Stelvyo·learning

Dossier de recherche appliquée · L3 MHR et L3 MRC en alternance

Les déterminants de l'acceptation des robots de service

Ce que la littérature établit, comment l'inventaire a été construit, ce qu'il montre, et les deux modèles proposés aux trois groupes

  • ISTHIA — Université Toulouse Jean Jaurès
  • Année 2026-2027
  • Version 3 · 25 septembre 2026
Lecture
44 min
Antécédents inventoriés
129
Antécédents audités
38
Scénarios de modèle
2
Références vérifiées
325

Article

1. Introduction

Cette page recense, à partir de la littérature scientifique publiée et vérifiée, les antécédents de l'intention d'accepter un robot de service dans les trois configurations d'hôtellerie-restauration étudiées cette année, en tire deux scénarios de modèle à tester, déclinés pour les trois groupes d'étudiants, et documente explicitement les arbitrages de validité discriminante qui ont conduit à retenir certains construits plutôt que d'autres. Elle suit la trame d'un article de recherche : d'où vient la question, ce que dit la littérature, comment l'inventaire a été construit, ce qu'il montre, ce qu'il faut en discuter et ce qu'il implique pour la collecte.

1.1 D'où vient la question : le parcours 2025-2026

La promotion 2025-2026 a travaillé sur le robot réceptionniste, le robot serveur et le robot cuisinier à partir d'une même question de terrain — les clients accepteront-ils d'être accueillis, servis ou nourris par un robot humanoïde ? — et d'un même modèle : l'anthropomorphisme perçu accroît l'utilité perçue et le plaisir anticipé, qui accroissent l'intention ; quatre risques perçus la réduisent. Les échelles ont été traduites et adaptées, le stimulus était une vidéo de dix secondes identique pour tous, et le modèle a été testé par équations structurelles (PLS-SEM) sur trois bases distinctes (206 répondants pour l'hébergement).

Résultats du modèle 2025-2026 par contexte
RelationRobot cuisinierRobot réceptionnisteRobot serveur
Anthropomorphisme → utilité perçue0,62 ***0,67 ***0,68 ***
Anthropomorphisme → plaisir anticipé0,68 ***0,72 ***0,64 ***
Plaisir → intention0,46 ***0,60 ***0,53 ***
Utilité → intention0,43 ***0,28 ***0,37 ***
Risque vie privée → intention−0,05 (ns)−0,10 *0,01 (ns)
Autres risques (malaise, déshumanisation, emploi) → intentionnsnsns
R² de l'intention0,770,810,75

*** significatif à 0,1 % · * significatif à 5 % · ns : non significatif. β : sens et force de l'effet ; R² : part de la variable expliquée par le modèle.

Plaisir anticipé et utilité perçue sont les deux moteurs de l'intention ; l'anthropomorphisme agit en amont ; parmi quatre risques, seule la vie privée freine directement, et seulement à la réception.

1.2 Ce qui reste à établir

  • Validité externe. Chaque base a été recrutée séparément : les différences entre réception, salle et cuisine tiennent-elles au robot ou aux répondants ? Une réplication rigoureuse s'impose.
  • Stimulus. Un seul robot, plutôt mécanique (anthropomorphisme perçu moyen : 1,86 sur 5). Un robot plus humain déclencherait-il davantage de plaisir… ou davantage de malaise ?
  • L'énigme des risques sociétaux. Crainte pour l'emploi : 4,03 sur 5 ; déshumanisation : 4,16 sur 5. Et pourtant aucun effet direct sur l'intention. Frein ? Antécédent ? Condition ?
  • Mesure. Plaisir et intention sont trop proches aux yeux des répondants : des items d'intention plus comportementaux (choisir, recommander) sont à construire.

1.3 Une réplication-extension

Le projet 2026-2027 est une réplication-extension d'un modèle antérieurement testé. Répliquer : tester à nouveau le socle établi en 2025-2026 dans trois contextes, avec un questionnaire au noyau identique et un stimulus homogène. Critiquer : reconstruire ce socle à partir de vos propres lectures et discuter ce que la littérature dit vraiment de la place des risques. Étendre : proposer et justifier une ou deux variables propres à votre robot et améliorer la mesure de l'intention. La recherche ne consiste pas toujours à inventer un modèle nouveau : répliquer, généraliser et étendre sont des contributions à part entière.

1.4 Trois robots, trois groupes

Les trois groupes de contexte
GroupeRobotQuestion de départCe qui change par rapport aux modèles usuels
G1 · L3 MHR hébergementRobot de nettoyage des chambres (housekeeping)Les clients accepteront-ils qu'un robot nettoie leur chambre d'hôtel ?Le service s'exécute le plus souvent en l'absence du client et n'est jugé que sur son résultat : ni interface à manipuler, ni spectacle.
G2 · L3 MHR restaurationRobot serveur (prise de commande, service en salle)Les clients accepteront-ils d'être servis par un robot humanoïde ?Consommation publique et relationnelle ; la configuration la mieux documentée, et la plus contradictoire sur l'anthropomorphisme.
G3 · L3 MRCRobot cuisinier en restauration collective (cuisine devant le convive et lui remet le plat)Les convives accepteront-ils de consommer un plat préparé par un robot humanoïde ?Le convive n'a pas choisi le prestataire ; le robot touche l'aliment ; aucune étude centrée sur l'usager n'existe en restauration collective.

Le groupe hébergement change d'objet par rapport à 2025-2026 : le robot réceptionniste laisse place au robot qui nettoie la chambre. Ce déplacement n'est pas anodin : il retire au modèle deux de ses ressorts habituels — l'attente d'effort et le plaisir de l'interaction — et fait de la comparaison entre les trois groupes une comparaison entre un service invisible, un service public et un service alimentaire contraint.

1.5 Question de recherche, problématique et objectifs

La question de départ est celle du terrain : les clients accepteront-ils ce robot ? La problématique la reformule dans le langage de la science et relie des variables : quels sont les déterminants de l'intention d'accepter un robot de service, et la structure de ces déterminants diffère-t-elle selon la configuration de service — chambre, salle ou cuisine collective ? Trois objectifs en découlent, qui organisent la suite de cette page : inventorier les antécédents documentés par la littérature vérifiée, configuration par configuration (section 4) ; arbitrer leur validité discriminante en ne retenant qu'un construit par famille conceptuelle (sections 3.4 et 4.3) ; en déduire des hypothèses réfutables et un modèle à tester pour chaque groupe (section 6).

