Upload
olivier-mermet-grandfille
View
1.798
Download
1
Embed Size (px)
Citation preview
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
iii
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.
iv
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, Marie-
Christine, 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.
v
vi
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
vii
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
viii
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
ix
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
x
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
xi
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
xii
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
xiii
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
xiv
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
xv
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 1ère 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 1ère régression ................................................................................................... 120
xvi
Tableau 27 : tests de normalité des résidus de la 1ère régression............................................................ 121
Tableau 28 : R2 et p-value de la 2nde régression...................................................................................... 125
Tableau 29 : p-value cote t et VIF de la 2nde régression ........................................................................... 126
Tableau 30 : Classement des effets pour la 2nde régression .................................................................... 130
Tableau 31 : VIF pour la 2nde régression ................................................................................................. 130
Tableau 32 : tests de normalité des résidus de la 2nde régression .......................................................... 131
Tableau 33 : R2 et p-value de la 3ème régression ..................................................................................... 134
Tableau 34 : p-value cote t et VIF de la 3ème régression ......................................................................... 136
Tableau 35 : Classement des effets pour la première régression ............................................................ 139
Tableau 36 : VIF pour la 3ème régression.................................................................................................. 140
Tableau 37 : tests de normalité des résidus de la 3ème 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
1
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/publicis-groupe-first-quarter-2010-revenue---back-to-growth-91790689.html 2 Source : Emarketer : http://www.emarketer.com/Reports/All/Emarketer_2000615.aspx
2
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
3
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 http://www.facebook.com/press 4 http://www.allfacebook.com/report-facebook-now-worth-35-billion-2010-03
4
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 plate-
forme favorite des spécialistes du marketing viral. À titre d’exemple, près de
5
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-à-
oreille traditionnel serait plutôt une recommandation qui se transmettrait d’une
5 http://www.allfacebook.com/huffington-post-thanks-facebook-for-massive-growth-2009-10
6
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
7
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 Archive du site Canneslions.com 7 Source : Adweek et emarketer : http://www.adweek.com/aw/content_display/news/digital/e3i2a62321a15dd65d8a686bcb4cb2e52c8
8
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/
9
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
10
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
11
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/
12
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.
13
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 ».
14
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),
15
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.
16
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
17
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.
18
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 ?
19
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 ?
20
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
21
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.
22
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-à-
oreille comme n’étant ni plus ni moins qu’une conversation informelle, à propos
23
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).
24
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 ; Hennig-
Thurau 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
25
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
26
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)
27
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)
28
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).
29
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).
30
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
31
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
32
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
33
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)
34
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
35
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
36
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
37
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).
38
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).
39
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, high-
tech, 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 Wikiopole11.
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 sous-
groupes d’individus. (Granovetter 1973 ; Webster et Morrison 2004).
11 http://labs.wikio.net/wikiopole/
40
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.
41
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).
42
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).
43
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
44
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 perdrait-
il 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.
45
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 « auto-
organisé » 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).
46
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
47
(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
48
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
49
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,
50
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
51
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
52
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.
53
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
54
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
55
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.
56
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
57
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.
58
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.
59
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.
60
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.
61
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.
62
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
63
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).
64
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).
65
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
66
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
67
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
68
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
69
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.
70
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.
71
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.
72
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.
73
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.
74
Tableau 1 : Récapitulatif des hypothèses
Hypothèse Énoncé
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.
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.
H3
Le niveau de satisfaction générale retiré par un individu lorsqu’il partage un
contenu à caractère publicitaire sur Facebook, a une influence positive sur son
intention de partager un contenu.
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.
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.
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.
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.
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.
75
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.
76
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.
77
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 Unipark.de 14 Youtube.com
78
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
79
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 plate-
forme 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
80
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 plate-
forme 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 ».
81
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 « éco-
système » 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.
82
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.
83
Tableau 2 : Mesure du construit "Réputation" [REP]
Variable Question Source
Réputation Partager cette vidéo via Facebook…
[REP1] ...ferait en sorte que mes ami(e)s m'apprécient davantage. Wasko et Faraj (2005)
[REP2] ...ferait en sorte que mes ami(e)s m'accordent plus d'attention. Wasko et Faraj (2005)
[REP3] ...ferait en sorte que mes ami(e)s me témoignent plus de considération. Huang et al. (2008)
[REP4] … donnerait une bonne image de moi auprès de mes ami(e)s. Wasko et Faraj (2005)
[REP5] ...contribuerait à améliorer mes relations avec mes amis. Huang et al. (2008)
[REP6] ...serait un bon moyen pour entretenir des relations positives avec mes ami. 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 ci-
dessous retranscrivent l’idée que l’utilisation en soi de Facebook est une
84
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 ?
[APP1] J'aime le simple fait de partager des contenus sur Facebook. Wasko et Faraj (2005)
[APP2] J’aime divertir mes amis en partageant du contenu avec eux sur Facebook. Wasko et Faraj (2005)
[APP3] J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook. Wasko et Faraj (2005)
[APP4] Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook. Wasko et Faraj (2005)
[APP5] J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook.
Wasko et Faraj (2005)
[APP6] J'apprécie le fait d'utiliser Facebook pour partager du contenu. 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.
85
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.
86
Tableau 4 : Mesure du construit "Centralité" [CENT]
Variable Question Source
Centralité Veuillez répondre aux questions suivantes
[centralité] Combien d'amis avez-vous sur Facebook ? Wasko et Faraj (2005)
[centralité 2] Avec combien d'amis approximativement entretenez-vous régulièrement des contacts sur Facebook ?
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
87
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
À quel point êtes-vous d’accord avec les énoncés suivants ?
[EfC1] Mes amis seront en mesure de consulter facilement le contenu que je partage. Kalman et al. (2002)
[EfC2] Mes amis sauront que j'ai partagé du contenu. Kalman et al. (2002)
[EfC3] Mes amis seront en mesure de le consulter quand ils le voudront. Kalman et al. (2002)
[EfC4] Il sera facile pour moi de partager du contenu. Kalman et al. (2002)
[EfC5] Mes amis pourront facilement retrouver le contenu partagé sur mon profil. Kalman et al. (2002)
[EfC6] Certains de mes amis partageront le contenu à leur tour après l'avoir consulté. 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 contenu faisant l’objet du partage/non
partage.
88
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
Après avoir visionné la vidéo, à quel point êtes-vous d’accord avec les énoncés suivants ?
[EfI1] Mes amis ressentiraient des émotions après avoir vu cette vidéo.
Kalman et al. (2002)
[EfI2] Mes amis accorderaient de l’attention à cette vidéo. Kalman et al. (2002)
[EfI3] Mes amis auraient de l'intérêt pour cette vidéo. Kalman et al. (2002)
[EfI4] Cette vidéo susciterait des réactions auprès de mes amis.
Kalman et al. (2002)
[EfI5] Il est possible que mes amis veuillent échanger à leur tour cette vidéo.
Kalman et al. (2002)
[EfI6] Mes amis reparleraient de cette vidéo dans un avenir proche.
Kalman et al. (2002)
[EfI7] Mes amis auraient un souvenir marquant de cette vidéo.
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.
89
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 ?
[ENG1] Mes interactions avec mes amis sur Facebook sont fréquentes. Wasko et Faraj (2005)
[ENG2] J'accorde de l'importance à mon activité sur Facebook. Wasko et Faraj (2005)
[ENG3] Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe. Wasko et Faraj (2005)
[ENG4] Je me considère comme quelqu'un d'actif sur le réseau Facebook. Wasko et Faraj (2005)
[ENG5] Je considère que la mise à jour de mon profil Facebook a de l'importance. 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
90
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 collectif
Partager cette vidéo sur Facebook…
[VGC1] ...aurait de la valeur pour mes amis. Kalman et al. (2002) ; Wasko et Faraj (2005)
[VGC2] ...aurait un intérêt collectif pour mes amis. Kalman et al. (2002) ; Wasko et Faraj (2005)
[VGC3] ...serait bénéfique car j'apprécie que mes amis partagent des vidéos du même type.
Kalman et al. (2002) ; Wasko et Faraj (2005)
[VGC4] ...permettrait à mes amis de la partager à leur tour.
Kalman et al. (2002) ; Wasko et Faraj (2005)
[VGC5] ...permetrait de créer une discussion avec plusieurs de mes amis.
