Vous êtes sur la page 1sur 300

Étude empirique traitant des facteurs qui influencent

l’intention de partager un contenu à caractère publicitaire

dans un contexte de média social

Auteur :

Olivier Mermet

Directeur de recherche :

Olivier Caya, Ph. D

Mémoire présenté au programme de Maîtrise en administration

pour l’obtention du grade de

Maître ès Science en gestion du commerce électronique

Faculté d’administration

Université de Sherbrooke

18 Novembre 2010
ii
Sommaire de l’étude

Malgré une littérature riche, des champs d’études variés et de nombreuses

applications réussies par les praticiens, le phénomène de transmission virale

des contenus en ligne (rapide et exponentielle) reste un mystère. Pourtant, les

outils aujourd’hui en vogue intègrent toute une palette de fonctions permettant

aux internautes de partager des contenus de façon aussi simple que naturelle.

Ce document explore les motivations des internautes à partager des vidéos

publicitaires dites virales, dans un contexte de média social, et plus

précisément, sur Facebook.

Pour cela, des internautes utilisateurs de Facebook sont exposés au

visionnement de vidéos sélectionnées pour leur caractéristiques (hédonistes ou

instrumentales), et leur intention de partage sur Facebook est mesurée à l’aide

d’échelles issues de la littérature en technologie de l’information, et celle

entourant la théorie du Capital Social.

Les variables liées au contexte dans lequel se trouvent les utilisateurs s’avèrent

être très significatives après analyse des résultats de régressions linéaires

multiples. La valeur du contenu pour le collectif, et la perception de l’efficacité

du message sont déterminants, et les aspects structurels du réseau social de

l’individu tout comme les aspects cognitifs du médium utilisé se révèlent être

des pistes probables à étudier pour la suite.

iii
Remerciements

La lourde tâche que représente la rédaction d’un mémoire est tout simplement
impossible sans l’intervention de celles et ceux qui ont contribué au projet.

En premier lieu, je veux remercier mon directeur de mémoire, le professeur


Olivier Caya, pour son indéfectible soutien, la passion de la recherche qu’il aura
su me transmettre, et la rigueur académique dont il a su faire preuve.
Également je remercie le professeur Harold Boeck pour m‘avoir offert la chance
de venir étudier à Sherbrooke, et pour son soutien permanent depuis. Ce fut,
chers professeurs, un immense honneur, un plaisir, et surtout une fierté que
d’avoir pu évoluer à vos côtés.

Mes remerciements vont aussi au professeur Jessica Lévesque, pour avoir


accepté d’être relectrice de ce document, aux professeurs Jean Éthier et John
Ingham du département de SIMQG pour m’avoir initié à la recherche, et à tous
les professeurs qui auront contribué à mon épanouissement à l’Université de
Sherbrooke. Il est également impossible de ne pas penser à mes camarades de
la cohorte 2008 : Chuck, Karine, Pascale, Pat, Paul, Melissa, Phil. Merci pour
votre amitié. La route est longue, la pente est ardue, mais on y est arrivé, et nos
chemins se recroiseront. Un #merci bien spécial s’adresse aux personnes qui
m’auront aidé à propulser la collecte de données sur Twitter, ainsi qu’à l’équipe
de l’agence Uranium Interactive, et particulièrement Antoine, pour m’avoir
accueilli chez eux. De même, je remercie profondément mes amis Sacha,
Yasha, Saber, Thoma, J-P, Pat, Vanessa, Anne-Marie, Chris, Alexis, 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.

iv
v
Table des matières
CHAPITRE 1 : Introduction ............................................................ 1  

1.1 Contexte .................................................................................................... 1  

1.1.1 Marketing, nouveaux usages et médias sociaux............................................1  

1.1.2 Facebook........................................................................................................3  

1.1.3 Marketing Viral ...............................................................................................4  

1.1.4 Statistiques, format vidéo et « loi de Zuckerberg » ........................................7  

1.2 Problématique ........................................................................................... 9  

1.2.1 Un processus aléatoire et incontrôlable .........................................................9  

1.2.2 Structure des réseaux sociaux .....................................................................11  

1.2.3 Flou stratégique : perspective Micro versus Macro ......................................12  

1.3 Limites des recherches existantes .......................................................... 14  

1.3.1 Le courriel comme principal vecteur.............................................................14  

1.3.2 Problème de terminologie : qu’est ce que le « viral »...................................15  

1.3.3 La valeur du contenu commercial dans les médias sociaux ........................17  

1.4 Objectifs de cette étude........................................................................... 18  

1.5 Questions de recherche et structure du document ................................. 18  

CHAPITRE II : Revue de littérature.............................................. 20  

2.1 La littérature en Marketing....................................................................... 22  

vi
2.1.1 La tradition du bouche-à-oreille ....................................................................22  

2.1.2 Le bouche-à-oreille électronique ou « word-of-mouse » ..............................24  

2.1.3 L’émergence du terme « viral » ....................................................................26  

2.2 La littérature sur les réseaux et réseaux sociaux .................................... 29  

2.2.1 Réseaux : de la physique à la sociologie .....................................................29  

2.2.2 Réseaux sociaux : Petit monde, lien forts et liens faibles ............................35  

2.2.3 Réseaux-sociaux, influence et Marketing Viral ............................................40  

2.3 Capital Social, Management et Technologies de l’Information ............... 43  

2.3.1 L’acte de contribuer dans un réseau ou une communauté en ligne.............43  

2.3.2 Le capital social ............................................................................................46  

2.3.3 Les dimensions du Capital Social ................................................................49  

2.3.4 Marketing viral, contribution et Capital Social .............................................51  

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

CHAPITRE III : Modèle de recherche et Hypothèses ................. 56  

3.1 Présentation du support théorique principal............................................ 56  

3.2 Différences par rapport au modèle original ............................................. 58  

3.3 Variables dépendantes ........................................................................... 60  

3.3.1 Intention de partager ....................................................................................60  

3.3.2 Comportement..............................................................................................61  

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

3.4 Variables indépendantes......................................................................... 62  

3.4.1 Réputation ....................................................................................................63  

3.4.2 Appréciation .................................................................................................64  

3.4.3 Centralité ......................................................................................................65  

3.4.4 Efficacité connective.....................................................................................67  

3.4.5 Efficacité informative ....................................................................................68  

3.4.6 Engagement .................................................................................................70  

3.4.7 Valeur perçue du gain collectif .....................................................................71  

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

CHAPITRE IV : Méthodologie....................................................... 76  

4.1 Design de recherche ............................................................................... 76  

4.1.1 Description du type de recherche.................................................................76  

4.1.2 Description du design de recherche .............................................................77  

4.1.2.1 Variables permanentes..........................................................................77  

4.1.2.2 Variables contextualisées......................................................................78  

4.1.2.3 Vidéos exposées ...................................................................................78  

4.1.2.4 Cheminement du questionnaire.............................................................79  

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

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

4.3 Constitution de l’outil de mesure ............................................................. 82  

4.3.1 Mesure du construit : Réputation .................................................................82  

4.3.2 Mesure du construit : Appréciation ...............................................................83  

4.3.3 Mesure du construit : Centralité ...................................................................84  

4.3.4 Mesure du construit : Efficacité connective ..................................................86  

4.3.5 Mesure du construit : Efficacité informative..................................................87  

4.3.6 Mesure du construit : Engagement ..............................................................88  

4.3.7 Mesure du construit : Valeur du gain collectif...............................................89  

4.3.8 Mesure de l’Intention ....................................................................................91  

4.3.9 Mesure du Comportement (expérimental)....................................................92  

4.4 Pré-test.................................................................................................... 92  

4.5 Méthode de Collecte ............................................................................... 93  

CHAPITRE V : Résultats............................................................... 95  

5.1 Statistiques Socio-démographiques........................................................ 95  

5.2 Validité des échelles de mesure ............................................................. 97  

5.2.1 Analyse de la fidélité des variables ..............................................................98  

5.2.2 Analyses en composantes principales .......................................................101  

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

ix
5.3.1 Création des index .....................................................................................109  

5.3.2 Écriture du modèle de régression et structure des résultats ......................112  

5.4 Régression et analyse de la vidéo 1 ..................................................... 113  

5.4.1 Analyse du R2 et de la variance pour la première régression.....................113  

5.4.2 Inférence des paramètres et analyse des β de la 1ère régression ..............114  

5.4.2.1 ß1 Centralité.........................................................................................116  

5.4.2.2 ß2 Centralité 2......................................................................................116  

5.4.2.3 ß3 Appréciation [APP] ..........................................................................116  

5.4.2.4 ß4 Efficacité connective [EFC] .............................................................117  

5.4.2.5 ß5 Engagement [ENG] .........................................................................117  

5.4.2.6 ß6 Réputation [REP1] ..........................................................................117  

5.4.2.7 ß7 Efficacité informative [EFI1] ............................................................118  

5.4.2.8 ß8 Valeur du gain collectif [VGC1] .......................................................118  

5.4.3 Rangement des effets pour la 1ère régression ............................................118  

5.4.4 Analyse de la colinéarité avec les VIF pour la 1ère régression....................119  

5.4.5 Analyse des résidus pour la 1ère régression ...............................................120  

5.5 Régression et analyse de la vidéo 2 ..................................................... 124  

5.5.1 Analyse du R2 et de la variance pour la 2nde régression .............................124  

5.5.2 Inférence des paramètres et analyse des β ...............................................125  

5.5.2.1 ß1 Centralité.........................................................................................127  

x
5.5.2.2 ß2 Centralité 2......................................................................................127  

5.5.2.3 ß3 Appréciation [APP] ..........................................................................127  

5.5.2.4 ß4 Efficacité connective [EFC] .............................................................128  

5.5.2.5 ß5 Engagement [ENG] .........................................................................128  

5.5.2.6 ß6 Réputation [REP2] ..........................................................................128  

5.5.2.7 ß7 Efficacité informative [EFI2] ............................................................129  

5.5.2.8 ß8 Valeur du gain collectif [VGC2] .......................................................129  

5.5.3 Rangement des effets pour la 2nde régression............................................129  

5.5.4 Analyse de la colinéarité avec les VIF pour la 2nde régression ...................130  

5.5.5 Analyse des résidus pour la 2nde régression...............................................131  

5.6 Régression et analyse des deux vidéos combinées ............................. 134  

5.6.1 Analyse du R2 et de la variance pour la 3ème régression ............................134  

5.6.2 Inférence des paramètres et analyse des β pour la 3ème régression .......135  

5.6.2.1 ß1 Centralité.........................................................................................136  

5.6.2.2 ß2 Centralité 2......................................................................................137  

5.6.2.3 ß3 Appréciation [APP] ..........................................................................137  

5.6.2.4 ß4 Efficacité connective [EFC] .............................................................137  

5.6.2.5 ß5 Engagement [ENG] .........................................................................138  

5.6.2.6 ß6 Réputation [REPT] ..........................................................................138  

5.6.2.7 ß7 Efficacité informative [EFIT] ............................................................138  

xi
5.6.2.8 ß8 Valeur du gain collectif [VGCT] .......................................................138  

5.6.3 Rangement des effets pour la 3ème régression ...........................................139  

5.6.4 Analyse de la colinéarité avec les VIF pour la 3ème régression ..................139  

5.6.5 Analyse des résidus pour la 3ème régression ..............................................140  

5.7 Récapitulatif des résultats ..................................................................... 144  

5.7.1 Modèle et récapitulatif des hypothèses validées ........................................144  

5.7.2 Récapitulatif de l’analyse des VIF ..............................................................146  

5.7.3 Récapitulatif de l’analyse des résidus ........................................................146  

CHAPITRE VI : Discussion des résultats.................................. 148  

6.1 Rappels des objectifs ............................................................................ 148  

6.2 Résultats clés ........................................................................................ 149  

6.2.1 Valeur du gain collectif ...............................................................................149  

6.2.2 Efficacité informative ..................................................................................151  

6.2.3 Les variables non significatives ..................................................................154  

6.2.4 Contenu hédoniste VS contenu instrumental .............................................156  

6.2.5 Variables permanentes VS variables contextualisées ...............................158  

6.3 Implications ........................................................................................... 159  

6.3.1 Implications académiques ..........................................................................159  

6.3.2 Implications managériales ..........................................................................161  

xii
6.4 Limites ................................................................................................... 163  

6.4.1 La mesure du comportement de partage ...................................................163  

6.4.2 Biais de population .....................................................................................163  

6.4.3 Objectif de contribution et objectif de partage ............................................164  

6.4.4 Raffinage des mesures nécessaires ..........................................................164  

CHAPITRE VIII : Conclusion ...................................................... 165  

CHAPITRE IX : Bibliographie ..................................................... 167  

Annexe I : Résultats détaillés de l’analyse en composantes principales du

pré-test ........................................................................................................ 192  

Annexe II ..................................................................................................... 264  

Sorties techniques et analyse des résidus des trois régressions................ 264  

Annexe III .................................................................................................... 271  

Approbation du comité d’éthique................................................................. 284  

xiii
Liste des figures

Figure 1 : les principaux sites de partage vidéo en ligne.............................................................................. 7  

Figure 2 : Illustration basique d'un réseau (tiré de Newman 2003) ........................................................... 30  

Figure 3 : Différences entre réseaux aléatoires et réseaux sans échelle).................................................. 33  

Figure 4 : Représentation du réseau biologique de maladies et de leurs gènes communs connus. ......... 38  

Figure 5 : Représentation du réseau formé par la blogosphère francophone ............................................ 39  

Figure 6 : Modèle théorique de Wako et Faraj (2005)................................................................................ 57  

Figure 7 : Modèle théorique de la présente étude...................................................................................... 59  

Figure 8 : Intégration de la vidéo ................................................................................................................ 80  

Figure 9 : Résidus de la première régression .......................................................................................... 122  

Figure 10 : Résidus de la première régression (suite).............................................................................. 123  

Figure 11 : Résidus de la seconde régression ......................................................................................... 132  

Figure 12 : Résidus pour la seconde régression (suite) ........................................................................... 133  

Figure 13 : Résidus pour la régression totale........................................................................................... 142  

Figure 14 : Résidus pour la régression totale (suite)................................................................................ 143  

Figure 15 : illustration des hypothèses validées par le modèle ............................................................... 144  

Figure 16 : "I can haz cheezburger" ......................................................................................................... 153  

xiv
Liste des tableaux

Tableau 1 : Récapitulatif des hypothèses................................................................................................... 74  

Tableau 2 : Mesure du construit "Réputation" [REP].................................................................................. 83  

Tableau 3 : Mesure du construit "Appréciation" [APP] ............................................................................... 84  

Tableau 4 : Mesure du construit "Centralité" [CENT] ................................................................................. 86  

Tableau 5 : Mesure du construit "Efficacité Connective" [EfC] ................................................................... 87  

Tableau 6 : Mesure du construit "Efficacité Informative" [EfI]..................................................................... 88  

Tableau 7 : Mesure du construit "Engagement" [ENG] .............................................................................. 89  

Tableau 8 : Mesure du construit "Valeur du gain collectif" [VGC]............................................................... 90  

Tableau 9 : Mesure de la variable dépendante "Intention" [INT] ................................................................ 91  

Tableau 10 : Statistiques socio-démographiques et usage de Facebook .................................................. 96  

Tableau 11 : Alpha de Cronbach par construit ........................................................................................... 99  

Tableau 12 : Alpha de Cronbach par Construit (suite) ............................................................................. 100  

Tableau 13 : Résultats de la première APC ............................................................................................. 101  

Tableau 14 : Matrice après rotation de la première ACP.......................................................................... 102  

Tableau 15 : Matrice après rotation de la première ACP (suite)............................................................... 103  

Tableau 16 : Résultats de la seconde APC .............................................................................................. 105  

Tableau 17 : Matrice après rotation de la seconde ACP .......................................................................... 105  

Tableau 18 : résultats de l’ACP confirmatoire .......................................................................................... 106  

Tableau 19 : Matrice après rotation de l’ACP confirmatoire ..................................................................... 107  

Tableau 20 : Matrice après rotation de l’ACP confirmatoire (suite) ......................................................... 108  

Tableau 21 : Nomenclature des variables utilisées pour les régressions................................................. 110  

Tableau 22 : Statistiques descriptives par index ...................................................................................... 111  

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


ère
Tableau 23 : R2, R2 ajusté et p-value de la 1

Tableau 24 : p-value cote t et VIF de la première régression................................................................... 115  

Tableau 25 : Classement des effets pour la première régression ............................................................ 119  

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


ère
Tableau 26 : VIF pour la 1

xv
régression ............................................................ 121  
ère
Tableau 27 : tests de normalité des résidus de la 1

régression...................................................................................... 125  
nde
Tableau 28 : R2 et p-value de la 2

régression ........................................................................... 126  


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

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


nde
Tableau 30 : Classement des effets pour la 2

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


nde
Tableau 31 : VIF pour la 2

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


nde
Tableau 32 : tests de normalité des résidus de la 2

régression ..................................................................................... 134  


ème
Tableau 33 : R2 et p-value de la 3

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


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

Tableau 35 : Classement des effets pour la première régression ............................................................ 139  

régression.................................................................................................. 140  
ème
Tableau 36 : VIF pour la 3

régression........................................................... 141  
ème
Tableau 37 : tests de normalité des résidus de la 3

Tableau 38 : récapitulatif de la validation des hypothèses ....................................................................... 145  

Tableau 39 : récapitulatif des VIF ............................................................................................................. 146  

Tableau 40 : récapitulatif des analyses des résidus ................................................................................. 147  

xvi
CHAPITRE  1  :  Introduction  

1.1  Contexte  

1.1.1 Marketing, nouveaux usages et médias sociaux

« Nos activités dans le numérique ont progressé de 15%, et représentent

aujourd’hui 27% de nos revenus globaux », se félicitait en avril 2010 Maurice

Lévy, président et chef du directoire de Publicis Groupe, le troisième groupe de

communication au monde, lors de la publication des résultats financiers de son

entreprise, au premier trimestre 2010.1

Malgré la crise économique de 2008 et les difficultés qu’ont connu tous les

grands groupes de communication, publicité et marketing au cours des deux

dernières années, les investissements liés au numérique, bien qu’ayant chuté

globalement en 2009, ne cesseront de progresser dans l’avenir. 2

L’industrie des communications n’est pas la seule à avoir changé de façon

drastique, suite aux évolutions des technologies de communication. Les usages

du public de ces innovations sont tout aussi surprenants.

1
Source : PR Newswire, 21 avril 2010 : http://www.prnewswire.com/news-releases/publicis-
groupe-first-quarter-2010-revenue---back-to-growth-91790689.html
2
Source : Emarketer : http://www.emarketer.com/Reports/All/Emarketer_2000615.aspx

1
Parmi les nouveaux usages en vogue sur la toile, il en est un qu’il est difficile

d’ignorer : les « Média Sociaux». Il est encore difficile de cadrer précisément ce

néologisme, aux vues des discussions ayant encore lieu à ce sujet, chez les

spécialistes. Cependant, il est possible de définir globalement les médias

sociaux comme étant :

« Un groupe d’applications en ligne permettent la création et l’échange

du contenu généré par les utilisateurs » (Haenlin & Kaplan 2007)

La littérature explorant les aspects sociaux d’Internet emploie plus fréquemment

le terme de « réseau social en ligne », dérivé entre autres de travaux de

Grannovetter (1973) sur les réseaux sociaux, où celui-ci décrivait la façon dont

l’information circule au sein d’un réseau, en fonction de la force du lien unissant

les individus le composant.

Les outils considérés comme étant des médias sociaux peuvent avoir des buts

initiaux différents, comme le partage de musique, de photos, d’informations

personnelles ou de contenu écrit ou vidéo, mais ils ont en commun le fait de

permettre à leurs utilisateurs de créer, d’interagir, et de partager des

informations. Parmi ces services, on peut compter quelques piliers comme

Facebook, FlickR, Youtube ou encore Twitter, qui ont pour particularité de

« lier » les internautes entre eux, créant ainsi l’enchaînement dyadique

nécessaire à la construction d’un réseau. Ces types de liens portent des noms

différents en fonction des outils utilisés, mais renvoient à la même conception

de la connexion entre les individus : les internautes sont « amis » sur

2
Facebook, « collègues » sur LinkedIn, « Followers/Followed » sur Twitter

(Twitter établit une relation asymétrique), ou tout simplement « contacts » sur

FlickR.

1.1.2 Facebook

Parmi les services sus-mentionnés, il en est un qui se détache du lot, pour

plusieurs raisons : que ce soit grâce à l’attention médiatique qu’on lui porte

depuis bientôt trois ans, que ce soit parce que sa courbe d’adoption fulgurante

atteint aujourd’hui plus de cinq cent millions d’utilisateurs, ou à cause des

frasques de son jeune fondateur Mark Zuckerberg, à propos de la vie privée,

Facebook fait indéniablement figure de numéro un dans la sphère des médias

sociaux.

Fondé en 2004 dans un dortoir d’Harvard, ce réseau-social en ligne est

aujourd’hui une des entreprises les plus florissantes de la Sillicon Valley.

Microsoft y a investi plus de 240 millions de dollars en 2008, portant ainsi

l’évaluation financière de l’entreprise à près de 10 milliards de dollars à

l’époque. Après 6 années d’existence, Facebook est évalué à plus de 35

milliards de dollars. 3 4

Si les géants de la technologie ou de la finance s’intéressent à Facebook, les

experts du marketing également. En effet, les fonctionnalités du site ont permis

à de nombreuses entreprises, de toute taille, de s’y implanter, tant à l’échelle

3
http://www.facebook.com/press
4
http://www.allfacebook.com/report-facebook-now-worth-35-billion-2010-03

3
locale que globale, afin de bénéficier des services offerts par la plate-forme,

comme la création de « fanpage » (page fan), où les opérations de

dissémination de contenu publicitaire sont depuis monnaie courante dans la

sphère du marketing interactif.

1.1.3 Marketing Viral

Comme pour tout média réunissant une audience massive, Internet est depuis

une dizaine d’années, un terrain d’expérimentations très prisé des

professionnels du marketing. Au delà de la publicité en ligne sous ses formes

traditionnelles, (bannière de différents formats, emails promotionnel), les

praticiens du marketing en ligne s’intéressent de plus en plus aux stratégies

mettant à contribution les internautes de façon interactive, les incitant à se

« passer le mot ». Ce type de procédé qualifié de viral a été démocratisé par le

service de messagerie en ligne Hotmail, qui, en 1996, a intégré dans chaque

courriel envoyé, un message cliquable invitant les récepteurs à s’inscrire à ce

service (Juvertson 2000). Ainsi, le service de messagerie a enregistré une

hausse exponentielle du nombre d’inscriptions avec près de douze millions

d’inscriptions en moins de dix-huit mois.

Facebook est considéré comme un éco-système très favorable à la propagation

des informations entre les individus, et est devenu en quelques mois la plate-

forme favorite des spécialistes du marketing viral. À titre d’exemple, près de

4
20% du trafic du journal en ligne le Huffington Post provient de Facebook5, ce

qui souligne bien que l’information y est non seulement présente, mais qu’elle y

circule.

Sommairement, le marketing viral utilise les internautes et les recommandations

qu’effectuent des individus auprès de leurs connaissances afin de promouvoir

un message, service, produit ou marque. Ainsi, les retombées peuvent être

réellement conséquentes, pour un investissement initial minimal. Les

principales théories sur le marketing viral empruntent leurs fondations à celles

du bouche-à-oreille, et son qualifiées de bouche-à-oreille électronique (souvent

décrit par la littérature anglophone comme « word-of-mouse » : Steffes et

Burgee 2002 ; Subramani ; Rajagopalan 2003).

Les schémas de transmission, sont presque identiques en ligne et hors ligne

(Hennig-Thurau et al. 2004), et peuvent dépendre des contextes : il est possible

de transmettre une information à caractère publicitaire ou non, à une seule ou

plusieurs personnes simultanément, tout comme il est possible de

recommander un produit ou service à une seule ou plusieurs personnes.

Cependant, la principale différence entre le bouche-à-oreille traditionnel et le

marketing viral, réside dans le fait que le marketing viral suggère que les

personnes touchées, « infectées », transmettent à leur tour l’information à

d’autres personnes, et ceci de façon répétitive et exponentielle. Le bouche-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

5
personne à une autre, sans engendrer nécessairement la volonté de

retransmettre l’information par la suite (Godin 2007) ou qui, à défaut de subir

une croissance exponentielle, finirait par s’évanouir petit à petit. Aucun écrit de

la littérature sur le bouche-à-oreille ne mentionne d’aspect exponentiel, alors

que c’est une des caractéristiques de celle sur le marketing viral. Les effets et

conséquences du bouche-à-oreille traditionnel diffèrent donc de ceux du

marketing viral, mais ces deux pratiques ont en commun d’être motivées par

des facteurs similaires, internes et externes.

Depuis 1996 et le lancement de Hotmail, de nombreux annonceurs ont pris le

tournant et ont emprunté la voie du marketing viral, en incitant les internautes à

devenir leurs médiateurs. Des marques de renommées internationales, comme

Quicksilver, Doritos, Levi’s, Procter&Gamble, Ray-Ban ou Mini-Cooper, utilisent

ces procédés de façon régulière : qu’il s’agisse de vidéos, de sites

promotionnels interactifs, de création de blogs ou de groupes de fans sur

Facebook, l’attention portée par les annonceurs sur les consommateurs et leur

potentiel de propagation des messages publicitaires s’est traduite par une

montée spectaculaire des pratiques liées aux aspects sociaux et

communautaires du web. Les mentions comme « envoyer à un ami » ou

« partager ceci » fleurissent autour des contenus produits par les annonceurs,

et certaines actions de marketing à succès, font aujourd’hui partie intégrante de

la cyber-culture, comme la publicité « Wassup » de Budweiser, ou encore le

6
spot « Evolution » de Dove (Lion d’or du grand prix international de la publicité

de Cannes en 2007)6.

1.1.4 Statistiques, format vidéo et « loi de Zuckerberg »

Les investissements publicitaires dans le format vidéo en ligne représentent

aujourd’hui 1,5 milliards de dollars, et les prévisions annoncent qu’en 2014, plus

de 5 milliards de dollars y seront dépensés annuellement. 7 En ce qui concerne

les usages, le format vidéo reste le format favori pour le divertissement en ligne

aux États Unis, avec une moyenne de plus de 4 heures et demie par mois, et

un taux de pénétration de 60% de la population internaute. Le site de partage

vidéo Youtube reste leader incontesté sur ce marché, alors que Facebook s’est

placé en seconde position des sites les plus fréquentés pour consommer de la

vidéo (voir figure 1).

Figure 1 : les principaux sites de partage vidéo en ligne

6
Archive du site Canneslions.com
7
Source : Adweek et emarketer :
http://www.adweek.com/aw/content_display/news/digital/e3i2a62321a15dd65d8a686bcb4cb2e5
2c8

7
Ces statistiques varient en fonction des instituts d’études, de par la

méthodologie et dans la façon dont sont présentés les résultats. Cependant ; la

tendance à la hausse se confirme, et l’arrivée de nouveaux outils mobiles (iPad,

téléphones intelligents) ne fait que confirmer l’état solide de ce médium.

Aujourd’hui, 83% des professionnels du marketing ont recours à des pratiques

liées aux médias sociaux, et plus de 70% des internautes utilisent des sites de

partage de vidéo, de photo, lisent des blogs, ou sont membres d’un réseau

social en ligne. En 2008, Mark Zuckerberg, le jeune président du réseau social

Facebook annonçait que les utilisateurs allaient échanger sur son site deux fois

plus d’information que l’année précédente.

“I would expect that next year, people will share twice as much information as

they share this year, and next year, they will be sharing twice as much as they

did the year before,” he said. “That means that people are using Facebook, and

the applications and the ecosystem, more and more.”

Ainsi, il est légitime de penser, sans toutefois donner entièrement raison à la

« loi de Zuckerberg »8, que devant la quantité grandissante de données

échangées en ligne sur les médias sociaux, les messages à caractères

publicitaires, et spécifiquement les vidéos, y trouveront leur place.

8
La « loi de Zuckerberg est une référence ironique à la loi de Moore parue dans la version en
ligne du New York Times après la citation sus-mentionnée.

http://bits.blogs.nytimes.com/2008/11/06/zuckerbergs-law-of-information-sharing/

8
1.2  Problématique  

1.2.1 Un processus aléatoire et incontrôlable

Une des principales problématiques qui concerne l’efficacité des actions de

marketing viral est qu’elles ne sont pas absolues. Même si il existe quelques

facteurs évidents concernant le fait qu’un contenu suscitera ou non l’intérêt des

internautes, comme les émotions transmises (Dobele et al. 2005), il est pour

l’instant impossible de prédire fermement et par avance qu’une réalisation se

propagera ou non.

Quelques études applicables au marketing viral se sont centrées sur la

structure, les systèmes et les processus de transmission et de diffusion des

informations au sein des réseaux sociaux, en ligne ou non (Newman 2003 ;

Leskovek et al. 2007), mais il n’existe que très peu de cas académiques où le

comportement de transmission et les facteurs influençant l’internaute sont

examinés (Huang et al. 2008).

La complexité des dynamiques de transmission d’information dans les réseaux

sociaux fait qu’à l’heure actuelle, la plupart des productions «virales» ont été

basées sur des observations classiques de ce qui a fonctionné ou non,

auparavant. Cette approche hasardeuse, mais néanmoins compréhensible des

producteurs, est révélatrice du manque d’informations et d’orientation quant aux

stratégies à adopter. Pourtant, de plus en plus, les responsables de la diffusion

de tels messages ont naturellement réalisé que grâce à certaines pratiques

9
relevant des relations publiques, il était possible donner aux messages un élan

de départ en faisant en sorte que ceux-ci se retrouvent sur des sites à forte

audience (blogs reconnus, journaux et organes presse en ligne divers).

Une autre problématique liée au marketing viral, qui a déjà été abordée par la

littérature sur le bouche-à-oreille, concerne les effets positifs et négatifs des

opérations. En effet, comme mentionné précédemment, le marketing viral est

difficilement contrôlable et ce, sur plusieurs aspects. Premièrement en termes

de diffusion, un message publicitaire n’étant pas nécessairement destiné à

devenir viral peut finalement se trouver être digne de l’intérêt des internautes, et

se propager sur le Web. Le cas typique concerne les publicités diffusées lors de

la finale du Superbowl, qui, au lendemain de l’événement, se retrouvent dans

les boites de courriel de millions de personnes, sur les profils Facebook ou

dans les favoris de Youtube.

En second lieu, il est à noter qu’un contenu qui deviendrait viral n’est pas

forcément une caractéristique positive, et plusieurs messages publicitaires se

sont retrouvés au cœur de polémiques néfastes pour leur annonceur.

Récemment, la marque d’aspirine Motrin en a fait les frais, et sa vidéo, qui

présentait avec condescendance la douleur que pouvait représenter le fait de

porter un enfant, a suscité la polémique auprès des « mamans blogueuses »,

pour qui le ton de la vidéo était trop accablant. Le message a ensuite pris de

l’ampleur sur le site de « micro-blogging » Twitter, après mention d’un des

Twitters les plus actifs dans le monde (David Armano) pour au final, susciter

10
l’incompréhension et parfois l’indignation de certains blogueurs. Les

conséquences ont été assez dramatiques : la publicité qui avait coûté plusieurs

milliers de dollars a été retirée des ondes, l’achat d’espace publicitaire payé

d’avance a été revendu à perte (engendrant une supposée perte de plusieurs

millions de dollars), le pire restant les appels aux boycotts des produits de

Motrin qui ont émergés par la suite9.