Sigles utilisés. PLS-SEM : modélisation par équations structurelles en moindres carrés partiels ; HTMT : rapport hétérotrait-monotrait, critère de validité discriminante (deux construits sont distincts si leur HTMT reste sous 0,85) ; PLS-MGA : comparaison des coefficients entre groupes ; MICOM : test d'invariance de mesure préalable à toute comparaison entre groupes ; SRPC : échelle de préoccupation de vie privée propre aux robots de service ; VD : variable dépendante.

2. Cadre théorique

Le cadre théorique procède du général au particulier : les cadres fondateurs du domaine, puis ce qui fonde l'adéquation entre un robot et une tâche, puis la congruence entre le robot et le positionnement de l'établissement, et enfin ce que la littérature dit de chacune des quatre configurations de service, avant deux éclairages complémentaires — les terrains asiatiques, où les clients ont réellement été servis par des robots, et la littérature francophone.

2.1 Existe-t-il un travail fondateur ?

La question mérite une réponse mesurée plutôt qu'une impression. Deux indicateurs ont été calculés. Le premier est la notoriété absolue, à savoir le nombre total de citations rapporté par l'API Semantic Scholar en septembre 2026, pour trente-huit candidats. Le second est le taux de co-citation à l'intérieur du domaine : pour trente articles empiriques récents du corpus, les références déposées auprès de Crossref ont été téléchargées — 2 558 références au total, dont 2 015 portant un DOI exploitable — et l'on a compté dans combien de ces trente bibliographies chaque candidat apparaît.

La distinction entre les deux indicateurs n'est pas cosmétique. La notoriété absolue favorise les références matricielles de la recherche en systèmes d'information, qui ne disent rien de spécifique sur les robots de service : Davis (1989) totalise 71 107 citations et Venkatesh et al. (2003) (article en visionneuse) 46 187, mais ces travaux situent le champ sans le différencier. Le taux de co-citation identifie au contraire le point de passage obligé de la littérature spécifique.

La réponse est alors nette. Le travail fondateur du domaine est l'article de Wirtz, Patterson, Kunz, Gruber, Lu, Paluch et Martins (article en visionneuse) publié en 2018 dans le Journal of Service Management sous le titre « Brave new world: Service robots in the frontline ». Il est cité dans quinze des trente bibliographies examinées, soit la moitié du corpus, et cette présence traverse les quatre configurations — nettoyage, service en salle, cuisine, méta-analyses. Avec 1 751 citations, il n'est pourtant pas le plus cité dans l'absolu : sa force est d'être incontournable. Il fournit le vocabulaire du champ, la typologie des tâches — cognitives-analytiques, cognitives-intuitives, émotionnelles-sociales — et le modèle d'acceptation à trois branches, fonctionnelle, socio-émotionnelle et relationnelle, que la plupart des auteurs reprennent ou amendent.

Deux piliers complètent ce socle. L'échelle de volonté d'intégration des robots de service de Lu, Cai et Gursoy (2019), présente dans douze bibliographies sur trente, est l'instrument de mesure standard de la variable dépendante du domaine. Et le modèle d'acceptation des dispositifs d'intelligence artificielle de Gursoy, Chi, Lu et Nunkoo (2019), présent dans huit bibliographies sur trente mais fort de 1 351 citations, est le modèle théorique le plus répliqué, y compris hors hôtellerie — Li et al. (2024) l'appliquent aux robots médicaux. C'est aussi celui dont le projet 2025-2026 était issu, ce qui en fait le point de comparaison naturel du travail 2026-2027.

Un dernier chiffre mérite d'être signalé, parce qu'il concerne directement le problème que cette note cherche à résoudre. Le critère HTMT de Henseler, Ringle et Sarstedt (2015) n'est cité que dans quatre des trente bibliographies examinées, et le critère de Fornell et Larcker (1981) dans dix. Autrement dit, deux tiers des études publiées dans ce domaine ne documentent leur validité discriminante par aucun de ces deux critères. Documenter sérieusement la sienne serait déjà, en soi, une contribution.

Une réserve technique s'impose sur ce second indicateur : Crossref ne recense que les références effectivement déposées par l'éditeur avec un DOI. Une référence citée sans DOI n'apparaît pas dans le décompte. Les taux ci-dessus sont donc des planchers, et Gursoy et al. (2019) est en particulier sous-estimé.

2.2 Ce que fonde la nature de la tâche : le socle théorique de l'adéquation robot-tâche

Sur quoi repose l'adéquation perçue robot-tâche, second construit du socle ? Sur une littérature abondante et convergente. Huang et Rust (2018) et Wirtz et al. (2018) (article en visionneuse) établissent que le remplacement par l'IA s'opère au niveau de la tâche, des intelligences mécaniques vers les intelligences empathiques. Castelo, Bos et Lehmann (2019), sur quatre études de laboratoire et deux études de terrain totalisant plus de 56 000 observations, montrent que les algorithmes sont moins utilisés pour les tâches subjectives et que l'objectivité perçue de la tâche est malléable. Longoni et Cian (2022) documentent l'effet « word-of-machine » : l'IA est jugée plus compétente en contexte utilitaire, moins en contexte hédonique. Liu, Wang et Wu (2026), sur 7 428 avis Ctrip et trois expériences, montrent qu'un service fonctionnel est mieux évalué lorsqu'il est rendu par un robot, et un service émotionnel lorsqu'il est rendu par un humain. Yang, Wang, Song et Ma (2024) fondent exactement un « robot-environment fit » par type de tâche sur la théorie person-environment fit. Enfin, la méta-analyse de Peng et al. (2026) — 46 expériences, 27 612 participants — fixe l'ordre de grandeur : une préférence pour l'humain faible en moyenne (d = −0,128) et entièrement conditionnelle au contexte, plus forte dans le luxe et les contextes domestiques, inversée dans les situations embarrassantes.

Ces résultats justifient un construit distinct de la compétence perçue : la compétence répond à la question « le robot en est-il capable ? », l'adéquation à la question « est-ce à lui de le faire ? ». Un robot compétent peut être inadéquat pour une tâche empathique, et un robot peu compétent adéquat pour une tâche embarrassante. Choi et al. (2020) en donnent la preuve empirique la plus nette : la qualité de résultat est jugée identique entre humain et robot, la qualité d'interaction ne l'est pas.