Kalman et al. (2002) ; Wasko et Faraj (2005)
[VGC6] ...serait apprécié car plusieurs de mes amis le font déjà.
Kalman et al. (2002) ; Wasko et Faraj (2005)
91
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 :
[INT1] Il y aurait de bonnes chances pour que je la partage via Facebook. Davis (1989)
[INT2] J'ai l'intention de partager cette vidéo sur mon profil Facebook. Davis (1989)
[INT3] Je vais certainement partager cette vidéo sur Facebook. Davis (1989)
92
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
93
(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.
94
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.
95
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.
96
Tableau 10 : Statistiques socio-démographiques et usage de Facebook
Variable Item Pourcentage Fréquence
Homme 55,9 113 Sexe
Femme 44,1 87
14-17 0,5 1
18-25 47 95
26-30 19,8 40
31-35 14,4 29
36-40 7,9 16
41-50 5,9 12
Âge
+50 4 8
Secondaire 1 2
Lycée / Cégep 7,9 16
1er Cycle (Baccalauréat) 37,6 76
2nd Cycle (Maitrise) 41,6 84
Niveau de scolarité
3ème Cycle (Doctorat) 10,9 22
Moins de 1h 11,4 23
Entre 1h et 4h 41,1 83
Entre 5h et 10h 23,3 47
Plus de 10h 15,3 31
Usage de Facebook hebdomadaire
Plus de 20h 8,4 17
97
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).
98
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.
99
Tableau 11 : Alpha de Cronbach par construit
Item N Moyenne Écart-type Correlation de Pearson
Alpha si Extraction
Appréciation : Alpha de Chronbach = 0.866
[APP 1] 202 4.88 1.588 .693 .838
[APP 2] 202 5.17 1.500 .655 .845
[APP 3] 202 4.76 1.694 .664 .843
[APP 4] 202 4.19 1.770 .684 .840
[APP 5] 202 4.82 1.633 .715 .834
[APP 6] 202 5.16 1.585 .568 .860
Réputation: Alpha de Chronbach = 0.957
[REP 1] 202 3.07 1.611 .863 .948
[REP 2] 202 2.94 1.568 .854 .950
[REP 3] 202 3.00 1.579 .906 .944
[REP 4] 202 3.48 1.711 .855 .950
[REP 5] 202 2.90 1.608 .872 .947
[REP 6] 202 3.13 1.697 .838 .951
Efficacité connective: Alpha de Chronbach = 0.876
[EFC 1] 202 5.69 1.268 .753 .846
[EFC 2] 202 5.27 1.389 .714 .850
[EFC 3] 202 5.17 1.585 .670 .858
[EFC 4] 202 5.65 1.431 .721 .849
[EFC 5] 202 5.04 1.577 .680 .856
[EFC 6] 202 5.10 1.594 .582 .873
100
Tableau 12 : Alpha de Cronbach par Construit (suite)
Item N Moyenne Écart-type Correlation de Pearson
Alpha si Extraction
Efficacité informative: Alpha de Chronbach = 0.938
[EFI 1] 202 5.18 1.289 .831 .927
[EFI 2] 202 4.97 1.369 .854 .924
[EFI 3] 202 4.84 1.452 .797 .929
[EFI 4] 202 4.88 1.509 .832 .925
[EFI 5] 202 4.85 1.507 .791 .929
[EFI 6] 202 4.26 1.616 .787 .930
[EFI 7] 202 4.34 1.803 .745 .936
Engagement : Alpha de Chronbach = 0.876
[ENG 1] 202 4.79 1.571 .645 .864
[ENG 2] 202 4.53 1.673 .802 .827
[ENG 3] 202 3.46 1.681 .574 .880
[ENG 4] 202 4.48 1.848 .781 .831
[ENG 5] 202 4.08 1.847 .739 .842
Valeur du gain collectif : Alpha de Chronbach= 0.943
[VGC 1] 202 4.035 1.643 .824 .933
[VGC 2] 202 4.248 1.689 .852 .930
[VGC 3] 202 3.975 1.738 .863 .929
[VGC 4] 202 4.490 1.696 .786 .938
[VGC 5] 202 4.030 1.742 .816 .934
[VGC 6] 202 4.005 1.671 .829 .933
101
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 202
Nombre de construits à étudier 7
Total de la variance expliquée 74,87%
KMO .918
Nombre de facteurs extraits 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.
102
Tableau 14 : Matrice après rotation de la première ACP
Items Facteurs
EFI REP EFC ENG APP VGC INT
[EfI1] .892 .185 .090 -.022 .084 -.048 .090
[EfI2] .880 .215 .103 .070 .019 -.047 .118
[EfI4] .845 .143 .041 .092 .094 .172 .061
[EfI3] .844 .168 .081 .085 .030 -.004 .097
[EfI5] .818 .170 .050 .038 .014 .161 .088
[EfI7] .708 .095 -.005 .067 .000 .294 .240
[EfI6] .687 .222 -.003 .143 -.001 .378 .263
[VGC4] .626 .201 .130 .055 .098 .461 .245
[VGC1] .552 .412 .091 .058 .170 .492 .074
[REP3] .162 .896 .008 .113 .104 .153 .081
[REP2] .181 .871 .018 .086 .071 .059 .082
[REP5] .196 .870 .034 .183 .038 .061 .087
[REP1] .178 .859 -.010 .079 .166 .113 .125
[REP4] .272 .850 .026 .058 .106 .110 -.034
[REP6] .259 .817 .061 .137 .023 .181 .084
[EfC2] .052 .027 .805 .127 .060 .050 -.088
[EfC3] .010 .028 .793 .005 .066 .065 .144
[EfC1] .106 -.035 .790 .163 .188 -.039 .122
[EfC4] .216 .044 .771 .101 .219 -.103 .108
[EfC5] -.015 .008 .759 .161 .070 .131 .072
[EfC6] .051 .064 .651 .283 .107 .084 -.070
103
Tableau 15 : Matrice après rotation de la première ACP (suite)
Items Facteurs
EFI REP EFC ENG APP VGC INT
[ENG2] .118 .166 .195 .792 .248 .052 .051
[ENG4] .115 .085 .195 .750 .290 .042 .141
[ENG5] .149 .140 .196 .747 .248 .058 .033
[ENG3] -.068 .186 .027 .724 .144 .235 -.033
[ENG1] .153 .065 .356 .639 .206 -.178 .114
[APP6] .025 -.036 .276 .516 .403 .020 .270
[APP1] .060 .116 .120 .258 .770 -.085 .188
[APP2] .082 .010 .313 .187 .744 .035 .090
[APP5] .142 .110 .174 .393 .659 .129 -.077
[APP3] .000 .220 .173 .309 .658 .143 -.034
[APP4] .038 .182 .020 .453 .612 .221 -.049
[VGC5] .461 .290 .037 .168 .097 .639 .221
[VGC6] .469 .270 .136 .133 .122 .613 .257
[VGC2] .512 .341 .071 .105 .131 .569 .177
[VGC3] .491 .407 .113 .101 .122 .551 .236
[INT3] .380 .136 .089 .112 .049 .174 .842
[INT2] .406 .161 .122 .107 .072 .181 .826
[INT1] .532 .217 .165 .101 .110 .235 .658
104
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.
105
Tableau 16 : Résultats de la seconde APC
Seconde analyse en composantes principales (VGC – EFI)
N 202
Nombre de construits à étudier 2
Total de la variance expliquée 81,046%
KMO .914
Nombre de facteurs extraits 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 VGC
[EfI2] .887 .281
[EfI1] .873 .276
[EfI3] .852 .271
[EfI4] .787 .416
[EfI5] .762 .384
[VGC5] .274 .865
[VGC6] .302 .860
[VGC3] .344 .841
[VGC2] .345 .821
106
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 202
Nombre de construits à étudier 7
Total de la variance expliquée 76,216%
KMO .907
Nombre de facteurs extraits 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.
