Première étude : créez un sondage TAM, puis lancez CFA et SEM

Andrzej Szymkowiak · Dernière révision : septembre 2026

TL;DR : Un questionnaire de base sur le Technology Acceptance Model (TAM) mesure quatre construits : l'utilité perçue, la facilité d'utilisation perçue, l'attitude envers l'utilisation et l'intention comportementale d'utiliser, avec trois ou quatre items Likert en 7 points chacun (14 items ici). Ce parcours construit ce sondage, le collecte sur Prolific, puis lance une CFA et un CB-SEM sur les mêmes 521 réponses complètes issues de données simulées. La CFA s'ajustait bien (CFI = .985, RMSEA = .034), chaque construit dépassait les seuils habituels de fiabilité et de validité, et quatre des cinq chemins TAM étaient significatifs.

Voici un parcours complet d'une première étude quantitative, de la page blanche au modèle structurel ajusté. Nous allons créer un sondage basé sur le Technology Acceptance Model (TAM), ajouter des items validés depuis la bibliothèque, les personnaliser, prévisualiser l'expérience du répondant, configurer la collecte de données sur Prolific, et terminer par une confirmatory factor analysis (CFA) et un covariance-based structural equation modeling (CB-SEM), le tout dans un seul outil, sans export vers un logiciel de statistiques séparé. Si vous travaillez encore sur votre question de recherche ou la structure de votre questionnaire, voyez d'abord de la question de recherche au questionnaire.

Les chiffres et figures ci-dessous proviennent d'un jeu de données simulé (556 réponses générées à partir d'une structure TAM connue). Nous utilisons des données simulées pour que vous puissiez suivre chaque étape sans dépenser d'argent en collecte de données. Dans une vraie étude, les étapes sont identiques ; seules les réponses diffèrent.

Qu'est-ce que le Technology Acceptance Model ?

Le TAM explique pourquoi les gens adoptent une nouvelle technologie. Dans sa forme courante, il comprend quatre construits :

• Perceived Ease of Use (PEOU) - à quel point la technologie semble facile à utiliser.
• Perceived Usefulness (PU) - à quel point elle vous aide dans votre travail.
• Attitude Toward Using (ATT) - votre évaluation globale de son utilisation.
• Behavioral Intention (BI) - la probabilité que vous l'utilisiez.

Les chemins classiques sont simples : la facilité d'utilisation alimente l'utilité et l'attitude ; l'utilité et l'attitude alimentent l'intention. Chaque construit est mesuré par plusieurs items de Likert, ce qui fait du TAM un exemple clair pour la CFA et le SEM.

Étape 1 : créer l'étude

Ouvrez la page Studies et cliquez sur New study. Donnez-lui un nom, ici Technology Acceptance (TAM), et choisissez la langue. Vous partez d'une étude vide.

C'est toute la configuration. Il n'y a pas d'assistant de projet à traverser, donc vous arrivez directement dans le constructeur.

Étape 2 : ajouter des items validés depuis la bibliothèque

Vous n'avez pas à taper vos items TAM à la main. Ouvrez une section, cliquez sur le bouton de la bibliothèque, et cherchez dans la bibliothèque d'échelles TAM - Technology Acceptance Model (Davis, 1989). Pour les construits absents de la bibliothèque, voyez comment trouver une échelle validée pour savoir comment trouver des batteries validées dans la littérature.

L'échelle charge quatre construits sous forme de matrices de Likert en 7 points : Perceived Usefulness (PU), Perceived Ease of Use (PEOU), Attitude Toward Using (ATT), et Behavioral Intention to Use (BI). Chacun porte plusieurs items et un nom de variable clair (PU1, PU2, …). Les items d'utilité et de facilité d'utilisation viennent de Davis (1989). Cet article a développé les échelles d'utilité et de facilité d'utilisation. Il n'avait pas d'échelle d'attitude, et son critère était l'usage déclaré et l'usage prévu par les répondants eux-mêmes. Les construits d'attitude et d'intention viennent de Davis, Bagozzi et Warshaw (1989) : vérifiez donc d'où viennent les items d'attitude et d'intention de votre version, et citez cette source dans votre section Méthode. Vous pouvez ajouter l'échelle à la section ou remplacer ce qui s'y trouve déjà.