1.2.2 Structure des réseaux sociaux

Il est d’autant plus délicat de mesurer, de contrôler, ou de prédire l’impact d’une

campagne de marketing viral, que le Web et de façon plus précise, les réseaux

sociaux en ligne, sont des réseaux larges et « sans échelle ». Autrement dit, les

liens composant le réseau ne suivent pas une loi de distribution normale, et leur

variance est infinie (Barabasi 1999). Il est important de noter ce contexte de

réseau sans échelle, lorsque l’on étudie les réseaux sociaux en ligne.

Sans aller jusqu’à l’exploration poussée des formules mathématiques

permettant de prouver l’existence de tels réseaux, il est nécessaire de préciser

que la topologie des réseaux sans échelle est constituée de nœuds (la plupart

du temps des pages HTML ou des URL) ayant un nombre plus important de

liens (liens pointant vers ces pages), de connexions, que les autres. Ainsi, les

liens entre les membres d’une communauté virtuelle ne sont pas répartis de

façon aléatoire, et certains disposent de beaucoup plus de connexions que

d’autres.
9
http://www.web-strategist.com/blog/2008/11/17/motrin-mothers-groundswell-by-the-numbers/

11
Dans un contexte de média social, ces « hubs » sont des utilisateurs au centre

des réseaux. En repensant au cas Motrin mentionné précédemment, on peut

clairement considérer que David Armano est un « hub » sur Twitter. Le fait qu’il

ait endossé la cause des mères en colère a permis au message d’atteindre une

masse d’internautes plus éloignée dans le réseau, lui donnant ainsi une

exposition plus grande.

Ces personnalités hyper-connectées et « influentes » sont aujourd’hui la cible

prioritaire des professionnels du marketing, car la population potentielle

exposée à leurs propos est généralement plus massive, en plus du fait qu’ils

permettent au message d’atteindre de nouvelles sphères d’influence. (Kempe et

al. 2003 ; Java et al. 2007).

1.2.3 Flou stratégique : perspective Micro versus Macro

Un des principaux problèmes des gestionnaires d’aujourd’hui se situe dans la

perspective d’étude du phénomène de propagation virale des informations. Si le

processus est plus ou moins connu et que certains mécanismes ont su faire

leurs preuves dans la facilitation du procédé, d’autres restent encore des zones

grises peu exploitées.

Plusieurs s’attèlent à mettre en œuvre des stratégies de dissémination, auprès

des relais d’influence (blogueurs, médias, « hubs » etc.) afin d’obtenir de

l’audience. De même, au niveau des contenus, certaines propriétés de ces

derniers se sont avérées être des qualités évidentes d’aide à la propagation.

12
Par exemple, on sait que les vidéos choquantes, très drôles, les informations

politiques ou tout ce qui fait référence à un aspect particulier d’une culture, sont

des contenus plus propices à la propagation. De même, au niveau structurel,

les travaux de sociologie découlant de Granovetter (1973) et sa théorie de la

force des liens faibles, ont mis en exergue des contextes sociaux plus ou moins

propices à la propagation des informations dans un réseau social (Steffes et

Burgee 2008).

En revanche, peu de gestionnaires ont étudié le phénomène à une échelle plus

individuelle. Même si le domaine du marketing viral reste un champ nouveau, et

que plusieurs préfèrent en étudier les conséquences ou les mécanismes, il

existe aujourd’hui suffisamment de matériel (individus, données,

environnements) pour étudier non pas le processus, mais ce qui le motive.

En somme, on connaît la façon dont un contenu se propage, on connaît les

contextes et outils favorables, on connaît les contenus. La question qui

permettrait de faire avancer ce champ de pratique, et d’éclairer les décisions

des gestionnaires reste « Pourquoi ».

13
1.3  Limites  des  recherches  existantes  

1.3.1 Le courriel comme principal vecteur

Il serait prétentieux d’affirmer que les médias sociaux et la propagation

d’informations « virales » ne font pas l’objet de recherches. Dans beaucoup de

sphères académiques, et principalement en sciences sociales, on voit émerger

des études sur le phénomène. Celles-ci ont permis de tracer les premières

lignes directrices de projets à venir, comme les travaux de l’anthropologue

digitale Danah Boyd (Boyd 2008). La Science des réseaux, et ses chefs de file

comme Barabasi, Watts, Marlow, orchestrent également une approche plus

physique et mathématique des conséquences de la création de ces liens

sociaux sur la transmission et la diffusion d’informations en leur sein. Il est

également possible de citer le « Hewlett Packard Social Computing Lab » de

l’Université Stanford, une entité dédiée à l’étude du phénomène depuis

plusieurs années maintenant.

Les études les plus populaires menées sur les intentions de transmission d’un

message dit « viral », ont pour la plupart été menées en prenant comme

support à la transmission, le courriel (Phelps et al. 2004 ; Chiu et al. 2006 ;

Huang et al. 2008). Ainsi il a été possible d’identifier des facteurs déterminants,

dans un comportement de transmission de message, comme les émotions

provoquées, et la nature des contenus dans le message (Phelps et al. 2004),

14
l’effet de surprise (Lindgreen et Vanhamme 2005) ou les dimensions sociales

(Huang et al. 2008).

En revanche, il n’y a à ce jour aucune étude portant sur les utilisations des

médias sociaux comme support au marketing viral. Or, de par leur nature

sociale, leur construction ergonomique, leurs interfaces simplifiées, et la

quantité d’information partagée s’y trouvant, il semble cohérent de penser que

ces derniers seraient un catalyseur efficace à la diffusion « virale » d’un

message.

Il est encore délicat de se prononcer sur la pérennité de telles études, vu la

manière dont les comportements et usages en ligne changent. Malgré cela, il

est aujourd’hui possible d’affirmer que web social et marketing viral coïncident

de manière cohérente, et la juxtaposition de ces deux sphères d’études dans un

cadre académique est amplement justifiée par la pratique.

1.3.2 Problème de terminologie : qu’est ce que le « viral »

La littérature sur le sujet est également hésitante à déterminer précisément

l’adjectif « viral » dans un contexte d’affaire. Si en médecine la terminologie est

claire, pour les gestionnaires elle est loin d’être définie. Ce terme emprunté à

l’épidémiologie, peut en effet porter à confusion. Même si dans le processus de

diffusion au sein d’un réseau, un virus et une information utilisent les membres

du dit réseau pour se propager, la manière dont ils se propagent et les lois

entourant leur propagation sont différentes.

15
Suite à la création du terme, le qualificatif « viral » a également été utilisé,

certainement à tord, pour décrire certaines formes de contribution à un contenu

(commentaires, revues…) raccrochant ainsi l’adjectif viral, au processus de

bouche-à-oreille.

Le choix d’un consommateur de partager une donnée dite virale, de devenir un

« multiplicateur » (McCraken 2005) n’est en rien comparable avec la propriété

pathogène d’une maladie transmissible à se propager au travers d’un réseau,

dans le sens où la donnée laisse un choix, et qu’un virus sous-entend une

forme de « soumission ». Si l’on regarde l’histoire de terme « viral » en

marketing, on sait que la première personne à l’avoir utilisé était Juvertson, un

investisseur de la Sillicon Valley, qui l’utilisa en 1999 pour décrire le procédé

d’acquisition de clients de la messagerie en ligne Hotmail, qui insérait un lien

vers son service à chaque fois qu’un courriel était envoyé. Hors, Hotmail ne

prenait aucunement en compte la volonté des utilisateurs à partager ou non

cette donnée, et « soumettait » ses utilisateurs à cette pratique.

Ce flou terminologique a fait naître un récent débat à ce propos, certains

académiques (Jenkins 2009) et professionnels ont proposé le terme

« spreadable » (diffusable) pour décrire le procédé entourant la diffusion

aujourd’hui dite « virale ».

Cependant, en observant la transmission en soi (et non ses motivations), des

universitaires plus scientifiques (physiciens, épidémiologues, mathématiciens)

ont fait avancer cette science des réseaux de façon à démontrer plusieurs

16
similarités structurelles entre la propagation des maladies et celles des

informations au sein d’un réseau (Pastor-Satorras et Vespignani 2001).

1.3.3 La valeur du contenu commercial dans les médias sociaux

Si l’étude de la transmission d’information en général intéresse les chercheurs,

la diffusion de contenus explicitement publicitaires reste encore peu explorée.

La forme du message (choquant, drôle…) ayant déjà été abordée, il n’a pas été

clairement mentionné, dans aucune des études précédemment nommées, que

les contenus à caractère publicitaires étaient l’objet précis de recherche. Même

si la limite est parfois mince et la distinction peu évidente entre un contenu

publicitaire et un contenu neutre (certains annonceurs restant très discrets dans

leurs productions), cette perception pourrait changer l’attitude du transmetteur,

et la force de son désir de faire passer l’information.

Or, face à la qualité de certains messages à caractères publicitaires, et à leur

valeur hédoniste ou informative (Vidéo, Jeux, textes…), il est possible que le

récepteur d’un message déjà engagé auprès d’une marque ou d’un produit,

puisse en devenir l’évangéliste et décide de la partager avec ses contacts. À

l’inverse, si un internaute juge négativement le fait qu’un contenu qu’il trouve

intéressant soit en fait un message à caractère publicitaire, il pourra

éventuellement se résoudre à ne pas le partager, ou pire encore, le dénigrer

publiquement.

17
1.4  Objectifs  de  cette  étude  

Aux vues des précédentes pages, il apparaît clairement que les nouvelles

formes de relations sociales en ligne, la diffusion des informations au sein des

réseaux sociaux et l’utilisation du marketing viral, font chacun l’objet de

plusieurs travaux académiques. En revanche, à l’heure actuelle, aucune étude

n’a encore appliqué le contexte de média social comme support à la diffusion

de messages publicitaires, grâce aux stratégies virales. S’inscrivant dans une

perspective individuelle, cette étude a pour but d’identifier les facteurs qui

influencent l’intention des internautes à partager un contenu à caractère

publicitaire, dans un contexte de média social.

1.5  Questions  de  recherche  et  structure  du  document  

Afin de compléter les objectifs de l’étude, il sera nécessaire de répondre à

plusieurs questions de recherche.

En premier lieu, le but de cette recherche est d’identifier les facteurs qui

influenceraient l’intention de partager un contenu publicitaire dans un contexte

de média social.

Ainsi, la première question de recherche serait la suivante :

Question de recherche 1 : Quels sont les facteurs qui influencent une intention

de partager un contenu à caractère publicitaire, dans un contexte de média

social ?

18
La seconde question à se poser, afin de répondre à celle-ci, tient dans la

sélection des théories déjà existantes :

Question de recherche 2 : Quelle théorie serait applicable au contexte de

média social, dans l’optique d’un partage de contenu à caractère publicitaire ?

Par la suite, la nécessité de prouver quels facteurs sont les plus efficaces pour

mesurer cette intention, amène à poser la question suivante :

Question de recherche 3 : Les facteurs identifiés dans les théories ont-ils tous

la même force sur l’intention de partager ?

L’importance du contenu partagé pose logiquement la question suivante :

Question de recherche 4 : Le type de contenu partagé a-t-il une influence sur

la force des facteurs qui expliquent l’intention de partager ?

Enfin, il serait nécessaire de s’interroger sur la mesure du comportement et de

l’intention.

Question de recherche 5 : Y a-t-il un lien évident entre l’intention déclarée de

partager un contenu à caractère publicitaire et le comportement de partage ?

19
CHAPITRE  II  :  Revue  de  littérature  

Dans le but d’identifier et mesurer les facteurs qui influencent une intention de

partage dans un contexte de réseau social en ligne, il est nécessaire de

s’intéresser aux disciplines qui ont exploré et tenté d’expliquer, avec plus ou

moins de succès, des phénomènes similaires, ou ayant quelques points

communs avec le contexte, au cours des dernières décennies.

Ainsi, il sera en premier lieu question de Marketing. Le partage de contenu

publicitaire par les internautes est un Graal que certaines entreprises tentent de

décrocher et que beaucoup de chercheurs et praticiens ont tenté d’expliquer.

Cependant, certains des enjeux et résultats bénéfiques de pratiques visant à

faire participer l’internaute à la transmission d’un message, pour créer du

bouche-à-oreille électronique sont déjà reconnus tant par la communauté

scientifique que professionnelle (Bampo et al. 2008), et depuis plusieurs

années, l’aspect « viral » du Marketing sur Internet, le « Word-of-Mouse », est

un phénomène qui a su prendre de solides racines théoriques, même si bien

des points restent à éclaircir.

Par la suite, le fort potentiel de connectivité entre les internautes

consom’acteurs du marketing viral, amènera logiquement à porter un regard

intéressé à la sociologie, et à la science des réseaux, qui bénéficient du

potentiel amené par Internet, depuis que la technologie permet de plus en plus

aisément de cartographier, mesurer, recenser et comprendre à la fois la

20
structure des relations mais également la circulation des informations au sein

de ces réseaux. De plus, Facebook (comme les outils sociaux du Web en

général), est un outil qui a suscité un phénomène d’une rare ampleur dans cette

branche des sciences humaines, « bouleversant » quelques peu certaines

règles établies dans le domaine de la Sociologie (Boyd 2008).

Enfin, il sera bon de prendre sérieusement en considération ce que proposent

les Technologies de l’Information, domaine qui explore depuis plusieurs années

maintenant les comportements humains face aux nouvelles méthodes de

communication, et dont les contributions sont certainement les plus

représentatives et les plus utiles pour cette étude (Wasko et Faraj 2005). En

effet, qu’il s’agisse du cadre de l’entreprise, de l’Université ou de la vie

courante, les problématiques du partage d’information en ligne, de la gestion

des connaissances en entreprise et des motivations à partager, ont déjà été

abordées de façon empirique a de nombreuses reprises et plusieurs études ont

reporté de francs succès dans cet exercice d’analyse.

Ce chapitre de l’étude s’articulera donc autour des trois disciplines

susmentionnées tout en conservant comme finalité les implications pour le

marketing viral.

21
2.1  La  littérature  en  Marketing    

Cette section présente l’évolution du concept de bouche-à-oreille. Le but de

l’étude étant de mesurer les facteurs qui influencent les intentions des

internautes à partager des contenus à caractère publicitaire au sein de leur

réseau social en ligne, un retour aux notions de base, sur la première forme de

communication générée par les consommateurs, à savoir le bouche-à-oreille

(B-à-O), est essentielle.

L’influence mutuelle exercée par les hommes sur leurs pairs est un fait

millénaire, qui attirait déjà l’attention des penseurs grecs, plusieurs siècles

avant Jésus Christ. Aristote parlait de persuasion dans son ouvrage « La

Réthorique », et les 2400 ans nous séparant de l’époque du philosophe ont fait

évoluer cet « art » vers une science…

2.1.1 La tradition du bouche-à-oreille

Le bouche-à-oreille est un phénomène qui suscite l’intérêt des chercheurs en

marketing depuis les années 60. L’un des pionniers de la discipline, Arndt

(1967) a décrit ce phénomène comme étant :

« une communication orale, d’un individu émetteur à individu récepteur, à

propos d’une marque, produit ou d’un service, que le récepteur ne perçoit pas

comme étant commercial. » (Arndt 1967 page 3 )

D’autres chercheurs (Cox 1967 ; Westbrook 1987) décrivaient le bouche-à-

oreille comme n’étant ni plus ni moins qu’une conversation informelle, à propos

22
de l’usage, de la propriété ou des caractéristiques d’un produit. Le vecteur de

communication direct et oral, impliquait que celui-ci fut éphémère, et que le

message contagieux d’un individu à un autre « s’évaporait », tout en

élargissant les frontières habituelles de la publicité traditionnelle, et en limitant

grandement le contrôle que les organisations avaient sur le message (Stern

1994).

La crédibilité du bouche-à-oreille se résume principalement à sa nature altruiste

et au faible coût social engendré (Goldsmith et Horowitz 2006). La motivation

pour un émetteur de fournir l’information au récepteur est articulée autour des

bénéfices que ce récepteur pourra en retirer. C’est une des raisons pour

lesquelles ce phénomène est plus crédible aux yeux des consommateurs que

les communications émanant directement des entreprises (Buttle 1998). La

sphère sociale du consommateur a joué un rôle décisif dans l’appréhension des

mécanismes du B-à-O. Certaines études (Brown et Reingen 1987) ont

démontré l’importance des liens sociaux et des ressemblances sociales

(homophilie) dans l’influence que génèrent les consommateurs entre eux. De

fait, l’efficacité des communications directes entre les consommateurs s’est

révélée être de loin supérieure à celle de la publicité traditionnelle (imprimée,

radio ou vente directe). Ces communications, en plus d’avoir une influence

directe sur les comportements d’achats, modifient les attentes, usages, et

perceptions post-usage des produits (Katz et Lazarsfeld 1955 ; Arndt 1967,

Engel et al. 1969).

23
Malgré certaines divergences sur le sujet, comme les motivations à générer des

recommandations en cas de satisfaction ou, au contraire, de forte insatisfaction

(Anderson 1998), il ressort quelques éléments clés indéfectibles et propres au

domaine hors-ligne, comme le côté éphémère, direct (face à face et dans le

temps), et oral, à la fois positif ou négatif de ces communications inter

consommateurs.

2.1.2 Le bouche-à-oreille électronique ou « word-of-mouse »

Avec l’arrivée des communications électroniques, ces caractéristiques

indéfectibles se sont vues transformées, même si fondamentalement, aucune

étude n’a fait émerger de différences majeures dans les antécédents du

bouche-à-oreille hors-ligne ou en ligne (Datta et al. 2005).

Internet a permis de briser certaines barrières, notamment géographiques, de la

portée du message. Le côté direct et vivant s’est vu effacé au profit des

communications asynchrones (courriel, forum, commentaires de

consommateurs à même le site etc.) et la trace du message est devenue plus

persistante qu’une simple parole (Buttle 1998 ; Dellarocas 2003 ; 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

24
lorsque les deux sources ne se connaissent pas ou que l’une d’entre elles est

anonyme, mais que les dimensions altruistes ou démotivées en sont affectées

de façon négative. Par exemple, sur les commentaires des applications pour

iPhone, ou les revues de consommateurs d’Amazon, rien ne prouve que

l’auteur (ou une autre personne intéressée) n’est pas le contributeur (Steffes et

Burgee 2008). En revanche, certaines autres ressources de bouche-à-oreille ou

de rétroaction émanant d’experts sont recevables, et seraient toujours

considérées comme démotivées, lorsque la source est reconnue comme étant

« experte » par le récepteur. Les revues de consommateurs sur des sites

spécialisés sont un bon exemple. Le lien social pré-existant n’est donc plus une

condition nécessaire à l’existence d’une forme de bouche-à-oreille. Les

résultats de certaines études (Steffes et Brugee 2008) ont démontré que lors du

processus d’acquisition d’information, les sources homophiles étaient plus à

même d’être influentes dans la décision, que les sources d’information

provenant des connexions proches, de liens forts.

Les natures asynchrones et unidirectionnelles de certains messages en ligne

ont fait naître différents contextes de réception du message. Le consommateur

soumis à un message peut être désireux de le recevoir, lorsqu’il est en

recherche active d’informations, ou simplement être exposé au message

lorsqu’un membre de son réseau a pris l’initiative de lui en faire part, parce qu’il

a jugé que le message lui serait utile, ou agréable. Ces formes de transmission

du message non sollicitées s’opposent donc aux formes plus traditionnelles de

25
bouche-à-oreille, où le récepteur cherche à être influencé dans son processus

décisionnel (De Bruyn et Lilien 2008). Certains effets comme la surprise

peuvent alors déclencher des phénomènes d’amplification du message

(Lindgreen et Vanhamme 2005), transformant ainsi le récepteur en émetteur.

2.1.3 L’émergence du terme « viral »

Tel que mentionné dans le chapitre précédent, la première personne a avoir

évoqué le terme de « viral » en 1998, était un investisseur du nom de Steve

Jurvetson, qui, pour décrire le mécanisme d’acquisition de clients de la

messagerie en ligne gratuite Hotmail, avait souligné la rapidité exponentielle

avec laquelle l’entreprise avait réussi à toucher plus de douze millions de

clients, en insérant un lien cliquable dans chaque courriel envoyé, proposant un

accès au service aux personnes désireuses de s’abonner (Jurveston 1998 ;

Montgomery 2001 ; Phelps et al. 2006 ; Porter et Golan 2006 ; De Bruyn et

Lilien 2008). Depuis, plusieurs chercheurs se sont penchés sur cet aspect de la

diffusion d’information (Phelps et al. 2004 ; Dobele et al. 2005 ; De Bruyn et

Lilien 2008), qui pourrait se résumer ainsi :

« Le marketing viral est une technique visant à utiliser les réseaux et

connexions sociales existant entre les individus, afin de disséminer une

information, pour augmenter la connaissance d’un produit, d’une marque ou

d’un service de façon exponentielle » (adapté de Datta et al. 2005)

26
Plusieurs experts (Klopper 2002) ont prétendu que le terme viral n’était qu’un

« buzzword » qui désignait un concept déjà existant : celui du bouche-à-oreille.

Cependant, la croissance exponentielle des récepteurs lors de la dissémination

d’un contenu, le caractère social des outils en ligne et la volonté spontanée des

individus à partager ou transférer des informations font différer ces deux

termes, même si la ligne entre les deux pratiques est encore floue (Welker

2002 ; Phelps et al. 2004 ; Porter et Golan 2006). Une définition de cette

stratégie, soulignant bien les différences entre la communication virale et le

bouche-à-oreille électronique est celle donnée par Welker, qui affirme que :

La communication virale permet une diffusion du message de façon simplifiée,

accélérée et faible en coût, en créant des environnements propices à la

reproduction, la croissance exponentielle de la diffusion, et l’impact du

message. (adapté de Welker 2002, p4)

D’autres établissent que le véritable marketing viral diffère du bouche-à-oreille

traditionnel dans le sens où l’intérêt de l’émetteur est directement relié au

nombre de récepteurs qu’il expose dans son réseau (Modzelewski 2000), et

qu’il résulte d’une communication honnête et transparente entre les membres

d’un réseau social (Shirky 2000).

Les motivations d’un individu à partager ou transférer un contenu peuvent être

explorées sous différents angles : contrairement à ce qu’ont avancé certains

(Modzelewski 2000, Shirky 2000), les motivations des émetteurs d’un message

viral ne sont pas nécessairement désintéressées. De Bruyn et Lilien (2008)

27
exposent l’exemple du service de paiement PayPal, qui offrait un incitatif

financier aux utilisateurs qui recrutaient de nouveaux usagers par un système

de parrainage. Cependant ils argumentent qu’il est difficile d’établir la façon

dont l’aspect viral des communications de pairs-à-pairs fonctionne, et qu’il s’agit

vraisemblablement de la raison pour laquelle cette pratique d’utilisation des

connexions entre individus est encore considérée plus comme un art que

comme une science. Cependant, les motivations derrière un acte de

communication viral comme la transmission d’un message publicitaire par un

individu dans son réseau social peuvent également être la résultante de

facteurs humains (Porter & Golan 2006) comme le besoin de divertissement,

d’émotions et d’établissement de connexions sociales au travers de ces

contenus (Welker 2002 ; Phelps et al. 2004 ; Porter et Golan 2006)

Enfin, en s’intéressant au contenu partagé, plusieurs auteurs (Welker 2002 ;

Porter et Golan 2006) ont partagé le point de vue de l’importance d’un contenu

« accrocheur », « Sticky » (Gladwell 2002). Un contenu accrocheur et

mémorable serait une composante clé dans la retransmission d’un message

viral, et c’est une des raisons pour lesquelles les professionnels faisant appel à

cette technique produisent des contenus chargés émotionnellement, cherchant

à créer un « Wow effect » (Porter et Golan 2006).

28
2.2  La  littérature  sur  les  réseaux  et  réseaux  sociaux  

Cette section présente la littérature sur les réseaux sociaux et l’impact qu’ils ont

sur la recherche en Marketing et en Systèmes d’Information.

Depuis l’arrivée massive des consommateurs en ligne, devant le

développement de réseaux sociaux sur le web, et des outils pour en mesurer

les composantes physiques et structurelles, de nouvelles perspectives

s’ouvrent à la recherche.

Cependant, comme le mentionne Newman (2003), les recherches sur le

fonctionnement des réseaux et sur les comportements de leurs acteurs à

grande échelle sont moins en vogue dans la sphère académique que la

recherche sur les réseaux en soi, peut être parce qu’avant de chercher l’impact

d’un réseau sur un comportement, il est nécessaire de s’intéresser à sa forme,

à sa structure.

2.2.1 Réseaux : de la physique à la sociologie

Un réseau est un ensemble de composantes appelées nœuds ou pôles, et de

liens entre ces nœuds (Newman 2003). Le système de nœuds et de liens est

appelé un graphe, ou réseau. Les liens entre deux nœuds peuvent être non

dirigés, indiquant une relation symétrique ou réciproque entre deux pôles (par

exemple l’amitié), ou dirigés, indiquant la création d’un lien par rapport à

l’intervention d’un seul des deux nœuds connectés (par exemple un lien d’un

site Web vers un autre) (Newman 2003).

29
Des systèmes comme ceux décrits ci-dessus (Figure 2) abondent dans le

monde, et peuvent être catégorisés dans quatre groupes : Les réseaux sociaux,

les réseaux informationnels, les réseaux techniques et les réseaux biologiques

(Newman 2003). Dans cette section, nous nous intéresserons plus aux deux

premiers, mais présenterons les deux derniers de façon succincte, puis il sera

question des réseaux dits « sans échelle ».

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

Dans les réseaux sociaux, les nœuds, les acteurs du réseau, peuvent

représenter des individus, des organisations, ou des groupes d’individus, alors

que les liens représentent les interactions ou relations sociales entre les acteurs

du réseau : lien de parenté, collaboration entre entreprises, relations sexuelles.

(Newman 2003). Les sciences sociales ont été les premières à utiliser le

concept de réseau, et ce depuis les années 1920 (Freeman 1978). Newman

(2003) mentionne même que certains réseaux sociaux d’animaux comme les

dauphins, ou de caractères de fiction comme les personnages des bandes

dessinées Marvel (Alberich et al. 2002) ont été étudiés. À l’heure actuelle,

l’étude de la structure des réseaux sociaux souffre encore du manque de

30
précision des données recueillies, car les méthodes de collecte habituelles (par

entrevue ou questionnaire) ne permettent de faire ressortir qu’une partie peu

conséquente d’un réseau, en plus d’avoir un caractère subjectif basé sur

l’appréciation des répondants (Newman 2003). Cependant, les technologies

évoluant, certaines études ont pu utiliser des données recueillies de façon

automatique afin de reconstituer différents réseaux de très grandes tailles. On

peut citer en exemple le graphe issu des appels téléphoniques de l’opérateur

AT&T, composé de plus de 47 millions de pôles (Aiello et al. 2000), ou encore

l’étude basée sur la collaboration des acteurs d’Hollywood, tirant ses données

de l’Internet Movie Database10, ayant permis d’étudier les relations entre

presque 500 000 acteurs de cinéma (Watts 2003).

Le second type de réseau sur lequel il est utile de se pencher, est appelé

réseau informationnel (ou réseau de connaissance). Un réseau informationnel

est constitué de sources émettrices d’informations, qui en constituent les

nœuds, faisant des références à d’autres sources, les références constituant

les liens entre les deux sources. Cette forme de réseau inclut une dimension

temporelle, puisque qu’aucune source ne pourrait citer une source qui lui soit

postérieure dans le temps (Newman 2003). Les deux cas d’études les plus

utilisés sont les citations académiques entre articles scientifiques (Price 1965 ;

Seglen 1997 ; Redner 1998), et les pages et adresses URL du World Wide

Web, sujet de nombreuses études depuis la fin des années 1990 (Albert et al.

10
http://www.imdb.com

31
1999, Kleinberg et al. 1999,). Un réseau de connaissance intègre dans sa

nature, une dimension sociale : par exemple le fait que deux auteurs puissent

se connaître, ou qu’un lien social puisse se créer entre eux suite à une citation

(Newman 2003).

Les deux derniers types de réseaux mentionnés par Newman sont les réseaux

biologiques et les réseaux techniques. Un réseau biologique est habituellement

composé de substances moléculaires, et de leurs intersections. On peut penser

en premier lieu, au réseau nerveux humain, où chaque nerf représente un lien,

et où chaque intersection entre les nerfs ou leur récepteurs (synapses)

représente un nœud. D’autres exemples peuvent être élaborés, comme un

réseau de protéines reliées par une interaction médicale, ou une présence

commune dans la composition d’un virus (Newman 2003). Les réseaux

technologiques sont eux, constitués d’éléments physiques et techniques. Les

exemples les plus connus sont les réseaux téléphoniques, les connections

entre les ordinateurs à travers le monde, ou encore les réseaux autoroutiers ou

ferroviaires.

Depuis plus de cinquante ans, la structure des réseaux a été considérée

comme étant aléatoire (Barabási et Bonabeau 2003). Le mathématicien

Hongrois Paul Erdős et son collaborateur Alfréd Rényi avaient à l’époque, dans

les années 1950, conceptualisé des réseaux en reliant des nœuds par des

liens, de façon aléatoire, et chaque nœud obtenait alors un nombre de liens à

32
peu près similaire au reste des nœuds présents dans le réseau. La distribution

des liens dans le graphe suivait une loi de Poisson, en forme de cloche.

En s’intéressant au Web, à la fin des années 90, Barabási, Albert et Jeong

(1999), découvrirent que les nœuds et les liens constituant le réseau des pages

Web étaient répartis de façon très peu démocratique, et qu’ils suivaient une loi

de puissance, où 80% des pages observées obtenaient un nombre de 4 liens

entrants ou moins, et que 0,01% des pages obtenaient un nombre de liens

entrants supérieur à un millier. En comparaison avec la taille des individus, dont

la distribution de la taille suit une loi de Poisson, Barabási et ses collègues se

seraient retrouvés face à des personnes mesurant plus de cent pieds de haut.

De cette constatation est née l’appellation de “réseau sans échelle” (scale-free

network) (Barabási et Bonabeau 2003).

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

33
La particularité d’un réseau sans échelle (Figure 3) tient en la présence de

“hubs” dans sa structure. Les “hubs” (ou pivots, terme non reconnu) sont des

nœuds obtenant un nombre de liens beaucoup plus important que les autres, et

qui dominent le réseau. Appliqués aux réseaux sociaux, des chercheurs ont

prouvé l’existence de hubs dans l’étude des relations sexuelles : là où la

majorité des habitants d’une ville n’avaient que quelques partenaires durant leur

vie, quelques autres en avaient des centaines (Pastor-Satorras et Vespignani

2001). Ces découvertes pourraient servir de cas aux épidémiologues, malgré

les contraintes éthiques qu’elles engendrent. (Pourquoi vacciner les “hubs” en

priorité en cas de pandémie ?) (Barabási et Bonabeau 2003). Une preuve de

l’existence des Hubs a été révélée dans les réseaux de citations universitaires :

très ironiquement, Paul Erdős, l’initiateur des réseaux aléatoires, est un “hub”

très important dans les mathématiques, puisque sa contribution s’élève à plus

de 1400 articles, écrits avec près de 500 collaborateurs.

