Étude empirique traitant des facteurs qui influencent l’intention de partager un contenu à caractère publicitaire dans un contexte de média

social
Auteur : Olivier Mermet

Directeur de recherche : Olivier Caya, Ph. D

Mémoire présenté au programme de Maîtrise en administration pour l’obtention du grade de Maître ès Science en gestion du commerce électronique

Faculté d’administration Université de Sherbrooke

18 Novembre 2010

ii

Sommaire de l’étude
Malgré une littérature riche, des champs d’études variés et de nombreuses applications réussies par les praticiens, le phénomène de transmission virale des contenus en ligne (rapide et exponentielle) reste un mystère. Pourtant, les outils aujourd’hui en vogue intègrent toute une palette de fonctions permettant aux internautes de partager des contenus de façon aussi simple que naturelle. Ce document explore les motivations des internautes à partager des vidéos publicitaires dites virales, dans un contexte de média social, et plus précisément, sur Facebook. Pour cela, des internautes utilisateurs de Facebook sont exposés au visionnement de vidéos sélectionnées pour leur caractéristiques (hédonistes ou instrumentales), et leur intention de partage sur Facebook est mesurée à l’aide d’échelles issues de la littérature en technologie de l’information, et celle entourant la théorie du Capital Social. Les variables liées au contexte dans lequel se trouvent les utilisateurs s’avèrent être très significatives après analyse des résultats de régressions linéaires multiples. La valeur du contenu pour le collectif, et la perception de l’efficacité du message sont déterminants, et les aspects structurels du réseau social de l’individu tout comme les aspects cognitifs du médium utilisé se révèlent être des pistes probables à étudier pour la suite.

iii

Remerciements
La lourde tâche que représente la rédaction d’un mémoire est tout simplement impossible sans l’intervention de celles et ceux qui ont contribué au projet. En premier lieu, je veux remercier mon directeur de mémoire, le professeur Olivier Caya, pour son indéfectible soutien, la passion de la recherche qu’il aura su me transmettre, et la rigueur académique dont il a su faire preuve. Également je remercie le professeur Harold Boeck pour m‘avoir offert la chance de venir étudier à Sherbrooke, et pour son soutien permanent depuis. Ce fut, chers professeurs, un immense honneur, un plaisir, et surtout une fierté que d’avoir pu évoluer à vos côtés. Mes remerciements vont aussi au professeur Jessica Lévesque, pour avoir accepté d’être relectrice de ce document, aux professeurs Jean Éthier et John Ingham du département de SIMQG pour m’avoir initié à la recherche, et à tous les professeurs qui auront contribué à mon épanouissement à l’Université de Sherbrooke. Il est également impossible de ne pas penser à mes camarades de la cohorte 2008 : Chuck, Karine, Pascale, Pat, Paul, Melissa, Phil. Merci pour votre amitié. La route est longue, la pente est ardue, mais on y est arrivé, et nos chemins se recroiseront. Un #merci bien spécial s’adresse aux personnes qui m’auront aidé à propulser la collecte de données sur Twitter, ainsi qu’à l’équipe de l’agence Uranium Interactive, et particulièrement Antoine, pour m’avoir accueilli chez eux. De même, je remercie profondément mes amis Sacha, Yasha, Saber, Thoma, J-P, Pat, Vanessa, Anne-Marie, Chris, Alexis, MarieChristine, Thierry, Julien, Geoffrey, Jérémy, Pierre, Romain, Pierrick et tous ceux qu’une seule page m’empêche de citer, mais qui se reconnaîtront. Je remercie du fond du cœur mes parents pour leur soutien, leur amour et leur présence morale malgré la distance. J’espère que vous serez fier quoi qu’il advienne. Enfin, Mélanie, pour qui cette simple ligne aura plus d’importance que tout le reste et dont le soutien et la simple présence auront été vital. Merci.

iv

v

Table des matières
CHAPITRE 1 : Introduction ............................................................ 1  
1.1 Contexte .................................................................................................... 1  
1.1.1 Marketing, nouveaux usages et médias sociaux............................................1   1.1.2 Facebook........................................................................................................3   1.1.3 Marketing Viral ...............................................................................................4   1.1.4 Statistiques, format vidéo et « loi de Zuckerberg » ........................................7  

1.2 Problématique ........................................................................................... 9  
1.2.1 Un processus aléatoire et incontrôlable .........................................................9   1.2.2 Structure des réseaux sociaux .....................................................................11   1.2.3 Flou stratégique : perspective Micro versus Macro ......................................12  

1.3 Limites des recherches existantes .......................................................... 14  
1.3.1 Le courriel comme principal vecteur.............................................................14   1.3.2 Problème de terminologie : qu’est ce que le « viral »...................................15   1.3.3 La valeur du contenu commercial dans les médias sociaux ........................17  

1.4 Objectifs de cette étude........................................................................... 18   1.5 Questions de recherche et structure du document ................................. 18  

CHAPITRE II : Revue de littérature.............................................. 20  
2.1 La littérature en Marketing....................................................................... 22  

vi

2.1.1 La tradition du bouche-à-oreille ....................................................................22   2.1.2 Le bouche-à-oreille électronique ou « word-of-mouse » ..............................24   2.1.3 L’émergence du terme « viral » ....................................................................26  

2.2 La littérature sur les réseaux et réseaux sociaux .................................... 29  
2.2.1 Réseaux : de la physique à la sociologie .....................................................29   2.2.2 Réseaux sociaux : Petit monde, lien forts et liens faibles ............................35   2.2.3 Réseaux-sociaux, influence et Marketing Viral ............................................40  

2.3 Capital Social, Management et Technologies de l’Information ............... 43  
2.3.1 L’acte de contribuer dans un réseau ou une communauté en ligne.............43   2.3.2 Le capital social ............................................................................................46   2.3.3 Les dimensions du Capital Social ................................................................49   2.3.4 Marketing viral, contribution et Capital Social .............................................51  

2.4 Conclusion............................................................................................... 54  

CHAPITRE III : Modèle de recherche et Hypothèses ................. 56  
3.1 Présentation du support théorique principal............................................ 56   3.2 Différences par rapport au modèle original ............................................. 58   3.3 Variables dépendantes ........................................................................... 60  
3.3.1 Intention de partager ....................................................................................60   3.3.2 Comportement..............................................................................................61  

vii

3.3.3 Lien entre les deux dépendantes .................................................................62  

3.4 Variables indépendantes......................................................................... 62  
3.4.1 Réputation ....................................................................................................63   3.4.2 Appréciation .................................................................................................64   3.4.3 Centralité ......................................................................................................65   3.4.4 Efficacité connective.....................................................................................67   3.4.5 Efficacité informative ....................................................................................68   3.4.6 Engagement .................................................................................................70   3.4.7 Valeur perçue du gain collectif .....................................................................71  

3.5 Récapitulatif des hypothèses .................................................................. 73  

CHAPITRE IV : Méthodologie....................................................... 76  
4.1 Design de recherche ............................................................................... 76  
4.1.1 Description du type de recherche.................................................................76   4.1.2 Description du design de recherche .............................................................77   4.1.2.1 Variables permanentes..........................................................................77   4.1.2.2 Variables contextualisées......................................................................78   4.1.2.3 Vidéos exposées ...................................................................................78   4.1.2.4 Cheminement du questionnaire.............................................................79  

4.2 Échantillon............................................................................................... 81  

viii

4.2.1 Population cible : les utilisateurs de Facebook ............................................81  

4.3 Constitution de l’outil de mesure ............................................................. 82  
4.3.1 Mesure du construit : Réputation .................................................................82   4.3.2 Mesure du construit : Appréciation ...............................................................83   4.3.3 Mesure du construit : Centralité ...................................................................84   4.3.4 Mesure du construit : Efficacité connective ..................................................86   4.3.5 Mesure du construit : Efficacité informative..................................................87   4.3.6 Mesure du construit : Engagement ..............................................................88   4.3.7 Mesure du construit : Valeur du gain collectif...............................................89   4.3.8 Mesure de l’Intention ....................................................................................91   4.3.9 Mesure du Comportement (expérimental)....................................................92  

4.4 Pré-test.................................................................................................... 92   4.5 Méthode de Collecte ............................................................................... 93  

CHAPITRE V : Résultats............................................................... 95  
5.1 Statistiques Socio-démographiques........................................................ 95   5.2 Validité des échelles de mesure ............................................................. 97  
5.2.1 Analyse de la fidélité des variables ..............................................................98   5.2.2 Analyses en composantes principales .......................................................101  

5.3 Structure des analyses.......................................................................... 109  

ix

5.3.1 Création des index .....................................................................................109   5.3.2 Écriture du modèle de régression et structure des résultats ......................112  

5.4 Régression et analyse de la vidéo 1 ..................................................... 113  
5.4.1 Analyse du R2 et de la variance pour la première régression.....................113   5.4.2 Inférence des paramètres et analyse des β de la 1ère régression ..............114   5.4.2.1 ß1 Centralité.........................................................................................116   5.4.2.2 ß2 Centralité 2......................................................................................116   5.4.2.3 ß3 Appréciation [APP] ..........................................................................116   5.4.2.4 ß4 Efficacité connective [EFC] .............................................................117   5.4.2.5 ß5 Engagement [ENG] .........................................................................117   5.4.2.6 ß6 Réputation [REP1] ..........................................................................117   5.4.2.7 ß7 Efficacité informative [EFI1] ............................................................118   5.4.2.8 ß8 Valeur du gain collectif [VGC1] .......................................................118   5.4.3 Rangement des effets pour la 1ère régression ............................................118   5.4.4 Analyse de la colinéarité avec les VIF pour la 1ère régression....................119   5.4.5 Analyse des résidus pour la 1ère régression ...............................................120  

5.5 Régression et analyse de la vidéo 2 ..................................................... 124  
5.5.1 Analyse du R2 et de la variance pour la 2nde régression .............................124   5.5.2 Inférence des paramètres et analyse des β ...............................................125   5.5.2.1 ß1 Centralité.........................................................................................127  

x

5.5.2.2 ß2 Centralité 2......................................................................................127   5.5.2.3 ß3 Appréciation [APP] ..........................................................................127   5.5.2.4 ß4 Efficacité connective [EFC] .............................................................128   5.5.2.5 ß5 Engagement [ENG] .........................................................................128   5.5.2.6 ß6 Réputation [REP2] ..........................................................................128   5.5.2.7 ß7 Efficacité informative [EFI2] ............................................................129   5.5.2.8 ß8 Valeur du gain collectif [VGC2] .......................................................129   5.5.3 Rangement des effets pour la 2nde régression............................................129   5.5.4 Analyse de la colinéarité avec les VIF pour la 2nde régression ...................130   5.5.5 Analyse des résidus pour la 2nde régression...............................................131  

5.6 Régression et analyse des deux vidéos combinées ............................. 134  
5.6.1 Analyse du R2 et de la variance pour la 3ème régression ............................134   5.6.2 Inférence des paramètres et analyse des β pour la 3ème régression .......135   5.6.2.1 ß1 Centralité.........................................................................................136   5.6.2.2 ß2 Centralité 2......................................................................................137   5.6.2.3 ß3 Appréciation [APP] ..........................................................................137   5.6.2.4 ß4 Efficacité connective [EFC] .............................................................137   5.6.2.5 ß5 Engagement [ENG] .........................................................................138   5.6.2.6 ß6 Réputation [REPT] ..........................................................................138   5.6.2.7 ß7 Efficacité informative [EFIT] ............................................................138  

xi

5.6.2.8 ß8 Valeur du gain collectif [VGCT] .......................................................138   5.6.3 Rangement des effets pour la 3ème régression ...........................................139   5.6.4 Analyse de la colinéarité avec les VIF pour la 3ème régression ..................139   5.6.5 Analyse des résidus pour la 3ème régression ..............................................140  

5.7 Récapitulatif des résultats ..................................................................... 144  
5.7.1 Modèle et récapitulatif des hypothèses validées ........................................144   5.7.2 Récapitulatif de l’analyse des VIF ..............................................................146   5.7.3 Récapitulatif de l’analyse des résidus ........................................................146  

CHAPITRE VI : Discussion des résultats.................................. 148  
6.1 Rappels des objectifs ............................................................................ 148   6.2 Résultats clés ........................................................................................ 149  
6.2.1 Valeur du gain collectif ...............................................................................149   6.2.2 Efficacité informative ..................................................................................151   6.2.3 Les variables non significatives ..................................................................154   6.2.4 Contenu hédoniste VS contenu instrumental .............................................156   6.2.5 Variables permanentes VS variables contextualisées ...............................158  

6.3 Implications ........................................................................................... 159  
6.3.1 Implications académiques ..........................................................................159   6.3.2 Implications managériales ..........................................................................161  

xii

6.4 Limites ................................................................................................... 163  
6.4.1 La mesure du comportement de partage ...................................................163   6.4.2 Biais de population .....................................................................................163   6.4.3 Objectif de contribution et objectif de partage ............................................164   6.4.4 Raffinage des mesures nécessaires ..........................................................164  

CHAPITRE VIII : Conclusion ...................................................... 165   CHAPITRE IX : Bibliographie ..................................................... 167  
Annexe I : Résultats détaillés de l’analyse en composantes principales du pré-test ........................................................................................................ 192   Annexe II ..................................................................................................... 264   Sorties techniques et analyse des résidus des trois régressions................ 264   Annexe III .................................................................................................... 271   Approbation du comité d’éthique................................................................. 284  

xiii

Liste des figures
Figure 1 : les principaux sites de partage vidéo en ligne.............................................................................. 7   Figure 2 : Illustration basique d'un réseau (tiré de Newman 2003) ........................................................... 30   Figure 3 : Différences entre réseaux aléatoires et réseaux sans échelle).................................................. 33   Figure 4 : Représentation du réseau biologique de maladies et de leurs gènes communs connus. ......... 38   Figure 5 : Représentation du réseau formé par la blogosphère francophone ............................................ 39   Figure 6 : Modèle théorique de Wako et Faraj (2005)................................................................................ 57   Figure 7 : Modèle théorique de la présente étude...................................................................................... 59   Figure 8 : Intégration de la vidéo ................................................................................................................ 80   Figure 9 : Résidus de la première régression .......................................................................................... 122   Figure 10 : Résidus de la première régression (suite).............................................................................. 123   Figure 11 : Résidus de la seconde régression ......................................................................................... 132   Figure 12 : Résidus pour la seconde régression (suite) ........................................................................... 133   Figure 13 : Résidus pour la régression totale........................................................................................... 142   Figure 14 : Résidus pour la régression totale (suite)................................................................................ 143   Figure 15 : illustration des hypothèses validées par le modèle ............................................................... 144   Figure 16 : "I can haz cheezburger" ......................................................................................................... 153  

xiv

Liste des tableaux
Tableau 1 : Récapitulatif des hypothèses................................................................................................... 74   Tableau 2 : Mesure du construit "Réputation" [REP].................................................................................. 83   Tableau 3 : Mesure du construit "Appréciation" [APP] ............................................................................... 84   Tableau 4 : Mesure du construit "Centralité" [CENT] ................................................................................. 86   Tableau 5 : Mesure du construit "Efficacité Connective" [EfC] ................................................................... 87   Tableau 6 : Mesure du construit "Efficacité Informative" [EfI]..................................................................... 88   Tableau 7 : Mesure du construit "Engagement" [ENG] .............................................................................. 89   Tableau 8 : Mesure du construit "Valeur du gain collectif" [VGC]............................................................... 90   Tableau 9 : Mesure de la variable dépendante "Intention" [INT] ................................................................ 91   Tableau 10 : Statistiques socio-démographiques et usage de Facebook .................................................. 96   Tableau 11 : Alpha de Cronbach par construit ........................................................................................... 99   Tableau 12 : Alpha de Cronbach par Construit (suite) ............................................................................. 100   Tableau 13 : Résultats de la première APC ............................................................................................. 101   Tableau 14 : Matrice après rotation de la première ACP.......................................................................... 102   Tableau 15 : Matrice après rotation de la première ACP (suite)............................................................... 103   Tableau 16 : Résultats de la seconde APC .............................................................................................. 105   Tableau 17 : Matrice après rotation de la seconde ACP .......................................................................... 105   Tableau 18 : résultats de l’ACP confirmatoire .......................................................................................... 106   Tableau 19 : Matrice après rotation de l’ACP confirmatoire ..................................................................... 107   Tableau 20 : Matrice après rotation de l’ACP confirmatoire (suite) ......................................................... 108   Tableau 21 : Nomenclature des variables utilisées pour les régressions................................................. 110   Tableau 22 : Statistiques descriptives par index ...................................................................................... 111   Tableau 23 : R2, R2 ajusté et p-value de la 1
ère

régression ..................................................................... 114  

Tableau 24 : p-value cote t et VIF de la première régression................................................................... 115   Tableau 25 : Classement des effets pour la première régression ............................................................ 119   Tableau 26 : VIF pour la 1
ère

régression ................................................................................................... 120  

xv

Tableau 27 : tests de normalité des résidus de la 1 Tableau 28 : R2 et p-value de la 2
nde

ère

régression ............................................................ 121  

régression...................................................................................... 125  
nde

Tableau 29 : p-value cote t et VIF de la 2

régression ........................................................................... 126  
nde

Tableau 30 : Classement des effets pour la 2 Tableau 31 : VIF pour la 2
nde

régression .................................................................... 130  

régression ................................................................................................. 130  
nde

Tableau 32 : tests de normalité des résidus de la 2 Tableau 33 : R2 et p-value de la 3
ème

régression .......................................................... 131  

régression ..................................................................................... 134  
ème

Tableau 34 : p-value cote t et VIF de la 3

régression ......................................................................... 136  

Tableau 35 : Classement des effets pour la première régression ............................................................ 139   Tableau 36 : VIF pour la 3
ème

régression.................................................................................................. 140  
ème

Tableau 37 : tests de normalité des résidus de la 3

régression........................................................... 141  

Tableau 38 : récapitulatif de la validation des hypothèses ....................................................................... 145   Tableau 39 : récapitulatif des VIF ............................................................................................................. 146   Tableau 40 : récapitulatif des analyses des résidus ................................................................................. 147  

xvi

CHAPITRE  1  :  Introduction  
1.1  Contexte  
1.1.1 Marketing, nouveaux usages et médias sociaux « Nos activités dans le numérique ont progressé de 15%, et représentent aujourd’hui 27% de nos revenus globaux », se félicitait en avril 2010 Maurice Lévy, président et chef du directoire de Publicis Groupe, le troisième groupe de communication au monde, lors de la publication des résultats financiers de son entreprise, au premier trimestre 2010.1 Malgré la crise économique de 2008 et les difficultés qu’ont connu tous les grands groupes de communication, publicité et marketing au cours des deux dernières années, les investissements liés au numérique, bien qu’ayant chuté globalement en 2009, ne cesseront de progresser dans l’avenir. 2 L’industrie des communications n’est pas la seule à avoir changé de façon drastique, suite aux évolutions des technologies de communication. Les usages du public de ces innovations sont tout aussi surprenants.

1

Source : PR Newswire, 21 avril 2010 : http://www.prnewswire.com/news-releases/publicisgroupe-first-quarter-2010-revenue---back-to-growth-91790689.html 2 Source : Emarketer : http://www.emarketer.com/Reports/All/Emarketer_2000615.aspx

1

Parmi les nouveaux usages en vogue sur la toile, il en est un qu’il est difficile d’ignorer : les « Média Sociaux». Il est encore difficile de cadrer précisément ce néologisme, aux vues des discussions ayant encore lieu à ce sujet, chez les spécialistes. Cependant, il est possible de définir globalement les médias sociaux comme étant : « Un groupe d’applications en ligne permettent la création et l’échange du contenu généré par les utilisateurs » (Haenlin & Kaplan 2007) La littérature explorant les aspects sociaux d’Internet emploie plus fréquemment le terme de « réseau social en ligne », dérivé entre autres de travaux de Grannovetter (1973) sur les réseaux sociaux, où celui-ci décrivait la façon dont l’information circule au sein d’un réseau, en fonction de la force du lien unissant les individus le composant. Les outils considérés comme étant des médias sociaux peuvent avoir des buts initiaux différents, comme le partage de musique, de photos, d’informations personnelles ou de contenu écrit ou vidéo, mais ils ont en commun le fait de permettre à leurs utilisateurs de créer, d’interagir, et de partager des informations. Parmi ces services, on peut compter quelques piliers comme Facebook, FlickR, Youtube ou encore Twitter, qui ont pour particularité de « lier » les internautes entre eux, créant ainsi l’enchaînement dyadique nécessaire à la construction d’un réseau. Ces types de liens portent des noms différents en fonction des outils utilisés, mais renvoient à la même conception de la connexion entre les individus : les internautes sont « amis » sur

2

Facebook, « collègues » sur LinkedIn, « Followers/Followed » sur Twitter (Twitter établit une relation asymétrique), ou tout simplement « contacts » sur FlickR. 1.1.2 Facebook Parmi les services sus-mentionnés, il en est un qui se détache du lot, pour plusieurs raisons : que ce soit grâce à l’attention médiatique qu’on lui porte depuis bientôt trois ans, que ce soit parce que sa courbe d’adoption fulgurante atteint aujourd’hui plus de cinq cent millions d’utilisateurs, ou à cause des frasques de son jeune fondateur Mark Zuckerberg, à propos de la vie privée, Facebook fait indéniablement figure de numéro un dans la sphère des médias sociaux. Fondé en 2004 dans un dortoir d’Harvard, ce réseau-social en ligne est aujourd’hui une des entreprises les plus florissantes de la Sillicon Valley. Microsoft y a investi plus de 240 millions de dollars en 2008, portant ainsi l’évaluation financière de l’entreprise à près de 10 milliards de dollars à l’époque. Après 6 années d’existence, Facebook est évalué à plus de 35 milliards de dollars. 3 4 Si les géants de la technologie ou de la finance s’intéressent à Facebook, les experts du marketing également. En effet, les fonctionnalités du site ont permis à de nombreuses entreprises, de toute taille, de s’y implanter, tant à l’échelle
3 4

http://www.facebook.com/press http://www.allfacebook.com/report-facebook-now-worth-35-billion-2010-03

3

locale que globale, afin de bénéficier des services offerts par la plate-forme, comme la création de « fanpage » (page fan), où les opérations de dissémination de contenu publicitaire sont depuis monnaie courante dans la sphère du marketing interactif. 1.1.3 Marketing Viral Comme pour tout média réunissant une audience massive, Internet est depuis une dizaine d’années, un terrain d’expérimentations très prisé des

professionnels du marketing. Au delà de la publicité en ligne sous ses formes traditionnelles, (bannière de différents formats, emails promotionnel), les praticiens du marketing en ligne s’intéressent de plus en plus aux stratégies mettant à contribution les internautes de façon interactive, les incitant à se « passer le mot ». Ce type de procédé qualifié de viral a été démocratisé par le service de messagerie en ligne Hotmail, qui, en 1996, a intégré dans chaque courriel envoyé, un message cliquable invitant les récepteurs à s’inscrire à ce service (Juvertson 2000). Ainsi, le service de messagerie a enregistré une hausse exponentielle du nombre d’inscriptions avec près de douze millions d’inscriptions en moins de dix-huit mois. Facebook est considéré comme un éco-système très favorable à la propagation des informations entre les individus, et est devenu en quelques mois la plateforme favorite des spécialistes du marketing viral. À titre d’exemple, près de

4

20% du trafic du journal en ligne le Huffington Post provient de Facebook5, ce qui souligne bien que l’information y est non seulement présente, mais qu’elle y circule. Sommairement, le marketing viral utilise les internautes et les recommandations qu’effectuent des individus auprès de leurs connaissances afin de promouvoir un message, service, produit ou marque. Ainsi, les retombées peuvent être réellement conséquentes, pour un investissement initial minimal. Les principales théories sur le marketing viral empruntent leurs fondations à celles du bouche-à-oreille, et son qualifiées de bouche-à-oreille électronique (souvent décrit par la littérature anglophone comme « word-of-mouse » : Steffes et Burgee 2002 ; Subramani ; Rajagopalan 2003). Les schémas de transmission, sont presque identiques en ligne et hors ligne (Hennig-Thurau et al. 2004), et peuvent dépendre des contextes : il est possible de transmettre une information à caractère publicitaire ou non, à une seule ou plusieurs personnes simultanément, tout comme il est possible de

recommander un produit ou service à une seule ou plusieurs personnes. Cependant, la principale différence entre le bouche-à-oreille traditionnel et le marketing viral, réside dans le fait que le marketing viral suggère que les personnes touchées, « infectées », transmettent à leur tour l’information à d’autres personnes, et ceci de façon répétitive et exponentielle. Le bouche-àoreille traditionnel serait plutôt une recommandation qui se transmettrait d’une

5

http://www.allfacebook.com/huffington-post-thanks-facebook-for-massive-growth-2009-10

5

personne à une autre, sans engendrer nécessairement la volonté de retransmettre l’information par la suite (Godin 2007) ou qui, à défaut de subir une croissance exponentielle, finirait par s’évanouir petit à petit. Aucun écrit de la littérature sur le bouche-à-oreille ne mentionne d’aspect exponentiel, alors que c’est une des caractéristiques de celle sur le marketing viral. Les effets et conséquences du bouche-à-oreille traditionnel diffèrent donc de ceux du marketing viral, mais ces deux pratiques ont en commun d’être motivées par des facteurs similaires, internes et externes. Depuis 1996 et le lancement de Hotmail, de nombreux annonceurs ont pris le tournant et ont emprunté la voie du marketing viral, en incitant les internautes à devenir leurs médiateurs. Des marques de renommées internationales, comme Quicksilver, Doritos, Levi’s, Procter&Gamble, Ray-Ban ou Mini-Cooper, utilisent ces procédés de façon régulière : qu’il s’agisse de vidéos, de sites promotionnels interactifs, de création de blogs ou de groupes de fans sur Facebook, l’attention portée par les annonceurs sur les consommateurs et leur potentiel de propagation des messages publicitaires s’est traduite par une montée spectaculaire des pratiques liées aux aspects sociaux et

communautaires du web. Les mentions comme « envoyer à un ami » ou « partager ceci » fleurissent autour des contenus produits par les annonceurs, et certaines actions de marketing à succès, font aujourd’hui partie intégrante de la cyber-culture, comme la publicité « Wassup » de Budweiser, ou encore le

6

spot « Evolution » de Dove (Lion d’or du grand prix international de la publicité de Cannes en 2007)6. 1.1.4 Statistiques, format vidéo et « loi de Zuckerberg » Les investissements publicitaires dans le format vidéo en ligne représentent aujourd’hui 1,5 milliards de dollars, et les prévisions annoncent qu’en 2014, plus de 5 milliards de dollars y seront dépensés annuellement. 7 En ce qui concerne les usages, le format vidéo reste le format favori pour le divertissement en ligne aux États Unis, avec une moyenne de plus de 4 heures et demie par mois, et un taux de pénétration de 60% de la population internaute. Le site de partage vidéo Youtube reste leader incontesté sur ce marché, alors que Facebook s’est placé en seconde position des sites les plus fréquentés pour consommer de la vidéo (voir figure 1).

Figure 1 : les principaux sites de partage vidéo en ligne

6 7

Archive du site Canneslions.com Source : Adweek et emarketer : http://www.adweek.com/aw/content_display/news/digital/e3i2a62321a15dd65d8a686bcb4cb2e5 2c8

7

Ces statistiques varient en fonction des instituts d’études, de par la méthodologie et dans la façon dont sont présentés les résultats. Cependant ; la tendance à la hausse se confirme, et l’arrivée de nouveaux outils mobiles (iPad, téléphones intelligents) ne fait que confirmer l’état solide de ce médium. Aujourd’hui, 83% des professionnels du marketing ont recours à des pratiques liées aux médias sociaux, et plus de 70% des internautes utilisent des sites de partage de vidéo, de photo, lisent des blogs, ou sont membres d’un réseau social en ligne. En 2008, Mark Zuckerberg, le jeune président du réseau social Facebook annonçait que les utilisateurs allaient échanger sur son site deux fois plus d’information que l’année précédente. “I would expect that next year, people will share twice as much information as they share this year, and next year, they will be sharing twice as much as they did the year before,” he said. “That means that people are using Facebook, and the applications and the ecosystem, more and more.” Ainsi, il est légitime de penser, sans toutefois donner entièrement raison à la « loi de Zuckerberg »8, que devant la quantité grandissante de données échangées en ligne sur les médias sociaux, les messages à caractères publicitaires, et spécifiquement les vidéos, y trouveront leur place.

8

La « loi de Zuckerberg est une référence ironique à la loi de Moore parue dans la version en ligne du New York Times après la citation sus-mentionnée. http://bits.blogs.nytimes.com/2008/11/06/zuckerbergs-law-of-information-sharing/

8

1.2  Problématique  
1.2.1 Un processus aléatoire et incontrôlable Une des principales problématiques qui concerne l’efficacité des actions de marketing viral est qu’elles ne sont pas absolues. Même si il existe quelques facteurs évidents concernant le fait qu’un contenu suscitera ou non l’intérêt des internautes, comme les émotions transmises (Dobele et al. 2005), il est pour l’instant impossible de prédire fermement et par avance qu’une réalisation se propagera ou non. Quelques études applicables au marketing viral se sont centrées sur la structure, les systèmes et les processus de transmission et de diffusion des informations au sein des réseaux sociaux, en ligne ou non (Newman 2003 ; Leskovek et al. 2007), mais il n’existe que très peu de cas académiques où le comportement de transmission et les facteurs influençant l’internaute sont examinés (Huang et al. 2008). La complexité des dynamiques de transmission d’information dans les réseaux sociaux fait qu’à l’heure actuelle, la plupart des productions «virales» ont été basées sur des observations classiques de ce qui a fonctionné ou non, auparavant. Cette approche hasardeuse, mais néanmoins compréhensible des producteurs, est révélatrice du manque d’informations et d’orientation quant aux stratégies à adopter. Pourtant, de plus en plus, les responsables de la diffusion de tels messages ont naturellement réalisé que grâce à certaines pratiques

9

relevant des relations publiques, il était possible donner aux messages un élan de départ en faisant en sorte que ceux-ci se retrouvent sur des sites à forte audience (blogs reconnus, journaux et organes presse en ligne divers). Une autre problématique liée au marketing viral, qui a déjà été abordée par la littérature sur le bouche-à-oreille, concerne les effets positifs et négatifs des opérations. En effet, comme mentionné précédemment, le marketing viral est difficilement contrôlable et ce, sur plusieurs aspects. Premièrement en termes de diffusion, un message publicitaire n’étant pas nécessairement destiné à devenir viral peut finalement se trouver être digne de l’intérêt des internautes, et se propager sur le Web. Le cas typique concerne les publicités diffusées lors de la finale du Superbowl, qui, au lendemain de l’événement, se retrouvent dans les boites de courriel de millions de personnes, sur les profils Facebook ou dans les favoris de Youtube. En second lieu, il est à noter qu’un contenu qui deviendrait viral n’est pas forcément une caractéristique positive, et plusieurs messages publicitaires se sont retrouvés au cœur de polémiques néfastes pour leur annonceur. Récemment, la marque d’aspirine Motrin en a fait les frais, et sa vidéo, qui présentait avec condescendance la douleur que pouvait représenter le fait de porter un enfant, a suscité la polémique auprès des « mamans blogueuses », pour qui le ton de la vidéo était trop accablant. Le message a ensuite pris de l’ampleur sur le site de « micro-blogging » Twitter, après mention d’un des Twitters les plus actifs dans le monde (David Armano) pour au final, susciter

10

l’incompréhension

et

parfois

l’indignation

de

certains

blogueurs.

Les

conséquences ont été assez dramatiques : la publicité qui avait coûté plusieurs milliers de dollars a été retirée des ondes, l’achat d’espace publicitaire payé d’avance a été revendu à perte (engendrant une supposée perte de plusieurs millions de dollars), le pire restant les appels aux boycotts des produits de Motrin qui ont émergés par la suite9. 1.2.2 Structure des réseaux sociaux Il est d’autant plus délicat de mesurer, de contrôler, ou de prédire l’impact d’une campagne de marketing viral, que le Web et de façon plus précise, les réseaux sociaux en ligne, sont des réseaux larges et « sans échelle ». Autrement dit, les liens composant le réseau ne suivent pas une loi de distribution normale, et leur variance est infinie (Barabasi 1999). Il est important de noter ce contexte de réseau sans échelle, lorsque l’on étudie les réseaux sociaux en ligne. Sans aller jusqu’à l’exploration poussée des formules mathématiques permettant de prouver l’existence de tels réseaux, il est nécessaire de préciser que la topologie des réseaux sans échelle est constituée de nœuds (la plupart du temps des pages HTML ou des URL) ayant un nombre plus important de liens (liens pointant vers ces pages), de connexions, que les autres. Ainsi, les liens entre les membres d’une communauté virtuelle ne sont pas répartis de façon aléatoire, et certains disposent de beaucoup plus de connexions que d’autres.
9

http://www.web-strategist.com/blog/2008/11/17/motrin-mothers-groundswell-by-the-numbers/

11

Dans un contexte de média social, ces « hubs » sont des utilisateurs au centre des réseaux. En repensant au cas Motrin mentionné précédemment, on peut clairement considérer que David Armano est un « hub » sur Twitter. Le fait qu’il ait endossé la cause des mères en colère a permis au message d’atteindre une masse d’internautes plus éloignée dans le réseau, lui donnant ainsi une exposition plus grande. Ces personnalités hyper-connectées et « influentes » sont aujourd’hui la cible prioritaire des professionnels du marketing, car la population potentielle exposée à leurs propos est généralement plus massive, en plus du fait qu’ils permettent au message d’atteindre de nouvelles sphères d’influence. (Kempe et al. 2003 ; Java et al. 2007). 1.2.3 Flou stratégique : perspective Micro versus Macro Un des principaux problèmes des gestionnaires d’aujourd’hui se situe dans la perspective d’étude du phénomène de propagation virale des informations. Si le processus est plus ou moins connu et que certains mécanismes ont su faire leurs preuves dans la facilitation du procédé, d’autres restent encore des zones grises peu exploitées. Plusieurs s’attèlent à mettre en œuvre des stratégies de dissémination, auprès des relais d’influence (blogueurs, médias, « hubs » etc.) afin d’obtenir de l’audience. De même, au niveau des contenus, certaines propriétés de ces derniers se sont avérées être des qualités évidentes d’aide à la propagation.

12

Par exemple, on sait que les vidéos choquantes, très drôles, les informations politiques ou tout ce qui fait référence à un aspect particulier d’une culture, sont des contenus plus propices à la propagation. De même, au niveau structurel, les travaux de sociologie découlant de Granovetter (1973) et sa théorie de la force des liens faibles, ont mis en exergue des contextes sociaux plus ou moins propices à la propagation des informations dans un réseau social (Steffes et Burgee 2008). En revanche, peu de gestionnaires ont étudié le phénomène à une échelle plus individuelle. Même si le domaine du marketing viral reste un champ nouveau, et que plusieurs préfèrent en étudier les conséquences ou les mécanismes, il existe aujourd’hui suffisamment de matériel (individus, données,

environnements) pour étudier non pas le processus, mais ce qui le motive. En somme, on connaît la façon dont un contenu se propage, on connaît les contextes et outils favorables, on connaît les contenus. La question qui permettrait de faire avancer ce champ de pratique, et d’éclairer les décisions des gestionnaires reste « Pourquoi ».