Les items arrivent avec un texte générique de remplacement, [the system], pour que la batterie convienne à n'importe quelle technologie avant que vous l'adaptiez :

Les noms de variables comptent plus tard : ils deviennent les en-têtes de colonnes de vos données et les libellés que l'analyse utilise pour regrouper les items en facteurs. Les noms de la bibliothèque suivent déjà une convention de préfixe (PU1, PU2, …), que l'étape d'analyse lit automatiquement.

Étape 3 : personnaliser les items

La bibliothèque vous donne un point de départ, pas une cage. La première chose à faire est de remplacer le texte de remplacement [the system] par votre propre technologie. Ici, c'est Explonia, donc PEOU1 devient « Apprendre à utiliser Explonia serait facile pour moi. » Chaque item est modifiable, vous pouvez donc aussi :

• réécrire la formulation pour qu'elle corresponde à votre technologie,
• réduire ou ajouter des items (gardez au moins trois par construit, voyez la note ci-dessous),
• changer le nombre de points de l'échelle et les libellés d'ancrage,
• renommer les variables, marquer des items comme obligatoires, ou ajouter une logique d'affichage.

Une habitude simple mais utile : gardez vos préfixes de construit cohérents (tous les items de facilité d'utilisation commencent par PEOU). Cela garde les données propres et laisse l'analyse construire le modèle de mesure pour vous.

Avant de lancer, vérifiez trois choses

• Ajoutez un court écran de consentement et d'instructions au début. La participation doit être volontaire et anonyme.
• Gardez au moins 3 items par construit. Un facteur latent réflexif a besoin de trois indicateurs pour être identifié en CFA et SEM (avec deux, un facteur isolé est sous-identifié), et il vous faut plusieurs items pour estimer la fiabilité (α, CR) et pour pouvoir retirer un item faible tout en en gardant assez. Trois à six items par construit est la fourchette habituelle, et la batterie TAM utilisée ici en compte trois ou quatre. Quand vous développez une nouvelle échelle, Hinkin (1998) suggère quatre à six items par construit dans l'échelle finale, et d'en rédiger environ deux fois plus au départ, afin de pouvoir retirer les items faibles.
• Réduisez tout le reste : coupez les questions redondantes et les données démographiques que vous n'analyserez pas. Dans cette limite, un sondage plus court donne de meilleures données.

Étape 4 : prévisualiser l'expérience du répondant

Cliquez sur Draft preview pour voir exactement ce qu'un participant voit. La prévisualisation exécute la vraie vue du répondant, y compris les contrôles de champs obligatoires et la logique d'affichage. Basculez entre Desktop et Mobile. Beaucoup de participants répondent sur téléphone, donc la mise en page mobile mérite un coup d'œil.

La prévisualisation n'enregistre pas les réponses, vous pouvez donc cliquer autant de fois que vous voulez.

Étape 5 : configurer la collecte sur Prolific

Quand le sondage est prêt, vous recrutez des participants. Explonia se connecte à Prolific depuis l'intérieur du panel, vous n'avez donc pas à copier des liens dans les deux sens. Ouvrez l'onglet Recruitment : chaque étude active a deux boutons, Commission pilot (un petit test) et Commission main run (l'échantillon complet).

L'un ou l'autre bouton ouvre un court assistant qui demande une description, le nombre de participants, la rémunération et les filtres de qualité, et affiche le coût total avant tout débit. Pour savoir combien de participants viser, voyez taille d'échantillon avant la collecte de données. Pour un guide pas à pas des réglages et filtres Prolific, voyez recruter des participants sur Prolific. L'assistant se termine sur un récapitulatif. Vous pouvez Create draft, ce qui prépare l'étude sur Prolific sans vous facturer. Seule l'action distincte Publish lance le recrutement payant. Pour ce tutoriel, nous nous arrêtons au brouillon.

