La notion du réseau social a été introduite par Barnes (1954) pour étudier les propriétés des structures sociales d’une communauté. Elle désigne un ensemble d’individus et d’organisations qui sont connectés par un ensemble de relations socialement significatives et qui interagissent entre eux pour partager des valeurs (Kwon et Wen, 2010). Les relations sont traditionnellement construites par une communauté physique qui entretient des liens de face à face. L’arrivée de l’Internet a permis l’émergence de nouvelles formes de communication et d’échange ainsi que de communautés dites virtuelles. Selon Rheingold (2000), les communautés virtuelles des réseaux sociaux ne se distinguent des communautés traditionnelles que par le mode de communication et d’échange qui est assisté par des outils numériques (ordinateurs, tablettes, téléphones intelligents, applications, sites Web, etc.). Cette communauté utilisant des réseaux sociaux numériques est appelée communauté virtuelle.

Les réseaux sociaux ont été longtemps considérés comme un espace d’échanges pour les membres d’une communauté, mais cette communauté peut aussi se rassembler en groupe de travail pour apprendre (Dillenbourg et al., 2003). La généralisation de la téléphonie mobile, la multiplication des plateformes électroniques de communication et le succès des réseaux sociaux numériques ont offert aux communautés virtuelles, en plus des possibilités de communiquer et de partager de façon dynamique, celle d’apprendre (Pinte, 2010). Selon cet auteur, l’usage des réseaux sociaux numériques pour l’apprentissage est tout simplement un retour aux sources pour ceux qui connaissent les travaux de Bandura et Walters (1963) sur le social learning ou apprentissage social. L’auteur indique que les réseaux sociaux sont des espaces permettant de développer un apprentissage collaboratif avec des échanges riches entre les membres. Ainsi, les réseaux sociaux numériques pour apprentissage offrent à une communauté d’apprenants des possibilités de développer des échanges très actifs, d’obtenir une rétroaction et de revenir sur leur apprentissage. Ils leur offrent surtout la possibilité de poursuivre les activités d’apprentissage hors classe grâce aux outils du Web 2.0 (Mlaiki et al., 2012) comme Facebook, YouTube, WhatsApp et Instagram. Ces communautés virtuelles d’apprenants sont reconnaissables par les outils numériques qu’elles utilisent et qui leur permettent de communiquer sans que tous les membres soient physiquement au même endroit.

Le modèle dit UTAUT (pour unified theory of acceptance and use of technology) est une théorie unifiée de plusieurs modèles fournissant les bases théoriques pour la construction des théories d’adoption et d’utilisation d’une technologie. Le modèle UTAUT, proposé par Venkatesh et al. (2003), a intégré plusieurs théories/modèles pour prédire et expliquer l’intention d’utiliser une technologie par des utilisateurs. Il a théorisé et constaté l’effet modérateur du sexe, de l’âge et de l’expérience.

Cette théorie a été testée et validée empiriquement par des études transversales et longitudinales sur l’adoption des technologies dans différents contextes (Maruping et al., 2017), dont celui de l’université (Attuquayefio et Addo, 2014; Ben Romdhane, 2013, Bouba, 2020; Kouakou, 2014).

Le choix de ce modèle UTAUT se fonde donc sur son grand pouvoir explicatif de l’intention d’adoption et d’utilisation d’une technologie à partir d’un nombre élevé de construits composés des variables explicatives et des variables modératrices (âge, sexe, etc.).

L’intention d’utiliser (IU) la technologie est définie par Warshaw et Davis (1985) comme le degré auquel un utilisateur a formulé des plans conscients pour exécuter ou ne pas exécuter certains comportements futurs vis-à-vis de l’utilisation d’une technologie. Cette variable est devenue au fil des années le déterminant le plus utilisé dans les études et dans les modèles d’adoption et d’utilisation d’une technologie au niveau individuel (Venkatesh et al., 2003). L’intention d’utiliser les RSN, dans notre cadre, est comprise comme l’intention de l’étudiant de continuer ou pas à utiliser les RSN en formation à distance, dans un futur proche. Elle est une variable explicative de l’attente d’usage des RSN en formation à distance dans notre étude.