2.3 Congruence robot-marque et positionnement

Choi, Liu et Choi (2022) montrent que les robots à haut contact provoquent des réactions négatives pour une marque de personnalité sincère, non pour une marque excitante, par un fit perçu faible. Guan et al. (2025) répliquent en hôtellerie : la congruence entre le robot et la personnalité de marque nourrit l'amour de marque, la confiance médiatisant. Horng et al. (2025, 2026) introduisent deux congruences distinctes — luxury-technology fit et task-technology fit — qui médiatisent vers l'intention, à Taïwan comme aux États-Unis. Ma et al. (2025) documentent un « désavantage du robot » dans le luxe, par désir de supériorité : le robot ne procure pas le sentiment d'être servi en tant que client de statut. Chan et Tung (2019) trouvaient déjà un effet comportemental du robot positif en hôtellerie économique et de milieu de gamme, nul dans le luxe. Le positionnement de l'établissement est donc un modérateur robuste, à manipuler dans le scénario du groupe G2.

2.4 Le robot de nettoyage des chambres

La configuration est singulière : le service s'exécute le plus souvent en l'absence du client, sans aucune interaction, et il n'est jugé que sur son résultat. Trois conséquences théoriques en découlent, et chacune est un argument de spécification.

D'abord, l'attente d'effort et la motivation hédonique perdent leur objet. Le client n'utilise pas le robot et n'assiste pas au service : il n'y a ni interface à manipuler, ni spectacle, ni amusement. Or le plaisir anticipé était le chemin le plus fort du modèle 2025-2026. Son retrait doit être assumé et exposé comme un résultat théorique, non subi comme un oubli.

Ensuite, toute la branche relationnelle du modèle d'acceptation des robots de service de Wirtz et al. (2018) (article en visionneuse) devient inopérante, faute d'interaction. Et surtout, Choi et al. (2020) établissent, dans une expérience comparant service humain, service robotisé et service conjoint, que le personnel humain est perçu comme supérieur au robot sur la qualité d'interaction et sur l'environnement physique, mais qu'aucune différence significative n'apparaît sur la qualité de résultat. Dans un service jugé uniquement sur son résultat, le déficit du robot disparaît donc : c'est le meilleur appui théorique disponible pour ce sujet.

Enfin, les résultats de Hoang et Tran (2022) fournissent le squelette causal. La compétence perçue du nettoyeur est plus faible pour un robot que pour un humain (moyennes de 5,39 contre 5,88, p = 0,01), et cette moindre compétence dilue l'évaluation de la propreté du lieu puis réduit l'intention de visite. Mais deux modérateurs inversent ce désavantage : lorsque la tâche est répugnante, les consommateurs jugent le robot plus compétent que l'humain, par un mécanisme de préoccupation empathique ; et lorsque le nettoyage est perturbateur, le robot est préféré parce qu'il occasionne une perturbation sociale moindre. La salle de bains d'une chambre d'hôtel est le prototype de la tâche répugnante, et le passage d'une machine y est socialement moins intrusif que celui d'une personne — pas de salutation à échanger, pas de pourboire, pas de gêne.

Deux mécanismes complémentaires méritent d'être retenus. Shin et Kang (2020) montrent que le risque sanitaire perçu médie la relation entre l'interaction attendue et l'intention de réservation, et que la propreté perçue modère cet effet ; le robot, en supprimant l'interaction, réduit donc le risque sanitaire perçu. Magnini et Zehrer (2021) signalent à l'inverse que la présence visible du personnel de nettoyage est elle-même un indice subconscient de propreté : robotiser supprime ce signal heuristique. La tension entre ces deux mécanismes est testable.

Enfin, quatre construits propres à cette configuration n'existent nulle part dans la littérature vérifiée et constituent l'apport possible du groupe : l'intrusion territoriale perçue, le risque perçu pour les effets personnels, la préoccupation de surveillance et de cartographie de l'espace intime — un robot de nettoyage embarque caméras, LiDAR et cartographie tridimensionnelle —, et la préférence positive pour l'absence de contact humain, qui renverse la logique habituelle du besoin d'interaction en faisant de l'absence de contact un bénéfice et non un coût.

2.5 Le robot serveur en restauration commerciale

C'est la configuration la mieux documentée des quatre, et celle où la littérature est la plus contradictoire sur l'anthropomorphisme. Molinillo et al. (2022), sur 645 clients potentiels espagnols, trouvent que les perceptions hédoniques sont le premier déterminant de l'attitude (bêta = 0,293) et le premier réducteur d'objections après l'anthropomorphisme (bêta = −0,203). Mais Blut et al. (2021), dans une méta-analyse portant sur 11 053 individus et 108 échantillons indépendants, concluent à l'absence de consensus : l'effet de l'anthropomorphisme dépend du type de robot et du type de service. Xie et Lei (2022) établissent un effet non linéaire, en U inversé, de l'anthropomorphisme sur les préoccupations de vie privée. Kim et al. (2019) montrent qu'il accroît la chaleur perçue mais dégrade l'attitude par l'étrangeté. Mende et al. (2019) montrent qu'il provoque un inconfort et une menace pour l'identité humaine qui déclenchent des comportements de consommation compensatoire.

La leçon de spécification est claire : l'anthropomorphisme ne doit jamais être modélisé comme un antécédent exogène linéaire et positif, ce qui était précisément la spécification du modèle 2025-2026.

Trois construits sont, eux, propres au service en salle et bien établis. La chaleur perçue, dimension du modèle du contenu des stéréotypes, nourrit la valeur relationnelle attendue (Belanche et al., 2021) — avec un revers documenté par Choi et al. (2021) : une chaleur attendue plus élevée chez l'humanoïde produit davantage d'insatisfaction après un échec de processus. La sécurité physique perçue, mesurée par Jang et Lee (2020) et reprise par Molinillo et al. (2022) avec un bêta de 0,178 sur l'attitude, n'a d'équivalent dans aucune des autres configurations : le robot circule avec des plats chauds parmi les convives. L'authenticité, enfin, est le construit le plus sensible pour un terrain français : Song et al. (2022) montrent que le recours au robot aux niveaux cœur et facilitant du produit dégrade l'authenticité de service et de marque, et Cheng et al. (2026) établissent une dissociation décisive — le serveur humain nourrit l'authenticité morale, le robot nourrit l'authenticité du plat. Confondre les deux revient à annuler deux effets de signe opposé.