107
Tableau 19 : Matrice après rotation de l’ACP confirmatoire
Items Facteurs
REP EFI EFC ENG APP INT VGC
[REP3] .903 .125 .011 .114 .115 .106 .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
[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
108
Tableau 20 : Matrice après rotation de l’ACP confirmatoire (suite)
Items Facteurs
REP EFI EFC ENG APP INT VGC
[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
[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
109
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 :
110
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 Régression vidéo 2 Régression totale
Index des variables permanentes
MAPP
MEFC
Centralité 1
Centralité 2
MAPP
MEFC
Centralité 1
Centralité 2
APP
EFC
Centralité 1
Centralité 2
Index des variables contextualisées
MREP1
MEFI1
MVGC1
MREP2
MEFI2
MVGC2
SREPT
SEFIT
SVGCT
Index de la variable Dépendante MINT1 MINT2 INTT
Enfin, le tableau 22 présente les statistiques descriptives par index de construit.
111
Tableau 22 : Statistiques descriptives par index
Variable N Moyenne Écart-type
Variables permanentes
Appréciation - Moyenne 202 4,76 1,02
Efficacité connective - Moyenne 200 4,47 1,31
Centralité (Nombre d’amis) 202 3,26 1,24
Centralité 2 (Nombre d’interactions) 202 2,37 1,02
Engagement - Moyenne 202 4,26 1,41
Variables contextualisées de la vidéo 1
Réputation 1 - Moyenne 202 2.59 1.30
Efficacité informative 1 - Moyenne 201 4.07 1.29
Valeur du gain collectif 1 - Moyenne 201 3.19 1.45
Intention de partager la 1ère vidéo - Moyenne 201 2.51 1.77
Variables contextualisées de la vidéo 2
Réputation 2 – Moyenne 202 3.08 1.48
Efficacité informative 2 – Moyenne 202 4.94 1.27
Valeur du gain collectif 2 – Moyenne 202 4.06 1.55
Intention de partager la 2nde vidéo - Moyenne 202 3.53 2.00
Somme des variables des deux vidéos
Appréciation 202 23.82 6.56
Efficacité connective 202 26.83 5.92
Engagement 202 21.34 7.06
Réputation – (Somme des moyennes) 202 34.03 15.50
Efficacité informative - (Somme des moyennes) 202 45.05 10.71
Valeur du gain collectif - (Somme des moyennes) 202 29.02 10.31
Intention de partager -(Somme des moyennes) 202 18.14 9.61
112
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
113
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
114
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 R2 Ajusté p-value de l’ANOVA
0,456 0,433 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
115
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 p-value Cote t VIF
Centralité .091 -1.698 1.456
Centralité 2 .342 .953 1.594
APP .664 -.435 2.019
EFC .344 -.948 1.261
ENG .456 .746 2.353
REP1 .600 .525 1.993
EFI1 .004 2.891 2.341
VGC1 .000 4.902 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.
116
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.
117
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.
118
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.
119
Tableau 25 : Classement des effets pour la première régression
Rangement des effets
Position Variable Cote-t
1 Valeur du Gain Collectif 4.902
2 Efficacité Informative 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.
120
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 VIF
Centralité 1.456
Centralité 2 1.594
APP 2.019
EFC 1.261
ENG 2.353
REP1 1.993
EFI1 2.341
VGC1 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).
121
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 Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
.082 202 .002 .962 202 .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.
122
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
123
Figure 10
124
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
125
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 R2 Ajusté p-value de l’ANOVA
0,504 0,484 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
126
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 p-value Cote t VIF
Centralité .227 -1.211 1.455
Centralité 2 .113 1.593 1.627
APP .837 -.206 1.998
EFC .082 1.749 1.279
ENG .776 .285 2.448
REP2 .788 -.269 1.668
EFI2 .000 3.871 1.831
VGC2 .000 5.913 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.
127
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.
128
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.
129
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.
130
Tableau 30 : Classement des effets pour la 2nde régression
Rangement des effets
Position Variable Cote-t
1 Valeur du Gain Collectif 5.913
2 Efficacité Informative 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 VIF
Centralité 1.455
Centralité 2 1.627
APP 1.998
EFC 1.279
ENG 2.448
REP1 1.668
EFI1 1.831
VGC1 2.409
131
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 Shapiro-Wilk
Statistic df Sig. 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.
132
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
133
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.
134
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 R2 Ajusté p-value de l’ANOVA
0,482 0,460 0,000
135
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
136
Tableau 34 : p-value cote t et VIF de la 3ème régression
Variable p-value Cote t VIF
Centralité .093 -1.689 1.455
Centralité 2 .151 1.443 1.614
APP .754 -.314 2.023
EFC .603 .520 1.277
ENG .480 .708 2.398
REPT .629 -.484 1.970
EFIT .002 3.150 2.265
VGCT .000 5.367 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.
137
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.
138
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
139
« 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 Variable Cote-t
1 Valeur du Gain Collectif 5.367
2 Efficacité Informative 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.
140
Tableau 36 : VIF pour la 3ème régression
Variable VIF
Centralité 1.455
Centralité 2 1.614
APP 2.023
EFC 1.277
ENG 2.398
REP1 1.970
EFI1 2.265
VGC1 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.
141
Tableau 37 : tests de normalité des résidus de la 3ème régression
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic 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).
142
Figure 13
143
Figure 14
144
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
145
Tableau 38 : récapitulatif de la validation des hypothèses
Hypothèse Validation p-value Cote-t
1 Non mesuré Non mesuré Non mesuré
2 Non mesuré Non mesuré Non mesuré H1 T Non mesuré Non mesuré Non mesuré
1 Non .600 .525
2 Non .788 -.269 H2
T Non .629 -.484
1 Non .664 -.435
2 Non .837 -.206 H3
T Non .754 -.314
1 Non .091 / .342 -1.698 / .953
2 Non .2127 / .113 -1.211 / 1.593 H4
T Non .093 / .151 -1.689 / 1.443
1 Oui .344 -.948
2 Oui .082 1.749 H5
T Oui .603 .520
1 Non .004 2.891
2 Non .000 3.871 H6
T Non .002 3.150
1 Non .456 .746
2 Non .776 .285 H7
T Non .480 .708
1 Oui .000 4.902
2 Oui .000 5.913 H8
T Oui .000 5.367
146
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 Régression Vidéo 2 Régression Totale
[1.261; 3,047] [1,279; 2,448] [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.
147
Tableau 40 : récapitulatif des analyses des résidus
Régression Vidéo 1 Régression Vidéo 2 Régression Totale
Kolmogorov-Smirnov
Shapiro-Wilk
Kolmogorov-Smirnov
Shapiro-Wilk
Kolmogorov-Smirnov
Shapiro-Wilk
.084 .004 .200 .737 .002 .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
148
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.
149
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
150
« 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
151
« 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.
152
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
153
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.
154
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
155
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
156
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
157
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
158
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
159
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
160
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
161
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
162
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
163
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
164
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.
165
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
166
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.
167
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.
168
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.
169
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-of-
Mouth 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).
170
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).
171
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.
172
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.
173
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.
174
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.
175
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)
176
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.
177
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-of-
Mouth: 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.
178
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).
179
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)
180
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
181
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.
182
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.
183
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. 90-
108.
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.
184
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.
185
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., « Networks of scientific papers », Science , Jul 30;149:510-5
(1965)
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)
186
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. 771-
783
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.
187
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).
188
VENKATESH, V., MORRIS, M.G., DAVIS, F.D., DAVIS, G.B. “User
Acceptance of Information Technology: Toward a 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 ‘small-
world’ networks », Nature, Vol. 393, (2008).
189
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).
190
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.
191
Annexes
192
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
193
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
Approx. Chi-Square 152,023
df 15
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Mes interactions avec mes amis sur Facebook sont fréquentes
1,000 ,738
J'accorde de l'importance à mon activité sur Facebook
1,000 ,678
194
Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe
1,000 ,599
Je cherche à maintenir des relations positives avec mes amis sur Facebook
1,000 ,624
Je me considère comme quelqu'un d'actif sur le réseau Facebook
1,000 ,679
Je considère que la mise à jour de mon profil Facebook a de l'importance
1,000 ,650
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3,969 66,147 66,147 3,969 66,147 66,147
2 ,589 9,810 75,956
3 ,503 8,379 84,336
4 ,353 5,883 90,219
5 ,346 5,773 95,992
6 ,241 4,008 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
195
Mes interactions avec mes amis sur Facebook sont fréquentes
,859
J'accorde de l'importance à mon activité sur Facebook
,824
Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe
,774
Je cherche à maintenir des relations positives avec mes amis sur Facebook
,790
Je me considère comme quelqu'un d'actif sur le réseau Facebook
,824
Je considère que la mise à jour de mon profil Facebook a de l'importance
,806
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.