La raison de lʼexistence des hubs a été soulevée toujours par Barabási et

Bonabeau, (2003) qui lʼexpliquent grâce à deux phénomènes. Premièrement, la

croissance du réseau : les nœuds présents dans un réseau depuis plus

longtemps que les autres auront tendance à attirer plus de “nouveaux” nœuds

et donc de liens. Ce phénomène est observable dans la construction du réseau

Internet. Les plus anciens routeurs reçoivent les connexions des nouveaux

branchements, et obtiennent ainsi plus de liens. Le second processus menant à

la création des hubs est appelé “attachement préférentiel”. Plus les nœuds

34
obtiennent de liens, plus ils sont une source crédible ou efficace. Dans un

réseau de citations académiques : les articles les plus cités… seront les

premiers à être cités à nouveau. Les compagnies ayant de nombreux

partenariats seront plus à même dʼattirer les compagnies cherchant à établir de

nouveaux partenariats, etc. (Barabási et Bonabeau 2003).

2.2.2 Réseaux sociaux : Petit monde, lien forts et liens faibles

Depuis les progrès qui ont été fait dans l’analyse des réseaux à grande échelle,

il a été possible de déterminer des propriétés structurelles plus précises et

réalistes, comme la distance moyenne entre deux nœuds. (Le degré de

séparation entre deux individus d’un réseau, où un degré de distance est égal à

un individu, un nœud.). Cependant, bien avant l’arrivée des technologies

permettant une mesure efficace des réseaux, certaines tentatives d’étude à

grande échelle avaient émergé.

Une des premières expériences à avoir tenté d’évaluer la distance entre des

individus, en réel et à grande échelle dans un réseau social, a été conduite en

1967 par Stanley Milgram, socio psychologue d’Harvard. Dans son expérience,

Milgram avait demandé à plusieurs centaines de personnes dans le Nebraska

de faire passer une lettre à une de leur connaissance, qui soit en moyen de la

transmettre à son tour à d’autres personnes, dans le but final de faire parvenir

la lettre chez un agent de change de Boston. La conclusion de son expérience

était que la moyenne des lettres arrivées à destination avaient transigées par

35
six individus, donnant ainsi naissance à la théorie des « six degrés de

séparation ».

Tenant compte de cette longueur approximative entre deux nœuds (membre

d’un réseau social), Watts et Strogatz (1998) énoncèrent la notion de « Petit

Monde », pour caractériser des réseaux dont la première caractéristique fut que

la distance moyenne entre deux nœuds était très réduite. Dans un schéma

idéaliste, si un individu possède un millier de contacts et que ce millier de

contact possède à son tour un millier de contact, il est théoriquement possible

de rejoindre un million d’individus différents en seulement deux degrés de

séparation. Deux degrés supplémentaires nous donneraient un accès à la

planète entière. Hors, une approche nécessairement plus réaliste démontre que

parmi les contacts les plus proches d’un individu beaucoup sont interconnectés,

les individus se regroupant en grappes (sous-groupes dont plusieurs acteurs

sont inter-reliés) au sein d’un réseau. Cette propriété est appelée densité et ce

« coefficient de clusterisation » (propension d’un réseau à posséder des

grappes), représente la seconde caractéristique des petits mondes.

La notion de « petit monde » n’est donc pas incompatible avec la notion de

réseau sans échelle : beaucoup de grappes sont, par l’entremise des

connexions élargies de leurs acteurs, reliées à d’autres grappes, moins

interconnectées, du réseau. Ces grappes ont également été qualifiées de

« petit monde » car certaines de leurs propriétés individuelles (composantes

chimiques, situation géographique…) diffèrent dans l’ensemble du réseau, et

36
sont observables aussi bien dans les réseaux sociaux que dans les réseaux

biologiques, informationnels ou techniques (voir Figure 3) (Watts et Strogatz

1998).

Dans un réseau social ou informationnel (les réseaux sociaux pouvant être

hybrides, Newman 2003) une grappe peut donc être un regroupement

d’individus partageant des traits de personnalité communs, comme l’âge, les

revenus, la situation géographique, etc. Ces traits de personnalités, appelés

d’homophilie (Mc Pherson et al. 2001), n’impliquent cependant pas de relation

close, uniquement entre membres d’un petit monde, mais permet justement la

création de connexions entre sous-groupes éloignés, réduisant ainsi la distance

grâce aux « hubs » (voir Figure 4 et 5). En effet, dans un système social réel,

des individus peuvent entretenir des relations directes avec leur entourage

proche (amis, collaborateurs, famille) tout en ayant des connexions avec

d’autres individus éloignés de cette sphère proche. (Amis habitants à l’étranger,

collaborateurs virtuels…) (Bampo et al. 2008).

37
Figure 4 : Représentation du réseau biologique de maladies et de leurs gènes communs connus. (tiré de
Goh et al. 2007) – Chaque nœud du réseau est gène connu, et chaque lien représente la présence
du gène dans une maladie connue. Les grappes sont modélisées par des couleurs différentes,
représentant le champ médical auquel elles sont reliées. On observe clairement que chaque couleur
représente une grappe, un « petit monde » et que certains gènes peuvent être considérés comme
des « hubs » car recevant un nombre de connexion bien supérieur au reste.

Cette constatation a permis aux travaux de Granovetter (1973) de jouer un rôle

crucial dans la compréhension des réseaux sans échelles et des petits mondes.

Dans une étude portant sur la propension des individus à faire appel à leur

réseau social pour trouver du travail dans une banlieue ouvrière de la ville de

Boston, Granovetter a démontré que l’information nouvelle circulant au sein du

réseau social avait tendance à venir non pas des sources les plus proches

(liens forts) mais d’acteurs éloignés du réseau de l’individu (liens faibles).

38
Figure 5 : Représentation du réseau formé par la blogosphère francophone, par thématiques, en fonction
des liens entrants et sortants. Chaque couleur représente une thématique abordée : politique, 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
11
nombreux. Graphe fourni par les services Linkfluence et Wikiopole .

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/

39
2.2.3 Réseaux-sociaux, influence et Marketing Viral

Des réseaux denses, ayant un fort coefficient de clusterisation (une

interconnexion élevée entre les pôles) auront tendance à être de meilleurs

vecteurs de collaboration et de communication entre les nœuds car chaque

membre est directement relié aux autres (Webster et Morrison 2004). Ainsi, il

est de coutume de considérer que des réseaux denses, composés de liens forts

et directs, constituent un système où l’information, les innovations, les

tendances et les comportements sont propices à être imités entre les membres.

Une dimension intéressante dans la composition des réseaux sociaux, est la

notion de « clique ». Une clique est, au sens strict du terme, une part d’un

réseau dans lequel tous les membres sont connectés entre eux, sans degré de

séparation et il n’est pas possible pour un nœud de faire partie d’une clique s’il

n’est pas en relation avec tous les acteurs de la clique. La forme la plus

élémentaire de clique est appelée une triade, représentant trois nœuds

connectés entre eux. (Watts 2003). La définition d’une clique étant

extrêmement contraignante et stricte, on observe la plupart du temps, au sein

d’un réseau, un nombre élevé de cliques composées de peu d’acteurs, qui sont

reliées à d’autres sous-groupes du réseau. Au sein d’une clique dans un

contexte de réseau social, la pression sociale et l’influence des pairs sont

accentuées. Reingen et al (1984) ont démontré que les relations amicales d’une

clique avaient, par exemple, un impact important sur le choix d’une marque.

40
Appliquant les concepts des réseaux sociaux au Marketing, Brown et Reingen

(1987) ont démontré que les liens faibles étaient en effet des « ponts » entre

plusieurs sous-groupes reliés par de liens forts, favorisant le bouche-à-oreille.

En revanche cette étude a également démontré que les liens forts, lorsqu’ils

sont vecteurs de recommandation étaient plus à même d’avoir de l’influence sur

la décision d’un individu. Dans la continuité des travaux de Granovetter, cette

étude a permis d’observer l’importance des liens faibles à l’échelle macro, et

leur prépondérance dans la diffusion d’une information, à l’échelle individuelle.

À l’opposé, dans le cadre d’une communication de bouche-à-oreille en ligne, les

travaux de Steffes et Brugee (2008) ont démontré que la force d’un lien (fort ou

faible) n’avait pas d’influence sur la décision d’un individu, mais que

l’homophilie était plus à même d’être une source d’influence. Dans une

perspective plus élargie, Kiss et Blicher (2008) ont démontré que l’influence, la

propension d’un individu à avoir un effet sur les agissements de son entourage,

dans un contexte de dissémination virale, dépendait notamment de la centralité

(notion de popularité reliée à la position dans le réseau).

Appliqué au marketing viral, un modèle efficace de modélisation de la

propagation d’un message dans un réseau social est le modèle S-I-R, tiré de la

littérature en épidémiologie (où S : Susceptible indique un nœud Susceptible de

transmettre un message, I : Infectious fait référence au potentiel infectieux de

l’individu, sa propension à transmettre le message, ou le virus, et R : Removed

indique l’immunité, le retrait d’un individu du processus de transmission).

41
Chaque nœud du réseau est considéré comme étant Susceptible avant d’être

exposé au message, et devient I ou R après exposition. En tous temps, le

nombre de nœud du réseau N = S+I+R (Newman 2003 ; Bampo et al. 2008).

Le potentiel infectieux (I) d’un individu n’est en général déterminé que par sa

propension à répondre ou transférer un message (Kiss et Bichler 2008). Or, si

un utilisateur a un degré de centralité élevé dans un réseau, et qu’il est exposé,

puis infecté, alors les conséquences seront plus importantes. En effet plusieurs

chercheurs ayant exploité le concept de centralité s’accordent sur différents

points : les utilisateurs qui ont une position centrale ont une tendance à être

populaires, appréciés, influents, à avoir plus de pouvoir que les autres

(Freeman 1979 ; Bonnacich 1987 ; Webster et Morrison 2004), à être plus actifs

au sein de leur réseau (Kiss et Bichler 2008 ), à être des adopteurs plus

précoces des innovations (Czepiel 1974 ; Rogers 1995) et à développer des

habitudes de coopération avec les autres membres de leur réseau (Wasko et

Faraj 2005).

Partant de cette composante structurelle d’un réseau, il est logique de se

demander si la centralité d’un individu dans son réseau aurait une influence sur

sa propension à devenir le vecteur infectieux d’un message, car, comme

soutenu par Modzelewski (2000), la motivation d’un individu à partager une

information serait directement reliée au nombre de personnes qui la recevraient

(Le concept de centralité sera donc décrit plus précisément dans le cadre

conceptuel de cette étude).

42
2.3  Capital  Social,  Management  et  Technologies  de  l’Information  

L’action de partager des informations avec le support de la technologie, et plus

précisément dans des communautés virtuelles, ou des réseaux sociaux en

ligne, est un comportement qui a été largement étudié, et testé de façon

empirique dans le domaine des technologies et systèmes d’information.

(Constant et al. 1996 ; Cabrera et Cabrera 2002 ; Kalman et al. 2002 ; Wasko et

Faraj 2005).

Bien que de manière générale, les études portent sur le comportement des

individus et leur collaboration dans un cadre professionnel (Powell et al. 1996,

Constant et al. 1996), certaines théories comme celle du Capital Social nous

renseignent de façon très intéressantes sur les mécanismes humains qui

régissent ou suscitent des comportements de partage en ligne, sur leurs

antécédents et les attentes que ces comportements créent chez l’individu

(Bourdieu 1980, Coleman 1988).

Cette partie de la revue de littérature explore le concept de Capital Social, ses

dimensions, son utilisation dans les communautés virtuelles dans un contexte

de partage de connaissance, et son application dans le cadre de l’analyse du

marketing viral.

2.3.1 L’acte de contribuer dans un réseau ou une communauté en ligne

La contribution en ligne, dans le cadre de l’entreprise, soulève un dilemme

commun dans la littérature en Technologies de l’Information. Pourquoi un

43
individu passerait-il du temps à aider un autre individu, alors qu’il pourrait

garder pour lui la contribution, et profiter des éventuelles retombées qu’une

contribution similaire lui apporterait dans un autre contexte ? Pourquoi 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.

44
Dans le cas, d’une communauté, les contributeurs ont un but commun

(performance d’équipe, avantage organisationnel), mais dans le cas d’un

réseau, bien que n’ayant aucune ambition ou but final partagé, certains

membres continuent de contribuer, d’aider d’autres membres, mais n’attendent

pas de retours directs de la part de ceux-ci.

Dans leur définition d’un réseau de pratique, Wasko et Faraj (2005) soulignent

le côté « auto-organisé » du réseau, et son ouverture. Le terme « 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).

45
2.3.2 Le capital social

La notion de Capital Social a été décrite en premier lieu dans la sphère

sociologique, comme étant :

« l’ensemble des ressources actuelles ou potentielles qui sont liées à la

possession d’un réseau durable de relations, (…) à l’appartenance à un groupe,

comme ensemble d’agents qui ne sont pas seulement dotés de propriétés

communes, mais sont aussi unis par des liaisons permanentes et utiles. »

(Bourdieu 1980).

Plus simplement, dans un contexte de communication et de collaboration en

ligne, le Capital Social se définit comme :

« Un ensemble de ressources intégrées à une structure sociale, auxquelles un

individu accède ou qu’il mobilise dans un but donné ». (Lin 2001, Wasko et

Faraj 2005)

La singularité du Capital Social tient dans son intégration à la structure sociale

(et non pas aux caractéristiques de l’individu) et dans le fait que les ressources

potentielles bénéficient soit à toute la communauté (Putnam 1995) soit à un

individu en particulier, membre d’un ou plusieurs réseaux sociaux (Bourdieu

1980 ; Coleman 1988) lorsque celui-ci désire mener à bien une action. Le

Capital Social n’est pas constitué d’une seule entité mesurable, mais de

différentes entités ayant en commun d’être des aspects de structures sociales,

et de faciliter certaines actions des individus au sein de leur structure sociale

46
(Coleman 1988). Le Capital Social est la résultante d’actions menées entre

certains individus ou organisations, dans le temps, et peut être considéré

comme un bien possédé de façon collective par les membres d’un réseau

(Nahapiet et Goshal 1998).

Il existe beaucoup de cas, dans la littérature, qui décrivent ce concept. On peut

citer en exemple les diamantaires New-Yorkais, dont la confiance accordée lors

de transactions permet à un diamantaire vendeur de laisser à un confrère la

possibilité d’examiner un lot de diamants, dont la valeur est souvent très élevée,

sans qu’aucune assurance formelle ne lui soit fournie. La plupart des membres

de cette communauté de diamantaires sont juifs, font partie d’un cercle très

fermé, souvent mariés avec des personnes proches de leur réseau, et

fréquentant les mêmes synagogues. Si dans une transaction comme mentionné

ci-dessus un vendeur tentait de voler, détruire ou remplacer le lot de diamants

qui lui était confié, il perdrait trop d’affection de certains membres de sa famille,

de reconnaissance de ses pairs, et de confiance du milieu pour prendre le

risque. La présence de tels liens permet alors aux deux parties de s’accorder

une confiance totale, sans laquelle des assurances seraient nécessaires, et des

coûts supplémentaires seraient ajoutés à la transaction (Coleman 1988).

Dans un cadre organisationnel et professionnel, les réseaux d’anciens des

écoles constituent une autre forme de Capital Social, non pas basé uniquement

sur la confiance, mais également sur une forme d’obligation, de reconnaissance

47
d’anciens élèves envers leur établissement, qui seront prêt à embaucher de

nouveaux diplômés. (Bourdieu 1980).

Enfin, un autre exemple de Capital Social, relié au statu social ou à la

réputation peut être celui de l’appartenance à des sphères privées (Bourdieu

1980 ; Nahapiet et Goshal 1998), où l’accès est réservé selon certaines

conditions (Clubs de Golf, entrée VIP dans les boites de nuit…)

Au niveau individuel, le Capital Social, a été une source fiable dans l’explication

des facteurs de promotion en entreprise (Burt 1997), en s’ajoutant au concept

de capital humain (facultés, talents etc.). En effet, là où le capital humain

concerne les habiletés, le Capital Social touche aux opportunités. Un

responsable d’entreprise obtiendra de meilleurs capitaux humains, s’il est

capable d’identifier les opportunités bénéfiques s’offrant à lui, dans un réseau

social. (Burt 1997).

Au niveau collectif, le Capital Social a été utilisé pour expliquer des

comportements communs, ou des changements de comportements,

notamment dans le milieu de l’éducation ou dans l’étude de sociétés. Un

exemple très révélateur de l’action commune et collective liée au Capital Social,

a été décrit par Fukuyama (1995), qui l’utilisa pour étudier des groupuscules

criminels mafieux, ou des organisations politiques, comme le Ku Klux Klan.

Sans vouloir nécessairement rentrer dans des exemples aussi extrêmes, au

niveau collectif, le capital social dans un contexte de collaboration, ou

d’apprentissage en ligne a offert une nouvelle perspective d’analyse aux

48
chercheurs (Yuan et al. 2006). Au travers de ses différentes dimensions, cette

théorie a permis l’émergence de recherches autour de l’acte de contribuer,

dans une perspective individuelle au sein d’une communauté virtuelle, en

intégrant la dimension sociale des réseaux de relations humaines, et la

construction « progressive » du capital (Coleman 1988). Ces dimensions sont

explorées dans la prochaine section.

2.3.3 Les dimensions du Capital Social

Le défaut majeur de la théorie entourant le Capital Social tient dans son

manque de définition acceptée globalement et unanimement. Même si

fondamentalement, l’idée de l’utilisation des relations humaines, de l’importance

des liens structurels du réseau et de la propriété collective du Capital Social

sont acceptées, plusieurs problèmes dans les mesures, et la formation des

concepts de construction du Capital Social font qu’aucun consensus n’est

encore reconnu (Hean et al. 2003 ; De Silva et al. 2005).

Plusieurs dimensions, antécédents ou facteurs de Capital Social ont cependant

été identifiés au travers de la littérature, dépendamment de la perspective des

études. Il a en revanche été établi qu’aucune dimension du Capital Social ne

permettait de le saisir dans son intégralité, et que les dimensions dépendaient

du contexte analysé. (Bourdieu 1980 ; Portes 1998).

Certaines analyses ont su s’établir comme références, parmi lesquelles

Narayan et Cassidy (2001), qui classifient les dites dimensions en sept

groupes, ayant attrait à la création de Capital Social, à l’échelle communautaire,

49
soit : les caractéristiques de groupe, les normes généralisées, le

communautarisme, la sociabilité quotidienne, les connexions de voisinage, le

volontarisme et la confiance. Dans un cadre sociologique, ethnographique ou

anthropologique, ces facteurs ce sont avérés être d’efficaces éléments

d’observation à l’échelle macro (nationale ou communautaire). Cependant, pour

étudier une action individuelle comme le partage d’information en ligne, force

est de constater que ces antécédents ne répondent pas ni au contexte, ni au

besoin de précision nécessaire.

Dans une perspective sociologique toujours, mais à l’échelle individuelle, les

principales dimensions du Capital Social identifiées dans la littérature sont :

premièrement le réseau social et sa structure (densité, centralité, taille…),

deuxièmement, la réciprocité et les attentes de retours, troisièmement la

confiance ou la volonté de prendre des risques, quatrièmement les normes

sociales, et enfin l’efficacité (individuelle ou collective) et l’engagement, la

volonté de contribuer aux relations interpersonnelles. (Bourdieu 1980 ; Coleman

1988 ; Portes 1998 ; Fukuyama 2001).

Une étude ayant largement contribué à l’analyse des individus de la

collaboration en entreprise, grâce au Capital Social a été menée par Nahapiet

et Goshal (1998), qui, au travers d’une revue massive d’articles ayant attrait à la

théorie, ont réussi à la sous diviser trois groupes principaux de dimensions, à

savoir la dimension structurelle du réseau, la dimension cognitive (la

compréhension entre collaborateurs), et la dimension relationnelle. Cette

50
approche a permis d’unifier la théorie autour de la collaboration entre individus

propre aux entreprises.

En appliquant et en adaptant le modèle de Nahapiet et Goshal (2001), Wasko

et Faraj (2005) ont étudié la contribution dans un réseau virtuel de

professionnels du droit. Cette étude, intégrant les motivations individuelles au

Capital Social, a démontré que le capital relationnel (la longévité des relations

entre membres d’une communauté de pratique) n’avait pas d’influence sur la

prédiction d’une contribution. Wasko et Faraj (2005) argumentent autour de ce

résultat, en précisant que la longévité des relations en ligne n’est pas similaire à

celle qui existe dans la vie réelle. De même, les attentes de réciprocité (capital

relationnel) ne seraient pas un facteur déterminant. Cette conclusion s’explique

par le fait que, dans un réseau virtuel, l’échange est « généralisé ». L’attente de

réciprocité n’est pas directe (A aide B, et s’attend à ce que B l’aide en retour)

mais peut survenir de la part d’autres membres. En contribuant auprès d’un

membre, un individu ne s’attend pas à ce que ce membre précis lui rende la

pareille, mais qu’un autre individu le fasse éventuellement par la suite.

2.3.4 Marketing viral, contribution et Capital Social

Comme mentionné précédemment, le marketing viral est une technique visant à

utiliser les réseaux et connections existants entre les individus, afin que ceux-ci

deviennent vecteurs d’un message. (Datta et al. 2005). Selon Huang et al.

(2008) les deux facteurs clés du succès résident dans la volonté des individus à

51
transférer un message, et sont dictés par deux influences : premièrement le

contenu, la qualité du message, sa forme, sa facilité d’accès, et son aspect

« sticky » (Gladwell 2002) etc. Deuxièmement le « messager », l’émetteur du

message, le point du réseau « infecté », le connecteur (Gladwell 2002 ; Huang

et al. 2008).

Or, si le fonctionnement de cette stratégie a été le sujet de nombreux débats de

par sa nouveauté (Dellarocas 2003) et que certaines études ont pu analyser les

processus et le fonctionnement global de telles techniques (Goldenberg et al.

2001 ; De Bruyn et Lilien 2008) très peu d’études se sont centrées sur la

perspective individuelle, de l’individu infecté (I) et de ses motivations (Gruen et

al. 2006 ; Henning-Thurau et al. 2004 ; Huang et al. 2008). De même quasiment

aucune étude, à l’exception notable de Huang et al. (2008), n’a utilisé le Capital

Social comme base théorique à l’explication des motivations à transférer du

contenu. Enfin, l’utilisation de réseaux sociaux en ligne tels que Facebook n’a

pas encore été étudiée à notre connaissance, dans une perspective de

marketing viral, influencée à l’échelle individuelle par le Capital Social.

Dans le cadre de cette étude, l’action de transférer un contenu de nature

publicitaire à l’intérieur d’un réseau social en ligne est considérée comme un

comportement similaire à la contribution dans un réseau de pratique, même si

le contexte entre ces deux comportements est très variable. En effet, dans le

cadre d’une contribution, un individu sollicite l’intervention d’un autre individu.

52
Dans le cadre d’un partage informel de contenu, le contenu n’est pas

nécessairement sollicité (De Bruyn et Lilien 2008).

Cependant, comme le mentionne Modzlewski (2000), la motivation d’un individu

à partager un message est directement reliée au nombre de personnes qui le

recevront. Cet effet de diffusion généralisée donne accès au contenu à tout un

réseau, et non à un seul et unique individu. Le « dilemme » du partage du

contenu dans un réseau de pratique ou dans une organisation (Kalman et al.

2002 ; Wasko et Faraj 2005) devient une règle fondamentale et un atout dans le

contexte du marketing viral. Là où la littérature a pu s’attarder la contribution

comme une forme de dilemme (Kalman et al. 1996), composé de coûts et de

bénéfices potentiellement perdus pour l’émetteur d’un contenu du valeur, le

marketing viral approche ce phénomène dans le sens contraire : plus le

contenu est consommé, plus les bénéfices (principalement sociaux) sont

grands pour l’émetteur.

De par le fait que les réseaux sociaux en ligne comme Facebook soient

généralement utilisés à des fins personnelles (Burke Marlow et Lento 2009) le

transfert de contenu par leur truchement aurait également vocation à être

considérée comme du divertissement, de l’information, en plus de la

considération utile (Schindler et Bickart 2004).

Même si les composantes du Capital Social sont appelées à varier en fonction

du contexte (Bourdieu 1980), les dimensions identifiées par Nahapiet et Goshal

(1998) et utilisées dans un contexte quasiment similaire à notre étude par

53
Wasko et Faraj (2005), à savoir les motivations individuelles, le capital

structurel, le capital cognitif et le capital relationnel, sont des indicateurs non

négligeables qui pourraient expliquer les intentions de partage de contenus

publicitaires sur Facebook.

2.4  Conclusion    

Ce chapitre présentait la revue de littérature et explorait les domaines d’études

ayant permis l’émergence d’analyses et la construction des concepts reliés à

l’utilisation des réseaux sociaux dans le cadre du marketing viral.

Les trois dimensions du Capital Social élaborées par Nahapiet et Goshal

(1998), les capitaux structurels, cognitifs et relationnels, ajoutés aux motivations

individuelles décrites par Wasko et Faraj (2005) ont été retenues pour cette

étude. En effet, le manque de définition stricte de cette approche, est aussi une

de ses forces. Le Capital Social est une théorie flexible, ce qui est nécessaire

pour l’adapter à un contexte aussi nouveau que les médias sociaux. Les

travaux de Nahapiet et Goshal (1998) et de Wasko et Faraj (2005), de par leur

utilisation de cette théorie pour expliquer un phénomène partiellement similaire

au partage de contenu sur les médias sociaux, ont posé de solides bases

théoriques pour cette analyse.

L’étude utilise également des construits issus des travaux de Kalman et al.

(2002) et les intègre au capital cognitif afin d’adapter le modèle au contexte de

réseau social en ligne. Les concepts d’efficacy (connective efficacy et

54
informative efficacy , qui seront traduits par efficacité informative et connective),

ont su prouver leur juste fondement dans des contextes similaires à celui de

cette analyse. L’efficacité informative et l’efficacité connective font référence

aux potentiels évalués par un émetteur qu’un message posté en ligne saura a)

être retrouvé par les récepteurs potentiels b) être compris par les récepteurs,

s’ils sont en mesure de le retrouver. (Kalman et al. 1996).

Le contexte de média social, et principalement Facebook, dénature certains

des construits originaux du modèle de Wasko et Faraj (2005). Heureusement,

les construits de Kalman et al. (2002) nous permettent d’adapter le capital

cognitif d’un façon logique.

Le prochain chapitre de l’étude décrira chacune des dimensions du Capital

Social, et chaque construit utilisé pour mesurer l’intention de partager un

contenu à caractère publicitaire sur Facebook dans le but de répondre aux

questions de recherche proposées dans le chapitre 1.

55
CHAPITRE  III  :  Modèle  de  recherche  et  Hypothèses  

3.1  Présentation  du  support  théorique  principal  

Le modèle théorique principal utilisé pour cette étude est celui qu’ont utilisé

Wasko et Faraj (2005) dans leur étude sur les communautés de pratique en

ligne (voir Figure 6). Il est nécessaire de résumer les conditions et les

aboutissants de leurs travaux afin de saisir les fondements de la présente

étude.

De même que Nahapiet et Goshal (1998), Wasko et Faraj (2005) ont articulé

leurs travaux autour de trois aspects du capital social : structurel, cognitif et

relationnel, en y ajoutant des variables de motivations individuelles

(appréciation et réputation).

Pour cela, ils ont étudié le phénomène de contribution à un réseau social de

praticiens du droit, en ligne, dont les membres étaient anonymes.

Leur étude a rapporté que les construits de réputation et d’appréciation, malgré

l’anonymat avaient un impact significatif sur une contribution dans le forum.

Dans un cadre professionnel, même anonyme, la valeur de la « récompense »

intrinsèque au professionnel est donc un motivateur important. De même, la

centralité (mesurée dans le temps, en fonction du nombre d’interactions avec

d’autres membres du forum), s’est révélée être un facteur ayant une influence

56
sur la contribution : plus une personne interagissait, plus elle était en mesure de

fournir de l’aide aux membres du réseau.

Les construits du capital cognitif étaient mesurés en demandant l’expérience et

l’expertise des membres du réseau. Ces derniers devaient ainsi s’auto évaluer,

ce qui a probablement biaisé les résultats (« self rated expertise » n’y est

d’ailleurs pas ressorti comme étant significatif).

Enfin, contre toute attente, leur modèle a démontré la faiblesse des construits

de capital relationnels, qu’ils expliquent par « l’ouverture » du réseau, et le fait

que la réciprocité doive être considérée comme « généralisée » : la

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

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

57
3.2  Différences  par  rapport  au  modèle  original    

À la différence du modèle de Wasko et Faraj (2005), cette étude a comme

variable dépendante l’intention d’un internaute, membre du réseau social

Facebook, de partager des vidéos à caractère publicitaire.

Cette différence implique également d’autres changements et adaptations dans

les construits du modèle. La variable « Enjoy Helping » (Appréciation du fait

d’aider) a été adaptée grâce au construit « Appréciation du fait de partager ».

De même, les variables du capital cognitif ont été remplacées par des variables

du même ordre, basée sur l’anticipation de l’efficacité d’une action, et non pas

sur une expertise quelconque, puisqu’on sort ici du milieu professionnel. Les

variables « efficacité informative » et « efficacité connective », tirées de l’étude

menée par Kalman et al. (2002) ont donc remplacé l’expérience et l’expertise

au profit d’aspects cognitifs plus ancrés dans la théorie : l’efficacité du support

et l’efficacité du message. Enfin, nous prenons pour acquis que l’action de

partager un contenu sur Facebook fait partie d’un processus de réciprocité non

pas directe mais « généralisée ». Suivant les recommandations de Wasko et

Faraj (2005), dont l’étude avait démontré la faiblesse d’une telle variable en

mode direct, nous adaptons la variable « réciprocité » pour celle de « valeur du

gain collectif ».

La figure suivante (figure 7) présente le modèle élaboré pour cette recherche,

qui offre une perspective plus adaptée au contexte de réseau social en ligne.

58
Figure 7 : Modèle théorique de la présente étude, inspiré de Wasko et Faraj (2005)

Tel que le modèle le propose, les sept variables antécédentes du modèle ont

une influence directe sur la variable dépendante clé du modèle, soit l’intention

de partager. Il est délicat d’observer le comportement de plusieurs centaines

d’internautes, et c’est la raison pour laquelle il a été jugé préférable de mesurer

l’intention en premier lieu. D’une manière générale, les modèles théoriques dont

les variables centrales sont des intentions, mènent à des comportements :

Technology Acceptance Model (Davis 1989), Theory of Reasonned Action

(Fishbein et Ajzen 1975), Theory of Planned Behavior (Ajzen 1991).

Cependant, notre outil de mesure tentera également de mesurer le

comportement.

La prochaine section décrit ces variables de façon plus détaillée, et présente les

hypothèses de cette recherche.

59
3.3  Variables  dépendantes    

3.3.1 Intention de partager

L’intention de partager un contenu à caractère publicitaire sur Facebook est ici

considérée comme l’intention d’effectuer un « transfert » de contenu,

potentiellement auprès de tous les amis d’un individu sur la plate-forme, via le

« mur »12. Cette particularité sous-entend plusieurs points importants.

Ainsi, cette intention n’est pas un vecteur de recommandation, à la différence

de certaines formes de bouche-à-oreille traditionnel (par exemple les

commentaires des consommateurs sur Amazon). Le fait de transférer une vidéo

sur son « mur » n’ajoute aucune valeur tangible au contenu, si ce n’est une

marque d’appréciation de celui-ci, implicite, dans l’action de transférer.

