Modèles d’acceptation d’une technologie et mécanismes attentionnels : l’adoption de ChatGPT chez les étudiants de l’enseignement supérieur

Composition du jury :

• Christophe ASSENS, Professeur des universités à l’Université UVSQ (Directeur de thèse)
• Bertrand BELVAUX, Professeur des universités à l’Université Bourgogne-Europe (Rapporteur)
• Nathalie GUIBERT, Professeur des universités à l’Université Paris-Panthéon-Assas (Examinatrice)
• Hajer KEFI, Professeur à l’école de management Léonard de Vinci (Co-directrice de thèse)
• Vincent MEYER, Professeur des universités à l’Université Côte d’Azur (Examinateur)
• Raluca MOGOS DESCOTES, Professeur des universités à l’Université du Littoral-Côte d’Opale (Rapporteur)

Résumé

Résumé : Cette thèse de doctorat de sciences de gestion développe une approche complémentaire des théories sur l’adoption d’une technologie, en y incluant les processus et mécanismes de l’attention. Les deux modèles d’adoption d’un SI (système d’information), appliqués à notre terrain empirique de recherche, sont le PAM (post-acceptance model) et le TAM (technology acceptance model).

Le volume de cette thèse de doctorat est organisé en trois parties : la première (théorique) présente les théories de l’usage des technologies en management et sciences sociales (psychologie, ergonomie et sociologie) (chapitre 1), les recherches sur l’attention utilisées en sciences de
gestion inspirées des neurosciences, de l’économie, de la psychologie (chapitres 2 et 3). La seconde décrit le contexte d’application et le terrain de recherche : l’intégration de ChatGPT et des IAG (intelligence artificielle générative) dans les systèmes éducatifs (chapitre 4), les analyses
des IAG en termes de bénéfices/risques (chapitre 5), des études empiriques sur la perception et les attitudes face à ChatGPT en milieu étudiant (chapitre 6) et la méthodologie de construction du questionnaire (chapitre 7). La troisième expose les résultats de l’enquête quantitative, réalisée
auprès d’étudiants d’établissements d’enseignement supérieur, en présentant d’abord une description globale des données (chapitre 8), puis les modélisations par équations structurelles, établies à partir de SmartPLS, chez les utilisateurs (chapitre 9) et chez les non-utilisateurs de
ChatGPT (chapitre 10). Le questionnaire administré en milieu étudiant vise à observer différentes dimensions : variables attentionnelles, composantes du PAM et du TAM, variables sociodémographiques, de contrôle.

L’échantillon de convenance analysé est composé de 615 étudiants (Universités publiques et privées, Écoles supérieures d’ingénieurs et de commerce, Instituts de travail social). 429 individus sur 615 sont des utilisateurs de ChatGPT et 176 des non-utilisateurs. Cinq construits attentionnels ont été élaborés en complément des composantes du PAM et le TAM : auto-estimation de la surcharge informationnelle ; types de conduite multitâches quotidiennes, médiatiques et numériques ; niveau de contrôle attentionnel lié la distractibilité auto-observée ; engagement dans le travail académique ; échelle de besoin de cognition, en plus d’une échelle de difficultés/stress de ressources financières.

Dans l’approche descriptive (chapitre 8), les utilisateurs sont scindés en deux tendances : usage déviant versus régulé de ChatGPT. Le premier groupe, plutôt transgressif sur le plan de l’intégrité académique, est composé d’individus faiblement ou moyennement impliqués dans le travail d’étude, exprimant une forte tendance à distractibilité et un haut niveau de surinformation ressentie. Le second, plus motivé par les études, moins distrait, moins débordé (faible sentiment de surinformation), tend à moins utiliser ChatGPT et à le concevoir comme moins utile. Les équations structurelles (méthode PLS-SEM) (chapitres 9 et 10) ont permis de tester les hypothèses et les interactions entre les variables attentionnelles, entre elles, ainsi que pour les composantes du PAM et du TAM. La facilité perçue d’utilisation n’est plus un critère déterminant pour expliquer l’usage effectif de ChatGPT. Les facteurs d’implication cognitive influencent le scepticisme des étudiants vis-à-vis des IAG. On observe donc un effet négatif de l’impact de l’engagement dans les études et du besoin de cognition sur les qualités perçues de ChatGPT. Il existe peu d’influence entre les variables attentionnelles (surinformation, distractibilité, multitâche) et celles du PAM ou du TAM. En revanche, certaines de ces variables déterminent les construits d’implication cognitive précédemment évoqués.