196
Nouveaux résultats de la dimension engagement (Eng) – 5 items
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,846
Approx. Chi-Square 121,179
df 10
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Mes interactions avec mes amis sur Facebook sont fréquentes
1,000 ,758
J'accorde de l'importance à mon activité sur Facebook
1,000 ,696
Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe
1,000 ,594
Je me considère comme quelqu'un d'actif sur le réseau Facebook
1,000 ,678
Je considère que la mise à jour de mon profil Facebook a de l'importance
1,000 ,689
Extraction Method: Principal Component Analysis.
Total Variance Explained
197
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3,415 68,301 68,301 3,415 68,301 68,301
2 ,583 11,656 79,957
3 ,404 8,086 88,043
4 ,351 7,020 95,064
5 ,247 4,936 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
Mes interactions avec mes amis sur Facebook sont fréquentes
,871
J'accorde de l'importance à mon activité sur Facebook
,834
Lorsque je consulte Facebook, j'ai la sensation de faire partie d'un groupe
,771
Je me considère comme quelqu'un d'actif sur le réseau Facebook
,824
Je considère que la mise à jour de mon profil Facebook a de l'importance
,830
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
198
Résultats de la dimension Appréciation (App) – 7 items
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,759
Approx. Chi-Square 170,082
df 21
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
J'aime le simple fait de partager des contenus sur Facebook
1,000 ,632
J’aime divertir mes amis en partageant du contenu avec eux sur Facebook
1,000 ,595
J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook
1,000 ,509
Il est agréable de voir qu’un contenu partagé suscite l’intérêt de mes amis sur Facebook
1,000 ,365
Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook
1,000 ,710
J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook
1,000 ,653
199
J'apprécie le fait d'utiliser Facebook pour partager du contenu
1,000 ,583
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 4,047 57,808 57,808 4,047 57,808 57,808
2 ,838 11,977 69,785
3 ,673 9,616 79,401
4 ,582 8,310 87,711
5 ,472 6,746 94,456
6 ,236 3,370 97,827
7 ,152 2,173 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
J'aime le simple fait de partager des contenus sur Facebook
,795
J’aime divertir mes amis en partageant du contenu avec eux sur Facebook
,771
J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook
,713
200
Il est agréable de voir qu’un contenu partagé suscite l’intérêt de mes amis sur Facebook
,604
Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook
,842
J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook
,808
J'apprécie le fait d'utiliser Facebook pour partager du contenu
,763
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
Approx. Chi-Square 157,319
df 15
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
201
J'aime le simple fait de partager des contenus sur Facebook
1,000 ,655
J’aime divertir mes amis en partageant du contenu avec eux sur Facebook
1,000 ,606
J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook
1,000 ,507
Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook
1,000 ,702
J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook
1,000 ,666
J'apprécie le fait d'utiliser Facebook pour partager du contenu
1,000 ,609
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3,745 62,411 62,411 3,745 62,411 62,411
2 ,793 13,214 75,624
3 ,594 9,900 85,524
4 ,476 7,935 93,459
5 ,240 4,002 97,461
6 ,152 2,539 100,000
Extraction Method: Principal Component Analysis.
202
Component Matrixa
Component
1
J'aime le simple fait de partager des contenus sur Facebook
,809
J’aime divertir mes amis en partageant du contenu avec eux sur Facebook
,778
J’aime me rendre utile auprès de mes amis en partageant du contenu sur Facebook
,712
Je trouve valorisant le fait de partager du contenu avec mes amis sur Facebook
,838
J'aime susciter des sentiments positifs chez mes amis en partageant du contenu sur Facebook
,816
J'apprécie le fait d'utiliser Facebook pour partager du contenu
,780
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
203
Résultats de la dimension de l’Efficatité Connective (EfC) – 8 variables
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,830
Approx. Chi-Square 147,360
df 28
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Mes amis seront en mesure de consulter facilement le contenu que je partage
1,000 ,712
Mes amis sauront que j'ai partagé du contenu 1,000 ,684
Mes amis auront de la difficulté à consulter le contenu partagé
1,000 ,790
Mes amis consulteront le contenu, car une autre personne de mon réseau social l'aura partagé à son tour
1,000 ,697
Mes amis seront en mesure de le consulter quand ils le voudront
1,000 ,678
Il sera facile pour moi de partager du contenu 1,000 ,658
Mes amis pourront facilement retrouver le contenu partagé sur mon profil
1,000 ,440
204
Certains de mes amis partageront le contenu à leur tour après l'avoir consulté
1,000 ,376
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared
Loadings Rotation Sums of Squared
Loadings Component Total
% of Variance
Cumulative % Total
% of Variance
Cumulative % Total
% of Variance
Cumulative %
1 3,913 48,909 48,909 3,913 48,909 48,909 3,687 46,088 46,088
2 1,122 14,027 62,936 1,122 14,027 62,936 1,348 16,848 62,936
3 ,863 10,786 73,723
4 ,715 8,936 82,659
5 ,430 5,374 88,032
6 ,375 4,689 92,722
7 ,327 4,087 96,809
8 ,255 3,191 100,000
Extraction Method: Principal Component Analysis.
Rotated Component Matrixa
Component
1 2
Mes amis seront en mesure de consulter facilement le contenu que je partage
,842 -,055
Mes amis sauront que j'ai partagé du contenu ,788 ,251
205
Mes amis auront de la difficulté à consulter le contenu partagé
-,104 ,883
Mes amis consulteront le contenu, car une autre personne de mon réseau social l'aura partagé à son tour
,592 ,589
Mes amis seront en mesure de le consulter quand ils le voudront
,821 ,056
Il sera facile pour moi de partager du contenu ,799 ,140
Mes amis pourront facilement retrouver le contenu partagé sur mon profil
,663 ,023
Certains de mes amis partageront le contenu à leur tour après l'avoir consulté
,494 ,363
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser 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.
206
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
Approx. Chi-Square 113,175
df 15
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Mes amis seront en mesure de consulter facilement le contenu que je partage
1,000 ,680
Mes amis sauront que j'ai partagé du contenu 1,000 ,682
Mes amis seront en mesure de le consulter quand ils le voudront
1,000 ,704
Il sera facile pour moi de partager du contenu 1,000 ,653
Mes amis pourront facilement retrouver le contenu partagé sur mon profil
1,000 ,439
Certains de mes amis partageront le contenu à leur tour après l'avoir consulté
1,000 ,287
Extraction Method: Principal Component Analysis.
207
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3,445 57,411 57,411 3,445 57,411 57,411
2 ,798 13,297 70,709
3 ,704 11,737 82,445
4 ,405 6,746 89,191
5 ,355 5,920 95,111
6 ,293 4,889 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
Mes amis seront en mesure de consulter facilement le contenu que je partage
,825
Mes amis sauront que j'ai partagé du contenu ,826
Mes amis seront en mesure de le consulter quand ils le voudront
,839
208
Il sera facile pour moi de partager du contenu ,808
Mes amis pourront facilement retrouver le contenu partagé sur mon profil
,662
Certains de mes amis partageront le contenu à leur tour après l'avoir consulté
,536
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.
209
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
Approx. Chi-Square 476,053
df 21
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
...contribuerait de façon positive à mon image auprès de mes amis
1,000 ,738
...ferait en sorte que mes ami(e)s m'apprécient davantage
1,000 ,862
...ferait en sorte que mes ami(e)s m'accordent plus d'attention
1,000 ,892
...ferait en sorte que mes ami(e)s me témoignent plus de considération
1,000 ,845
...donnerait une bonne image de moi auprès de mes ami(e)s
1,000 ,939
...contribuerait à améliorer mes relations avec mes amis
1,000 ,821
...serait un bon moyen pour entretenir des relations positives avec mes amis
1,000 ,836
Extraction Method: Principal Component Analysis.