13

1.3  Limites  des  recherches  existantes  
1.3.1 Le courriel comme principal vecteur Il serait prétentieux d’affirmer que les médias sociaux et la propagation d’informations « virales » ne font pas l’objet de recherches. Dans beaucoup de sphères académiques, et principalement en sciences sociales, on voit émerger des études sur le phénomène. Celles-ci ont permis de tracer les premières lignes directrices de projets à venir, comme les travaux de l’anthropologue digitale Danah Boyd (Boyd 2008). La Science des réseaux, et ses chefs de file comme Barabasi, Watts, Marlow, orchestrent également une approche plus physique et mathématique des conséquences de la création de ces liens sociaux sur la transmission et la diffusion d’informations en leur sein. Il est également possible de citer le « Hewlett Packard Social Computing Lab » de l’Université Stanford, une entité dédiée à l’étude du phénomène depuis plusieurs années maintenant. Les études les plus populaires menées sur les intentions de transmission d’un message dit « viral », ont pour la plupart été menées en prenant comme support à la transmission, le courriel (Phelps et al. 2004 ; Chiu et al. 2006 ; Huang et al. 2008). Ainsi il a été possible d’identifier des facteurs déterminants, dans un comportement de transmission de message, comme les émotions provoquées, et la nature des contenus dans le message (Phelps et al. 2004),

14

l’effet de surprise (Lindgreen et Vanhamme 2005) ou les dimensions sociales (Huang et al. 2008). En revanche, il n’y a à ce jour aucune étude portant sur les utilisations des médias sociaux comme support au marketing viral. Or, de par leur nature sociale, leur construction ergonomique, leurs interfaces simplifiées, et la quantité d’information partagée s’y trouvant, il semble cohérent de penser que ces derniers seraient un catalyseur efficace à la diffusion « virale » d’un message. Il est encore délicat de se prononcer sur la pérennité de telles études, vu la manière dont les comportements et usages en ligne changent. Malgré cela, il est aujourd’hui possible d’affirmer que web social et marketing viral coïncident de manière cohérente, et la juxtaposition de ces deux sphères d’études dans un cadre académique est amplement justifiée par la pratique. 1.3.2 Problème de terminologie : qu’est ce que le « viral » La littérature sur le sujet est également hésitante à déterminer précisément l’adjectif « viral » dans un contexte d’affaire. Si en médecine la terminologie est claire, pour les gestionnaires elle est loin d’être définie. Ce terme emprunté à l’épidémiologie, peut en effet porter à confusion. Même si dans le processus de diffusion au sein d’un réseau, un virus et une information utilisent les membres du dit réseau pour se propager, la manière dont ils se propagent et les lois entourant leur propagation sont différentes.

15

Suite à la création du terme, le qualificatif « viral » a également été utilisé, certainement à tord, pour décrire certaines formes de contribution à un contenu (commentaires, revues…) raccrochant ainsi l’adjectif viral, au processus de bouche-à-oreille. Le choix d’un consommateur de partager une donnée dite virale, de devenir un « multiplicateur » (McCraken 2005) n’est en rien comparable avec la propriété pathogène d’une maladie transmissible à se propager au travers d’un réseau, dans le sens où la donnée laisse un choix, et qu’un virus sous-entend une forme de « soumission ». Si l’on regarde l’histoire de terme « viral » en marketing, on sait que la première personne à l’avoir utilisé était Juvertson, un investisseur de la Sillicon Valley, qui l’utilisa en 1999 pour décrire le procédé d’acquisition de clients de la messagerie en ligne Hotmail, qui insérait un lien vers son service à chaque fois qu’un courriel était envoyé. Hors, Hotmail ne prenait aucunement en compte la volonté des utilisateurs à partager ou non cette donnée, et « soumettait » ses utilisateurs à cette pratique. Ce flou terminologique a fait naître un récent débat à ce propos, certains académiques (Jenkins 2009) et professionnels ont proposé le terme « spreadable » (diffusable) pour décrire le procédé entourant la diffusion aujourd’hui dite « virale ». Cependant, en observant la transmission en soi (et non ses motivations), des universitaires plus scientifiques (physiciens, épidémiologues, mathématiciens) ont fait avancer cette science des réseaux de façon à démontrer plusieurs

16

similarités structurelles entre la propagation des maladies et celles des informations au sein d’un réseau (Pastor-Satorras et Vespignani 2001). 1.3.3 La valeur du contenu commercial dans les médias sociaux Si l’étude de la transmission d’information en général intéresse les chercheurs, la diffusion de contenus explicitement publicitaires reste encore peu explorée. La forme du message (choquant, drôle…) ayant déjà été abordée, il n’a pas été clairement mentionné, dans aucune des études précédemment nommées, que les contenus à caractère publicitaires étaient l’objet précis de recherche. Même si la limite est parfois mince et la distinction peu évidente entre un contenu publicitaire et un contenu neutre (certains annonceurs restant très discrets dans leurs productions), cette perception pourrait changer l’attitude du transmetteur, et la force de son désir de faire passer l’information. Or, face à la qualité de certains messages à caractères publicitaires, et à leur valeur hédoniste ou informative (Vidéo, Jeux, textes…), il est possible que le récepteur d’un message déjà engagé auprès d’une marque ou d’un produit, puisse en devenir l’évangéliste et décide de la partager avec ses contacts. À l’inverse, si un internaute juge négativement le fait qu’un contenu qu’il trouve intéressant soit en fait un message à caractère publicitaire, il pourra éventuellement se résoudre à ne pas le partager, ou pire encore, le dénigrer publiquement.

17

1.4  Objectifs  de  cette  étude  
Aux vues des précédentes pages, il apparaît clairement que les nouvelles formes de relations sociales en ligne, la diffusion des informations au sein des réseaux sociaux et l’utilisation du marketing viral, font chacun l’objet de plusieurs travaux académiques. En revanche, à l’heure actuelle, aucune étude n’a encore appliqué le contexte de média social comme support à la diffusion de messages publicitaires, grâce aux stratégies virales. S’inscrivant dans une perspective individuelle, cette étude a pour but d’identifier les facteurs qui influencent l’intention des internautes à partager un contenu à caractère publicitaire, dans un contexte de média social.

1.5  Questions  de  recherche  et  structure  du  document  
Afin de compléter les objectifs de l’étude, il sera nécessaire de répondre à plusieurs questions de recherche. En premier lieu, le but de cette recherche est d’identifier les facteurs qui influenceraient l’intention de partager un contenu publicitaire dans un contexte de média social. Ainsi, la première question de recherche serait la suivante : Question de recherche 1 : Quels sont les facteurs qui influencent une intention de partager un contenu à caractère publicitaire, dans un contexte de média social ?

18

La seconde question à se poser, afin de répondre à celle-ci, tient dans la sélection des théories déjà existantes : Question de recherche 2 : Quelle théorie serait applicable au contexte de média social, dans l’optique d’un partage de contenu à caractère publicitaire ?

Par la suite, la nécessité de prouver quels facteurs sont les plus efficaces pour mesurer cette intention, amène à poser la question suivante : Question de recherche 3 : Les facteurs identifiés dans les théories ont-ils tous la même force sur l’intention de partager ?

L’importance du contenu partagé pose logiquement la question suivante : Question de recherche 4 : Le type de contenu partagé a-t-il une influence sur la force des facteurs qui expliquent l’intention de partager ?

Enfin, il serait nécessaire de s’interroger sur la mesure du comportement et de l’intention. Question de recherche 5 : Y a-t-il un lien évident entre l’intention déclarée de partager un contenu à caractère publicitaire et le comportement de partage ?

19

CHAPITRE  II  :  Revue  de  littérature  
Dans le but d’identifier et mesurer les facteurs qui influencent une intention de partage dans un contexte de réseau social en ligne, il est nécessaire de s’intéresser aux disciplines qui ont exploré et tenté d’expliquer, avec plus ou moins de succès, des phénomènes similaires, ou ayant quelques points communs avec le contexte, au cours des dernières décennies. Ainsi, il sera en premier lieu question de Marketing. Le partage de contenu publicitaire par les internautes est un Graal que certaines entreprises tentent de décrocher et que beaucoup de chercheurs et praticiens ont tenté d’expliquer. Cependant, certains des enjeux et résultats bénéfiques de pratiques visant à faire participer l’internaute à la transmission d’un message, pour créer du bouche-à-oreille électronique sont déjà reconnus tant par la communauté scientifique que professionnelle (Bampo et al. 2008), et depuis plusieurs années, l’aspect « viral » du Marketing sur Internet, le « Word-of-Mouse », est un phénomène qui a su prendre de solides racines théoriques, même si bien des points restent à éclaircir. Par la suite, le fort potentiel de connectivité entre les internautes consom’acteurs du marketing viral, amènera logiquement à porter un regard intéressé à la sociologie, et à la science des réseaux, qui bénéficient du potentiel amené par Internet, depuis que la technologie permet de plus en plus aisément de cartographier, mesurer, recenser et comprendre à la fois la

20

structure des relations mais également la circulation des informations au sein de ces réseaux. De plus, Facebook (comme les outils sociaux du Web en général), est un outil qui a suscité un phénomène d’une rare ampleur dans cette branche des sciences humaines, « bouleversant » quelques peu certaines règles établies dans le domaine de la Sociologie (Boyd 2008). Enfin, il sera bon de prendre sérieusement en considération ce que proposent les Technologies de l’Information, domaine qui explore depuis plusieurs années maintenant les comportements humains face aux nouvelles méthodes de communication, et dont les contributions sont certainement les plus représentatives et les plus utiles pour cette étude (Wasko et Faraj 2005). En effet, qu’il s’agisse du cadre de l’entreprise, de l’Université ou de la vie courante, les problématiques du partage d’information en ligne, de la gestion des connaissances en entreprise et des motivations à partager, ont déjà été abordées de façon empirique a de nombreuses reprises et plusieurs études ont reporté de francs succès dans cet exercice d’analyse. Ce chapitre de l’étude s’articulera donc autour des trois disciplines susmentionnées tout en conservant comme finalité les implications pour le marketing viral.

21

2.1  La  littérature  en  Marketing    
Cette section présente l’évolution du concept de bouche-à-oreille. Le but de l’étude étant de mesurer les facteurs qui influencent les intentions des internautes à partager des contenus à caractère publicitaire au sein de leur réseau social en ligne, un retour aux notions de base, sur la première forme de communication générée par les consommateurs, à savoir le bouche-à-oreille (B-à-O), est essentielle. L’influence mutuelle exercée par les hommes sur leurs pairs est un fait millénaire, qui attirait déjà l’attention des penseurs grecs, plusieurs siècles avant Jésus Christ. Aristote parlait de persuasion dans son ouvrage « La Réthorique », et les 2400 ans nous séparant de l’époque du philosophe ont fait évoluer cet « art » vers une science… 2.1.1 La tradition du bouche-à-oreille Le bouche-à-oreille est un phénomène qui suscite l’intérêt des chercheurs en marketing depuis les années 60. L’un des pionniers de la discipline, Arndt (1967) a décrit ce phénomène comme étant : « une communication orale, d’un individu émetteur à individu récepteur, à propos d’une marque, produit ou d’un service, que le récepteur ne perçoit pas comme étant commercial. » (Arndt 1967 page 3 ) D’autres chercheurs (Cox 1967 ; Westbrook 1987) décrivaient le bouche-àoreille comme n’étant ni plus ni moins qu’une conversation informelle, à propos

22

de l’usage, de la propriété ou des caractéristiques d’un produit. Le vecteur de communication direct et oral, impliquait que celui-ci fut éphémère, et que le message contagieux d’un individu à un autre « s’évaporait », tout en

élargissant les frontières habituelles de la publicité traditionnelle, et en limitant grandement le contrôle que les organisations avaient sur le message (Stern 1994). La crédibilité du bouche-à-oreille se résume principalement à sa nature altruiste et au faible coût social engendré (Goldsmith et Horowitz 2006). La motivation pour un émetteur de fournir l’information au récepteur est articulée autour des bénéfices que ce récepteur pourra en retirer. C’est une des raisons pour lesquelles ce phénomène est plus crédible aux yeux des consommateurs que les communications émanant directement des entreprises (Buttle 1998). La sphère sociale du consommateur a joué un rôle décisif dans l’appréhension des mécanismes du B-à-O. Certaines études (Brown et Reingen 1987) ont démontré l’importance des liens sociaux et des ressemblances sociales (homophilie) dans l’influence que génèrent les consommateurs entre eux. De fait, l’efficacité des communications directes entre les consommateurs s’est révélée être de loin supérieure à celle de la publicité traditionnelle (imprimée, radio ou vente directe). Ces communications, en plus d’avoir une influence directe sur les comportements d’achats, modifient les attentes, usages, et perceptions post-usage des produits (Katz et Lazarsfeld 1955 ; Arndt 1967, Engel et al. 1969).

23

Malgré certaines divergences sur le sujet, comme les motivations à générer des recommandations en cas de satisfaction ou, au contraire, de forte insatisfaction (Anderson 1998), il ressort quelques éléments clés indéfectibles et propres au domaine hors-ligne, comme le côté éphémère, direct (face à face et dans le temps), et oral, à la fois positif ou négatif de ces communications inter consommateurs. 2.1.2 Le bouche-à-oreille électronique ou « word-of-mouse » Avec l’arrivée des communications électroniques, ces caractéristiques

indéfectibles se sont vues transformées, même si fondamentalement, aucune étude n’a fait émerger de différences majeures dans les antécédents du bouche-à-oreille hors-ligne ou en ligne (Datta et al. 2005). Internet a permis de briser certaines barrières, notamment géographiques, de la portée du message. Le côté direct et vivant s’est vu effacé au profit des communications asynchrones (courriel, forum, commentaires de

consommateurs à même le site etc.) et la trace du message est devenue plus persistante qu’une simple parole (Buttle 1998 ; Dellarocas 2003 ; HennigThurau et al. 2004). Plusieurs dimensions ont dès lors été renforcées par ces différences, ou ont été ajoutées au concept, comme l’homophilie (similarités dans l’âge, le sexe éducation, statut social) et la confiance entre l’émetteur et le récepteur (Goldsmith et Horowitz 2006 ; Steffes et Burgee 2008). Il est bon de noter que le phénomène de bouche-à-oreille en ligne est également accepté

24

lorsque les deux sources ne se connaissent pas ou que l’une d’entre elles est anonyme, mais que les dimensions altruistes ou démotivées en sont affectées de façon négative. Par exemple, sur les commentaires des applications pour iPhone, ou les revues de consommateurs d’Amazon, rien ne prouve que l’auteur (ou une autre personne intéressée) n’est pas le contributeur (Steffes et Burgee 2008). En revanche, certaines autres ressources de bouche-à-oreille ou de rétroaction émanant d’experts sont recevables, et seraient toujours considérées comme démotivées, lorsque la source est reconnue comme étant « experte » par le récepteur. Les revues de consommateurs sur des sites spécialisés sont un bon exemple. Le lien social pré-existant n’est donc plus une condition nécessaire à l’existence d’une forme de bouche-à-oreille. Les résultats de certaines études (Steffes et Brugee 2008) ont démontré que lors du processus d’acquisition d’information, les sources homophiles étaient plus à même d’être influentes dans la décision, que les sources d’information provenant des connexions proches, de liens forts. Les natures asynchrones et unidirectionnelles de certains messages en ligne ont fait naître différents contextes de réception du message. Le consommateur soumis à un message peut être désireux de le recevoir, lorsqu’il est en recherche active d’informations, ou simplement être exposé au message lorsqu’un membre de son réseau a pris l’initiative de lui en faire part, parce qu’il a jugé que le message lui serait utile, ou agréable. Ces formes de transmission du message non sollicitées s’opposent donc aux formes plus traditionnelles de

25

bouche-à-oreille, où le récepteur cherche à être influencé dans son processus décisionnel (De Bruyn et Lilien 2008). Certains effets comme la surprise peuvent alors déclencher des phénomènes d’amplification du message (Lindgreen et Vanhamme 2005), transformant ainsi le récepteur en émetteur. 2.1.3 L’émergence du terme « viral » Tel que mentionné dans le chapitre précédent, la première personne a avoir évoqué le terme de « viral » en 1998, était un investisseur du nom de Steve Jurvetson, qui, pour décrire le mécanisme d’acquisition de clients de la messagerie en ligne gratuite Hotmail, avait souligné la rapidité exponentielle avec laquelle l’entreprise avait réussi à toucher plus de douze millions de clients, en insérant un lien cliquable dans chaque courriel envoyé, proposant un accès au service aux personnes désireuses de s’abonner (Jurveston 1998 ; Montgomery 2001 ; Phelps et al. 2006 ; Porter et Golan 2006 ; De Bruyn et Lilien 2008). Depuis, plusieurs chercheurs se sont penchés sur cet aspect de la diffusion d’information (Phelps et al. 2004 ; Dobele et al. 2005 ; De Bruyn et Lilien 2008), qui pourrait se résumer ainsi : « Le marketing viral est une technique visant à utiliser les réseaux et connexions sociales existant entre les individus, afin de disséminer une information, pour augmenter la connaissance d’un produit, d’une marque ou d’un service de façon exponentielle » (adapté de Datta et al. 2005)

26

Plusieurs experts (Klopper 2002) ont prétendu que le terme viral n’était qu’un « buzzword » qui désignait un concept déjà existant : celui du bouche-à-oreille. Cependant, la croissance exponentielle des récepteurs lors de la dissémination d’un contenu, le caractère social des outils en ligne et la volonté spontanée des individus à partager ou transférer des informations font différer ces deux termes, même si la ligne entre les deux pratiques est encore floue (Welker 2002 ; Phelps et al. 2004 ; Porter et Golan 2006). Une définition de cette stratégie, soulignant bien les différences entre la communication virale et le bouche-à-oreille électronique est celle donnée par Welker, qui affirme que : La communication virale permet une diffusion du message de façon simplifiée, accélérée et faible en coût, en créant des environnements propices à la reproduction, la croissance exponentielle de la diffusion, et l’impact du message. (adapté de Welker 2002, p4) D’autres établissent que le véritable marketing viral diffère du bouche-à-oreille traditionnel dans le sens où l’intérêt de l’émetteur est directement relié au nombre de récepteurs qu’il expose dans son réseau (Modzelewski 2000), et qu’il résulte d’une communication honnête et transparente entre les membres d’un réseau social (Shirky 2000). Les motivations d’un individu à partager ou transférer un contenu peuvent être explorées sous différents angles : contrairement à ce qu’ont avancé certains (Modzelewski 2000, Shirky 2000), les motivations des émetteurs d’un message viral ne sont pas nécessairement désintéressées. De Bruyn et Lilien (2008)

27

exposent l’exemple du service de paiement PayPal, qui offrait un incitatif financier aux utilisateurs qui recrutaient de nouveaux usagers par un système de parrainage. Cependant ils argumentent qu’il est difficile d’établir la façon dont l’aspect viral des communications de pairs-à-pairs fonctionne, et qu’il s’agit vraisemblablement de la raison pour laquelle cette pratique d’utilisation des connexions entre individus est encore considérée plus comme un art que comme une science. Cependant, les motivations derrière un acte de communication viral comme la transmission d’un message publicitaire par un individu dans son réseau social peuvent également être la résultante de facteurs humains (Porter & Golan 2006) comme le besoin de divertissement, d’émotions et d’établissement de connexions sociales au travers de ces contenus (Welker 2002 ; Phelps et al. 2004 ; Porter et Golan 2006) Enfin, en s’intéressant au contenu partagé, plusieurs auteurs (Welker 2002 ; Porter et Golan 2006) ont partagé le point de vue de l’importance d’un contenu « accrocheur », « Sticky » (Gladwell 2002). Un contenu accrocheur et mémorable serait une composante clé dans la retransmission d’un message viral, et c’est une des raisons pour lesquelles les professionnels faisant appel à cette technique produisent des contenus chargés émotionnellement, cherchant à créer un « Wow effect » (Porter et Golan 2006).

28

2.2  La  littérature  sur  les  réseaux  et  réseaux  sociaux  
Cette section présente la littérature sur les réseaux sociaux et l’impact qu’ils ont sur la recherche en Marketing et en Systèmes d’Information. Depuis l’arrivée massive des consommateurs en ligne, devant le

développement de réseaux sociaux sur le web, et des outils pour en mesurer les composantes physiques et structurelles, de nouvelles perspectives s’ouvrent à la recherche. Cependant, comme le mentionne Newman (2003), les recherches sur le fonctionnement des réseaux et sur les comportements de leurs acteurs à grande échelle sont moins en vogue dans la sphère académique que la recherche sur les réseaux en soi, peut être parce qu’avant de chercher l’impact d’un réseau sur un comportement, il est nécessaire de s’intéresser à sa forme, à sa structure. 2.2.1 Réseaux : de la physique à la sociologie Un réseau est un ensemble de composantes appelées nœuds ou pôles, et de liens entre ces nœuds (Newman 2003). Le système de nœuds et de liens est appelé un graphe, ou réseau. Les liens entre deux nœuds peuvent être non dirigés, indiquant une relation symétrique ou réciproque entre deux pôles (par exemple l’amitié), ou dirigés, indiquant la création d’un lien par rapport à l’intervention d’un seul des deux nœuds connectés (par exemple un lien d’un site Web vers un autre) (Newman 2003).

29

Des systèmes comme ceux décrits ci-dessus (Figure 2) abondent dans le monde, et peuvent être catégorisés dans quatre groupes : Les réseaux sociaux, les réseaux informationnels, les réseaux techniques et les réseaux biologiques (Newman 2003). Dans cette section, nous nous intéresserons plus aux deux premiers, mais présenterons les deux derniers de façon succincte, puis il sera question des réseaux dits « sans échelle ».

Figure 2 : Illustration basique d'un réseau (tiré de Newman 2003)

Dans les réseaux sociaux, les nœuds, les acteurs du réseau, peuvent représenter des individus, des organisations, ou des groupes d’individus, alors que les liens représentent les interactions ou relations sociales entre les acteurs du réseau : lien de parenté, collaboration entre entreprises, relations sexuelles. (Newman 2003). Les sciences sociales ont été les premières à utiliser le concept de réseau, et ce depuis les années 1920 (Freeman 1978). Newman (2003) mentionne même que certains réseaux sociaux d’animaux comme les dauphins, ou de caractères de fiction comme les personnages des bandes dessinées Marvel (Alberich et al. 2002) ont été étudiés. À l’heure actuelle, l’étude de la structure des réseaux sociaux souffre encore du manque de

30

précision des données recueillies, car les méthodes de collecte habituelles (par entrevue ou questionnaire) ne permettent de faire ressortir qu’une partie peu conséquente d’un réseau, en plus d’avoir un caractère subjectif basé sur l’appréciation des répondants (Newman 2003). Cependant, les technologies évoluant, certaines études ont pu utiliser des données recueillies de façon automatique afin de reconstituer différents réseaux de très grandes tailles. On peut citer en exemple le graphe issu des appels téléphoniques de l’opérateur AT&T, composé de plus de 47 millions de pôles (Aiello et al. 2000), ou encore l’étude basée sur la collaboration des acteurs d’Hollywood, tirant ses données de l’Internet Movie Database10, ayant permis d’étudier les relations entre presque 500 000 acteurs de cinéma (Watts 2003). Le second type de réseau sur lequel il est utile de se pencher, est appelé réseau informationnel (ou réseau de connaissance). Un réseau informationnel est constitué de sources émettrices d’informations, qui en constituent les nœuds, faisant des références à d’autres sources, les références constituant les liens entre les deux sources. Cette forme de réseau inclut une dimension temporelle, puisque qu’aucune source ne pourrait citer une source qui lui soit postérieure dans le temps (Newman 2003). Les deux cas d’études les plus utilisés sont les citations académiques entre articles scientifiques (Price 1965 ; Seglen 1997 ; Redner 1998), et les pages et adresses URL du World Wide Web, sujet de nombreuses études depuis la fin des années 1990 (Albert et al.

10

http://www.imdb.com

31

1999, Kleinberg et al. 1999,). Un réseau de connaissance intègre dans sa nature, une dimension sociale : par exemple le fait que deux auteurs puissent se connaître, ou qu’un lien social puisse se créer entre eux suite à une citation (Newman 2003). Les deux derniers types de réseaux mentionnés par Newman sont les réseaux biologiques et les réseaux techniques. Un réseau biologique est habituellement composé de substances moléculaires, et de leurs intersections. On peut penser en premier lieu, au réseau nerveux humain, où chaque nerf représente un lien, et où chaque intersection entre les nerfs ou leur récepteurs (synapses) représente un nœud. D’autres exemples peuvent être élaborés, comme un réseau de protéines reliées par une interaction médicale, ou une présence commune dans la composition d’un virus (Newman 2003). Les réseaux technologiques sont eux, constitués d’éléments physiques et techniques. Les exemples les plus connus sont les réseaux téléphoniques, les connections entre les ordinateurs à travers le monde, ou encore les réseaux autoroutiers ou ferroviaires. Depuis plus de cinquante ans, la structure des réseaux a été considérée comme étant aléatoire (Barabási et Bonabeau 2003). Le mathématicien Hongrois Paul Erdős et son collaborateur Alfréd Rényi avaient à l’époque, dans les années 1950, conceptualisé des réseaux en reliant des nœuds par des liens, de façon aléatoire, et chaque nœud obtenait alors un nombre de liens à

32

peu près similaire au reste des nœuds présents dans le réseau. La distribution des liens dans le graphe suivait une loi de Poisson, en forme de cloche. En s’intéressant au Web, à la fin des années 90, Barabási, Albert et Jeong (1999), découvrirent que les nœuds et les liens constituant le réseau des pages Web étaient répartis de façon très peu démocratique, et qu’ils suivaient une loi de puissance, où 80% des pages observées obtenaient un nombre de 4 liens entrants ou moins, et que 0,01% des pages obtenaient un nombre de liens entrants supérieur à un millier. En comparaison avec la taille des individus, dont la distribution de la taille suit une loi de Poisson, Barabási et ses collègues se seraient retrouvés face à des personnes mesurant plus de cent pieds de haut. De cette constatation est née l’appellation de “réseau sans échelle” (scale-free network) (Barabási et Bonabeau 2003).

Figure 3 : Différences entre réseaux aléatoires et réseaux sans échelle : Structure et distribution des liens. Tiré de Barabási et Bonabeau (2003)

33

La particularité d’un réseau sans échelle (Figure 3) tient en la présence de “hubs” dans sa structure. Les “hubs” (ou pivots, terme non reconnu) sont des nœuds obtenant un nombre de liens beaucoup plus important que les autres, et qui dominent le réseau. Appliqués aux réseaux sociaux, des chercheurs ont prouvé l’existence de hubs dans l’étude des relations sexuelles : là où la majorité des habitants d’une ville n’avaient que quelques partenaires durant leur vie, quelques autres en avaient des centaines (Pastor-Satorras et Vespignani 2001). Ces découvertes pourraient servir de cas aux épidémiologues, malgré les contraintes éthiques qu’elles engendrent. (Pourquoi vacciner les “hubs” en priorité en cas de pandémie ?) (Barabási et Bonabeau 2003). Une preuve de l’existence des Hubs a été révélée dans les réseaux de citations universitaires : très ironiquement, Paul Erdős, l’initiateur des réseaux aléatoires, est un “hub” très important dans les mathématiques, puisque sa contribution s’élève à plus de 1400 articles, écrits avec près de 500 collaborateurs. La raison de lʼexistence des hubs a été soulevée toujours par Barabási et Bonabeau, (2003) qui lʼexpliquent grâce à deux phénomènes. Premièrement, la croissance du réseau : les nœuds présents dans un réseau depuis plus longtemps que les autres auront tendance à attirer plus de “nouveaux” nœuds et donc de liens. Ce phénomène est observable dans la construction du réseau Internet. Les plus anciens routeurs reçoivent les connexions des nouveaux branchements, et obtiennent ainsi plus de liens. Le second processus menant à la création des hubs est appelé “attachement préférentiel”. Plus les nœuds

34

obtiennent de liens, plus ils sont une source crédible ou efficace. Dans un réseau de citations académiques : les articles les plus cités… seront les premiers à être cités à nouveau. Les compagnies ayant de nombreux partenariats seront plus à même dʼattirer les compagnies cherchant à établir de nouveaux partenariats, etc. (Barabási et Bonabeau 2003). 2.2.2 Réseaux sociaux : Petit monde, lien forts et liens faibles Depuis les progrès qui ont été fait dans l’analyse des réseaux à grande échelle, il a été possible de déterminer des propriétés structurelles plus précises et réalistes, comme la distance moyenne entre deux nœuds. (Le degré de séparation entre deux individus d’un réseau, où un degré de distance est égal à un individu, un nœud.). Cependant, bien avant l’arrivée des technologies permettant une mesure efficace des réseaux, certaines tentatives d’étude à grande échelle avaient émergé. Une des premières expériences à avoir tenté d’évaluer la distance entre des individus, en réel et à grande échelle dans un réseau social, a été conduite en 1967 par Stanley Milgram, socio psychologue d’Harvard. Dans son expérience, Milgram avait demandé à plusieurs centaines de personnes dans le Nebraska de faire passer une lettre à une de leur connaissance, qui soit en moyen de la transmettre à son tour à d’autres personnes, dans le but final de faire parvenir la lettre chez un agent de change de Boston. La conclusion de son expérience était que la moyenne des lettres arrivées à destination avaient transigées par

35

six individus, donnant ainsi naissance à la théorie des « six degrés de séparation ». Tenant compte de cette longueur approximative entre deux nœuds (membre d’un réseau social), Watts et Strogatz (1998) énoncèrent la notion de « Petit Monde », pour caractériser des réseaux dont la première caractéristique fut que la distance moyenne entre deux nœuds était très réduite. Dans un schéma idéaliste, si un individu possède un millier de contacts et que ce millier de contact possède à son tour un millier de contact, il est théoriquement possible de rejoindre un million d’individus différents en seulement deux degrés de séparation. Deux degrés supplémentaires nous donneraient un accès à la planète entière. Hors, une approche nécessairement plus réaliste démontre que parmi les contacts les plus proches d’un individu beaucoup sont interconnectés, les individus se regroupant en grappes (sous-groupes dont plusieurs acteurs sont inter-reliés) au sein d’un réseau. Cette propriété est appelée densité et ce « coefficient de clusterisation » (propension d’un réseau à posséder des grappes), représente la seconde caractéristique des petits mondes. La notion de « petit monde » n’est donc pas incompatible avec la notion de réseau sans échelle : beaucoup de grappes sont, par l’entremise des connexions élargies de leurs acteurs, reliées à d’autres grappes, moins interconnectées, du réseau. Ces grappes ont également été qualifiées de « petit monde » car certaines de leurs propriétés individuelles (composantes chimiques, situation géographique…) diffèrent dans l’ensemble du réseau, et

36

sont observables aussi bien dans les réseaux sociaux que dans les réseaux biologiques, informationnels ou techniques (voir Figure 3) (Watts et Strogatz 1998). Dans un réseau social ou informationnel (les réseaux sociaux pouvant être hybrides, Newman 2003) une grappe peut donc être un regroupement d’individus partageant des traits de personnalité communs, comme l’âge, les revenus, la situation géographique, etc. Ces traits de personnalités, appelés d’homophilie (Mc Pherson et al. 2001), n’impliquent cependant pas de relation close, uniquement entre membres d’un petit monde, mais permet justement la création de connexions entre sous-groupes éloignés, réduisant ainsi la distance grâce aux « hubs » (voir Figure 4 et 5). En effet, dans un système social réel, des individus peuvent entretenir des relations directes avec leur entourage proche (amis, collaborateurs, famille) tout en ayant des connexions avec d’autres individus éloignés de cette sphère proche. (Amis habitants à l’étranger, collaborateurs virtuels…) (Bampo et al. 2008).

37

Figure 4 : Représentation du réseau biologique de maladies et de leurs gènes communs connus. (tiré de Goh et al. 2007) – Chaque nœud du réseau est gène connu, et chaque lien représente la présence du gène dans une maladie connue. Les grappes sont modélisées par des couleurs différentes, représentant le champ médical auquel elles sont reliées. On observe clairement que chaque couleur représente une grappe, un « petit monde » et que certains gènes peuvent être considérés comme des « hubs » car recevant un nombre de connexion bien supérieur au reste.

Cette constatation a permis aux travaux de Granovetter (1973) de jouer un rôle crucial dans la compréhension des réseaux sans échelles et des petits mondes. Dans une étude portant sur la propension des individus à faire appel à leur réseau social pour trouver du travail dans une banlieue ouvrière de la ville de Boston, Granovetter a démontré que l’information nouvelle circulant au sein du réseau social avait tendance à venir non pas des sources les plus proches (liens forts) mais d’acteurs éloignés du réseau de l’individu (liens faibles).

38

Figure 5 : Représentation du réseau formé par la blogosphère francophone, par thématiques, en fonction des liens entrants et sortants. Chaque couleur représente une thématique abordée : politique, hightech, cuisine, marketing etc. On remarque clairement que les grappes se créent en fonction de la thématique abordée par le blogue, et que des liens menant de sous-groupe à sous-groupe sont nombreux. Graphe fourni par les services Linkfluence et Wikiopole .
11

La raison invoquée par Granovetter est que, dans un réseau composé uniquement de liens forts, l’information ou l’innovation a un caractère homogène : tous les membres d’un réseau formé de liens forts sont au courant, en même temps (ou dans un très court laps de temps), et partagent continuellement les informations qu’ils reçoivent. L’information nouvelle et de valeur aura donc tendance à venir de sources plus éloignées des grappes. Ces acteurs extérieurs sont considérés comme des « ponts » entre deux sousgroupes d’individus. (Granovetter 1973 ; Webster et Morrison 2004).

11

http://labs.wikio.net/wikiopole/

39

2.2.3 Réseaux-sociaux, influence et Marketing Viral Des réseaux denses, ayant un fort coefficient de clusterisation (une interconnexion élevée entre les pôles) auront tendance à être de meilleurs vecteurs de collaboration et de communication entre les nœuds car chaque membre est directement relié aux autres (Webster et Morrison 2004). Ainsi, il est de coutume de considérer que des réseaux denses, composés de liens forts et directs, constituent un système où l’information, les innovations, les tendances et les comportements sont propices à être imités entre les membres. Une dimension intéressante dans la composition des réseaux sociaux, est la notion de « clique ». Une clique est, au sens strict du terme, une part d’un réseau dans lequel tous les membres sont connectés entre eux, sans degré de séparation et il n’est pas possible pour un nœud de faire partie d’une clique s’il n’est pas en relation avec tous les acteurs de la clique. La forme la plus élémentaire de clique est appelée une triade, représentant trois nœuds connectés entre eux. (Watts 2003). La définition d’une clique étant extrêmement contraignante et stricte, on observe la plupart du temps, au sein d’un réseau, un nombre élevé de cliques composées de peu d’acteurs, qui sont reliées à d’autres sous-groupes du réseau. Au sein d’une clique dans un contexte de réseau social, la pression sociale et l’influence des pairs sont accentuées. Reingen et al (1984) ont démontré que les relations amicales d’une clique avaient, par exemple, un impact important sur le choix d’une marque.

40

Appliquant les concepts des réseaux sociaux au Marketing, Brown et Reingen (1987) ont démontré que les liens faibles étaient en effet des « ponts » entre plusieurs sous-groupes reliés par de liens forts, favorisant le bouche-à-oreille. En revanche cette étude a également démontré que les liens forts, lorsqu’ils sont vecteurs de recommandation étaient plus à même d’avoir de l’influence sur la décision d’un individu. Dans la continuité des travaux de Granovetter, cette étude a permis d’observer l’importance des liens faibles à l’échelle macro, et leur prépondérance dans la diffusion d’une information, à l’échelle individuelle. À l’opposé, dans le cadre d’une communication de bouche-à-oreille en ligne, les travaux de Steffes et Brugee (2008) ont démontré que la force d’un lien (fort ou faible) n’avait pas d’influence sur la décision d’un individu, mais que l’homophilie était plus à même d’être une source d’influence. Dans une perspective plus élargie, Kiss et Blicher (2008) ont démontré que l’influence, la propension d’un individu à avoir un effet sur les agissements de son entourage, dans un contexte de dissémination virale, dépendait notamment de la centralité (notion de popularité reliée à la position dans le réseau). Appliqué au marketing viral, un modèle efficace de modélisation de la propagation d’un message dans un réseau social est le modèle S-I-R, tiré de la littérature en épidémiologie (où S : Susceptible indique un nœud Susceptible de transmettre un message, I : Infectious fait référence au potentiel infectieux de l’individu, sa propension à transmettre le message, ou le virus, et R : Removed indique l’immunité, le retrait d’un individu du processus de transmission).

