Adoption d’applis de santé numérique
Santé / mHealth
Une extension du Technology Acceptance Model (TAM) aux applis de santé numérique. À côté des variables TAM classiques Perceived Ease of Use et Perceived Usefulness, nous modélisons Health Consciousness comme motivateur propre au domaine et Perceived Risk comme chemin négatif lié à la vie privée, un effet f² rarement aussi clairement délimité.
- N
- 380
- LVs
- 6
- Effect
- PR → BI negative
Le clonage nécessite un compte OpenPLS gratuit.
Contexte théorique
Davis (1989) a établi le TAM, qui demeure à ce jour un modèle d’acceptation extrêmement populaire avec deux déterminants centraux : la perception d’utilité (PU) et la facilité d’usage (PEOU). Ces perceptions façonnent l’attitude, qui alimente à son tour l’intention.
Pour les applications mHealth, le TAM classique ne suffit pas : Sun et al. (2013) ont intégré Health Consciousness (positif) et Perceived Risk (négatif) comme extensions propres au domaine. La protection des données est particulièrement pertinente en santé, puisque des informations sensibles sont partagées.
Le modèle est méthodologiquement intéressant parce qu’il contient un chemin clairement négatif (PR → BI). De tels effets sont précieux dans l’enseignement du PLS-SEM : ils montrent que le signe, la significativité et la taille d’effet f² doivent être interprétés séparément.
Modèle structurel
Chaîne TAM classique (PEOU → PU → Attitude → Intention) plus deux antécédents propres au domaine : Health Consciousness positif, Perceived Risk négatif.
Perceived Ease of Use
Facilité d’utilisation perçue de l’application.
Perceived Usefulness
Utilité attendue en matière de santé.
Health Consciousness
Conscience de la santé et responsabilité personnelle.
Perceived Risk
Risque perçu lié à la vie privée et au détournement des données.
Attitude
Attitude générale vis-à-vis de l’application.
Intention comportementale
Intention d’utiliser l’application régulièrement.
Hypothèses
| H1 | PEOU → PU | + | La facilité d’usage augmente l’utilité perçue. |
| H2 | PU → ATT | + | L’utilité augmente l’attitude envers l’application. |
| H3 | HC → ATT | + | La conscience de la santé renforce l’attitude positive. |
| H4 | PR → ATT | - | Le risque perçu sur les données dégrade l’attitude. |
| H5 | PU → BI | + | L’utilité augmente directement l’intention d’usage. |
| H6 | ATT → BI | + | Une attitude positive conduit à l’intention d’usage. |
Méthodologie et données
N = 380 réponses synthétiques sur 20 indicateurs réflexifs (Likert à sept points). Les tailles d’effet sont calibrées de manière à ce que le chemin négatif PR soit significatif mais plus faible que les drivers positifs, typique des études mHealth réelles (Sun et al., 2013 ; Cocosila & Archer, 2010).
Résultats attendus
- R²(BI) ≈ 0.52
- Les cinq déterminants expliquent environ 52 % de la variance de l’intention, solide pour un TAM étendu.
- PR → BI ≈ −0.18
- Un chemin clairement négatif mais modéré. Un exemple pédagogique pour les effets négatifs : rapporter séparément le signe, la significativité et la taille d’effet.
- f²(PR)
- La taille d’effet f² du Perceived Risk se situe typiquement dans la fourchette petit à moyen (≈ 0,06). Idéal pour discuter des seuils de Cohen.
Reproduire en 60 secondes
- 1
Cloner le projet
Un seul clic dans votre espace OpenPLS crée une copie entièrement modifiable : modèle, indicateurs et jeu de données, tout est lié et prêt à l’emploi.
- 2
Lancer le calcul
OpenPLS résout les poids externes, les coefficients de chemin, le R², le HTMT, le SRMR et les intervalles de confiance bootstrap en quelques secondes.
- 3
Comparer aux métriques attendues
Les métriques clés documentées ci-dessous proviennent de la publication originale. Vos valeurs calculées devraient se situer à l’intérieur des IC bootstrap à 95 %.
Références
- Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. doi.org/10.2307/249008
- Sun, Y., Wang, N., Guo, X., & Peng, Z. (2013). Understanding the acceptance of mobile health services: A comparison and integration of alternative models. Journal of Electronic Commerce Research, 14(2), 183–200. www.jecr.org/node/313
- Cocosila, M., & Archer, N. (2010). Adoption of mobile ICT for health promotion: an empirical investigation. Electronic Markets, 20(3), 241–250. doi.org/10.1007/s12525-010-0042-y