Corps de l’article

Introduction

Les technologies de l’information et de la communication (TIC) sont aujourd’hui présentes dans toutes les sphères de la société. L’utilisation des ordinateurs, des tablettes, des téléphones portables et de l’Internet progresse d’une manière exponentielle dans le monde (Thiam et Ndiaye, 2020). En ce qui concerne les téléphones mobiles, l’Union internationale des télécommunications a estimé dans son rapport de 2018 que 51,2 % de la population mondiale possède un téléphone mobile. Elle estime aussi dans son rapport 2019 sur la mesure du développement numérique que 97 % de la population mondiale est couverte par l’Internet mobile, et que 79.5 % de la population africaine est couverte par l’Internet.

En ce qui concerne le Niger, l’Autorité de régulation des communications électroniques et de la poste (2019) a estimé que le taux de pénétration du mobile est à 51,9 % en 2019. Celui de l’Internet est estimé à 24,5 % pour la même année. Une étude sur l’utilisation des téléphones mobiles, menée par Bontianti (2015) dans la capitale du Niger, a montré que 69 % des ménages interrogés possèdent un téléphone. Chose surprenante, le pourcentage de personnes possédant des téléphones dans certains quartiers défavorisés est plus élevé que la moyenne de la ville de Niamey. Les enquêtes de l’Agence de régulation des marchés durant ces dernières années ont montré également une évolution importante du taux de pénétration du téléphone mobile dans les zones urbaines comme rurales. La pénétration importante est due à la simplicité d’utilisation, au coût et à la couverture de la téléphonie mobile dans le pays (Raballand, 2012).

À son tour, le développement des technologies mobiles et de l’Internet a favorisé l’utilisation des applications mobiles telles que Facebook et WhatsApp. Des communautés virtuelles se sont ainsi développées. Malgré le développement de ces technologies et les perspectives pour l’enseignement-apprentissage (Beauné et Tran Thanh, 2015) qu’elles offrent aux apprenants, elles sont souvent perçues comme une source de distraction. Les ressources éducatives contenues dans ces technologies mobiles sont considérées avoir un apport peu significatif pour l’apprentissage (UNESCO, 2012). Cette considération constitue un frein à leur utilisation dans l’enseignement universitaire.

À la suite de l’alerte des cas de COVID-19 constatés au Niger en mars 2019, des mesures phares de prévention ont été prises en vue de ralentir la propagation de la maladie. C’est dans ce cadre que le pays a procédé à la fermeture des établissements scolaires supérieurs. Face à cette situation, les autorités du Niger chargées de l’éducation ont proposé l’utilisation de technologies mobiles, notamment l’application WhatsApp, pour assurer la continuité pédagogique dans les établissements d’enseignement supérieur.

Les recherches ont montré que les réseaux sociaux numériques comme Facebook, Instagram ou WhatsApp attirent de plus en plus l’attention des chercheurs en sciences humaines et sociales (Stenger et Coutant, 2010). Affo (2017) ainsi que Capelle et Rouissi (2018) se sont intéressés aux liens amicaux, de la vie privée et d’identité numérique, à la vie professionnelle et au capital social numérique dans une communauté d’utilisateurs des réseaux sociaux numériques (Rheingold, 2000). Attuquayefio et Addo (2014), Ben Romdhane (2013), Ghassoub et Merkazi (2017), Kouakou (2014) et Vincent (2016) se sont intéressés à l’acceptation des réseaux sociaux numériques pour apprendre. Rarement des recherches ont-elles accordé de l’importance à l’intention de poursuivre l’utilisation des réseaux sociaux numériques dans l’enseignement universitaire en Afrique.

C’est pourquoi la présente recherche vise à étudier les facteurs déterminants pour l’adoption des réseaux sociaux numériques par les étudiants en formation à distance en vue d’assurer la continuité pédagogique en dehors des infrastructures universitaires classiques.

Contexte de la recherche

La pandémie de coronavirus (COVID-19) est survenue dans une époque de transfert des innovations des technologies en contexte d’éducation (Karsenti, 2019). La fermeture des universités et des grandes écoles par les autorités ministérielles du Niger a suscité l’engouement pour le recours à la formation à distance comme une solution pour sauver l’année universitaire en cours (Mbengue et al., 2020). Le but est d’assurer la continuité pédagogique en dehors des infrastructures universitaires grâce à un dispositif de formation à distance. Cette crise sanitaire a ainsi suscité la réflexion sur les solutions de formation à distance et plus particulièrement sur l’utilisation des réseaux sociaux pour apporter des solutions à court terme aux étudiants. Des instructions sont prises dans ce sens, notamment pour recourir aux réseaux sociaux. Mais cette décision est loin de faire l’unanimité chez tous les acteurs de l’éducation pour un certain nombre de raisons.