41

Chaque nœud du réseau est considéré comme étant Susceptible avant d’être exposé au message, et devient I ou R après exposition. En tous temps, le nombre de nœud du réseau N = S+I+R (Newman 2003 ; Bampo et al. 2008). Le potentiel infectieux (I) d’un individu n’est en général déterminé que par sa propension à répondre ou transférer un message (Kiss et Bichler 2008). Or, si un utilisateur a un degré de centralité élevé dans un réseau, et qu’il est exposé, puis infecté, alors les conséquences seront plus importantes. En effet plusieurs chercheurs ayant exploité le concept de centralité s’accordent sur différents points : les utilisateurs qui ont une position centrale ont une tendance à être populaires, appréciés, influents, à avoir plus de pouvoir que les autres (Freeman 1979 ; Bonnacich 1987 ; Webster et Morrison 2004), à être plus actifs au sein de leur réseau (Kiss et Bichler 2008 ), à être des adopteurs plus précoces des innovations (Czepiel 1974 ; Rogers 1995) et à développer des habitudes de coopération avec les autres membres de leur réseau (Wasko et Faraj 2005). Partant de cette composante structurelle d’un réseau, il est logique de se demander si la centralité d’un individu dans son réseau aurait une influence sur sa propension à devenir le vecteur infectieux d’un message, car, comme soutenu par Modzelewski (2000), la motivation d’un individu à partager une information serait directement reliée au nombre de personnes qui la recevraient (Le concept de centralité sera donc décrit plus précisément dans le cadre conceptuel de cette étude).

42

2.3  Capital  Social,  Management  et  Technologies  de  l’Information  
L’action de partager des informations avec le support de la technologie, et plus précisément dans des communautés virtuelles, ou des réseaux sociaux en ligne, est un comportement qui a été largement étudié, et testé de façon empirique dans le domaine des technologies et systèmes d’information. (Constant et al. 1996 ; Cabrera et Cabrera 2002 ; Kalman et al. 2002 ; Wasko et Faraj 2005). Bien que de manière générale, les études portent sur le comportement des individus et leur collaboration dans un cadre professionnel (Powell et al. 1996, Constant et al. 1996), certaines théories comme celle du Capital Social nous renseignent de façon très intéressantes sur les mécanismes humains qui régissent ou suscitent des comportements de partage en ligne, sur leurs antécédents et les attentes que ces comportements créent chez l’individu (Bourdieu 1980, Coleman 1988). Cette partie de la revue de littérature explore le concept de Capital Social, ses dimensions, son utilisation dans les communautés virtuelles dans un contexte de partage de connaissance, et son application dans le cadre de l’analyse du marketing viral. 2.3.1 L’acte de contribuer dans un réseau ou une communauté en ligne La contribution en ligne, dans le cadre de l’entreprise, soulève un dilemme commun dans la littérature en Technologies de l’Information. Pourquoi un

43

individu passerait-il du temps à aider un autre individu, alors qu’il pourrait garder pour lui la contribution, et profiter des éventuelles retombées qu’une contribution similaire lui apporterait dans un autre contexte ? Pourquoi perdraitil l’exclusivité de son savoir ? Pourquoi permettrait-il à d’autres de profiter ensuite de ce savoir sans que ceux-ci n’aient rien offert en échange ? (Thibaut et Kelley 1959 ; Kalman et al. 2002 ; Cabrera et Cabrera 2002 ; Wasko et Faraj 2005). Plusieurs approches ont été explorées pour expliquer ce phénomène. Les théories de l’action collective (Wasko et Faraj 2000), les théories

organisationnelles (Nonaka 1994 ; Cabrera et Cabrera 2002 ; Kalman et al. 2002 ) ou les théories de l’apprentissage social (Santhanam et al. 2008). Ces théories ont toutes pour point commun d’impliquer une action collective, une réflexion orientée vers une communauté, ou le réseau social d’un individu, pour définir leurs fondements. Les réseaux et communautés virtuelles de pratiques sont des ensembles d’individus qui se regroupent en ligne, afin d’échanger autour d’une thématique (Wellman 1999) précise. Wasko et Faraj (2005) établissent que dans une communauté de pratique, les membres se connaissent généralement, sont souvent amenés à collaborer dans le cadre de leur travail, et ont des liens interpersonnels forts. À l’inverse, un réseau de pratique est composé d’individus présents dans des réseaux distribués géographiquement, qui se regroupent en ligne autour d’une thématique, sans nécessairement s’être déjà rencontrés.

44

Dans le cas, d’une communauté, les contributeurs ont un but commun (performance d’équipe, avantage organisationnel), mais dans le cas d’un réseau, bien que n’ayant aucune ambition ou but final partagé, certains membres continuent de contribuer, d’aider d’autres membres, mais n’attendent pas de retours directs de la part de ceux-ci. Dans leur définition d’un réseau de pratique, Wasko et Faraj (2005) soulignent le côté « auto-organisé » du réseau, et son ouverture. Le terme « autoorganisé » suggère que les contributions sont créées par des individus volontaires, et le terme « ouverture » intègre le fait que d’autres individus auront accès au contenu partagé, sans nécessairement avoir contribué. Cependant si les contributeurs cessaient de contribuer, et ne feraient que profiter du contenu généré par les autres, le réseau cesserait d’exister. Cette conscience de la dépendance du réseau à la contribution est également au cœur du terme émergent « Média Social », dont le bon fonctionnement est complètement dépendant de la contribution des internautes (Burke, Marlow Lento 2009). Ainsi, certaines théories, comme le Capital Social permettent d’expliquer les raisons pour lesquelles les individus font le choix de ne pas simplement profiter du contenu généré par leurs pairs, en devenant à leur tour des contributeurs. (Coleman 1988 ; Putnam 1995).

45

2.3.2 Le capital social La notion de Capital Social a été décrite en premier lieu dans la sphère sociologique, comme étant : « l’ensemble des ressources actuelles ou potentielles qui sont liées à la possession d’un réseau durable de relations, (…) à l’appartenance à un groupe, comme ensemble d’agents qui ne sont pas seulement dotés de propriétés communes, mais sont aussi unis par des liaisons permanentes et utiles. » (Bourdieu 1980). Plus simplement, dans un contexte de communication et de collaboration en ligne, le Capital Social se définit comme : « Un ensemble de ressources intégrées à une structure sociale, auxquelles un individu accède ou qu’il mobilise dans un but donné ». (Lin 2001, Wasko et Faraj 2005) La singularité du Capital Social tient dans son intégration à la structure sociale (et non pas aux caractéristiques de l’individu) et dans le fait que les ressources potentielles bénéficient soit à toute la communauté (Putnam 1995) soit à un individu en particulier, membre d’un ou plusieurs réseaux sociaux (Bourdieu 1980 ; Coleman 1988) lorsque celui-ci désire mener à bien une action. Le Capital Social n’est pas constitué d’une seule entité mesurable, mais de différentes entités ayant en commun d’être des aspects de structures sociales, et de faciliter certaines actions des individus au sein de leur structure sociale

46

(Coleman 1988). Le Capital Social est la résultante d’actions menées entre certains individus ou organisations, dans le temps, et peut être considéré comme un bien possédé de façon collective par les membres d’un réseau (Nahapiet et Goshal 1998). Il existe beaucoup de cas, dans la littérature, qui décrivent ce concept. On peut citer en exemple les diamantaires New-Yorkais, dont la confiance accordée lors de transactions permet à un diamantaire vendeur de laisser à un confrère la possibilité d’examiner un lot de diamants, dont la valeur est souvent très élevée, sans qu’aucune assurance formelle ne lui soit fournie. La plupart des membres de cette communauté de diamantaires sont juifs, font partie d’un cercle très fermé, souvent mariés avec des personnes proches de leur réseau, et fréquentant les mêmes synagogues. Si dans une transaction comme mentionné ci-dessus un vendeur tentait de voler, détruire ou remplacer le lot de diamants qui lui était confié, il perdrait trop d’affection de certains membres de sa famille, de reconnaissance de ses pairs, et de confiance du milieu pour prendre le risque. La présence de tels liens permet alors aux deux parties de s’accorder une confiance totale, sans laquelle des assurances seraient nécessaires, et des coûts supplémentaires seraient ajoutés à la transaction (Coleman 1988). Dans un cadre organisationnel et professionnel, les réseaux d’anciens des écoles constituent une autre forme de Capital Social, non pas basé uniquement sur la confiance, mais également sur une forme d’obligation, de reconnaissance

47

d’anciens élèves envers leur établissement, qui seront prêt à embaucher de nouveaux diplômés. (Bourdieu 1980). Enfin, un autre exemple de Capital Social, relié au statu social ou à la réputation peut être celui de l’appartenance à des sphères privées (Bourdieu 1980 ; Nahapiet et Goshal 1998), où l’accès est réservé selon certaines conditions (Clubs de Golf, entrée VIP dans les boites de nuit…) Au niveau individuel, le Capital Social, a été une source fiable dans l’explication des facteurs de promotion en entreprise (Burt 1997), en s’ajoutant au concept de capital humain (facultés, talents etc.). En effet, là où le capital humain concerne les habiletés, le Capital Social touche aux opportunités. Un responsable d’entreprise obtiendra de meilleurs capitaux humains, s’il est capable d’identifier les opportunités bénéfiques s’offrant à lui, dans un réseau social. (Burt 1997). Au niveau collectif, le Capital Social a été utilisé pour expliquer des comportements communs, ou des changements de comportements,

notamment dans le milieu de l’éducation ou dans l’étude de sociétés. Un exemple très révélateur de l’action commune et collective liée au Capital Social, a été décrit par Fukuyama (1995), qui l’utilisa pour étudier des groupuscules criminels mafieux, ou des organisations politiques, comme le Ku Klux Klan. Sans vouloir nécessairement rentrer dans des exemples aussi extrêmes, au niveau collectif, le capital social dans un contexte de collaboration, ou d’apprentissage en ligne a offert une nouvelle perspective d’analyse aux

48

chercheurs (Yuan et al. 2006). Au travers de ses différentes dimensions, cette théorie a permis l’émergence de recherches autour de l’acte de contribuer, dans une perspective individuelle au sein d’une communauté virtuelle, en intégrant la dimension sociale des réseaux de relations humaines, et la construction « progressive » du capital (Coleman 1988). Ces dimensions sont explorées dans la prochaine section. 2.3.3 Les dimensions du Capital Social Le défaut majeur de la théorie entourant le Capital Social tient dans son manque de définition acceptée globalement et unanimement. Même si fondamentalement, l’idée de l’utilisation des relations humaines, de l’importance des liens structurels du réseau et de la propriété collective du Capital Social sont acceptées, plusieurs problèmes dans les mesures, et la formation des concepts de construction du Capital Social font qu’aucun consensus n’est encore reconnu (Hean et al. 2003 ; De Silva et al. 2005). Plusieurs dimensions, antécédents ou facteurs de Capital Social ont cependant été identifiés au travers de la littérature, dépendamment de la perspective des études. Il a en revanche été établi qu’aucune dimension du Capital Social ne permettait de le saisir dans son intégralité, et que les dimensions dépendaient du contexte analysé. (Bourdieu 1980 ; Portes 1998). Certaines analyses ont su s’établir comme références, parmi lesquelles Narayan et Cassidy (2001), qui classifient les dites dimensions en sept groupes, ayant attrait à la création de Capital Social, à l’échelle communautaire,

49

soit :

les

caractéristiques

de

groupe,

les

normes

généralisées,

le

communautarisme, la sociabilité quotidienne, les connexions de voisinage, le volontarisme et la confiance. Dans un cadre sociologique, ethnographique ou anthropologique, ces facteurs ce sont avérés être d’efficaces éléments d’observation à l’échelle macro (nationale ou communautaire). Cependant, pour étudier une action individuelle comme le partage d’information en ligne, force est de constater que ces antécédents ne répondent pas ni au contexte, ni au besoin de précision nécessaire. Dans une perspective sociologique toujours, mais à l’échelle individuelle, les principales dimensions du Capital Social identifiées dans la littérature sont : premièrement le réseau social et sa structure (densité, centralité, taille…), deuxièmement, la réciprocité et les attentes de retours, troisièmement la confiance ou la volonté de prendre des risques, quatrièmement les normes sociales, et enfin l’efficacité (individuelle ou collective) et l’engagement, la volonté de contribuer aux relations interpersonnelles. (Bourdieu 1980 ; Coleman 1988 ; Portes 1998 ; Fukuyama 2001). Une étude ayant largement contribué à l’analyse des individus de la collaboration en entreprise, grâce au Capital Social a été menée par Nahapiet et Goshal (1998), qui, au travers d’une revue massive d’articles ayant attrait à la théorie, ont réussi à la sous diviser trois groupes principaux de dimensions, à savoir la dimension structurelle du réseau, la dimension cognitive (la compréhension entre collaborateurs), et la dimension relationnelle. Cette

50

approche a permis d’unifier la théorie autour de la collaboration entre individus propre aux entreprises. En appliquant et en adaptant le modèle de Nahapiet et Goshal (2001), Wasko et Faraj (2005) ont étudié la contribution dans un réseau virtuel de professionnels du droit. Cette étude, intégrant les motivations individuelles au Capital Social, a démontré que le capital relationnel (la longévité des relations entre membres d’une communauté de pratique) n’avait pas d’influence sur la prédiction d’une contribution. Wasko et Faraj (2005) argumentent autour de ce résultat, en précisant que la longévité des relations en ligne n’est pas similaire à celle qui existe dans la vie réelle. De même, les attentes de réciprocité (capital relationnel) ne seraient pas un facteur déterminant. Cette conclusion s’explique par le fait que, dans un réseau virtuel, l’échange est « généralisé ». L’attente de réciprocité n’est pas directe (A aide B, et s’attend à ce que B l’aide en retour) mais peut survenir de la part d’autres membres. En contribuant auprès d’un membre, un individu ne s’attend pas à ce que ce membre précis lui rende la pareille, mais qu’un autre individu le fasse éventuellement par la suite. 2.3.4 Marketing viral, contribution et Capital Social Comme mentionné précédemment, le marketing viral est une technique visant à utiliser les réseaux et connections existants entre les individus, afin que ceux-ci deviennent vecteurs d’un message. (Datta et al. 2005). Selon Huang et al. (2008) les deux facteurs clés du succès résident dans la volonté des individus à

51

transférer un message, et sont dictés par deux influences : premièrement le contenu, la qualité du message, sa forme, sa facilité d’accès, et son aspect « sticky » (Gladwell 2002) etc. Deuxièmement le « messager », l’émetteur du message, le point du réseau « infecté », le connecteur (Gladwell 2002 ; Huang et al. 2008). Or, si le fonctionnement de cette stratégie a été le sujet de nombreux débats de par sa nouveauté (Dellarocas 2003) et que certaines études ont pu analyser les processus et le fonctionnement global de telles techniques (Goldenberg et al. 2001 ; De Bruyn et Lilien 2008) très peu d’études se sont centrées sur la perspective individuelle, de l’individu infecté (I) et de ses motivations (Gruen et al. 2006 ; Henning-Thurau et al. 2004 ; Huang et al. 2008). De même quasiment aucune étude, à l’exception notable de Huang et al. (2008), n’a utilisé le Capital Social comme base théorique à l’explication des motivations à transférer du contenu. Enfin, l’utilisation de réseaux sociaux en ligne tels que Facebook n’a pas encore été étudiée à notre connaissance, dans une perspective de marketing viral, influencée à l’échelle individuelle par le Capital Social. Dans le cadre de cette étude, l’action de transférer un contenu de nature publicitaire à l’intérieur d’un réseau social en ligne est considérée comme un comportement similaire à la contribution dans un réseau de pratique, même si le contexte entre ces deux comportements est très variable. En effet, dans le cadre d’une contribution, un individu sollicite l’intervention d’un autre individu.

52

Dans le cadre d’un partage informel de contenu, le contenu n’est pas nécessairement sollicité (De Bruyn et Lilien 2008). Cependant, comme le mentionne Modzlewski (2000), la motivation d’un individu à partager un message est directement reliée au nombre de personnes qui le recevront. Cet effet de diffusion généralisée donne accès au contenu à tout un réseau, et non à un seul et unique individu. Le « dilemme » du partage du contenu dans un réseau de pratique ou dans une organisation (Kalman et al. 2002 ; Wasko et Faraj 2005) devient une règle fondamentale et un atout dans le contexte du marketing viral. Là où la littérature a pu s’attarder la contribution comme une forme de dilemme (Kalman et al. 1996), composé de coûts et de bénéfices potentiellement perdus pour l’émetteur d’un contenu du valeur, le marketing viral approche ce phénomène dans le sens contraire : plus le

contenu est consommé, plus les bénéfices (principalement sociaux) sont grands pour l’émetteur. De par le fait que les réseaux sociaux en ligne comme Facebook soient généralement utilisés à des fins personnelles (Burke Marlow et Lento 2009) le transfert de contenu par leur truchement aurait également vocation à être considérée comme du divertissement, de l’information, en plus de la considération utile (Schindler et Bickart 2004). Même si les composantes du Capital Social sont appelées à varier en fonction du contexte (Bourdieu 1980), les dimensions identifiées par Nahapiet et Goshal (1998) et utilisées dans un contexte quasiment similaire à notre étude par

53

Wasko et Faraj (2005), à savoir les motivations individuelles, le capital structurel, le capital cognitif et le capital relationnel, sont des indicateurs non négligeables qui pourraient expliquer les intentions de partage de contenus publicitaires sur Facebook.

2.4  Conclusion    
Ce chapitre présentait la revue de littérature et explorait les domaines d’études ayant permis l’émergence d’analyses et la construction des concepts reliés à l’utilisation des réseaux sociaux dans le cadre du marketing viral. Les trois dimensions du Capital Social élaborées par Nahapiet et Goshal (1998), les capitaux structurels, cognitifs et relationnels, ajoutés aux motivations individuelles décrites par Wasko et Faraj (2005) ont été retenues pour cette étude. En effet, le manque de définition stricte de cette approche, est aussi une de ses forces. Le Capital Social est une théorie flexible, ce qui est nécessaire pour l’adapter à un contexte aussi nouveau que les médias sociaux. Les travaux de Nahapiet et Goshal (1998) et de Wasko et Faraj (2005), de par leur utilisation de cette théorie pour expliquer un phénomène partiellement similaire au partage de contenu sur les médias sociaux, ont posé de solides bases théoriques pour cette analyse. L’étude utilise également des construits issus des travaux de Kalman et al. (2002) et les intègre au capital cognitif afin d’adapter le modèle au contexte de réseau social en ligne. Les concepts d’efficacy (connective efficacy et

54

informative efficacy , qui seront traduits par efficacité informative et connective), ont su prouver leur juste fondement dans des contextes similaires à celui de cette analyse. L’efficacité informative et l’efficacité connective font référence aux potentiels évalués par un émetteur qu’un message posté en ligne saura a) être retrouvé par les récepteurs potentiels b) être compris par les récepteurs, s’ils sont en mesure de le retrouver. (Kalman et al. 1996). Le contexte de média social, et principalement Facebook, dénature certains des construits originaux du modèle de Wasko et Faraj (2005). Heureusement, les construits de Kalman et al. (2002) nous permettent d’adapter le capital cognitif d’un façon logique. Le prochain chapitre de l’étude décrira chacune des dimensions du Capital Social, et chaque construit utilisé pour mesurer l’intention de partager un contenu à caractère publicitaire sur Facebook dans le but de répondre aux questions de recherche proposées dans le chapitre 1.

55

CHAPITRE  III  :  Modèle  de  recherche  et  Hypothèses  
3.1  Présentation  du  support  théorique  principal  
Le modèle théorique principal utilisé pour cette étude est celui qu’ont utilisé Wasko et Faraj (2005) dans leur étude sur les communautés de pratique en ligne (voir Figure 6). Il est nécessaire de résumer les conditions et les aboutissants de leurs travaux afin de saisir les fondements de la présente étude. De même que Nahapiet et Goshal (1998), Wasko et Faraj (2005) ont articulé leurs travaux autour de trois aspects du capital social : structurel, cognitif et relationnel, en y ajoutant des variables de motivations individuelles

(appréciation et réputation). Pour cela, ils ont étudié le phénomène de contribution à un réseau social de praticiens du droit, en ligne, dont les membres étaient anonymes. Leur étude a rapporté que les construits de réputation et d’appréciation, malgré l’anonymat avaient un impact significatif sur une contribution dans le forum. Dans un cadre professionnel, même anonyme, la valeur de la « récompense » intrinsèque au professionnel est donc un motivateur important. De même, la centralité (mesurée dans le temps, en fonction du nombre d’interactions avec d’autres membres du forum), s’est révélée être un facteur ayant une influence

56

sur la contribution : plus une personne interagissait, plus elle était en mesure de fournir de l’aide aux membres du réseau. Les construits du capital cognitif étaient mesurés en demandant l’expérience et l’expertise des membres du réseau. Ces derniers devaient ainsi s’auto évaluer, ce qui a probablement biaisé les résultats (« self rated expertise » n’y est d’ailleurs pas ressorti comme étant significatif). Enfin, contre toute attente, leur modèle a démontré la faiblesse des construits de capital relationnels, qu’ils expliquent par « l’ouverture » du réseau, et le fait que la réciprocité doive être considérée comme « généralisée » : la

contribution est adressée au réseau entier, et non pas à un seul individu.

Figure 6 : Modèle théorique de Wako et Faraj (2005). Le Capital Social y est exploré au travers de 5 variables distribuées au travers du Capital Structurel, du Capital Cognitif et du Capital Relationnel. Les motivations individuelles sont ajoutées au modèle dans le premier groupe de variables.

57

3.2  Différences  par  rapport  au  modèle  original    
À la différence du modèle de Wasko et Faraj (2005), cette étude a comme variable dépendante l’intention d’un internaute, membre du réseau social Facebook, de partager des vidéos à caractère publicitaire. Cette différence implique également d’autres changements et adaptations dans les construits du modèle. La variable « Enjoy Helping » (Appréciation du fait d’aider) a été adaptée grâce au construit « Appréciation du fait de partager ». De même, les variables du capital cognitif ont été remplacées par des variables du même ordre, basée sur l’anticipation de l’efficacité d’une action, et non pas sur une expertise quelconque, puisqu’on sort ici du milieu professionnel. Les variables « efficacité informative » et « efficacité connective », tirées de l’étude menée par Kalman et al. (2002) ont donc remplacé l’expérience et l’expertise au profit d’aspects cognitifs plus ancrés dans la théorie : l’efficacité du support et l’efficacité du message. Enfin, nous prenons pour acquis que l’action de partager un contenu sur Facebook fait partie d’un processus de réciprocité non pas directe mais « généralisée ». Suivant les recommandations de Wasko et Faraj (2005), dont l’étude avait démontré la faiblesse d’une telle variable en mode direct, nous adaptons la variable « réciprocité » pour celle de « valeur du gain collectif ». La figure suivante (figure 7) présente le modèle élaboré pour cette recherche, qui offre une perspective plus adaptée au contexte de réseau social en ligne.

58

Figure 7 : Modèle théorique de la présente étude, inspiré de Wasko et Faraj (2005)

Tel que le modèle le propose, les sept variables antécédentes du modèle ont une influence directe sur la variable dépendante clé du modèle, soit l’intention de partager. Il est délicat d’observer le comportement de plusieurs centaines d’internautes, et c’est la raison pour laquelle il a été jugé préférable de mesurer l’intention en premier lieu. D’une manière générale, les modèles théoriques dont les variables centrales sont des intentions, mènent à des comportements : Technology Acceptance Model (Davis 1989), Theory of Reasonned Action (Fishbein et Ajzen 1975), Theory of Planned Behavior (Ajzen 1991).

Cependant, notre outil de mesure tentera également de mesurer le comportement. La prochaine section décrit ces variables de façon plus détaillée, et présente les hypothèses de cette recherche.

59

3.3  Variables  dépendantes    
3.3.1 Intention de partager L’intention de partager un contenu à caractère publicitaire sur Facebook est ici considérée comme l’intention d’effectuer un « transfert » de contenu, potentiellement auprès de tous les amis d’un individu sur la plate-forme, via le « mur »12. Cette particularité sous-entend plusieurs points importants. Ainsi, cette intention n’est pas un vecteur de recommandation, à la différence de certaines formes de bouche-à-oreille traditionnel (par exemple les commentaires des consommateurs sur Amazon). Le fait de transférer une vidéo sur son « mur » n’ajoute aucune valeur tangible au contenu, si ce n’est une marque d’appréciation de celui-ci, implicite, dans l’action de transférer. De même, il faut considérer que, sans être réfractaires à une telle pratique, les membres du réseau social d’un individu désirant partager du contenu ne sont pas en recherche active d’informations précises. Cependant, on peut considérer qu’il existe une forme d’accord tacite entre des individus fréquentant le réseau social, à recevoir des contenus en tous genre. De fait, nous nous accordons avec Modzelewski (2000) pour qui, dans le « véritable » effort viral, la satisfaction dégagée par un acte semblable, pour

12

Le « mur » est une des fonctionnalités de base de Facebook, permettant à un utilisateur de mettre à jour son profil. Quand une modification est faite sur le « mur », les «amis » de l’utilisateur en sont notifiés par le flux de nouvelles.

60

l’internaute, n’est pas liée uniquement au contenu, mais potentiellement au nombre d’autres individus qu’il expose en le transférant. Ainsi, la définition d’un « transfert » (pass-along en angais) d’information, par un individu, est ici similaire à celle développée par Huang et al. (2008), et nous définissons le construit comme étant la volonté d’un individu à diffuser une vidéo à caractère publicitaire dans son réseau social. Nous nous plaçons dans la perspective de l’émetteur, et n’étudions pas l’intention d’individus de consommer le contenu partagé. 3.3.2 Comportement Le comportement est la résultante d’une intention. Plusieurs théories développées par les chercheurs en psychologie, comme la Théorie de l’action raisonnée (Ajzen et Fishbein 1975), ou la théorie du comportement planifié (Ajzen 1991) ont démontré la validité de cette hypothèse. Dans le domaine des systèmes d’information, le modèle d’acceptation de la technologie de Davis (1989) et ses adaptations (Venkatesh et Al. 2003) ont su, sur ce point du modèle, faire ses preuves. Bien que quelques similarités entre les théories énoncées ci-dessus et notre modèle d’étude existent (les motivations personnelles, et l’aspect cognitif de l’action), ces théories ne prennent pas explicitement en compte l’aspect relationnel être les individus, ni l’aspect structurel du réseau social de ce dernier et l’influence que celui-ci peut avoir sur ses décisions.

61

Cependant, nous considérons comme logique que l’intention engendre un comportement, et définissons le comportement observé comme l’acte de diffuser une vidéo à caractère publicitaire, grâce à Facebook, en la partageant par le truchement de son « mur ». 3.3.3 Lien entre les deux dépendantes Venkatesh et. Al. (2004), dans leur méta-analyse de la théorie de l’acceptation de la technologie ayant conduite à une version unifiée, ont souligné que dans la majeure partie de ses revues, l’intention mène au comportement. De même, s’il devait exister des modérateurs entre les variables indépendantes et l’intention, l’effet de ceux-ci sur l’intention influençant un comportement serait mineur (dépendamment de l’innovation). Ainsi, la première hypothèse de cette recherche est la suivante : H1 : L’intention d’un individu de partager un contenu à caractère publicitaire sur Facebook a une influence positive sur le comportement de partage de la dite vidéo, de cet individu.

3.4  Variables  indépendantes  
Les motivations individuelles ne font pas partie du modèle théorique développé par Nahapiet et Goshal (1998), mais ont été étudiées par Wasko et Faraj (2005) afin d’expliquer les raisons potentielles pour lesquelles des individus

62

contribueraient à aider d’autres individus qu’ils ne connaissaient pas dans un réseau numérique/électronique. En revanche, Nahapiet et Goshal (1998) avancent que l’effort de contribution doit être significatif, au point d’être perçu comme utile pour la personne ayant un problème, par l’émetteur de la contribution, mais également que celui-ci puisse tirer profit, au niveau social, de sa contribution. Or, sur Facebook, il est de coutume d’avoir eu au moins un lien préalable, fort ou faible, avec ses amis. De fait, il est logique de penser que le profit social puisse être un facteur déterminant de la volonté de partager un contenu avec ces amis, puisque ces derniers seront à même de signifier directement ou indirectement à l’émetteur, leur appréciation de la contribution. Ainsi, nous appliquons ici le modèle de Wasko et Faraj (2005) et utilisons les construits de réputation et d’appréciation pour déterminer les motivations individuelles. 3.4.1 Réputation La théorie de l’échange social (Blau 1964) admet que les individus qui entretiennent des relations sociales, au travers d’interactions que l’on peut comparer à celles qui sont pratiquées sur les réseaux sociaux en ligne, cherchent à tirer les bénéfices de ces interactions : reconnaissance, statut, respect… (Wasko et Faraj 2005).

63

La Réputation se définit comme la conséquence pour un individu résultant de sa participation, au sein d’un groupe social. Ici, lorsque la participation se

traduit par un partage de contenu publicitaire, la réputation est considérée comme l’attente d’un changement dans le statut social, suite à l’action de partager. Ce changement peut prendre la forme d’une élévation du statut,

d’une approbation des pairs, de considération, de respect, de signes d’appréciation, ou de commentaires. Un individu soucieux de l’image qu’il dégage de lui-même sur Facebook aura tendance à considérer de façon plus délicate la façon dont il partage ses contenus, et la forme de ceux-ci, afin de ne pas nuire, ou tout simplement d’essayer d’améliorer sa réputation. Prenant en considération la définition de la réputation dans le cadre théorique de cette étude, la seconde hypothèse posée, est la suivante : H2 : La perception de l’amélioration de la réputation d’un individu grâce au partage de contenu à caractère publicitaire, sur Facebook, a une influence positive sur son intention de partager le dit contenu. 3.4.2 Appréciation Certains individus, sans attendre de retour social ou d’amélioration de leur réputation, perçoivent l’acte de partager un contenu dans leur réseau social comme source de satisfaction personnelle. L’acte de contribuer en soi est alors une source de satisfaction suffisante, plus que le fait de savoir que le contenu partagé a été utile ou apprécié (Bandura 1963 ; Wasko et Faraj 2005).

64

L’appréciation se définit donc comme le simple fait d’aimer partager un contenu à caractère publicitaire. Cette notion très altruiste, se traduit par le fait qu’un individu aime divertir, surprendre, susciter divers types d’émotions (peur, joie, doute…), non pas parce qu’il pense en tirer des bénéfices, mais simplement parce qu’il trouve stimulant, intellectuellement ou socialement, le fait de partager du contenu (vidéos, photos, états d’esprits...). Un individu qui éprouve de manière générale, une forme de satisfaction naturelle en utilisant Facebook pour y partager du contenu, sera plus logiquement enclin à vouloir y partager un contenu à caractère publicitaire. Basé sur cette définition de l’appréciation, la troisième hypothèse de cette étude est la suivante : H3 : Le niveau de satisfaction générale retirée par un individu lorsqu’il partage un contenu à caractère publicitaire sur Facebook, a une influence positive sur son intention de partager un contenu. 3.4.3 Centralité La centralité d’un individu constitue sa place dans un réseau social, en ligne ou hors-ligne. Un bas niveau de centralité signifie qu’un individu possède peu de connexion, donc peu de sources d’informations, et peu de récepteurs potentiels. À l’inverse, un haut degré représente un nombre important de connexions, et certainement une audience potentielle pour toute forme de contribution. Que l’action soit collective ou individuelle, les individus ayant une

65

position centrale dans un réseau sont plus enclins à collaborer, partager et contribuer de différentes manières dans leur réseau (Putnam 1995 ; Wasko et Faraj 2005). La centralité peut se mesurer très facilement, en observant, par exemple, le nombre de contacts sur un site de réseautage social (Wasko et Faraj 2005 ; Ahuja et al. 2003), le nombre de « followers » sur un site comme Twitter, ou le nombre d’interactions (réponses, messages privés, « like », commentaires) qu’il a eu avec d’autres individus, sur un forum. Chacune de ces interactions créé un lien social avec d’autres personnes, plaçant l’individu plus au centre du réseau. Lorsque le réseau est dense, c’est à dire composé de nombreux liens sociaux directs, les individus développent une habitude de coopération, ou de contribution, et sont plus enclins à comprendre, percevoir et s’adapter aux normes sociales du réseau (Rogers 1981). La centralité ne prend pas en compte la force ni le degré d’intimité qu’il entretient avec les membres de son réseau social, pour la simple raison que ces indicateurs varient entre chaque relation individuelle. Dans un cas de partage « massif » (one-to-many) la centralité est un indicateur globalement plus fiable (même si moins précis) que la force d’un lien social qui nécessite d’analyser la force de la relation entre un individu et chacun des membres qui composent son réseau social. Adapté au contexte de Facebook, les individus actifs qui entretiennent des relations de façon récurrentes et régulières avec les membres de leur réseau, et dont le nombre d’amis est élevé, seraient donc plus enclins à contribuer sous

66

différentes formes. Ainsi, le partage de vidéo à caractère publicitaire pourrait être perçu comme une forme de contribution sociale, augmentant le degré de centralité d’un individu. La quatrième hypothèse de cette étude est donc la suivante : H4 : Le degré de centralité d’un individu dans son réseau social a une influence positive sur son intention de partager un contenu à caractère publicitaire sur Facebook. 3.4.4 Efficacité connective L’Efficacité Connective est le degré perçu par un individu, que sa contribution atteindra ou non, les membres de son réseau social. L’efficacité connective reflète la propension d’un individu, à estimer si oui ou non, grâce au média utilisé, le contenu qu’il partage sera susceptible d’atteindre les membres de son réseau social, et si ces derniers seront en mesure de consulter le contenu partagé (Kalman et al. 2002). L’efficacité connective tient compte à la fois des fonctionnalités perçues comme efficaces du média, et des compétences perçues par un individu, de l’ensemble de son réseau social, à pouvoir ou non, accéder à l’information transmise, en utilisant les fonctionnalités du dit media (Kalman et al. 2002). Comme tout outil de réseautage, les fonctionnalités de partage de Facebook sont nombreuses. Possibilité de transférer un contenu sur son mur depuis le mur de quelqu’un d’autre, possibilité d’intégrer une vidéo simplement en

67

indiquant le lien où elle se trouve, possibilité de poster un contenu directement sur le mur de quelqu’un d’autre, etc. Ainsi, seraient plus à même d’être des contributeurs actifs les individus ayant l’habitude d’utiliser l’outil, et dont les membres de leur réseau social seraient perçus comme étant capables de a) utiliser les fonctionnalités du site b) retrouver le contenu partagé. En prenant en considération la définition de l’efficacité connective, la cinquième hypothèse de cette étude serait la suivante : H5 : Le degré d’efficacité connective perçu par un individu, des fonctionnalités de partage du site Facebook, a une influence positive sur son intention de partager un contenu à caractère publicitaire sur Facebook. 3.4.5 Efficacité informative Si l’efficacité connective, vue précédemment, représente la propension d’un individu à estimer les capacités de son réseau social à utiliser Facebook de façon à retrouver les contenus qu’il y partage, l’efficacité informative est la capacité d’un individu à estimer l’importance, l’utilité, ou le degré d’hédonisme, procuré à son réseau social, par les contenus qu’il partage, si ces derniers sont en mesure de les consulter. L’Efficacité informative reflète la propension d’un individu à estimer si oui ou non, et de façon générale, les membres de son réseau social accordent de l’importance, de l’intérêt, et de la reconnaissance, aux contenus qu’il partage. Les individus, en général, seront plus enclins à

68

partager un contenu s’ils perçoivent que celui-ci générera une réaction positive au sein de la communauté réceptrice. Là où les contenus partagés dans un contexte utilitaire (bases de données collaboratives etc.) sont considérés par les individus composant le réseau social de l’émetteur, comme plus ou moins porteurs de valeur en fonction de son identité de expérience etc, le concept d’efficacité informative reflète le

degré de confiance que l’émetteur du contenu a, dans le fait que sa contribution saura satisfaire les membres de son réseau social, basé sur sa propre estimation (Kalman et al. 2002). Ainsi, appliquant le concept d’efficacité informative à Facebook, dans le cadre du transfert d’un contenu à caractère publicitaire, l’individu soumis dans un premier temps au message se formera une idée, afin d’évaluer si oui ou non suffisamment de membres de son réseau social porteront de l’intérêt au contenu qu’il pourrait transférer. Il ne s’agit donc pas uniquement de savoir si un contenu plait à un émetteur, mais également d’estimer sa propension à deviner l’intérêt pour la contribution, des membres composant son réseau social. La sixième hypothèse de cette étude est donc la suivante : H6 : Le degré d’efficacité informative d’un contenu à caractère publicitaire perçu par un individu, a une influence positive sur son intention de partager le dit contenu sur Facebook.