De même, il faut considérer que, sans être réfractaires à une telle pratique, les

membres du réseau social d’un individu désirant partager du contenu ne sont

pas en recherche active d’informations précises. Cependant, on peut considérer

qu’il existe une forme d’accord tacite entre des individus fréquentant le réseau

social, à recevoir des contenus en tous genre.

De fait, nous nous accordons avec Modzelewski (2000) pour qui, dans le

« véritable » effort viral, la satisfaction dégagée par un acte semblable, pour

12
Le « mur » est une des fonctionnalités de base de Facebook, permettant à un utilisateur de
mettre à jour son profil. Quand une modification est faite sur le « mur », les «amis » de
l’utilisateur en sont notifiés par le flux de nouvelles.

60
l’internaute, n’est pas liée uniquement au contenu, mais potentiellement au

nombre d’autres individus qu’il expose en le transférant.

Ainsi, la définition d’un « transfert » (pass-along en angais) d’information, par un

individu, est ici similaire à celle développée par Huang et al. (2008), et nous

définissons le construit comme étant la volonté d’un individu à diffuser une

vidéo à caractère publicitaire dans son réseau social. Nous nous plaçons dans

la perspective de l’émetteur, et n’étudions pas l’intention d’individus de

consommer le contenu partagé.

3.3.2 Comportement

Le comportement est la résultante d’une intention. Plusieurs théories

développées par les chercheurs en psychologie, comme la Théorie de l’action

raisonnée (Ajzen et Fishbein 1975), ou la théorie du comportement planifié

(Ajzen 1991) ont démontré la validité de cette hypothèse. Dans le domaine des

systèmes d’information, le modèle d’acceptation de la technologie de Davis

(1989) et ses adaptations (Venkatesh et Al. 2003) ont su, sur ce point du

modèle, faire ses preuves.

Bien que quelques similarités entre les théories énoncées ci-dessus et notre

modèle d’étude existent (les motivations personnelles, et l’aspect cognitif de

l’action), ces théories ne prennent pas explicitement en compte l’aspect

relationnel être les individus, ni l’aspect structurel du réseau social de ce dernier

et l’influence que celui-ci peut avoir sur ses décisions.

61
Cependant, nous considérons comme logique que l’intention engendre un

comportement, et définissons le comportement observé comme l’acte de

diffuser une vidéo à caractère publicitaire, grâce à Facebook, en la partageant

par le truchement de son « mur ».

3.3.3 Lien entre les deux dépendantes

Venkatesh et. Al. (2004), dans leur méta-analyse de la théorie de l’acceptation

de la technologie ayant conduite à une version unifiée, ont souligné que dans la

majeure partie de ses revues, l’intention mène au comportement. De même, s’il

devait exister des modérateurs entre les variables indépendantes et l’intention,

l’effet de ceux-ci sur l’intention influençant un comportement serait mineur

(dépendamment de l’innovation).

Ainsi, la première hypothèse de cette recherche est la suivante :

H1 : L’intention d’un individu de partager un contenu à caractère publicitaire sur

Facebook a une influence positive sur le comportement de partage de la dite

vidéo, de cet individu.

3.4  Variables  indépendantes  

Les motivations individuelles ne font pas partie du modèle théorique développé

par Nahapiet et Goshal (1998), mais ont été étudiées par Wasko et Faraj (2005)

afin d’expliquer les raisons potentielles pour lesquelles des individus

62
contribueraient à aider d’autres individus qu’ils ne connaissaient pas dans un

réseau numérique/électronique.

En revanche, Nahapiet et Goshal (1998) avancent que l’effort de contribution

doit être significatif, au point d’être perçu comme utile pour la personne ayant

un problème, par l’émetteur de la contribution, mais également que celui-ci

puisse tirer profit, au niveau social, de sa contribution.

Or, sur Facebook, il est de coutume d’avoir eu au moins un lien préalable, fort

ou faible, avec ses amis. De fait, il est logique de penser que le profit social

puisse être un facteur déterminant de la volonté de partager un contenu avec

ces amis, puisque ces derniers seront à même de signifier directement ou

indirectement à l’émetteur, leur appréciation de la contribution.

Ainsi, nous appliquons ici le modèle de Wasko et Faraj (2005) et utilisons les

construits de réputation et d’appréciation pour déterminer les motivations

individuelles.

3.4.1 Réputation

La théorie de l’échange social (Blau 1964) admet que les individus qui

entretiennent des relations sociales, au travers d’interactions que l’on peut

comparer à celles qui sont pratiquées sur les réseaux sociaux en ligne,

cherchent à tirer les bénéfices de ces interactions : reconnaissance, statut,

respect… (Wasko et Faraj 2005).

63
La Réputation se définit comme la conséquence pour un individu résultant de

sa participation, au sein d’un groupe social. Ici, lorsque la participation se

traduit par un partage de contenu publicitaire, la réputation est considérée

comme l’attente d’un changement dans le statut social, suite à l’action de

partager. Ce changement peut prendre la forme d’une élévation du statut,

d’une approbation des pairs, de considération, de respect, de signes

d’appréciation, ou de commentaires. Un individu soucieux de l’image qu’il

dégage de lui-même sur Facebook aura tendance à considérer de façon plus

délicate la façon dont il partage ses contenus, et la forme de ceux-ci, afin de ne

pas nuire, ou tout simplement d’essayer d’améliorer sa réputation.

Prenant en considération la définition de la réputation dans le cadre théorique

de cette étude, la seconde hypothèse posée, est la suivante :

H2 : La perception de l’amélioration de la réputation d’un individu grâce au

partage de contenu à caractère publicitaire, sur Facebook, a une influence

positive sur son intention de partager le dit contenu.

3.4.2 Appréciation

Certains individus, sans attendre de retour social ou d’amélioration de leur

réputation, perçoivent l’acte de partager un contenu dans leur réseau social

comme source de satisfaction personnelle. L’acte de contribuer en soi est alors

une source de satisfaction suffisante, plus que le fait de savoir que le contenu

partagé a été utile ou apprécié (Bandura 1963 ; Wasko et Faraj 2005).

64
L’appréciation se définit donc comme le simple fait d’aimer partager un contenu

à caractère publicitaire. Cette notion très altruiste, se traduit par le fait qu’un

individu aime divertir, surprendre, susciter divers types d’émotions (peur, joie,

doute…), non pas parce qu’il pense en tirer des bénéfices, mais simplement

parce qu’il trouve stimulant, intellectuellement ou socialement, le fait de

partager du contenu (vidéos, photos, états d’esprits...).

Un individu qui éprouve de manière générale, une forme de satisfaction

naturelle en utilisant Facebook pour y partager du contenu, sera plus

logiquement enclin à vouloir y partager un contenu à caractère publicitaire.

Basé sur cette définition de l’appréciation, la troisième hypothèse de cette étude

est la suivante :

H3 : Le niveau de satisfaction générale retirée par un individu lorsqu’il partage

un contenu à caractère publicitaire sur Facebook, a une influence positive sur

son intention de partager un contenu.

3.4.3 Centralité

La centralité d’un individu constitue sa place dans un réseau social, en ligne ou

hors-ligne. Un bas niveau de centralité signifie qu’un individu possède peu de

connexion, donc peu de sources d’informations, et peu de récepteurs

potentiels. À l’inverse, un haut degré représente un nombre important de

connexions, et certainement une audience potentielle pour toute forme de

contribution. Que l’action soit collective ou individuelle, les individus ayant une

65
position centrale dans un réseau sont plus enclins à collaborer, partager et

contribuer de différentes manières dans leur réseau (Putnam 1995 ; Wasko et

Faraj 2005). La centralité peut se mesurer très facilement, en observant, par

exemple, le nombre de contacts sur un site de réseautage social (Wasko et

Faraj 2005 ; Ahuja et al. 2003), le nombre de « followers » sur un site comme

Twitter, ou le nombre d’interactions (réponses, messages privés, « like »,

commentaires) qu’il a eu avec d’autres individus, sur un forum. Chacune de ces

interactions créé un lien social avec d’autres personnes, plaçant l’individu plus

au centre du réseau. Lorsque le réseau est dense, c’est à dire composé de

nombreux liens sociaux directs, les individus développent une habitude de

coopération, ou de contribution, et sont plus enclins à comprendre, percevoir et

s’adapter aux normes sociales du réseau (Rogers 1981).

La centralité ne prend pas en compte la force ni le degré d’intimité qu’il

entretient avec les membres de son réseau social, pour la simple raison que

ces indicateurs varient entre chaque relation individuelle. Dans un cas de

partage « massif » (one-to-many) la centralité est un indicateur globalement

plus fiable (même si moins précis) que la force d’un lien social qui nécessite

d’analyser la force de la relation entre un individu et chacun des membres qui

composent son réseau social.

Adapté au contexte de Facebook, les individus actifs qui entretiennent des

relations de façon récurrentes et régulières avec les membres de leur réseau,

et dont le nombre d’amis est élevé, seraient donc plus enclins à contribuer sous

66
différentes formes. Ainsi, le partage de vidéo à caractère publicitaire pourrait

être perçu comme une forme de contribution sociale, augmentant le degré de

centralité d’un individu.

La quatrième hypothèse de cette étude est donc la suivante :

H4 : Le degré de centralité d’un individu dans son réseau social a une influence

positive sur son intention de partager un contenu à caractère publicitaire sur

Facebook.

3.4.4 Efficacité connective

L’Efficacité Connective est le degré perçu par un individu, que sa contribution

atteindra ou non, les membres de son réseau social. L’efficacité connective

reflète la propension d’un individu, à estimer si oui ou non, grâce au média

utilisé, le contenu qu’il partage sera susceptible d’atteindre les membres de son

réseau social, et si ces derniers seront en mesure de consulter le contenu

partagé (Kalman et al. 2002). L’efficacité connective tient compte à la fois des

fonctionnalités perçues comme efficaces du média, et des compétences

perçues par un individu, de l’ensemble de son réseau social, à pouvoir ou non,

accéder à l’information transmise, en utilisant les fonctionnalités du dit media

(Kalman et al. 2002).

Comme tout outil de réseautage, les fonctionnalités de partage de Facebook

sont nombreuses. Possibilité de transférer un contenu sur son mur depuis le

mur de quelqu’un d’autre, possibilité d’intégrer une vidéo simplement en

67
indiquant le lien où elle se trouve, possibilité de poster un contenu directement

sur le mur de quelqu’un d’autre, etc.

Ainsi, seraient plus à même d’être des contributeurs actifs les individus ayant

l’habitude d’utiliser l’outil, et dont les membres de leur réseau social seraient

perçus comme étant capables de a) utiliser les fonctionnalités du site b)

retrouver le contenu partagé.

En prenant en considération la définition de l’efficacité connective, la cinquième

hypothèse de cette étude serait la suivante :

H5 : Le degré d’efficacité connective perçu par un individu, des fonctionnalités

de partage du site Facebook, a une influence positive sur son intention de

partager un contenu à caractère publicitaire sur Facebook.

3.4.5 Efficacité informative

Si l’efficacité connective, vue précédemment, représente la propension d’un

individu à estimer les capacités de son réseau social à utiliser Facebook de

façon à retrouver les contenus qu’il y partage, l’efficacité informative est la

capacité d’un individu à estimer l’importance, l’utilité, ou le degré d’hédonisme,

procuré à son réseau social, par les contenus qu’il partage, si ces derniers sont

en mesure de les consulter. L’Efficacité informative reflète la propension d’un

individu à estimer si oui ou non, et de façon générale, les membres de son

réseau social accordent de l’importance, de l’intérêt, et de la reconnaissance,

aux contenus qu’il partage. Les individus, en général, seront plus enclins à

68
partager un contenu s’ils perçoivent que celui-ci générera une réaction positive

au sein de la communauté réceptrice.

Là où les contenus partagés dans un contexte utilitaire (bases de données

collaboratives etc.) sont considérés par les individus composant le réseau

social de l’émetteur, comme plus ou moins porteurs de valeur en fonction de

son identité de expérience etc, le concept d’efficacité informative reflète le

degré de confiance que l’émetteur du contenu a, dans le fait que sa contribution

saura satisfaire les membres de son réseau social, basé sur sa propre

estimation (Kalman et al. 2002).

Ainsi, appliquant le concept d’efficacité informative à Facebook, dans le cadre

du transfert d’un contenu à caractère publicitaire, l’individu soumis dans un

premier temps au message se formera une idée, afin d’évaluer si oui ou non

suffisamment de membres de son réseau social porteront de l’intérêt au

contenu qu’il pourrait transférer. Il ne s’agit donc pas uniquement de savoir si

un contenu plait à un émetteur, mais également d’estimer sa propension à

deviner l’intérêt pour la contribution, des membres composant son réseau

social.

La sixième hypothèse de cette étude est donc la suivante :

H6 : Le degré d’efficacité informative d’un contenu à caractère publicitaire perçu

par un individu, a une influence positive sur son intention de partager le dit

contenu sur Facebook.

69
3.4.6 Engagement

L’engagement est le degré d’implication d’un individu au sein de son réseau

social en ligne (Wasko et Faraj 2005). L’engagement est la résultante

d’interactions fréquentes au sein d’un réseau social et peut être considéré

comme une forme d’obligation d’un individu, auprès des membres composant

son réseau, une forme d’habitude, d’attentes et de responsabilités envers ce

dernier.

L’engagement, au sens relationnel ici établi, est différent de la simple

interaction sociale dans le sens ou ce dernier représente non pas un simple

degré de force dans un lien social créé lors d’un échange, mais bien une

perception de la relation établie entre un émetteur et son ou ses récepteurs, et

l’attitude du dit émetteur envers la dimension émotionnelle de la contribution,

dans un perspective d’effort pro-actif (Huang et al. 2008).

Dans un cadre collectif, l’engagement est donc représenté par une obligation

motivée par un sentiment intrinsèque d’appartenance. Hsu et Lin (2008) ont

étudié la façon dont l’appartenance à une certaine catégorie de blogues

spécialisés, peut voir de l’influence sur la volonté du rédacteur à mettre à jour

son propre blogue. De même, Constant et al. (1996), dans leur construit

« organisationnal commitment », ont décrit la façon dont certains individus,

contribuaient dans les réseaux de connaissances internes à une entreprise,

motivés par le sentiment d’appartenance à cette dernière.

70
Dans le cadre de l’utilisation de Facebook, l’activité générale et la sensation

d’appartenance à un groupe que génère cette activité sont des signes

d’engagement envers son réseau social (défini par ses amis). Même si

l’utilisation de Facebook a une vocation plus divertissante qu’autre chose, il est

probable que certains individus voient l’action de partager comme une forme de

« rétribution », ou tout simplement d’imitation, pour le divertissement qu’ils ont

eux même reçu (Wasko et Faraj 2005). Un individu qui utilise Facebook de

façon à créer un lien social avec son réseau, pour en tirer des bénéfices

sociaux, et ressentir une forme d’engagement, sera plus enclin à y partager des

contenus à caractère publicitaires.

En ce sens, il convient donc de poser la septième hypothèse de cette étude de

la façon suivante :

H7 : Le degré d’engagement ressenti par un individu a une influence positive

sur son intention de partager un contenu à caractère publicitaire sur Facebook.

3.4.7 Valeur perçue du gain collectif

La valeur perçue du gain collectif représente la capacité d’un individu à évaluer

et anticiper la valeur de l’action de partager, pour les membres de son réseau

social en ligne. La valeur perçue du gain collectif prend en compte l’aspect

réciproque des échanges réguliers, ainsi que le degré d’appréciation générale

d’un partage de contenu régulier, par les membres composant son réseau

social en ligne.

71
La réciprocité des actions est une forme de règle de politesse mutuelle et

implicite, qui suppose qu’une action bénéfique engendrée par un individu, lui

sera par la suite rendue (Wasko et Faraj 2005). Malheureusement, dans un

contexte en ligne, les contributions publiques ne sont pas adressées à une

seule personne, mais bien à l’entité entière du réseau social de l’émetteur,

potentiellement. Ainsi, il n’est pas possible d’utiliser au cas par cas la norme de

réciprocité directe (personne à personne), mais sa forme généralisée est plus

adaptable au contexte de contribution en ligne (Wasko et Faraj 2005).

De fait, certaines théories comme EVT (Expected Value Theory, Fishbein et

Ajzen 1975) qui visent à prendre en considération les valeurs anticipées d’une

action, se révèlent utiles pour comprendre la valeur collective anticipée d’une

action (Cabrera et Cabrera 2002), ici celle de partager un contenu publicitaire.

Si, dans le cadre d’une réciprocité directe, il est question de l’attente d’un retour

éventuel pour une action donnée, dans le cadre de la valeur perçue du gain

collectif, il est question à la fois de la propension à évaluer si oui ou non le

contenu saura générer à la fois de la satisfaction chez les récepteurs, de façon

généralisée, et si les récepteurs seront en mesure de contribuer par la suite en

contribuant sous une forme quelconque.

Appliqué à Facebook, on peut estimer qu’un individu peut être amené à

partager un contenu à caractère publicitaire, car il perçoit que son réseau

appréciera le geste, et que, parce qu’il apprécie déjà le fait de recevoir de tels

contenus du genre, et qu’il encourage ainsi son réseau à contribuer par la suite.

72
Même si ce construit est encore fondé sur des bases exploratoires, il est

possible de poser la huitième et dernière hypothèse de cette étude sous la

forme suivante :

H8 : Le degré de valeur perçue d’un contenu à caractère publicitaire, pour le

réseau social d’un individu, a une influence positive sur l’intention de ce dernier

de partager le dit contenu sur Facebook.

3.5  Récapitulatif  des  hypothèses    

Le tableau 1 récapitule les hypothèses énoncées ci-dessus.

73
Tableau 1 : Récapitulatif des hypothèses

Hypothèse Énoncé

L’intention d’un individu de partager un contenu à caractère publicitaire sur


H1 Facebook a une influence positive sur le comportement de partage de la dite
vidéo, de cet individu.

La perception de l’amélioration de la réputation d’un individu grâce au partage


H2 de contenu à caractère publicitaire, sur Facebook, a une influence positive sur
son intention de partager le dit contenu.

Le niveau de satisfaction générale retiré par un individu lorsqu’il partage un


H3 contenu à caractère publicitaire sur Facebook, a une influence positive sur son
intention de partager un contenu.

Le degré de centralité d’un individu dans son réseau social a une influence
H4 positive sur son intention de partager un contenu à caractère publicitaire sur
Facebook.

Le degré d’efficacité connective perçu par un individu, des fonctionnalités de


H5 partage du site Facebook, a une influence positive sur son intention de partager
un contenu à caractère publicitaire sur Facebook.

Le degré d’efficacité informative d’un contenu à caractère publicitaire perçu par


H6 un individu, a une influence positive sur son intention de partager le dit contenu
sur Facebook.

Le degré d’engagement ressenti par un individu a une influence positive sur son
H7
intention de partager un contenu à caractère publicitaire sur Facebook.

Le degré de valeur perçue d’un contenu à caractère publicitaire, pour le réseau


H8 social d’un individu, a une influence positive sur l’intention de ce dernier de
partager le dit contenu sur Facebook.

74
Le prochain chapitre présente la méthodologie de cette étude. On y explore le

design de recherche, le profil des répondants, la constitution de l’outil de

mesure et la méthode de collecte des données.

75
CHAPITRE  IV  :  Méthodologie  

4.1  Design  de  recherche  

4.1.1 Description du type de recherche

La nature principale de cette étude est exploratoire. En effet, même si les

composantes du Capital Social de Nahapiet et Goshal (1998), ou celles s’en

rapprochant (Wasko et Faraj 2005), ont largement été utilisées dans le domaine

de la collaboration en entreprise, grâce aux nouvelles technologies ou non, très

peu d’études se sont focalisées sur la transmission de contenus spécifiques

comme les contenus à caractère publicitaire, et aucune étude reconnue à ce

jour n’a utilisé le réseau social en ligne Facebook comme support de

transmission. L’application de cette théorie dans le contexte ici défini constitue

l’essentiel de cette recherche.

Les données ici recueillies représentent l’attitude d’une partie de la population

définie, à un moment donné. En cela, cette étude présente principalement un

caractère cross-sectionnel.

Cependant, puisque le comportement est également observé après avoir

collecté de l’information sur l’intention, cette étude présente également une

composante longitudinale : différents groupes exposés à des vidéos différentes,

à qui l’on pose les mêmes questions.

76
4.1.2 Description du design de recherche

Pour collecter les données nécessaires aux objectifs de cette recherche, un

questionnaire a été mis en place en ligne, par l’entremise du service Unipark13,

qui permet de créer des sondages en ligne tout en permettant d’y intégrer des

contenus extérieurs. Deux vidéos y ont été intégrées, afin de mesurer plusieurs

fois les habitudes, intentions et comportements des internautes. Les vidéos ont

été placées dans le questionnaire grâce au lecteur fourni par le service

d’hébergement Youtube14, qui est l’outil le plus utilisé pour le visionnement de

vidéos en ligne. Cela nous a permis de recréer le contexte le plus « naturel »

d’un visionnement de vidéo en ligne, et de placer les répondants dans une

situation favorable (sans encombres techniques) à la retransmission.

4.1.2.1 Variables permanentes

Les variables permanentes sont des variables qui ne changent pas, peu

importe le contenu face auquel l’utilisateur de Facebook est confronté au

moment de décider si oui ou non il voudra partager le contenu. Ces variables

sont d’ordre général et personnelles, telles que:

 L’appréciation (le fait d’aimer ou non utiliser Facebook de manière

générale) ;

 L’engagement (l’importance consacrée à l’utilisation de Facebook et à

ses amis en général) ;

13
Unipark.de
14
Youtube.com

77
 La centralité (la position d’un individu dans un réseau et la fréquence

générale de ses interactions) ;

 L’efficacité connective (la perception de l’efficacité de l’outil pour la

diffusion d’un contenu).

4.1.2.2 Variables contextualisées

Les variables contextualisées représentent l’ensemble des variables qui

diffèrent en fonction du contenu auquel l’individu est confronté, et des

conséquences ou perceptions engendrées par l’éventuel partage du dit

contenu, au sein de son réseau social (ici sur son « profil » Facebook). Ces

variables d’ordre spécifiques sont :

 La réputation (les modifications de l’image de l’individu vis à vis de ses

amis, suite au partage d’un contenu) ;

 L’efficacité informative (la perception de l’individu face au fait que ses

amis comprendront, aimeront un contenu) ;

 La valeur du gain collectif (la perception d’un individu des bénéfices

qu’un contenu saura ou non générer auprès des ses amis).

4.1.2.3 Vidéos exposées

Les vidéos sélectionnées pour l’étude étaient composées de A) Une vidéo

mettant en scène un cascadeur devant retirer la nappe d’une table sans en faire

tomber les couverts, pour BMW, B) Une vidéo mettant en scène de façon

poétique la sécurité routière et l’attachement des membre d’une famille, pour un

78
organisme de sécurité routière britannique. Chacun de ces spots a connu plus

ou moins de succès mais étaient suffisamment peu connus du public cible, pour

conserver un certain effet de surprise.

4.1.2.4 Cheminement du questionnaire

Les volontaires devaient donc répondre à des séries de questions portant à la

fois sur leurs habitudes d’utilisation de Facebook, et sur leurs sentiments,

directement après avoir visionné les vidéos. Le questionnaire mis en place pour

cette étude a été divisé en sept parties. La première partie avertissait les

internautes à qui l’adresse URL avait été transmise, de prendre connaissance

des conditions auxquelles l’enquête était soumise (droit de retrait, anonymat…).

Par la suite, une série de questions visant à évaluer l’utilisation de la 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

79
section a permis de récolter des données socio-démographiques (âge, sexe,

niveau de scolarité…). Enfin, la dernière section de ce questionnaire permettait

aux internautes de partager les vidéos qu’ils avaient visionnés, de mesurer le

comportement de partage, et de vérifier grâce aux fonctionnalités de la 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 ».

80
4.2  Échantillon  

4.2.1 Population cible : les utilisateurs de Facebook

Le but de cette étude étant de mesurer les intentions des internautes à partager

des vidéos sur Facebook, la seule restriction imposée aux répondants de cette

étude était que ces derniers se devaient d’être membres de Facebook et de

disposer d’un profil. Une phrase avertissait les répondants, dès la première

page, qu’ils ne se qualifiaient pas pour l’étude s’ils ne disposaient pas d’un profil

sur le service.

Les 500 millions de membres de Facebook (parmis lesquels 50% sont actifs,

c’est à dire qu’ils se connectent une fois par mois au moins) partagent et créent

chaque mois plus de 30 milliards de contenus (interactions, liens,

commentaires, vidéos)15. Regarder des vidéos constitue une des principales

occupations des internautes16. Ainsi, Facebook constitue un véritable « 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.

81
la réalisation d’une analyse en composante principale (Cadieux et Lévesque

2008).

4.3  Constitution  de  l’outil  de  mesure  

4.3.1 Mesure du construit : Réputation

Les questions posées pour mesurer le construit de réputation ont été adaptées

ou inspirées des questions posées par Wasko et Faraj (2005), face au fait que

l’acte de contribuer pouvait améliorer la réputation d’un individu dans un cadre

professionnel. Ici, la réputation est une conséquence anticipée de l’image d’un

individu auprès de son réseau social sur Facebook. D’autres études (Huang et

al. 2008) ont utilisé avec succès des mesures similaires dans le cadre d’études

pouvant ressembler à celle-ci.

Les questions ont été mesurées sur une échelle de Likert à sept points (1 = tout

à fait en désaccord et 7 = tout à fait d’accord) , après que les internautes aient

été soumis au visionnement des vidéos. Le tableau 2 présente les questions

posées dans le but de mesurer ce construit.

82
Tableau 2 : Mesure du construit "Réputation" [REP]

Variable Question Source

Partager cette vidéo via


Réputation
Facebook…
...ferait en sorte que mes ami(e)s
[REP1] Wasko et Faraj (2005)
m'apprécient davantage.

...ferait en sorte que mes ami(e)s m'accordent


[REP2] Wasko et Faraj (2005)
plus d'attention.

...ferait en sorte que mes ami(e)s me


[REP3] Huang et al. (2008)
témoignent plus de considération.

… donnerait une bonne image de moi auprès


[REP4] Wasko et Faraj (2005)
de mes ami(e)s.

...contribuerait à améliorer mes relations avec


[REP5] Huang et al. (2008)
mes amis.

...serait un bon moyen pour entretenir des


[REP6] Huang et al. (2008)
relations positives avec mes ami.

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

83
activité appréciée. Le tableau 3 présente les questions posées dans le but de

mesurer ce construit.

Tableau 3 : Mesure du construit "Appréciation" [APP]

Variable Question Source

Appréciation À quel point êtes-vous d’accord


avec les énoncés suivants ?

J'aime le simple fait de partager des contenus


[APP1] Wasko et Faraj (2005)
sur Facebook.

J’aime divertir mes amis en partageant du


[APP2] Wasko et Faraj (2005)
contenu avec eux sur Facebook.

J’aime me rendre utile auprès de mes amis


[APP3] Wasko et Faraj (2005)
en partageant du contenu sur Facebook.

Je trouve valorisant le fait de partager du


[APP4] Wasko et Faraj (2005)
contenu avec mes amis sur Facebook.

J'aime susciter des sentiments positifs chez


[APP5] mes amis en partageant du contenu sur Wasko et Faraj (2005)
Facebook.

J'apprécie le fait d'utiliser Facebook pour


[APP6] Wasko et Faraj (2005)
partager du contenu.

4.3.3 Mesure du construit : Centralité

La mesure de la centralité s’est faite au travers de réponses à deux questions.

Pour la première [centralité] les répondants indiquaient leur nombre d’amis sur

une échelle comportant sept réponses potentielles, indiquant leur nombre

d’amis sur Facebook.

84
Moins de 50 = 1, entre 51 et 100 = 2, entre 101 et 300 = 3, entre 301 et 500 =

4, entre 501 et 800 = 5, entre 801 et 1000 = 6, plus de 1000 = 7.

Wasko et Faraj (2005) suggèrent que le nombre de liens sociaux directs (ici le

nombre d’amis) est un indicateur cohérent dans la mesure de la centralité d’un

individu dans son réseau. Cependant, dans leur étude, ils délimitent dans le

temps la présence de ces liens sociaux (au moins une interaction dans une

période de temps donné). Afin de raffiner le concept de centralité, la seconde

question [centralité 2] demandait au répondant d’évaluer le nombre d’amis

Facebook avec lesquels il avait des interactions fréquentes, sur une échelle de

cinq points où : de moins de 10 = 1, de 10 à 20 = 2 ; de 21 à 50 = 3, de 51 à

100 = 4 et plus de 100 = 5.

La mesure de la centralité n’a pas été prise en compte lors de l’analyse de la

fiabilité. Le tableau 4 présente les questions posées dans le but de mesurer ce

construit.

85
Tableau 4 : Mesure du construit "Centralité" [CENT]

Variable Question Source

Centralité Veuillez répondre aux questions


suivantes

[centralité] Combien d'amis avez-vous sur Facebook ? Wasko et Faraj (2005)

Avec combien d'amis approximativement


[centralité 2] entretenez-vous régulièrement des contacts Adaptation
sur Facebook ?

4.3.4 Mesure du construit : Efficacité connective

Dans leur utilisation du capital cognitif, Wasko et Faraj (2005) ont utilisé les

construits « tenure in field » et « self-rated-expertise » afin de mesurer les

moyens par lesquels une contribution serait ou non perçue correctement par les

récepteurs. Puisque la présente étude s’attache aux relations sociales plus que

professionnelles, ces deux construits ont été remplacés par ceux développés

par Kalman et al. (2002).

L’Efficacité connective, c’est-à-dire la perception des répondants, du fait de

savoir si Facebook est ou non un outil efficace pour transmettre et partager de

l’information, a été mesurée dans la troisième section du questionnaire, sur une

échelle de Likert à sept points, (1 = tout à fait en désaccord et 7 = tout à fait

86
d’accord). Le tableau 5 présente les questions posées dans le but de mesurer

ce construit.

Tableau 5 : Mesure du construit "Efficacité Connective" [EfC]

Variable Question Source

Efficacité À quel point êtes-vous d’accord


Connective avec les énoncés suivants ?

Mes amis seront en mesure de consulter


[EfC1] Kalman et al. (2002)
facilement le contenu que je partage.

Mes amis sauront que j'ai partagé du


[EfC2] Kalman et al. (2002)
contenu.

Mes amis seront en mesure de le consulter


[EfC3] Kalman et al. (2002)
quand ils le voudront.

[EfC4] Il sera facile pour moi de partager du contenu. Kalman et al. (2002)

Mes amis pourront facilement retrouver le


[EfC5] Kalman et al. (2002)
contenu partagé sur mon profil.

Certains de mes amis partageront le contenu


[EfC6] Kalman et al. (2002)
à leur tour après l'avoir consulté.

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.

87
Une échelle de Likert à sept points, (1 = tout à fait en désaccord et 7 = tout à

fait d’accord), sur chacune des pages, a permis de collecter les données en

fonction du contenu.

Le tableau 6 présente les questions posées dans le but de mesurer ce

construit.

Tableau 6 : Mesure du construit "Efficacité Informative" [EfI]

Variable Question Source

Efficacité Après avoir visionné la vidéo, à quel


Informative point êtes-vous d’accord avec les
énoncés suivants ?
Mes amis ressentiraient des émotions après avoir vu Kalman et al. (2002)
[EfI1]
cette vidéo.