Les établissements de l’enseignement supérieur au Niger font face à de nombreux problèmes liés aux infrastructures et aux équipements (Sagayar, 2020). Les équipements pour offrir des cours à distance sont quasi inexistants, notamment les plateformes de formation dans les universités, les ordinateurs et la connexion Internet. Les ressources humaines compétentes pour les formations à distance manquent dans les établissements du supérieur au Niger (p. 257). Les enseignants du supérieur s’en tiennent à l’utilisation des ressources éducatives libres existantes sur l’Internet. Les étudiants se contentent de passer par le moteur de recherche Google pour obtenir des contenus.

Face à ces difficultés, certains enseignants du supérieur ont développé des pratiques de partage des ressources éducatives numériques au sein des établissements du supérieur. Ainsi, les réseaux sociaux numériques offrent à ces enseignants et à leurs étudiants des espaces d’échange des ressources éducatives numériques libres et d’aide pour l’apprentissage.

C’est dans un tel contexte que les responsables de la politique éducative du Niger ont retenu la création des communautés virtuelles d’apprenants par l’adoption des réseaux sociaux numériques pour assurer la continuité pédagogique en milieu universitaire. La présente étude cherche à analyser les facteurs déterminants de l’acceptation et de la continuité de l’utilisation des réseaux sociaux numériques chez les étudiants des universités et des grandes écoles ayant expérimenté la formation à distance dans ce contexte.

Cadre théorique et conceptuel

Le cadre théorique de cette étude est constitué de l’approche théorique des réseaux sociaux numériques pour apprendre, mais aussi de la théorie unifiée d’acceptation et d’utilisation des technologies.

Réseaux sociaux numériques (RSN)

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.

Modèle d’acceptation et d’utilisation des technologies

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.).

Construits théoriques et hypothèses de recherche

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 :

H6L’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.

Tableau 1

Présentation des construits de notre modèle d’étude

Présentation des construits de notre modèle d’étude

-> Voir la liste des tableaux

Figure 1

Le modèle conceptuel de notre étude

Le modèle conceptuel de notre étude

-> Voir la liste des figures

Méthodologie

Échantillon

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.

Instruments de collecte et d’analyse des données

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.

Tableau 2

Analyse fréquentielle des variables sociodémographiques

Analyse fréquentielle des variables sociodémographiques

-> Voir la liste des tableaux

Traitement des données

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.

Résultats de l’analyse de la validité du modèle UTAUT

Analyse de la validité du construit

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.

Tableau 3

Cohérence interne et validité convergente du modèle de mesure

Cohérence interne et validité convergente du modèle de mesure

-> Voir la liste des tableaux

Tableau 4

Validité discriminante du modèle de mesure

Validité discriminante du modèle de mesure

-> Voir la liste des tableaux

Analyse du modèle d’équations structurelles

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).

Figure 2

Analyse de l’équation structurelle du modèle de la recherche

Analyse de l’équation structurelle du modèle de la recherche

-> Voir la liste des figures

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 < 0,01) et leur intention d’utilisation des réseaux sociaux numériques en formation à distance (β = 0,061 et < 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 < 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 < 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 < 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 < 0,01). L’hypothèse de recherche H1 est acceptée.

Tableau 5

Récapitulatif du test des hypothèses

Récapitulatif du test des hypothèses

* Toutes les valeurs de β sont significatives au seuil de p < 0,01.

-> Voir la liste des tableaux

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.

Discussion des résultats du modèle d’adoption des RSN pour apprendre

Cette recherche a montré que l’attente de performance est influencée par l’attente d’effort. L’intention de continuer l’utilisation des RSN en formation à distance est influencée par l’attente d’effort, l’attente de performance et l’influence sociale. L’attente d’usage des RSN en formation à distance est influencée par l’attente d’effort, l’attente de performance, l’influence sociale et l’intention de continuer l’utilisation des réseaux sociaux numériques. Cette recherche montre également que le sexe de l’étudiant a un effet modérateur sur l’intention de continuer l’utilisation des RSN et sur l’attente d’usage des RSN par les étudiants des universités et des grandes écoles du Niger. Ces résultats sont discutés en les confrontant à ceux du modèle UTAUT des études antérieures. Les résultats de cette étude sont conformes à ceux des recherches antérieures sur l’adoption de la technologie (Attuquayefio et Addo, 2014; Ben Romdhane, 2013; Maruping et al., 2017; Venkatesh et al., 2003, 2008) et aussi sur l’adoption des réseaux sociaux numériques (Kouakou, 2014; Kwon et Wen, 2010).