69

3.4.6 Engagement L’engagement est le degré d’implication d’un individu au sein de son réseau social en ligne (Wasko et Faraj 2005). L’engagement est la résultante d’interactions fréquentes au sein d’un réseau social et peut être considéré comme une forme d’obligation d’un individu, auprès des membres composant son réseau, une forme d’habitude, d’attentes et de responsabilités envers ce dernier. L’engagement, au sens relationnel ici établi, est différent de la simple interaction sociale dans le sens ou ce dernier représente non pas un simple degré de force dans un lien social créé lors d’un échange, mais bien une perception de la relation établie entre un émetteur et son ou ses récepteurs, et l’attitude du dit émetteur envers la dimension émotionnelle de la contribution, dans un perspective d’effort pro-actif (Huang et al. 2008). Dans un cadre collectif, l’engagement est donc représenté par une obligation motivée par un sentiment intrinsèque d’appartenance. Hsu et Lin (2008) ont étudié la façon dont l’appartenance à une certaine catégorie de blogues spécialisés, peut voir de l’influence sur la volonté du rédacteur à mettre à jour son propre blogue. De même, Constant et al. (1996), dans leur construit « organisationnal commitment », ont décrit la façon dont certains individus, contribuaient dans les réseaux de connaissances internes à une entreprise, motivés par le sentiment d’appartenance à cette dernière.

70

Dans le cadre de l’utilisation de Facebook, l’activité générale et la sensation d’appartenance à un groupe que génère cette activité sont des signes d’engagement envers son réseau social (défini par ses amis). Même si l’utilisation de Facebook a une vocation plus divertissante qu’autre chose, il est probable que certains individus voient l’action de partager comme une forme de « rétribution », ou tout simplement d’imitation, pour le divertissement qu’ils ont eux même reçu (Wasko et Faraj 2005). Un individu qui utilise Facebook de façon à créer un lien social avec son réseau, pour en tirer des bénéfices sociaux, et ressentir une forme d’engagement, sera plus enclin à y partager des contenus à caractère publicitaires. En ce sens, il convient donc de poser la septième hypothèse de cette étude de la façon suivante : H7 : Le degré d’engagement ressenti par un individu a une influence positive sur son intention de partager un contenu à caractère publicitaire sur Facebook. 3.4.7 Valeur perçue du gain collectif La valeur perçue du gain collectif représente la capacité d’un individu à évaluer et anticiper la valeur de l’action de partager, pour les membres de son réseau social en ligne. La valeur perçue du gain collectif prend en compte l’aspect réciproque des échanges réguliers, ainsi que le degré d’appréciation générale d’un partage de contenu régulier, par les membres composant son réseau social en ligne.

71

La réciprocité des actions est une forme de règle de politesse mutuelle et implicite, qui suppose qu’une action bénéfique engendrée par un individu, lui sera par la suite rendue (Wasko et Faraj 2005). Malheureusement, dans un contexte en ligne, les contributions publiques ne sont pas adressées à une seule personne, mais bien à l’entité entière du réseau social de l’émetteur, potentiellement. Ainsi, il n’est pas possible d’utiliser au cas par cas la norme de réciprocité directe (personne à personne), mais sa forme généralisée est plus adaptable au contexte de contribution en ligne (Wasko et Faraj 2005). De fait, certaines théories comme EVT (Expected Value Theory, Fishbein et Ajzen 1975) qui visent à prendre en considération les valeurs anticipées d’une action, se révèlent utiles pour comprendre la valeur collective anticipée d’une action (Cabrera et Cabrera 2002), ici celle de partager un contenu publicitaire. Si, dans le cadre d’une réciprocité directe, il est question de l’attente d’un retour éventuel pour une action donnée, dans le cadre de la valeur perçue du gain collectif, il est question à la fois de la propension à évaluer si oui ou non le contenu saura générer à la fois de la satisfaction chez les récepteurs, de façon généralisée, et si les récepteurs seront en mesure de contribuer par la suite en contribuant sous une forme quelconque. Appliqué à Facebook, on peut estimer qu’un individu peut être amené à partager un contenu à caractère publicitaire, car il perçoit que son réseau appréciera le geste, et que, parce qu’il apprécie déjà le fait de recevoir de tels contenus du genre, et qu’il encourage ainsi son réseau à contribuer par la suite.

72

Même si ce construit est encore fondé sur des bases exploratoires, il est possible de poser la huitième et dernière hypothèse de cette étude sous la forme suivante : H8 : Le degré de valeur perçue d’un contenu à caractère publicitaire, pour le réseau social d’un individu, a une influence positive sur l’intention de ce dernier de partager le dit contenu sur Facebook.

3.5  Récapitulatif  des  hypothèses    
Le tableau 1 récapitule les hypothèses énoncées ci-dessus.

73

Tableau 1 : Récapitulatif des hypothèses Hypothèse Énoncé
L’intention d’un individu de partager un contenu à caractère publicitaire sur H1 Facebook a une influence positive sur le comportement de partage de la dite vidéo, de cet individu. La perception de l’amélioration de la réputation d’un individu grâce au partage H2 de contenu à caractère publicitaire, sur Facebook, a une influence positive sur son intention de partager le dit contenu. Le niveau de satisfaction générale retiré par un individu lorsqu’il partage un H3 contenu à caractère publicitaire sur Facebook, a une influence positive sur son intention de partager un contenu. Le degré de centralité d’un individu dans son réseau social a une influence H4 positive sur son intention de partager un contenu à caractère publicitaire sur Facebook. Le degré d’efficacité connective perçu par un individu, des fonctionnalités de H5 partage du site Facebook, a une influence positive sur son intention de partager un contenu à caractère publicitaire sur Facebook. Le degré d’efficacité informative d’un contenu à caractère publicitaire perçu par H6 un individu, a une influence positive sur son intention de partager le dit contenu sur Facebook. Le degré d’engagement ressenti par un individu a une influence positive sur son intention de partager un contenu à caractère publicitaire sur Facebook. Le degré de valeur perçue d’un contenu à caractère publicitaire, pour le réseau H8 social d’un individu, a une influence positive sur l’intention de ce dernier de partager le dit contenu sur Facebook.

H7

74

Le prochain chapitre présente la méthodologie de cette étude. On y explore le design de recherche, le profil des répondants, la constitution de l’outil de mesure et la méthode de collecte des données.

75

CHAPITRE  IV  :  Méthodologie  
4.1  Design  de  recherche  
4.1.1 Description du type de recherche La nature principale de cette étude est exploratoire. En effet, même si les composantes du Capital Social de Nahapiet et Goshal (1998), ou celles s’en rapprochant (Wasko et Faraj 2005), ont largement été utilisées dans le domaine de la collaboration en entreprise, grâce aux nouvelles technologies ou non, très peu d’études se sont focalisées sur la transmission de contenus spécifiques comme les contenus à caractère publicitaire, et aucune étude reconnue à ce jour n’a utilisé le réseau social en ligne Facebook comme support de transmission. L’application de cette théorie dans le contexte ici défini constitue l’essentiel de cette recherche. Les données ici recueillies représentent l’attitude d’une partie de la population définie, à un moment donné. En cela, cette étude présente principalement un caractère cross-sectionnel. Cependant, puisque le comportement est également observé après avoir collecté de l’information sur l’intention, cette étude présente également une composante longitudinale : différents groupes exposés à des vidéos différentes, à qui l’on pose les mêmes questions.

76

4.1.2 Description du design de recherche Pour collecter les données nécessaires aux objectifs de cette recherche, un questionnaire a été mis en place en ligne, par l’entremise du service Unipark13, qui permet de créer des sondages en ligne tout en permettant d’y intégrer des contenus extérieurs. Deux vidéos y ont été intégrées, afin de mesurer plusieurs fois les habitudes, intentions et comportements des internautes. Les vidéos ont été placées dans le questionnaire grâce au lecteur fourni par le service d’hébergement Youtube14, qui est l’outil le plus utilisé pour le visionnement de vidéos en ligne. Cela nous a permis de recréer le contexte le plus « naturel » d’un visionnement de vidéo en ligne, et de placer les répondants dans une situation favorable (sans encombres techniques) à la retransmission.

4.1.2.1 Variables permanentes Les variables permanentes sont des variables qui ne changent pas, peu importe le contenu face auquel l’utilisateur de Facebook est confronté au moment de décider si oui ou non il voudra partager le contenu. Ces variables sont d’ordre général et personnelles, telles que:  L’appréciation (le fait d’aimer ou non utiliser Facebook de manière générale) ;  L’engagement (l’importance consacrée à l’utilisation de Facebook et à ses amis en général) ;
13 14

Unipark.de Youtube.com

77

La centralité (la position d’un individu dans un réseau et la fréquence générale de ses interactions) ;

L’efficacité connective (la perception de l’efficacité de l’outil pour la diffusion d’un contenu).

4.1.2.2 Variables contextualisées Les variables contextualisées représentent l’ensemble des variables qui diffèrent en fonction du contenu auquel l’individu est confronté, et des conséquences ou perceptions engendrées par l’éventuel partage du dit contenu, au sein de son réseau social (ici sur son « profil » Facebook). Ces variables d’ordre spécifiques sont :  La réputation (les modifications de l’image de l’individu vis à vis de ses amis, suite au partage d’un contenu) ;  L’efficacité informative (la perception de l’individu face au fait que ses amis comprendront, aimeront un contenu) ;  La valeur du gain collectif (la perception d’un individu des bénéfices qu’un contenu saura ou non générer auprès des ses amis).

4.1.2.3 Vidéos exposées Les vidéos sélectionnées pour l’étude étaient composées de A) Une vidéo mettant en scène un cascadeur devant retirer la nappe d’une table sans en faire tomber les couverts, pour BMW, B) Une vidéo mettant en scène de façon poétique la sécurité routière et l’attachement des membre d’une famille, pour un

78

organisme de sécurité routière britannique. Chacun de ces spots a connu plus ou moins de succès mais étaient suffisamment peu connus du public cible, pour conserver un certain effet de surprise.

4.1.2.4 Cheminement du questionnaire Les volontaires devaient donc répondre à des séries de questions portant à la fois sur leurs habitudes d’utilisation de Facebook, et sur leurs sentiments, directement après avoir visionné les vidéos. Le questionnaire mis en place pour cette étude a été divisé en sept parties. La première partie avertissait les internautes à qui l’adresse URL avait été transmise, de prendre connaissance des conditions auxquelles l’enquête était soumise (droit de retrait, anonymat…). Par la suite, une série de questions visant à évaluer l’utilisation de la plateforme de réseautage social Facebook des répondants était proposée. Cette section a permis de mesurer les construits de centralité, et d’engagement. Puis, une série de questions visant à mesurer les variables non-contextualisées a été soumise. Cette section a permis de récolter les données pour les construits d’appréciation et d’efficacité connective. Ensuite, deux sections de questions sur les variables contextualisées ont été proposées aux répondants. Chacune des sections posait une série de questions strictement similaires, en rapport aux deux vidéos différentes (l’une avec un penchant drôle et divertissant, l’autre avec une vidéo à caractère informatif ou instrumental, voir figure 8). Ces deux sections ont permis de récolter les données pour les construits de réputation, d’efficacité informative, de valeur du gain collectif et d’intention. La sixième

79

section a permis de récolter des données socio-démographiques (âge, sexe, niveau de scolarité…). Enfin, la dernière section de ce questionnaire permettait aux internautes de partager les vidéos qu’ils avaient visionnés, de mesurer le comportement de partage, et de vérifier grâce aux fonctionnalités de la plateforme Facebook, quelles étaient les vidéos qui s’étaient le plus propagées (cette section était la plus exploratoire de l’étude ; elle sera décrite plus loin).

Figure 8 : Intégration de la vidéo, et décompte du nombre de fois qu'elle a été partagée sur la période de l'étude. Le fait de savoir si la vidéo a été partagée a été mesuré grâce à un bout de code dynamique qui changeait une valeur par défaut de 0 en 1 si l’internaute cliquait sur l’onglet « partager cette vidéo sur Facebook ».

80

4.2  Échantillon  
4.2.1 Population cible : les utilisateurs de Facebook Le but de cette étude étant de mesurer les intentions des internautes à partager des vidéos sur Facebook, la seule restriction imposée aux répondants de cette étude était que ces derniers se devaient d’être membres de Facebook et de disposer d’un profil. Une phrase avertissait les répondants, dès la première page, qu’ils ne se qualifiaient pas pour l’étude s’ils ne disposaient pas d’un profil sur le service. Les 500 millions de membres de Facebook (parmis lesquels 50% sont actifs, c’est à dire qu’ils se connectent une fois par mois au moins) partagent et créent chaque mois plus de 30 milliards de contenus (interactions, liens,

commentaires, vidéos)15. Regarder des vidéos constitue une des principales occupations des internautes16. Ainsi, Facebook constitue un véritable « écosystème » favorable à la fois à la propagation de vidéos, mais également à la création ou au renforcement des liens sociaux, ou à la reproduction des liens sociaux existants dans la vie réelle. Ce qui se passe sur Facebook peut avoir des conséquences dans la vie réelle. Le modèle ici utilisé est composé de sept facteurs. Un nombre minimum de 5 individus par items est nécessaire afin de posséder un échantillon valide dans
15

Source : Facebook.com rubrique « statistics » : http://www.facebook.com/press/info.php?statistics 16 Source : Universal McCann, étude Wave 4, une étude longitudinale annuelle menée sur plus de 20000 personnes.

81

la réalisation d’une analyse en composante principale (Cadieux et Lévesque 2008).

4.3  Constitution  de  l’outil  de  mesure  
4.3.1 Mesure du construit : Réputation Les questions posées pour mesurer le construit de réputation ont été adaptées ou inspirées des questions posées par Wasko et Faraj (2005), face au fait que l’acte de contribuer pouvait améliorer la réputation d’un individu dans un cadre professionnel. Ici, la réputation est une conséquence anticipée de l’image d’un individu auprès de son réseau social sur Facebook. D’autres études (Huang et al. 2008) ont utilisé avec succès des mesures similaires dans le cadre d’études pouvant ressembler à celle-ci. Les questions ont été mesurées sur une échelle de Likert à sept points (1 = tout à fait en désaccord et 7 = tout à fait d’accord) , après que les internautes aient été soumis au visionnement des vidéos. Le tableau 2 présente les questions posées dans le but de mesurer ce construit.

82

Tableau 2 : Mesure du construit "Réputation" [REP]
Variable Question Source

Réputation
[REP1]

Partager cette Facebook…
...ferait en sorte que m'apprécient davantage.

vidéo
mes

via
ami(e)s Wasko et Faraj (2005)

[REP2] [REP3] [REP4] [REP5]

...ferait en sorte que mes ami(e)s m'accordent plus d'attention. ...ferait en sorte que mes ami(e)s témoignent plus de considération. me

Wasko et Faraj (2005) Huang et al. (2008) Wasko et Faraj (2005) Huang et al. (2008)

… donnerait une bonne image de moi auprès de mes ami(e)s. ...contribuerait à améliorer mes relations avec mes amis. ...serait un bon moyen pour entretenir des relations positives avec mes ami.

[REP6]

Huang et al. (2008)

4.3.2 Mesure du construit : Appréciation Comme pour le construit précédent, l’Appréciation a été inspirée de l’échelle construite par Wasko et Faraj (2005). Les données ont été récoltées dans la troisième section du questionnaire, et mesurées sur une échelle de Likert à sept points (1 = tout à fait en désaccord et 7 = tout à fait d’accord). Même si l’énoncé n’est pas strictement le même dû au changement de cadre d’étude, les items cidessous retranscrivent l’idée que l’utilisation en soi de Facebook est une

83

activité appréciée. Le tableau 3 présente les questions posées dans le but de mesurer ce construit. Tableau 3 : Mesure du construit "Appréciation" [APP]
Variable Question Source

Appréciation

À quel point êtes-vous d’accord avec les énoncés suivants ?
J'aime le simple fait de partager des contenus sur Facebook. J’aime divertir mes amis en partageant du contenu avec eux sur Facebook. J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook. Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook. J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook. J'apprécie le fait d'utiliser Facebook pour partager du contenu. Wasko et Faraj (2005)

[APP1]

[APP2]

Wasko et Faraj (2005)

[APP3]

Wasko et Faraj (2005)

[APP4]

Wasko et Faraj (2005)

[APP5]

Wasko et Faraj (2005)

[APP6]

Wasko et Faraj (2005)

4.3.3 Mesure du construit : Centralité La mesure de la centralité s’est faite au travers de réponses à deux questions. Pour la première [centralité] les répondants indiquaient leur nombre d’amis sur une échelle comportant sept réponses potentielles, indiquant leur nombre d’amis sur Facebook.

84

Moins de 50 = 1, entre 51 et 100 = 2, entre 101 et 300 = 3, entre 301 et 500 = 4, entre 501 et 800 = 5, entre 801 et 1000 = 6, plus de 1000 = 7. Wasko et Faraj (2005) suggèrent que le nombre de liens sociaux directs (ici le nombre d’amis) est un indicateur cohérent dans la mesure de la centralité d’un individu dans son réseau. Cependant, dans leur étude, ils délimitent dans le temps la présence de ces liens sociaux (au moins une interaction dans une période de temps donné). Afin de raffiner le concept de centralité, la seconde question [centralité 2] demandait au répondant d’évaluer le nombre d’amis Facebook avec lesquels il avait des interactions fréquentes, sur une échelle de cinq points où : de moins de 10 = 1, de 10 à 20 = 2 ; de 21 à 50 = 3, de 51 à 100 = 4 et plus de 100 = 5. La mesure de la centralité n’a pas été prise en compte lors de l’analyse de la fiabilité. Le tableau 4 présente les questions posées dans le but de mesurer ce construit.

85

Tableau 4 : Mesure du construit "Centralité" [CENT]
Variable Question Source

Centralité

Veuillez répondre aux questions suivantes
Combien d'amis avez-vous sur Facebook ? Avec combien d'amis approximativement entretenez-vous régulièrement des contacts sur Facebook ? Wasko et Faraj (2005)

[centralité]

[centralité 2]

Adaptation

4.3.4 Mesure du construit : Efficacité connective Dans leur utilisation du capital cognitif, Wasko et Faraj (2005) ont utilisé les construits « tenure in field » et « self-rated-expertise » afin de mesurer les moyens par lesquels une contribution serait ou non perçue correctement par les récepteurs. Puisque la présente étude s’attache aux relations sociales plus que professionnelles, ces deux construits ont été remplacés par ceux développés par Kalman et al. (2002). L’Efficacité connective, c’est-à-dire la perception des répondants, du fait de savoir si Facebook est ou non un outil efficace pour transmettre et partager de l’information, a été mesurée dans la troisième section du questionnaire, sur une échelle de Likert à sept points, (1 = tout à fait en désaccord et 7 = tout à fait

86

d’accord). Le tableau 5 présente les questions posées dans le but de mesurer ce construit. Tableau 5 : Mesure du construit "Efficacité Connective" [EfC]
Variable Question Source

Efficacité Connective
[EfC1]

À quel point êtes-vous d’accord avec les énoncés suivants ?
Mes amis seront en mesure de consulter facilement le contenu que je partage. Mes amis sauront que j'ai partagé du contenu. Mes amis seront en mesure de le consulter quand ils le voudront. Il sera facile pour moi de partager du contenu. Mes amis pourront facilement retrouver le contenu partagé sur mon profil. Certains de mes amis partageront le contenu à leur tour après l'avoir consulté. Kalman et al. (2002)

[EfC2]

Kalman et al. (2002)

[EfC3]

Kalman et al. (2002)

[EfC4]

Kalman et al. (2002)

[EfC5]

Kalman et al. (2002)

[EfC6]

Kalman et al. (2002)

4.3.5 Mesure du construit : Efficacité informative L’efficacité Informative est une mesure introduite par Cabrera et Cabrera (2002), puis opérationnalisée par Kalman et al. (2002). L’adaptation de leur échelle dans le cadre de l’étude a pris en compte le fait que cette variable est contextualisée, c’est-à-dire liée au partage. contenu faisant l’objet du partage/non

87

Une échelle de Likert à sept points, (1 = tout à fait en désaccord et 7 = tout à fait d’accord), sur chacune des pages, a permis de collecter les données en fonction du contenu. Le tableau 6 présente les questions posées dans le but de mesurer ce construit. Tableau 6 : Mesure du construit "Efficacité Informative" [EfI]
Variable Question Source

Efficacité Informative
[EfI1] [EfI2] [EfI3] [EfI4] [EfI5] [EfI6] [EfI7]

Après avoir visionné la vidéo, à quel point êtes-vous d’accord avec les énoncés suivants ?
Mes amis ressentiraient des émotions après avoir vu cette vidéo. Mes amis accorderaient de l’attention à cette vidéo. Mes amis auraient de l'intérêt pour cette vidéo. Cette vidéo susciterait des réactions auprès de mes amis. Il est possible que mes amis veuillent échanger à leur tour cette vidéo. Mes amis reparleraient de cette vidéo dans un avenir proche. Mes amis auraient un souvenir marquant de cette vidéo. Kalman et al. (2002) Kalman et al. (2002) Kalman et al. (2002) Kalman et al. (2002) Kalman et al. (2002) Kalman et al. (2002) Kalman et al. (2002)

4.3.6 Mesure du construit : Engagement Développé par Wasko et Faraj (2005), le concept d’engagement

(« committment » en anglais) vise à faire ressortir l’implication de l’individu au sein de son réseau.

88

Ainsi, l’échelle a été adaptée, et mesurée avec une échelle de Likert à sept points (1 = tout à fait en désaccord et 7 = tout à fait d’accord). Le tableau 7 présente les questions posées dans le but de mesurer ce construit. Tableau 7 : Mesure du construit "Engagement" [ENG]
Variable Question Source

Engagement

À quel point êtes-vous d’accord avec les énoncés suivants ?
Mes interactions avec mes amis sur Facebook sont fréquentes. J'accorde de l'importance à mon activité sur Facebook. Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe. Je me considère comme quelqu'un d'actif sur le réseau Facebook. Je considère que la mise à jour de mon profil Facebook a de l'importance. Wasko et Faraj (2005)

[ENG1]

[ENG2]

Wasko et Faraj (2005)

[ENG3]

Wasko et Faraj (2005)

[ENG4]

Wasko et Faraj (2005)

[ENG5]

Wasko et Faraj (2005)

4.3.7 Mesure du construit : Valeur du gain collectif En se basant sur le construit de réciprocité développé par Wasko et Faraj (2005), la valeur du gain collectif a été adaptée pour les besoins de cette étude, en prenant en compte la notion d’obligation généralisée : les individus qui décident de partager un contenu le font dans une perspective globale, ils

89

s’adressent à leur réseau tout entier et pas seulement à un individu en particulier. Ici encore, la valeur du gain collectif est une variable contextualisée par rapport à un contenu. Les données ont été récupérées dans les sections quatre et cinq, après que le répondant ait visualisé les deux vidéos. Les répondants ont utilisé une échelle de Likert à sept points (1 = tout à fait en désaccord et 7 = tout à fait d’accord). Le tableau 8 présente les questions posées dans le but de mesurer ce construit. Tableau 8 : Mesure du construit "Valeur du gain collectif" [VGC]
Variable Question Source

Valeur du gain Partager cette collectif Facebook…
[VGC1]

vidéo

sur
Kalman et al. (2002) ; Wasko et Faraj (2005) Kalman et al. (2002) ; Wasko et Faraj (2005) Kalman et al. (2002) ; Wasko et Faraj (2005) Kalman et al. (2002) ; Wasko et Faraj (2005) Kalman et al. (2002) ; Wasko et Faraj (2005) Kalman et al. (2002) ; Wasko et Faraj (2005)

...aurait de la valeur pour mes amis.

[VGC2]

...aurait un intérêt collectif pour mes amis. ...serait bénéfique car j'apprécie que mes amis partagent des vidéos du même type. ...permettrait à mes amis de la partager à leur tour. ...permetrait de créer une discussion avec plusieurs de mes amis. ...serait apprécié car plusieurs de mes amis le font déjà.

[VGC3]

[VGC4]

[VGC5]

[VGC6]

90

4.3.8 Mesure de l’Intention La variable centrale de cette étude, l’intention de partager un contenu à caractère publicitaire sur Facebook, est une variable contextualisée. Aussi, les données nécessaires à sa mesure ont été récoltées après chaque visionnement des vidéos, dans les parties quatre et cinq du questionnaire. Les items de mesure sont inspirés de la plupart des études mesurant des intentions, quelles qu’elles soient (Technology acceptance model, Davis 1989.) Les répondants ont utilisé une échelle de Likert à sept points (1 = tout à fait en désaccord et 7 = tout à fait d’accord) Le tableau 2 présente les questions posées dans le but de mesurer ce construit. Tableau 9 : Mesure de la variable dépendante "Intention" [INT]
Variable Question Source

Intention

Considérant la vidéo que vous venez de regarder, à quel point êtes-vous d'accord avec les énoncés suivants :
Il y aurait de bonnes chances pour que je la partage via Facebook. J'ai l'intention de partager cette vidéo sur mon profil Facebook. Je vais certainement partager cette vidéo sur Facebook. Davis (1989)

[INT1]

[INT2]

Davis (1989)

[INT3]

Davis (1989)

91

4.3.9 Mesure du Comportement (expérimental) La mesure du comportement a été étudiée à l’insu du répondant, afin de ne pas affecter son libre-arbitre d’action. Pour cela, une page a été construite dans le questionnaire en ligne, avant les remerciements où le répondant pouvait, s’il le désirait, utiliser un bouton de partage automatisé pour poster la vidéo sur son profil Facebook. Une part de code dynamique (javascript) indiquait alors à la base de donnée si le contenu avait été ou non partagé. Par défaut, la valeur enregistrée était 0 = contenu non partagé.

4.4  Pré-­‐test  
Avant de lancer la première vague de collecte, le questionnaire a été pré-testé auprès d’une cinquantaine de volontaires. Les résultats du pré-test ont confirmé le bien-fondé du modèle théorique, tout en apportant quelques modifications au questionnaire. Une série d’analyses factorielles exploratoires en composantes principales avec l’introduction d’une rotation orthogonale VARIMAX (plus pure que les combinaisons de base) a été réalisée afin de tester la robustesse des échelles grâce à l’évaluation des cohérences internes (alpha de Chronbach pour mesurer la consistance interne de l’échelle et ACP pour identifier la structure factorielle de l’échelle. Le traitement statistique est fait à l’aide du logiciel de statistiques SPSS 16.0 et l’analyse des résultats se base sur la variance expliquée, la valeur du KMO (homogénéité des variables), le test de Bartlett

92

(sphéricité de la matrice de corrélation), les charges factorielles et les valeurs propres des dimensions (Eigenvalues).17 Il est à noter que l’étude s’est faite sur deux vidéos pour calculer certaines dimensions (EfI, VGC, Int). Ainsi, dans un premier temps, nous effectuons l’analyse du pré-test sur les dimensions communes aux deux vidéos (Eng, App, EfC), puis celles de la vidéo 1 pour finir par celles de la vidéo 2. Bien que les résultats n’indiquaient aucun problème majeur, certains items ont été retirés au préalable, afin d’écourter le temps de réponse des personnes interrogés, et fluidifier la navigation dans le questionnaire.

4.5  Méthode  de  Collecte  
Les données ont été récoltées à l’aide d’un questionnaire en ligne développé par le chercheur principal. Le questionnaire a été envoyé à quelques blogueurs ayant une forte audience afin qu’ils répondent et retransmettent l’adresse URL du sondage. Par ailleurs, une fonctionnalité permettant aux répondants de poster l’adresse du questionnaire sur leur profil Facebook a été intégrée. Ainsi la plupart des répondants ont incité leur réseau social à remplir le sondage à leur tour. L’outil de communication Twitter a aussi joué un rôle important afin de solliciter les répondants, puisqu’il a permis de retransmettre les appels à contribuer à d’autres sphères d’influence. Plus d’une centaine de personnes ont retransmis
17

Voir les résultats des ACP du pré-test en annexe.

93

l’information sur Twitter, et les pages du sondage ont été visitées plus d’un millier de fois lors de la première vague. La collecte a eu lieu du 22 mars au 8 avril et a obtenu 466 participants, parmi lesquels 250 ont décroché avant d’avoir terminé de répondre au sondage (principalement aux pages d’accueil, et aux pages de vidéos). Cependant, les 216 autres participations complétées se sont avérées être amplement suffisantes pour les besoins de l’étude, et 202 on été exploitées après avoir ôté de la base de données les réponses comportant trop de valeur manquantes.

94

CHAPITRE  V  :  Résultats  
Après la collecte de données, un problème a été repéré en ce qui concerne la seconde variable dépendante, à savoir le comportement de partage. Ainsi nous avons pu observer que les réponses obtenues, en mesurant si oui ou non les répondants ont cliqué sur le bouton de partage, n’étaient pas du tout significatives ni représentatives, et que plusieurs personnes ont bel et bien partagé le dit contenu, mais sans utiliser le système mis en place pour cette étude. Leur réponse a été considérée comme nulle alors que le comportement avait pourtant bien eu lieu. Ainsi, afin d’éviter d’éventuelles complications liées à des biais d’interprétation, et par trop de manipulations statistiques, la décision a été prise retirer complètement cette variable de l’étude. Cependant, avec plus de 200 questionnaires validés pour interpréter l’intention, les résultats présentés ci-après nous renseignent de façon largement suffisante pour analyser le phénomène.

5.1  Statistiques  Socio-­‐démographiques  
Le tableau 10 présente les données socio-démographiques des répondants. On observe que la plupart ont une éducation supérieure, et sont âgés de 18 à 35 ans. Ils utilisent majoritairement Facebook entre 1 et 4 heures par semaine. Il y a également légèrement plus d’hommes que de femmes.

95

Tableau 10 : Statistiques socio-démographiques et usage de Facebook
Variable Item
Homme

Pourcentage
55,9

Fréquence
113

Sexe

Femme

44,1

87

14-17 18-25 26-30 Âge 31-35 36-40 41-50 +50 Secondaire Lycée / Cégep Niveau de scolarité 1er Cycle (Baccalauréat) 2nd Cycle (Maitrise) 3ème Cycle (Doctorat) Moins de 1h Entre 1h et 4h Usage de Facebook hebdomadaire Entre 5h et 10h Plus de 10h Plus de 20h

0,5 47 19,8 14,4 7,9 5,9 4 1 7,9 37,6 41,6 10,9 11,4 41,1 23,3 15,3 8,4

1 95 40 29 16 12 8 2 16 76 84 22 23 83 47 31 17

96

5.2  Validité  des  échelles  de  mesure  
Le modèle ici présenté est composé de variables contextuelle et permanentes. Afin de mesurer la validité des échelles de mesure, il a été décidé d’utiliser les données rattachées à la seconde vidéo, car celle-ci s’est révélée être la plus efficace, en terme de nombre de partage et de nombre de visionnement. Ainsi, les variables de réputation, d’efficacité informative, de gain collectif, ainsi que la variable d’intention, ont été évaluées d’après les réponses qui ont été apportées lors de l’exposition à la seconde vidéo. De même, les construits de centralité ne sont pas pris en compte pour les analyses de validité et fiabilité, ni dans les analyses factorielles, puisqu’ils n’ont été mesurés que par un seul item chacun, de la même façon que l’ont traité Wasko et Faraj (2005).

97

5.2.1 Analyse de la fidélité des variables L’analyse de la fidélité a été réalisée en observant les alphas de Cronbach de chacune des variables, à part. Cette analyse n’a révélé aucun défaut majeur dans la construction des échelles, avec des alphas de Cronbach compris entre 0.866 et 0,957. De même, aucun retrait d’item ne ferait augmenter l’alpha de Cronbach d’aucune des variables mesurées. Les coefficients de Pearson n’indiquent qu’aucun item ne souffre d’un manque de corrélation, et les scores obtenus pour cette mesure sont satisfaisants. Les chiffres énoncés ci-dessus sont disponibles dans les tableaux 11 et 12, et les sorties SPSS sont disponibles en annexe de l’étude. Les matrices de corrélation inter items disponibles en annexe, ne démontrent aucun problème de manque de corrélation interne, dans aucune des échelles ici mesurées. Cela signifie que tous nos concepts mesurent la même entité. À ce stade de l’analyse, tous les items peuvent être conservés et l’on peut procéder aux analyses factorielles.

98

Tableau 11 : Alpha de Cronbach par construit
Correlation de Pearson Alpha si Extraction

Item

N

Moyenne

Écart-type

Appréciation : Alpha de Chronbach = 0.866
[APP 1] [APP 2] [APP 3] [APP 4] [APP 5] [APP 6] 202 202 202 202 202 202 4.88 5.17 4.76 4.19 4.82 5.16 1.588 1.500 1.694 1.770 1.633 1.585 .693 .655 .664 .684 .715 .568 .838 .845 .843 .840 .834 .860

Réputation: Alpha de Chronbach = 0.957
[REP 1] [REP 2] [REP 3] [REP 4] [REP 5] [REP 6] 202 202 202 202 202 202 3.07 2.94 3.00 3.48 2.90 3.13 1.611 1.568 1.579 1.711 1.608 1.697 .863 .854 .906 .855 .872 .838 .948 .950 .944 .950 .947 .951

Efficacité connective: Alpha de Chronbach = 0.876
[EFC 1] [EFC 2] [EFC 3] [EFC 4] [EFC 5] [EFC 6] 202 202 202 202 202 202 5.69 5.27 5.17 5.65 5.04 5.10 1.268 1.389 1.585 1.431 1.577 1.594 .753 .714 .670 .721 .680 .582 .846 .850 .858 .849 .856 .873

99

Tableau 12 : Alpha de Cronbach par Construit (suite)
Correlation de Pearson Alpha si Extraction

Item

N

Moyenne

Écart-type

Efficacité informative: Alpha de Chronbach = 0.938
[EFI 1] [EFI 2] [EFI 3] [EFI 4] [EFI 5] [EFI 6] [EFI 7] 202 202 202 202 202 202 202 5.18 4.97 4.84 4.88 4.85 4.26 4.34 1.289 1.369 1.452 1.509 1.507 1.616 1.803 .831 .854 .797 .832 .791 .787 .745 .927 .924 .929 .925 .929 .930 .936

Engagement : Alpha de Chronbach = 0.876
[ENG 1] [ENG 2] [ENG 3] [ENG 4] [ENG 5] 202 202 202 202 202 4.79 4.53 3.46 4.48 4.08 1.571 1.673 1.681 1.848 1.847 .645 .802 .574 .781 .739 .864 .827 .880 .831 .842

Valeur du gain collectif : Alpha de Chronbach= 0.943
[VGC 1] [VGC 2] [VGC 3] [VGC 4] [VGC 5] [VGC 6] 202 202 202 202 202 202 4.035 4.248 3.975 4.490 4.030 4.005 1.643 1.689 1.738 1.696 1.742 1.671 .824 .852 .863 .786 .816 .829 .933 .930 .929 .938 .934 .933

 

100

5.2.2 Analyses en composantes principales Une série d’analyses factorielles en composantes principales (ACP) avec rotation orthogonale VARIMAX a été réalisée, afin de mesurer la validité interne des construits du modèle. (Appréciation, réputation, efficacité connective, efficacité informative, engagement, valeur du gain collectif, ainsi que l’intention). Sept facteurs sont effectivement identifiés par cette ACP qui explique 74,87% de la variance totale. Avec un KMO de 0,918, cette première ACP annonce un très bon score. (Les sorties techniques sont disponibles en annexe.) Tableau 13 : Résultats de la première APC
Première analyse en composantes principales
N Nombre de construits à étudier Total de la variance expliquée KMO Nombre de facteurs extraits 202 7 74,87% .918 7

À première vue tout laisse présager de bons résultats, mais il est nécessaire de regarder la matrice des facteurs obtenue après rotation pour se rendre compte que certains items ne se chargent pas sur le bon facteur, nous permettant ainsi d’identifier ceux qu’il est nécessaire d’éliminer avant de passer aux analyses suivantes. Les tableaux 14 et 15 présentent les corrélations entre items et facteurs.

