L’expérience utilisateur

L'expérience de l'utilisateur est le thème le plus développé puisqu'il a été abordé dans 29 articles, tout en laissant de nombreuses questions ouvertes à la recherche. Il comprend des sous-thèmes tels que les activités de Qsers (Almalki et al., 2015), les meetings de Qsers (Choe et al., 2015), le contrôle de l’homme par la machine (Williamson, 2015), la modification du comportement (Hermsen et al., 2016), et la perception des outils de suivi par des personnes qui n'ont jamais pratiqué la QS (Rapp et Cena, 2016 ; Verdezoto et Gronvall, 2016).

6.1.1 Comportement d’adoption et utilisation

Les chercheurs se sont penchés sur la question de l'adoption de la QS en examinant les variables qui pourraient prédire les intentions d'utilisation (Kim et Park 2012 ; Kim 2014a ; 2014b). Différentes théories de la motivation peuvent également jouer un rôle dans l'adoption de QS comme l'auto-efficacité de Bandura (1977), le modèle d'autodétermination de Ryan et Deci (2000), ou des approches comportementales comme le modèle transthéorique du changement (Prochaska et Velicer, 1997). De nouveaux cadres théoriques basés sur les théories de la persuasion (Festinger, 1962 ; Cacioppo et Petty, 1984) pourraient offrir un point d'ancrage intéressant pour comprendre l’influence de la QS dans le comportement de l'utilisateur.

Au-delà de l'adoption, peu de recherches ont été entreprises sur la signification des données générées par la QS (Lupton, 2013a ; Choe et al., 2015). Une étude de Li et al (2011) montre que les outils de suivi ne répondent pas aux besoins des utilisateurs et qu'ils sont incapables

85

de leur fournir une vue d'ensemble qui pourrait les aider à comprendre leurs comportements. En ce qui concerne l'usage, Andrieu (2015) souligne l'ambivalence de la QS : d'une part, la QS renforce les techniques de bio-pouvoir (contrôle sur son corps), et d'autre part, la QS responsabilise les individus dans la gestion de leur santé. Jain et al (2014) ont effectué une revue de la littérature pour comprendre les mécanismes de rétroaction entre les outils de QS et les utilisateurs. Cette rétroaction informe les individus sur leur état physique et leur indique les mesures à prendre. Mais selon Hermsen et al (2016), l'efficacité du feedback et son impact réel sur le comportement de l'utilisateur restent à démontrer. Par conséquent, d'autres recherches sont nécessaires pour clarifier les effets subjectifs et objectifs de la QS.

En termes d'expérience utilisateur, les wearables peuvent ne pas être agréables à porter en raison de l'inconfort causé par le bracelet (Rapp et Cena 2016). Le manque de praticité de certains outils représente l'un des principaux obstacles à l'adoption selon Swan (2013) : l'appareil doit être automatisé, facile à utiliser, abordable et confortable. Les trackers sont perçus comme des objets démodés et inconfortables (Lupton 2013). La recherche souligne également des points de vue négatifs d’utilisateurs à l'égard des outils : ils sont perçus comme une perte de temps lorsque les données ne peuvent être collectées automatiquement, et doivent être saisies manuellement. Les données générées peuvent être difficiles à interpréter en raison de l'hétérogénéité et du manque d'interopérabilité des plates-formes (Almalki et al., 2015a ; Rapp et Cena, 2016 ; Verdezoto et al., 2016). La faiblesse des outils pourrait conduire à leur abandon comme le soulignent Fox et Duggan (2013) qui montrent qu'un tiers des détenteurs de trackers les abandonnent après 6 mois.

Afin de traiter ces sujets, il pourrait être intéressant d'examiner les questions de recherche suivantes :

· Quels autres cadres théoriques ou autres perspectives pourraient révéler les pratiques des utilisateurs de manière plus précise et nuancée ?

· Dans quelle mesure l'adoption des systèmes de QS est-elle stable dans le temps ? En particulier, comment se déroule l'expérience de l'utilisateur dans la phase post- adoption ?