Total Variance Explained
210
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 5,933 84,759 84,759 5,933 84,759 84,759
2 ,394 5,624 90,383
3 ,232 3,314 93,696
4 ,165 2,356 96,052
5 ,138 1,972 98,024
6 ,076 1,088 99,112
7 ,062 ,888 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
...contribuerait de façon positive à mon image auprès de mes amis
,859
...ferait en sorte que mes ami(e)s m'apprécient davantage
,928
...ferait en sorte que mes ami(e)s m'accordent plus d'attention
,945
...ferait en sorte que mes ami(e)s me témoignent plus de considération
,919
...donnerait une bonne image de moi auprès de mes ami(e)s
,969
...contribuerait à améliorer mes relations avec mes amis
,906
...serait un bon moyen pour entretenir des relations positives avec mes amis
,914
211
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.
212
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
Approx. Chi-Square 378,062
df 21
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Mes amis ressentiraient des émotions après avoir vu cette vidéo
1,000 ,863
Mes amis accorderaient de l’attention à cette vidéo
1,000 ,894
Mes amis auraient de l’intérêt pour cette vidéo 1,000 ,781
Cette vidéo susciterait des réactions auprès de mes amis
1,000 ,778
Il est possible que mes amis veuillent échanger à leur tour cette vidéo
1,000 ,786
Mes amis reparleraient de cette vidéo dans un avenir proche
1,000 ,721
Mes amis auraient un souvenir marquant de cette vidéo
1,000 ,693
Extraction Method: Principal Component Analysis.
Total Variance Explained
Component
Initial Eigenvalues Extraction Sums of Squared Loadings
213
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 5,516 78,807 78,807 5,516 78,807 78,807
2 ,498 7,113 85,920
3 ,360 5,148 91,068
4 ,232 3,315 94,383
5 ,169 2,409 96,792
6 ,150 2,138 98,930
7 ,075 1,070 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
Mes amis ressentiraient des émotions après avoir vu cette vidéo
,929
Mes amis accorderaient de l’attention à cette vidéo ,945
Mes amis auraient de l'intérêt pour cette vidéo ,884
Cette vidéo susciterait des réactions auprès de mes amis
,882
Il est possible que mes amis veuillent échanger à leur tour cette vidéo
,886
Mes amis reparleraient de cette vidéo dans un avenir proche
,849
Mes amis auraient un souvenir marquant de cette vidéo
,833
214
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.
215
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
Approx. Chi-Square 373,345
df 15
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
...aurait de la valeur pour mes amis 1,000 ,866
...aurait un intérêt collectif pour mes amis 1,000 ,683
...serait bénéfique car j'apprécie que mes amis partagent des vidéos du même type
1,000 ,864
...permettrait à mes amis de la partager à leur tour 1,000 ,878
...permettrait de créer une discussion avec plusieurs de mes amis
1,000 ,865
...serait apprécié car plusieurs de mes amis le font déjà
1,000 ,901
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 5,057 84,282 84,282 5,057 84,282 84,282
216
2 ,401 6,680 90,961
3 ,222 3,702 94,664
4 ,139 2,319 96,982
5 ,103 1,715 98,697
6 ,078 1,303 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
...aurait de la valeur pour mes amis ,931
...aurait un intérêt collectif pour mes amis ,827
...serait bénéfique car j'apprécie que mes amis partagent des vidéos du même type
,929
...permettrait à mes amis de la partager à leur tour ,937
...permettrait de créer une discussion avec plusieurs de mes amis
,930
...serait apprécié car plusieurs de mes amis le font déjà
,949
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.
217
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
Approx. Chi-Square 222,034
df 3
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Il y aurait de bonnes chances pour que je la partage via Facebook
1,000 ,934
J'ai l'intention de partager cette vidéo sur mon profil Facebook
1,000 ,976
Je vais certainement partager cette vidéo sur Facebook
1,000 ,940
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,849 94,980 94,980 2,849 94,980 94,980
2 ,114 3,789 98,769
3 ,037 1,231 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
218
1
Il y aurait de bonnes chances pour que je la partage via Facebook
,966
J'ai l'intention de partager cette vidéo sur mon profil Facebook
,988
Je vais certainement partager cette vidéo sur Facebook
,969
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.
219
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
Approx. Chi-Square 449,645
df 21
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
...contribuerait de façon positive à mon image auprès de mes amis
1,000 ,788
...ferait en sorte que mes ami(e)s m'apprécient d'avantage
1,000 ,816
...ferait en sorte que mes ami(e)s m'accordent plus d'attention
1,000 ,785
...ferait en sorte que mes ami(e)s me témoignent plus de considération
1,000 ,905
...donnera une bonne image de moi auprès de mes ami(e)s
1,000 ,800
...contribuerait à améliorer mes relations avec mes amis
1,000 ,841
...serait un bon moyen pour entretenir des relations positives avec mes amis
1,000 ,885
Extraction Method: Principal Component Analysis.
Total Variance Explained
220
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 5,820 83,144 83,144 5,820 83,144 83,144
2 ,444 6,347 89,491
3 ,229 3,274 92,765
4 ,195 2,781 95,546
5 ,158 2,254 97,800
6 ,098 1,393 99,193
7 ,056 ,807 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
...contribuerait de façon positive à mon image auprès de mes amis
,888
...ferait en sorte que mes ami(e)s m'apprécient d'avantage
,903
...ferait en sorte que mes ami(e)s m'accordent plus d'attention
,886
...ferait en sorte que mes ami(e)s me témoignent plus de considération
,951
...donnera une bonne image de moi auprès de mes ami(e)s
,895
...contribuerait à améliorer mes relations avec mes amis
,917
...serait un bon moyen pour entretenir des relations positives avec mes amis
,941
221
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.
222
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
Approx. Chi-Square 565,448
df 21
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Mes amis ressentiraient des émotions après avoir vu cette vidéo
1,000 ,899
Mes amis accorderaient de l’attention à cette vidéo 1,000 ,939
Mes amis auraient de l'intérêt pour cette vidéo 1,000 ,915
Cette vidéo susciterait des réactions auprès de mes amis
1,000 ,779
Il est possible que mes amis veuillent échanger à leur tour cette vidéo
1,000 ,872
Mes amis reparleraient de cette vidéo dans un avenir proche
1,000 ,757
Mes amis auraient un souvenir marquant de cette vidéo
1,000 ,726
Extraction Method: Principal Component Analysis.
Total Variance Explained
Component
Initial Eigenvalues Extraction Sums of Squared Loadings
223
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 5,886 84,089 84,089 5,886 84,089 84,089
2 ,556 7,941 92,031
3 ,263 3,752 95,783
4 ,131 1,878 97,661
5 ,085 1,212 98,873
6 ,064 ,908 99,780
7 ,015 ,220 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
Mes amis ressentiraient des émotions après avoir vu cette vidéo
,948
Mes amis accorderaient de l’attention à cette vidéo
,969
Mes amis auraient de l'intérêt pour cette vidéo ,956
Cette vidéo susciterait des réactions auprès de mes amis
,883
Il est possible que mes amis veuillent échanger
à leur tour cette vidéo ,934
Mes amis reparleraient de cette vidéo dans un avenir proche
,870
Mes amis auraient un souvenir marquant de cette vidéo
,852
Extraction Method: Principal Component Analysis.
224
Component Matrixa
Component
1
Mes amis ressentiraient des émotions après avoir vu cette vidéo
,948
Mes amis accorderaient de l’attention à cette vidéo
,969
Mes amis auraient de l'intérêt pour cette vidéo ,956
Cette vidéo susciterait des réactions auprès de mes amis
,883
Il est possible que mes amis veuillent échanger
à leur tour cette vidéo ,934
Mes amis reparleraient de cette vidéo dans un avenir proche
,870
Mes amis auraient un souvenir marquant de cette vidéo
,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.
225
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
Approx. Chi-Square 413,618
df 15
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
...aurait de la valeur pour mes amis 1,000 ,905
...aurait un intérêt collectif pour les membres de mon réseau
1,000 ,937
...serait bénéfique car j'apprécie que mes amis partage des vidéos du même type
1,000 ,895
...permettraient à mes amis de le partager à leur tour
1,000 ,776
...permettrait de créer une discussion avec plusieurs de mes amis
1,000 ,807
...serait apprécié car mes amis le font déjà 1,000 ,837
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 5,157 85,952 85,952 5,157 85,952 85,952
226
2 ,278 4,634 90,586
3 ,269 4,479 95,065
4 ,167 2,784 97,849
5 ,091 1,521 99,370
6 ,038 ,630 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1
...aurait de la valeur pour mes amis ,951
...aurait un intérêt collectif pour les membres de mon réseau
,968
...serait bénéfique car j'apprécie que mes amis partage des vidéos du même type
,946
...permettraient à mes amis de le partager à leur tour
,881
...permettrait de créer une discussion avec plusieurs de mes amis
,898
...serait apprécié car mes amis le font déjà ,915
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.