101

Tableau 14 : Matrice après rotation de la première ACP
Items
EFI [EfI1] [EfI2] [EfI4] [EfI3] [EfI5] [EfI7] [EfI6] [VGC4] [VGC1] [REP3] [REP2] [REP5] [REP1] [REP4] [REP6] [EfC2] [EfC3] [EfC1] [EfC4] [EfC5] [EfC6] .892 .880 .845 .844 .818 .708 .687 .626 .552 .162 .181 .196 .178 .272 .259 .052 .010 .106 .216 -.015 .051 REP .185 .215 .143 .168 .170 .095 .222 .201 .412 .896 .871 .870 .859 .850 .817 .027 .028 -.035 .044 .008 .064 EFC .090 .103 .041 .081 .050 -.005 -.003 .130 .091 .008 .018 .034 -.010 .026 .061 .805 .793 .790 .771 .759 .651

Facteurs
ENG -.022 .070 .092 .085 .038 .067 .143 .055 .058 .113 .086 .183 .079 .058 .137 .127 .005 .163 .101 .161 .283 APP .084 .019 .094 .030 .014 .000 -.001 .098 .170 .104 .071 .038 .166 .106 .023 .060 .066 .188 .219 .070 .107 VGC -.048 -.047 .172 -.004 .161 .294 .378 .461 .492 .153 .059 .061 .113 .110 .181 .050 .065 -.039 -.103 .131 .084 INT .090 .118 .061 .097 .088 .240 .263 .245 .074 .081 .082 .087 .125 -.034 .084 -.088 .144 .122 .108 .072 -.070

102

Tableau 15 : Matrice après rotation de la première ACP (suite)
Items
EFI [ENG2] [ENG4] [ENG5] [ENG3] [ENG1] [APP6] [APP1] [APP2] [APP5] [APP3] [APP4] [VGC5] [VGC6] [VGC2] [VGC3] [INT3] [INT2] [INT1] .118 .115 .149 -.068 .153 .025 .060 .082 .142 .000 .038 .461 .469 .512 .491 .380 .406 .532 REP .166 .085 .140 .186 .065 -.036 .116 .010 .110 .220 .182 .290 .270 .341 .407 .136 .161 .217 EFC .195 .195 .196 .027 .356 .276 .120 .313 .174 .173 .020 .037 .136 .071 .113 .089 .122 .165

Facteurs
ENG .792 .750 .747 .724 .639 .516 .258 .187 .393 .309 .453 .168 .133 .105 .101 .112 .107 .101 APP .248 .290 .248 .144 .206 .403 .770 .744 .659 .658 .612 .097 .122 .131 .122 .049 .072 .110 VGC .052 .042 .058 .235 -.178 .020 -.085 .035 .129 .143 .221 .639 .613 .569 .551 .174 .181 .235 INT .051 .141 .033 -.033 .114 .270 .188 .090 -.077 -.034 -.049 .221 .257 .177 .236 .842 .826 .658

103

Les tableaux 14 et 15 posent un plusieurs problèmes. Premièrement, les construits d’efficacité informative et de valeur du gain collectif semblent être trop corrélés, de même que les construits d’appréciation et d’engagement. En y réfléchissant, il semble logique que ces variables soient problématiques, de par leur nature proche, les unes contextualisées reflétant une phénomène d’anticipation, les autres permanentes étant reliées à l’utilisation de Facebook. Ainsi, l’extraction de certains items s’avère nécessaire pour éviter les problèmes de forte corrélation sur des facteurs avec lesquels ils ne devraient pas être corrélés. Parmi ceux-ci, les items EFI6, EFI7, VGC1, VGC4, ENG1, APP6 et APP4 ont été extraits car trop corrélés, ou car ils se chargeaient en dessous de 0,7 (à l’exception de EFI7, qui a été extrait car sa présence avait une influence néfaste sur les items de valeur du gain collectif). La variable de valeur du gain collectif se montrant très faible, et tous ses items ne se chargeant qu’en dessous 0.7, il a été décidé de réaliser une seconde analyse en composante principale, sur les items deux facteurs efficacité informative et valeur du gain collectif restants, afin de déterminer lesquels des items de ces variables il serait préférable d’extraire pour conserver suffisamment d’items de valeur du gain collectif. Le tableau 16 présente les résultats de cette ACP, et le tableau 18 la matrice des composantes après rotation de ces deux construits.

104

Tableau 16 : Résultats de la seconde APC
Seconde analyse en composantes principales (VGC – EFI)
N Nombre de construits à étudier Total de la variance expliquée KMO Nombre de facteurs extraits 202 2 81,046% .914 2

Avec un KMO de 0,914 (de qualité « incroyable ») et un total de variance expliquée de 81,046%, cette ACP remplit les conditions de validité. La matrice des corrélations du tableau 17 peut donc être examinée. Tableau 17 Matrice après rotation de la seconde ACP
Items Facteurs
EFI [EfI2] [EfI1] [EfI3] [EfI4] [EfI5] [VGC5] [VGC6] [VGC3] [VGC2] .887 .873 .852 .787 .762 .274 .302 .344 .345 VGC .281 .276 .271 .416 .384 .865 .860 .841 .821

105

La matrice des corrélations de la seconde ACP démontre qu’après l’extraction de VGC1, VGC5, EFI6 et EFI7, ces deux facteurs souffrent de moins de colinéarité. Il est ainsi possible de procéder à une analyse factorielle confirmatoire, afin de valider l’échelle de mesure dans sa globalité. Le tableau 18 présente les résultats de cette ACP confirmatoire, et les tableaux 19 et 20 présentent la matrice de corrélation finale des facteurs de cette échelle de mesure. Tableau 18 : résultats de l’ACP confirmatoire
Analyse en composantes principales confirmatoire
N Nombre de construits à étudier Total de la variance expliquée KMO Nombre de facteurs extraits 202 7 76,216% .907 7

Avec un KMO de 0,907 (toujours de qualité « incroyable ») et un total de variance expliquée de 76,216%, cette dernière ACP remplit elle aussi les conditions de validité. La matrice des corrélations des tableaux 19 et 20 peut donc être examinée.

106

Tableau 19 : Matrice après rotation de l’ACP confirmatoire
Items REP
[REP3] [REP2] [REP5] [REP1] [REP4] [REP6] [EfI1] [EfI2] [EfI3] [EfI4] [EfI5] [EfC2] [EfC3] [EfC1] [EfC4] [EfC5] [EfC6] .903 .879 .870 .870 .858 .822 .197 .226 .176 .160 .185 .032 .022 -.034 .045 .004 .071

Facteurs EFI
.125 .153 .176 .140 .248 .235 .883 .869 .838 .827 .792 .052 .009 .099 .215 -.024 .050

EFC
.011 .020 .034 -.006 .027 .062 .082 .098 .076 .040 .043 .810 .792 .788 .769 .767 .654

ENG
.114 .085 .185 .071 .060 .132 -.007 .074 .087 .085 .052 .112 .002 .164 .100 .138 .273

APP
.115 .074 .044 .175 .111 .028 .072 .015 .022 .096 .016 .071 .055 .192 .214 .075 .117

INT
.106 .092 .097 .141 -.004 .106 .163 .176 .153 .133 .177 -.080 .145 .145 .130 .066 -.053

VGC
.124 .038 .062 .077 .096 .194 -.008 .023 .070 .242 .189 .051 .065 -.071 -.125 .162 .063

107

Tableau 20 : Matrice après rotation de l’ACP confirmatoire (suite)
Items REP
[ENG2] [ENG4] [ENG5] [ENG3] [ENG1] [APP1] [APP2] [APP3] [APP5] [APP4] [INT3] [INT2] [INT1] [VGC5] [VGC6] [VGC2] [VGC3] .169 .081 .142 .186 .053 .124 .008 .219 .103 .171 .144 .170 .229 .317 .290 .365 .431

Facteurs EFI
.097 .092 .130 -.098 .158 .053 .080 -.019 .141 .024 .295 .324 .459 .396 .413 .456 .436

EFC
.197 .193 .200 .040 .347 .122 .313 .183 .182 .031 .087 .121 .163 .044 .140 .068 .114

ENG
.788 .760 .741 .694 .663 .239 .176 .278 .361 .420 .109 .100 .098 .145 .116 .113 .091

APP
.269 .304 .270 .190 .205 .761 .743 .684 .681 .644 .050 .071 .110 .111 .130 .128 .121

INT
.074 .181 .056 -.032 .133 .193 .126 -.015 -.056 -.034 .883 .865 .720 .303 .342 .287 .323

VGC
.042 .020 .068 .282 -.188 -.156 -.009 .149 .177 .278 .142 .155 .215 .648 .626 .524 .522

108

Même si certains problèmes persistent, comme la faiblesse de la mesure de la valeur du gain collectif, cette ACP confirmatoire permet d’affirmer que chaque item mesure bel et bien le construit qu’il est censé mesurer. Dès lors, les items présents dans les tableaux 19 et 20 sont ceux qui seront utilisés pour la prochaine étape, à savoir une série de régressions linéaires.

5.3  Structure  des  analyses  
5.3.1 Création des index Les variables permanentes constituent la base commune, et les variables contextualisées sont traitées de façon séparée, pour chacune des deux vidéos, puis de façon simultanée. Afin d’effectuer une série de régressions linéaires, des index ont été construits, en faisant la moyenne des items retenus après vérification de la validité des échelles. Les variables permanentes ont permis de créer 4 index : Appréciation, Efficacité connective centralité 1 et centralité 2. Les items des variables contextualisées (réputation, efficacité informative, valeur du gain collectif et intention) ont subi 3 transformations, à savoir : la moyenne des items des variables contextualisées pour la première vidéo, la moyenne des items des variables contextualisées pour la seconde vidéo puis la somme des moyenne des items de toutes les variables contextualisées, des deux vidéos, afin d’obtenir un index représentatif du phénomène dans sa globalité. Au total, trois régressions seront effectuées :

109

  

Régression avec les résultats de la première vidéo Régression avec les résultats de la seconde vidéo Régression avec les résultats des deux vidéos cumulées

Le tableau 21 présente les variables utilisées pour chaque régression, et leur nomenclature dans SPSS. Tableau 21 : Nomenclature des variables utilisées pour les régressions
Régression vidéo 1 MAPP Index des variables permanentes MEFC Centralité 1 Centralité 2 MREP1 Index des variables contextualisées MEFI1 MVGC1 Index de la variable Dépendante MINT1 Régression vidéo 2 MAPP MEFC Centralité 1 Centralité 2 MREP2 MEFI2 MVGC2 MINT2 Régression totale APP EFC Centralité 1 Centralité 2 SREPT SEFIT SVGCT INTT

Enfin, le tableau 22 présente les statistiques descriptives par index de construit.

110

Tableau 22 : Statistiques descriptives par index
Variable N
Variables permanentes Appréciation - Moyenne Efficacité connective - Moyenne Centralité (Nombre d’amis) Centralité 2 (Nombre d’interactions) Engagement - Moyenne 202 200 202 202 202 Variables contextualisées de la vidéo 1 Réputation 1 - Moyenne Efficacité informative 1 - Moyenne Valeur du gain collectif 1 - Moyenne Intention de partager la 1
ère

Moyenne

Écart-type

4,76 4,47 3,26 2,37 4,26

1,02 1,31 1,24 1,02 1,41

202 201 201 201

2.59 4.07 3.19 2.51

1.30 1.29 1.45 1.77

vidéo - Moyenne

Variables contextualisées de la vidéo 2 Réputation 2 – Moyenne Efficacité informative 2 – Moyenne Valeur du gain collectif 2 – Moyenne Intention de partager la 2
nde

202 202 202 202

3.08 4.94 4.06 3.53

1.48 1.27 1.55 2.00

vidéo - Moyenne

Somme des variables des deux vidéos Appréciation Efficacité connective Engagement Réputation – (Somme des moyennes) Efficacité informative - (Somme des moyennes) Valeur du gain collectif - (Somme des moyennes) Intention de partager -(Somme des moyennes) 202 202 202 202 202 202 202 23.82 26.83 21.34 34.03 45.05 29.02 18.14 6.56 5.92 7.06 15.50 10.71 10.31 9.61

111

5.3.2 Écriture du modèle de régression et structure des résultats La méthode de la régression multiple permet d’étudier des relations entre plusieurs variables continues (Cadieux et Lévesque 2008). Le modèle se présente sous la forme : Y = ß0 + ß1X1 + ß2X2 + ß3X3 + …+ BkXk + ∈ Où : Y = la variable dépendante ou appelée autrement la variable « expliquée ». ß0, ß1,… = les paramètres du modèle de régression multiple X1, X2,… = les variables indépendantes ou appelées autrement les variables « explicatives ». ∈ = l’erreur. Elle représente la partie aléatoire non observable qui pourrait être attribué à des facteurs non présents dans le modèle étudié. Il faut noter que tous les seuils de significations sont fixés à α = 0.05. Les analyses de régressions se décomposeront comme suivant :      Analyse du R2 et de la variance (ANOVA) Inférence des paramètres, analyse des β Rangement des effets (cote t) Analyse de la colinéarité avec les VIF Analyse des résidus

112

5.4  Régression  et  analyse  de  la  vidéo  1  
La première vidéo ayant servi de modèle de contenu à caractère publicitaire, mettait en scène un motard effectuant un « coup » bien particulier : retirer la nappe d’une table dressée, à la façon des magiciens de cabaret, pour souligner l’efficacité des moteurs des motos de BMW.18 Cette vidéo possède un fort caractère hédoniste. 5.4.1 Analyse du R2 et de la variance pour la première régression Le coefficient R2 représente le pourcentage de variation de Y (soit la variable dépendante) expliqué par la régression (Cadieux et Lévesque 2008). Plus il est fort, plus la relation est considérée comme forte. Le test d’hypothèse de l’ANOVA permet de vérifier si oui ou non la régression est significative dans la population. Pour résoudre le test d’hypothèses de l’ANOVA, il est nécessaire de poser les hypothèses suivantes : H0 : La régression est non significative dans la population (c’est à dire que tous les ßj = 0) H1 : La régression est significative dans la population (c’est à dire qu’au moins un ßj ≠ 0) L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05.

18

La vidéo est disponible à l’adresse suivante : www.youtube.com/user/mermetudes

113

Le tableau 23 présente le R2 ainsi que la p-value de l’ANOVA cette régression. Tableau 23 : R2, R2 ajusté et p-value de la 1ère régression R2 0,456 R2 Ajusté 0,433 p-value de l’ANOVA 0,000

Dans notre cas, le R2 est de .456. C’est-à-dire que la régression explique 45,6% de la variation de la dépendante Y, de l’intention. Ce résultat quoi qu’un peu faible (interrelation modérée, puisque comprise entre 0.3 et 0.5) reste satisfaisant car nous sommes dans le cadre d’une étude exploratoire mettant en avant des variables sociales. En ce qui concerne l’analyse de la variance, comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, nous pouvons dire que la régression est significative et l’analyse peut se poursuivre. 5.4.2 Inférence des paramètres et analyse des β de la 1ère régression Cette étape consiste à voir quels sont les ßi significatifs dans le modèle en ce qui concerne les variables indépendantes associées à la première vidéo. Pour y répondre, il faut répondre au test d’hypothèse suivant pour chacun des ßi : H0 : ßi = 0 H1 : ßi ≠ 0

114

Règle de décision : L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05. Le tableau 24 présente la p-value, la cote t et les VIF pour chacune des variables étudiées dans le cadre de cette régression Tableau 24 : p-value cote t et VIF de la première régression
Variable Centralité Centralité 2 APP EFC ENG REP1 EFI1 VGC1 p-value
.091 .342 .664 .344 .456 .600 .004 .000

Cote t
-1.698 .953 -.435 -.948 .746 .525 2.891 4.902

VIF
1.456 1.594 2.019 1.261 2.353 1.993 2.341 3.047

Deux variables ressortent significatives du modèle. Il s’agit de « VGC1» (valeur du gain collectif), et de « EFI1» (efficacité informative) car leurs p-values sont inférieures à α = 0.05 et permettent de rejeter H0. Les prochaines sections présentent la décomposition des résultats et la résolution du test d’hypothèse, pour chacune des variables.

115

5.4.2.1 ß1 Centralité Comme la p-value est de 0, 091 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « centralité » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.4.2.2 ß2 Centralité 2 Comme la p-value est de 0,342 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « centralité 2 » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.4.2.3 ß3 Appréciation [APP] Comme la p-value est de 0,664 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « appréciation » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

116

5.4.2.4 ß4 Efficacité connective [EFC] Comme la p-value est de 0,344 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « efficacité connective » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.4.2.5 ß5 Engagement [ENG] Comme la p-value est de 0,456 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable «engagement » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.4.2.6 ß6 Réputation [REP1] Comme la p-value est de 0,600> α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « réputation » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

117

5.4.2.7 ß7 Efficacité informative [EFI1] Comme la p-value est de 0,004 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable « efficacité informative » apporte une contribution significative au modèle étudié en présence des autres variables.

5.4.2.8 ß8 Valeur du gain collectif [VGC1] Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable « valeur du gain collectif » apporte une contribution significative au modèle étudié en présence des autres variables. 5.4.3 Rangement des effets pour la 1ère régression Il est possible de ranger les variables indépendantes selon leur influence sur la variable dépendante. Pour cela, il faut utiliser la cote t représentée par la colonne « t » de la table des coefficients pour les variables significatives. Le tableau 25 classe les variables significatives de cette régression, par ordre d’importance.

118

Tableau 25 : Classement des effets pour la première régression
Rangement des effets Position 1 2 Variable Valeur du Gain Collectif Efficacité Informative Cote-t 4.902 2.891

Ainsi, dans notre étude la variable la plus importante est « valeur du gain collectif » (4.902), suivie de l’« efficacité informative » (2.891). 5.4.4 Analyse de la colinéarité avec les VIF pour la 1ère régression La statistique VIF est utile pour vérifier s’il y a multi colinéarité entre plusieurs variables. C’est à dire si plusieurs variables sont corrélées ensemble. L’inconvénient d’une forte colinéarité entre plusieurs variables rend instable les valeurs numériques des coefficients de régression. Toutefois, des VIF forts ne sont pas systématiquement néfastes, tout dépend de l’utilisation faite de la régression. Par exemple, si l’intérêt est de faire des estimations et prévisions les VIF ne seront pas problématiques. Par contre, si l’intérêt de la régression est de mesurer l’effet marginal de toutes les variables explicatives, la colinéarité sera plus problématique (Cadieux et Lévesque 2008). Dans notre cas, une multi colinéarité serait nuisible à l’étude.

119

Une règle du pouce tend à montrer qu’un VIF supérieur à 10 ne peut être retenu à cause d’une trop grande multi colinéarité (Cadieux et Lévesque 2008). Ici, les VIF (tableau 26) sont compris entre [1.261; 3,047]. Ainsi, nous pouvons affirmer que le modèle ne souffre pas de multi colinéarité et que les tests sur les ßi ainsi que le classement sur les variables explicatives sont valides. Tableau 26 : VIF pour la 1ère régression Variable
Centralité Centralité 2 APP EFC ENG REP1 EFI1 VGC1

VIF
1.456 1.594 2.019 1.261 2.353 1.993 2.341 3.047

5.4.5 Analyse des résidus pour la 1ère régression L’analyse des résidus est nécessaire dans tout modèle de régression multiple pour mesurer la variation inexpliquée de la droite de régression. Pour cela, il est généralement accepté de se servir des résidus standardisés afin de voir s’ils suivent une loi normale N(0,1) (Cadieux 2009).

120

L’utilisation du test de Normalité (Kolmogorov-Smirnov et Shapiro-Wilk) permet de répondre au test d’hypothèse suivant : H0 : Les résidus se distribuent suivant une loi normale au niveau de la population H1 : Les résidus ne se distribuent pas suivant une loi normale au niveau de la population L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05. Le tableau 27 présente les résultats des tests de Normalité, et les figures 9 et 10 présent la distribution des résidus.

Tableau 27 : tests de normalité des résidus de la 1ère régression Kolmogorov-Smirnov
Statistic .082 df 202 Sig. .002 Statistic .962

Shapiro-Wilk
df 202 Sig. .000

Ici, comme la p-value est inférieure à α = 0.05 pour les deux tests de normalité, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est admis que les résidus ne se distribuent pas selon une loi normale, ce qui est mauvais. Cela se traduit par une faible qualité de la régression. La relation entre Y et X est mal modélisée.

121

Les résidus sont présentés dans les figures suivantes on observe effectivement qu’ils ne suivent pas la droite représentant théoriquement la régression (figure 9), et que les résidus se distribuent pas uniformément autour du zéro (figure 10).

Figure 9

122

 
Figure 10

123

5.5  Régression  et  analyse  de  la  vidéo  2  
La seconde vidéo19 représentait une famille, dans un salon, où le père était filmé au ralenti, entrain d’avoir un faux accident de voiture. La mère et sa fille venaient alors l’enlacer, pour représenter le fait que l’influence de la famille sur les comportements à risques, comme l’oubli de la ceinture, étaient importants. Cette vidéo possède un fort caractère instrumental. 5.5.1 Analyse du R2 et de la variance pour la 2nde régression Le coefficient R2 représente le pourcentage de variation de Y (soit la variable dépendante) expliqué par la régression (Cadieux et Lévesque 2008). Plus il est fort, plus la relation est considérée comme forte. Le test d’hypothèse de l’ANOVA permet de vérifier si oui ou non la régression est significative dans la population. Pour résoudre le test d’hypothèses de l’ANOVA, il est nécessaire de poser les hypothèses suivantes : H0 : La régression est non significative dans la population (c’est à dire que tous les ßj = 0) H1 : La régression est significative dans la population (c’est à dire qu’au moins un ßj ≠ 0) L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05.

19

La vidéo est disponible à l’adresse suivante : www.youtube.com/user/mermetudes

124

Le tableau 28 présente le R2 ainsi que la p-value de l’ANOVA cette régression. Tableau 28 : R2 et p-value de la 2nde régression R2 0,504 R2 Ajusté 0,484 p-value de l’ANOVA 0,000

Dans notre cas, le R2 est de .484. C’est-à-dire que la régression explique 48,4% de la variation de la dépendante Y, de l’intention. Ce résultat quoi qu’un peu faible (interrelation modérée, puisque comprise entre 0.3 et 0.5) reste satisfaisant car nous sommes dans le cadre d’une étude exploratoire mettant en avant des variables sociales. En ce qui concerne l’analyse de la variance, comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, nous pouvons dire que la régression est significative et l’analyse peut se poursuivre. 5.5.2 Inférence des paramètres et analyse des β Cette étape consiste à voir quels sont les ßi significatifs dans le modèle en ce qui concerne les variables indépendantes associées à la première vidéo. Pour y répondre, il faut répondre au test d’hypothèse suivant pour chacun des ßi : H0 : ßi = 0 H1 : ßi ≠ 0

125

Règle de décision : L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05. Le tableau 29 présente la p-value, la cote t et les VIF pour chacune des variables étudiées dans le cadre de cette régression Tableau 29 : p-value cote t et VIF de la 2nde régression
Variable Centralité Centralité 2 APP EFC ENG REP2 EFI2 VGC2 p-value
.227 .113 .837 .082 .776 .788 .000 .000

Cote t
-1.211 1.593 -.206 1.749 .285 -.269 3.871 5.913

VIF
1.455 1.627 1.998 1.279 2.448 1.668 1.831 2.409

Deux variables ressortent significatives du modèle. Il s’agit de « VGC1» (valeur du gain collectif), et de « EFI1» (efficacité informative) car leurs p-values sont inférieures à α = 0.05 et permettent de rejeter H0. Les prochaines sections présentent la décomposition des résultats et la résolution du test d’hypothèse, pour chacune des variables.

126

5.5.2.1 ß1 Centralité Comme la p-value est de 0,227 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « centralité » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.5.2.2 ß2 Centralité 2 Comme la p-value est de 0,113 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « centralité 2 » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.5.2.3 ß3 Appréciation [APP] Comme la p-value est de 0,837 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « appréciation » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

127

5.5.2.4 ß4 Efficacité connective [EFC] Comme la p-value est de 0,082 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « efficacité connective » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.5.2.5 ß5 Engagement [ENG] Comme la p-value est de 0,776 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable «engagement » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.5.2.6 ß6 Réputation [REP2] Comme la p-value est de 0,788> α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « réputation » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

128

5.5.2.7 ß7 Efficacité informative [EFI2] Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable « efficacité informative » apporte une contribution significative au modèle étudié en présence des autres variables.

5.5.2.8 ß8 Valeur du gain collectif [VGC2] Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable « valeur du gain collectif » apporte une contribution significative au modèle étudié en présence des autres variables. 5.5.3 Rangement des effets pour la 2nde régression Il est possible de ranger les variables indépendantes selon leur influence sur la variable dépendante. Pour cela, il faut utiliser la cote-t représentée par la colonne « t » de la table des coefficients pour les variables significatives. Le tableau 30 classe les variables significatives de cette régression, par ordre d’importance.

129

Tableau 30 : Classement des effets pour la 2nde régression
Rangement des effets Position 1 2 Variable Valeur du Gain Collectif Efficacité Informative Cote-t
5.913 3.871

Ainsi, dans notre étude la variable la plus importante est « valeur du gain collectif » (5.913), suivie de l’« efficacité informative » (3.871) . 5.5.4 Analyse de la colinéarité avec les VIF pour la 2nde régression Ici, les VIF (tableau 31) sont compris entre [1,279; 2,448]. Ainsi, nous pouvons affirmer que le modèle ne souffre pas de multi colinéarité et que les tests sur les ßi ainsi que le classement sur les variables explicatives sont valides. Tableau 31 : VIF pour la 2nde régression Variable
Centralité Centralité 2 APP EFC ENG REP1 EFI1 VGC1

VIF
1.455 1.627 1.998 1.279 2.448 1.668 1.831 2.409

130

5.5.5 Analyse des résidus pour la 2nde régression L’utilisation du test de Normalité (Kolmogorov-Smirnov et Shapiro-Wilk) permet de répondre au test d’hypothèse suivant : H0 : Les résidus se distribuent suivant une loi normale au niveau de la population H1 : Les résidus ne se distribuent pas suivant une loi normale au niveau de la population L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05. Le tableau 32 présente les résultats des tests de Normalité, et les figures 9 et 10 présent la distribution des résidus. Tableau 32 : tests de normalité des résidus de la 2nde régression Kolmogorov-Smirnov
Statistic df Sig.
*

Shapiro-Wilk
Statistic df Sig.

.031

202

.200

.995

202

.737

Ici, comme la p-value est supérieure à α = 0.05 pour les deux tests de normalité, l’hypothèse H0 n’est pas rejetée. Ainsi, il est admis que les résidus se distribuent selon une loi normale, ce qui est bon. Cela traduit une bonne modélisation de la relation entre Y et X.

131

Les résidus sont présentés dans les figures suivantes on observe effectivement que les résidus suivent la droite représentant théoriquement la régression (figure 11), et que les résidus distribuent uniformément autour de la droite du zéro (figure 12). Il n’y a donc pas de violation de la linéarité.

Figure 11

132

Figure 12

Ainsi, il est tout à fait légitime de penser que pour cette régression, le modèle ici utilisé est une source fiable de renseignements.

133

5.6  Régression  et  analyse  des  deux  vidéos  combinées  
5.6.1 Analyse du R2 et de la variance pour la 3ème régression Le coefficient R2 représente le pourcentage de variation de Y (soit la variable dépendante) expliqué par la régression (Cadieux et Lévesque 2008). Plus il est fort, plus la relation est considérée comme forte. Le test d’hypothèse de l’ANOVA permet de vérifier si oui ou non la régression est significative dans la population. Pour résoudre le test d’hypothèses de l’ANOVA, il est nécessaire de poser les hypothèses suivantes : H0 : La régression est non significative dans la population (c’est à dire que tous les ßj = 0) H1 : La régression est significative dans la population (c’est à dire qu’au moins un ßj ≠ 0) L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05. Le tableau 33 présente le R2 ainsi que la p-value de l’ANOVA cette régression. Tableau 33: R2 et p-value de la 3ème régression R2 0,482 R2 Ajusté 0,460 p-value de l’ANOVA 0,000

134

Dans notre cas, le R2 ajusté est de .460. C’est-à-dire que la régression explique 46,0% de la variation de la dépendante Y, de l’intention. Ce résultat quoi qu’un peu faible (interrelation modérée, puisque comprise entre 0.3 et 0.5) reste satisfaisant car nous sommes dans le cadre d’une étude exploratoire mettant en avant des variables sociales. En ce qui concerne l’analyse de la variance, comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, nous pouvons dire que la régression est significative et l’analyse peut se poursuivre. 5.6.2 Inférence des paramètres et analyse des β pour la 3ème régression Cette étape consiste à voir quels sont les ßi significatifs dans le modèle en ce qui concerne les variables indépendantes associées à la première vidéo. Pour y répondre, il faut répondre au test d’hypothèse suivant pour chacun des ßi : H0 : ßi = 0 H1 : ßi ≠ 0 Règle de décision : L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05. Le tableau 34 présente la p-value, la cote t et les VIF pour chacune des variables étudiées dans le cadre de cette régression

135

Tableau 34 : p-value cote t et VIF de la 3ème régression
Variable Centralité Centralité 2 APP EFC ENG REPT EFIT VGCT p-value
.093 .151 .754 .603 .480 .629 .002 .000

Cote t
-1.689 1.443 -.314 .520 .708 -.484 3.150 5.367

VIF
1.455 1.614 2.023 1.277 2.398 1.970 2.265 3.061

Deux variables ressortent significatives du modèle. Il s’agit de « VGC1» (valeur du gain collectif), et de « EFI1» (efficacité informative) car leurs p-values sont inférieures à α = 0.05 et permettent de rejeter H0. Les prochaines sections présentent la décomposition des résultats et la résolution du test d’hypothèse, pour chacune des variables.

5.6.2.1 ß1 Centralité Comme la p-value est de 0,093 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « centralité » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

136

5.6.2.2 ß2 Centralité 2 Comme la p-value est de 0,151 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « centralité 2 » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.6.2.3 ß3 Appréciation [APP] Comme la p-value est de 0,754 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « appréciation » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.6.2.4 ß4 Efficacité connective [EFC] Comme la p-value est de 0,603 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « efficacité connective » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

137

5.6.2.5 ß5 Engagement [ENG] Comme la p-value est de 0,480 > α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable «engagement » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.6.2.6 ß6 Réputation [REPT] Comme la p-value est de 0,629> α = 0.05, l’hypothèse H0 n’est pas rejetée au seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution marginale de la variable « réputation » lorsqu’elle est introduite à la suite des autres variables explicatives du modèle, est non significative. Son ajout est superflu.

5.6.2.7 ß7 Efficacité informative [EFIT] Comme la p-value est de 0,002 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable « efficacité informative » apporte une contribution significative au modèle étudié en présence des autres variables.

5.6.2.8 ß8 Valeur du gain collectif [VGCT] Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable

138

« valeur du gain collectif » apporte une contribution significative au modèle étudié en présence des autres variables. 5.6.3 Rangement des effets pour la 3ème régression Il est possible de ranger les variables indépendantes selon leur influence sur la variable dépendante. Pour cela, il faut utiliser la cote-t représentée par la colonne « t » de la table des coefficients pour les variables significatives. Le tableau 35 classe les variables significatives de cette régression, par ordre d’importance. Tableau 35 : Classement des effets pour la première régression
Rangement des effets Position 1 2 Variable Valeur du Gain Collectif Efficacité Informative Cote-t 5.367 3,150

Ainsi, dans notre étude la variable la plus importante est « valeur du gain collectif » (5.790), suivie de l’« efficacité informative » (2.186) . 5.6.4 Analyse de la colinéarité avec les VIF pour la 3ème régression Ici, les VIF (tableau 35) sont compris entre [1,277 ; 3,061]. Ainsi, nous pouvons affirmer que le modèle ne souffre pas de multi colinéarité et que les tests sur les ßi ainsi que le classement sur les variables explicatives sont valides.

139

Tableau 36 : VIF pour la 3ème régression Variable
Centralité Centralité 2 APP EFC ENG REP1 EFI1 VGC1

VIF
1.455 1.614 2.023 1.277 2.398 1.970 2.265 3.061

5.6.5 Analyse des résidus pour la 3ème régression L’utilisation du test de Normalité (Kolmogorov-Smirnov et Shapiro-Wilk) permet de répondre au test d’hypothèse suivant : H0 : Les résidus se distribuent suivant une loi normale au niveau de la population H1 : Les résidus ne se distribuent pas suivant une loi normale au niveau de la population L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05. Le tableau 36 présente les résultats des tests de Normalité, et les figures 9 et 10 présent la distribution des résidus.

140

Tableau 37 : tests de normalité des résidus de la 3ème régression Kolmogorov-Smirnov
Statistic df Sig. Statistic

Shapiro-Wilk
df Sig.

.059

202

.084

.979

202

.004

Ici, comme la p-value est inférieure à α = 0.05 pour le test de Shapiro-Wilk, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi, il est admis que les résidus ne se distribuent pas selon une loi normale, ce qui est mauvais. Cela se traduit par une faible qualité de la régression. La relation entre Y et X est mal modélisée. Les résidus sont présentés dans les figures suivantes on observe effectivement qu’ils ne suivent pas la droite représentant théoriquement la régression (figure 13), et que les résidus se distribuent pas uniformément autour du zéro (figure 14).

141

Figure 13

142

Figure 14

143

5.7  Récapitulatif  des  résultats  
5.7.1 Modèle et récapitulatif des hypothèses validées La figure 15 se présente un récapitulatif des hypothèses validées au cour de cette étude. Ainsi, on observe que seules deux variables émergent réellement du modèle ici développé : efficacité informative et valeur du gain collectif, deux variables fortement dépendantes du contexte. Le tableau 38 récapitule les cote t et les p-values des variables lors des trois régressions.