[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)

Cette vidéo susciterait des réactions auprès de mes Kalman et al. (2002)
[EfI4]
amis.
Il est possible que mes amis veuillent échanger à Kalman et al. (2002)
[EfI5]
leur tour cette vidéo.
Mes amis reparleraient de cette vidéo dans un avenir Kalman et al. (2002)
[EfI6]
proche.
Mes amis auraient un souvenir marquant de cette Kalman et al. (2002)
[EfI7]
vidéo.

4.3.6 Mesure du construit : Engagement

Développé par Wasko et Faraj (2005), le concept d’engagement

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

sein de son réseau.

88
Ainsi, l’échelle a été adaptée, et mesurée avec une échelle de Likert à sept

points (1 = tout à fait en désaccord et 7 = tout à fait d’accord).

Le tableau 7 présente les questions posées dans le but de mesurer ce

construit.

Tableau 7 : Mesure du construit "Engagement" [ENG]

Variable Question Source

Engagement À quel point êtes-vous d’accord


avec les énoncés suivants ?

Mes interactions avec mes amis sur


[ENG1] Wasko et Faraj (2005)
Facebook sont fréquentes.

J'accorde de l'importance à mon activité sur


[ENG2] Wasko et Faraj (2005)
Facebook.

Lorsque je consulte Facebook, j'ai la


[ENG3] Wasko et Faraj (2005)
sensation de faire partie d'un groupe.

Je me considère comme quelqu'un d'actif sur


[ENG4] Wasko et Faraj (2005)
le réseau Facebook.

Je considère que la mise à jour de mon profil


[ENG5] Wasko et Faraj (2005)
Facebook a de l'importance.

4.3.7 Mesure du construit : Valeur du gain collectif

En se basant sur le construit de réciprocité développé par Wasko et Faraj

(2005), la valeur du gain collectif a été adaptée pour les besoins de cette

étude, en prenant en compte la notion d’obligation généralisée : les individus

qui décident de partager un contenu le font dans une perspective globale, ils

89
s’adressent à leur réseau tout entier et pas seulement à un individu en

particulier.

Ici encore, la valeur du gain collectif est une variable contextualisée par rapport

à un contenu. Les données ont été récupérées dans les sections quatre et cinq,

après que le répondant ait visualisé les deux vidéos. Les répondants ont utilisé

une échelle de Likert à sept points (1 = tout à fait en désaccord et 7 = tout à fait

d’accord). Le tableau 8 présente les questions posées dans le but de mesurer

ce construit.

Tableau 8 : Mesure du construit "Valeur du gain collectif" [VGC]

Variable Question Source

Valeur du gain Partager cette vidéo sur


collectif Facebook…

Kalman et al. (2002) ;


[VGC1] ...aurait de la valeur pour mes amis.
Wasko et Faraj (2005)

Kalman et al. (2002) ;


[VGC2] ...aurait un intérêt collectif pour mes amis.
Wasko et Faraj (2005)

...serait bénéfique car j'apprécie que mes Kalman et al. (2002) ;


[VGC3]
amis partagent des vidéos du même type. Wasko et Faraj (2005)

...permettrait à mes amis de la partager à leur Kalman et al. (2002) ;


[VGC4]
tour. Wasko et Faraj (2005)

...permetrait de créer une discussion avec Kalman et al. (2002) ;


[VGC5]
plusieurs de mes amis. Wasko et Faraj (2005)

...serait apprécié car plusieurs de mes amis le Kalman et al. (2002) ;


[VGC6]
font déjà. Wasko et Faraj (2005)

90
4.3.8 Mesure de l’Intention

La variable centrale de cette étude, l’intention de partager un contenu à

caractère publicitaire sur Facebook, est une variable contextualisée. Aussi, les

données nécessaires à sa mesure ont été récoltées après chaque visionnement

des vidéos, dans les parties quatre et cinq du questionnaire.

Les items de mesure sont inspirés de la plupart des études mesurant des

intentions, quelles qu’elles soient (Technology acceptance model, Davis 1989.)

Les répondants ont utilisé une échelle de Likert à sept points (1 = tout à fait en

désaccord et 7 = tout à fait d’accord)

Le tableau 2 présente les questions posées dans le but de mesurer ce

construit.

Tableau 9 : Mesure de la variable dépendante "Intention" [INT]

Variable Question Source

Intention Considérant la vidéo que vous


venez de regarder, à quel point
êtes-vous d'accord avec les
énoncés suivants :

Il y aurait de bonnes chances pour que je la


[INT1] Davis (1989)
partage via Facebook.

J'ai l'intention de partager cette vidéo sur mon


[INT2] Davis (1989)
profil Facebook.

Je vais certainement partager cette vidéo sur


[INT3] Davis (1989)
Facebook.

91
4.3.9 Mesure du Comportement (expérimental)

La mesure du comportement a été étudiée à l’insu du répondant, afin de ne pas

affecter son libre-arbitre d’action. Pour cela, une page a été construite dans le

questionnaire en ligne, avant les remerciements où le répondant pouvait, s’il le

désirait, utiliser un bouton de partage automatisé pour poster la vidéo sur son

profil Facebook. Une part de code dynamique (javascript) indiquait alors à la

base de donnée si le contenu avait été ou non partagé. Par défaut, la valeur

enregistrée était 0 = contenu non partagé.

4.4  Pré-­‐test  

Avant de lancer la première vague de collecte, le questionnaire a été pré-testé

auprès d’une cinquantaine de volontaires. Les résultats du pré-test ont confirmé

le bien-fondé du modèle théorique, tout en apportant quelques modifications au

questionnaire.

Une série d’analyses factorielles exploratoires en composantes principales avec

l’introduction d’une rotation orthogonale VARIMAX (plus pure que les

combinaisons de base) a été réalisée afin de tester la robustesse des échelles

grâce à l’évaluation des cohérences internes (alpha de Chronbach pour

mesurer la consistance interne de l’échelle et ACP pour identifier la structure

factorielle de l’échelle. Le traitement statistique est fait à l’aide du logiciel de

statistiques SPSS 16.0 et l’analyse des résultats se base sur la variance

expliquée, la valeur du KMO (homogénéité des variables), le test de Bartlett

92
(sphéricité de la matrice de corrélation), les charges factorielles et les valeurs

propres des dimensions (Eigenvalues).17

Il est à noter que l’étude s’est faite sur deux vidéos pour calculer certaines

dimensions (EfI, VGC, Int). Ainsi, dans un premier temps, nous effectuons

l’analyse du pré-test sur les dimensions communes aux deux vidéos (Eng, App,

EfC), puis celles de la vidéo 1 pour finir par celles de la vidéo 2.

Bien que les résultats n’indiquaient aucun problème majeur, certains items ont

été retirés au préalable, afin d’écourter le temps de réponse des personnes

interrogés, et fluidifier la navigation dans le questionnaire.

4.5  Méthode  de  Collecte  

Les données ont été récoltées à l’aide d’un questionnaire en ligne développé

par le chercheur principal. Le questionnaire a été envoyé à quelques blogueurs

ayant une forte audience afin qu’ils répondent et retransmettent l’adresse URL

du sondage. Par ailleurs, une fonctionnalité permettant aux répondants de

poster l’adresse du questionnaire sur leur profil Facebook a été intégrée. Ainsi

la plupart des répondants ont incité leur réseau social à remplir le sondage à

leur tour.

L’outil de communication Twitter a aussi joué un rôle important afin de solliciter

les répondants, puisqu’il a permis de retransmettre les appels à contribuer à

d’autres sphères d’influence. Plus d’une centaine de personnes ont retransmis

17
Voir les résultats des ACP du pré-test en annexe.

93
l’information sur Twitter, et les pages du sondage ont été visitées plus d’un

millier de fois lors de la première vague. La collecte a eu lieu du 22 mars au 8

avril et a obtenu 466 participants, parmi lesquels 250 ont décroché avant d’avoir

terminé de répondre au sondage (principalement aux pages d’accueil, et aux

pages de vidéos). Cependant, les 216 autres participations complétées se sont

avérées être amplement suffisantes pour les besoins de l’étude, et 202 on été

exploitées après avoir ôté de la base de données les réponses comportant trop

de valeur manquantes.

94
CHAPITRE  V  :  Résultats  

Après la collecte de données, un problème a été repéré en ce qui concerne la

seconde variable dépendante, à savoir le comportement de partage. Ainsi nous

avons pu observer que les réponses obtenues, en mesurant si oui ou non les

répondants ont cliqué sur le bouton de partage, n’étaient pas du tout

significatives ni représentatives, et que plusieurs personnes ont bel et bien

partagé le dit contenu, mais sans utiliser le système mis en place pour cette

étude. Leur réponse a été considérée comme nulle alors que le comportement

avait pourtant bien eu lieu. Ainsi, afin d’éviter d’éventuelles complications liées

à des biais d’interprétation, et par trop de manipulations statistiques, la décision

a été prise retirer complètement cette variable de l’étude.

Cependant, avec plus de 200 questionnaires validés pour interpréter l’intention,

les résultats présentés ci-après nous renseignent de façon largement suffisante

pour analyser le phénomène.

5.1  Statistiques  Socio-­‐démographiques  

Le tableau 10 présente les données socio-démographiques des répondants. On

observe que la plupart ont une éducation supérieure, et sont âgés de 18 à 35

ans. Ils utilisent majoritairement Facebook entre 1 et 4 heures par semaine. Il y

a également légèrement plus d’hommes que de femmes.

95
Tableau 10 : Statistiques socio-démographiques et usage de Facebook

Variable Item 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

Âge 31-35 14,4 29

36-40 7,9 16

41-50 5,9 12

+50 4 8

Secondaire 1 2

Lycée / Cégep 7,9 16

Niveau de scolarité 1er Cycle (Baccalauréat) 37,6 76

2nd Cycle (Maitrise) 41,6 84

3ème Cycle (Doctorat) 10,9 22

Moins de 1h 11,4 23

Entre 1h et 4h 41,1 83

Usage de Facebook
hebdomadaire Entre 5h et 10h 23,3 47

Plus de 10h 15,3 31

Plus de 20h 8,4 17

96
5.2  Validité  des  échelles  de  mesure  

Le modèle ici présenté est composé de variables contextuelle et permanentes.

Afin de mesurer la validité des échelles de mesure, il a été décidé d’utiliser les

données rattachées à la seconde vidéo, car celle-ci s’est révélée être la plus

efficace, en terme de nombre de partage et de nombre de visionnement. Ainsi,

les variables de réputation, d’efficacité informative, de gain collectif, ainsi que la

variable d’intention, ont été évaluées d’après les réponses qui ont été apportées

lors de l’exposition à la seconde vidéo.

De même, les construits de centralité ne sont pas pris en compte pour les

analyses de validité et fiabilité, ni dans les analyses factorielles, puisqu’ils n’ont

été mesurés que par un seul item chacun, de la même façon que l’ont traité

Wasko et Faraj (2005).

97
5.2.1 Analyse de la fidélité des variables

L’analyse de la fidélité a été réalisée en observant les alphas de Cronbach de

chacune des variables, à part. Cette analyse n’a révélé aucun défaut majeur

dans la construction des échelles, avec des alphas de Cronbach compris entre

0.866 et 0,957. De même, aucun retrait d’item ne ferait augmenter l’alpha de

Cronbach d’aucune des variables mesurées. Les coefficients de Pearson

n’indiquent qu’aucun item ne souffre d’un manque de corrélation, et les scores

obtenus pour cette mesure sont satisfaisants.

Les chiffres énoncés ci-dessus sont disponibles dans les tableaux 11 et 12, et

les sorties SPSS sont disponibles en annexe de l’étude.

Les matrices de corrélation inter items disponibles en annexe, ne démontrent

aucun problème de manque de corrélation interne, dans aucune des échelles

ici mesurées. Cela signifie que tous nos concepts mesurent la même entité.

À ce stade de l’analyse, tous les items peuvent être conservés et l’on peut

procéder aux analyses factorielles.

98
Tableau 11 : Alpha de Cronbach par construit

Correlation Alpha si
Item N Moyenne Écart-type
de Pearson 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

99
Tableau 12 : Alpha de Cronbach par Construit (suite)

Correlation Alpha si
Item N Moyenne Écart-type
de Pearson 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

100
5.2.2 Analyses en composantes principales

Une série d’analyses factorielles en composantes principales (ACP) avec

rotation orthogonale VARIMAX a été réalisée, afin de mesurer la validité interne

des construits du modèle. (Appréciation, réputation, efficacité connective,

efficacité informative, engagement, valeur du gain collectif, ainsi que l’intention).

Sept facteurs sont effectivement identifiés par cette ACP qui explique 74,87%

de la variance totale. Avec un KMO de 0,918, cette première ACP annonce un

très bon score. (Les sorties techniques sont disponibles en annexe.)

Tableau 13 : Résultats de la première APC

Première analyse en composantes principales

N 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.

101
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

102
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

103
Les tableaux 14 et 15 posent un plusieurs problèmes. Premièrement, les

construits d’efficacité informative et de valeur du gain collectif semblent être

trop corrélés, de même que les construits d’appréciation et d’engagement. En y

réfléchissant, il semble logique que ces variables soient problématiques, de par

leur nature proche, les unes contextualisées reflétant une phénomène

d’anticipation, les autres permanentes étant reliées à l’utilisation de Facebook.

Ainsi, l’extraction de certains items s’avère nécessaire pour éviter les

problèmes de forte corrélation sur des facteurs avec lesquels ils ne devraient

pas être corrélés. Parmi ceux-ci, les items EFI6, EFI7, VGC1, VGC4, ENG1,

APP6 et APP4 ont été extraits car trop corrélés, ou car ils se chargeaient en

dessous de 0,7 (à l’exception de EFI7, qui a été extrait car sa présence avait

une influence néfaste sur les items de valeur du gain collectif).

La variable de valeur du gain collectif se montrant très faible, et tous ses items

ne se chargeant qu’en dessous 0.7, il a été décidé de réaliser une seconde

analyse en composante principale, sur les items deux facteurs efficacité

informative et valeur du gain collectif restants, afin de déterminer lesquels des

items de ces variables il serait préférable d’extraire pour conserver

suffisamment d’items de valeur du gain collectif.

Le tableau 16 présente les résultats de cette ACP, et le tableau 18 la matrice

des composantes après rotation de ces deux construits.

104
Tableau 16 : Résultats de la seconde APC

Seconde analyse en composantes principales (VGC – EFI)

N 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

105
La matrice des corrélations de la seconde ACP démontre qu’après l’extraction

de VGC1, VGC5, EFI6 et EFI7, ces deux facteurs souffrent de moins de

colinéarité. Il est ainsi possible de procéder à une analyse factorielle

confirmatoire, afin de valider l’échelle de mesure dans sa globalité.

Le tableau 18 présente les résultats de cette ACP confirmatoire, et les tableaux

19 et 20 présentent la matrice de corrélation finale des facteurs de cette échelle

de mesure.

Tableau 18 : résultats de l’ACP confirmatoire

Analyse en composantes principales confirmatoire

N 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.

106
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

107
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

108
Même si certains problèmes persistent, comme la faiblesse de la mesure de la

valeur du gain collectif, cette ACP confirmatoire permet d’affirmer que chaque

item mesure bel et bien le construit qu’il est censé mesurer.

Dès lors, les items présents dans les tableaux 19 et 20 sont ceux qui seront

utilisés pour la prochaine étape, à savoir une série de régressions linéaires.

5.3  Structure  des  analyses  

5.3.1 Création des index

Les variables permanentes constituent la base commune, et les variables

contextualisées sont traitées de façon séparée, pour chacune des deux vidéos,

puis de façon simultanée. Afin d’effectuer une série de régressions linéaires,

des index ont été construits, en faisant la moyenne des items retenus après

vérification de la validité des échelles. Les variables permanentes ont permis de

créer 4 index : Appréciation, Efficacité connective centralité 1 et centralité 2.

Les items des variables contextualisées (réputation, efficacité informative,

valeur du gain collectif et intention) ont subi 3 transformations, à savoir : la

moyenne des items des variables contextualisées pour la première vidéo, la

moyenne des items des variables contextualisées pour la seconde vidéo puis la

somme des moyenne des items de toutes les variables contextualisées, des

deux vidéos, afin d’obtenir un index représentatif du phénomène dans sa

globalité.

Au total, trois régressions seront effectuées :

109
 Régression avec les résultats de la première vidéo

 Régression avec les résultats de la seconde vidéo

 Régression avec les résultats des deux vidéos cumulées

Le tableau 21 présente les variables utilisées pour chaque régression, et leur

nomenclature dans SPSS.

Tableau 21 : Nomenclature des variables utilisées pour les régressions

Régression vidéo 1 Régression vidéo 2 Régression totale

MAPP MAPP APP

Index des variables MEFC MEFC EFC


permanentes Centralité 1 Centralité 1 Centralité 1
Centralité 2 Centralité 2 Centralité 2

MREP1 MREP2 SREPT


Index des variables
MEFI1 MEFI2 SEFIT
contextualisées
MVGC1 MVGC2 SVGCT

Index de la variable
MINT1 MINT2 INTT
Dépendante

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

110
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


ère
Intention de partager la 1 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


nde
Intention de partager la 2 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

111
5.3.2 Écriture du modèle de régression et structure des résultats

La méthode de la régression multiple permet d’étudier des relations entre

plusieurs variables continues (Cadieux et Lévesque 2008).

Le modèle se présente sous la forme :

Y = ß0 + ß1X1 + ß2X2 + ß3X3 + …+ BkXk + ∈

Où :

Y = la variable dépendante ou appelée autrement la variable « expliquée ».

ß0, ß1,… = les paramètres du modèle de régression multiple

X1, X2,… = les variables indépendantes ou appelées autrement les variables

« explicatives ».

∈ = l’erreur. Elle représente la partie aléatoire non observable qui pourrait être

attribué à des facteurs non présents dans le modèle étudié.

Il faut noter que tous les seuils de significations sont fixés à α = 0.05.

Les analyses de régressions se décomposeront comme suivant :

 Analyse du R2 et de la variance (ANOVA)

 Inférence des paramètres, analyse des β

 Rangement des effets (cote t)

 Analyse de la colinéarité avec les VIF

 Analyse des résidus

112
5.4  Régression  et  analyse  de  la  vidéo  1  

La première vidéo ayant servi de modèle de contenu à caractère publicitaire,

mettait en scène un motard effectuant un « coup » bien particulier : retirer la

nappe d’une table dressée, à la façon des magiciens de cabaret, pour souligner

l’efficacité des moteurs des motos de BMW.18 Cette vidéo possède un fort

caractère hédoniste.

5.4.1 Analyse du R2 et de la variance pour la première régression

Le coefficient R2 représente le pourcentage de variation de Y (soit la variable

dépendante) expliqué par la régression (Cadieux et Lévesque 2008). Plus il est

fort, plus la relation est considérée comme forte.

Le test d’hypothèse de l’ANOVA permet de vérifier si oui ou non la régression

est significative dans la population. Pour résoudre le test d’hypothèses de

l’ANOVA, il est nécessaire de poser les hypothèses suivantes :

H0 : La régression est non significative dans la population (c’est à dire

que tous les ßj = 0)

H1 : La régression est significative dans la population (c’est à dire qu’au

moins un ßj ≠ 0)

L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05.

18
La vidéo est disponible à l’adresse suivante : www.youtube.com/user/mermetudes

113
Le tableau 23 présente le R2 ainsi que la p-value de l’ANOVA cette régression.

Tableau 23 : R2, R2 ajusté et p-value de la 1ère régression

R2 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

114
Règle de décision : L’hypothèse H0 est rejetée si la p-value est inférieure à α =

0.05.

Le tableau 24 présente la p-value, la cote t et les VIF pour chacune des

variables étudiées dans le cadre de cette régression

Tableau 24 : p-value cote t et VIF de la première régression

Variable 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.

115
5.4.2.1 ß1 Centralité

Comme la p-value est de 0, 091 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « centralité » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.4.2.2 ß2 Centralité 2

Comme la p-value est de 0,342 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « centralité 2 » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.4.2.3 ß3 Appréciation [APP]

Comme la p-value est de 0,664 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « appréciation » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

116
5.4.2.4 ß4 Efficacité connective [EFC]

Comme la p-value est de 0,344 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « efficacité connective » lorsqu’elle est introduite à la

suite des autres variables explicatives du modèle, est non significative. Son

ajout est superflu.

5.4.2.5 ß5 Engagement [ENG]

Comme la p-value est de 0,456 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable «engagement » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.4.2.6 ß6 Réputation [REP1]

Comme la p-value est de 0,600> α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « réputation » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

117
5.4.2.7 ß7 Efficacité informative [EFI1]

Comme la p-value est de 0,004 < α = 0.05, l’hypothèse H0 est rejetée au risque

de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable

« efficacité informative » apporte une contribution significative au modèle étudié

en présence des autres variables.

5.4.2.8 ß8 Valeur du gain collectif [VGC1]

Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque

de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable

« valeur du gain collectif » apporte une contribution significative au modèle

étudié en présence des autres variables.

5.4.3 Rangement des effets pour la 1ère régression

Il est possible de ranger les variables indépendantes selon leur influence sur la

variable dépendante. Pour cela, il faut utiliser la cote t représentée par la

colonne « t » de la table des coefficients pour les variables significatives.

Le tableau 25 classe les variables significatives de cette régression, par ordre

d’importance.

118
Tableau 25 : Classement des effets pour la première régression

Rangement des effets

Position 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.

119
Une règle du pouce tend à montrer qu’un VIF supérieur à 10 ne peut être

retenu à cause d’une trop grande multi colinéarité (Cadieux et Lévesque 2008).

Ici, les VIF (tableau 26) sont compris entre [1.261; 3,047]. Ainsi, nous pouvons

affirmer que le modèle ne souffre pas de multi colinéarité et que les tests sur les

ßi ainsi que le classement sur les variables explicatives sont valides.

Tableau 26 : VIF pour la 1ère régression

Variable 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).

120
L’utilisation du test de Normalité (Kolmogorov-Smirnov et Shapiro-Wilk) permet

de répondre au test d’hypothèse suivant :

H0 : Les résidus se distribuent suivant une loi normale au niveau de la

population

H1 : Les résidus ne se distribuent pas suivant une loi normale au niveau

de la population

L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05.

Le tableau 27 présente les résultats des tests de Normalité, et les figures 9 et

10 présent la distribution des résidus.

Tableau 27 : tests de normalité des résidus de la 1ère régression

Kolmogorov-Smirnov 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.

121
Les résidus sont présentés dans les figures suivantes on observe effectivement

qu’ils ne suivent pas la droite représentant théoriquement la régression (figure

9), et que les résidus se distribuent pas uniformément autour du zéro (figure

10).

Figure 9

122
 

Figure 10

123
5.5  Régression  et  analyse  de  la  vidéo  2  

La seconde vidéo19 représentait une famille, dans un salon, où le père était

filmé au ralenti, entrain d’avoir un faux accident de voiture. La mère et sa fille

venaient alors l’enlacer, pour représenter le fait que l’influence de la famille sur

les comportements à risques, comme l’oubli de la ceinture, étaient importants.

Cette vidéo possède un fort caractère instrumental.

5.5.1 Analyse du R2 et de la variance pour la 2nde régression

Le coefficient R2 représente le pourcentage de variation de Y (soit la variable

dépendante) expliqué par la régression (Cadieux et Lévesque 2008). Plus il est

fort, plus la relation est considérée comme forte.

Le test d’hypothèse de l’ANOVA permet de vérifier si oui ou non la régression

est significative dans la population. Pour résoudre le test d’hypothèses de

l’ANOVA, il est nécessaire de poser les hypothèses suivantes :

H0 : La régression est non significative dans la population (c’est à dire

que tous les ßj = 0)

H1 : La régression est significative dans la population (c’est à dire qu’au

moins un ßj ≠ 0)

L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05.

19
La vidéo est disponible à l’adresse suivante : www.youtube.com/user/mermetudes

124
Le tableau 28 présente le R2 ainsi que la p-value de l’ANOVA cette régression.

Tableau 28 : R2 et p-value de la 2nde régression

R2 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

125
Règle de décision : L’hypothèse H0 est rejetée si la p-value est inférieure à α =

0.05.

Le tableau 29 présente la p-value, la cote t et les VIF pour chacune des

variables étudiées dans le cadre de cette régression

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

Variable 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.

126
5.5.2.1 ß1 Centralité

Comme la p-value est de 0,227 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « centralité » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.5.2.2 ß2 Centralité 2

Comme la p-value est de 0,113 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « centralité 2 » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.5.2.3 ß3 Appréciation [APP]

Comme la p-value est de 0,837 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « appréciation » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

127
5.5.2.4 ß4 Efficacité connective [EFC]

Comme la p-value est de 0,082 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « efficacité connective » lorsqu’elle est introduite à la

suite des autres variables explicatives du modèle, est non significative. Son

ajout est superflu.

5.5.2.5 ß5 Engagement [ENG]

Comme la p-value est de 0,776 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable «engagement » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.5.2.6 ß6 Réputation [REP2]

Comme la p-value est de 0,788> α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « réputation » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

128
5.5.2.7 ß7 Efficacité informative [EFI2]

Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque

de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable

« efficacité informative » apporte une contribution significative au modèle étudié

en présence des autres variables.

5.5.2.8 ß8 Valeur du gain collectif [VGC2]

Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque

de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable

« valeur du gain collectif » apporte une contribution significative au modèle

étudié en présence des autres variables.

5.5.3 Rangement des effets pour la 2nde régression

Il est possible de ranger les variables indépendantes selon leur influence sur la

variable dépendante. Pour cela, il faut utiliser la cote-t représentée par la

colonne « t » de la table des coefficients pour les variables significatives.

Le tableau 30 classe les variables significatives de cette régression, par ordre

d’importance.

129
Tableau 30 : Classement des effets pour la 2nde régression

Rangement des effets

Position 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

130
5.5.5 Analyse des résidus pour la 2nde régression

L’utilisation du test de Normalité (Kolmogorov-Smirnov et Shapiro-Wilk) permet

de répondre au test d’hypothèse suivant :

H0 : Les résidus se distribuent suivant une loi normale au niveau de la

population

H1 : Les résidus ne se distribuent pas suivant une loi normale au niveau

de la population

L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05.

Le tableau 32 présente les résultats des tests de Normalité, et les figures 9 et

10 présent la distribution des résidus.

Tableau 32 : tests de normalité des résidus de la 2nde régression

Kolmogorov-Smirnov 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.

131
Les résidus sont présentés dans les figures suivantes on observe effectivement

que les résidus suivent la droite représentant théoriquement la régression

(figure 11), et que les résidus distribuent uniformément autour de la droite du

zéro (figure 12). Il n’y a donc pas de violation de la linéarité.

Figure 11

132
Figure 12

Ainsi, il est tout à fait légitime de penser que pour cette régression, le modèle ici

utilisé est une source fiable de renseignements.

133
5.6  Régression  et  analyse  des  deux  vidéos  combinées  

5.6.1 Analyse du R2 et de la variance pour la 3ème régression

Le coefficient R2 représente le pourcentage de variation de Y (soit la variable

dépendante) expliqué par la régression (Cadieux et Lévesque 2008). Plus il est

fort, plus la relation est considérée comme forte.

Le test d’hypothèse de l’ANOVA permet de vérifier si oui ou non la régression

est significative dans la population. Pour résoudre le test d’hypothèses de

l’ANOVA, il est nécessaire de poser les hypothèses suivantes :

H0 : La régression est non significative dans la population (c’est à dire

que tous les ßj = 0)

H1 : La régression est significative dans la population (c’est à dire qu’au

moins un ßj ≠ 0)

L’hypothèse H0 est rejetée si la p-value est inférieure à α = 0.05.

Le tableau 33 présente le R2 ainsi que la p-value de l’ANOVA cette régression.

Tableau 33: R2 et p-value de la 3ème régression

R2 R2 Ajusté p-value de l’ANOVA

0,482 0,460 0,000

134
Dans notre cas, le R2 ajusté est de .460. C’est-à-dire que la régression explique

46,0% de la variation de la dépendante Y, de l’intention. Ce résultat quoi qu’un

peu faible (interrelation modérée, puisque comprise entre 0.3 et 0.5) reste

satisfaisant car nous sommes dans le cadre d’une étude exploratoire mettant

en avant des variables sociales.

En ce qui concerne l’analyse de la variance, comme la p-value est de 0,000 < α

= 0.05, l’hypothèse H0 est rejetée au risque de se tromper une fois sur 20. Ainsi,

nous pouvons dire que la régression est significative et l’analyse peut se

poursuivre.

5.6.2 Inférence des paramètres et analyse des β pour la 3ème régression

Cette étape consiste à voir quels sont les ßi significatifs dans le modèle en ce

qui concerne les variables indépendantes associées à la première vidéo. Pour y

répondre, il faut répondre au test d’hypothèse suivant pour chacun des ßi :

H0 : ßi = 0

H1 : ßi ≠ 0

Règle de décision : L’hypothèse H0 est rejetée si la p-value est inférieure

à α = 0.05.

Le tableau 34 présente la p-value, la cote t et les VIF pour chacune des

variables étudiées dans le cadre de cette régression

135
Tableau 34 : p-value cote t et VIF de la 3ème régression

Variable 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.

136
5.6.2.2 ß2 Centralité 2

Comme la p-value est de 0,151 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « centralité 2 » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.6.2.3 ß3 Appréciation [APP]

Comme la p-value est de 0,754 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « appréciation » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.6.2.4 ß4 Efficacité connective [EFC]

Comme la p-value est de 0,603 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « efficacité connective » lorsqu’elle est introduite à la

suite des autres variables explicatives du modèle, est non significative. Son

ajout est superflu.

137
5.6.2.5 ß5 Engagement [ENG]

Comme la p-value est de 0,480 > α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable «engagement » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.6.2.6 ß6 Réputation [REPT]

Comme la p-value est de 0,629> α = 0.05, l’hypothèse H0 n’est pas rejetée au

seuil de signification α = 0.05. Ainsi, il peut être admis que la contribution

marginale de la variable « réputation » lorsqu’elle est introduite à la suite des

autres variables explicatives du modèle, est non significative. Son ajout est

superflu.

5.6.2.7 ß7 Efficacité informative [EFIT]

Comme la p-value est de 0,002 < α = 0.05, l’hypothèse H0 est rejetée au risque

de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable

« efficacité informative » apporte une contribution significative au modèle étudié

en présence des autres variables.

5.6.2.8 ß8 Valeur du gain collectif [VGCT]

Comme la p-value est de 0,000 < α = 0.05, l’hypothèse H0 est rejetée au risque

de se tromper une fois sur 20. Ainsi, il est possible d’affirmer que la variable

138
« valeur du gain collectif » apporte une contribution significative au modèle

étudié en présence des autres variables.

5.6.3 Rangement des effets pour la 3ème régression

Il est possible de ranger les variables indépendantes selon leur influence sur la

variable dépendante. Pour cela, il faut utiliser la cote-t représentée par la

colonne « t » de la table des coefficients pour les variables significatives.

Le tableau 35 classe les variables significatives de cette régression, par ordre

d’importance.

Tableau 35 : Classement des effets pour la première régression

Rangement des effets

Position 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.

139
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.

140
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).

141
Figure 13

142
Figure 14

143
5.7  Récapitulatif  des  résultats  

5.7.1 Modèle et récapitulatif des hypothèses validées

La figure 15 se présente un récapitulatif des hypothèses validées au cour de

cette étude. Ainsi, on observe que seules deux variables émergent réellement

du modèle ici développé : efficacité informative et valeur du gain collectif, deux

variables fortement dépendantes du contexte. Le tableau 38 récapitule les cote

t et les p-values des variables lors des trois régressions.

