % de l'intention d'adoption de l'IA.
- Médiation : La sensibilisation à l'IA a pleinement médiatisé les effets de 12 des 13 antécédents sur l'intention d'adoption.
- Confiance : La confiance envers l'IA est le seul construit présentant une médiation partielle complémentaire, influençant l'intention à la fois directement et indirectement via la sensibilisation.
Pertinence prédictive : Bien que le modèle PLS-SEM ait montré une pertinence prédictive positive ( $Q^2_{predict}$ ), il n'a pas réussi à surpasser un modèle de régression linéaire de référence sur la variable de résultat finale (Intention d'adoption), soulignant une limite de l'utilisation de $Q^2$ sans benchmarking explicite.
Performance prédictive :
- Le CNN à tenseur d'items a réalisé une réduction de 2,06 % de l'RMSE hors-échantillon par rapport au benchmark structurel PLS-SEM ( $p = 0,032$ ).
- Cependant, le CNN n'a pas significativement surpassé un réseau ANN Feed-Forward ou une Forêt Aléatoire. Cela suggère que le gain de performance provient de l'assouplissement des hypothèses de forme fonctionnelle linéaire plutôt que de l'architecture convolutive spécifique ou de la profondeur du réseau.
- Valeur de la réduction de dimensionnalité : Un modèle OLS entraîné sur les 68 indicateurs bruts a performé de manière nettement moins efficace (RMSE de 2,97 % plus élevé) que le modèle structurel à deux prédicteurs. Cela confirme que la réduction de dimensionnalité guidée par la théorie via un modèle de mesure validé est essentielle pour la performance prédictive avec une taille d'échantillon modérée ( $N \approx 1 200$ ).
Analyse de l'importance : L'importance par permutation du CNN et les coefficients de chemin standardisés de la PLS-SEM ont montré une concordance globale (rho de Spearman $\rho = 0,503$ ), la sensibilisation à l'IA et la confiance étant identifiées comme les prédicteurs dominants dans les deux cadres.

Signification et Revendications
L'article prétend faire progresser la recherche hybride SEM-ANN en abordant la transparence et la rigueur méthodologiques :

Intégration Architecturale : Il formalise une architecture hybride où le modèle de mesure définit la représentation d'entrée du réseau profond, rendant le lien entre les étapes confirmatoire et prédictive architectural plutôt que simplement séquentiel.
Test Falsifiable : En évaluant tous les modèles sur des plis de validation croisée identiques avec des tests statistiques appariés, l'étude fournit un niveau de transparence inférentielle rarement trouvé dans la littérature hybride. Elle démontre que les affirmations de « confirmation neuronale » des modèles structurels ne sont valides que si le modèle neuronal est testé contre le modèle structurel sur les mêmes partitions de données.
Rôle de la Théorie de la Mesure : L'étude fournit des preuves empiriques que, dans la recherche basée sur des enquêtes avec des tailles d'échantillon modérées ( $N \approx 1 200$ ), la réduction de dimensionnalité guidée par la théorie (via PLS-SEM) préserve mieux l'information prédictive que les estimateurs flexibles appliqués à des données brutes de haute dimension.
Aperçu Substantiel : Les conclusions renforcent la « logique de décision par étapes » dans la théorie de la diffusion, identifiant la sensibilisation à l'IA comme une passerelle quasi universelle par laquelle les facteurs contextuels influencent l'intention d'adoption, la confiance agissant comme un moteur à double voie unique.

Les auteurs maintiennent une position modeste, reconnaissant que les gains prédictifs observés par rapport aux modèles linéaires sont modestes (quelques points de pourcentage) et que l'architecture CNN spécifique n'a offert aucun avantage par rapport à des bases non linéaires plus simples comme les Forêts Aléatoires dans ce contexte. La principale contribution est le cadre méthodologique pour une comparaison rigoureuse plutôt que la supériorité de l'apprentissage profond en soi.

Résumé Technique : Une analyse hybride PLS-SEM et Réseau de Neurones Convolutifs sur l'intention d'adoption de l'IA dans les PME

Articles similaires