Un dernier résultat structure le terrain : Hu et Min (2025) montrent, sur deux expériences, que les restaurants de cuisine locale obtiennent de meilleures notes d'authenticité, de qualité, de congruence et d'intention de fréquentation avec un service intégralement humain, tandis que les établissements de restauration rapide et à thème futuriste obtiennent une congruence comparable quelle que soit la configuration. La légitimité du robot serveur dépend donc du positionnement de l'établissement, ce qui en fait un modérateur manipulable plutôt qu'une constante.

2.6 Le service robotisé en restauration collective

Le terrain étant vierge, la question devient : que faut-il emprunter, et à quoi ? La réponse tient en une observation. Les modèles dominants de l'acceptation technologique — TAM, UTAUT2 (article en visionneuse), AIDUA, modèle d'acceptation des robots de service — présupposent tous un consommateur libre de ses choix dans un marché concurrentiel. Le convive d'une cantine d'entreprise, d'un restaurant universitaire, d'un hôpital ou d'un établissement pénitentiaire n'adopte pas : il subit. Ces modèles ne sont donc pas seulement incomplets dans ce contexte, ils y sont mal spécifiés.

Le gisement pertinent est la littérature sur les technologies en libre-service en usage contraint, que la recherche sur les robots ignore presque entièrement. Lee et Kim (2026) en fournissent la transposition la plus directe : sur 389 personnes de 65 ans et plus, placées devant des scénarios de borne unique sans alternative humaine, ils montrent que la coercition perçue — définie comme la conscience subjective d'un choix structurellement contraint — augmente la perte d'autonomie perçue et l'affect négatif, qui prédisent tous deux l'intention d'évitement. Le résultat le plus instructif est que l'affect négatif domine l'évaluation cognitive : sous contrainte, l'émotion l'emporte sur le calcul. En amont, Reinders et al. (2008), Liu (2012), Reinders et al. (2015) et Feng et al. (2018) constituent le socle théorique de l'usage forcé et de la réactance.

Trois conséquences pratiques en découlent. D'abord, la variable dépendante doit changer : en contexte captif, l'intention d'utiliser a peu de variance, et c'est l'intention d'évitement — le report vers le sandwich, la gamelle ou l'extérieur — qui est comportementalement interprétable. Ensuite, la valeur perçue devient difficilement mesurable : en restauration subventionnée ou gratuite, le sacrifice monétaire tend vers zéro et le construit s'effondre sur l'utilité perçue. Deux hypothèses concurrentes s'ouvrent d'ailleurs à ce sujet, sans que la littérature permette de trancher : la gratuité abaisse-t-elle les exigences, ou fait-elle du repas un avantage social acquis dont la dégradation par la robotisation est lue comme une atteinte au contrat implicite ? Enfin, la captivité n'est pas binaire mais graduée — cantine d'entreprise en centre-ville, restaurant universitaire isolé, hôpital, établissement médico-social, détention — ce qui offre un plan quasi expérimental naturel que la restauration commerciale ne peut pas produire.

Deux construits spécifiques méritent d'être développés. La confiance institutionnelle d'abord : dans tout le corpus vérifié, la confiance porte sur le robot, alors qu'en restauration collective l'usager n'a pas choisi le prestataire. L'objet de confiance se déplace vers le décideur — l'employeur, l'université, l'hôpital, la collectivité — et la question devient : a-t-il robotisé pour mon confort ou pour réduire sa masse salariale ? La typologie de McKnight et al. (2002), qui sépare la confiance institutionnelle des croyances de confiance, fournit l'ancrage. La menace perçue sur l'emploi ensuite : aucune étude vérifiée ne la mesure comme antécédent significatif du côté du client. La preuve de non-significativité en restauration commerciale vient d'Etemad-Sajadi, Soussan et Schöpfer (2022) : sur 341 répondants suisses exposés à une vidéo de Pepper en service, le remplacement des travailleurs est la préoccupation éthique la plus élevée (moyenne de 5,25 sur 7) mais n'a aucun effet significatif sur l'intention d'utiliser le robot. Mais en restauration collective le convive connaît personnellement l'agent menacé, le croise hors du service, partage parfois son employeur. L'objection éthique cesse d'être abstraite, et l'hypothèse que ce construit devienne significatif lorsque la personne remplacée est identifiée et socialement proche est, à mon sens, le résultat le plus publiable que le projet puisse produire.

2.7 Le robot cuisinier qui cuisine devant le convive

Cette configuration croise trois littératures, et c'est ce croisement qui la rend intéressante.

La première est celle de la psychologie du consommateur alimentaire. Pancer et al. (2025), sur quatre expériences, établissent que l'automatisation de la préparation dégrade le goût anticipé, l'évaluation globale et la disposition à payer, en partie par deux effets de contagion distincts : l'aliment automatisé perd l'« amour » symbolique que lui transmettait le contact humain (contagion positive perdue), et le contact de la machine avec la nourriture accroît le dégoût (contagion négative) ; une communication centrée sur le bénéfice client atténue ce dégoût. Le mécanisme moral est établi séparément, par McShane, Taylor, Noseworthy, Pancer et Philp (2026) : un robot d'apparence humanoïde fait davantage inférer une intention de remplacer les travailleurs, ce qui réduit la moralité perçue du restaurant, puis ses évaluations et la fréquentation. La portée méthodologique est grande : dégoût de contact et indignation morale sont deux réactions distinctes, déclenchées par des indices différents — le contact machine-aliment d'un côté, l'apparence humanoïde de l'autre —, et un questionnaire qui ne les sépare pas mesure l'une en croyant mesurer l'autre.

La deuxième est celle de la néophobie. Ross et al. (2022), sur 1 045 répondants irlandais, trouvent que la néophobie technologique alimentaire, mesurée par l'échelle de Cox et Evans (2008), exerce l'effet total négatif le plus fort du modèle (bêta = −0,369, dont −0,167 en direct et −0,202 en indirect), et que la confiance en la science en est l'antidote le plus puissant (bêta = −0,445). C'est un levier de communication directement actionnable.

