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
Bibliographic record
Abstract
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
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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 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".