227
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
Approx. Chi-Square 190,121
df 3
Bartlett's Test of Sphericity
Sig. ,000
Communalities
Initial Extraction
Il y aurait de bonnes chances pour que je la partage via Facebook
1,000 ,915
J'ai l'intention de partager cette vidéo sur mon profil Facebook
1,000 ,969
Je vais certainement partager cette vidéo sur Facebook
1,000 ,895
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,778 92,610 92,610 2,778 92,610 92,610
2 ,175 5,843 98,453
3 ,046 1,547 100,000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
228
1
Il y aurait de bonnes chances pour que je la partage via Facebook
,956
J'ai l'intention de partager cette vidéo sur mon profil Facebook
,984
Je vais certainement partager cette vidéo sur Facebook
,946
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.
229
Annexe II
Sorties techniques de l’analyse des alphas de Cronbach du modèle
définitif
SAVE OUTFILE='C:\Documents and Settings\omermet\Desktop\DATAS
MÉMOIRE\dataset final.sav' /COMPRESSED. RELIABILITY
/VARIABLES=App1 App2 App3 App4 App5 App6 /SCALE('ALL VARIABLES')
ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE CORR
/SUMMARY=TOTAL MEANS VARIANCE CORR.
Reliability Statistics
Cronbach's Alpha
Cronbach's Alpha
Based on
Standardized
Items N of Items
.866 .867 6
230
Item Statistics
Mean Std. Deviation N
J'aime le simple fait de
partager des contenus sur
4.88 1.588 202
J^aime divertir mes amis en
partageant du contenu avec
eux sur Facebook
5.17 1.500 202
J^aime me rendre utile
auprès de mes amis en
partageant du contenu sur
4.76 1.694 202
Je trouve valorisant le fait de
partager du contenu avec
mes amis sur Facebook
4.19 1.770 202
J'aime susciter des
sentiments positifs chez mes
amis en partageant du
contenu sur Facebook
4.82 1.633 202
J'apprécie le fait d'utiliser
Facebook pour partager du
contenu
5.16 1.585 202
231
Item-Total Statistics
Squared Multiple
Correlation
Cronbach's
Alpha if Item
Deleted
J'aime le simple fait de
partager des contenus sur
.548 .838
J^aime divertir mes amis en
partageant du contenu avec
eux sur Facebook
.499 .845
J^aime me rendre utile
auprès de mes amis en
partageant du contenu sur
.483 .843
Je trouve valorisant le fait de
partager du contenu avec
mes amis sur Facebook
.570 .840
J'aime susciter des
sentiments positifs chez mes
amis en partageant du
contenu sur Facebook
.562 .834
J'apprécie le fait d'utiliser
Facebook pour partager du
contenu
.374 .860
232
RELIABILITY /VARIABLES=Vid4Rep1 Vid4Rep2 Vid4Rep3 Vid4Rep4
Vid4Rep5 Vid4Rep6 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR /SUMMARY=TOTAL MEANS
VARIANCE CORR.
Reliability Statistics
Cronbach's
Alpha
Cronbach's
Alpha Based on
Standardized
Items N of Items
.957 .957 6
233
Item Statistics
Mean Std. Deviation N
...ferait en sorte que mes
ami(e)s m'apprécient
d'avantage
3.07 1.611 202
...ferait en sorte que mes
ami(e)s m'accordent plus
d'attention
2.94 1.568 202
...ferait en sorte que mes
ami(e)s me témoignent plus
de considération
3.00 1.579 202
...donnera une bonne image
de moi auprès de mes
ami(e)s
3.48 1.711 202
...contribuerait à améliorer
mes relations avec mes amis
2.90 1.608 202
...serait un bon moyen pour
entretenir des relations
positives avec mes amis
3.13 1.697 202
234
Item-Total Statistics
Squared Multiple
Correlation
Cronbach's
Alpha if Item
Deleted
...ferait en sorte que mes
ami(e)s m'apprécient
d'avantage
.786 .948
...ferait en sorte que mes
ami(e)s m'accordent plus
d'attention
.766 .950
...ferait en sorte que mes
ami(e)s me témoignent plus
de considération
.827 .944
...donnera une bonne image
de moi auprès de mes
ami(e)s
.748 .950
...contribuerait à améliorer
mes relations avec mes amis
.785 .947
...serait un bon moyen pour
entretenir des relations
positives avec mes amis
.751 .951
235
RELIABILITY /VARIABLES=EfC1 EfC2 EfC3 EfC4 EfC5 EfC6 /SCALE('ALL
VARIABLES') ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE
CORR /SUMMARY=TOTAL MEANS VARIANCE CORR.
Reliability Statistics
Cronbach's
Alpha
Cronbach's
Alpha Based on
Standardized
Items N of Items
.876 .880 6
236
Item Statistics
Mean Std. Deviation N
Mes amis seront en mesure
de consulter facilement le
contenu que je partage
5.69 1.268 202
Mes amis sauront que j'ai
partagé du contenu
5.27 1.389 202
Mes amis seront en mesure
de le consulter quand ils le
voudront
5.17 1.585 202
Il sera facile pour moi de
partager du contenu
5.65 1.431 202
Mes amis pourront facilement
retrouver le contenu
partagé sur mon profil
5.04 1.577 202
Certains de mes amis
partageront le contenu à leur
tour après l'avoir consulté
5.10 1.594 202
237
Item-Total Statistics
Squared Multiple
Correlation
Cronbach's
Alpha if Item
Deleted
Mes amis seront en mesure
de consulter facilement le
contenu que je partage
.595 .846
Mes amis sauront que j'ai
partagé du contenu
.524 .850
Mes amis seront en mesure
de le consulter quand ils le
voudront
.493 .858
Il sera facile pour moi de
partager du contenu
.564 .849
Mes amis pourront facilement
retrouver le contenu
partagé sur mon profil
.494 .856
Certains de mes amis
partageront le contenu à leur
tour après l'avoir consulté
.361 .873
238
RELIABILITY /VARIABLES=Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5
Vid2Efi6 Vid2Efi7 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR /SUMMARY=TOTAL MEANS
VARIANCE CORR.
Reliability Statistics
Cronbach's
Alpha
Cronbach's
Alpha Based on
Standardized
Items N of Items
.938 .942 7
239
Item Statistics
Mean Std. Deviation N
Mes amis ressentiraient des
émotions après avoir vu
cette vidéo
5.18 1.289 202
Mes amis accorderaient de
l^attention à cette vidéo
4.97 1.369 202
Mes amis auraient de
l'intérêt pour cette vidéo
4.84 1.452 202
Cette vidéo susciterait des
réactions auprès de mes
amis
4.88 1.509 202
Il est possible que mes amis
veuillent échanger à leur
tour cette vidéo
4.85 1.507 202
Mes amis reparleraient de
cette vidéo dans un avenir
proche
4.26 1.616 202
Mes amis auraient un
souvenir marquant de cette
vidéo
4.34 1.803 202
240
Item-Total Statistics
Squared Multiple
Correlation
Cronbach's
Alpha if Item
Deleted
Mes amis ressentiraient des
émotions après avoir vu
cette vidéo
.760 .927
Mes amis accorderaient de
l^attention à cette vidéo
.798 .924
Mes amis auraient de
l'intérêt pour cette vidéo
.703 .929
Cette vidéo susciterait des
réactions auprès de mes
amis
.711 .925
Il est possible que mes amis
veuillent échanger à leur
tour cette vidéo
.649 .929
Mes amis reparleraient de
cette vidéo dans un avenir
proche
.702 .930
Mes amis auraient un
souvenir marquant de cette
vidéo
.647 .936
241
RELIABILITY /VARIABLES=eng1 eng2 eng3 eng4 eng5 /SCALE('ALL
VARIABLES') ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE
CORR /SUMMARY=TOTAL MEANS VARIANCE CORR.