La troisième est celle de la transparence opérationnelle, et c'est là que se trouve l'angle mort le plus intéressant. Buell, Kim et Tsay (2017) établissent, sur deux expériences de terrain et deux expériences de laboratoire menées en restauration, que rendre le processus visible augmente la qualité perçue de 22,2 % et réduit le temps de traitement perçu de 19,2 %, par un mécanisme d'effort perçu : le client qui observe le travail l'apprécie davantage. Or aucune étude vérifiée n'a transposé ce mécanisme à un agent robotique. Et le mécanisme suppose un agent capable d'effort méritoire, condition qu'un robot ne remplit pas. L'hypothèse que la transparence opérationnelle ne produise aucun effet, voire un effet négatif, lorsque le cuisinier est une machine est à la fois la plus originale et la plus défendable du dossier.

Un dernier résultat doit être connu, parce qu'il contredit l'argument marketing le plus répandu. Byrd et al. (2024) montrent expérimentalement que les consommateurs préfèrent un serveur humain masqué à un robot propre et désinfecté : le robot n'est pas le dispositif de réassurance sanitaire que l'on suppose.

Deux tensions restent à trancher, et le projet en a les moyens. La première porte sur l'anthropomorphisme : Xiao et Zhao (2022) trouvent qu'il améliore la prédiction de qualité du plat, Lee et Kwak (2025) qu'il réduit l'appréciation attendue et la volonté d'essayer. L'hypothèse de réconciliation la plus plausible est que l'anthropomorphisme aide tant qu'il n'y a pas contact avec l'aliment, et nuit dès qu'il y en a — des mains humanoïdes plongées dans la nourriture activant une contagion symbolique au sens de Rozin et al. (1992). Lee et Kwak observent toutefois la préférence pour un robot moins anthropomorphe aussi bien pour le robot cuisinier que pour le robot serveur, et McShane et al. (2026) documentent un coût moral propre à la forme humanoïde en restauration : cette réconciliation reste une conjecture à tester, non un résultat établi. La seconde porte sur la confiance dans le respect des régimes alimentaires et des allergènes : la littérature consommateur est ici inexistante, alors que la question est centrale en restauration collective.

2.8 Ce qu'apportent les terrains asiatiques

Soixante références dont les terrains sont en Corée, en Chine, au Japon, à Taïwan, en Malaisie ou en Inde ont été vérifiées. Elles apportent ce que les terrains occidentaux ont rarement : des clients réellement servis par un robot. La série coréenne de Hwang, Kim et Choe compare systématiquement environ 300 clients servis par un robot à 300 clients servis par un humain ; Zhang et al. (2026) interrogent 433 clients de restaurants robotisés chinois ; Gong, Guan et Huan (2025) interrogent 269 clients sur site d'un restaurant à robot chef de Guangzhou ; Sthapit et al. (2024) étudient 429 séjours réels au FlyZoo Hotel d'Alibaba ; Fan, Gao et Han (2022) mènent une expérimentation de terrain de six mois dans 35 hôtels. S'y ajoutent des analyses d'avis massives : 4 107 avis Qunar sur 68 hôtels (Chang et al., 2022), Dianping pour Haidilao (Ma et al., 2023), 1 569 commentaires sur Henn-na Hotel (Yu, 2020).

Sur usage réel, la hiérarchie des antécédents devient très utilitaire : l'efficacité perçue représente 55 % des mentions dans les avis Qunar, la qualité de la nourriture et l'innovation technique expliquent la recommandation tandis que la qualité de service du robot ne l'explique pas (Li, Yuan & Zhao, 2025), et l'influence sociale disparaît ou n'agit qu'indirectement (Chang et al., 2022 ; Gong et al., 2026) alors qu'elle est centrale dans les modèles testés par scénario. Sur l'anthropomorphisme, les commentaires japonais sur Henn-na rejettent massivement les humanoïdes (73,5 % négatifs), l'acceptation est maximale pour un anthropomorphisme moyen (Jia, Chung & Hwang, 2021), et le robot d'apparence animale maximise émotions et chaleur (Cheng & Hwang, 2025) : le format « chat-robot » BellaBot qui domine en Asie n'est pas un hasard. Pour le robot en chambre, le contrôle perçu renforce l'acceptation (Song et al., 2024), les craintes de sécurité nocturne, de caméras et de piratage apparaissent spontanément (Yu, 2020), et la co-production est un antécédent de valeur (Tian & Liu, 2024). Sur le robot cuisinier, la nourriture prime, la compétence du robot chef conditionne l'évaluation alimentaire, et l'attitude anti-robot atténue les effets positifs (Gong et al., 2025) ; le besoin d'interaction humaine reste significatif même sur usage réel (Sung & Jeon, 2020). En revanche, aucune étude client asiatique vérifiable ne porte sur la restauration collective : le vide est le même qu'en Occident.

Trois précautions de transposition. Les répondants asiatiques ont une familiarité élevée avec les robots : les effets de nouveauté seront plus forts en France, et l'influence sociale peut y peser davantage, comme dans les études par scénario. Beaucoup d'études chinoises sont des scénarios et les échantillons coréens des panels en ligne : vérifier l'usage réel avant de transposer un coefficient. Enfin, une seule étude vérifiable teste les valeurs culturelles comme modérateurs (Chi, Chi, Gursoy & Nunkoo, 2023, États-Unis contre Chine) : distance hiérarchique et évitement de l'incertitude sont à réestimer sur un terrain français, non à importer.

2.9 La littérature francophone

Une recherche systématique a été menée par requêtes Crossref filtrées par revue (Décisions Marketing, Recherche et Applications en Marketing, Revue Française de Gestion, Management & Avenir, Téoros, Mondes du tourisme, Systèmes d'Information et Management, Gestion 2000, entre autres), sur HAL et sur theses.fr, de 2012 à 2026. Le constat est net : le corpus francophone à comité de lecture sur l'acceptation des robots de service par le client en hôtellerie-restauration est quasi inexistant. Trois articles francophones portent sur les robots, aucun en hôtellerie-restauration : Goudey et Bonnin (2016) montrent qu'un anthropomorphisme partiel aide les familiers du smartphone et nuit aux autres ; Passebois-Ducros et Flacandji (2022) étudient un robot à Lascaux IV ; Yang, Garnier et Djelassi (2025) montrent qu'un robot qui imite l'approche d'un vendeur accroît l'intrusivité perçue — résultat directement transposable au robot serveur qui s'approche de la table. Un seul article francophone croise IA, tourisme et client (Garcia et al., 2021, sur un chatbot touristique).

