Reducing biases in usibility studies through UX Research and testing

Contexte du projet

Une étude UX sur une application mobile bancaire

Dans le cadre de mon mémoire de maîtrise en UX, j'ai participé à un vaste projet de recherche appliquée mené par le Tech3Lab, en partenariat avec une importante institution financière canadienne. L'objectif du projet était d'améliorer l'accessibilité et l'expérience globale des utilisateurs sur l'application mobile de la banque.

‍

Pendant plus d'un an, notre équipe a mené une étude expérimentale visant à comprendre comment l'âge et l'auto-efficacité numérique influencent différentes dimensions de l'expérience utilisateur lors de la réalisation de tâches bancaires essentielles.

‍

‍

Équipe et collaboration

Laboratoire UX et partenaire bancaire

Tout au long du projet, j'ai collaboré étroitement avec les directeurs et assistants de recherche du laboratoire. Mon implication a débuté à distance lors des phases exploratoires, en partageant et validant mes travaux de recherche, puis en présentiel lors des sessions menées avec les auxiliaires de recherche. Ce rôle exigeait une grande rigueur scientifique ainsi qu'une communication claire et structurée avec des parties prenantes aux profils variés : chercheurs, directeurs, auxiliaires de recherche et équipe UX côté client.

‍

‍

Question de recherche

Repenser la segmentation des utilisateurs en recherche UX

En recherche UX, recruter selon l'âge pour obtenir des profils d'usage variés est une pratique courante. Mais l'âge est-il réellement le meilleur paramètre de segmentation? Une revue de la littérature a mis en évidence d'autres facteurs susceptibles d'influencer l'expérience utilisateur dans les services numériques, notamment des variables liées à la confiance, aux compétences perçues et au rapport à la technologie. Cela nous a amenés à interroger le rôle potentiel de l'auto-efficacité numérique dans l'interprétation des différences observées entre utilisateurs.

‍

La question de recherche : dans quelle mesure le niveau d'auto-efficacité numérique modère-t-il la relation entre l'âge et l'expérience utilisateur?

‍

L'objectif était de fournir au partenaire deux éléments :

• Des preuves scientifiques démontrant l'impact potentiel de cette variable modératrice
• Des recommandations concrètes pour améliorer les pratiques d'échantillonnage en recherche UX

‍

‍

Processus et méthodes

Plus de 100 sessions de test en laboratoire

Nous avons mené une étude expérimentale contrôlée combinant mesures de performance, données psychophysiologiques et évaluations psychométriques.

‍

Tâches transactionnelles

• Se connecter sur l'application mobile
• Ajouter un destinataire Interac
• Effectuer un virement Interac

‍

Tâches informationnelles

• Obtenir un taux hypothécaire
• Comparer deux cartes de crédit
• Trouver le numéro de support local

‍

‍

Décisions clés et compromis

Choisir la profondeur plutôt que l'étendue dans l'approche de mesure

L'une des décisions centrales de ce projet a été de s'engager dans une méthodologie multi-mesures, combinant données comportementales de performance, relevés biométriques et échelles psychométriques. Cela a ajouté une complexité significative tant à la collecte de données qu'à l'analyse. Une approche plus simple aurait consisté à se fier uniquement aux scores UX autodéclarés, bien plus courants en recherche appliquée.

‍

Nous avons choisi la voie la plus rigoureuse parce que la question de recherche l'exigeait. Pour formuler un argument scientifique crédible sur l'auto-efficacité comme variable modératrice, les preuves devaient résister à l'examen. Cela impliquait davantage de sessions, plus de temps de mise en place par participant et une phase d'analyse bien plus lourde. Le compromis était réel : le projet a duré plus d'un an. Mais la qualité des résultats est ce qui a rendu les recommandations actionnables plutôt que simplement intéressantes.

‍

Remettre en question l'âge comme seul critère de segmentation

Il y avait également une tension méthodologique avec les pratiques standard de l'industrie. Recruter selon l'âge est la norme en recherche UX, en partie parce que c'est simple à opérationnaliser. Remettre cette hypothèse en question a nécessité de construire d'abord une solide base de littérature, puis de démontrer empiriquement que l'auto-efficacité expliquait une variance que l'âge seul ne capturait pas.

‍

La recommandation au partenaire n'était pas d'abandonner l'âge comme variable, mais de le coupler avec l'auto-efficacité numérique et la fréquence d'usage mobile au moment du recrutement. Cette combinaison offre un échantillon plus riche et plus représentatif sans complexifier significativement le processus de recrutement.

‍

‍

Résultats

Hypothèses confirmées, recommandations actionnables livrées

L'hypothèse a été confirmée : l'auto-efficacité numérique modère significativement la relation entre l'âge et plusieurs dimensions de l'expérience utilisateur. L'âge influence certaines mesures UX comme la performance et la charge cognitive, mais ne suffit pas à lui seul à représenter la diversité réelle des profils utilisateurs.

‍

Autres constats clés

• Corrélation forte entre la fréquence d'utilisation du téléphone mobile et l'auto-efficacité numérique
• Une simple question sur la fréquence d'usage suffit à prédire efficacement le niveau d'auto-efficacité

‍

Recommandation stratégique au partenaire

Coupler l'âge avec l'auto-efficacité numérique et la fréquence d'usage mobile au moment du recrutement. Cela produit des profils de participants plus riches, réduit les biais d'échantillonnage et améliore la fiabilité des études UX futures.

‍

L'équipe UX du partenaire bancaire a trouvé les recommandations suffisamment convaincantes pour les intégrer directement dans leur processus de recherche interne. La méthodologie a été adoptée, pas seulement notée.

‍

‍

Conclusion et apprentissages

Une science rigoureuse en contexte d'affaires

Ce projet a aiguisé ma capacité à opérer à l'intersection de la recherche académique et des contraintes industrielles. Travailler dans le cadre d'un vrai partenariat signifiait que les résultats devaient être à la fois scientifiquement solides et immédiatement utilisables par une équipe produit.

‍

• Conduire un processus scientifique complet de bout en bout en contexte industriel
• Développer une expertise en analyse quantitative avancée avec SAS et des modèles de modération statistique
• Mener des tests d'utilisabilité complexes impliquant oculométrie et équipements biométriques
• Collaborer avec des parties prenantes variées aux profils recherche et produit
• Structurer et présenter des résultats de façon à orienter de vraies décisions, pas seulement des rapports