Dans une vraie étude, une fois que vous publiez, les réponses reviennent automatiquement dans Explonia, marquées de leur identifiant Prolific et de leur état d'approbation. Pour ce parcours, nous utilisons un ensemble simulé de 556 réponses afin de passer directement à l'analyse.

Étape 6 : décider quelles réponses entrent dans l'analyse

Avant de lancer le moindre modèle, tranchez une question : quelles lignes comptent ? Explonia enregistre chaque réponse avec un statut. Dans ce jeu de données, les 556 réponses se répartissent ainsi.

L'onglet Sample de chaque analyse porte ce filtre, et il ne garde par défaut que les réponses complètes. Cela donne N = 521 pour cette étude. Réglez-le une fois et n'y touchez plus, car le filtre s'applique à tous les modèles que vous lancez sur ce jeu de données.

Cela compte plus qu'il n'y paraît. Si vous lancez le modèle de mesure sur un ensemble de lignes et le modèle structurel sur un autre, les deux séries de fit indices ne sont plus comparables, et un relecteur qui additionne vos chiffres le remarquera. Vérifiez le N affiché sur chaque carte d'analyse et assurez-vous qu'ils concordent. Notez aussi qu'aucun des 14 items TAM n'a ici de réponse manquante, donc la listwise deletion ne retire rien ; les 35 lignes exclues le sont à cause de leur statut, pas de données manquantes. Dans une vraie étude avec des données manquantes au niveau des items, vous verriez une seconde baisse, plus petite, et vous devriez rapporter les deux chiffres.

Étape 7 : confirmatory factor analysis (CFA)

Une fois l'échantillon fixé, ouvrez Analyses et créez une nouvelle analyse. Dans l'onglet CFA, cliquez sur Suggest from names : le constructeur lit les préfixes de vos variables et propose le modèle de mesure à quatre facteurs (PEOU1-4 → PEOU, PU1-4 → PU, ATT1-3 → ATT, BI1-3 → BI). Ajustez si besoin, puis Run CFA.

L'analyse s'exécute dans votre navigateur. Sur les 521 réponses complètes, le modèle de mesure s'ajustait bien : χ²(71) = 114.94, p < .001.

Les charges factorielles standardisées allaient de .66 à .79, donc chaque item se chargeait clairement sur le construit visé.

Le nombre qui compte le plus est la charge standardisée (β), qui dit avec quelle force chaque item reflète son construit. La voici pour les 14 items ; chaque charge estimée est significative (tous p < .001). Un item par construit (PEOU1, PU1, ATT1, BI1) est l'indicateur de référence qui fixe l'échelle du construit, il n'a donc ni erreur type ni valeur p :

Indicateur de référence : la charge non standardisée est fixée à 1.000, donc aucune erreur type ni valeur p n'est estimée ; les charges standardisées sont indiquées pour tous les items.

Le tableau de fiabilité et de validité est calculé en même temps :

McDonald's ω et la CR sont identiques ici, car les deux sont calculés à partir des mêmes charges de la CFA. Rapportez ω ou la CR à côté de α, car α suppose que tous les items chargent aussi bien les uns que les autres.

Tous les construits ont dépassé les seuils habituels : Cronbach's α, McDonald's ω et composite reliability (CR) au-dessus de .70, average variance extracted (AVE) au-dessus de .50. La validité discriminante tenait aussi, car chaque ratio HTMT était inférieur à .85. Rapportez le plus élevé plutôt qu'un simple « tous sous .85 » : ici c'est .82, pour l'attitude avec l'intention. C'est dans le seuil, mais assez près pour qu'un relecteur demande si les deux construits sont vraiment distincts, alors dites ce que vous en pensez et pourquoi.