Reliability Statistics
Cronbach's
Alpha
Cronbach's
Alpha Based on
Standardized
Items N of Items
.876 .876 5
242
Item Statistics
Mean Std. Deviation N
Mes interactions avec mes
amis sur Facebook sont
fréquentes
4.79 1.571 202
J'accorde de l'importance Ã
mon activité sur Facebook
4.53 1.673 202
Lorsque je consulte
Facebook, j'ai la sensation de
faire partie d'un groupe
3.46 1.681 202
Je me considère comme
quelqu'un d'actif sur le
réseau Facebook
4.48 1.848 202
Je considère que la mise Ã
jour de mon profil Facebook a
de l'importance
4.08 1.847 202
243
Item-Total Statistics
Squared Multiple
Correlation
Cronbach's
Alpha if Item
Deleted
Mes interactions avec mes
amis sur Facebook sont
fréquentes
.442 .864
J'accorde de l'importance Ã
mon activité sur Facebook
.650 .827
Lorsque je consulte
Facebook, j'ai la sensation de
faire partie d'un groupe
.364 .880
Je me considère comme
quelqu'un d'actif sur le
réseau Facebook
.635 .831
Je considère que la mise Ã
jour de mon profil Facebook a
de l'importance
.560 .842
244
RELIABILITY /VARIABLES=Vid2VGC1 Vid2VGC2 Vid2VGC3 Vid2VGC4
Vid2VGC5 Vid2VGC6 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR /SUMMARY=TOTAL MEANS
VARIANCE CORR.
Reliability Statistics
Cronbach's
Alpha
Cronbach's
Alpha Based on
Standardized
Items N of Items
.943 .943 6
245
Item Statistics
Mean Std. Deviation N
...aurait de la valeur pour mes
amis
4.035 1.643 202
...aurait un intérêt collectif
pour les membres de mon
réseau
4.248 1.689 202
...serait bénéfique car
j'apprécie que mes amis
partagent des vidéos du
même type
3.975 1.738 202
...permettraient à mes amis
de le partager à leur tour
4.490 1.696 202
...permetrait de créer une
discussion avec plusieurs de
mes amis
4.030 1.742 202
...serait apprécié car mes
amis le font déjÃ
4.005 1.671 202
246
Item-Total Statistics
Squared Multiple
Correlation
Cronbach's
Alpha if Item
Deleted
...aurait de la valeur pour mes
amis
.715 .933
...aurait un intérêt collectif
pour les membres de mon
réseau
.746 .930
...serait bénéfique car
j'apprécie que mes amis
partagent des vidéos du
même type
.765 .929
...permettraient à mes amis
de le partager à leur tour
.628 .938
...permetrait de créer une
discussion avec plusieurs de
mes amis
.706 .934
...serait apprécié car mes
amis le font déjÃ
.733 .933
247
RELIABILITY /VARIABLES=Vid2INT1 Vid2INT2 Vid2INT3 /SCALE('ALL
VARIABLES') ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE
CORR /SUMMARY=TOTAL MEANS VARIANCE CORR.
Reliability Statistics
Cronbach's
Alpha
Cronbach's
Alpha Based on
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
3.94 2.082 202
J'ai l'intention de partager
cette vidéo sur mon profil
3.40 2.045 202
Je vais certainement partager
cette vidéo sur Facebook
3.27 2.130 202
248
Item-Total Statistics
Squared Multiple
Correlation
Cronbach's
Alpha if Item
Deleted
Il y aurait de bonnes chances
pour que je la partage via
.757 .981
J'ai l'intention de partager
cette vidéo sur mon profil
.945 .907
Je vais certainement partager
cette vidéo sur Facebook
.929 .930
249
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 /PRINT KMO ROTATION /FORMAT SORT /PLOT
EIGEN /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PC
/CRITERIA ITERATE(25) /ROTATION VARIMAX
/METHOD=CORRELATION. - - - - - - - - - - - - - - - - - - - - - - - - F A C T O R
A N A L Y S I S - - - - - - - - - - - - - - - - - - - - - - - -
250
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure
of Sampling Adequacy.
.918
Approx. Chi-Square 7175.320
df 741
Bartlett's Test of Sphericity
Sig. .000
251
Rotated Component Matrixa
Component
1 2 3 4 5 6 7
Mes amis ressentiraient des
émotions après avoir vu
cette vidéo
.892 .185 .090 -.022 .084 -.048 .090
Mes amis accorderaient de
l^attention à cette vidéo
.880 .215 .103 .070 .019 -.047 .118
Cette vidéo susciterait des
réactions auprès de mes
amis
.845 .143 .041 .092 .094 .172 .061
Mes amis auraient de
l'intérêt pour cette vidéo
.844 .168 .081 .085 .030 -.004 .097
Il est possible que mes amis
veuillent échanger à leur
tour cette vidéo
.818 .170 .050 .038 .014 .161 .088
Mes amis auraient un
souvenir marquant de cette
vidéo
.708 .095 -.005 .067 .000 .294 .240
Mes amis reparleraient de
cette vidéo dans un avenir
proche
.687 .222 -.003 .143 -.001 .378 .263
252
...permettraient à mes amis
de le partager à leur tour
.626 .201 .130 .055 .098 .461 .245
...aurait de la valeur pour
mes amis
.552 .412 .091 .058 .170 .492 .074
...ferait en sorte que mes
ami(e)s me témoignent
plus de considération
.162 .896 .008 .113 .104 .153 .081
...ferait en sorte que mes
ami(e)s m'accordent plus
d'attention
.181 .871 .018 .086 .071 .059 .082
...contribuerait à améliorer
mes relations avec mes amis
.196 .870 .034 .183 .038 .061 .087
...ferait en sorte que mes
ami(e)s m'apprécient
d'avantage
.178 .859 -.010 .079 .166 .113 .125
...donnera une bonne image
de moi auprès de mes
ami(e)s
.272 .850 .026 .058 .106 .110 -.034
...serait un bon moyen pour
entretenir des relations
positives avec mes amis
.259 .817 .061 .137 .023 .181 .084
Mes amis sauront que j'ai
partagé du contenu
.052 .027 .805 .127 .060 .050 -.088
Mes amis seront en mesure
de le consulter quand ils le
voudront
.010 .028 .793 .005 .066 .065 .144
253
Mes amis seront en mesure
de consulter facilement le
contenu que je partage
.106 -.035 .790 .163 .188 -.039 .122
Il sera facile pour moi de
partager du contenu
.216 .044 .771 .101 .219 -.103 .108
Mes amis pourront
facilement retrouver le
contenu partagé sur mon
profil
-.015 .008 .759 .161 .070 .131 .072
Certains de mes amis
partageront le contenu Ã
leur tour après l'avoir
consulté
.051 .064 .651 .283 .107 .084 -.070
J'accorde de l'importance Ã
mon activité sur Facebook
.118 .166 .195 .792 .248 .052 .051
Je me considère comme
quelqu'un d'actif sur le
réseau Facebook
.115 .085 .195 .750 .290 .042 .141
Je considère que la mise Ã
jour de mon profil Facebook
a de l'importance
.149 .140 .196 .747 .248 .058 .033
Lorsque je consulte
Facebook, j'ai la sensation
de faire partie d'un groupe
-.068 .186 .027 .724 .144 .235 -.033
Mes interactions avec mes
amis sur Facebook sont
fréquentes
.153 .065 .356 .639 .206 -.178 .114
254
J'apprécie le fait d'utiliser
Facebook pour partager du
contenu
.025 -.036 .276 .516 .403 .020 .270
J'aime le simple fait de
partager des contenus sur
.060 .116 .120 .258 .770 -.085 .188
J^aime divertir mes amis en
partageant du contenu avec
eux sur Facebook
.082 .010 .313 .187 .744 .035 .090
J'aime susciter des
sentiments positifs chez mes
amis en partageant du
contenu sur Facebook
.142 .110 .174 .393 .659 .129 -.077
J^aime me rendre utile
auprès de mes amis en
partageant du contenu sur
.000 .220 .173 .309 .658 .143 -.034
Je trouve valorisant le fait de
partager du contenu avec
mes amis sur Facebook
.038 .182 .020 .453 .612 .221 -.049
...permetrait de créer une
discussion avec plusieurs de
mes amis
.461 .290 .037 .168 .097 .639 .221
...serait apprécié car mes
amis le font déjÃ
.469 .270 .136 .133 .122 .613 .257
...aurait un intérêt collectif
pour les membres de mon
réseau
.512 .341 .071 .105 .131 .569 .177
255
...serait bénéfique car
j'apprécie que mes amis
partagent des vidéos du
même type
.491 .407 .113 .101 .122 .551 .236
Je vais certainement
partager cette vidéo sur
.380 .136 .089 .112 .049 .174 .842
J'ai l'intention de partager
cette vidéo sur mon profil
.406 .161 .122 .107 .072 .181 .826
Il y aurait de bonnes
chances pour que je la
partage via Facebook
.532 .217 .165 .101 .110 .235 .658
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 8 iterations.
