L'impact de l'empathie perçue sur les préoccupations pour la vie privée en ligne, le sentiment de malaise et la confiance d'un utilisateur dans un contexte chatbot
Bibliographic record
Abstract
Lors d'une interaction avec un utilisateur, un chatbot devrait-il interagir en toute neutralité, ou simuler le comportement d’un être humain par la simulation de certaines émotions? Des chercheurs explorent depuis quelques années le développement d’interfaces conversationnelles sensibles aux émotions avec l’objectif d’améliorer l’expérience en ligne des utilisateurs en permettant, entre autres, la simulation d’empathie (McTear, 2020). L’usage d’empathie dans un contexte chatbot permet de développer une relation de confiance avec l’utilisateur (Pelau et al. 2021). Qu’en est-il lorsque des données confidentielles sont échangées? Quel est son rôle face au sentiment de malaise, une réaction sous-jacente aux préoccupations pour la vie privée de l’utilisateur. Pour répondre à ces questions, cet article examine l’effet de la perception d’empathie à l’égard d’un chatbot sur le mécanisme liant les préoccupations pour la vie privée en ligne, le sentiment de malaise et la confiance envers le chatbot. Pour ce faire, l’étude déploie une simulation de soumission d’assurance automobile dirigée par un chatbot auprès de 205 participants recrutés en collaboration avec une firme de recherche reconnue au Canada. Un modèle d’équations structurelles et des analyses de régression modérées ont été utilisés pour l’analyse des données. L’étude démontre que la perception d’empathie des utilisateurs à l’égard d’un chatbot réduit leurs préoccupations pour la vie privée en ligne, leur sentiment de malaise sous-jacent et augmente leur confiance. Le sentiment de malaise occupe aussi un rôle médiateur complet entre les préoccupations pour la vie privée en ligne et la confiance envers le chatbot. Finalement, on observe que l’effet des préoccupations pour la vie privée en ligne sur le sentiment de malaise et l’effet de cette dernière variable sur la confiance envers un chatbot est modéré par la perception d’empathie à l’égard de l’agent. L’étude comporte des implications pour les spécialistes du marketing. Tout d’abord, les résultats démontrent qu’il est possible de générer une perception d’empathie à l’égard du chatbot par l’intégration d’éléments clés dans une interaction. Cette perception augmente de manière significative la confiance envers un chatbot. Elle réduit aussi les préoccupations pour la vie privée des utilisateurs et leur malaise sous-jacent. D’ailleurs, les résultats soulignent aussi qu’il est possible de générer cette perception en utilisant une interface conversationnelle basée sur des règles. Ces différents constats démontrent l’accessibilité de cette pratique pour les organisations. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Chatbot, empathie perçue, préoccupations pour la vie privée en ligne, sentiment de malaise, confiance, marketing interactif, services financiers.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".