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

144
Tableau 38 : récapitulatif de la validation des hypothèses

Hypothèse Validation p-value Cote-t

1 Non mesuré Non mesuré Non mesuré

H1 2 Non mesuré Non mesuré Non mesuré

T Non mesuré Non mesuré Non mesuré

1 Non .600 .525

H2 2 Non .788 -.269

T Non .629 -.484

1 Non .664 -.435

H3 2 Non .837 -.206

T Non .754 -.314

1 Non .091 / .342 -1.698 / .953

H4 2 Non .2127 / .113 -1.211 / 1.593

T Non .093 / .151 -1.689 / 1.443

1 Oui .344 -.948

H5 2 Oui .082 1.749

T Oui .603 .520

1 Non .004 2.891

H6 2 Non .000 3.871

T Non .002 3.150

1 Non .456 .746

H7 2 Non .776 .285

T Non .480 .708

1 Oui .000 4.902

H8 2 Oui .000 5.913

T Oui .000 5.367

145
5.7.2 Récapitulatif de l’analyse des VIF

Les VIF de chacune des régressions n’indiquent aucun écart majeur, et sont

tous situés entre 1 et 10, ce qui tend à prouver qu’aune des régressions

menées dans cette étude ne souffre de multi-colinéarité.

Le tableau 39 récapitule les VIF les plus bas et les plus hauts de chacune des

régressions.

Tableau 39 : récapitulatif des VIF

Régression Vidéo 1 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.

146
Tableau 40 : récapitulatif des analyses des résidus

Régression Vidéo 1 Régression Vidéo 2 Régression Totale

Kolmogorov- Shapiro- Kolmogorov- Shapiro- Kolmogorov- Shapiro-


Smirnov Wilk Smirnov Wilk Smirnov Wilk

.084 .004 .200 .737 .002 .000

Les résidus ne se Les résidus se Les résidus ne se


distribuent pas suivant distribuent suivant une distribuent pas suivant
une loi normale loi normale une loi normale

147
CHAPITRE  VI  :  Discussion  des  résultats  

6.1  Rappels  des  objectifs  

Le but principal de cette étude était d’identifier les facteurs influençant l’intention

des internautes à partager des contenus à caractère publicitaire, dans un

contexte de média social.

Après une revue de littérature, il a été décidé que la théorie du Capital Social

servirait de base théorique au modèle. Les études de Wasko et Faraj (2005),

Nahapiet et Goshal (1998), Cabrera et Cabrera (2002), et Kalman et al. (2002)

ont joué un rôle clé dans l’adaptation de la théorie initiale au contexte de notre

étude.

Cette étude répond à la majorité des objectifs fixés au départ dans le premier

chapitre : la théorie du Capital Social a été identifiée comme ressource

cohérente à l’étude du phénomène, il a été possible de l’adapter au contexte de

média social (et plus précisément Facebook), de comprendre certains aspects

liés au type de contenu partagé (valeur hédoniste, sociale, instrumentale etc.),

et surtout, de mesurer les facteurs les plus à même d’expliquer l’intention de

partager.

148
6.2  Résultats  clés  

Les contributions principales de l’étude portent sur la valeur du gain collectif, un

construit adapté et créé à partir des études mentionnées précédemment.

D’autres construits, comme l’efficacité informative, l’efficacité connective ou la

centralité se sont également révélés être des pistes intéressantes de réflexion.

6.2.1 Valeur du gain collectif

Avec une p-value inférieure au seuil de signification alpha = 0,05 dans les trois

régressions effectuées dans l’analyse (0,000 dans les trois analyses), la valeur

du gain collectif est le facteur qui influence le plus l’intention de partager un

contenu.

Adapté du construit de « réciprocité », utilisé par Wasko et Faraj (2005), la

création de la valeur du gain collectif a suivi les conseils prodigués par ces deux

chercheurs, d’utiliser l’idée de réciprocité des actions, à une échelle généralisée

et non pas individuelle. Dans un contexte en ligne, et dans la plupart des études

sur le sujet, le capital relationnel des individus était un faible argument

théorique expliquant la volonté de contribuer au réseau, pour plusieurs raisons :

l’absence de relations préalables, de co-présence ou de proximité physique ou

d’interactions réelles dans la vraie vie (Nahapiet et Goshal 1998).

Or, dans la cadre de l’utilisation de Facebook, un lien préalable existe la plupart

du temps entre deux personnes (l’emploi du terme « ami » n’est pas anodin

dans le design du site). Wasko et Faraj (2005) préconisent l’idée de

149
« réciprocité généralisée » : une forme de réciprocité différente que celle ayant

lieu face-à-face, où un retour d’action est attendu de la part de la personne qui

a été aidée. Dans un réseau en ligne, le fait de laisser un contenu disponible à

la vue de tous représente la décision prise par un individu de partager le dit

contenu car il sait que certaines personnes l’aimeront, mais il ne sait pas

exactement qui. De même, l’action de partager représente le fait que la

personne qui partage est ouverte à recevoir ou être exposée à des contenus du

même genre.

La valeur du gain collectif reprend l’idée de réciprocité généralisée, tout en

excluant la signification de « dette » induite par le terme, et son utilisation dans

la littérature (avec respect pour les auteurs), au profit d’une notion plus altruiste.

Une personne peut aimer le fait de recevoir un contenu, mais ne sent pas

nécessairement « obligée » de faire de même. Sa motivation première reste le

fait que le partage d’un contenu plaira aux membres de son réseau.

Ainsi, cette étude a révélé que cette motivation altruiste était incontestablement

le principal moteur de l’intention de partager, dans le cadre d’un média social. Il

est en effet peu probable d’analyser le phénomène de partage de contenu dans

un réseau social en ligne, comme un acte égoïste, destiné à soi-même. Encore

moins sur Facebook.

De même il est à prendre en considération que le fait de publier un contenu

jugé enrichissant pour un collectif par un individu, ouvre des perspectives de

socialisation, et des signes divers d’appréciation : des clics sur la fonction

150
« j’aime », des commentaires ou des partages successifs. Ces interactions

peuvent être porteuses de signification au niveau social, et entraîner un

renforcement du lien unissant deux individus.

6.2.2 Efficacité informative

Avec une p-value de 0,02 à la première analyse, et de 0,00 dans les deux

dernières, l’efficacité informative est le second facteur qui explique le mieux

l’intention de partager un contenu à caractère publicitaire sur Facebook.

L’efficacité informative est un concept introduit par Cabrera et Cabrera (2002) et

Kalman et al. (2002) qui reflète la propension de l’individu à estimer si oui ou

non le contenu atteindra les objectifs qu’il fixe, pour son réseau social, s’il le

partage (choquer, divertir, engager politiquement etc.), et si le réseau est en

mesure de le consulter.

Cette variable fortement instable, car dépendante d’un contexte (le contenu)

s’avère pourtant être une explication très cohérente dans le cadre de partage

de vidéo issues d’opérations de marketing viral. En effet, puisque les émotions

provoquées sont essentielles (Dobele et al. 2007) on peut dès lors supposer

que la «charge émotionnelle» transmise par une vidéo sur un individu joue un

rôle important dans la décision de ce dernier de retransmettre le contenu à son

entourage, tout en estimant de lui même le fait que la vidéo saura créer des

émotions similaires chez les membres de son réseau.

151
Ainsi, le fait qu’une relation antérieure existe entre un individu et son réseau,

comme c’est souvent le cas sur Facebook, permet d’affirmer que l’émetteur

possède déjà une opinion lui permettant de juger de l’efficacité d’un contenu,

car il connaît, dans la globalité, les membres de son réseau. La connexion

sociale pré-existante est donc une condition facilitatrice à l’estimation des

émotions que pourra créer un contenu sur une communauté d’amis sur

Facebook.

De même, Facebook permet à un individu de voir lesquels parmi ces amis sont

ceux qui ont l’habitude de consommer ce type de contenu, au travers des

interactions qui ont pu naître au fur et à mesure de l’utilisation de l’outil, ou

simplement après avoir observé des comportements de partages public

similaires. Tout comme la relation préalable importe dans l’intention de

partager, la connaissance des habitudes d’utilisation de Facebook pour

consommer des contenus et la connaissance des types de contenus

consommés par certains membres de son réseau peuvent être des facteurs

déterminants dans l’intention d’un individu à contribuer.

Cette connaissance des habitudes de consommation des contenus peut

expliquer la propension d’un individu à juger bon ou non un contenu pour son

réseau, et l’on observe un phénomène similaire, lorsque les contenus

s’adressent à une sphère très particulière. Par exemple, les références à Star

Wars dans une publicité pour Adidas Originals, durant la coupe du monde, a

permis de cibler précisément une certaine masse d’internautes dont les centres

152
d’intérêts n’étaient pas nécessairement portés sur le soccer. De même, la

popularité de certains phénomènes issus des sous-cultures nées en ligne

peuvent s’expliquer par le concept d’efficacité informative : les « mêmes » sont

des contenus qui ont pour principale vertu d’être facilement réplicables, et dont

c’est la propriété première. Les célèbres « lolcats », ces images de chats dans

des postures incongrues, sont une excellente illustration de l’efficacité

informative : en utilisant une syntaxe précise, accessible uniquement à ceux qui

ont pris la peine d’explorer le phénomène, un individu peut aisément anticiper

les réactions de son réseau face à ce contenu, car il sait que les membres

comprennent le fondement « absurde », drôle et anodin de ces illustrations.

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

153
Plusieurs millions d’images du genre sont postées aujourd’hui sur le Web. Les

personnes qui les retransmettent savent sans aucune hésitation que celles-ci

finiront par être comprises et appréciées par quelqu’un. L’efficacité informative

contenue dans un« lolcat » est en quelque sorte garantie.

6.2.3 Les variables non significatives

Parmi les variables non significatives, c’est à dire celles n’ayant pas obtenu de

p-value inférieure au seuil de signification, on retrouve les deux variables tirées

des motivations individuelles : la réputation et l’appréciation. La faiblesse de ces

deux construits peut s’expliquer par leur insertion par Wasko et Faraj (2005),

dans le cadre d’une étude d’un réseau de pratique, composé de professionnels

du droit. Ainsi, il est délicat de transposer littéralement ces deux

environnements, sans conséquences sur les résultats.

La réputation n’est pas ressortie de façon significative, car Facebook, composé

majoritairement de liens pré-existants, permet peut-être de se faire une opinion

rapide d’un individu, mais si le réseau social existait avant d’avoir été

recomposé en ligne, la réputation de l’individu n’aurait pas à souffrir de son

utilisation de Facebook. En revanche, dans une communauté de pratique, les

individus ne se connaissent pas nécessairement, et le réseau social en ligne

est le seul indice accessible pour se faire une opinion de quelqu’un. Si l’on avait

transposé cette étude sur un réseau professionnel comme Linkedin, il y aurait

eu fort à parier que la réputation eut été un facteur clé. L’appréciation, pour sa

154
part, n’est pas ressortie comme significative pour plusieurs raisons potentielles.

Le fait d’aimer utiliser Facebook, ne veut pas nécessairement dire que l’on aime

y partager des vidéos dites virales. Il est probable également, que le fait de

partager une vidéo ne soit pas lié au simple fait d’aimer utiliser la plate-forme,

mais que la plate-forme soit une déterminant dans l’accès à un public potentiel.

Le fait d’aimer utiliser l’outil est une conception égoïste, tandis que le partage

est une conception altruiste, motivée avant tout par les conséquences sur

l’entourage, et non pas les préférences personnelles.

Les variables de centralité ont certainement souffert de l’approximation de leur

mesure. Cependant, le fait qu’elles n’aient pas été considérées comme

significatives par aucune des régressions, tend à prouver que l’aspect structurel

d’un réseau et les conséquences qui en découlent sur le comportement de

partage n’a pas d’impact sur l’intention de partager. Le fait que l’intégralité, ou

presque, d’un réseau, soit potentiellement exposé un contenu, peut être un frein

au dit partage (ce qui justifierait les cote t systématiquement négatives, à la

mesure de centralité 1, le nombre de connexions)

L’efficacité connective, la perception que l’outil utilisé est un bon moyen de

rejoindre le réseau social, d’un individu, n’a pas non plus été considéré comme

significatif par l’étude. Ainsi, il est possible d’expliquer ce phénomène par le

manque de connaissance générale d’un individu, des compétences de son

réseau. S’il est facile de jauger les goûts, sensibilités et préférences des

membre du réseau social, pour un individu (efficacité informative) fait de juger

155
des compétences techniques, et des fonctionnalités du medium, peuvent être

plus délicates à appréhender.

Enfin, l’engagement, le fait de se considérer actif au sein d’un réseau, n’est pas

un facteur clé dans les déterminants de l’intention de partager. L’analyse des

variables significatives a fait ressortir le fait que partager une vidéo permettait

de créer ou de renforcer des liens déjà existants. De fait, si une personne se

considère déjà comme étant active dans ses réseaux d’amis Facebook, au

travers des autres fonctionnalités du site (partage de photo, tags, «like » etc.),

son besoin de partager du contenu supplémentaire est logiquement amoindri.

6.2.4 Contenu hédoniste VS contenu instrumental

Il est possible de déduire plusieurs choses par rapport au type de contenu

présent dans les deux vidéos utilisées pour cette étude. En termes de chiffres,

la vidéo ayant un caractère instrumental a été partagés plus de fois (112) que

celle ayant un caractère hédoniste (Humour et « Wow effect »), qui a été

partagé 68 fois.

On peut expliquer ce phénomène par le fait que dans une optique altruiste,

passer un message porteur de conscience sociale, comme la prévention

routière, sera plus valorisant pour un individu, qu’une simple vidéo « drôle ».

En regardant les résultats de plus près, il apparaît également que la vidéo à

caractère hédoniste a permis de faire émerger le construit de centralité, tandis

que la vidéo à caractère instrumentale, a permis de faire ressortir le construit

156
d’efficacité connective. On peut expliquer ce phénomène de la façon suivante :

si un individu a pour objectif, en partageant une vidéo, de divertir une partie de

son réseau social, alors, c’est le nombre de connections qu’il possède qui

jouera un rôle important, car ce dernier n’aura d’intérêt que la simple exposition

de son réseau social au message. Dans une optique de partage pour entraîner

des récompenses sociales «like », commentaires etc., c’est le nombre, et la

perception générale de la masse qui prime. En revanche dans l’optique de faire

passer un message préventif, ce n’est pas tant le nombre de personnes

exposées qui importe, mais plutôt la façon de consommer, et la perception de

l’efficacité du support, afin de bien transmettre les valeurs exposées dans le

message.

Ainsi, cette conclusion est toujours en partie en accord avec Modzelewski

(2000) : le degré de satisfaction d’un individu qui partage est toujours relié au

nombre de personnes qu’il expose au contenu. Ceci s’applique dans le cadre

d’une vidéo hédoniste. Le caractère instrumental, en revanche, s’intègre plus

aux fonctionnalités de l’outil et à son potentiel à faire passer le message de la

bonne manière. Pour illustrer le caractère instrumental des opérations de

marketing sur Facebook, on peut penser à la récente campagne de Telus, qui

reversait un dollar pour chaque nouveau « fan », à la fondation du cancer du

sein, demandant aux participants de modifier leur image de profil pour une

157
photo avec u calque rose, symbole de la lutte. Le succès a été fulgurant (plus

de 250000 participants, en quelques semaines20).

6.2.5 Variables permanentes VS variables contextualisées

Globalement, les variables contextualisées ont obtenu de meilleurs scores, et

ce de façon systématique, que les variables permanentes. On peut bien

entendu attribuer cette observation au hasard du fait que les deux variables

importantes de l’étude (efficacité informative et valeur du gain collectif) soient

de nature contextualisées, mais il est tout de même intéressant de se pencher

sur l’essence de ce type de variable, pour tenter d’expliquer leur efficacité.

Les variables de type contextuelles prennent forme lorsqu’un individu est

confronté à un contenu, dans un certain contexte. Ici, il s’agit de contenus

publicitaires, sur Facebook. Les réseaux sociaux en ligne sont de très bons

vecteurs d’information de par leur structure aléatoire et sans échelle

(Granovetter 1973 ; Centola 2002). Ainsi, on peut considérer que l’utilisation de

Facebook, afin de transmettre une information, n’est plus à prouver. Les

variables de types permanentes définissent le caractère profond d’un individu,

ses traits habituels et ses comportements de manière générale. Centola (2007

2010) affirme qu’il est plus difficile de faire naître des comportements nouveaux

en ligne, et que le renforcement, c’est à dire l’exposition à de multiples reprises

à l’information, par les pairs membres d’un réseau proche, est nécessaire pour

cela.
20
http://www.facebook.com/telus

158
Si l’on prend en considération que le marketing viral a avant tout un objectif de

propagation d’information, les variables contextualisées, sont dès lors

naturellement plus enclines à être porteuses de signification, et que la nature

profonde de l’individu ne jouera pas un rôle décisif, et ne sera pas modifiée par

de telles opérations. Selon nos résultats, le contexte (message ou medium)

joue donc un rôle plus important que la nature de l’individu, dans la propagation

virale au sein des médias sociaux.

6.3  Implications    

6.3.1 Implications académiques

La principale contribution académique de cette étude réside à la fois dans la

preuve empirique amenée par les résultats des analyses, mais également dans

la transposition de la théorie du capital social, dans un contexte relativement

neuf (les médias sociaux) et dans un objectif précis (le partage de vidéo

publicitaire).

Cette étude démontre que la théorie et la pratique académique entourant le

capital social sont à la fois adaptables mais surtout pertinentes dans l’étude des

phénomènes liés aux vidéos virales. En adaptant les construits existants en

conséquence, il est possible de continuer de raffiner le modèle, en excluant les

variables de motivation personnelles. Si Huang et al. (2008) avaient déjà

appliqué le concept théorique de capital social, avec pour objectif de mesurer

les intentions de transférer des courriels, le contexte de média social amène

159
son lot d’évolutions, notamment autour des construits qui ont démontré leur

signification (valeur du gain collectif, efficacité connective). De plus, cette étude

vient confirmer la faiblesse des variables liées aux motivations personnelles

(réputation, appréciation, engagement), conclusion que Huang et al. (2008)

avaient déjà présenté dans leur étude.

En ce qui concerne la base théorique apportée par Wasko et Faraj (2005),

cette étude vient également renforcer la thèse de la faiblesse de l’engagement

dans un réseau. Qu’il s’agisse d’un réseau ouvert comme un forum de

praticiens, un média social comme Facebook ou une sphère privée comme les

courriels, l’engagement, le degré d’implication générale au sein de ces réseaux

n’est pas un des facteurs qui motive l’envie de partager une information. Ces

analyses ont également démontré le bien-fondé des recommandations de

Wasko et Faraj (2005) sur la notion de réciprocité généralisée (ici adaptée en

valeur du gain collectif, pour ôter la notion de soumission).

Enfin, la notion de centralité, même si sa signification n’est pas aussi forte que

les autres variables validées, ouvre une perspective intéressante aux

chercheurs qui désireraient approfondir l’aspect structurel des canaux de

viralité. Certes, l’accès aux données n’est pas aisée, mais il serait possible

d’obtenir certains chiffres exploitables, comme le nombre de connexions

communes avec certains des liens forts constituant le réseau social d’un

individu. Ces données sont fournies par exemple, par Facebook ou Twitter. Il

160
serait ainsi possible d’observer la centralité à un degré de séparation

supplémentaire, pour prouver ou non son impact réel.

6.3.2 Implications managériales

Les implications managériales de cette étude sont principalement liées à la

compréhension des internautes, et à la manière dont les conclusions de l’étude

permettront d’appréhender non pas uniquement les mécanismes de

transmission virale, mais surtout les résultantes de telles actions, dans les

réseaux sociaux des utilisateurs de Facebook. Dans les processus de

planification stratégique, de création et de diffusion du message plusieurs idées

ici présentées sont exploitables par les professionnels de la communication et

du marketing en ligne.

En ce qui concerne la planification stratégique, cette étude fait ressortir le côté

altruiste de l’action de partager. Ainsi, l’objectif du stratège ne sera pas

uniquement de « faire une vidéo virale », mais de saisir ce que représente

l’action de partager pour l’internaute, qui est le vecteur de son message. Ainsi,

lorsqu’un planner établira ses recommandations aux créatifs, il pourra définir

des lignes directrices claires, un objectif de création précis, qui amènera son

équipe à comprendre les raisons pour lesquelles une vidéo se partage. Cela

permettra sans doute d’atténuer le côté « déjà-vu » de bien des productions, qui

ne se basent que sur ce qui a fonctionné auparavant (par exemple, une image

filmée avec un téléphone portable, pour donner un côté « réaliste » à une

161
action). De même, il sera bon pour un stratège ou pour un créatif, de

s’intéresser, s’il y a lieux, aux formes de cultures et sous-cultures à qui son

message s’adresse. Faire en sorte que le message soit non seulement compris

par une cible définie, mais surtout qu’il soit suffisamment compréhensible, pour

que les cibles puissent identifier les membres de leur réseau plus ou moins

homophiles, à qui le message pourrait s’adresser.

En ce qui concerne le contenu, l’idée du potentiel d’efficacité connective d’un

outil est à prendre en considération lorsque le message à promouvoir est

d’ordre instrumental, tandis que l’outil et le degré d’efficacité de ses fonctions

structurelles (comme la centralité) sont préférables dans le cadre d’un message

de type hédoniste. Ainsi, en période d’élections, par exemple, un outil comme

Facebook, composé de nombreux liens forts, sera plus intéressant à exploiter,

car générant des sphères d’influence directes et réelles. Twitter, qui se

compose majoritairement de liens faibles, sera préférable à la diffusion d’une

information nouvelle ou hédoniste, lorsque le but est de rejoindre un maximum

de personnes, peu importe la force de leur lien.

Enfin, dans le ciblage des personnes pouvant transférer le message, les

personnes en charge de sa diffusion devraient non pas cibler en premier lieu

les « hubs », les personnalités à forte audience. Même si ces derniers ont un

rôle clé à jouer, ils ne sont pas nécessairement les meilleurs premiers relais.

Ainsi lors des premières phases de lancement du message, il serait intéressant

de regarder les grappes d’internautes gravitant autour des dits « hubs » afin

162
que ceux-ci prennent conscience de l’existence du message de façon

« naturelle », et non pas d’envoyer un simple courriel pour présenter une

campagne.

6.4  Limites  

6.4.1 La mesure du comportement de partage

Cette étude présente l’intention de partager un contenu, mais les conditions de

la collecte ont empêché d’avoir de réelles données exploitables. En effet, même

si le design du questionnaire a permis d’intégrer un outil permettant de mesurer

le nombre de fois qu’une vidéo a été partagée, il est impossible ou presque de

savoir avec précision si la vidéo n’a pas été partagée par la suite, ou autrement

que grâce au système mis en place (en collant l’adresse URL de la vidéo

directement sur leur profil par exemple). Ainsi, même si de manière générale,

on prend pour acquis qu’une intention entraine un comportement (Davis 1989),

rien de prouve ici de façon empirique que l’intention potentielle déclarée par un

individu entrainera systématiquement l’action.

6.4.2 Biais de population

La population interrogée a été rejointe grâce aux médias sociaux (Blog,

Facebook et Twitter essentiellement). Il serait malhonnête de négliger le biais

existant dans la personnalité des répondants, à savoir qu’ils étaient pour

certains d’entre eux, de férus utilisateurs des outils sociaux, et qu’ils étaient

163
certainement plus enclins qu’un échantillon totalement aléatoire, à juger

positivement leur intention de partager.

6.4.3 Objectif de contribution et objectif de partage

Une autre limite de cette étude est un biais théorique, dans le modèle de

Wasko et Faraj (2005), ainsi que dans celui de Nahapiet et Goshal (1998). En

effet, ces chercheurs ont bâti et exploité la théorie du capital social, dans le but

de créer un contenu. Wasko et Faraj (2005) ont observé les contributions

d’internautes sur un forum de législateurs, et Nahapiet et Goshal (date) la

création de « capital intellectuel » au sein d’une organisation.

Ainsi, il est légitime de penser que la fondation même de ce modèle n’est pas

encline à mesurer un comportement différent, même si similaire en certains

points, comme le transfert d’un contenu.

6.4.4 Raffinage des mesures nécessaires

Enfin, la nature exploratoire de cette recherche, et son design novateur (la

soumission à un contenu vidéo) auront certainement eu un impact sur

l’élaboration des échelles de mesures. L’adaptation qui a été faite des échelles

existantes devrait être raffinée, et certains construits mieux définis, notamment

la centralité. De même, la corrélation entre les mesures d’efficacité (connective

et informative) devraient être prises en considération à l’avenir, afin d’explorer

le lien existant entre ces deux variables.

164
CHAPITRE  VIII  :  Conclusion  

Ce mémoire n’offre évidemment pas de solution miracle, pour la création de

contenus dits viraux. En revanche, il offre de par ses résultats empiriques, une

approche intéressante pour les personnes qui s’intéressent aux raisons pour

lesquelles un contenu se propage, non pas comment il se propage.

Trop longtemps, le marketing est resté une discipline où le dialogue était absent

entre une marque et ses consommateurs. Dans les dernières années,

l’émergence de pratiques sociales a fait naître un dialogue entre les entreprises

et certains de leurs clients, au travers de prémices que certains ont appelé

« Web 2.0 » . La montée en puissance des médias sociaux, et tout

particulièrement de Facebook change encore la donne. L’entreprise se doit

désormais d’être un des sujets des interactions sociales des individus, et se doit

de leur offrir un moyen de socialiser, de se retrouver, de resserrer les liens qui

unissent les consommateurs, en s’appropriant leur culture, leurs codes, et en

faisant percevoir le bénéfice son apparition dans les sphères privées du

consommateurs.

Le phénomène de viralité en ligne, comme son nom ne l’indique pas, n’est pas

une forme de soumission, comme c’est le cas lors d’épidémies. Chaque

marque devrait se rappeler qu ‘un internaute a toujours le choix de diffuser ou

non son message auprès de ses pairs ou de ses proches. Si la publicité

165
traditionnelle a toujours eu l’ascendant sur le consommateur, les rôles sont

aujourd’hui inversés.

Mike Arauz, un blogueur américain, décrétait la chose suivante :

« Si je parle de votre marque à mes amis sur Facebook, ce n’est pas parce que

j’aime votre marque, mais plutôt parce que j’aime mes amis. » (Arauz 2009)-

tiré d’un article en ligne)

Lorsqu’on sait que Facebook est l’outil préféré de la génération X pour rester en

contact avec leurs amis, que 200 millions d’utilisateurs y accèdent depuis un

mobile, et que demain les télévisions seront équipées de systèmes de

navigation interactifs, permettant de rendre les pauses publicitaires moins

douloureuses. Ce n’est pas un portrait futuriste, mais plutôt une vision d’un

venir très proche : il faut se rendre à l’évidence. S’il est encore temps pour les

marques de prendre le virage social, celles qui n’embrassent pas pleinement

cette nouvelle forme de philosophie marchande devront se résigner :

Même devant leurs écrans de télévision, et pendant une pause publicitaire en

heure de grande écoute, les consommateurs trouveront un moyen d’éviter à le

message s’il n’est pas porteur de valeur.

Mais personne n’évite l’ouverture quotidienne de sa page Facebook.

166
CHAPITRE  IX  :  Bibliographie  

AIELLO W, CHUNG F, LU L, « Random Evolution in Massive Graphs » 42nd

IEEE symposium on Foundations of Computer Science October (2001)

AJZEN, I. « The theory of planned behavior. Organizational Behavior and

Human Decision Processes, » 50, p. 179-211 (1991)

ALBERICH, R., MIRO-JULIA, J., ROSSELLO, F., « Marvel Universe looks

almost like a real social network », Arxiv preprint cond-mat/0202174, (2002).

ALBERT Reka, JEONG Hawoong, BARABASI Albert-Laszlo, « The diameter of

the world wide web » Nature 401, 130-131 (1999)

ARNDT, Johan, « Role of Product-Related Conversations in the Diffusion of a

New Product », Journal of Marketing Research, Vol. 4 (1967), 291-295.

BACKSTROM, Lars, HUTTENLOCHER, Dan, KLEINBERG, Jon & LAN,

Xiangyang, « Group Formation in Large Social Networks: Membership, Growth,

and Evolution », KDD, (2006), Philadelphia, Pennsylvania, USA.

167
BAMPO, Mauro, EWING, Michael T., MATHER Dineli R., STEWART, David &

WALLACE, Mark, « The Effects of the Social Structure of Digital Networks on

Viral Marketing Performance », Information Systems Research, Vol. 19, No. 3,

(2008), pp. 273–290.

BANDURA, Albert, « Social cognitive theory ». In R. Vasta (Ed.), Annals of child

development. Vol. 6. Six theories of child development, (1989), Greenwich, CT:

JAI Press.

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

(2003)

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

Sons (1964).

BOASE, Jeffrey, HORRIGAN, John B., WELLMAN, Barry & RAINIE, Lee, « The

strength of internet ties, the internet and email aid users in maintaining their

social networks and provide pathways to help when people face big décisions »,

Pew Internet and American life project, Washington, D.C.

168
BONACICH Phillip, « Power and Centrality: A Family of Measures » The

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

BOURDIEU, Pierre, « Le capital social ». In: Actes de la recherche en sciences

sociales. Vol. 31, (1980), pp. 2-3.

BOYD, Danah, « Taken Out of Context: American Teen Sociality in Networked

Publics », University of California-Berkeley, School of Information, (2008).

BRADER, Ted & CORRIGAN, Bryce, « How the Emotional Tenor of Ad

Campaigns Affects Political Participation », (2007), University of Michigan.

BROWN, Jacqueline Jonhson, REINGEN, Peter H., « Social Ties and Word-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).

169
BURKE, Moira, MARLOW, Cameron & LENTO, Thomas, « Feed Me: Motivating

Newcomer Contribution in Social Network Sites », CHI 2009, April 4–9, 2009,

Boston, MA, USA.

BURT, Ronald S, « The contingent value of social capital », Administrative

Science Quarterly, Vol. 42, No. 2, (1997), pp. 339-365.

BUTTLE, Francis A., « Word of mouth: understanding and managing referral

marketing », Journal of Strategic Marketing, Vol. 6, (1998), pp. 241-254.

CABRERA, Ángel, CABRERA, Elisabeth « Knowledge-Sharing Dilemmas »,

Organization Studies, 2002, Vol 23 No 5, pp. 687-710

CADIEUX, Jean and LEVESQUE, Jessica, Note de cours MQG 800, (2008).

CENTOLA, Damon ,MACY, Michael, « Complex Contagions and the Weakness

of Long Ties », American Journal of Sociology, (2007).

CENTOLA, Damon, « The Spread of Behavior in an Online Social Network

Experiment », Supporting Material, Science (2010).

170
CHIU, Chao-Min Chiu, HSU, Meng-Hsiang & WANG, Eric T.G.,

« Understanding knowledge sharing in virtual communities: An integration of

social capital and social cognitive théories », Decision Support Systems, Vol.

42, (2006), pp. 1872–1888.

COLEMAN, James S, « Social Capital in the Creation of Human Capital », The

American Journal of Sociology, Vol. 94, (1988), pp. 95-120.

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

393, (1998).

CONSTANT David, SPROULL Lee and KIESLER Sara, « The Kindness of

Strangers: The Usefulness of Electronic Weak Ties for Technical Advice »

Organization Science Vol. 7, No. 2 (Mar. - Apr., 1996), pp. 119-135

COOK, K. S. & WHITMEYER, J. M., « Two Approaches to Social Structure:

Exchange Theory and Network Analysis », Annual Review of Sociology , Vol.