Cette absence est compensée de trois manières. D'abord par les laboratoires français publiant en anglais : Meyer-Waarden et Cloarec (2026, TSM Toulouse) sur l'éthicité perçue des robots sociaux en restaurant contre à domicile, le groupe Hasan et de Kervenoael (Tourism Management, 2020 ; JHTT, 2024), et El Halabi et Trendel (2024, Journal of Service Research), qui montrent que nommer un robot humanoïde réduit l'étrangeté perçue — un levier simple pour le malaise perçu du socle. Ensuite par les cadres francophones transposables sur les technologies en libre-service (Feenstra & Glérant-Glikson, 2017 ; Lao & Vlad, 2018 ; Ba & Vignon, 2013). Enfin par l'ancrage local en sociologie de l'alimentation : le CERTOP (Poulain ; Laporte & Poulain, 2014, sur la synchronisation sociale du repas d'entreprise) et la thèse en cours de David Rodriguez, dont la netnographie de réactions aux robots dans des restaurants français documente précisément l'effet de contamination du plat, le spectre de la suppression d'emplois et la politisation du repas — sur la plateforme expérimentale Ovalie de l'université. C'est un contact évident pour le projet.

3. Méthodologie

L'inventaire a été construit en cinq temps : délimiter les configurations de service, collecter et vérifier les sources, renseigner pour chaque antécédent une grille commune, appliquer des règles de spécification qui répondent au problème de validité discriminante rencontré en 2025-2026, et soumettre le résultat à un audit critique indépendant.

3.1 Périmètre : quatre configurations, trois groupes

L'inventaire distingue quatre configurations, parce que la littérature les distingue : C1, le robot qui nettoie les chambres d'hôtel ; C2, le robot serveur en restauration commerciale ; C3, le service robotisé en restauration collective, où le convive n'a pas choisi le prestataire ; C4, le robot cuisinier qui prépare le plat devant le convive et le lui remet. Les trois groupes s'y rattachent ainsi : G1 (MHR hébergement) travaille sur C1, G2 (MHR restauration) sur C2, et G3 (MRC) sur C4 appliqué en contexte C3 — le robot cuisinier en restauration collective combine les deux blocs, celui de l'aliment préparé par une machine et celui de l'usage contraint.

3.2 Collecte et vérification des sources

Trois cent neuf références sont mobilisées. Chacune a été contrôlée individuellement auprès de l'API Crossref : identifiant DOI, titre exact, liste d'auteurs, année, revue, volume et pagination. Les entrées bibliographiques au format APA 7 ont été produites directement à partir des métadonnées Crossref, sans ressaisie manuelle, ce qui élimine le risque d'erreur de transcription. Aucune référence dont l'existence n'a pas pu être confirmée n'a été conservée.

Une seconde règle s'applique au contenu : un résultat n'est jamais déduit d'un titre. Lorsque le résumé ou le texte intégral n'a pas pu être consulté, le classeur porte la mention correspondante et aucun sens d'effet n'est avancé. Cette distinction entre existence bibliographique et contenu vérifié est indiquée ligne par ligne.

Une réserve doit être signalée sur les dates. Crossref renvoie fréquemment l'année de mise en ligne, distincte de l'année du numéro ; l'écart atteint un à deux ans pour plusieurs articles du corpus. La bibliographie retient l'année du numéro lorsque Crossref la fournit, et ne retombe sur la date de mise en ligne qu'à défaut — ce qui corrige, par exemple, la date de Henseler, Ringle et Sarstedt (2015).

Les sources ont été recherchées par requêtes ciblées configuration par configuration (celles de la restauration collective sont décrites en 4.1), complétées par une recherche dédiée aux terrains asiatiques (section 2.8) et par une recherche systématique de la littérature francophone à comité de lecture (section 2.9). Les références de littérature grise — thèses, communications — ont été vérifiées sur HAL ou theses.fr.

3.3 La grille d'inventaire

Chaque antécédent identifié occupe une ligne du classeur, dans l'onglet de sa configuration, avec quatorze colonnes : le code, l'intitulé en français et en anglais, la définition opérationnelle, la famille conceptuelle, les recherches qui le mobilisent, le contexte et la méthode de ces recherches, le sens de l'effet sur l'intention, le coefficient ou la taille d'effet lorsqu'ils ont pu être vérifiés, l'échelle de mesure d'origine, la justification de sa pertinence pour le contexte, son statut empirique, son risque de recouvrement avec d'autres construits, et la décision retenue pour le modèle. Le statut empirique distingue trois situations : testé, un résultat empirique existe dans ce contexte précis ; transposition, le résultat a été établi dans un contexte voisin et doit être retesté ; nouveau, le construit est proposé et n'a jamais été testé — c'est l'espace de contribution du projet. La décision indique ce qu'il advient du construit : retenu au socle commun, retenu en extension de contexte, manipulé dans le stimulus, modérateur, variable de contrôle, fusionné dans un autre construit, ou écarté pour une raison explicite, le plus souvent un recouvrement conceptuel.

3.4 Les règles de spécification

De ce diagnostic découlent dix règles de spécification, détaillées dans le tableau ci-dessous et dans le classeur. Les quatre plus importantes sont les suivantes.

  • Un seul construit mesuré par famille conceptuelle. Retenir la compétence perçue signifie abandonner explicitement les onze autres membres de sa famille, et traiter l'assurance de service ou l'intelligence perçue comme des indicateurs de ce construit et non comme des construits distincts.
  • Jamais attitude et intention dans le même modèle. L'attitude spécifique envers le robot est supprimée et les antécédents pointent directement vers l'intention ; l'attitude générale envers les robots est conservée, mais comme variable de contrôle exogène, parce qu'Ivanov et Webster (2019) établissent que c'est le meilleur prédicteur unique de la volonté d'utiliser un robot et que ne pas la contrôler gonflerait artificiellement tous les construits spécifiques.
  • Manipuler plutôt que mesurer ce qui peut l'être. L'apparence du robot est manipulée par deux versions de la vidéo stimulus, mécanoïde et anthropomorphe, au lieu d'être mesurée. Cette seule décision retire du modèle de mesure toute la famille de l'humanité du robot, qui est la première source de recouvrement du domaine — et qui était l'antécédent exogène principal du modèle 2025-2026.
  • Séparer strictement les traits et les états. Un trait — anxiété technologique, néophobie, aversion aux germes — est un modérateur ou une covariable ; un état — malaise, propreté perçue, risque perçu — est un antécédent ou un médiateur. La confusion des deux est une source classique de HTMT élevé, et elle est fréquente dans ce corpus.