L’étude confirme l’influence de l’attente d’effort sur l’attente de performance. Plus les étudiants perçoivent que les réseaux sociaux sont utiles dans la formation, plus leurs perceptions sont significatives sur la facilité de développer les habiletés à utiliser les réseaux sociaux numériques en formation, sur la clarté et la compréhension de leur interaction avec les RSN en formation à distance, sur la facilité d’utiliser cette technologie et sur la facilité d’apprendre son utilisation pour la formation à distance. L’utilisation de cette technologie leur permet d’accomplir les tâches d’apprentissage plus rapidement, d’améliorer la qualité de leur apprentissage et d’augmenter leurs chances de réussite. L’étude confirme également l’influence de l’attente d’effort, de l’attente de performance et de l’influence sociale sur l’intention d’utiliser les RSN pour une formation à court et à moyen terme. Venkatesh et al. (2008) et Attuquayefio et Addo (2014) ont suggéré à travers des modèles UTAUT que les variables « influence sociale », « attente d’effort » et « attente de performance » influencent directement l’intention de continuer l’utilisation d’une technologie. Les étudiants prennent aussi en considération les facteurs sociaux pour l’adoption des réseaux sociaux numériques en formation, notamment l’encouragement des proches (parents et amis) et des camarades d’études, l’avis des autorités administratives (de leur école ou faculté) et celui de leur université ou grande école sur l’utilisation ou non des RSN. De plus, l’étude a examiné et confirmé l’influence des 4 variables (influence sociale, attente d’effort, attente de performance et intention d’utilisation) sur l’attente d’usage des RSN par les étudiants. L’influence de ces 4 variables sur l’attente d’usage d’une technologie a été déjà observée par Attuquayefio et Addo (2014).

L’étude confirme également l’effet modérateur du sexe sur l’adoption des réseaux sociaux numériques par les étudiants en formation à distance. Cet effet modérateur a déjà été observé par Venkatesh et al.(2008). Dans leur étude, ceux-ci ont montré que l’effet qu’exerce l’influence sociale sur l’intention de continuer l’utilisation d’une technologie est modéré par le sexe de l’utilisateur. Enfin, l’étude a démontré que les conditions facilitantes ne constituent pas un facteur fiable et valide pour le construit du modèle d’adoption de réseaux sociaux. En utilisant le modèle UTAUT dans sa thèse, Bouba (2020) a montré que la variable « conditions facilitantes » n’est pas un facteur prédicteur de l’intention de continuité de l’utilisation d’une technologie, ce qui corrobore notre résultat.

Conclusion

Cette recherche a permis d’étudier les facteurs déterminants de l’adoption des réseaux sociaux en formation à distance des étudiants des universités et des grandes écoles du Niger selon le modèle de la théorie d’acceptation et d’utilisation des technologies (Maruping et al., 2017; Venkatesh et al., 2003, 2008).

Au terme de cette étude, nous avons testé et validé un modèle de recherche sur l’adoption des réseaux sociaux en formation à distance des étudiants de l’enseignement supérieur. L’étude nous a permis, d’une part, de déterminer que l’influence sociale, l’attente d’effort, l’attente de performance et l’intention de poursuivre l’utilisation sont des facteurs déterminants de l’adoption des réseaux sociaux numériques en formation à distance pour les étudiants. D’autre part, nous avons pu établir que le sexe était un facteur modérateur de l’adoption des RSN en formation à distance pour les étudiants de l’enseignement supérieur. L’adoption des RSN en formation à distance pour les étudiants ne dépend pas seulement des facteurs internes des utilisateurs, mais aussi des facteurs externes qui peuvent faciliter ou empêcher une utilisation de cette technologie.

Les résultats de cette étude doivent être interprétés à la lumière des limites de la recherche. En considérant la classification des construits du modèle de cette étude sur la base des modèles UTAUT antérieurs, nous avons peut-être simplifié à l’excès le processus d’adoption. Des réplications de l’étude sont nécessaires. Deuxièmement, notre étude porte uniquement sur les étudiants des établissements supérieurs ayant expérimenté la formation à distance à l’aide des RSN dans un dispositif mis en place par des enseignants du supérieur. Une étude sur les facteurs déterminant l’adoption des réseaux sociaux numériques par les enseignants, les enseignants-chercheurs et les chercheurs en formation à distance au Niger est nécessaire.