18 (1992), pp. 109-127.

171
COURTOIS, C., MECHANT, P., DE MAREZ, L. & VERLEYE, G.,

« Gratifications and Seeding Behavior of Online Adolescents », Journal of

Computer-Mediated Communication, Vol. 15, (2009), pp. 109–137.

COX, D. F., Risk Handling in Consumer Behavior: An Intensive Study of Two

Cases, Publisher: In D.Cox (ed.), (1967).

CRANE, R. & SORNETTE, D., « Viral, Quality, and Junk Videos on YouTube:

Separating Content From Noise in an Information-Rich Environment »,

Association for the Advancement of Artificial Intelligence, (2008).

CZEPIEL John A, « Word-of-Mouth Processes in the Diffusion of a Major

Technological Innovation » Journal of Marketing Research Vol. 11, No. 2 (May,

1974), pp. 172-180

DATTA, PALTO R., Chowdhury, DABABRATA N. & CHAKRABORTY, Bonya

R., « Viral Marketing: New form of Word-of-Mouth through Internet », The

Business Review, Cambridge, Vol. 3, No. 2, (2005), pp. 69-75.

172
DAVIS F, « Perceived usefulness, perceived ease of use, and user acceptance

of information technologies » , MIS Quarterly 13 (3), (1989), pp. 319–340.

DE BRUYN, Arnaud & LILIEN, Gary L., « A multi-stage model of word-of-mouth

influence through viral marketing », International Journal of Research in

Marketing Vol. 25 (2008), pp. 151–163.

DE SILVA MJ, MCKENZIE K, HARPHAM T « Social capital and mental illness:

a systematic review » British Medical (2005)

DELLAROCAS, Chrysanthos, « The digitization of word of mouth: Promise and

challenges of online feedback », Management Science, Vol. 49, No. 10, (2003),

pp. 1407-1424.

DELRE, Sebastiano A, JAGER, Wander, JANSSEN, Marco A, « Diffusion

dynamics in small-world networks with heterogeneous consumers », Comput

Math Organiz Theor, Vol. 13, (2007), pp. 185–202.

173
DOBELE, Angela, TOLEMAN, David, BEVERLAND, Michael, « Controlled

infection! Spreading the brand message through viral marketing », Business

Horizons, Vol. 48, (2005), pp. 143—149.

DOBELE, Angela, LINDGREEN, Adam, BEVERLAND, Michael, VANHAMME

Joëlle, and VAN WIJK, Robert, « Why pass on viral messages? Because they

connect emotionally », Business Horizons, Vol. 50, No. 4, (2007), pp. 291-304.

DUAN, Wenjing, GU, Bin, WHINSTON, Andrew B., « The dynamics of online

word-of-mouth and product sales—An empirical investigation of the movie

industry », Journal of Retailing Vol. 84 (2008), pp. 233–242.

DWYER, Paul, « Measuring the value of electronic word of mouth and its impact

in consumer commuties », Journal of Interactive Marketing, Vol. 21, No. 2,

(2007), pp. 63-79.

ENGEL James F., KEGERREIS, Robert J. & BLACKWELL, Roger D.,

« Word'of-mouth Communication by the Innovator », Journal of Marketing, Vol.

33, (1969), pp. 1-19.

174
FERGUSON, Rick, « Word of mouth and viral marketing: taking the temperature

of the hottest trends in marketing », Journal of Consumer Marketing, Vol. 25,

No. 3, (2008), pp. 179–182.

FISHBEIN M., & AJZEN, I. , « Belief, attitude, intention, and behavior: An

introduction to theory and research. » Reading, MA: Addison-Wesley (1975)

FREEMAN, Linton C., « Centrality in Social Networks Conceptual

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

FRIEDKIN, Noah E., « Theoretical Foundations for Centrality Measures », The

American Journal of Sociology, Vol. 96, No. 6 (1991), pp. 1478-1504.

FUKUYAMA Francis. « Trust: The Social Virtues and the Creation of

Prosperity » Livre New York: Free Press

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

175
GODIN Seth, (web) « Is viral marketing the same as word of

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

(2007)

GOH, Kwang-Il, CUSICK, Michael E., VALLE, David, CHILDS, Barton, VIDAL,

Marc, & BARABASI, Albert-Laszlo, « The human disease network », PNAS,

Vol. 104, No. 21, (2007), pp. 8685–8690.

GOLDENBERG Jacob, LIBAI Barak, MULLER Eitan , « Talk of the Network: A

Complex Systems Look at the Underlying Process of Word-of-Mouth »

Marketing Letters (2001)

GOLDSMITH, Ronald E. & HOROWITZ, David, « Measuring motivations for

online opinion seeking », Journal of Interactive Advertising, Vol. 6 No. 2 (2006),

pp. 3‐14.

GRANOVETTER, Mark S., « The Strength of Weak Ties », The American

Journal of Sociology, Vol. 78, No. 6. (1973), pp. 1360-1380.

176
GRUEN, Thomas W., OSMONBEKOV, Talai, . CZAPLEWSKI, Andrew J.,

« eWOM: The impact of customer-to-customer online know-how exchange on

customer value and loyalty », Journal of Business Research, Vol. 59, (2006),

pp. 449 – 456.

HEAN, Sarah, COWLEY Sarah, ANGUS Forbes. « The M-C-M' cycle and social

capital. » Social Science Medicine 56: 1061-72. (2003)

HENNIG-THURAU, Thorsten & WALSH, Gianfranco, « Electronic Word-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.

177
HSU, Chin-Lung and LIN, Judy Chuan-Chuan, « Acceptance of blog usage:

The roles of technology acceptance, social influence and knowledge sharing

motivation », Information & management, Vol. 45, No. 1, (2008), pp. 65-74.

HUANG, Chien-Chih, LIN, Tung-Ching, and LIN, Kuei-Ju, « Factors affecting

pass-along email intentions (PAEIs): Integrating the social capital and social

cognition theories », Electronic Commerce Research and Applications, Vol. 8,

No. 3, (2009), pp. 160-169.

JANSEN, Bernard J., SOBEL, Mimi ZHANG Kate & CHOWDURY, Abdur,

« Twitter Power: Tweets as Electronic Word of Mouth », Journal of the

American Society for Information and technology, Vol. 60, No. 11, (2009), pp.

2169–2188.

JAVA, Akshay, SONG, Xiaodan, FININ, Tim, and TSENG, Belle, « Why we

twitter: understanding microblogging usage and communities », 9th WebKDD

and 1st SNA-KDD 2007 workshop on Web mining and social network analysis,

(2007).

178
JURVETSON, Steve, « From the ground floor, exactly is viral marketing? », Red

Herring, (2000), pp. 110-111.

KALMAN, Michael E., MONGE, Peter, FULK, Janet & HEINO, Rebecca,

« Motivations to Resolve Communication Dilemmas in Database-Mediated

Collaboration », Communication Research, Vol. 29 No. 2, 2002, pp. 125-154.

KANE, Gerald C., FICHMAN, Robert G., « The shoemaker’s children : using

wikis for information systems teaching », research, and publication, MIS

Quarterly Vol. 33 No. 1, (2009), pp. 1-17.

KAPLAN Andreas M., HAENLEIN Michael, « Users of the world, unite! The

challenges and opportunities of social media », Business Horizons, Vol. 53,

Issue 1

KATZ, Elihu and, LAZARSFELD, Paul F., Personal Influence, the Part Played

by People in the Flow of Mass Communication, Transaction Publishers, (1955)

179
KEEGAN, Brian & GERGLE, Darren, « Egalitarians at the Gate: One-Sided

Gatekeeping Practices in Social Media », CSCW 2010, February 6–10, 2010,

Savannah, Georgia, USA.

KEMPLE, David, KLEINBERG, Jon, and TARDOS, Eva, « Maximising the

spread of influence through a social network », 9th ACM SIGKDD international

conference on Knowledge discovery and data mining, (2007).

KIMURA, Masahiro, SAITO, Kazumi, MOTODA, Hiroshi, « Minimizing the

Spread of Contamination by Blocking Links in a Network », , Association for the

Advancement of Artificial Intelligence, (2008), pp. 1175-1180.

KIMURA, Masahiro, SAITO, Kazumi, NAKANO, Ryohei, « Extracting Influential

Nodes for Information Diffusion on a Social Network », Association for the

Advancement of Artificial Intelligence, (2007), pp. 1371-1376.

KISS Christine, BICHLER Martin « Identification of influencers — Measuring

influence in customer network » Decision Support Systems Volume 46, Issue 1,

December (2008), Pages 233-253

180
KLEINBERG Jon M. « Authoritative sources in a hyperlinked environment »

journal of the ACM (1999)

KLOPPER HB, « Viral marketing: a powerful, but dangerous marketing tool » ,

South African Journal of Information Management Vol.4(2) June 2002

KOZINETS, Robert V., DE VALCK, Kristine, WOJNICKI, Andrea C., & WILNER,

Sarah J.S., « Networked Narratives: Understanding Word-of-Mouth Marketing in

Online Communities », Journal of Marketing, Vol. 74 (2010), pp. 71–89.

LAM, Desmond, LEE, Alvin, & MIZERSKI, Richard, « The Effects of Cultural

Values in Word-of-Mouth Communication », Journal of International Marketing,

Vol. 17, No. 3, (2009), pp. 55–70.

LEVIN, Daniel Z. & CROSS, Rob, « The Strength of Weak Ties You Can Trust:

The Mediating Role of Trust in Effective knowledge transfer », Management

Science, Vol. 50, No. 11, (2004), pp. 1477-1490.

181
LESKOVEC, Jure, ADAMIC, Lada A., HUBERMAN, Bernardo A. « The

dynamics of viral marketing », (2007), 46 p.

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

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

York: Cambridge UP, 2001

LINDGREEN, Adam, and VANHAMME, Joelle, « Viral Marketing: The Use of

Surprise », inAdvances in Electronic Marketing, (2005).

LU, Hsi-Peng & HSIAO, Kuo-Lun, « Understanding intention to continuously

share information on weblogs », Internet Research, Vol. 17, No. 4, (2007), pp.

345-361.

MCCRAKEN, Grant, Culture and consumption II: markets, meaning, and brand

management, Indianna University Press, (2005), 229 pages.

MCLURE WASKO, Molly & FARAJ, Samer, « Why should I share ? examing

social capital and knowledge contribution in electronic networks of practice »,

MIS Quarterly, Vol. 29, No. 1, (2005), pp. 35-57.

182
MCPHERSON, Miller, SMITH-LOVIN, Lynn, & COOK, James, « Birds of a

Feather : Homophily in Social Networks », Annu. Rev. Sociol, Vol. 27, (2001),

pp. 415–44.

MILGRAM, Stanley, « The Small-world problem », Psychology Today, Vol. 1,

No. 1, (1967), pp.61-67.

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

(2000)

MONTGOMERY, Alan L., « Applying Quantitative Marketing Techniques to the

Internet Interfaces », OR/MS and E-Business, Vol. 31, No. 2, (2001), pp. 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.

183
NARAYAN, Deepa & CASSIDY, Michael F., « A Dimensional Approach to

Measuring Social Capital: Development and Validation of a Social Capital

Inventory », Current Sociology, Vol. 49, No. 2, (2001), pp. 59–102.

NEWMAN, MEJ, « The structure and function of complex networks », SIAM

Reviews, Vol. 45, no. 2, (2003), pp. 167-246.

NONAKA Ikujiro, « A Dynamic Theory of Organizational Knowledge Creation »

Organization Science Vol. 5, No. 1 (Feb., 1994), pp. 14-37

PASTOR-SATORRAS Romualdo & VESPIGNANI, Alessandro, « Epidemic

Spreading in Scale-Free Networks », Phisical Review Letters, Vol. 86, No. 14,

(2001).

PHELPS, Joseph E., LEWIS, Regina, MOBILIO, Lynne, PERRY, David, and

RAMAN, Niranjan, « Viral Marketing or Electronic Word-of-Mouth Advertising:

Examining Consumer Responses and Motivations to Pass Along Email »,

Journal of Advertising Research, Vol. 44, No. 4, (2004), pp. 333-348.

184
PORTER, Lance & GOLAN, Guy J., « From subservient chickens to brawny

men : a comparison of viral advertising to television advertising », Journal of

Interactive Advertising, Vol 6 No 2 (2006), pp. 26‐33.

PORTES Alejandro , « Social Capital: Its Origins and Applications in Modern

Sociology » Annual Review of Sociology, Vol. 24, (1998)

POSTMES, Tom, SPEARS, Russell, SAKHEl, Khaled & DE GROOT, Daphne,

« Social Influence in Computer-Mediated Communication: The Effects of

Anonymity on Group Behavior », PSPB, Vol. 27, No. 10, (2001), pp. 1243-1254.

PRICE DJ., « 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)

185
REINGEN Peter H, FOSTER, Brian L., BROWN, Jonhson and, SEIDMAN,

Stephen B., « Brand Congruence in Interpersonal Relations: A Social Network

Analysis », The Journal of Consumer Research, Vol. 11, No. 3 (1984), pp. 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.

186
STEFFES, Erin M. & BURGEE, Lawrence E., « Social ties and online word of

mouth », Internet Research, Vol. 19, No. 1, (2009), pp. 42-59.

STERN, Barbara B., « A Revised Communication Model for Advertising:

Multiple Dimensions of the Source, the Message, and the Recipient », Journal

Advertising, Vol. 23, No. 2 (1994).

SUBRAMANI, Mani R. & RAJAGOPALAN, Balaji, « Knowledge-Sharing and

Influence in Online Social Networks via Viral Marketing », Communication of the

ACM, Vol. 46, No. 12 (2003), pp. 300-307.

SURESH, Chande, SRIVIDYA, Gopalan, SWETHA, Kurup, « Viral distribution

potential based active identification for ad distribution in viral networks »,

International Journal of Mobile Marketing, Vol. 4, No. 1, (2009), pp. 48-56.

THIBAUT, J. W., KELLEY H. H. « The Social Psychology of Groups », livre -

John Wiley, New York, (1959).

187
VENKATESH, V., MORRIS, M.G., DAVIS, F.D., 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).

188
WATTS, Duncan, « Six Degrees: The Science of A Connected Age » Yahoo!

Research and Collective Dynamics Group Columbia University, (2003),

http://cdg.columbia.edu

WEBSTER, Cynthia M & MORRISON, Pamela D, « Network Analysis in

Marketing », Australasian Marketing Journal, Vol. 12, No. 2; (2004), pp. 8-18.

WELKER, Carl B., « The paradigm of Viral Communication », Information

Services & Use 22 (2002) pp. 3–8.

WELLMAN, Barry, « Network Analysis: Some Basic Principles », Sociological

Theory, Vol. 1 (1983), pp. 155-200.

WELLMAN, Barry « Networks in the global village: life in contemporary

communities » livre (1999)

WESTBROOK, Robert A., « Product/Consumption-Based Affective Responses

and Postpurchase Processes », Journal of Marketing Research, Vol. 24, No. 3

(1987).

189
YOOK, Soon-Hyung, JEONG, Hawoong, & BARABASI, Albert-Lászlo,

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

13382–13386.

YUAN, Y. Connie, GAY, Geri, & HEMBROOKE, Helene, « Focused Activities

and the Development of Social Capital in a Distributed Learning

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

190
Annexes

191
Annexe I (page 193) : Résultats détaillés de l’analyse en composantes

principales du pré-test

Annexe II (page 229) : Sorties techniques de l’analyse des alphas de

Cronbach du modèle définitif

Annexe III (page 249): Sorties techniques de l’ACP

Annexe IV (page 257) : Sorties techniques de l’ACP confirmatoire

Annexe V (page 261): Sorties techniques des statistiques descriptives

Annexe VI (page 264): Sorties techniques et analyse des résidus de la

régression 1 et de son test de normalité

Annexe VII (page 271): Sorties techniques et analyse des résidus de la

régression 2 et de son test de normalité

Annexe VIII (page 277) : Sorties techniques et analyse des résidus de la

régression 3 et de son test de normalité

Annexe IX (page 287): Approbation du comité d’éthique

192
Annexe   I  :   Résultats   détaillés   de   l’analyse   en   composantes   principales  

du  pré-­‐test  

Une série d’analyses factorielles exploratoires en composantes principales avec


l’introduction d’une rotation orthogonale VARIMAX (plus pure que les
combinaisons de base) est réalisée afin de mesurer la validité interne, de
convergence et de divergence des dimensions du prétest. Le traitement
statistique est fait à l’aide du logiciel de statistiques SPSS 16.0 et l’analyse des
résultats se base sur la variance expliquée, la valeur du KMO (homogénéité
des variables), le test de Bartlett (sphéricité de la matrice de corrélation), les
côtes factorielles et les valeurs propres des dimensions (Eigen).
Il est à noter que l’étude s’est faite sur deux vidéos pour calculer certaines
dimensions (EfI, VGC, Int). Ainsi, dans un premier temps, nous effectuons
l’analyse du prétest sur les dimensions communes aux deux vidéos (Eng, App,
EfC), puis celles de la vidéo 1 pour finir par celles de la vidéo 2.

Résultats de la dimension Engagement (Eng) – 6 items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,879

Bartlett's Test of Approx. Chi-Square 152,023


Sphericity
df 15

Sig. ,000

Communalities

Initial Extraction

Mes interactions avec


mes amis sur Facebook 1,000 ,738
sont fréquentes

J'accorde de l'importance
à mon activité sur 1,000 ,678
Facebook

193
Lorsque je consulte
Facebook, j'ai la
1,000 ,599
sensation de faire partie
d'un groupe

Je cherche à maintenir
des relations positives
1,000 ,624
avec mes amis sur
Facebook

Je me considère comme
quelqu'un d'actif sur le 1,000 ,679
réseau Facebook

Je considère que la mise


à jour de mon profil
1,000 ,650
Facebook a de
l'importance

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent 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.

a
Component Matrix

Component

194
Mes interactions avec
mes amis sur Facebook ,859
sont fréquentes

J'accorde de l'importance
à mon activité sur ,824
Facebook

Lorsque je consulte
Facebook, j'ai la
,774
sensation de faire partie
d'un groupe

Je cherche à maintenir
des relations positives
,790
avec mes amis sur
Facebook

Je me considère comme
quelqu'un d'actif sur le ,824
réseau Facebook

Je considère que la mise


à jour de mon profil
,806
Facebook a de
l'importance

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

Suite aux résultats obtenus, aucun retrait sur la dimension de l’Engagement ne


devrait être fait. Néanmoins, selon des commentaires de participants, l’item
Eng4 portait quelque peu à confusion. Afin de s’assurer d’une parfaite
compréhension pour l’étude principale, le choix du retrait de cet item a été pris.

195
Nouveaux résultats de la dimension engagement (Eng) – 5 items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,846

Bartlett's Test of Approx. Chi-Square 121,179


Sphericity
df 10

Sig. ,000

Communalities

Initial Extraction

Mes interactions avec


mes amis sur Facebook 1,000 ,758
sont fréquentes

J'accorde de l'importance
à mon activité sur 1,000 ,696
Facebook

Lorsque je consulte
Facebook, j'ai la
1,000 ,594
sensation de faire partie
d'un groupe

Je me considère comme
quelqu'un d'actif sur le 1,000 ,678
réseau Facebook

Je considère que la mise


à jour de mon profil
1,000 ,689
Facebook a de
l'importance

Extraction Method: Principal Component


Analysis.

Total Variance Explained

196
Initial Eigenvalues Extraction Sums of Squared Loadings
Compo
nent 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.

a
Component Matrix

Component

Mes interactions avec


mes amis sur Facebook ,871
sont fréquentes

J'accorde de l'importance
à mon activité sur ,834
Facebook

Lorsque je consulte
Facebook, j'ai la
,771
sensation de faire partie
d'un groupe

Je me considère comme
quelqu'un d'actif sur le ,824
réseau Facebook

Je considère que la mise


à jour de mon profil
,830
Facebook a de
l'importance

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

197
Résultats de la dimension Appréciation (App) – 7 items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,759

Bartlett's Test of Approx. Chi-Square 170,082


Sphericity
df 21

Sig. ,000

Communalities

Initial Extraction

J'aime le simple fait de


partager des contenus sur 1,000 ,632
Facebook

J’aime divertir mes amis


en partageant du contenu 1,000 ,595
avec eux sur Facebook

J’aime me rendre utile


auprès de mes amis en
1,000 ,509
partageant du contenu sur
Facebook

Il est agréable de voir


qu’un contenu partagé
1,000 ,365
suscite l’intérêt de mes
amis sur Facebook

Je trouve valorisant le fait


de partager du contenu
1,000 ,710
avec mes amis sur
Facebook

J'aime susciter des


sentiments positifs chez
1,000 ,653
mes amis en partageant
du contenu sur Facebook

198
J'apprécie le fait d'utiliser
Facebook pour partager 1,000 ,583
du contenu

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent 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.

a
Component Matrix

Component

J'aime le simple fait de


partager des contenus sur ,795
Facebook

J’aime divertir mes amis


en partageant du contenu ,771
avec eux sur Facebook

J’aime me rendre utile


auprès de mes amis en
,713
partageant du contenu sur
Facebook

199
Il est agréable de voir
qu’un contenu partagé
,604
suscite l’intérêt de mes
amis sur Facebook

Je trouve valorisant le fait


de partager du contenu
,842
avec mes amis sur
Facebook

J'aime susciter des


sentiments positifs chez
,808
mes amis en partageant
du contenu sur Facebook

J'apprécie le fait d'utiliser


Facebook pour partager ,763
du contenu

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

Retrait sur la dimension de l’Appréciation de App4 afin de donner une meilleure


corrélation entre les items.

Nouveaux résultats de la dimension Appréciation :

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,724

Bartlett's Test of Approx. Chi-Square 157,319


Sphericity
df 15

Sig. ,000

Communalities

Initial Extraction

200
J'aime le simple fait de
partager des contenus sur 1,000 ,655
Facebook

J’aime divertir mes amis


en partageant du contenu 1,000 ,606
avec eux sur Facebook

J’aime me rendre utile


auprès de mes amis en
1,000 ,507
partageant du contenu sur
Facebook

Je trouve valorisant le fait


de partager du contenu
1,000 ,702
avec mes amis sur
Facebook

J'aime susciter des


sentiments positifs chez
1,000 ,666
mes amis en partageant
du contenu sur Facebook

J'apprécie le fait d'utiliser


Facebook pour partager 1,000 ,609
du contenu

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent 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.

201
a
Component Matrix

Component

J'aime le simple fait de


partager des contenus sur ,809
Facebook

J’aime divertir mes amis


en partageant du contenu ,778
avec eux sur Facebook

J’aime me rendre utile


auprès de mes amis en
,712
partageant du contenu sur
Facebook

Je trouve valorisant le fait


de partager du contenu
,838
avec mes amis sur
Facebook

J'aime susciter des


sentiments positifs chez
,816
mes amis en partageant
du contenu sur Facebook

J'apprécie le fait d'utiliser


Facebook pour partager ,780
du contenu

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

202
Résultats de la dimension de l’Efficatité Connective (EfC) – 8 variables

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,830

Bartlett's Test of Approx. Chi-Square 147,360


Sphericity
df 28

Sig. ,000

Communalities

Initial Extraction

Mes amis seront en


mesure de consulter
1,000 ,712
facilement le contenu que
je partage

Mes amis sauront que j'ai


1,000 ,684
partagé du contenu

Mes amis auront de la


difficulté à consulter le 1,000 ,790
contenu partagé

Mes amis consulteront le


contenu, car une autre
personne de mon réseau 1,000 ,697
social l'aura partagé à son
tour

Mes amis seront en


mesure de le consulter 1,000 ,678
quand ils le voudront

Il sera facile pour moi de


1,000 ,658
partager du contenu

Mes amis pourront


facilement retrouver le
1,000 ,440
contenu partagé sur mon
profil

203
Certains de mes amis
partageront le contenu Ã
1,000 ,376
leur tour après l'avoir
consulté

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Extraction Sums of Squared Rotation Sums of Squared


Initial Eigenvalues Loadings Loadings
Com
pone % of Cumulative % of Cumulative % of Cumulative
nt Total Variance % Total Variance % Total Variance %

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.

a
Rotated Component Matrix

Component

1 2

Mes amis seront en


mesure de consulter
,842 -,055
facilement le contenu que
je partage

Mes amis sauront que j'ai


,788 ,251
partagé du contenu

204
Mes amis auront de la
difficulté à consulter le -,104 ,883
contenu partagé

Mes amis consulteront le


contenu, car une autre
personne de mon réseau ,592 ,589
social l'aura partagé à son
tour

Mes amis seront en


mesure de le consulter ,821 ,056
quand ils le voudront

Il sera facile pour moi de


,799 ,140
partager du contenu

Mes amis pourront


facilement retrouver le
,663 ,023
contenu partagé sur mon
profil

Certains de mes amis


partageront le contenu Ã
,494 ,363
leur tour après l'avoir
consulté

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.

205
Nouveaux résultats pour la dimension Efficacité Connective (EfC après le
retrait de EfC3

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,849

Bartlett's Test of Approx. Chi-Square 113,175


Sphericity
df 15

Sig. ,000

Communalities

Initial Extraction

Mes amis seront en


mesure de consulter
1,000 ,680
facilement le contenu que
je partage

Mes amis sauront que j'ai


1,000 ,682
partagé du contenu

Mes amis seront en


mesure de le consulter 1,000 ,704
quand ils le voudront

Il sera facile pour moi de


1,000 ,653
partager du contenu

Mes amis pourront


facilement retrouver le
1,000 ,439
contenu partagé sur mon
profil

Certains de mes amis


partageront le contenu à
1,000 ,287
leur tour après l'avoir
consulté

Extraction Method: Principal Component


Analysis.

206
Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent 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.

a
Component Matrix

Component

Mes amis seront en


mesure de consulter
,825
facilement le contenu que
je partage

Mes amis sauront que j'ai


,826
partagé du contenu

Mes amis seront en


mesure de le consulter ,839
quand ils le voudront

207
Il sera facile pour moi de
,808
partager du contenu

Mes amis pourront


facilement retrouver le
,662
contenu partagé sur mon
profil

Certains de mes amis


partageront le contenu Ã
,536
leur tour après l'avoir
consulté

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

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

208
Résultats de la dimension Réputation (Rep) de la vidéo 1 – 7 items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,918

Bartlett's Test of Approx. Chi-Square 476,053


Sphericity
df 21

Sig. ,000

Communalities

Initial Extraction

...contribuerait de façon
positive à mon image 1,000 ,738
auprès de mes amis

...ferait en sorte que mes


ami(e)s m'apprécient 1,000 ,862
davantage

...ferait en sorte que mes


ami(e)s m'accordent plus 1,000 ,892
d'attention

...ferait en sorte que mes


ami(e)s me témoignent 1,000 ,845
plus de considération

...donnerait une bonne


image de moi auprès de 1,000 ,939
mes ami(e)s

...contribuerait à améliorer
mes relations avec mes 1,000 ,821
amis

...serait un bon moyen


pour entretenir des
1,000 ,836
relations positives avec
mes amis

Extraction Method: Principal Component


Analysis.

Total Variance Explained

209
Initial Eigenvalues Extraction Sums of Squared Loadings
Compo
nent 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.

a
Component Matrix

Component

...contribuerait de façon
positive à mon image ,859
auprès de mes amis

...ferait en sorte que mes


ami(e)s m'apprécient ,928
davantage

...ferait en sorte que mes


ami(e)s m'accordent plus ,945
d'attention

...ferait en sorte que mes


ami(e)s me témoignent ,919
plus de considération

...donnerait une bonne


image de moi auprès de ,969
mes ami(e)s

...contribuerait à améliorer
mes relations avec mes ,906
amis

...serait un bon moyen


pour entretenir des
,914
relations positives avec
mes amis

210
Extraction Method: Principal Component
Analysis.

a. 1 components extracted.

Aucun retrait pour la dimension Réputation, KMO de qualité exceptionnelle et


bonne corrélation des items entre eux.

211
Résultats de la dimension Efficacité informative (EfI) de la vidéo 1 – 7
items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,902

Bartlett's Test of Approx. Chi-Square 378,062


Sphericity
df 21

Sig. ,000

Communalities

Initial Extraction

Mes amis ressentiraient


des émotions après avoir 1,000 ,863
vu cette vidéo

Mes amis accorderaient


de l’attention à cette 1,000 ,894
vidéo

Mes amis auraient de


1,000 ,781
l’intérêt pour cette vidéo

Cette vidéo susciterait


des réactions auprès de 1,000 ,778
mes amis

Il est possible que mes


amis veuillent échanger à 1,000 ,786
leur tour cette vidéo

Mes amis reparleraient de


cette vidéo dans un avenir 1,000 ,721
proche

Mes amis auraient un


souvenir marquant de 1,000 ,693
cette vidéo

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Compo Initial Eigenvalues Extraction Sums of Squared Loadings


nent

212
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.

a
Component Matrix

Component

Mes amis ressentiraient


des émotions après avoir ,929
vu cette vidéo

Mes amis accorderaient


,945
de l’attention à cette vidéo

Mes amis auraient de


,884
l'intérêt pour cette vidéo

Cette vidéo susciterait


des réactions auprès de ,882
mes amis

Il est possible que mes


amis veuillent échanger à ,886
leur tour cette vidéo

Mes amis reparleraient de


cette vidéo dans un avenir ,849
proche

Mes amis auraient un


souvenir marquant de ,833
cette vidéo

213
Extraction Method: Principal Component
Analysis.

a. 1 components extracted.

Aucun retrait pour la dimension Efficacité Informative, KMO de qualité


exceptionnelle et bonne corrélation des items entre eux.

214
Résultats pour la dimension Valeur du Gain Collectif (VGC) de la vidéo 1 –
6 items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,904

Bartlett's Test of Approx. Chi-Square 373,345


Sphericity
df 15

Sig. ,000

Communalities

Initial Extraction

...aurait de la valeur pour


1,000 ,866
mes amis

...aurait un intérêt collectif


1,000 ,683
pour mes amis

...serait bénéfique car


j'apprécie que mes amis
1,000 ,864
partagent des vidéos du
même type

...permettrait à mes amis


1,000 ,878
de la partager à leur tour

...permettrait de créer une


discussion avec plusieurs 1,000 ,865
de mes amis

...serait apprécié car


plusieurs de mes amis le 1,000 ,901
font déjà

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent Total % of Variance Cumulative % Total % of Variance Cumulative %

1 5,057 84,282 84,282 5,057 84,282 84,282

215
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.

a
Component Matrix

Component

...aurait de la valeur pour


,931
mes amis

...aurait un intérêt collectif


,827
pour mes amis

...serait bénéfique car


j'apprécie que mes amis
,929
partagent des vidéos du
même type

...permettrait à mes amis


,937
de la partager à leur tour

...permettrait de créer une


discussion avec plusieurs ,930
de mes amis

...serait apprécié car


plusieurs de mes amis le ,949
font déjà

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

Aucun retrait pour la dimension Valeur du Gain Collectif, KMO de qualité


exceptionnelle et bonne corrélation des items entre eux.