L’attente d’usage (AU) est définie comme la probabilité subjective d’exécuter ou de ne pas exécuter un comportement futur dans le cadre de l’adoption d’une technologie (Venkatesh et al., 2008). L’attente d’usage des réseaux sociaux numériques, dans notre contexte, a trait aux projections de l’étudiant quant à son recours aux RSN en formation à distance, dans le cadre de sa future formation à court et à moyen terme. Toutefois, l’attente d’usage est considérée comme une variable indépendante qui exerce une influence directe sur l’intention d’utilisation des réseaux sociaux numériques en formation à distance. Cette variable sera mesurée sur le plan des comportements attendus de la part des étudiants quant à l’utilisation des RSN pour leur formation dans les 6 prochains mois. Elle est la variable dépendante dans notre étude. Nous formulons l’hypothèse suivante :

H1. L’intention d’utilisation des RSN pour apprendre exerce une influence significative sur l’attente d’usage des réseaux sociaux en formation à distance chez les étudiants nigériens.

L’attente de performance (AP) est définie par Venkatesh et al. (2003) comme le degré auquel une personne pense que l’utilisation d’une technologie peut l’aider à obtenir des gains de performance à la suite d’une formation. L’attente de performance est appréhendée, dans notre contexte, comme la perception de l’utilité des RSN de l’étudiant pour accroître son efficacité et sa performance en matière d’apprentissage. Les modèles théoriques d’adoption des technologies d’UTAUT et les recherches menées sur leur adoption ont confirmé que l’attente de performance d’une technologie favorise l’intention d’utiliser. C’est pourquoi nous formulons l’hypothèse suivante :

H2. L’attente de performance avant la formation exerce une influence significative sur l’intention d’utilisation des réseaux sociaux numériques en formation à distance chez les étudiants nigériens.

L’attente d’effort (AE) est définie par Venkatesh et al. (2003) comme le degré de facilité associé à l’utilisation d’une technologie. Cette variable permet, dans notre cadre, d’évaluer l’intensité avec laquelle l’étudiant croit que l’utilisation des RSN pour apprendre se fera sans difficulté ni effort supplémentaires (Kouakou, 2014). L’attente d’effort est une variable qui influence directement l’attente de performance d’un individu. Elle constitue aussi un déterminant significatif de l’intention d’utiliser une technologie. Nous formulons, dans notre étude, les hypothèses H3 et H4 pour vérifier les effets de cette variable :

H3. L’attente d’effort avant la formation exerce une influence significative sur l’attente de performance avant la formation des réseaux sociaux numériques en formation à distance chez les étudiants nigériens.

H4. L’attente d’effort avant la formation exerce une influence significative sur l’intention d’utiliser des réseaux sociaux numériques en formation à distance chez les étudiants nigériens.

L’influence sociale (IS) a été définie par Venkatesh et al. (2003) comme le degré auquel un individu perçoit que d’autres personnes importantes pensent qu’il devrait utiliser une technologie. Cette variable permet d’appréhender, dans notre contexte, les rôles des personnes importantes, des camarades d’études et des autorités administratives des universités et des grandes écoles exerçant une certaine influence sur les comportements de l’étudiant vis-à-vis de l’adoption des RSN pour apprendre. Les modèles théoriques d’adoption des technologies UTAUT et les recherches menées sur leur adoption ont confirmé que l’influence sociale est un facteur déterminant de l’intention d’utiliser une technologie (Kouakou, 2014). Nous formulons l’hypothèse H5 pour vérifier l’influence directe qu’exerce cette variable sur l’intention des étudiants d’utiliser les RSN pour apprendre :

H5. L’influence sociale a un impact significatif sur l’intention d’utiliser des réseaux sociaux numériques.

Il ressort des différents modèles UTAUT (Attuquayefio et Addo, 2014; Venkatesh et al., 2008) que l’influence sociale est également une variable déterminante pour expliquer l’adoption d’une technologie. Celle-ci exerce une influence directe significative sur l’attente d’usage d’une personne. Cette variable permet, dans notre cadre, de vérifier le degré d’influence des personnes importantes, des camarades d’études et des autorités administratives des universités sur les projections que fait l’étudiant quant au recours aux réseaux sociaux numériques pour apprendre dans le cadre de sa future formation à court et à moyen terme :

H6. L’influence sociale a un impact significatif sur l’attente d’usage des réseaux sociaux numériques.