256
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 /PRINT CORRELATION KMO ROTATION /FORMAT
SORT /PLOT EIGEN /CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC /CRITERIA ITERATE(25) /ROTATION VARIMAX
/METHOD=CORRELATION.
257
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure
of Sampling Adequacy.
.907
Approx. Chi-Square 6033.164
df 561
Bartlett's Test of Sphericity
Sig. .000
258
Rotated Component Matrixa
Component
1 2 3 4 5 6 7
[REP3] .903 .125 .011 .114 .115 .106 .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
259
[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
260
[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.
261
Annexe V
Sorties techniques des statistiques descriptives
[DataSet1] C:\Documents and Settings\omermet\Desktop\DATAS
MÉMOIRE\dataset final.sav
262
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Centralité 202 0 7 3.26 1.240
Centralité 2 202 1 5 2.37 1.024
MAPP 202 .80 7.00 4.7634 1.31204
MEFC 202 .00 5.83 4.4711 .98755
MENG 202 1.00 7.00 4.2673 1.41218
MREP1 202 1.00 7.00 2.5866 1.30253
MEFI1 202 .00 7.00 4.0693 1.28966
MVGC1 202 .00 7.00 3.1906 1.44989
MINT1 202 .00 7.00 2.5116 1.76919
MREP2 202 1.00 7.00 3.0858 1.47760
MEFI2 202 1.00 7.00 4.9416 1.27273
MVGC2 202 1.00 7.00 4.0644 1.54660
MINT2 202 .67 7.00 3.5347 2.00556
APP 202 4.00 35.00 23.8168 6.56018
EFC 202 .00 35.00 26.8267 5.92530
ENG 202 5.00 35.00 21.3366 7.06090
263
SREPT 202 12.00 84.00 34.0347 15.49559
SEFIT 202 12.00 70.00 45.0545 10.71856
SVGCT 202 7.00 56.00 29.0198 10.31106
SINTT 202 5.00 42.00 18.1386 9.61449
Valid N (listwise) 202
264
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
ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN
/DEPENDENT MINT1 /METHOD=ENTER v_193 v_233 MAPP MEFC MENG
MREP1 MEFI1 MVGC1 /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS
HIST(ZRESID) NORM(ZRESID) /CASEWISE PLOT(ZRESID) OUTLIERS(2)
/SAVE ZRESID.
Variables Entered/Removed
Model
Variables
Entered
Variables
Removed Method
1 MVGC1,
Centralité 2 ,
MEFC, MAPP,
Centralité ,
MREP1, MEFI1,
MENGa
. Enter
a. All requested variables entered.
265
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .675a .456 .433 1.33204
a. Predictors: (Constant), MVGC1, Centralité 2 , MEFC, MAPP,
Centralité , MREP1, MEFI1, MENG
b. Dependent Variable: MINT1
ANOVAb
Model Sum of Squares df Mean Square F Sig.
Regression 286.696 8 35.837 20.198 .000a
Residual 342.444 193 1.774
1
Total 629.140 201
a. Predictors: (Constant), MVGC1, Centralité 2 , MEFC, MAPP, Centralité , MREP1, MEFI1,
MENG
b. Dependent Variable: MINT1
266
Coefficientsa
Unstandardized Coefficients
Standardized
Coefficients
Model B Std. Error Beta t Sig.
(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
1
MVGC1 .554 .113 .454 4.902 .000
a. Dependent Variable: MINT1
267
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
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
1
MVGC1 .328 3.047
a. Dependent Variable: MINT1
268
269
270
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual .082 202 .002 .962 202 .000
a. Lilliefors Significance Correction
271
Annexe VII
Sorties techniques et analyse des résidus de la régression 2
REGRESSION /MISSING MEANSUB /STATISTICS COEFF OUTS R
ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN
/DEPENDENT MINT2 /METHOD=ENTER v_193 v_233 MAPP MEFC MENG
MREP2 MEFI2 MVGC2 /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS
HIST(ZRESID) NORM(ZRESID) /CASEWISE PLOT(ZRESID) OUTLIERS(2)
/SAVE ZRESID.
Variables Entered/Removed
Model
Variables
Entered
Variables
Removed Method
1 MVGC2,
Centralité ,
MEFC, MAPP,
Centralité 2 ,
MREP2, MEFI2,
MENGa
. Enter
a. All requested variables entered.
272
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .710a .504 .484 1.44124
a. Predictors: (Constant), MVGC2, Centralité , MEFC, MAPP,
Centralité 2 , MREP2, MEFI2, MENG
b. Dependent Variable: MINT2
ANOVAb
Model Sum of Squares df Mean Square F Sig.
Regression 407.588 8 50.948 24.528 .000a
Residual 400.892 193 2.077
1
Total 808.480 201
a. Predictors: (Constant), MVGC2, Centralité , MEFC, MAPP, Centralité 2 , MREP2, MEFI2,
MENG
b. Dependent Variable: MINT2
Coefficientsa
273
Unstandardized Coefficients
Standardized
Coefficients
Model B Std. Error Beta t Sig.
(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
1
MVGC2 .603 .102 .465 5.913 .000
a. Dependent Variable: MINT2
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
Centralité .687 1.455 1
Centralité 2 .615 1.627
274
MAPP .501 1.998
MEFC .782 1.279
MENG .409 2.448
MREP2 .600 1.668
MEFI2 .546 1.831
MVGC2 .415 2.409
a. Dependent Variable: MINT2
275
276
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual .031 202 .200* .995 202 .737
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
277
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.
COMPUTE SINTT=(INT1 + INT2). EXECUTE. REGRESSION /MISSING
MEANSUB /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
/CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT SINTT
/METHOD=ENTER v_193 v_233 APP EFC ENG SREPT SEFIT SVGCT
/SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS HIST(ZRESID)
NORM(ZRESID) /CASEWISE PLOT(ZRESID) OUTLIERS(2) /SAVE
ZRESID.
Variables Entered/Removed
Model
Variables
Entered
Variables
Removed Method
1 SVGCT,
Centralité ,
EFC, APP,
Centralité 2 ,
SREPT, SEFIT,
ENGa
. Enter
278
Variables Entered/Removed
Model
Variables
Entered
Variables
Removed Method
1 SVGCT,
Centralité ,
EFC, APP,
Centralité 2 ,
SREPT, SEFIT,
ENGa
. Enter
a. All requested variables entered.
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .694a .482 .460 7.06323
a. Predictors: (Constant), SVGCT, Centralité , EFC, APP, Centralité
2 , SREPT, SEFIT, ENG
b. Dependent Variable: SINTT
ANOVAb
Model Sum of Squares df Mean Square F Sig.
279
Regression 8951.494 8 1118.937 22.428 .000a
Residual 9628.625 193 49.889
1
Total 18580.119 201
a. Predictors: (Constant), SVGCT, Centralité , EFC, APP, Centralité 2 , SREPT, SEFIT, ENG
b. Dependent Variable: SINTT
Coefficientsa
Unstandardized Coefficients
Standardized
Coefficients
Model B Std. Error Beta t Sig.
(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
1
SREPT -.022 .045 -.035 -.484 .629
280
SEFIT .220 .070 .246 3.150 .002
SVGCT .454 .085 .487 5.367 .000
a. Dependent Variable: SINTT
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
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
1
SVGCT .327 3.061
a. Dependent Variable: SINTT
281
282
283
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual .059 202 .084 .979 202 .004
a. Lilliefors Significance Correction
284
Annexe IX
Approbation du comité d’éthique