· La rétroaction fournie par les systèmes de QS est-elle suffisamment persuasive pour introduire des changements dans les comportements des utilisateurs ?

86

· Quels sont les effets cognitifs, affectifs et conatifs des systèmes de QS sur les utilisateurs ?

· Quelles sont les conséquences négatives de l'utilisation des systèmes QS sur le plan physique et émotionnel ?

6.1.2 Les données

L’expérience utilisateur se réfère également à la manière dont les individus utilisent les données. Verdezoto et Gronvall (2016) soulignent les problèmes fréquents de précision des

données des trackers commerciaux. Ils citent les recherches de Montgomery-Downs et al.

(2012) qui ont montré la faible capacité d'un tracker Fitbit à détecter la phase de sommeil. D'autres chercheurs ont montré la grande variabilité entre dix trackers d'activité et ont remarqué leur imprécision dans le calcul des calories (Stackpool et al., 2015). Ces problèmes sont dus en partie à l'absence de réglementation par les institutions publiques. En effet, les fabricants ne sont pas tenus de rendre compte de l'exactitude de leurs équipements. Gollamudi et al (2016) ont toutefois montré qu'il est possible d'utiliser un smartphone pour mesurer la pression artérielle, malgré les erreurs de mesure. Cette recherche prouve que l'avenir de QS ne réside pas dans les capteurs, mais dans les techniques d'analyse de données, notamment pour représenter intelligemment les données (Choe et al., 2015) et les enrichir par l'intégration de données qualitatives (Choe et al., 2017).

Certains utilisateurs pensent que la collecte de données est ennuyeuse et ne présente aucun avantage réel (Rapp et Cena, 2016). Ainsi, certains chercheurs ont développé des solutions d'exploration de données pour créer plus de valeur et donner des informations plus détaillées aux utilisateurs (Fawcett, 2015 ; Gollamudi et al., 2016 ; Jain et Jalali, 2014). De plus,

l'analyse des données tient rarement compte du contexte. Cette situation est particulièrement

critique pour des malades dont l'environnement social joue un rôle dans le diagnostic et le traitement (Thornquist et Kirkengen, 2015). Par conséquent, Li et al. (2012) recommandent de tenir compte du contexte dans la recherche sur la QS. Mueller et al. (2015), s'appuyant sur la théorie de l'apprentissage réflexif, ont élaboré une approche pour évaluer le rôle du contexte dans l'enregistrement des pratiques professionnelles en milieu de travail. Ces résultats montrent que les utilisateurs sont en mesure d'acquérir une meilleure connaissance et une meilleure compréhension de leur activité.

87

Un autre défi concerne l'interopérabilité des données entre les fournisseurs de solutions de QS. Les grandes marques ont déjà commencé à proposer des plates-formes d'agrégation de données (Majmudar et al., 2015). Apple a développé sa solution HealthKit, Google propose son application Fit et Samsung le framework SAMI. Mais l'analyse des données reste complexe, car une plate-forme gère rarement toutes les données des QSers. Ce problème génère une perte de temps qui limite également l'analyse (Almalki et al., 2015). Dans le domaine de la conception de systèmes, des frameworks plus complets sont proposés (Banos et al., 2016 ; Li et Guo, 2016) basés sur le big data et les technologies de cloud computing, afin de simplifier la collecte, le stockage et l'analyse des données.

Nous suggérons les questions de recherche suivantes pour aborder la précision des données, la collecte de données et l'interopérabilité des données :

· Comment créer des données plus pertinentes pour les utilisateurs de QS ? · À quel point les systèmes de QS sont-ils efficaces dans leur mesure ?

o _{Comment intégrer les données qualitatives et quantitatives dans les rapports de} QS ?

o _{Dans quelle mesure les données des systèmes de QS sont-elles stables d'un} contexte à l'autre ?

· Comment mieux prendre en compte l'environnement social et physique lors de la conception des systèmes de QS ?

· Comment simplifier l'échange, le partage et l'exploitation des données entre les différents systèmes QS ?

· La normalisation des plates-formes QS est-elle souhaitable ?