Les six autres règles portent sur l'unicité de la variable dépendante, l'ancrage explicite de chaque batterie d'items sur son objet, le plafonnement à six ou huit construits latents, le pré-test cognitif avant collecte plutôt que la purification après coup, la publication du HTMT avec intervalles de confiance bootstrap et un seuil conservateur de 0,85, et la préférence pour les chaînes causales sur les faisceaux de prédicteurs parallèles.

Les dix règles de spécification du questionnaire
RègleÉnoncéMise en œuvre
R1Une seule mesure par famille conceptuelleLes familles F1 à F13 de l'onglet Recouvrements HTMT recensent les construits qui mesurent la même chose. En retenir plus d'un par famille produit mecaniquement un HTMT élevé.
R2Jamais attitude ET intention dans le même modèleL'attitude spécifique envers le robot est supprimee ; les antécédents pointent directement vers l'intention. L'attitude GÉNÉRALE envers les robots reste, mais en contrôle exogene.
R3Deux variables dépendantes distinctes, et rien d'autreUne intention d'acceptation et une intention d'évitement, mesurées dans les trois groupes, dont la distinction est vérifiée par AFC (HTMT < 0,85). Pas d'empilement willingness / visite / recommandation / revisite.
R4Manipuler plutôt que mesurer ce qui est manipulableApparence du robot, dégoût et perturbation de la tâche, visibilité de la préparation, information préalable, type d'établissement, signal de confidentialite. Chaque manipulation retire une famille entière du modèle de mesure.
R5Séparer strictement traits et étatsUn trait (anxiété technologique, néophobie, aversion aux germes) est un MODÉRATEUR ou un contrôle. Un état (malaise, propreté perçue, risque perçu) est un antécédent ou un médiateur. La confusion des deux est une source classique de HTMT élevé.
R6Ancrer chaque batterie d'items sur un objet expliciteCe robot... / cet établissement... / mon employeur... / mes affaires... / mon régime alimentaire... Deux construits distincts dont les items ne nomment pas leur objet fusionnent chez le répondant.
R7Plafonner à huit construits latents antécédents par groupeAu-delà, la matrice HTMT devient ininterprétable et le modèle indefendable en soutenance. G3 à ete ramene à huit antécédents latents par l'arbitrage (coercition en variable de contexte, opposition morale au remplacement (McShane et al., 2026) fusionnée dans la menace sur l'emploi [texte corrigé, voir section 5.2]).
R8Pre-tester les items avant la collecte, pas purifier aprèsSupprimer des items après coup pour faire passer le HTMT revient à redéfinir le construit sans le dire. Un pré-test cognitif sur une dizaine de répondants suffit à detecter les items qui fusionnent.
R9Rapporter le HTMT avec intervalles de confiance bootstrapHenseler, Ringle & Sarstedt (2015). Seuil conservateur à 0,85 pour des construits conceptuellement proches, et non 0,90. Rapporter aussi le critère de Fornell & Larcker (1981) et les charges croisees. Rappel : ces deux critères ne sont cités que dans 13 % et 33 % des 30 articles du corpus.
R10Préférer les chaînes causales aux prédicteurs parallelesLee & Kim (2026) en donnent l'exemple : plusieurs construits voisins modelises en séquence plutôt qu'en faisceau vers la même variable dépendante limitent à la fois le HTMT et le VIF. Application : propriété psychologique -> intrusion territoriale (G1) ; besoin d'interaction -> gêne anticipée -> acceptation (G1).

3.5 L'audit critique

L'inventaire et le modèle qui en découle ont ensuite été soumis à une relecture critique indépendante, conduite à partir des textes publiés. Pour chaque antécédent, l'audit a établi le chemin réellement soutenu par la source — la relation effectivement testée dans l'article, qui n'est pas toujours celle que l'on voudrait lui faire dire —, un niveau de preuve à quatre degrés (direct : étudié sur le même type de robot et de contexte ; proche : robot ou hospitalité voisins ; transposition : autre technologie ou autre contexte ; nouveau : jamais testé), une décision et un rôle recommandé dans le modèle. Les références déterminantes ont été relues sur le site des éditeurs, sur PubMed ou dans les versions en accès ouvert. Cet audit a conduit à corriger une erreur de lecture (section 5.2), à re-spécifier plusieurs hypothèses et à proposer, à côté du modèle étendu, un modèle parcimonieux : ce sont les deux scénarios de la section 6.

4. Résultats

Les résultats sont de trois ordres : ce que le corpus ne contient pas, ce qu'il contient — l'inventaire des antécédents, consultable ci-dessous de façon dynamique —, et ce que sa lecture en colonnes révèle de la structure conceptuelle du domaine.

4.1 Deux absences qui sont des résultats

Deux constats méritent d'être posés d'emblée, parce qu'ils conditionnent tout le reste.

Premièrement, aucune étude empirique publiée ne teste un modèle d'acceptation sur le cas précis d'un robot qui nettoie une chambre d'hôtel occupée. Le seul travail qui s'en approche réellement est celui de Hoang et Tran (2022), publié dans Tourism Management, qui porte sur des robots nettoyeurs évalués par des consommateurs dans des lieux touristiques, hôtels et aéroports. Trois autres travaux — Ivanov et Webster (2019), Alma Çallı et al. (2022), Binesh et Baloglu (2023) — mesurent l'intention d'usage ventilée par département hôtelier, le housekeeping y figurant explicitement, mais sans modèle causal propre à cette tâche.

Deuxièmement, aucune étude empirique centrée sur l'usager n'a pu être identifiée en restauration collective. Les requêtes croisant restauration institutionnelle, cantine d'entreprise, restauration universitaire, restauration scolaire, restauration hospitalière et milieu pénitentiaire avec robot, acceptation, intention, TAM et UTAUT ne renvoient que trois types de résultats : de l'ingénierie informatique sans modèle comportemental, de la recherche nutritionnelle et environnementale sur la restauration scolaire, et des travaux sur le robot d'assistance sociale ou logistique en établissement de soin qui n'abordent pas le service alimentaire du point de vue du convive.