Si vous voulez le contexte de l'un de ces éléments, voyez nos notes sur la confirmatory factor analysis, la fiabilité (α, CR, AVE), et la validité discriminante HTMT.

Étape 8 : CB-SEM, le modèle structurel

La CFA vous dit que les items mesurent ce qu'ils doivent mesurer. Le CB-SEM teste comment les construits sont reliés. Dans l'onglet CB-SEM, gardez le même modèle de mesure et tracez les chemins structurels : PEOU → PU, PEOU → ATT, PU → ATT, PU → BI, et ATT → BI. Le diagramme de chemin est interactif, et vous pouvez l'exporter en PNG, JPG, SVG ou PDF pour un manuscrit.

L'échantillon, ce sont les mêmes 521 réponses, et les items sont les mêmes 14. C'est voulu, et c'est ce qui rend les deux séries de chiffres comparables :

Lisez ce tableau comme un contrôle, pas seulement comme un résultat. Le modèle structurel utilise les mêmes items et les mêmes quatre facteurs que la CFA, et il remplace seulement les corrélations libres entre facteurs par un ensemble plus petit de chemins orientés. Autrement dit, il est emboîté dans la CFA : il peut dépenser moins de paramètres, jamais plus. Son χ² ne peut donc que monter et ses df ne peuvent que monter, et un modèle structurel qui s'ajuste nettement mieux que son propre modèle de mesure est le signe que quelque chose diffère entre les deux exécutions, en général l'échantillon ou la liste d'items. Ici l'écart est d'un degré de liberté et Δχ²(1) = 0.63, p = .43, donc retirer le chemin direct PEOU → BI ne coûte rien, et les deux lignes concordent à la troisième décimale. Voilà à quoi ressemble une paire saine.

Quatre des cinq chemins sont significatifs. Le modèle expliquait une part notable de variance dans chaque construit en aval : R² = .37 pour l'utilité, .56 pour l'attitude, et .67 pour l'intention.

Le seul chemin qui n'a pas atteint la significativité mérite une phrase à lui, car c'est la partie intéressante. L'effet direct de l'utilité sur l'intention est faible et non significatif (β = .081, p = .298), tandis que l'effet indirect passant par l'attitude est fort et significatif (β = .441, p < .001), ce qui donne un effet total de .521. L'utilité influence toujours l'intention, mais elle le fait par l'attitude et non en la contournant. Un chemin direct non significatif à côté d'un chemin indirect fort est une preuve de médiation, et non la preuve que le prédicteur ne compte pas ; l'écrire ainsi est plus exact que de supprimer le chemin en faisant comme si vous ne l'aviez jamais tracé.

Étape 9 : la Article description

Chaque écran d'analyse comporte aussi une boîte Article description. Explonia rédige un paragraphe de résultats au format APA, en utilisant vos chiffres réels : fit indices, chemins significatifs, tailles d'effet. Vous le copiez, le modifiez pour qu'il corresponde à votre voix, et le gardez comme le vôtre :

A covariance-based SEM was estimated by maximum likelihood (N = 521). The model showed the following fit: χ²(72) = 115.564, p < .001; CFI = .985; TLI = .981; RMSEA = .034 [90% CI .022, .045]; SRMR = .028. Significant structural paths: Ease of Use → Usefulness (β = .608, p < .001); Ease of Use → Attitude (β = .231, p < .001); Usefulness → Attitude (β = .582, p < .001); Attitude → Intention (β = .757, p < .001).

C'est un brouillon, pas un paragraphe final. Il liste les chemins qui ont atteint la significativité, alors ajoutez vous-même celui qui ne l'a pas atteinte, avec la lecture de médiation ci-dessus, avant que cela n'approche d'un manuscrit.