Les conditions facilitantes (CF) ont également été introduites dans le modèle UTAUT et cette variable a été définie par Venkatesh et al. (2003) comme le degré auquel un utilisateur estime que les infrastructures nécessaires existent pour soutenir l’utilisation d’une technologie. Celle-ci a trait, dans le cadre de cette étude, aux connaissances et compétences nécessaires afin qu’un étudiant utilise les réseaux sociaux numériques pour apprendre ainsi qu’à l’environnement institutionnel, infrastructurel et financier favorable (Kouakou, 2014). Les conditions facilitantes exercent une influence directe significative sur l’attente d’usage d’une technologie. Nous formulons l’hypothèse H7 pour vérifier le degré de son influence dans le cadre de cette étude :

H7. Les conditions facilitantes exercent une influence significative sur l’attente d’usage des réseaux sociaux numériques.

L’un des avantages du modèle UTAUT est de permettre de modérer les effets des variables indépendantes sur les variables dépendantes à partir des variables modératrices (Venkatesh et al., 2003). Par conséquent, nous vérifierons, dans le cadre de cette recherche, l’effet des variables modératrices suivantes : le sexe, l’âge et le niveau d’études des étudiants sur les facteurs déterminants de l’adoption des réseaux sociaux numériques pour apprendre. Le construit du modèle conceptuel et les hypothèses sont proposés au tableau 1 et à la figure 1.

La présente étude a ciblé les étudiants des universités et des grandes écoles publiques et privées du Niger ayant adopté les réseaux sociaux numériques pour assurer la continuité des activités pédagogiques en dehors des infrastructures universitaires pendant la pandémie de COVID-19. Un effectif de 93 étudiants a répondu à notre questionnaire en ligne (annexe A). Les caractéristiques sociodémographiques ont été collectées à partir de ce questionnaire. Les données des répondants ont été collectées sur un fichier Excel en ligne avant d’être téléchargées et traitées à l’aide du logiciel SPSS 20.

Le tableau 2 montre les résultats de l’analyse fréquentielle des variables sociodémographiques. Ceux-ci indiquent qu’il y a plus de répondants hommes dans notre échantillon. Plus de la moitié des répondants sont des étudiants des universités publiques du Niger. Un tiers des répondants sont des étudiants inscrits en première année du cycle universitaire en 2019-2020.

Les données de la présente étude ont été collectées à l’aide d’un questionnaire (annexe A) élaboré à partir des items testés dans d’autres études (Attuquayefio et Addo, 2014; Ben Romdhane, 2013; Kouakou, 2014; Maruping et al., 2017). La traduction et l’adaptation du modèle UTAUT ont été réalisées dans une collaboration transnationale à laquelle participaient les auteurs de cet article et d’autres chercheurs (Adjanohoun et Agbanglanon, 2020; Nyebe Atangana et al., 2020). Des questions fermées ont été choisies afin de réduire les erreurs sur les mesures. Le construit du modèle d’adoption des réseaux sociaux numériques par les étudiants en formation à distance s’articule autour de 6 dimensions : attente de performance avant la formation (4 items), attente d’effort avant la formation (4 items), influence sociale (4 items), conditions facilitantes (4 items), intention d’utilisation (3 items) et attente d’usage (3 items).

Une échelle de type Likert composée de 7 modalités allant de 1 (désaccord total) à 7 (accord total) a été utilisée (Demeuse, 2004) afin de mesurer la perception des étudiants quant à l’adoption des réseaux sociaux numériques en formation à distance.

Les réponses des étudiants sont directement enregistrées en ligne puis téléchargées sur un fichier Excel avant de faire l’objet de traitements et d’analyses.

Pour le traitement des données collectées dans le cadre de cette étude, nous avons opté pour la méthode d’analyse des équations structurelles dite méthode des moindres carrés partiels ou PLS (partial least squares). Celle-ci permet de traiter des modèles complexes avec un nombre élevé de construits (Maruping et al., 2017) et d’effectuer des analyses sur un échantillon relativement petit par rapport au nombre de construits. L’autre avantage de cette méthode, selon les auteurs, est qu’elle permet d’intégrer l’influence des variables modératrices.