Figure 15 : illustration des hypothèses validées par le modèle. Les lignes représentés par des pointillés indiquent que l’impact de la variable indépendante est marginale, tandis que les lignes pleines indiquent une relation significative

144

Tableau 38 : récapitulatif de la validation des hypothèses
Hypothèse
1

Validation
Non mesuré Non mesuré Non mesuré Non Non Non Non Non Non Non Non Non Oui Oui Oui Non Non Non Non Non Non Oui Oui Oui

p-value
Non mesuré Non mesuré Non mesuré

Cote-t
Non mesuré Non mesuré Non mesuré

H1

2 T 1

.600 .788 .629 .664 .837 .754 .091 / .342 .2127 / .113 .093 / .151 .344 .082 .603 .004 .000 .002 .456 .776 .480 .000 .000 .000

.525 -.269 -.484 -.435 -.206 -.314 -1.698 / .953 -1.211 / 1.593 -1.689 / 1.443 -.948 1.749 .520 2.891 3.871 3.150 .746 .285 .708 4.902 5.913 5.367

H2

2 T 1

H3

2 T 1

H4

2 T 1

H5

2 T 1

H6

2 T 1

H7

2 T 1

H8

2 T

145

5.7.2 Récapitulatif de l’analyse des VIF Les VIF de chacune des régressions n’indiquent aucun écart majeur, et sont tous situés entre 1 et 10, ce qui tend à prouver qu’aune des régressions menées dans cette étude ne souffre de multi-colinéarité. Le tableau 39 récapitule les VIF les plus bas et les plus hauts de chacune des régressions. Tableau 39 : récapitulatif des VIF Régression Vidéo 1 [1.261; 3,047] Régression Vidéo 2 [1,279; 2,448] Régression Totale [1,277 ; 3,061]

5.7.3 Récapitulatif de l’analyse des résidus Après l’analyse des résidus des trois régressions, une seule, la seconde, s’avère être validée par les tests de Kolmogorov-Smirnov et Shapiro-Wilk, et par l’analyse des graphes de répartition des résidus. Le tableau 40 récapitule les résultats obtenus pour l’analyse des résidus.

146

Tableau 40 : récapitulatif des analyses des résidus Régression Vidéo 1 Régression Vidéo 2 Régression Totale

Kolmogorov- Shapiro- Kolmogorov- Shapiro- Kolmogorov- ShapiroSmirnov .084 Wilk .004 Smirnov .200 Wilk .737 Smirnov .002 Wilk .000

Les résidus ne se distribuent pas suivant une loi normale

Les résidus se distribuent suivant une loi normale

Les résidus ne se distribuent pas suivant une loi normale

147

CHAPITRE  VI  :  Discussion  des  résultats  
6.1  Rappels  des  objectifs  
Le but principal de cette étude était d’identifier les facteurs influençant l’intention des internautes à partager des contenus à caractère publicitaire, dans un contexte de média social. Après une revue de littérature, il a été décidé que la théorie du Capital Social servirait de base théorique au modèle. Les études de Wasko et Faraj (2005), Nahapiet et Goshal (1998), Cabrera et Cabrera (2002), et Kalman et al. (2002) ont joué un rôle clé dans l’adaptation de la théorie initiale au contexte de notre étude. Cette étude répond à la majorité des objectifs fixés au départ dans le premier chapitre : la théorie du Capital Social a été identifiée comme ressource cohérente à l’étude du phénomène, il a été possible de l’adapter au contexte de média social (et plus précisément Facebook), de comprendre certains aspects liés au type de contenu partagé (valeur hédoniste, sociale, instrumentale etc.), et surtout, de mesurer les facteurs les plus à même d’expliquer l’intention de partager.

148

6.2  Résultats  clés  
Les contributions principales de l’étude portent sur la valeur du gain collectif, un construit adapté et créé à partir des études mentionnées précédemment. D’autres construits, comme l’efficacité informative, l’efficacité connective ou la centralité se sont également révélés être des pistes intéressantes de réflexion. 6.2.1 Valeur du gain collectif Avec une p-value inférieure au seuil de signification alpha = 0,05 dans les trois régressions effectuées dans l’analyse (0,000 dans les trois analyses), la valeur du gain collectif est le facteur qui influence le plus l’intention de partager un contenu. Adapté du construit de « réciprocité », utilisé par Wasko et Faraj (2005), la création de la valeur du gain collectif a suivi les conseils prodigués par ces deux chercheurs, d’utiliser l’idée de réciprocité des actions, à une échelle généralisée et non pas individuelle. Dans un contexte en ligne, et dans la plupart des études sur le sujet, le capital relationnel des individus était un faible argument théorique expliquant la volonté de contribuer au réseau, pour plusieurs raisons : l’absence de relations préalables, de co-présence ou de proximité physique ou d’interactions réelles dans la vraie vie (Nahapiet et Goshal 1998). Or, dans la cadre de l’utilisation de Facebook, un lien préalable existe la plupart du temps entre deux personnes (l’emploi du terme « ami » n’est pas anodin dans le design du site). Wasko et Faraj (2005) préconisent l’idée de

149

« réciprocité généralisée » : une forme de réciprocité différente que celle ayant lieu face-à-face, où un retour d’action est attendu de la part de la personne qui a été aidée. Dans un réseau en ligne, le fait de laisser un contenu disponible à la vue de tous représente la décision prise par un individu de partager le dit contenu car il sait que certaines personnes l’aimeront, mais il ne sait pas exactement qui. De même, l’action de partager représente le fait que la personne qui partage est ouverte à recevoir ou être exposée à des contenus du même genre. La valeur du gain collectif reprend l’idée de réciprocité généralisée, tout en excluant la signification de « dette » induite par le terme, et son utilisation dans la littérature (avec respect pour les auteurs), au profit d’une notion plus altruiste. Une personne peut aimer le fait de recevoir un contenu, mais ne sent pas nécessairement « obligée » de faire de même. Sa motivation première reste le fait que le partage d’un contenu plaira aux membres de son réseau. Ainsi, cette étude a révélé que cette motivation altruiste était incontestablement le principal moteur de l’intention de partager, dans le cadre d’un média social. Il est en effet peu probable d’analyser le phénomène de partage de contenu dans un réseau social en ligne, comme un acte égoïste, destiné à soi-même. Encore moins sur Facebook. De même il est à prendre en considération que le fait de publier un contenu jugé enrichissant pour un collectif par un individu, ouvre des perspectives de socialisation, et des signes divers d’appréciation : des clics sur la fonction

150

« j’aime », des commentaires ou des partages successifs. Ces interactions peuvent être porteuses de signification au niveau social, et entraîner un renforcement du lien unissant deux individus. 6.2.2 Efficacité informative Avec une p-value de 0,02 à la première analyse, et de 0,00 dans les deux dernières, l’efficacité informative est le second facteur qui explique le mieux l’intention de partager un contenu à caractère publicitaire sur Facebook. L’efficacité informative est un concept introduit par Cabrera et Cabrera (2002) et Kalman et al. (2002) qui reflète la propension de l’individu à estimer si oui ou non le contenu atteindra les objectifs qu’il fixe, pour son réseau social, s’il le partage (choquer, divertir, engager politiquement etc.), et si le réseau est en mesure de le consulter. Cette variable fortement instable, car dépendante d’un contexte (le contenu) s’avère pourtant être une explication très cohérente dans le cadre de partage de vidéo issues d’opérations de marketing viral. En effet, puisque les émotions provoquées sont essentielles (Dobele et al. 2007) on peut dès lors supposer que la «charge émotionnelle» transmise par une vidéo sur un individu joue un rôle important dans la décision de ce dernier de retransmettre le contenu à son entourage, tout en estimant de lui même le fait que la vidéo saura créer des émotions similaires chez les membres de son réseau.

151

Ainsi, le fait qu’une relation antérieure existe entre un individu et son réseau, comme c’est souvent le cas sur Facebook, permet d’affirmer que l’émetteur possède déjà une opinion lui permettant de juger de l’efficacité d’un contenu, car il connaît, dans la globalité, les membres de son réseau. La connexion sociale pré-existante est donc une condition facilitatrice à l’estimation des émotions que pourra créer un contenu sur une communauté d’amis sur Facebook. De même, Facebook permet à un individu de voir lesquels parmi ces amis sont ceux qui ont l’habitude de consommer ce type de contenu, au travers des interactions qui ont pu naître au fur et à mesure de l’utilisation de l’outil, ou simplement après avoir observé des comportements de partages public similaires. Tout comme la relation préalable importe dans l’intention de partager, la connaissance des habitudes d’utilisation de Facebook pour consommer des contenus et la connaissance des types de contenus consommés par certains membres de son réseau peuvent être des facteurs déterminants dans l’intention d’un individu à contribuer. Cette connaissance des habitudes de consommation des contenus peut expliquer la propension d’un individu à juger bon ou non un contenu pour son réseau, et l’on observe un phénomène similaire, lorsque les contenus s’adressent à une sphère très particulière. Par exemple, les références à Star Wars dans une publicité pour Adidas Originals, durant la coupe du monde, a permis de cibler précisément une certaine masse d’internautes dont les centres

152

d’intérêts n’étaient pas nécessairement portés sur le soccer. De même, la popularité de certains phénomènes issus des sous-cultures nées en ligne peuvent s’expliquer par le concept d’efficacité informative : les « mêmes » sont des contenus qui ont pour principale vertu d’être facilement réplicables, et dont c’est la propriété première. Les célèbres « lolcats », ces images de chats dans des postures incongrues, sont une excellente illustration de l’efficacité informative : en utilisant une syntaxe précise, accessible uniquement à ceux qui ont pris la peine d’explorer le phénomène, un individu peut aisément anticiper les réactions de son réseau face à ce contenu, car il sait que les membres comprennent le fondement « absurde », drôle et anodin de ces illustrations.

Figure 16 : "I can haz cheezburger" est reconnu pour être le tout premier « lolcat ». Aujourd’hui une entreprise porte le nom du phénomène, et recence chaque jour des milliers d’autres illustrations du genre.

153

Plusieurs millions d’images du genre sont postées aujourd’hui sur le Web. Les personnes qui les retransmettent savent sans aucune hésitation que celles-ci finiront par être comprises et appréciées par quelqu’un. L’efficacité informative contenue dans un« lolcat » est en quelque sorte garantie. 6.2.3 Les variables non significatives Parmi les variables non significatives, c’est à dire celles n’ayant pas obtenu de p-value inférieure au seuil de signification, on retrouve les deux variables tirées des motivations individuelles : la réputation et l’appréciation. La faiblesse de ces deux construits peut s’expliquer par leur insertion par Wasko et Faraj (2005), dans le cadre d’une étude d’un réseau de pratique, composé de professionnels du droit. Ainsi, il est délicat de transposer littéralement ces deux environnements, sans conséquences sur les résultats. La réputation n’est pas ressortie de façon significative, car Facebook, composé majoritairement de liens pré-existants, permet peut-être de se faire une opinion rapide d’un individu, mais si le réseau social existait avant d’avoir été recomposé en ligne, la réputation de l’individu n’aurait pas à souffrir de son utilisation de Facebook. En revanche, dans une communauté de pratique, les individus ne se connaissent pas nécessairement, et le réseau social en ligne est le seul indice accessible pour se faire une opinion de quelqu’un. Si l’on avait transposé cette étude sur un réseau professionnel comme Linkedin, il y aurait eu fort à parier que la réputation eut été un facteur clé. L’appréciation, pour sa

154

part, n’est pas ressortie comme significative pour plusieurs raisons potentielles. Le fait d’aimer utiliser Facebook, ne veut pas nécessairement dire que l’on aime y partager des vidéos dites virales. Il est probable également, que le fait de partager une vidéo ne soit pas lié au simple fait d’aimer utiliser la plate-forme, mais que la plate-forme soit une déterminant dans l’accès à un public potentiel. Le fait d’aimer utiliser l’outil est une conception égoïste, tandis que le partage est une conception altruiste, motivée avant tout par les conséquences sur l’entourage, et non pas les préférences personnelles. Les variables de centralité ont certainement souffert de l’approximation de leur mesure. Cependant, le fait qu’elles n’aient pas été considérées comme significatives par aucune des régressions, tend à prouver que l’aspect structurel d’un réseau et les conséquences qui en découlent sur le comportement de partage n’a pas d’impact sur l’intention de partager. Le fait que l’intégralité, ou presque, d’un réseau, soit potentiellement exposé un contenu, peut être un frein au dit partage (ce qui justifierait les cote t systématiquement négatives, à la mesure de centralité 1, le nombre de connexions) L’efficacité connective, la perception que l’outil utilisé est un bon moyen de rejoindre le réseau social, d’un individu, n’a pas non plus été considéré comme significatif par l’étude. Ainsi, il est possible d’expliquer ce phénomène par le manque de connaissance générale d’un individu, des compétences de son réseau. S’il est facile de jauger les goûts, sensibilités et préférences des membre du réseau social, pour un individu (efficacité informative) fait de juger

155

des compétences techniques, et des fonctionnalités du medium, peuvent être plus délicates à appréhender. Enfin, l’engagement, le fait de se considérer actif au sein d’un réseau, n’est pas un facteur clé dans les déterminants de l’intention de partager. L’analyse des variables significatives a fait ressortir le fait que partager une vidéo permettait de créer ou de renforcer des liens déjà existants. De fait, si une personne se considère déjà comme étant active dans ses réseaux d’amis Facebook, au travers des autres fonctionnalités du site (partage de photo, tags, «like » etc.), son besoin de partager du contenu supplémentaire est logiquement amoindri. 6.2.4 Contenu hédoniste VS contenu instrumental Il est possible de déduire plusieurs choses par rapport au type de contenu présent dans les deux vidéos utilisées pour cette étude. En termes de chiffres, la vidéo ayant un caractère instrumental a été partagés plus de fois (112) que celle ayant un caractère hédoniste (Humour et « Wow effect »), qui a été partagé 68 fois. On peut expliquer ce phénomène par le fait que dans une optique altruiste, passer un message porteur de conscience sociale, comme la prévention routière, sera plus valorisant pour un individu, qu’une simple vidéo « drôle ». En regardant les résultats de plus près, il apparaît également que la vidéo à caractère hédoniste a permis de faire émerger le construit de centralité, tandis que la vidéo à caractère instrumentale, a permis de faire ressortir le construit

156

d’efficacité connective. On peut expliquer ce phénomène de la façon suivante : si un individu a pour objectif, en partageant une vidéo, de divertir une partie de son réseau social, alors, c’est le nombre de connections qu’il possède qui jouera un rôle important, car ce dernier n’aura d’intérêt que la simple exposition de son réseau social au message. Dans une optique de partage pour entraîner des récompenses sociales «like », commentaires etc., c’est le nombre, et la perception générale de la masse qui prime. En revanche dans l’optique de faire passer un message préventif, ce n’est pas tant le nombre de personnes exposées qui importe, mais plutôt la façon de consommer, et la perception de l’efficacité du support, afin de bien transmettre les valeurs exposées dans le message. Ainsi, cette conclusion est toujours en partie en accord avec Modzelewski (2000) : le degré de satisfaction d’un individu qui partage est toujours relié au nombre de personnes qu’il expose au contenu. Ceci s’applique dans le cadre d’une vidéo hédoniste. Le caractère instrumental, en revanche, s’intègre plus aux fonctionnalités de l’outil et à son potentiel à faire passer le message de la bonne manière. Pour illustrer le caractère instrumental des opérations de marketing sur Facebook, on peut penser à la récente campagne de Telus, qui reversait un dollar pour chaque nouveau « fan », à la fondation du cancer du sein, demandant aux participants de modifier leur image de profil pour une

157

photo avec u calque rose, symbole de la lutte. Le succès a été fulgurant (plus de 250000 participants, en quelques semaines20). 6.2.5 Variables permanentes VS variables contextualisées Globalement, les variables contextualisées ont obtenu de meilleurs scores, et ce de façon systématique, que les variables permanentes. On peut bien entendu attribuer cette observation au hasard du fait que les deux variables importantes de l’étude (efficacité informative et valeur du gain collectif) soient de nature contextualisées, mais il est tout de même intéressant de se pencher sur l’essence de ce type de variable, pour tenter d’expliquer leur efficacité. Les variables de type contextuelles prennent forme lorsqu’un individu est confronté à un contenu, dans un certain contexte. Ici, il s’agit de contenus publicitaires, sur Facebook. Les réseaux sociaux en ligne sont de très bons vecteurs d’information de par leur structure aléatoire et sans échelle (Granovetter 1973 ; Centola 2002). Ainsi, on peut considérer que l’utilisation de Facebook, afin de transmettre une information, n’est plus à prouver. Les variables de types permanentes définissent le caractère profond d’un individu, ses traits habituels et ses comportements de manière générale. Centola (2007 2010) affirme qu’il est plus difficile de faire naître des comportements nouveaux en ligne, et que le renforcement, c’est à dire l’exposition à de multiples reprises à l’information, par les pairs membres d’un réseau proche, est nécessaire pour cela.
20

http://www.facebook.com/telus

158

Si l’on prend en considération que le marketing viral a avant tout un objectif de propagation d’information, les variables contextualisées, sont dès lors naturellement plus enclines à être porteuses de signification, et que la nature profonde de l’individu ne jouera pas un rôle décisif, et ne sera pas modifiée par de telles opérations. Selon nos résultats, le contexte (message ou medium) joue donc un rôle plus important que la nature de l’individu, dans la propagation virale au sein des médias sociaux.

6.3  Implications    
6.3.1 Implications académiques La principale contribution académique de cette étude réside à la fois dans la preuve empirique amenée par les résultats des analyses, mais également dans la transposition de la théorie du capital social, dans un contexte relativement neuf (les médias sociaux) et dans un objectif précis (le partage de vidéo publicitaire). Cette étude démontre que la théorie et la pratique académique entourant le capital social sont à la fois adaptables mais surtout pertinentes dans l’étude des phénomènes liés aux vidéos virales. En adaptant les construits existants en conséquence, il est possible de continuer de raffiner le modèle, en excluant les variables de motivation personnelles. Si Huang et al. (2008) avaient déjà appliqué le concept théorique de capital social, avec pour objectif de mesurer les intentions de transférer des courriels, le contexte de média social amène

159

son lot d’évolutions, notamment autour des construits qui ont démontré leur signification (valeur du gain collectif, efficacité connective). De plus, cette étude vient confirmer la faiblesse des variables liées aux motivations personnelles (réputation, appréciation, engagement), conclusion que Huang et al. (2008) avaient déjà présenté dans leur étude. En ce qui concerne la base théorique apportée par Wasko et Faraj (2005), cette étude vient également renforcer la thèse de la faiblesse de l’engagement dans un réseau. Qu’il s’agisse d’un réseau ouvert comme un forum de praticiens, un média social comme Facebook ou une sphère privée comme les courriels, l’engagement, le degré d’implication générale au sein de ces réseaux n’est pas un des facteurs qui motive l’envie de partager une information. Ces analyses ont également démontré le bien-fondé des recommandations de Wasko et Faraj (2005) sur la notion de réciprocité généralisée (ici adaptée en valeur du gain collectif, pour ôter la notion de soumission). Enfin, la notion de centralité, même si sa signification n’est pas aussi forte que les autres variables validées, ouvre une perspective intéressante aux chercheurs qui désireraient approfondir l’aspect structurel des canaux de viralité. Certes, l’accès aux données n’est pas aisée, mais il serait possible d’obtenir certains chiffres exploitables, comme le nombre de connexions communes avec certains des liens forts constituant le réseau social d’un individu. Ces données sont fournies par exemple, par Facebook ou Twitter. Il

160

serait ainsi possible d’observer la centralité à un degré de séparation supplémentaire, pour prouver ou non son impact réel. 6.3.2 Implications managériales Les implications managériales de cette étude sont principalement liées à la compréhension des internautes, et à la manière dont les conclusions de l’étude permettront d’appréhender non pas uniquement les mécanismes de

transmission virale, mais surtout les résultantes de telles actions, dans les réseaux sociaux des utilisateurs de Facebook. Dans les processus de planification stratégique, de création et de diffusion du message plusieurs idées ici présentées sont exploitables par les professionnels de la communication et du marketing en ligne. En ce qui concerne la planification stratégique, cette étude fait ressortir le côté altruiste de l’action de partager. Ainsi, l’objectif du stratège ne sera pas uniquement de « faire une vidéo virale », mais de saisir ce que représente l’action de partager pour l’internaute, qui est le vecteur de son message. Ainsi, lorsqu’un planner établira ses recommandations aux créatifs, il pourra définir des lignes directrices claires, un objectif de création précis, qui amènera son équipe à comprendre les raisons pour lesquelles une vidéo se partage. Cela permettra sans doute d’atténuer le côté « déjà-vu » de bien des productions, qui ne se basent que sur ce qui a fonctionné auparavant (par exemple, une image filmée avec un téléphone portable, pour donner un côté « réaliste » à une

161

action). De même, il sera bon pour un stratège ou pour un créatif, de s’intéresser, s’il y a lieux, aux formes de cultures et sous-cultures à qui son message s’adresse. Faire en sorte que le message soit non seulement compris par une cible définie, mais surtout qu’il soit suffisamment compréhensible, pour que les cibles puissent identifier les membres de leur réseau plus ou moins homophiles, à qui le message pourrait s’adresser. En ce qui concerne le contenu, l’idée du potentiel d’efficacité connective d’un outil est à prendre en considération lorsque le message à promouvoir est d’ordre instrumental, tandis que l’outil et le degré d’efficacité de ses fonctions structurelles (comme la centralité) sont préférables dans le cadre d’un message de type hédoniste. Ainsi, en période d’élections, par exemple, un outil comme Facebook, composé de nombreux liens forts, sera plus intéressant à exploiter, car générant des sphères d’influence directes et réelles. Twitter, qui se compose majoritairement de liens faibles, sera préférable à la diffusion d’une information nouvelle ou hédoniste, lorsque le but est de rejoindre un maximum de personnes, peu importe la force de leur lien. Enfin, dans le ciblage des personnes pouvant transférer le message, les personnes en charge de sa diffusion devraient non pas cibler en premier lieu les « hubs », les personnalités à forte audience. Même si ces derniers ont un rôle clé à jouer, ils ne sont pas nécessairement les meilleurs premiers relais. Ainsi lors des premières phases de lancement du message, il serait intéressant de regarder les grappes d’internautes gravitant autour des dits « hubs » afin

162

que ceux-ci prennent conscience de l’existence du message de façon « naturelle », et non pas d’envoyer un simple courriel pour présenter une campagne.

6.4  Limites  
6.4.1 La mesure du comportement de partage Cette étude présente l’intention de partager un contenu, mais les conditions de la collecte ont empêché d’avoir de réelles données exploitables. En effet, même si le design du questionnaire a permis d’intégrer un outil permettant de mesurer le nombre de fois qu’une vidéo a été partagée, il est impossible ou presque de savoir avec précision si la vidéo n’a pas été partagée par la suite, ou autrement que grâce au système mis en place (en collant l’adresse URL de la vidéo directement sur leur profil par exemple). Ainsi, même si de manière générale, on prend pour acquis qu’une intention entraine un comportement (Davis 1989), rien de prouve ici de façon empirique que l’intention potentielle déclarée par un individu entrainera systématiquement l’action. 6.4.2 Biais de population La population interrogée a été rejointe grâce aux médias sociaux (Blog, Facebook et Twitter essentiellement). Il serait malhonnête de négliger le biais existant dans la personnalité des répondants, à savoir qu’ils étaient pour certains d’entre eux, de férus utilisateurs des outils sociaux, et qu’ils étaient

163

certainement plus enclins qu’un échantillon totalement aléatoire, à juger positivement leur intention de partager. 6.4.3 Objectif de contribution et objectif de partage Une autre limite de cette étude est un biais théorique, dans le modèle de Wasko et Faraj (2005), ainsi que dans celui de Nahapiet et Goshal (1998). En effet, ces chercheurs ont bâti et exploité la théorie du capital social, dans le but de créer un contenu. Wasko et Faraj (2005) ont observé les contributions d’internautes sur un forum de législateurs, et Nahapiet et Goshal (date) la création de « capital intellectuel » au sein d’une organisation. Ainsi, il est légitime de penser que la fondation même de ce modèle n’est pas encline à mesurer un comportement différent, même si similaire en certains points, comme le transfert d’un contenu. 6.4.4 Raffinage des mesures nécessaires Enfin, la nature exploratoire de cette recherche, et son design novateur (la soumission à un contenu vidéo) auront certainement eu un impact sur l’élaboration des échelles de mesures. L’adaptation qui a été faite des échelles existantes devrait être raffinée, et certains construits mieux définis, notamment la centralité. De même, la corrélation entre les mesures d’efficacité (connective et informative) devraient être prises en considération à l’avenir, afin d’explorer le lien existant entre ces deux variables.

164

CHAPITRE  VIII  :  Conclusion  
Ce mémoire n’offre évidemment pas de solution miracle, pour la création de contenus dits viraux. En revanche, il offre de par ses résultats empiriques, une approche intéressante pour les personnes qui s’intéressent aux raisons pour lesquelles un contenu se propage, non pas comment il se propage. Trop longtemps, le marketing est resté une discipline où le dialogue était absent entre une marque et ses consommateurs. Dans les dernières années, l’émergence de pratiques sociales a fait naître un dialogue entre les entreprises et certains de leurs clients, au travers de prémices que certains ont appelé « Web 2.0 » . La montée en puissance des médias sociaux, et tout particulièrement de Facebook change encore la donne. L’entreprise se doit désormais d’être un des sujets des interactions sociales des individus, et se doit de leur offrir un moyen de socialiser, de se retrouver, de resserrer les liens qui unissent les consommateurs, en s’appropriant leur culture, leurs codes, et en faisant percevoir le bénéfice son apparition dans les sphères privées du consommateurs. Le phénomène de viralité en ligne, comme son nom ne l’indique pas, n’est pas une forme de soumission, comme c’est le cas lors d’épidémies. Chaque marque devrait se rappeler qu ‘un internaute a toujours le choix de diffuser ou non son message auprès de ses pairs ou de ses proches. Si la publicité

165

traditionnelle a toujours eu l’ascendant sur le consommateur, les rôles sont aujourd’hui inversés. Mike Arauz, un blogueur américain, décrétait la chose suivante : « Si je parle de votre marque à mes amis sur Facebook, ce n’est pas parce que j’aime votre marque, mais plutôt parce que j’aime mes amis. » (Arauz 2009)tiré d’un article en ligne) Lorsqu’on sait que Facebook est l’outil préféré de la génération X pour rester en contact avec leurs amis, que 200 millions d’utilisateurs y accèdent depuis un mobile, et que demain les télévisions seront équipées de systèmes de navigation interactifs, permettant de rendre les pauses publicitaires moins douloureuses. Ce n’est pas un portrait futuriste, mais plutôt une vision d’un venir très proche : il faut se rendre à l’évidence. S’il est encore temps pour les marques de prendre le virage social, celles qui n’embrassent pas pleinement cette nouvelle forme de philosophie marchande devront se résigner : Même devant leurs écrans de télévision, et pendant une pause publicitaire en heure de grande écoute, les consommateurs trouveront un moyen d’éviter à le message s’il n’est pas porteur de valeur. Mais personne n’évite l’ouverture quotidienne de sa page Facebook.

166

CHAPITRE  IX  :  Bibliographie  
AIELLO W, CHUNG F, LU L, « Random Evolution in Massive Graphs » 42nd IEEE symposium on Foundations of Computer Science October (2001)

AJZEN, I. « The theory of planned behavior. Organizational Behavior and Human Decision Processes, » 50, p. 179-211 (1991)

ALBERICH, R., MIRO-JULIA, J., ROSSELLO, F., « Marvel Universe looks almost like a real social network », Arxiv preprint cond-mat/0202174, (2002).

ALBERT Reka, JEONG Hawoong, BARABASI Albert-Laszlo, « The diameter of the world wide web » Nature 401, 130-131 (1999)

ARNDT, Johan, « Role of Product-Related Conversations in the Diffusion of a New Product », Journal of Marketing Research, Vol. 4 (1967), 291-295.

BACKSTROM, Lars, HUTTENLOCHER, Dan, KLEINBERG, Jon & LAN, Xiangyang, « Group Formation in Large Social Networks: Membership, Growth, and Evolution », KDD, (2006), Philadelphia, Pennsylvania, USA.

167

BAMPO, Mauro, EWING, Michael T., MATHER Dineli R., STEWART, David & WALLACE, Mark, « The Effects of the Social Structure of Digital Networks on Viral Marketing Performance », Information Systems Research, Vol. 19, No. 3, (2008), pp. 273–290.

BANDURA, Albert, « Social cognitive theory ». In R. Vasta (Ed.), Annals of child development. Vol. 6. Six theories of child development, (1989), Greenwich, CT: JAI Press.

BARABASI Albert-Laszlo, Bonabeau Eric, « Scale-Free Networks » Nature (2003)

BLAU, P. M. « Exchange and Power in Social Life ». New York: John Wiley & Sons (1964).

BOASE, Jeffrey, HORRIGAN, John B., WELLMAN, Barry & RAINIE, Lee, « The strength of internet ties, the internet and email aid users in maintaining their social networks and provide pathways to help when people face big décisions », Pew Internet and American life project, Washington, D.C.

168

BONACICH Phillip,

« Power and Centrality: A Family of Measures » The

American Journal of Sociology, Vol. 92, No. 5 (Mar., 1987), pp. 1170-1182

BOURDIEU, Pierre, « Le capital social ». In: Actes de la recherche en sciences sociales. Vol. 31, (1980), pp. 2-3.

BOYD, Danah, « Taken Out of Context: American Teen Sociality in Networked Publics », University of California-Berkeley, School of Information, (2008).

BRADER, Ted & CORRIGAN, Bryce, « How the Emotional Tenor of Ad Campaigns Affects Political Participation », (2007), University of Michigan.

BROWN, Jacqueline Jonhson, REINGEN, Peter H., « Social Ties and Word-ofMouth Referral Behavior », The Journal of Consumer Research, Vol. 14, No. 3 (1987).

BROWN, Jo, BRODERICK, Amanda J., & LEE, Nick, « Word of mouth communication within online communitie : conceptualizing the online social network », Journal of Interactive Marketing, Vol. 21, No. 3, (2007).

169

BURKE, Moira, MARLOW, Cameron & LENTO, Thomas, « Feed Me: Motivating Newcomer Contribution in Social Network Sites », CHI 2009, April 4–9, 2009, Boston, MA, USA.

BURT, Ronald S, « The contingent value of social capital », Administrative Science Quarterly, Vol. 42, No. 2, (1997), pp. 339-365.

BUTTLE, Francis A., « Word of mouth: understanding and managing referral marketing », Journal of Strategic Marketing, Vol. 6, (1998), pp. 241-254.

CABRERA, Ángel, CABRERA, Elisabeth « Knowledge-Sharing Dilemmas », Organization Studies, 2002, Vol 23 No 5, pp. 687-710 CADIEUX, Jean and LEVESQUE, Jessica, Note de cours MQG 800, (2008).

CENTOLA, Damon ,MACY, Michael, « Complex Contagions and the Weakness of Long Ties », American Journal of Sociology, (2007).

CENTOLA, Damon, « The Spread of Behavior in an Online Social Network Experiment », Supporting Material, Science (2010).

170

CHIU,

Chao-Min

Chiu,

HSU,

Meng-Hsiang

&

WANG,

Eric

T.G.,

« Understanding knowledge sharing in virtual communities: An integration of social capital and social cognitive théories », Decision Support Systems, Vol. 42, (2006), pp. 1872–1888.

COLEMAN, James S, « Social Capital in the Creation of Human Capital », The American Journal of Sociology, Vol. 94, (1988), pp. 95-120.

COLLINS, James J. et CHOW Carson C., « It’s a small world », Nature, Vol. 393, (1998).

CONSTANT David, SPROULL Lee and KIESLER Sara, « The Kindness of Strangers: The Usefulness of Electronic Weak Ties for Technical Advice » Organization Science Vol. 7, No. 2 (Mar. - Apr., 1996), pp. 119-135

COOK, K. S. & WHITMEYER, J. M., « Two Approaches to Social Structure: Exchange Theory and Network Analysis », Annual Review of Sociology , Vol. 18 (1992), pp. 109-127.

171

COURTOIS,

C.,

MECHANT,

P.,

DE

MAREZ,

L.

&

VERLEYE,

G.,

« Gratifications and Seeding Behavior of Online Adolescents », Journal of Computer-Mediated Communication, Vol. 15, (2009), pp. 109–137.

COX, D. F., Risk Handling in Consumer Behavior: An Intensive Study of Two Cases, Publisher: In D.Cox (ed.), (1967).

CRANE, R. & SORNETTE, D., « Viral, Quality, and Junk Videos on YouTube: Separating Content From Noise in an Information-Rich Environment », Association for the Advancement of Artificial Intelligence, (2008).

CZEPIEL John A, « Word-of-Mouth Processes in the Diffusion of a Major Technological Innovation » Journal of Marketing Research Vol. 11, No. 2 (May, 1974), pp. 172-180

DATTA, PALTO R., Chowdhury, DABABRATA N. & CHAKRABORTY, Bonya R., « Viral Marketing: New form of Word-of-Mouth through Internet », The Business Review, Cambridge, Vol. 3, No. 2, (2005), pp. 69-75.

172

DAVIS F, « Perceived usefulness, perceived ease of use, and user acceptance of information technologies » , MIS Quarterly 13 (3), (1989), pp. 319–340.

DE BRUYN, Arnaud & LILIEN, Gary L., « A multi-stage model of word-of-mouth influence through viral marketing », International Journal of Research in Marketing Vol. 25 (2008), pp. 151–163.

DE SILVA MJ, MCKENZIE K, HARPHAM T « Social capital and mental illness: a systematic review » British Medical (2005)

DELLAROCAS, Chrysanthos, « The digitization of word of mouth: Promise and challenges of online feedback », Management Science, Vol. 49, No. 10, (2003), pp. 1407-1424.

DELRE, Sebastiano A, JAGER, Wander, JANSSEN, Marco A, « Diffusion dynamics in small-world networks with heterogeneous consumers », Comput Math Organiz Theor, Vol. 13, (2007), pp. 185–202.

173

DOBELE, Angela, TOLEMAN, David, BEVERLAND, Michael,

« Controlled

infection! Spreading the brand message through viral marketing », Business Horizons, Vol. 48, (2005), pp. 143—149.

DOBELE, Angela, LINDGREEN, Adam, BEVERLAND, Michael, VANHAMME Joëlle, and VAN WIJK, Robert, « Why pass on viral messages? Because they connect emotionally », Business Horizons, Vol. 50, No. 4, (2007), pp. 291-304.

DUAN, Wenjing, GU, Bin, WHINSTON, Andrew B., « The dynamics of online word-of-mouth and product sales—An empirical investigation of the movie industry », Journal of Retailing Vol. 84 (2008), pp. 233–242.

DWYER, Paul, « Measuring the value of electronic word of mouth and its impact in consumer commuties », Journal of Interactive Marketing, Vol. 21, No. 2, (2007), pp. 63-79.

ENGEL James F., KEGERREIS, Robert J. & BLACKWELL, Roger D., « Word'of-mouth Communication by the Innovator », Journal of Marketing, Vol. 33, (1969), pp. 1-19.

174

FERGUSON, Rick, « Word of mouth and viral marketing: taking the temperature of the hottest trends in marketing », Journal of Consumer Marketing, Vol. 25, No. 3, (2008), pp. 179–182.

FISHBEIN M., & AJZEN, I. , « Belief, attitude, intention, and behavior: An introduction to theory and research. » Reading, MA: Addison-Wesley (1975)

FREEMAN,

Linton

C.,

« Centrality

in

Social

Networks

Conceptual

Clarification », Social Networks, Vol. 1 (1978/79), pp. 215-239.

FRIEDKIN, Noah E., « Theoretical Foundations for Centrality Measures », The American Journal of Sociology, Vol. 96, No. 6 (1991), pp. 1478-1504.

