L'effet de la qualité de service électronique sur la confiance et l'intention d'adoption du chatbot dans les services financiers : le rôle clé de l'anxiété avec la technologie
Notice bibliographique
Résumé
D’ici 2025, il est prévu que 50% des compagnies à l’échelle mondiale investiront dans les chatbots plutôt que dans le développement d’application mobiles (Keyrus, 2018) et les entreprises gagnantes seront celles qui déploieront de bonnes stratégies de l’utilisation de l’IA au profit des consommateurs (Marous, 2020a). Malgré cet engouement pour les chatbots, la littérature sur les chatbots dans les services financiers n’en est qu’à ses balbutiements et peu d’études ont exploré le concept de qualité de service électronique (QSE) dans ce contexte (cf Rese et al. 2020). Cette étude se propose donc de présenter une nouvelle échelle de la QSE d’un chatbot composée de cinq dimensions (praticité, plaisir, personnalisation, préoccupations sur la vie privée et malaise) et d’investiguer son effet sur la confiance et l’intention d’adoption. De plus, l'anxiété avec la technologie s’est avéré un concept clé qui impacte négativement les avantages perçus de la qualité de service (Park et al. 2019). C’est pourquoi ce mémoire souhaite aussi évaluer l’effet de l’anxiété avec la technologie comme antécédent à la QSE ainsi que son rôle modérateur sur la relation confiance-intention d’adoption. Pour répondre aux objectifs de l’étude, une juxtaposition de deux méthodes quantitatives a été adoptée, soit une expérience de simulation réelle avec un chatbot lors d’une soumission d’assurance automobile suivie par la complétion d’un questionnaire et ce, auprès de 430 participants issus d’un panel web. Les résultats démontrent que toutes les dimensions de la QSE ont un impact significatif sur l’intention d’adoption et sur la confiance. On note par ailleurs l’effet positif prépondérant du plaisir sur l’intention d’adoption dans ce contexte utilitaire et l’effet négatif du malaise perçu. De plus, l’anxiété avec la technologie influence toutes les dimensions de la QSE, sauf le plaisir. En fait, l’anxiété avec la technologie exacerbe davantage les dimensions négatives (malaise, préoccupations sur la vie privée) qu’elle n’en atténue les dimensions positives (praticité, personnalisation). Les résultats démontrent aussi que l’anxiété avec la technologie érode l’effet positif de la confiance sur l’intention d’adoption. Cette étude apporte plusieurs contributions à la littérature en marketing numérique et en qualité de service à l’ère de l’IA. Première au Canada, cette étude propose une nouvelle échelle de mesure de la QSE adaptée aux chatbots dont l’effet sur la confiance et l’intention d’adoption est démontré. Elle se distingue aussi par l’intégration à la fois de dimensions affectives (ex. plaisir et malaise) et utilitaires (praticité, préoccupations sur la vie privée) de la QSE. De plus, elle est la première à révéler l’impact modérateur de l’anxiété avec la technologie sur la relation confiance-intention d’adoption. Plusieurs implications managériales sont discutées pour permettre aux gestionnaires du secteur de réussir leur implantation d’un chatbot, notamment en misant sur le plaisir, dimension souvent sous-estimée dans ce domaine utilitaire, en atténuant le malaise au-delà des préoccupations sur la vie privée et en alignant les chatbots de façon personnalisée, proactive et cohérente aux préférences des utilisateurs. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : qualité de service électronique, chatbot, anxiété avec la technologie, praticité, plaisir, personnalisation, préoccupations sur la vie privée, malaise, confiance, intention d’adoption, services financiers
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».