Que mettre dans votre section Méthode

Pour une étude comme celle-ci, une section Méthode rapporterait :

• Échantillon et collecte : 556 réponses collectées via Prolific ; 521 réponses complètes analysées après exclusion de 18 réponses partielles et de 17 réponses écartées ou rejetées ; participation volontaire et anonyme.
• Mesures : quatre construits TAM (PEOU, PU, ATT, BI) sur des échelles de Likert en 7 points ; items issus d'une batterie validée.
• Analyse : CFA et CB-SEM avec estimation par maximum likelihood sur les mêmes 521 cas ; fiabilité via α et CR ; validité convergente via AVE ; validité discriminante via HTMT ; ajustement du modèle via CFI, TLI, RMSEA, et SRMR.

Pour les seuils et les conventions de présentation, voyez comment rapporter les résultats CFA au format APA et rapporter les fit indices d'un SEM. Comme les quatre construits proviennent du même questionnaire, les relecteurs peuvent aussi vous interroger sur le common method bias, alors anticipez cette question dès le stade de la conception : common method bias : la prévention vaut mieux que la détection →.

Conclusion

Un seul outil nous a menés de l'étude vide au modèle structurel ajusté : construire avec des items validés, prévisualiser, recruter sur Prolific, et lancer CFA et CB-SEM sur le même écran et le même échantillon. Le modèle de mesure était fiable et valide, et les chemins structurels correspondaient pour l'essentiel à la théorie TAM, l'utilité atteignant l'intention par l'attitude. Comme l'analyse s'exécute dans votre navigateur, vos données de réponse ne sont pas envoyées à un serveur pour être analysées. Les réponses elles-mêmes sont stockées de façon sécurisée dans l'UE.

Rappelez-vous : le jeu de données ici est simulé à des fins pédagogiques. Vos vrais résultats différeront, mais le déroulement, et le résultat prêt à publier, seront les mêmes.

Erreurs fréquentes à éviter

• Lancer le modèle de mesure et le modèle structurel sur des filtres de réponses différents, ce qui donne deux N différents et rend les fit indices non comparables.
• Rapporter un modèle structurel qui s'ajuste mieux que sa propre CFA ; le modèle structurel est emboîté dans le modèle de mesure, donc sur un même échantillon cela ne peut pas arriver.
• Confondre une réponse exclue et une réponse manquante ; écarter les lignes partielles ou écartées est une décision d'échantillonnage, la listwise deletion est une décision sur les données manquantes, et les deux ont leur place dans la Méthode.
• Appeler échec un chemin direct non significatif sans vérifier d'abord l'effet indirect, car la médiation complète ressemble exactement à cela.
• Écrire « tous les HTMT sous .85 » et s'arrêter là au lieu de donner la valeur la plus élevée, qui est ici .82 et mérite quand même un commentaire.
• Traiter les chemins TAM transversaux comme causaux ; le plan d'étude soutient l'association, alors écrivez « cohérent avec » plutôt que « cause ».

Questions fréquentes

References

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008

Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982-1003. https://doi.org/10.1287/mnsc.35.8.982

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104-121. https://doi.org/10.1177/109442819800100106

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1-55. https://doi.org/10.1080/10705519909540118

Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23-44. https://doi.org/10.1037/1082-989X.12.1.23

Comment Explonia le fait pour vous

Explonia garde la décision sur l'échantillon au même endroit : l'onglet Sample fixe le filtre de réponses, et tous les modèles de ce jeu de données en héritent, donc votre CFA et votre CB-SEM ne peuvent pas dériver par accident vers des N différents. La boîte Article description rédige ensuite le paragraphe APA à partir des chiffres réellement estimés, et vous restez l'auteur de chaque phrase que vous gardez. Quand vous voulez vérifier les estimations ailleurs, les données s'exportent vers SPSS (.sav), R et AMOS, et le modèle s'exporte comme script R pour lavaan. Notre page de validation montre comment les résultats du moteur se comparent à ceux de R.

Vous voulez mener votre propre étude de bout en bout ? Construisez-la, collectez-la, et lancez une vraie CFA et un vrai SEM sur vos propres données, avec un brouillon de paragraphe APA que vous pouvez modifier. Commencer gratuitement →