FUKUYAMA Francis. « Trust: The Social Virtues and the Creation of Prosperity » Livre New York: Free Press

GLADWELL Malcolm, « The tipping Point » livre (2002)

175

GODIN

Seth,

(web)

« Is

viral

marketing

the

same

as

word

of

mouth? » http://sethgodin.typepad.com/seths_blog/2007/10/is-viral-market.html, (2007)

GOH, Kwang-Il, CUSICK, Michael E., VALLE, David, CHILDS, Barton, VIDAL, Marc, & BARABASI, Albert-Laszlo, « The human disease network », PNAS, Vol. 104, No. 21, (2007), pp. 8685–8690.

GOLDENBERG Jacob, LIBAI Barak, MULLER Eitan , « Talk of the Network: A Complex Systems Look at the Underlying Process of Word-of-Mouth » Marketing Letters (2001)

GOLDSMITH, Ronald E. & HOROWITZ, David, « Measuring motivations for online opinion seeking », Journal of Interactive Advertising, Vol. 6 No. 2 (2006), pp. 3‐14.

GRANOVETTER, Mark S., « The Strength of Weak Ties », The American Journal of Sociology, Vol. 78, No. 6. (1973), pp. 1360-1380.

176

GRUEN, Thomas W., OSMONBEKOV, Talai, . CZAPLEWSKI, Andrew J., « eWOM: The impact of customer-to-customer online know-how exchange on customer value and loyalty », Journal of Business Research, Vol. 59, (2006), pp. 449 – 456.

HEAN, Sarah, COWLEY Sarah, ANGUS Forbes. « The M-C-M' cycle and social capital. » Social Science Medicine 56: 1061-72. (2003)

HENNIG-THURAU, Thorsten & WALSH, Gianfranco, « Electronic Word-ofMouth: Motives for and Consequences of Reading Customer Articulations on the Internet », International Journal of Electronic Commerce, Vol. 8, No. 2, (2003-4), pp. 51–74.

HENNIG-THURAU, Thorsten, GWINNER, Kevin P., WALSH, Gianfranco, & GREMLER, Dwayne D., « Electronic word-of-mouth via consumer-opinion platforms : what motivâtes consumers to articulate themselves on the internet ? », Journal of Interactive marketing, Vol 18, No. 1, (2004), pp. 38-52.

HEW, Khe Foon & HARA, Noriko, « Knowledge Sharing In Online Environments: A Qualitative Case Study », Journal of the American society for information science and technology, Vo. 58, No. 14, (2007), pp. 2310–2324.

177

HSU, Chin-Lung and LIN, Judy Chuan-Chuan, « Acceptance of blog usage: The roles of technology acceptance, social influence and knowledge sharing motivation », Information & management, Vol. 45, No. 1, (2008), pp. 65-74.

HUANG, Chien-Chih, LIN, Tung-Ching, and LIN, Kuei-Ju, « Factors affecting pass-along email intentions (PAEIs): Integrating the social capital and social cognition theories », Electronic Commerce Research and Applications, Vol. 8, No. 3, (2009), pp. 160-169.

JANSEN, Bernard J., SOBEL, Mimi ZHANG Kate & CHOWDURY, Abdur, « Twitter Power: Tweets as Electronic Word of Mouth », Journal of the American Society for Information and technology, Vol. 60, No. 11, (2009), pp. 2169–2188.

JAVA, Akshay, SONG, Xiaodan, FININ, Tim, and TSENG, Belle, « Why we twitter: understanding microblogging usage and communities », 9th WebKDD and 1st SNA-KDD 2007 workshop on Web mining and social network analysis, (2007).

178

JURVETSON, Steve, « From the ground floor, exactly is viral marketing? », Red Herring, (2000), pp. 110-111.

KALMAN, Michael E., MONGE, Peter, FULK, Janet & HEINO, Rebecca, « Motivations to Resolve Communication Dilemmas in Database-Mediated Collaboration », Communication Research, Vol. 29 No. 2, 2002, pp. 125-154.

KANE, Gerald C., FICHMAN, Robert G., « The shoemaker’s children : using wikis for information systems teaching », research, and publication, MIS Quarterly Vol. 33 No. 1, (2009), pp. 1-17.

KAPLAN Andreas M., HAENLEIN Michael, « Users of the world, unite! The challenges and opportunities of social media », Business Horizons, Vol. 53, Issue 1

KATZ, Elihu and, LAZARSFELD, Paul F., Personal Influence, the Part Played by People in the Flow of Mass Communication, Transaction Publishers, (1955)

179

KEEGAN, Brian & GERGLE, Darren, « Egalitarians at the Gate: One-Sided Gatekeeping Practices in Social Media », CSCW 2010, February 6–10, 2010, Savannah, Georgia, USA.

KEMPLE, David, KLEINBERG, Jon, and TARDOS, Eva, « Maximising the spread of influence through a social network », 9th ACM SIGKDD international conference on Knowledge discovery and data mining, (2007).

KIMURA, Masahiro, SAITO, Kazumi, MOTODA, Hiroshi, « Minimizing the Spread of Contamination by Blocking Links in a Network », , Association for the Advancement of Artificial Intelligence, (2008), pp. 1175-1180.

KIMURA, Masahiro, SAITO, Kazumi, NAKANO, Ryohei, « Extracting Influential Nodes for Information Diffusion on a Social Network », Association for the Advancement of Artificial Intelligence, (2007), pp. 1371-1376.

KISS Christine, BICHLER Martin « Identification of influencers — Measuring influence in customer network » Decision Support Systems Volume 46, Issue 1, December (2008), Pages 233-253

180

KLEINBERG Jon M. « Authoritative sources in a hyperlinked environment » journal of the ACM (1999)

KLOPPER HB, « Viral marketing: a powerful, but dangerous marketing tool » , South African Journal of Information Management Vol.4(2) June 2002

KOZINETS, Robert V., DE VALCK, Kristine, WOJNICKI, Andrea C., & WILNER, Sarah J.S., « Networked Narratives: Understanding Word-of-Mouth Marketing in Online Communities », Journal of Marketing, Vol. 74 (2010), pp. 71–89.

LAM, Desmond, LEE, Alvin, & MIZERSKI, Richard, « The Effects of Cultural Values in Word-of-Mouth Communication », Journal of International Marketing, Vol. 17, No. 3, (2009), pp. 55–70.

LEVIN, Daniel Z. & CROSS, Rob, « The Strength of Weak Ties You Can Trust: The Mediating Role of Trust in Effective knowledge transfer », Management Science, Vol. 50, No. 11, (2004), pp. 1477-1490.

181

LESKOVEC, Jure, ADAMIC, Lada A., HUBERMAN, Bernardo A. « The dynamics of viral marketing », (2007), 46 p.

http://www.hpl.hp.com/research/scl/papers/viral/viral.pdf

LIN N, « Social capital: A theory of social structure and action » livre - New York: Cambridge UP, 2001

LINDGREEN, Adam, and VANHAMME, Joelle, « Viral Marketing: The Use of Surprise », inAdvances in Electronic Marketing, (2005).

LU, Hsi-Peng & HSIAO, Kuo-Lun, « Understanding intention to continuously share information on weblogs », Internet Research, Vol. 17, No. 4, (2007), pp. 345-361.

MCCRAKEN, Grant, Culture and consumption II: markets, meaning, and brand management, Indianna University Press, (2005), 229 pages.

MCLURE WASKO, Molly & FARAJ, Samer, « Why should I share ? examing social capital and knowledge contribution in electronic networks of practice », MIS Quarterly, Vol. 29, No. 1, (2005), pp. 35-57.

182

MCPHERSON, Miller, SMITH-LOVIN, Lynn, & COOK, James, « Birds of a Feather : Homophily in Social Networks », Annu. Rev. Sociol, Vol. 27, (2001), pp. 415–44.

MILGRAM, Stanley, « The Small-world problem », Psychology Today, Vol. 1, No. 1, (1967), pp.61-67.

MODZELEWSKI Mark, « Finding a cure for viral marketing ills » Article en ligne (2000)

MONTGOMERY, Alan L., « Applying Quantitative Marketing Techniques to the Internet Interfaces », OR/MS and E-Business, Vol. 31, No. 2, (2001), pp. 90108.

NAHAPIET, Janine, GHOSHAL, Sumantra, « Social capital, intellectual capital, and the organizational advantage », The Academy of Management Review, Vo. 23, No. 2; (1998), pp. 242-266.

183

NARAYAN, Deepa & CASSIDY, Michael F., « A Dimensional Approach to Measuring Social Capital: Development and Validation of a Social Capital Inventory », Current Sociology, Vol. 49, No. 2, (2001), pp. 59–102.

NEWMAN, MEJ, « The structure and function of complex networks », SIAM Reviews, Vol. 45, no. 2, (2003), pp. 167-246.

NONAKA Ikujiro, « A Dynamic Theory of Organizational Knowledge Creation » Organization Science Vol. 5, No. 1 (Feb., 1994), pp. 14-37

PASTOR-SATORRAS Romualdo & VESPIGNANI, Alessandro, « Epidemic Spreading in Scale-Free Networks », Phisical Review Letters, Vol. 86, No. 14, (2001).

PHELPS, Joseph E., LEWIS, Regina, MOBILIO, Lynne, PERRY, David, and RAMAN, Niranjan, « Viral Marketing or Electronic Word-of-Mouth Advertising: Examining Consumer Responses and Motivations to Pass Along Email », Journal of Advertising Research, Vol. 44, No. 4, (2004), pp. 333-348.

184

PORTER, Lance & GOLAN, Guy J., « From subservient chickens to brawny men : a comparison of viral advertising to television advertising », Journal of Interactive Advertising, Vol 6 No 2 (2006), pp. 26‐33.

PORTES Alejandro , « Social Capital: Its Origins and Applications in Modern Sociology » Annual Review of Sociology, Vol. 24, (1998)

POSTMES, Tom, SPEARS, Russell, SAKHEl, Khaled & DE GROOT, Daphne, « Social Influence in Computer-Mediated Communication: The Effects of Anonymity on Group Behavior », PSPB, Vol. 27, No. 10, (2001), pp. 1243-1254.

PRICE DJ., (1965)

« Networks of scientific papers »,

Science , Jul 30;149:510-5

PUTNAM, Robert D., « Bowling Alone: America's Declining Social Capital », Journal of Democracy, (1995), pp. 65-78.

REDNER « How popular is your paper? An empirical study of the citation distribution » European Physical Journal B 4, 131 (1998)

185

REINGEN Peter H, FOSTER, Brian L., BROWN, Jonhson and, SEIDMAN, Stephen B., « Brand Congruence in Interpersonal Relations: A Social Network Analysis », The Journal of Consumer Research, Vol. 11, No. 3 (1984), pp. 771783

ROGERS Everett M, « Diffusion of innovations » (livre)1995

SCHINDLER Robert M., BICKART Barbara « Published Word of Mouth: Referable, Consumer-Generated Information on the Internet,” Rutgers

University, Camden (2005)

SEGLEN Per O., “Why the Impact Factor of Journals Should Not Be Used for Evaluating Research,” BMJ 314, 7079 (February 15, 1997)

SHIRKY Clay, « The Toughest Virus of All » Article en ligne (2000)

SONG, Chaoming, QU, Zehui, BLUMM, Nicholas, & BARABÁSI, Albert-László, « Limits of Predictability in Human Mobility », Science, Vol. 327, (2010), pp. 1018-1021.

186

STEFFES, Erin M. & BURGEE, Lawrence E., « Social ties and online word of mouth », Internet Research, Vol. 19, No. 1, (2009), pp. 42-59.

STERN, Barbara B., « A Revised Communication Model for Advertising: Multiple Dimensions of the Source, the Message, and the Recipient », Journal Advertising, Vol. 23, No. 2 (1994).

SUBRAMANI, Mani R. & RAJAGOPALAN, Balaji, « Knowledge-Sharing and Influence in Online Social Networks via Viral Marketing », Communication of the ACM, Vol. 46, No. 12 (2003), pp. 300-307.

SURESH, Chande, SRIVIDYA, Gopalan, SWETHA, Kurup, « Viral distribution potential based active identification for ad distribution in viral networks », International Journal of Mobile Marketing, Vol. 4, No. 1, (2009), pp. 48-56.

THIBAUT, J. W., KELLEY H. H. « The Social Psychology of Groups », livre John Wiley, New York, (1959).

187

VENKATESH, V., MORRIS, M.G., DAVIS, F.D., Acceptance of Information Technology: Toward a

DAVIS, G.B. “User Unified View,” MIS

Quarterly (27:3), (2003), 425-478.

VILPPONEN, Antti, WINTER, Susanna, & SUNDQVIST, Sanna, « Electronic word-of-mouth in online environments : exploring referal network structure and adoption behavior », Journal of Interactive Advertising, Vol 6 No 2 (2006), pp. 63‐77.

WALTER

,

POWELL,

KOPUT,

SMITH-DOERR

« Interorganizational

Collaboration and the Locus of Innovation: Networks of Learning in Biotechnology » Administrative Science Quarterly, Vol. 41, (1996)

WASKO, Molly McLure, and FARAJ, Samer, « Why should I share ? Examining social capital and knowledge contribution », MIS Quartely, Vol. 29, No. 1, (2005).

WATTS, Duncan J. & STROGATZ, Steven H., « Collective dynamics of ‘smallworld’ networks », Nature, Vol. 393, (2008).

188

WATTS, Duncan, « Six Degrees: The Science of A Connected Age » Yahoo! Research and Collective Dynamics Group Columbia University, (2003), http://cdg.columbia.edu

WEBSTER, Cynthia M & MORRISON, Pamela D, « Network Analysis in Marketing », Australasian Marketing Journal, Vol. 12, No. 2; (2004), pp. 8-18.

WELKER, Carl B., « The paradigm of Viral Communication », Information Services & Use 22 (2002) pp. 3–8.

WELLMAN, Barry, « Network Analysis: Some Basic Principles », Sociological Theory, Vol. 1 (1983), pp. 155-200.

WELLMAN, Barry « Networks in the global village: life in contemporary communities » livre (1999)

WESTBROOK, Robert A., « Product/Consumption-Based Affective Responses and Postpurchase Processes », Journal of Marketing Research, Vol. 24, No. 3 (1987).

189

YOOK,

Soon-Hyung,

JEONG,

Hawoong,

&

BARABASI,

Albert-Lászlo,

« Modeling the Internet’s large-scale topology », Vol. 99, No. 21, (2002), pp. 13382–13386.

YUAN, Y. Connie, GAY, Geri, & HEMBROOKE, Helene, « Focused Activities and the Development of Social Capital in a Distributed Learning

“Community” », The Information Society, Vol. 22, (2006), pp. 25–39.

190

Annexes

191

Annexe I (page 193) : Résultats détaillés de l’analyse en composantes principales du pré-test Annexe II (page 229) : Sorties techniques de l’analyse des alphas de Cronbach du modèle définitif Annexe III (page 249): Sorties techniques de l’ACP Annexe IV (page 257) : Sorties techniques de l’ACP confirmatoire Annexe V (page 261): Sorties techniques des statistiques descriptives Annexe VI (page 264): Sorties techniques et analyse des résidus de la régression 1 et de son test de normalité Annexe VII (page 271): Sorties techniques et analyse des résidus de la régression 2 et de son test de normalité Annexe VIII (page 277) : Sorties techniques et analyse des résidus de la régression 3 et de son test de normalité Annexe IX (page 287): Approbation du comité d’éthique

192

Annexe   I  :   Résultats   détaillés   de   l’analyse   en   composantes   principales  
du  pré-­‐test  
Une série d’analyses factorielles exploratoires en composantes principales avec l’introduction d’une rotation orthogonale VARIMAX (plus pure que les combinaisons de base) est réalisée afin de mesurer la validité interne, de convergence et de divergence des dimensions du prétest. Le traitement statistique est fait à l’aide du logiciel de statistiques SPSS 16.0 et l’analyse des résultats se base sur la variance expliquée, la valeur du KMO (homogénéité des variables), le test de Bartlett (sphéricité de la matrice de corrélation), les côtes factorielles et les valeurs propres des dimensions (Eigen). Il est à noter que l’étude s’est faite sur deux vidéos pour calculer certaines dimensions (EfI, VGC, Int). Ainsi, dans un premier temps, nous effectuons l’analyse du prétest sur les dimensions communes aux deux vidéos (Eng, App, EfC), puis celles de la vidéo 1 pour finir par celles de la vidéo 2. Résultats de la dimension Engagement (Eng) – 6 items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,879 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 152,023 15

Communalities Initial Mes interactions avec mes amis sur Facebook sont fréquentes J'accorde de l'importance à mon activité sur Facebook Extraction

1,000 ,738

1,000 ,678

193

Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe Je cherche à maintenir des relations positives avec mes amis sur Facebook Je me considère comme quelqu'un d'actif sur le réseau Facebook Je considère que la mise à jour de mon profil Facebook a de l'importance Extraction Analysis. Method:

1,000 ,599

1,000 ,624

1,000 ,679

1,000 ,650

Principal

Component

Total Variance Explained Compo nent 1 2 3 4 5 6 ,589 ,503 ,353 ,346 ,241 Initial Eigenvalues Total 3,969 % of Variance Cumulative % 66,147 9,810 8,379 5,883 5,773 4,008 66,147 75,956 84,336 90,219 95,992 100,000 Extraction Sums of Squared Loadings Total 3,969 % of Variance Cumulative % 66,147 66,147

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1

194

Mes interactions avec mes amis sur Facebook ,859 sont fréquentes J'accorde de l'importance à mon activité sur ,824 Facebook Lorsque je consulte Facebook, j'ai la ,774 sensation de faire partie d'un groupe Je cherche à maintenir des relations positives ,790 avec mes amis sur Facebook Je me considère comme quelqu'un d'actif sur le ,824 réseau Facebook Je considère que la mise à jour de mon profil ,806 Facebook a de l'importance Extraction Method: Principal Component Analysis. a. 1 components extracted.

Suite aux résultats obtenus, aucun retrait sur la dimension de l’Engagement ne devrait être fait. Néanmoins, selon des commentaires de participants, l’item Eng4 portait quelque peu à confusion. Afin de s’assurer d’une parfaite compréhension pour l’étude principale, le choix du retrait de cet item a été pris.

195

Nouveaux résultats de la dimension engagement (Eng) – 5 items

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,846 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 121,179 10

Communalities Initial Mes interactions avec mes amis sur Facebook sont fréquentes J'accorde de l'importance à mon activité sur Facebook Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe Je me considère comme quelqu'un d'actif sur le réseau Facebook Je considère que la mise à jour de mon profil Facebook a de l'importance Extraction Analysis. Method: Extraction

1,000 ,758

1,000 ,696

1,000 ,594

1,000 ,678

1,000 ,689

Principal

Component

Total Variance Explained

196

Compo nent 1 2 3 4 5

Initial Eigenvalues Total 3,415 ,583 ,404 ,351 ,247 % of Variance Cumulative % 68,301 11,656 8,086 7,020 4,936 68,301 79,957 88,043 95,064 100,000

Extraction Sums of Squared Loadings Total 3,415 % of Variance Cumulative % 68,301 68,301

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 Mes interactions avec mes amis sur Facebook ,871 sont fréquentes J'accorde de l'importance à mon activité sur ,834 Facebook Lorsque je consulte Facebook, j'ai la ,771 sensation de faire partie d'un groupe Je me considère comme quelqu'un d'actif sur le ,824 réseau Facebook Je considère que la mise à jour de mon profil ,830 Facebook a de l'importance Extraction Method: Principal Component Analysis. a. 1 components extracted.

197

Résultats de la dimension Appréciation (App) – 7 items

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,759 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 170,082 21

Communalities Initial J'aime le simple fait de partager des contenus sur Facebook J’aime divertir mes amis en partageant du contenu avec eux sur Facebook J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook Il est agréable de voir qu’un contenu partagé suscite l’intérêt de mes amis sur Facebook Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook Extraction

1,000 ,632

1,000 ,595

1,000 ,509

1,000 ,365

1,000 ,710

1,000 ,653

198

J'apprécie le fait d'utiliser Facebook pour partager du contenu Extraction Analysis. Method:

1,000 ,583 Component

Principal

Total Variance Explained Compo nent 1 2 3 4 5 6 7 ,838 ,673 ,582 ,472 ,236 ,152 Initial Eigenvalues Total 4,047 % of Variance Cumulative % 57,808 11,977 9,616 8,310 6,746 3,370 2,173 57,808 69,785 79,401 87,711 94,456 97,827 100,000 Extraction Sums of Squared Loadings Total 4,047 % of Variance Cumulative % 57,808 57,808

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 J'aime le simple fait de partager des contenus sur ,795 Facebook J’aime divertir mes amis en partageant du contenu ,771 avec eux sur Facebook J’aime me rendre utile auprès de mes amis en ,713 partageant du contenu sur Facebook

199

Il est agréable de voir qu’un contenu partagé ,604 suscite l’intérêt de mes amis sur Facebook Je trouve valorisant le fait de partager du contenu ,842 avec mes amis sur Facebook J'aime susciter des sentiments positifs chez ,808 mes amis en partageant du contenu sur Facebook J'apprécie le fait d'utiliser Facebook pour partager ,763 du contenu Extraction Method: Principal Component Analysis. a. 1 components extracted.

Retrait sur la dimension de l’Appréciation de App4 afin de donner une meilleure corrélation entre les items.

Nouveaux résultats de la dimension Appréciation :
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,724 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 157,319 15

Communalities Initial Extraction

200

J'aime le simple fait de partager des contenus sur Facebook J’aime divertir mes amis en partageant du contenu avec eux sur Facebook J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook J'apprécie le fait d'utiliser Facebook pour partager du contenu Extraction Analysis. Method:

1,000 ,655

1,000 ,606

1,000 ,507

1,000 ,702

1,000 ,666

1,000 ,609 Component

Principal

Total Variance Explained Compo nent 1 2 3 4 5 6 ,793 ,594 ,476 ,240 ,152 Initial Eigenvalues Total 3,745 % of Variance Cumulative % 62,411 13,214 9,900 7,935 4,002 2,539 62,411 75,624 85,524 93,459 97,461 100,000 Extraction Sums of Squared Loadings Total 3,745 % of Variance Cumulative % 62,411 62,411

Extraction Method: Principal Component Analysis.

201

Component Matrix

a

Component 1 J'aime le simple fait de partager des contenus sur ,809 Facebook J’aime divertir mes amis en partageant du contenu ,778 avec eux sur Facebook J’aime me rendre utile auprès de mes amis en ,712 partageant du contenu sur Facebook Je trouve valorisant le fait de partager du contenu ,838 avec mes amis sur Facebook J'aime susciter des sentiments positifs chez ,816 mes amis en partageant du contenu sur Facebook J'apprécie le fait d'utiliser Facebook pour partager ,780 du contenu Extraction Method: Principal Component Analysis. a. 1 components extracted.

202

Résultats de la dimension de l’Efficatité Connective (EfC) – 8 variables
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,830 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 147,360 28

Communalities Initial Mes amis seront en mesure de consulter facilement le contenu que je partage Mes amis sauront que j'ai partagé du contenu Mes amis auront de la difficulté à consulter le contenu partagé Mes amis consulteront le contenu, car une autre personne de mon réseau social l'aura partagé à son tour Mes amis seront en mesure de le consulter quand ils le voudront Il sera facile pour moi de partager du contenu Mes amis pourront facilement retrouver le contenu partagé sur mon profil Extraction

1,000 ,712

1,000 ,684

1,000 ,790

1,000 ,697

1,000 ,678

1,000 ,658

1,000 ,440

203

Certains de mes amis partageront le contenu à leur tour après l'avoir consulté Extraction Analysis. Method:

1,000 ,376

Principal

Component

Total Variance Explained Initial Eigenvalues Total 3,913 1,122 ,863 ,715 ,430 ,375 ,327 ,255 % of Variance 48,909 14,027 10,786 8,936 5,374 4,689 4,087 3,191 Cumulative % 48,909 62,936 73,723 82,659 88,032 92,722 96,809 100,000 Principal Extraction Sums of Squared Loadings Total 3,913 1,122 % of Variance 48,909 14,027 Cumulative % 48,909 62,936 Rotation Sums of Squared Loadings Total 3,687 1,348 % of Variance 46,088 16,848 Cumulative % 46,088 62,936

Com pone nt 1 2 3 4 5 6 7 8

Extraction Method: Component Analysis.

Rotated Component Matrix

a

Component 1 Mes amis seront en mesure de consulter ,842 facilement le contenu que je partage Mes amis sauront que j'ai ,788 partagé du contenu ,251 2

-,055

204

Mes amis auront de la difficulté à consulter le contenu partagé Mes amis consulteront le contenu, car une autre personne de mon réseau ,592 social l'aura partagé à son tour Mes amis seront en mesure de le consulter ,821 quand ils le voudront Il sera facile pour moi de ,799 partager du contenu Mes amis pourront facilement retrouver le ,663 contenu partagé sur mon profil Certains de mes amis partageront le contenu à ,494 leur tour après l'avoir consulté Extraction Analysis. Method:

-,104 ,883

,589

,056

,140

,023

,363

Principal Varimax

Component with Kaiser

Rotation Method: Normalization.

a. Rotation converged in 3 iterations.

Malgré un KMO de qualité exceptionnelle, nous n’expliquons que 66.142% de la variance. Ainsi, nous procédons au retrait de l’item EfC3 et EfC4 car ils ont tendance à se mettre sous un autre facteur.

205

Nouveaux résultats pour la dimension Efficacité Connective (EfC après le retrait de EfC3
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,849 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 113,175 15

Communalities Initial Mes amis seront en mesure de consulter facilement le contenu que je partage Mes amis sauront que j'ai partagé du contenu Mes amis seront en mesure de le consulter quand ils le voudront Il sera facile pour moi de partager du contenu Mes amis pourront facilement retrouver le contenu partagé sur mon profil Certains de mes amis partageront le contenu à leur tour après l'avoir consulté Extraction Analysis. Method: Extraction

1,000 ,680

1,000 ,682

1,000 ,704

1,000 ,653

1,000 ,439

1,000 ,287

Principal

Component

206

Total Variance Explained Compo nent 1 2 3 4 5 6 ,798 ,704 ,405 ,355 ,293 Initial Eigenvalues Total 3,445 % of Variance Cumulative % 57,411 13,297 11,737 6,746 5,920 4,889 57,411 70,709 82,445 89,191 95,111 100,000 Extraction Sums of Squared Loadings Total 3,445 % of Variance Cumulative % 57,411 57,411

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 Mes amis seront en mesure de consulter ,825 facilement le contenu que je partage Mes amis sauront que j'ai ,826 partagé du contenu Mes amis seront en mesure de le consulter ,839 quand ils le voudront

207

Il sera facile pour moi de ,808 partager du contenu Mes amis pourront facilement retrouver le ,662 contenu partagé sur mon profil Certains de mes amis partageront le contenu à ,536 leur tour après l'avoir consulté Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun autre retrait. La corrélation entre les items est acceptable et le KMO reste toujours de qualité incroyable. EfC8 pourrait être supprimé mais comme il s’agit de l’étape du pré-test, cette variable est conserver pour éviter le risque de perte d’information pour la suite des analyse. Au besoin, cet item sera supprimé lors de l’étude principale.

208

Résultats de la dimension Réputation (Rep) de la vidéo 1 – 7 items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,918 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 476,053 21

Communalities Initial ...contribuerait de façon positive à mon image auprès de mes amis ...ferait en sorte que mes ami(e)s m'apprécient davantage ...ferait en sorte que mes ami(e)s m'accordent plus d'attention ...ferait en sorte que mes ami(e)s me témoignent plus de considération ...donnerait une bonne image de moi auprès de mes ami(e)s ...contribuerait à améliorer mes relations avec mes amis ...serait un bon moyen pour entretenir des relations positives avec mes amis Extraction Analysis. Method: Extraction

1,000 ,738

1,000 ,862

1,000 ,892

1,000 ,845

1,000 ,939

1,000 ,821

1,000 ,836

Principal

Component

Total Variance Explained

209

Compo nent 1 2 3 4 5 6 7

Initial Eigenvalues Total 5,933 ,394 ,232 ,165 ,138 ,076 ,062 ,888 % of Variance Cumulative % 84,759 5,624 3,314 2,356 1,972 1,088 84,759 90,383 93,696 96,052 98,024 99,112 100,000

Extraction Sums of Squared Loadings Total 5,933 % of Variance Cumulative % 84,759 84,759

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 ...contribuerait de façon positive à mon image ,859 auprès de mes amis ...ferait en sorte que mes ami(e)s m'apprécient ,928 davantage ...ferait en sorte que mes ami(e)s m'accordent plus ,945 d'attention ...ferait en sorte que mes ami(e)s me témoignent ,919 plus de considération ...donnerait une bonne image de moi auprès de ,969 mes ami(e)s ...contribuerait à améliorer mes relations avec mes ,906 amis ...serait un bon moyen pour entretenir des ,914 relations positives avec mes amis

210

Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait pour la dimension Réputation, KMO de qualité exceptionnelle et bonne corrélation des items entre eux.

211

Résultats de la dimension Efficacité informative (EfI) de la vidéo 1 – 7 items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,902 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 378,062 21

Communalities Initial Mes amis ressentiraient des émotions après avoir vu cette vidéo Mes amis accorderaient de l’attention à cette vidéo Mes amis auraient de l’intérêt pour cette vidéo Cette vidéo susciterait des réactions auprès de mes amis Il est possible que mes amis veuillent échanger à leur tour cette vidéo Mes amis reparleraient de cette vidéo dans un avenir proche Mes amis auraient souvenir marquant cette vidéo Extraction Analysis. Method: un de Extraction

1,000 ,863

1,000 ,894

1,000 ,781

1,000 ,778

1,000 ,786

1,000 ,721

1,000 ,693 Component

Principal

Total Variance Explained Compo nent Initial Eigenvalues Extraction Sums of Squared Loadings

212

Total 1 2 3 4 5 6 7 ,498 ,360 ,232 ,169 ,150 ,075 5,516

% of Variance Cumulative % 78,807 7,113 5,148 3,315 2,409 2,138 1,070 78,807 85,920 91,068 94,383 96,792 98,930 100,000

Total 5,516

% of Variance Cumulative % 78,807 78,807

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 Mes amis ressentiraient des émotions après avoir ,929 vu cette vidéo Mes amis accorderaient ,945 de l’attention à cette vidéo Mes amis auraient de ,884 l'intérêt pour cette vidéo Cette vidéo susciterait des réactions auprès de ,882 mes amis Il est possible que mes amis veuillent échanger à ,886 leur tour cette vidéo Mes amis reparleraient de cette vidéo dans un avenir ,849 proche Mes amis auraient souvenir marquant cette vidéo un de ,833

213

Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait pour la dimension Efficacité Informative, KMO de qualité exceptionnelle et bonne corrélation des items entre eux.

214

Résultats pour la dimension Valeur du Gain Collectif (VGC) de la vidéo 1 – 6 items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,904 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 373,345 15

Communalities Initial ...aurait de la valeur pour mes amis ...aurait un intérêt collectif pour mes amis ...serait bénéfique car j'apprécie que mes amis partagent des vidéos du même type ...permettrait à mes amis de la partager à leur tour ...permettrait de créer une discussion avec plusieurs de mes amis ...serait apprécié car plusieurs de mes amis le font déjà Extraction Analysis. Method: Extraction

1,000 ,866 1,000 ,683

1,000 ,864

1,000 ,878

1,000 ,865

1,000 ,901 Component

Principal

Total Variance Explained Compo nent 1 Initial Eigenvalues Total 5,057 % of Variance Cumulative % 84,282 84,282 Extraction Sums of Squared Loadings Total 5,057 % of Variance Cumulative % 84,282 84,282

215

2 3 4 5 6

,401 ,222 ,139 ,103 ,078

6,680 3,702 2,319 1,715 1,303

90,961 94,664 96,982 98,697 100,000

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 ...aurait de la valeur pour ,931 mes amis ...aurait un intérêt collectif ,827 pour mes amis ...serait bénéfique car j'apprécie que mes amis ,929 partagent des vidéos du même type ...permettrait à mes amis ,937 de la partager à leur tour ...permettrait de créer une discussion avec plusieurs ,930 de mes amis ...serait apprécié car plusieurs de mes amis le ,949 font déjà Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait pour la dimension Valeur du Gain Collectif, KMO de qualité exceptionnelle et bonne corrélation des items entre eux.

216

Résultats de la dimension Intention (Int) de la vidéo 1 – 3 Items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,724 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 222,034 3

Communalities Initial Il y aurait de bonnes chances pour que je la partage via Facebook J'ai l'intention de partager cette vidéo sur mon profil Facebook Je vais certainement partager cette vidéo sur Facebook Extraction Analysis. Method: Extraction

1,000 ,934

1,000 ,976

1,000 ,940 Component

Principal

Total Variance Explained Compo nent 1 2 3 ,114 ,037 Initial Eigenvalues Total 2,849 % of Variance Cumulative % 94,980 3,789 1,231 94,980 98,769 100,000 Extraction Sums of Squared Loadings Total 2,849 % of Variance Cumulative % 94,980 94,980

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component

217

1 Il y aurait de bonnes chances pour que je la ,966 partage via Facebook J'ai l'intention de partager cette vidéo sur mon profil ,988 Facebook Je vais certainement partager cette vidéo sur ,969 Facebook Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait sur la dimension Intention malgré un KMO de qualité moyenne car la corrélation entre les items est acceptable et nous expliquons plus de 94% de la variance.

218

Résultats de la dimension Réputation (Rep) de la vidéo 2 – 7 items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,910 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 449,645 21

Communalities Initial ...contribuerait de façon positive à mon image auprès de mes amis ...ferait en sorte que mes ami(e)s m'apprécient d'avantage ...ferait en sorte que mes ami(e)s m'accordent plus d'attention ...ferait en sorte que mes ami(e)s me témoignent plus de considération ...donnera une bonne image de moi auprès de mes ami(e)s ...contribuerait à améliorer mes relations avec mes amis ...serait un bon moyen pour entretenir des relations positives avec mes amis Extraction Analysis. Method: Extraction

1,000 ,788

1,000 ,816

1,000 ,785

1,000 ,905

1,000 ,800

1,000 ,841

1,000 ,885

Principal

Component

Total Variance Explained

219

Compo nent 1 2 3 4 5 6 7

Initial Eigenvalues Total 5,820 ,444 ,229 ,195 ,158 ,098 ,056 ,807 % of Variance Cumulative % 83,144 6,347 3,274 2,781 2,254 1,393 83,144 89,491 92,765 95,546 97,800 99,193 100,000

Extraction Sums of Squared Loadings Total 5,820 % of Variance Cumulative % 83,144 83,144

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 ...contribuerait de façon positive à mon image ,888 auprès de mes amis ...ferait en sorte que mes ami(e)s m'apprécient ,903 d'avantage ...ferait en sorte que mes ami(e)s m'accordent plus ,886 d'attention ...ferait en sorte que mes ami(e)s me témoignent ,951 plus de considération ...donnera une bonne image de moi auprès de ,895 mes ami(e)s ...contribuerait à améliorer mes relations ,917 avec mes amis ...serait un bon moyen pour entretenir des ,941 relations positives avec mes amis

220

Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait pour la dimension Réputation, KMO de qualité exceptionnelle et bonne corrélation des items entre eux.