216
Résultats de la dimension Intention (Int) de la vidéo 1 – 3 Items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,724

Bartlett's Test of Approx. Chi-Square 222,034


Sphericity
df 3

Sig. ,000

Communalities

Initial Extraction

Il y aurait de bonnes
chances pour que je la 1,000 ,934
partage via Facebook

J'ai l'intention de partager


cette vidéo sur mon profil 1,000 ,976
Facebook

Je vais certainement
partager cette vidéo sur 1,000 ,940
Facebook

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent 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.

a
Component Matrix

Component

217
1

Il y aurait de bonnes
chances pour que je la ,966
partage via Facebook

J'ai l'intention de partager


cette vidéo sur mon profil ,988
Facebook

Je vais certainement
partager cette vidéo sur ,969
Facebook

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

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

218
Résultats de la dimension Réputation (Rep) de la vidéo 2 – 7 items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,910

Bartlett's Test of Approx. Chi-Square 449,645


Sphericity
df 21

Sig. ,000

Communalities

Initial Extraction

...contribuerait de façon
positive à mon image 1,000 ,788
auprès de mes amis

...ferait en sorte que mes


ami(e)s m'apprécient 1,000 ,816
d'avantage

...ferait en sorte que mes


ami(e)s m'accordent plus 1,000 ,785
d'attention

...ferait en sorte que mes


ami(e)s me témoignent 1,000 ,905
plus de considération

...donnera une bonne


image de moi auprès de 1,000 ,800
mes ami(e)s

...contribuerait Ã
améliorer mes relations 1,000 ,841
avec mes amis

...serait un bon moyen


pour entretenir des
1,000 ,885
relations positives avec
mes amis

Extraction Method: Principal Component


Analysis.

Total Variance Explained

219
Initial Eigenvalues Extraction Sums of Squared Loadings
Compo
nent 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.

a
Component Matrix

Component

...contribuerait de façon
positive à mon image ,888
auprès de mes amis

...ferait en sorte que mes


ami(e)s m'apprécient ,903
d'avantage

...ferait en sorte que mes


ami(e)s m'accordent plus ,886
d'attention

...ferait en sorte que mes


ami(e)s me témoignent ,951
plus de considération

...donnera une bonne


image de moi auprès de ,895
mes ami(e)s

...contribuerait Ã
améliorer mes relations ,917
avec mes amis

...serait un bon moyen


pour entretenir des
,941
relations positives avec
mes amis

220
Extraction Method: Principal Component
Analysis.

a. 1 components extracted.

Aucun retrait pour la dimension Réputation, KMO de qualité exceptionnelle et


bonne corrélation des items entre eux.

221
Résultats de la dimension Efficacité Informative (EfI) de la vidéo 2 – 7
items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,865

Bartlett's Test of Approx. Chi-Square 565,448


Sphericity
df 21

Sig. ,000

Communalities

Initial Extraction

Mes amis ressentiraient


des émotions après avoir 1,000 ,899
vu cette vidéo

Mes amis accorderaient


1,000 ,939
de l’attention à cette vidéo

Mes amis auraient de


1,000 ,915
l'intérêt pour cette vidéo

Cette vidéo susciterait


des réactions auprès de 1,000 ,779
mes amis

Il est possible que mes


amis veuillent échanger à 1,000 ,872
leur tour cette vidéo

Mes amis reparleraient de


cette vidéo dans un avenir 1,000 ,757
proche

Mes amis auraient un


souvenir marquant de 1,000 ,726
cette vidéo

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Compo Initial Eigenvalues Extraction Sums of Squared Loadings


nent

222
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.

a
Component Matrix

Component

Mes amis ressentiraient


des émotions après avoir ,948
vu cette vidéo

Mes amis accorderaient


de l’attention à cette ,969
vidéo

Mes amis auraient de


,956
l'intérêt pour cette vidéo

Cette vidéo susciterait


des réactions auprès de ,883
mes amis

Il est possible que mes


amis veuillent échanger ,934
à leur tour cette vidéo

Mes amis reparleraient de


cette vidéo dans un avenir ,870
proche

Mes amis auraient un


souvenir marquant de ,852
cette vidéo

Extraction Method: Principal Component


Analysis.

223
a
Component Matrix

Component

Mes amis ressentiraient


des émotions après avoir ,948
vu cette vidéo

Mes amis accorderaient


de l’attention à cette ,969
vidéo

Mes amis auraient de


,956
l'intérêt pour cette vidéo

Cette vidéo susciterait


des réactions auprès de ,883
mes amis

Il est possible que mes


amis veuillent échanger ,934
à leur tour cette vidéo

Mes amis reparleraient de


cette vidéo dans un avenir ,870
proche

Mes amis auraient un


souvenir marquant de ,852
cette vidéo

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

Aucun retrait pour la dimension Efficacité Informative, KMO de qualité méritoire


et bonne corrélation des items entre eux.

224
Résultats de la dimension Valeur du Gain Collectif de la vidéo 2 – 6 items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,905

Bartlett's Test of Approx. Chi-Square 413,618


Sphericity
df 15

Sig. ,000

Communalities

Initial Extraction

...aurait de la valeur pour


1,000 ,905
mes amis

...aurait un intérêt collectif


pour les membres de mon 1,000 ,937
réseau

...serait bénéfique car


j'apprécie que mes amis
1,000 ,895
partage des vidéos du
même type

...permettraient à mes
amis de le partager à leur 1,000 ,776
tour

...permettrait de créer une


discussion avec plusieurs 1,000 ,807
de mes amis

...serait apprécié car mes


1,000 ,837
amis le font déjà

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent Total % of Variance Cumulative % Total % of Variance Cumulative %

1 5,157 85,952 85,952 5,157 85,952 85,952

225
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.

a
Component Matrix

Component

...aurait de la valeur pour


,951
mes amis

...aurait un intérêt collectif


pour les membres de mon ,968
réseau

...serait bénéfique car


j'apprécie que mes amis
,946
partage des vidéos du
même type

...permettraient à mes
amis de le partager à leur ,881
tour

...permettrait de créer une


discussion avec plusieurs ,898
de mes amis

...serait apprécié car mes


,915
amis le font déjà

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

Aucun retrait pour la dimension Valeur du Gain Collectif, KMO de qualité


exceptionnelle et bonne corrélation des items entre eux.

226
Résultats de la dimension Intention (Int) de la vidéo 2 – 3 Items

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,691

Bartlett's Test of Approx. Chi-Square 190,121


Sphericity
df 3

Sig. ,000

Communalities

Initial Extraction

Il y aurait de bonnes
chances pour que je la 1,000 ,915
partage via Facebook

J'ai l'intention de partager


cette vidéo sur mon profil 1,000 ,969
Facebook

Je vais certainement
partager cette vidéo sur 1,000 ,895
Facebook

Extraction Method: Principal Component


Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Compo
nent 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.

a
Component Matrix

Component

227
1

Il y aurait de bonnes
chances pour que je la ,956
partage via Facebook

J'ai l'intention de partager


cette vidéo sur mon profil ,984
Facebook

Je vais certainement
partager cette vidéo sur ,946
Facebook

Extraction Method: Principal Component


Analysis.

a. 1 components extracted.

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

228
 Annexe  II  

Sorties  techniques  de  l’analyse  des  alphas  de  Cronbach  du  modèle  

définitif  

SAVE OUTFILE='C:\Documents 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
Based on
Standardized
Cronbach's Alpha Items N of Items

.866 .867 6

229
Item Statistics

Mean Std. Deviation N

J'aime le simple fait de 4.88 1.588 202


partager des contenus sur
Facebook

J^aime divertir mes amis en 5.17 1.500 202


partageant du contenu avec
eux sur Facebook

J^aime me rendre utile 4.76 1.694 202


auprès de mes amis en
partageant du contenu sur
Facebook

Je trouve valorisant le fait de 4.19 1.770 202


partager du contenu avec
mes amis sur Facebook

J'aime susciter des 4.82 1.633 202


sentiments positifs chez mes
amis en partageant du
contenu sur Facebook

J'apprécie le fait d'utiliser 5.16 1.585 202


Facebook pour partager du
contenu

230
Item-Total Statistics

Cronbach's
Squared Multiple Alpha if Item
Correlation Deleted

J'aime le simple fait de .548 .838


partager des contenus sur
Facebook

J^aime divertir mes amis en .499 .845


partageant du contenu avec
eux sur Facebook

J^aime me rendre utile .483 .843


auprès de mes amis en
partageant du contenu sur
Facebook

Je trouve valorisant le fait de .570 .840


partager du contenu avec
mes amis sur Facebook

J'aime susciter des .562 .834


sentiments positifs chez mes
amis en partageant du
contenu sur Facebook

J'apprécie le fait d'utiliser .374 .860


Facebook pour partager du
contenu

231
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 Based on
Cronbach's Standardized
Alpha Items N of Items

.957 .957 6

232
Item Statistics

Mean Std. Deviation N

...ferait en sorte que mes 3.07 1.611 202


ami(e)s m'apprécient
d'avantage

...ferait en sorte que mes 2.94 1.568 202


ami(e)s m'accordent plus
d'attention

...ferait en sorte que mes 3.00 1.579 202


ami(e)s me témoignent plus
de considération

...donnera une bonne image 3.48 1.711 202


de moi auprès de mes
ami(e)s

...contribuerait à améliorer 2.90 1.608 202


mes relations avec mes amis

...serait un bon moyen pour 3.13 1.697 202


entretenir des relations
positives avec mes amis

233
Item-Total Statistics

Cronbach's
Squared Multiple Alpha if Item
Correlation Deleted

...ferait en sorte que mes .786 .948


ami(e)s m'apprécient
d'avantage

...ferait en sorte que mes .766 .950


ami(e)s m'accordent plus
d'attention

...ferait en sorte que mes .827 .944


ami(e)s me témoignent plus
de considération

...donnera une bonne image .748 .950


de moi auprès de mes
ami(e)s

...contribuerait à améliorer .785 .947


mes relations avec mes amis

...serait un bon moyen pour .751 .951


entretenir des relations
positives avec mes amis

234
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 Based on
Cronbach's Standardized
Alpha Items N of Items

.876 .880 6

235
Item Statistics

Mean Std. Deviation N

Mes amis seront en mesure 5.69 1.268 202


de consulter facilement le
contenu que je partage

Mes amis sauront que j'ai 5.27 1.389 202


partagé du contenu

Mes amis seront en mesure 5.17 1.585 202


de le consulter quand ils le
voudront

Il sera facile pour moi de 5.65 1.431 202


partager du contenu

Mes amis pourront facilement 5.04 1.577 202


retrouver le contenu
partagé sur mon profil

Certains de mes amis 5.10 1.594 202


partageront le contenu à leur
tour après l'avoir consulté

236
Item-Total Statistics

Cronbach's
Squared Multiple Alpha if Item
Correlation Deleted

Mes amis seront en mesure .595 .846


de consulter facilement le
contenu que je partage

Mes amis sauront que j'ai .524 .850


partagé du contenu

Mes amis seront en mesure .493 .858


de le consulter quand ils le
voudront

Il sera facile pour moi de .564 .849


partager du contenu

Mes amis pourront facilement .494 .856


retrouver le contenu
partagé sur mon profil

Certains de mes amis .361 .873


partageront le contenu à leur
tour après l'avoir consulté

237
RELIABILITY /VARIABLES=Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5

Vid2Efi6 Vid2Efi7 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA

/STATISTICS=DESCRIPTIVE SCALE CORR /SUMMARY=TOTAL MEANS

VARIANCE CORR.

Reliability Statistics

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

.938 .942 7

238
Item Statistics

Mean Std. Deviation N

Mes amis ressentiraient des 5.18 1.289 202


émotions après avoir vu
cette vidéo

Mes amis accorderaient de 4.97 1.369 202


l^attention à cette vidéo

Mes amis auraient de 4.84 1.452 202


l'intérêt pour cette vidéo

Cette vidéo susciterait des 4.88 1.509 202


réactions auprès de mes
amis

Il est possible que mes amis 4.85 1.507 202


veuillent échanger à leur
tour cette vidéo

Mes amis reparleraient de 4.26 1.616 202


cette vidéo dans un avenir
proche

Mes amis auraient un 4.34 1.803 202


souvenir marquant de cette
vidéo

239
Item-Total Statistics

Cronbach's
Squared Multiple Alpha if Item
Correlation Deleted

Mes amis ressentiraient des .760 .927


émotions après avoir vu
cette vidéo

Mes amis accorderaient de .798 .924


l^attention à cette vidéo

Mes amis auraient de .703 .929


l'intérêt pour cette vidéo

Cette vidéo susciterait des .711 .925


réactions auprès de mes
amis

Il est possible que mes amis .649 .929


veuillent échanger à leur
tour cette vidéo

Mes amis reparleraient de .702 .930


cette vidéo dans un avenir
proche

Mes amis auraient un .647 .936


souvenir marquant de cette
vidéo

240
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 Based on
Cronbach's Standardized
Alpha Items N of Items

.876 .876 5

241
Item Statistics

Mean Std. Deviation N

Mes interactions avec mes 4.79 1.571 202


amis sur Facebook sont
fréquentes

J'accorde de l'importance à 4.53 1.673 202


mon activité sur Facebook

Lorsque je consulte 3.46 1.681 202


Facebook, j'ai la sensation de
faire partie d'un groupe

Je me considère comme 4.48 1.848 202


quelqu'un d'actif sur le
réseau Facebook

Je considère que la mise à 4.08 1.847 202


jour de mon profil Facebook a
de l'importance

242
Item-Total Statistics

Cronbach's
Squared Multiple Alpha if Item
Correlation Deleted

Mes interactions avec mes .442 .864


amis sur Facebook sont
fréquentes

J'accorde de l'importance à .650 .827


mon activité sur Facebook

Lorsque je consulte .364 .880


Facebook, j'ai la sensation de
faire partie d'un groupe

Je me considère comme .635 .831


quelqu'un d'actif sur le
réseau Facebook

Je considère que la mise à .560 .842


jour de mon profil Facebook a
de l'importance

243
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 Based on
Cronbach's Standardized
Alpha Items N of Items

.943 .943 6

244
Item Statistics

Mean Std. Deviation N

...aurait de la valeur pour mes 4.035 1.643 202


amis

...aurait un intérêt collectif 4.248 1.689 202


pour les membres de mon
réseau

...serait bénéfique car 3.975 1.738 202


j'apprécie que mes amis
partagent des vidéos du
même type

...permettraient à mes amis 4.490 1.696 202


de le partager à leur tour

...permetrait de créer une 4.030 1.742 202


discussion avec plusieurs de
mes amis

...serait apprécié car mes 4.005 1.671 202


amis le font déjÃ

245
Item-Total Statistics

Cronbach's
Squared Multiple Alpha if Item
Correlation Deleted

...aurait de la valeur pour mes .715 .933


amis

...aurait un intérêt collectif .746 .930


pour les membres de mon
réseau

...serait bénéfique car .765 .929


j'apprécie que mes amis
partagent des vidéos du
même type

...permettraient à mes amis .628 .938


de le partager à leur tour

...permetrait de créer une .706 .934


discussion avec plusieurs de
mes amis

...serait apprécié car mes .733 .933


amis le font déjÃ

246
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 Based on
Cronbach's Standardized
Alpha Items N of Items

.959 .959 3

Item Statistics

Mean Std. Deviation N

Il y aurait de bonnes chances 3.94 2.082 202


pour que je la partage via
Facebook

J'ai l'intention de partager 3.40 2.045 202


cette vidéo sur mon profil
Facebook

Je vais certainement partager 3.27 2.130 202


cette vidéo sur Facebook

247
Item-Total Statistics

Cronbach's
Squared Multiple Alpha if Item
Correlation Deleted

Il y aurait de bonnes chances .757 .981


pour que je la partage via
Facebook

J'ai l'intention de partager .945 .907


cette vidéo sur mon profil
Facebook

Je vais certainement partager .929 .930


cette vidéo sur Facebook

248
Annexe  III  

Sorties  techniques  de  l’ACP  

FACTOR /VARIABLES eng1 eng2 eng3 eng4 eng5 App1 App2 App3 App4

App5 App6 EfC1 EfC2 EfC3 EfC4 EfC5 EfC6 Vid4Rep1 Vid4Rep2 Vid4Rep3

Vid4Rep 4 Vid4Rep5 Vid4Rep6 Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5

Vid2Efi6 Vid2Efi7 Vid2VGC1 Vid2VGC2 Vid2VGC3 Vid2VGC4 Vid2VGC5

Vid2VGC6 Vid2INT1 Vid2INT2 Vid2INT3 /MISSING LISTWISE /ANALYSIS

eng1 eng2 eng3 eng4 eng5 App1 App2 App3 App4 App5 App6 EfC1 EfC2

EfC3 EfC4 EfC5 EfC6 Vid4Rep1 Vid4Rep2 Vid4Rep3 Vid4Rep4 Vid4Rep5

Vid4Rep6 Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5 Vid2Efi6 Vid2Efi7

Vid2VGC1 Vid2VGC2 Vid2VGC3 Vid2VGC4 Vid2VGC5 Vid2VGC6 Vid2INT1

Vid2INT2 Vid2INT3 /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

ANALYSIS ------------------------

249
 

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure .918


of Sampling Adequacy.

Bartlett's Test of Sphericity Approx. Chi-Square 7175.320

df 741

Sig. .000

250
 

a
Rotated Component Matrix

Component

1 2 3 4 5 6 7

Mes amis ressentiraient des .892 .185 .090 -.022 .084 -.048 .090
émotions après avoir vu
cette vidéo

Mes amis accorderaient de .880 .215 .103 .070 .019 -.047 .118
l^attention à cette vidéo

Cette vidéo susciterait des .845 .143 .041 .092 .094 .172 .061
réactions auprès de mes
amis

Mes amis auraient de .844 .168 .081 .085 .030 -.004 .097
l'intérêt pour cette vidéo

Il est possible que mes amis .818 .170 .050 .038 .014 .161 .088
veuillent échanger à leur
tour cette vidéo

Mes amis auraient un .708 .095 -.005 .067 .000 .294 .240
souvenir marquant de cette
vidéo

Mes amis reparleraient de .687 .222 -.003 .143 -.001 .378 .263
cette vidéo dans un avenir
proche

251
...permettraient à mes amis .626 .201 .130 .055 .098 .461 .245
de le partager à leur tour

...aurait de la valeur pour .552 .412 .091 .058 .170 .492 .074
mes amis

...ferait en sorte que mes .162 .896 .008 .113 .104 .153 .081
ami(e)s me témoignent
plus de considération

...ferait en sorte que mes .181 .871 .018 .086 .071 .059 .082
ami(e)s m'accordent plus
d'attention

...contribuerait à améliorer .196 .870 .034 .183 .038 .061 .087


mes relations avec mes amis

...ferait en sorte que mes .178 .859 -.010 .079 .166 .113 .125
ami(e)s m'apprécient
d'avantage

...donnera une bonne image .272 .850 .026 .058 .106 .110 -.034
de moi auprès de mes
ami(e)s

...serait un bon moyen pour .259 .817 .061 .137 .023 .181 .084
entretenir des relations
positives avec mes amis

Mes amis sauront que j'ai .052 .027 .805 .127 .060 .050 -.088
partagé du contenu

Mes amis seront en mesure .010 .028 .793 .005 .066 .065 .144
de le consulter quand ils le
voudront

252
Mes amis seront en mesure .106 -.035 .790 .163 .188 -.039 .122
de consulter facilement le
contenu que je partage

Il sera facile pour moi de .216 .044 .771 .101 .219 -.103 .108
partager du contenu

Mes amis pourront -.015 .008 .759 .161 .070 .131 .072
facilement retrouver le
contenu partagé sur mon
profil

Certains de mes amis .051 .064 .651 .283 .107 .084 -.070
partageront le contenu Ã
leur tour après l'avoir
consulté

J'accorde de l'importance à .118 .166 .195 .792 .248 .052 .051


mon activité sur Facebook

Je me considère comme .115 .085 .195 .750 .290 .042 .141


quelqu'un d'actif sur le
réseau Facebook

Je considère que la mise à .149 .140 .196 .747 .248 .058 .033
jour de mon profil Facebook
a de l'importance

Lorsque je consulte -.068 .186 .027 .724 .144 .235 -.033


Facebook, j'ai la sensation
de faire partie d'un groupe

Mes interactions avec mes .153 .065 .356 .639 .206 -.178 .114
amis sur Facebook sont
fréquentes

253
J'apprécie le fait d'utiliser .025 -.036 .276 .516 .403 .020 .270
Facebook pour partager du
contenu

J'aime le simple fait de .060 .116 .120 .258 .770 -.085 .188
partager des contenus sur
Facebook

J^aime divertir mes amis en .082 .010 .313 .187 .744 .035 .090
partageant du contenu avec
eux sur Facebook

J'aime susciter des .142 .110 .174 .393 .659 .129 -.077
sentiments positifs chez mes
amis en partageant du
contenu sur Facebook

J^aime me rendre utile .000 .220 .173 .309 .658 .143 -.034
auprès de mes amis en
partageant du contenu sur
Facebook

Je trouve valorisant le fait de .038 .182 .020 .453 .612 .221 -.049
partager du contenu avec
mes amis sur Facebook

...permetrait de créer une .461 .290 .037 .168 .097 .639 .221
discussion avec plusieurs de
mes amis

...serait apprécié car mes .469 .270 .136 .133 .122 .613 .257
amis le font déjÃ

...aurait un intérêt collectif .512 .341 .071 .105 .131 .569 .177
pour les membres de mon
réseau

254
...serait bénéfique car .491 .407 .113 .101 .122 .551 .236
j'apprécie que mes amis
partagent des vidéos du
même type

Je vais certainement .380 .136 .089 .112 .049 .174 .842


partager cette vidéo sur
Facebook

J'ai l'intention de partager .406 .161 .122 .107 .072 .181 .826
cette vidéo sur mon profil
Facebook

Il y aurait de bonnes .532 .217 .165 .101 .110 .235 .658


chances pour que je la
partage via Facebook

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 8 iterations.

255
Annexe  IV  

Sorties  techniques  de  l’ACP  confirmatoire  

FACTOR /VARIABLES Vid2Efi1 Vid2Efi2 Vid2Efi3 Vid2Efi4 Vid2Efi5

Vid2VGC2 Vid2VGC3 Vid2VGC5 Vid2VGC6 eng1 eng2 eng3 eng4 eng5 App1

App2 App 3 App4 App5 EfC1 EfC2 EfC3 EfC4 EfC5 EfC6 Vid4Rep1

Vid4Rep2 Vid4Rep3 Vid4Rep4 Vid4Rep5 Vid4Rep6 Vid2INT1 Vid2INT2

Vid2INT3 /MISSING LISTWISE /ANALYSIS Vid2Efi1 Vid2Efi2 Vid2Efi3

Vid2Efi4 Vid2Efi5 Vid2VGC2 Vid2VGC3 Vid2VGC5 Vid2VGC6 eng1 eng2 eng3

eng4 eng5 App1 App2 App3 App4 App5 EfC1 EfC2 EfC3 EfC4 EfC5 EfC6

Vid4Rep1 Vid4Rep2 Vid4Rep3 Vid4Rep4 Vid4Rep5 Vid4Rep6 Vid2INT1

Vid2INT2 Vid2INT3 /PRINT CORRELATION KMO ROTATION /FORMAT

SORT /PLOT EIGEN /CRITERIA MINEIGEN(1) ITERATE(25)

/EXTRACTION PC /CRITERIA ITERATE(25) /ROTATION VARIMAX

/METHOD=CORRELATION.

256
KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure .907


of Sampling Adequacy.

Bartlett's Test of Sphericity Approx. Chi-Square 6033.164

df 561

Sig. .000

257
a
Rotated Component Matrix

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

258
[EfC3] .022 .009 .792 .002 .055 .145 .065

[EfC1] -.034 .099 .788 .164 .192 .145 -.071

[EfC4] .045 .215 .769 .100 .214 .130 -.125

[EfC5] .004 -.024 .767 .138 .075 .066 .162

[EfC6] .071 .050 .654 .273 .117 -.053 .063

[ENG2] .169 .097 .197 .788 .269 .074 .042

[ENG4] .081 .092 .193 .760 .304 .181 .020

[ENG5] .142 .130 .200 .741 .270 .056 .068

[ENG3] .186 -.098 .040 .694 .190 -.032 .282

[ENG1] .053 .158 .347 .663 .205 .133 -.188

[APP1] .124 .053 .122 .239 .761 .193 -.156

[APP2] .008 .080 .313 .176 .743 .126 -.009

[APP3] .219 -.019 .183 .278 .684 -.015 .149

[APP5] .103 .141 .182 .361 .681 -.056 .177

[APP4] .171 .024 .031 .420 .644 -.034 .278

[INT3] .144 .295 .087 .109 .050 .883 .142

[INT2] .170 .324 .121 .100 .071 .865 .155

259
[INT1] .229 .459 .163 .098 .110 .720 .215

[VGC5] .317 .396 .044 .145 .111 .303 .648

[VGC6] .290 .413 .140 .116 .130 .342 .626

[VGC2] .365 .456 .068 .113 .128 .287 .524

[VGC3] .431 .436 .114 .091 .121 .323 .522

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 7 iterations.

260
Annexe  V  

Sorties  techniques  des  statistiques  descriptives  

[DataSet1] C:\Documents and Settings\omermet\Desktop\DATAS

MÉMOIRE\dataset final.sav

261
Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Centralité 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

262
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

263
Annexe  VI  

Sorties   techniques   et   analyse   des   résidus   de   la   régression   1   et   de  

son  test  de  normalité  

REGRESSION /MISSING MEANSUB /STATISTICS COEFF OUTS R

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

Variables Variables
Model Entered Removed Method

1 MVGC1, . Enter
Centralité 2 ,
MEFC, MAPP,
Centralité ,
MREP1, MEFI1,
a
MENG

a. All requested variables entered.

264
b
Model Summary

Adjusted R Std. Error of the


Model R R Square Square Estimate

a
1 .675 .456 .433 1.33204

a. Predictors: (Constant), MVGC1, Centralité 2 , MEFC, MAPP,


Centralité , MREP1, MEFI1, MENG

b. Dependent Variable: MINT1

b
ANOVA

Model Sum of Squares df Mean Square F Sig.

a
1 Regression 286.696 8 35.837 20.198 .000

Residual 342.444 193 1.774

Total 629.140 201

a. Predictors: (Constant), MVGC1, Centralité 2 , MEFC, MAPP, Centralité , MREP1, MEFI1,


MENG

b. Dependent Variable: MINT1

265
a
Coefficients

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -.123 .562 -.218 .827

Centralité -.155 .091 -.109 -1.698 .091

Centralité 2 .110 .116 .064 .953 .342

MAPP -.044 .102 -.033 -.435 .664

MEFC -.101 .107 -.057 -.948 .344

MENG .076 .102 .061 .746 .456

MREP1 .053 .102 .039 .525 .600

MEFI1 .322 .111 .235 2.891 .004

MVGC1 .554 .113 .454 4.902 .000

a. Dependent Variable: MINT1

266
a
Coefficients

Collinearity Statistics

Model Tolerance VIF

1 Centralité .687 1.456

Centralité 2 .627 1.594

MAPP .495 2.019

MEFC .793 1.261

MENG .425 2.353

MREP1 .502 1.993

MEFI1 .427 2.341

MVGC1 .328 3.047

a. Dependent Variable: MINT1

267
268
269
Tests of Normality

a
Kolmogorov-Smirnov Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Standardized Residual .082 202 .002 .962 202 .000

a. Lilliefors Significance Correction

270
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

Variables Variables
Model Entered Removed Method

1 MVGC2, . Enter
Centralité ,
MEFC, MAPP,
Centralité 2 ,
MREP2, MEFI2,
a
MENG

a. All requested variables entered.

271
b
Model Summary

Adjusted R Std. Error of the


Model R R Square Square Estimate

a
1 .710 .504 .484 1.44124

a. Predictors: (Constant), MVGC2, Centralité , MEFC, MAPP,


Centralité 2 , MREP2, MEFI2, MENG

b. Dependent Variable: MINT2

b
ANOVA

Model Sum of Squares df Mean Square F Sig.

a
1 Regression 407.588 8 50.948 24.528 .000

Residual 400.892 193 2.077

Total 808.480 201

a. Predictors: (Constant), MVGC2, Centralité , MEFC, MAPP, Centralité 2 , MREP2, MEFI2,


MENG

b. Dependent Variable: MINT2

a
Coefficients

272
Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -1.937 .639 -3.032 .003

Centralité -.120 .099 -.074 -1.211 .227

Centralité 2 .202 .127 .103 1.593 .113

MAPP -.023 .110 -.015 -.206 .837

MEFC .204 .116 .100 1.749 .082

MENG .032 .113 .023 .285 .776

MREP2 -.024 .089 -.018 -.269 .788

MEFI2 .418 .108 .266 3.871 .000

MVGC2 .603 .102 .465 5.913 .000

a. Dependent Variable: MINT2

a
Coefficients

Collinearity Statistics

Model Tolerance VIF

1 Centralité .687 1.455

Centralité 2 .615 1.627

273
MAPP .501 1.998

MEFC .782 1.279

MENG .409 2.448

MREP2 .600 1.668

MEFI2 .546 1.831

MVGC2 .415 2.409

a. Dependent Variable: MINT2

274
275
Tests of Normality

a
Kolmogorov-Smirnov 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.

276
Annexe  VIII  

Sorties  techniques  et  analyse  des  résidus  de  la  régression  3  

COMPUTE MAPPT=(REP1 + REP2). EXECUTE. COMPUTE SEFIT=(EFI2 +

EFI1). EXECUTE. COMPUTE SVGCT=(VGC1 + VGC2). EXECUTE.

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

Variables Variables
Model Entered Removed Method

1 SVGCT, . Enter
Centralité ,
EFC, APP,
Centralité 2 ,
SREPT, SEFIT,
a
ENG

277
Variables Entered/Removed

Variables Variables
Model Entered Removed Method

1 SVGCT, . Enter
Centralité ,
EFC, APP,
Centralité 2 ,
SREPT, SEFIT,
a
ENG

a. All requested variables entered.

b
Model Summary

Adjusted R Std. Error of the


Model R R Square Square Estimate

a
1 .694 .482 .460 7.06323

a. Predictors: (Constant), SVGCT, Centralité , EFC, APP, Centralité


2 , SREPT, SEFIT, ENG

b. Dependent Variable: SINTT

b
ANOVA

Model Sum of Squares df Mean Square F Sig.

278
a
1 Regression 8951.494 8 1118.937 22.428 .000

Residual 9628.625 193 49.889

Total 18580.119 201

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

b. Dependent Variable: SINTT

a
Coefficients

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -5.825 3.202 -1.819 .070

Centralité -.818 .485 -.106 -1.689 .093

Centralité 2 .892 .618 .095 1.443 .151

APP -.034 .108 -.023 -.314 .754

EFC .049 .095 .030 .520 .603

ENG .077 .109 .057 .708 .480

SREPT -.022 .045 -.035 -.484 .629

279
SEFIT .220 .070 .246 3.150 .002

SVGCT .454 .085 .487 5.367 .000

a. Dependent Variable: SINTT

a
Coefficients

Collinearity Statistics

Model Tolerance VIF

1 Centralité .687 1.455

Centralité 2 .619 1.614

APP .494 2.023

EFC .783 1.277

ENG .417 2.398

SREPT .508 1.970

SEFIT .441 2.265

SVGCT .327 3.061

a. Dependent Variable: SINTT

280
281
282
Tests of Normality

a
Kolmogorov-Smirnov Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Standardized Residual .059 202 .084 .979 202 .004

a. Lilliefors Significance Correction

283
Annexe  IX  

Approbation  du  comité  d’éthique    

284