La première phase de l’analyse consiste à déterminer la qualité des mesures d’un construit du modèle de l’adoption des réseaux sociaux numériques par les étudiants, à savoir sa validité et sa fiabilité. La méthode d’analyse factorielle des composantes principales permet d’explorer puis de confirmer la structure factorielle du modèle retenu. La deuxième phase consiste à évaluer le modèle structurel. La PLS nous permet également de déterminer la part de la variance de la variable dépendante expliquée par les variables indépendantes dans l’équation structurelle. Le coefficient de détermination R² permet de rendre compte de la contribution de chacune des variables indépendantes dans la prévision de la variable dépendante. Les logiciels SPSS 20 et SmartPLS 3.0 ont été utilisés pour analyser les données.

La cohérence interne et la validité convergente et discriminante du modèle UTAUT proposé ont été vérifiées afin d’assurer la qualité des construits. Il ressort de la lecture du tableau 3 que la fiabilité composite, qui rend compte de la cohérence interne des construits, ne dépasse pas 0,70 pour chacune des variables latentes. En plus, toutes les charges factorielles des différents items sur leur construit relatif dépassent 0,70 et toutes les moyennes extraites de la variance (AVE) vont de 0,729 à 0,883 (AVE > 0,50), des valeurs dépassant la variance due à la mesure d’erreur pour ce construit (tableau 3). Enfin, la validité discriminante est également soutenue puisque la racine carrée de la variance moyenne extraite (AVE) d’un construit est plus élevée que toute corrélation avec un autre construit (tableau 4). Ainsi, tous les critères de cohérence interne et de validité convergente et discriminante sont satisfaits.

Notre modèle de recherche étant un modèle UTAUT pour expliquer et prédire l’adoption des réseaux sociaux numériques en formation à distance chez les étudiants, son évaluation porte essentiellement sur les valeurs du coefficient de détermination R² et de leurs significativités statistiques. L’examen de la figure 2 nous permet de noter que l’attente d’effort représente 54,7 % des variations de l’attente de performance des étudiants (R² = 0,547). En plus, l’influence sociale et les attentes d’effort et de performance représentent 45,2 % des variations de l’intention de continuer l’utilisation des RSN en formation à distance des étudiants (R² = 0,452). Dans l’ensemble, l’influence sociale, les attentes d’effort et de performance et l’intention de continuer l’utilisation des RSN représentent 69,3 % des variations de l’attente d’usage des réseaux sociaux numériques en formation à distance dans les 6 prochains mois chez les étudiants (R² = 0,715).

L’examen de la figure 2 nous permet de noter que l’influence sociale est un facteur déterminant de l’intention de continuer l’utilisation des réseaux sociaux numériques en formation à distance, mais l’influence de cette variable est fortement modérée par le genre de l’étudiant, de sorte que l’effet est fortement significatif chez les étudiants hommes. La variable indépendante « influence sociale » est également un facteur déterminant pour l’attente d’usage des RSN, mais son influence est fortement modérée par le sexe, de sorte que l’effet est significatif chez les étudiants hommes.

Le tableau 5 et la figure 2 nous montrent que l’attente d’effort affecte positivement et significativement l’attente de performance des étudiants des universités et des grandes écoles du Niger (β = 0,739 et p < 0,01) et leur intention d’utilisation des réseaux sociaux numériques en formation à distance (β = 0,061 et p < 0,01). Ceci nous a amenés à accepter les hypothèses H3 et H4. L’attente de performance affecte positivement et significativement l’intention de continuer l’utilisation des réseaux sociaux numériques en formation à distance chez les étudiants (β = 0,121 et p < 0,01). L’hypothèse H2 est également acceptée. L’influence sociale affecte positivement et significativement l’intention de continuer l’utilisation (β = 0,506 et p < 0,01) et l’attente d’usage des réseaux sociaux numériques en formation à distance par les étudiants des universités et des grandes écoles (β = 0,083 et p < 0,01). Ceci nous a amenés à accepter les hypothèses H5 et H6. L’intention de continuer l’utilisation des RSN en formation affecte positivement et significativement l’attente d’usage de cette technologie dans les 6 prochains mois (β = 0,824 et p < 0,01). L’hypothèse de recherche H1 est acceptée.

La variable « conditions facilitantes » a été retirée du construit du modèle après l’analyse de fiabilité et de validité du construit du modèle d’adoption des RSN par les étudiants en formation à distance, alors l’hypothèse H7 a été rejetée.