221

Résultats de la dimension Efficacité Informative (EfI) de la vidéo 2 – 7 items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,865 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 565,448 21

Communalities Initial Mes amis ressentiraient des émotions après avoir vu cette vidéo Mes amis accorderaient de l’attention à cette vidéo Mes amis auraient de l'intérêt pour cette vidéo Cette vidéo susciterait des réactions auprès de mes amis Il est possible que mes amis veuillent échanger à leur tour cette vidéo Mes amis reparleraient de cette vidéo dans un avenir proche Mes amis auraient souvenir marquant cette vidéo Extraction Analysis. Method: un de Extraction

1,000 ,899

1,000 ,939 1,000 ,915

1,000 ,779

1,000 ,872

1,000 ,757

1,000 ,726 Component

Principal

Total Variance Explained Compo nent Initial Eigenvalues Extraction Sums of Squared Loadings

222

Total 1 2 3 4 5 6 7 ,556 ,263 ,131 ,085 ,064 ,015 5,886

% of Variance Cumulative % 84,089 7,941 3,752 1,878 1,212 ,908 ,220 84,089 92,031 95,783 97,661 98,873 99,780 100,000

Total 5,886

% of Variance Cumulative % 84,089 84,089

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 Mes amis ressentiraient des émotions après avoir ,948 vu cette vidéo Mes amis accorderaient de l’attention à cette ,969 vidéo Mes amis auraient de ,956 l'intérêt pour cette vidéo Cette vidéo susciterait des réactions auprès de ,883 mes amis Il est possible que mes amis veuillent échanger ,934 à leur tour cette vidéo Mes amis reparleraient de cette vidéo dans un avenir ,870 proche Mes amis auraient souvenir marquant cette vidéo un de ,852

Extraction Method: Principal Component Analysis.

223

Component Matrix

a

Component 1 Mes amis ressentiraient des émotions après avoir ,948 vu cette vidéo Mes amis accorderaient de l’attention à cette ,969 vidéo Mes amis auraient de ,956 l'intérêt pour cette vidéo Cette vidéo susciterait des réactions auprès de ,883 mes amis Il est possible que mes amis veuillent échanger ,934 à leur tour cette vidéo Mes amis reparleraient de cette vidéo dans un avenir ,870 proche Mes amis auraient souvenir marquant cette vidéo un de ,852

Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait pour la dimension Efficacité Informative, KMO de qualité méritoire et bonne corrélation des items entre eux.

224

Résultats de la dimension Valeur du Gain Collectif de la vidéo 2 – 6 items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,905 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 413,618 15

Communalities Initial ...aurait de la valeur pour mes amis ...aurait un intérêt collectif pour les membres de mon réseau ...serait bénéfique car j'apprécie que mes amis partage des vidéos du même type ...permettraient à mes amis de le partager à leur tour ...permettrait de créer une discussion avec plusieurs de mes amis ...serait apprécié car mes amis le font déjà Extraction Analysis. Method: Extraction

1,000 ,905

1,000 ,937

1,000 ,895

1,000 ,776

1,000 ,807

1,000 ,837 Component

Principal

Total Variance Explained Compo nent 1 Initial Eigenvalues Total 5,157 % of Variance Cumulative % 85,952 85,952 Extraction Sums of Squared Loadings Total 5,157 % of Variance Cumulative % 85,952 85,952

225

2 3 4 5 6

,278 ,269 ,167 ,091 ,038 ,630

4,634 4,479 2,784 1,521

90,586 95,065 97,849 99,370 100,000

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component 1 ...aurait de la valeur pour ,951 mes amis ...aurait un intérêt collectif pour les membres de mon ,968 réseau ...serait bénéfique car j'apprécie que mes amis ,946 partage des vidéos du même type ...permettraient à mes amis de le partager à leur ,881 tour ...permettrait de créer une discussion avec plusieurs ,898 de mes amis ...serait apprécié car mes ,915 amis le font déjà Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait pour la dimension Valeur du Gain Collectif, KMO de qualité exceptionnelle et bonne corrélation des items entre eux.

226

Résultats de la dimension Intention (Int) de la vidéo 2 – 3 Items
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,691 Bartlett's Sphericity Test of Approx. Chi-Square df Sig. ,000 190,121 3

Communalities Initial Il y aurait de bonnes chances pour que je la partage via Facebook J'ai l'intention de partager cette vidéo sur mon profil Facebook Je vais certainement partager cette vidéo sur Facebook Extraction Analysis. Method: Extraction

1,000 ,915

1,000 ,969

1,000 ,895 Component

Principal

Total Variance Explained Compo nent 1 2 3 ,175 ,046 Initial Eigenvalues Total 2,778 % of Variance Cumulative % 92,610 5,843 1,547 92,610 98,453 100,000 Extraction Sums of Squared Loadings Total 2,778 % of Variance Cumulative % 92,610 92,610

Extraction Method: Principal Component Analysis.

Component Matrix

a

Component

227

1 Il y aurait de bonnes chances pour que je la ,956 partage via Facebook J'ai l'intention de partager cette vidéo sur mon profil ,984 Facebook Je vais certainement partager cette vidéo sur ,946 Facebook Extraction Method: Principal Component Analysis. a. 1 components extracted.

Aucun retrait sur la dimension Intention malgré un KMO de qualité médiocre car la corrélation entre les items est acceptable et nous expliquons plus de 92% de la variance.

228

 Annexe  II   Sorties  techniques  de  l’analyse  des  alphas  de  Cronbach  du  modèle   définitif  

SAVE

OUTFILE='C:\Documents final.sav'

and

Settings\omermet\Desktop\DATAS /COMPRESSED. RELIABILITY

MÉMOIRE\dataset

/VARIABLES=App1 App2 App3 App4 App5 App6 ALL /MODEL=ALPHA

/SCALE('ALL VARIABLES')

/STATISTICS=DESCRIPTIVE SCALE CORR

/SUMMARY=TOTAL MEANS VARIANCE CORR.

Reliability Statistics

Cronbach's Alpha Based on Standardized Cronbach's Alpha Items N of Items

.866

.867

6

 

229

Item Statistics

Mean

Std. Deviation

N

J'aime

le

simple

fait

de

4.88

1.588

202

partager des contenus sur Facebook J^aime divertir mes amis en partageant du contenu avec eux sur Facebook J^aime me rendre utile 4.76 1.694 202 5.17 1.500 202

auprès de mes amis en partageant du contenu sur Facebook Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook J'aime susciter des 4.82 1.633 202 4.19 1.770 202

sentiments positifs chez mes amis en partageant du contenu sur Facebook J'apprécie le fait d'utiliser Facebook pour partager du contenu 5.16 1.585 202

230

Item-Total Statistics

Cronbach's Squared Multiple Correlation Alpha if Item Deleted

J'aime

le

simple

fait

de

.548

.838

partager des contenus sur Facebook J^aime divertir mes amis en partageant du contenu avec eux sur Facebook J^aime me rendre utile .483 .843 .499 .845

auprès de mes amis en partageant du contenu sur Facebook Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook J'aime susciter des .562 .834 .570 .840

sentiments positifs chez mes amis en partageant du contenu sur Facebook J'apprécie le fait d'utiliser Facebook pour partager du contenu .374 .860

 

231

RELIABILITY

/VARIABLES=Vid4Rep1 Vid4Rep2 Vid4Rep3 Vid4Rep4 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA

Vid4Rep5 Vid4Rep6

/STATISTICS=DESCRIPTIVE SCALE CORR VARIANCE CORR.

/SUMMARY=TOTAL MEANS

Reliability Statistics

Cronbach's Alpha Based on Cronbach's Alpha Standardized Items N of Items

.957

.957

6

232

Item Statistics

Mean

Std. Deviation

N

...ferait en sorte que mes ami(e)s d'avantage ...ferait en sorte que mes ami(e)s d'attention ...ferait en sorte que mes ami(e)s me témoignent plus de considération ...donnera une bonne image de moi auprès de mes m'accordent plus m'apprécient

3.07

1.611

202

2.94

1.568

202

3.00

1.579

202

3.48

1.711

202

ami(e)s ...contribuerait à améliorer mes relations avec mes amis ...serait un bon moyen pour entretenir des relations positives avec mes amis 3.13 1.697 202 2.90 1.608 202

233

Item-Total Statistics

Cronbach's Squared Multiple Correlation Alpha if Item Deleted

...ferait en sorte que mes ami(e)s d'avantage ...ferait en sorte que mes ami(e)s d'attention ...ferait en sorte que mes ami(e)s me témoignent plus de considération ...donnera une bonne image de moi auprès de mes m'accordent plus m'apprécient

.786

.948

.766

.950

.827

.944

.748

.950

ami(e)s ...contribuerait à améliorer mes relations avec mes amis ...serait un bon moyen pour entretenir des relations positives avec mes amis .751 .951 .785 .947

234

RELIABILITY

/VARIABLES=EfC1 EfC2 EfC3 EfC4 EfC5 EfC6 /MODEL=ALPHA

/SCALE('ALL

VARIABLES') ALL

/STATISTICS=DESCRIPTIVE SCALE

CORR /SUMMARY=TOTAL MEANS VARIANCE CORR.

Reliability Statistics

Cronbach's Alpha Based on Cronbach's Alpha Standardized Items N of Items

.876

.880

6

235

Item Statistics

Mean

Std. Deviation

N

Mes amis seront en mesure de consulter facilement le contenu que je partage Mes amis sauront que j'ai partagé du contenu Mes amis seront en mesure de le consulter quand ils le voudront Il sera facile pour moi de partager du contenu Mes amis pourront facilement retrouver le contenu

5.69

1.268

202

5.27

1.389

202

5.17

1.585

202

5.65

1.431

202

5.04

1.577

202

partagé sur mon profil Certains de mes amis 5.10 1.594 202

partageront le contenu à leur tour après l'avoir consulté

236

Item-Total Statistics

Cronbach's Squared Multiple Correlation Alpha if Item Deleted

Mes amis seront en mesure de consulter facilement le contenu que je partage Mes amis sauront que j'ai partagé du contenu Mes amis seront en mesure de le consulter quand ils le voudront Il sera facile pour moi de partager du contenu Mes amis pourront facilement retrouver le contenu

.595

.846

.524

.850

.493

.858

.564

.849

.494

.856

partagé sur mon profil Certains de mes amis .361 .873

partageront le contenu à leur tour après l'avoir consulté

237

RELIABILITY

/VARIABLES=Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA

Vid2Efi6 Vid2Efi7

/STATISTICS=DESCRIPTIVE SCALE CORR VARIANCE CORR.

/SUMMARY=TOTAL MEANS

Reliability Statistics

Cronbach's Alpha Based on Cronbach's Alpha Standardized Items N of Items

.938

.942

7

238

Item Statistics

Mean

Std. Deviation

N

Mes amis ressentiraient des émotions après avoir vu cette vidéo Mes amis accorderaient de l^attention à cette vidéo Mes amis auraient de

5.18

1.289

202

4.97

1.369

202

4.84

1.452

202

l'intérêt pour cette vidéo Cette vidéo susciterait des réactions auprès de mes amis Il est possible que mes amis veuillent échanger à leur tour cette vidéo Mes amis reparleraient de cette vidéo dans un avenir proche Mes amis auraient un 4.34 1.803 202 4.26 1.616 202 4.85 1.507 202 4.88 1.509 202

souvenir marquant de cette vidéo

239

Item-Total Statistics

Cronbach's Squared Multiple Correlation Alpha if Item Deleted

Mes amis ressentiraient des émotions après avoir vu cette vidéo Mes amis accorderaient de l^attention à cette vidéo Mes amis auraient de

.760

.927

.798

.924

.703

.929

l'intérêt pour cette vidéo Cette vidéo susciterait des réactions auprès de mes amis Il est possible que mes amis veuillent échanger à leur tour cette vidéo Mes amis reparleraient de cette vidéo dans un avenir proche Mes amis auraient un .647 .936 .702 .930 .649 .929 .711 .925

souvenir marquant de cette vidéo

240

RELIABILITY

/VARIABLES=eng1 eng2 eng3 eng4 eng5 /MODEL=ALPHA

/SCALE('ALL

VARIABLES') ALL

/STATISTICS=DESCRIPTIVE SCALE

CORR /SUMMARY=TOTAL MEANS VARIANCE CORR.

Reliability Statistics

Cronbach's Alpha Based on Cronbach's Alpha Standardized Items N of Items

.876

.876

5

241

Item Statistics

Mean

Std. Deviation

N

Mes interactions avec mes amis sur Facebook sont

4.79

1.571

202

fréquentes J'accorde de l'importance à mon activité sur Facebook Lorsque je consulte 3.46 1.681 202 4.53 1.673 202

Facebook, j'ai la sensation de faire partie d'un groupe Je me considère comme quelqu'un d'actif sur le réseau Facebook Je considère que la mise à jour de mon profil Facebook a de l'importance 4.08 1.847 202 4.48 1.848 202

242

Item-Total Statistics

Cronbach's Squared Multiple Correlation Alpha if Item Deleted

Mes interactions avec mes amis sur Facebook sont

.442

.864

fréquentes J'accorde de l'importance à mon activité sur Facebook Lorsque je consulte .364 .880 .650 .827

Facebook, j'ai la sensation de faire partie d'un groupe Je me considère comme quelqu'un d'actif sur le réseau Facebook Je considère que la mise à jour de mon profil Facebook a de l'importance .560 .842 .635 .831

243

RELIABILITY

/VARIABLES=Vid2VGC1 Vid2VGC2 Vid2VGC3 Vid2VGC4 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA

Vid2VGC5 Vid2VGC6

/STATISTICS=DESCRIPTIVE SCALE CORR VARIANCE CORR.

/SUMMARY=TOTAL MEANS

Reliability Statistics

Cronbach's Alpha Based on Cronbach's Alpha Standardized Items N of Items

.943

.943

6

244

Item Statistics

Mean

Std. Deviation

N

...aurait de la valeur pour mes amis ...aurait un intérêt collectif pour les membres de mon réseau ...serait bénéfique car

4.035

1.643

202

4.248

1.689

202

3.975

1.738

202

j'apprécie que mes amis partagent des vidéos du même type ...permettraient à mes amis de le partager à leur tour ...permetrait de créer une discussion avec plusieurs de mes amis ...serait apprécié car mes amis le font déjà 4.005 1.671 202 4.030 1.742 202 4.490 1.696 202

245

Item-Total Statistics

Cronbach's Squared Multiple Correlation Alpha if Item Deleted

...aurait de la valeur pour mes amis ...aurait un intérêt collectif pour les membres de mon réseau ...serait bénéfique car

.715

.933

.746

.930

.765

.929

j'apprécie que mes amis partagent des vidéos du même type ...permettraient à mes amis de le partager à leur tour ...permetrait de créer une discussion avec plusieurs de mes amis ...serait apprécié car mes amis le font déjà .733 .933 .706 .934 .628 .938

246

RELIABILITY

/VARIABLES=Vid2INT1 Vid2INT2 Vid2INT3 /MODEL=ALPHA

/SCALE('ALL

VARIABLES') ALL

/STATISTICS=DESCRIPTIVE SCALE

CORR /SUMMARY=TOTAL MEANS VARIANCE CORR.

Reliability Statistics

Cronbach's Alpha Based on Cronbach's Alpha Standardized Items N of Items

.959

.959

3

Item Statistics

Mean

Std. Deviation

N

Il y aurait de bonnes chances pour que je la partage via Facebook J'ai l'intention de partager cette vidéo sur mon profil Facebook Je vais certainement partager cette vidéo sur Facebook

3.94

2.082

202

3.40

2.045

202

3.27

2.130

202

247

Item-Total Statistics

Cronbach's Squared Multiple Correlation Alpha if Item Deleted

Il y aurait de bonnes chances pour que je la partage via Facebook J'ai l'intention de partager cette vidéo sur mon profil Facebook Je vais certainement partager cette vidéo sur Facebook

.757

.981

.945

.907

.929

.930

248

Annexe  III   Sorties  techniques  de  l’ACP  

FACTOR

/VARIABLES eng1 eng2 eng3 eng4 eng5 App1 App2 App3 App4

App5 App6 EfC1 EfC2 EfC3 EfC4 EfC5 EfC6 Vid4Rep1 Vid4Rep2 Vid4Rep3 Vid4Rep 4 Vid4Rep5 Vid4Rep6 Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5

Vid2Efi6 Vid2Efi7 Vid2VGC1 Vid2VGC2 Vid2VGC3 Vid2VGC4 Vid2VGC5 Vid2VGC6 Vid2INT1 Vid2INT2 Vid2INT3 /MISSING LISTWISE /ANALYSIS

eng1 eng2 eng3 eng4 eng5 App1 App2 App3 App4 App5 App6 EfC1 EfC2 EfC3 EfC4 EfC5 EfC6 Vid4Rep1 Vid4Rep2 Vid4Rep3 Vid4Rep4 Vid4Rep5

Vid4Rep6 Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5 Vid2Efi6 Vid2Efi7 Vid2VGC1 Vid2VGC2 Vid2VGC3 Vid2VGC4 Vid2VGC5 Vid2VGC6 Vid2INT1 Vid2INT2 Vid2INT3 EIGEN /CRITERIA /PRINT KMO ROTATION /FORMAT SORT /PLOT

/CRITERIA MINEIGEN(1) ITERATE(25) ITERATE(25)

/EXTRACTION PC VARIMAX

/ROTATION

/METHOD=CORRELATION. - - - - - - - - - - - - - - - - - - - - - - - - F A C T O R ANALYSIS ------------------------

249

 

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.918

7175.320 741 .000

   

250

 
a

Rotated Component Matrix

Component

1

2

3

4

5

6

7

Mes amis ressentiraient des émotions après avoir vu cette vidéo Mes amis accorderaient de l^attention à cette vidéo Cette vidéo susciterait des réactions auprès de mes amis Mes amis auraient de

.892

.185

.090

-.022

.084

-.048

.090

.880

.215

.103

.070

.019

-.047

.118

.845

.143

.041

.092

.094

.172

.061

.844

.168

.081

.085

.030

-.004

.097

l'intérêt pour cette vidéo Il est possible que mes amis veuillent échanger à leur tour cette vidéo Mes vidéo Mes amis reparleraient de cette vidéo dans un avenir proche .687 .222 -.003 .143 -.001 .378 .263 amis auraient un .708 .095 -.005 .067 .000 .294 .240 .818 .170 .050 .038 .014 .161 .088

souvenir marquant de cette

251

...permettraient à mes amis de le partager à leur tour ...aurait de la valeur pour mes amis ...ferait en sorte que mes ami(e)s me témoignent plus de considération ...ferait en sorte que mes ami(e)s m'accordent plus d'attention ...contribuerait à améliorer mes relations avec mes amis ...ferait en sorte que mes ami(e)s d'avantage ...donnera une bonne image de moi auprès de mes ami(e)s ...serait un bon moyen pour entretenir des relations positives avec mes amis Mes amis sauront que j'ai partagé du contenu Mes amis seront en mesure de le consulter quand ils le voudront m'apprécient

.626

.201

.130

.055

.098

.461

.245

.552

.412

.091

.058

.170

.492

.074

.162

.896

.008

.113

.104

.153

.081

.181

.871

.018

.086

.071

.059

.082

.196

.870

.034

.183

.038

.061

.087

.178

.859

-.010

.079

.166

.113

.125

.272

.850

.026

.058

.106

.110

-.034

.259

.817

.061

.137

.023

.181

.084

.052

.027

.805

.127

.060

.050

-.088

.010

.028

.793

.005

.066

.065

.144

252

Mes amis seront en mesure de consulter facilement le contenu que je partage Il sera facile pour moi de partager du contenu Mes amis pourront le

.106

-.035

.790

.163

.188

-.039

.122

.216

.044

.771

.101

.219

-.103

.108

-.015

.008

.759

.161

.070

.131

.072

facilement

retrouver

contenu partagé sur mon profil Certains leur tour de mes amis l'avoir .051 .064 .651 .283 .107 .084 -.070

partageront le contenu à après consulté J'accorde de l'importance à mon activité sur Facebook Je me considère comme quelqu'un d'actif sur le réseau Facebook Je considère que la mise à jour de mon profil Facebook a de l'importance Lorsque je consulte -.068 .186 .027 .724 .144 .235 -.033 .149 .140 .196 .747 .248 .058 .033 .115 .085 .195 .750 .290 .042 .141 .118 .166 .195 .792 .248 .052 .051

Facebook, j'ai la sensation de faire partie d'un groupe Mes interactions avec mes amis sur Facebook sont .153 .065 .356 .639 .206 -.178 .114

fréquentes

253

J'apprécie le fait d'utiliser Facebook pour partager du contenu J'aime le simple fait de

.025

-.036

.276

.516

.403

.020

.270

.060

.116

.120

.258

.770

-.085

.188

partager des contenus sur Facebook J^aime divertir mes amis en partageant du contenu avec eux sur Facebook J'aime amis en susciter partageant des du .142 .110 .174 .393 .659 .129 -.077 .082 .010 .313 .187 .744 .035 .090

sentiments positifs chez mes contenu sur Facebook J^aime me rendre utile .000 .220 .173 .309 .658 .143 -.034

auprès de mes amis en partageant du contenu sur Facebook Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook ...permetrait de créer une discussion avec plusieurs de mes amis ...serait apprécié car mes amis le font déjà ...aurait un intérêt collectif pour les membres de mon réseau .512 .341 .071 .105 .131 .569 .177 .469 .270 .136 .133 .122 .613 .257 .461 .290 .037 .168 .097 .639 .221 .038 .182 .020 .453 .612 .221 -.049

254

...serait

bénéfique

car

.491

.407

.113

.101

.122

.551

.236

j'apprécie que mes amis partagent des vidéos du même type Je vais certainement .380 .136 .089 .112 .049 .174 .842

partager cette vidéo sur Facebook J'ai l'intention de partager cette vidéo sur mon profil Facebook Il y aurait pour de que bonnes je la .532 .217 .165 .101 .110 .235 .658 .406 .161 .122 .107 .072 .181 .826

chances

partage via Facebook Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 8 iterations.

255

Annexe  IV   Sorties  techniques  de  l’ACP  confirmatoire  

FACTOR

/VARIABLES Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5

Vid2VGC2 Vid2VGC3 Vid2VGC5 Vid2VGC6 eng1 eng2 eng3 eng4 eng5 App1 App2 App 3 App4 App5 EfC1 EfC2 EfC3 EfC4 EfC5 EfC6 Vid4Rep1

Vid4Rep2 Vid4Rep3 Vid4Rep4 Vid4Rep5 Vid4Rep6 Vid2INT1 Vid2INT2 Vid2INT3 /MISSING LISTWISE /ANALYSIS Vid2Efi1 Vid2Efi2 Vid2Efi3

Vid2Efi4 Vid2Efi5 Vid2VGC2 Vid2VGC3 Vid2VGC5 Vid2VGC6 eng1 eng2 eng3 eng4 eng5 App1 App2 App3 App4 App5 EfC1 EfC2 EfC3 EfC4 EfC5 EfC6

Vid4Rep1 Vid4Rep2 Vid4Rep3 Vid4Rep4 Vid4Rep5 Vid4Rep6 Vid2INT1 Vid2INT2 Vid2INT3 SORT /PLOT /PRINT CORRELATION KMO ROTATION EIGEN /CRITERIA MINEIGEN(1) /FORMAT

ITERATE(25)

/EXTRACTION PC

/CRITERIA ITERATE(25)

/ROTATION VARIMAX

/METHOD=CORRELATION.

256

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.907

6033.164 561 .000

257

Rotated Component Matrix

a

Component

1 [REP3] .903

2 .125

3 .011

4 .114

5 .115

6 .106

7 .124

[REP2]

.879

.153

.020

.085

.074

.092

.038

[REP5]

.870

.176

.034

.185

.044

.097

.062

[REP1]

.870

.140

-.006

.071

.175

.141

.077

[REP4]

.858

.248

.027

.060

.111

-.004

.096

[REP6]

.822

.235

.062

.132

.028

.106

.194

[EfI1]

.197

.883

.082

-.007

.072

.163

-.008

[EfI2]

.226

.869

.098

.074

.015

.176

.023

[EfI3]

.176

.838

.076

.087

.022

.153

.070

[EfI4]

.160

.827

.040

.085

.096

.133

.242

[EfI5]

.185

.792

.043

.052

.016

.177

.189

[EfC2]

.032

.052

.810

.112

.071

-.080

.051

258

[EfC3]

.022

.009

.792

.002

.055

.145

.065

[EfC1]

-.034

.099

.788

.164

.192

.145

-.071

[EfC4]

.045

.215

.769

.100

.214

.130

-.125

[EfC5]

.004

-.024

.767

.138

.075

.066

.162

[EfC6]

.071

.050

.654

.273

.117

-.053

.063

[ENG2]

.169

.097

.197

.788

.269

.074

.042

[ENG4]

.081

.092

.193

.760

.304

.181

.020

[ENG5]

.142

.130

.200

.741

.270

.056

.068

[ENG3]

.186

-.098

.040

.694

.190

-.032

.282

[ENG1]

.053

.158

.347

.663

.205

.133

-.188

[APP1]

.124

.053

.122

.239

.761

.193

-.156

[APP2]

.008

.080

.313

.176

.743

.126

-.009

[APP3]

.219

-.019

.183

.278

.684

-.015

.149

[APP5]

.103

.141

.182

.361

.681

-.056

.177

[APP4]

.171

.024

.031

.420

.644

-.034

.278

[INT3]

.144

.295

.087

.109

.050

.883

.142

[INT2]

.170

.324

.121

.100

.071

.865

.155

259

[INT1]

.229

.459

.163

.098

.110

.720

.215

[VGC5]

.317

.396

.044

.145

.111

.303

.648

[VGC6]

.290

.413

.140

.116

.130

.342

.626

[VGC2]

.365

.456

.068

.113

.128

.287

.524

[VGC3]

.431

.436

.114

.091

.121

.323

.522

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 7 iterations.

260

Annexe  V   Sorties  techniques  des  statistiques  descriptives  

[DataSet1]

C:\Documents

and

Settings\omermet\Desktop\DATAS

MÉMOIRE\dataset final.sav

261

Descriptive Statistics

N

Minimum

Maximum

Mean

Std. Deviation

Centralité Centralité 2 MAPP MEFC MENG MREP1 MEFI1 MVGC1 MINT1 MREP2 MEFI2 MVGC2 MINT2 APP EFC ENG

202 202 202 202 202 202 202 202 202 202 202 202 202 202 202 202

0 1 .80 .00 1.00 1.00 .00 .00 .00 1.00 1.00 1.00 .67 4.00 .00 5.00

7 5 7.00 5.83 7.00 7.00 7.00 7.00 7.00 7.00 7.00 7.00 7.00 35.00 35.00 35.00

3.26 2.37 4.7634 4.4711 4.2673 2.5866 4.0693 3.1906 2.5116 3.0858 4.9416 4.0644 3.5347 23.8168 26.8267 21.3366

1.240 1.024 1.31204 .98755 1.41218 1.30253 1.28966 1.44989 1.76919 1.47760 1.27273 1.54660 2.00556 6.56018 5.92530 7.06090

262

SREPT SEFIT SVGCT SINTT Valid N (listwise)

202 202 202 202 202

12.00 12.00 7.00 5.00

84.00 70.00 56.00 42.00

34.0347 45.0545 29.0198 18.1386

15.49559 10.71856 10.31106 9.61449

 

263

Annexe  VI   Sorties   techniques   et   analyse   des   résidus   de   la   régression   1   et   de   son  test  de  normalité  
REGRESSION /MISSING MEANSUB /STATISTICS COEFF OUTS R /NOORIGIN

ANOVA COLLIN TOL /DEPENDENT MINT1

/CRITERIA=PIN(.05) POUT(.10)

/METHOD=ENTER v_193 v_233 MAPP MEFC MENG

MREP1 MEFI1 MVGC1 /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS HIST(ZRESID) NORM(ZRESID) /SAVE ZRESID. /CASEWISE PLOT(ZRESID) OUTLIERS(2)

Variables Entered/Removed

Variables Model Entered

Variables Removed Method

1

MVGC1, Centralité 2 MEFC, , MAPP, ,

. Enter

Centralité MENG
a

MREP1, MEFI1,

a. All requested variables entered.

 

264

Model Summary

b

Adjusted R Model R
a

Std. Error of the Estimate

R Square

Square

1

.675

.456

.433

1.33204 , MEFC, MAPP,

a. Predictors: (Constant), MVGC1, Centralité 2 Centralité , MREP1, MEFI1, MENG b. Dependent Variable: MINT1

ANOVA

b

Model

Sum of Squares

df

Mean Square

F

Sig.
a

1

Regression

286.696

8

35.837

20.198

.000

Residual

342.444

193

1.774

Total

629.140

201

a. Predictors: (Constant), MVGC1, Centralité 2 MENG b. Dependent Variable: MINT1

, MEFC, MAPP, Centralité , MREP1, MEFI1,

265

Coefficients

a

Standardized Unstandardized Coefficients Model Coefficients

B

Std. Error

Beta

t

Sig.

1

(Constant)

-.123

.562

-.218

.827

Centralité

-.155

.091

-.109

-1.698

.091

Centralité 2

.110

.116

.064

.953

.342

MAPP

-.044

.102

-.033

-.435

.664

MEFC

-.101

.107

-.057

-.948

.344

MENG

.076

.102

.061

.746

.456

MREP1

.053

.102

.039

.525

.600

MEFI1

.322

.111

.235

2.891

.004

MVGC1 a. Dependent Variable: MINT1

.554

.113

.454

4.902

.000

266

Coefficients

a

Collinearity Statistics Model

Tolerance

VIF

1

Centralité

.687

1.456

Centralité 2

.627

1.594

MAPP

.495

2.019

MEFC

.793

1.261

MENG

.425

2.353

MREP1

.502

1.993

MEFI1

.427

2.341

MVGC1 a. Dependent Variable: MINT1

.328

3.047

267

268

269

Tests of Normality

Kolmogorov-Smirnov

a

Shapiro-Wilk

Statistic

df

Sig.

Statistic

df

Sig.

Standardized Residual a. Lilliefors Significance Correction

.082

202

.002

.962

202

.000

270

Annexe  VII   Sorties  techniques  et  analyse  des  résidus  de  la  régression  2    
REGRESSION /MISSING MEANSUB /STATISTICS COEFF OUTS R /NOORIGIN

ANOVA COLLIN TOL /DEPENDENT MINT2

/CRITERIA=PIN(.05) POUT(.10)

/METHOD=ENTER v_193 v_233 MAPP MEFC MENG

MREP2 MEFI2 MVGC2 /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS HIST(ZRESID) NORM(ZRESID) /SAVE ZRESID. /CASEWISE PLOT(ZRESID) OUTLIERS(2)

Variables Entered/Removed

Variables Model Entered

Variables Removed Method

1

MVGC2, Centralité MEFC, , MAPP, ,

. Enter

Centralité 2 MENG
a

MREP2, MEFI2,

a. All requested variables entered.

271

Model Summary

b

Adjusted R Model R
a

Std. Error of the Estimate

R Square

Square

1

.710

.504

.484

1.44124

a. Predictors: (Constant), MVGC2, Centralité , MEFC, MAPP, Centralité 2 , MREP2, MEFI2, MENG b. Dependent Variable: MINT2

ANOVA

b

Model

Sum of Squares

df

Mean Square

F

Sig.
a

1

Regression

407.588

8

50.948

24.528

.000

Residual

400.892

193

2.077

Total

808.480

201

a. Predictors: (Constant), MVGC2, Centralité , MEFC, MAPP, Centralité 2 MENG b. Dependent Variable: MINT2

, MREP2, MEFI2,

Coefficients

a

272

Standardized Unstandardized Coefficients Model Coefficients

B

Std. Error

Beta

t

Sig.

1

(Constant)

-1.937

.639

-3.032

.003

Centralité

-.120

.099

-.074

-1.211

.227

Centralité 2

.202

.127

.103

1.593

.113

MAPP

-.023

.110

-.015

-.206

.837

MEFC

.204

.116

.100

1.749

.082

MENG

.032

.113

.023

.285

.776

MREP2

-.024

.089

-.018

-.269

.788

MEFI2

.418

.108

.266

3.871

.000

MVGC2 a. Dependent Variable: MINT2

.603

.102

.465

5.913

.000

Coefficients

a

Collinearity Statistics Model

Tolerance

VIF

1

Centralité

.687

1.455

Centralité 2

.615

1.627

273

MAPP

.501

1.998

MEFC

.782

1.279

MENG

.409

2.448

MREP2

.600

1.668

MEFI2

.546

1.831

MVGC2 a. Dependent Variable: MINT2

.415

2.409

274

275

Tests of Normality

Kolmogorov-Smirnov

a

Shapiro-Wilk

Statistic

df

Sig.
*

Statistic

df

Sig.

Standardized Residual a. Lilliefors Significance Correction

.031

202

.200

.995

202

.737

*. This is a lower bound of the true significance.

276

Annexe  VIII   Sorties  techniques  et  analyse  des  résidus  de  la  régression  3  
COMPUTE MAPPT=(REP1 + REP2). EXECUTE. COMPUTE SEFIT=(EFI2 + EFI1). EXECUTE. COMPUTE SVGCT=(VGC1 + VGC2). EXECUTE. /MISSING

COMPUTE SINTT=(INT1 + INT2). EXECUTE. REGRESSION MEANSUB

/STATISTICS COEFF OUTS R ANOVA COLLIN TOL /NOORIGIN /DEPENDENT SINTT

/CRITERIA=PIN(.05) POUT(.10)

/METHOD=ENTER v_193 v_233 APP EFC ENG SREPT SEFIT SVGCT /SCATTERPLOT=(*ZRESID NORM(ZRESID) ZRESID. ,*ZPRED) /RESIDUALS HIST(ZRESID) /SAVE

/CASEWISE PLOT(ZRESID) OUTLIERS(2)

Variables Entered/Removed

Variables Model Entered

Variables Removed Method

1

SVGCT, Centralité EFC, SREPT, ENG
a

. Enter , APP, , SEFIT,

Centralité 2

277

Variables Entered/Removed

Variables Model Entered

Variables Removed Method

1

SVGCT, Centralité EFC, SREPT, ENG
a

. Enter , APP, , SEFIT,

Centralité 2

a. All requested variables entered.

Model Summary

b

Adjusted R Model R
a

Std. Error of the Estimate

R Square

Square

1

.694

.482

.460

7.06323

a. Predictors: (Constant), SVGCT, Centralité , EFC, APP, Centralité 2 , SREPT, SEFIT, ENG b. Dependent Variable: SINTT

ANOVA

b

Model

Sum of Squares

df

Mean Square

F

Sig.

278

1

Regression

8951.494

8

1118.937

22.428

.000

a

Residual

9628.625

193

49.889

Total

18580.119

201

a. Predictors: (Constant), SVGCT, Centralité , EFC, APP, Centralité 2 , SREPT, SEFIT, ENG b. Dependent Variable: SINTT

Coefficients

a

Standardized Unstandardized Coefficients Model Coefficients

B

Std. Error

Beta

t

Sig.

1

(Constant)

-5.825

3.202

-1.819

.070

Centralité

-.818

.485

-.106

-1.689

.093

Centralité 2

.892

.618

.095

1.443

.151

APP

-.034

.108

-.023

-.314

.754

EFC

.049

.095

.030

.520

.603

ENG

.077

.109

.057

.708

.480

SREPT

-.022

.045

-.035

-.484

.629

279

SEFIT

.220

.070

.246

3.150

.002

SVGCT a. Dependent Variable: SINTT

.454

.085

.487

5.367

.000

Coefficients

a

Collinearity Statistics Model

Tolerance

VIF

1

Centralité

.687

1.455

Centralité 2

.619

1.614

APP

.494

2.023

EFC

.783

1.277

ENG

.417

2.398

SREPT

.508

1.970

SEFIT

.441

2.265

SVGCT a. Dependent Variable: SINTT

.327

3.061

 

280

281

282

Tests of Normality

Kolmogorov-Smirnov

a

Shapiro-Wilk

Statistic

df

Sig.

Statistic

df

Sig.

Standardized Residual a. Lilliefors Significance Correction

.059

202

.084

.979

202

.004

283

Annexe  IX   Approbation  du  comité  d’éthique    

284

Sign up to vote on this title
UsefulNot useful