Ces deux absences ne sont pas un défaut de recension : elles délimitent l'espace de contribution du projet, et elles imposent de raisonner par transposition argumentée plutôt que par réplication.

4.2 L'inventaire des antécédents

L'inventaire complet compte 135 lignes, dont 129 antécédents rattachés à l'une des treize familles conceptuelles (45 pour le nettoyage des chambres, 33 pour le robot serveur, 25 pour la restauration collective, 26 pour le robot cuisinier) ; les autres lignes sont des éléments de cadrage ou d'état des lieux. L'audit en a repris 38, ceux qui comptent pour les trois groupes, en qualifiant pour chacun le niveau de preuve (29 directs, 2 proches, 4 transpositions, 3 nouveaux) et la décision (10 à retenir, 14 optionnels ou conditionnels, 4 en contrôle ou modérateur, 2 à manipuler dans le stimulus, 8 écartés ou exploratoires).

Le tableau ci-dessous se lit par onglet — l'inventaire audité, puis chaque bloc de configuration, puis les familles conceptuelles —, se filtre par groupe, famille, niveau de preuve ou décision, se trie par colonne et se recherche en texte intégral. Cliquer sur une ligne affiche toutes les colonnes de la grille : définition, méthode, coefficient vérifié, échelle d'origine, justification. Le classeur est aussi téléchargeable.

Inventaire audité des antécédents (version statique)
GroupeAntécédentFamilleSensNiveau de preuveDécisionRôle recommandé
G1Compétence / performance perçue du robotPerformance+DIRECT + méta-analyse hôtelièreRETENIRSocle commun
G1Adéquation robot–tâche / robot–environnementFit / appropriateness+DIRECTRETENIRSocle commun
G1Propreté anticipée / perçue de la chambreOutcome quality+DIRECTRETENIRMédiateur contextuel
G1Préoccupations de vie privée / SRPCPrivacy risk−PROCHE HOSPITALITÉRETENIR UNE SEULE MESUREExtension contextuelle
G1Caractère dégoûtant de la tâcheTask disgust±DIRECTOPTIONNELManipulation seulement
G1Caractère perturbateur de la tâcheTask disruption±DIRECTOPTIONNELManipulation seulement
G1Risque sanitaire / valeur du sans-contactHealth risk+PROCHE HÔTELCONTRÔLE / CONTEXTEContrôle situationnel
G1Intrusion territoriale perçueTerritoriality±NOUVEAUÉCARTER DU MODÈLE PRINCIPALExploratoire qualitatif
G1Risque pour les effets personnelsSpecific risk−NOUVEAUÉCARTER DU MODÈLE PRINCIPALExploratoire
G1Aversion aux germesTrait+TRANSPOSITIONCONTRÔLE / MODÉRATEUR EXPLORATOIRECovariable
G2Performance expectancy / compétencePerformance+DIRECT RESTAURANTRETENIR UN SEUL CONSTRUITSocle commun
G2Plaisir / motivation hédoniqueAffect positif+DIRECT RESTAURANTRETENIRExtension G2
G2Manipulation hygiénique perçueFood safety+DIRECT ROBOT WAITERRETENIRExtension G2
G2Influence socialeSocial norm+DIRECT ROBOT WAITEROPTIONNELExtension secondaire
G2Effort expectancy / facilitéEase of use+DIRECTNON PRIORITAIREVariable de robustesse
G2Innovativité perçue / personnelleNovelty / trait+DIRECTCONTRÔLE / SEGMENTATIONCovariable
G2Sécurité physique perçuePhysical safety+DIRECT MAIS MÉDIÉNE PAS METTRE EN DIRECT SANS SOURCE ADÉQUATEOption médiée
G2Qualité d'interactionInteraction quality+DIRECT MAIS MÉDIÉÉCARTER DU MODÈLE COURTDiscussion
G2Authenticité de service / marqueAuthenticity+DIRECT CONTEXTUELOPTIONNEL SI RESTAURANT TRADITIONNELExtension de contexte
G2Chaleur perçueWarmth+DIRECT HOSPITALITYÉCARTER DU MODÈLE COURTMédiation éventuelle
G2AnthropomorphismeRobot humanity±DIRECT/PROCHEMANIPULER OU FIXER, NE PAS MESURERFacteur de stimulus
G2Risque perçu globalRisk−DIRECT RESTAURANTÉCARTER EN GLOBALDiscussion
G3Fonctionnalité / performancePerformance+DIRECT ROBOT CHEFRETENIR UN SEUL CONSTRUITSocle commun
G3Plaisir / expected enjoymentAffect positif+DIRECT ROBOT CHEFOPTIONNELExtension positive
G3Barrière d'authenticitéAuthenticity−DIRECT ROBOT CHEFRETENIRExtension G3
G3Inflexibilité perçueAdaptability−DIRECT ROBOT CHEFOPTIONNELExtension secondaire
G3Barrière gustative / qualité anticipéeFood quality+DIRECT ROBOT CHEFRETENIRExtension G3 / outcome alimentaire
G3Dégoût lié au contact machine–alimentNegative contagion−DIRECT FOOD AUTOMATIONOPTIONNELMécanisme affectif alternatif
G3Amour perçu dans l'alimentPositive contagion+DIRECT FOOD AUTOMATIONNE PAS CUMULER AVEC AUTHENTICITÉMédiateur si comparateur humain
G3Néophobie technologique alimentaireTrait−DIRECT ROBOT CHEF + échelle généraleCONTRÔLE / MODÉRATEUR CIBLÉCovariable
G3Information positive / cadrageFraming+DIRECTOPTIONNELManipulation
G3Anthropomorphisme du robot cuisinierRobot humanity±DIRECT ROBOT CHEFMANIPULER OU FIXERFacteur de stimulus
G3Inférence de remplacement de l'emploi / moralité du restaurantMoral judgment−DIRECT FOODSERVICEOPTIONNEL MAIS SOLIDEExtension morale
G3Inattendu / creepinessAffect négatif−DIRECT ROBOT CHEFOPTIONNEL, PAS AVEC DISGUSTMédiation affective alternative
G3Coercition perçue / absence d'alternativeConstraint+TRANSPOSITION SST, personnes âgéesSECONDAIRE UNIQUEMENT SI SCÉNARIO CAPTIFBranche secondaire
G3Transparence opérationnelleOperational transparency+TRANSPOSITION HUMAINEEXPLORATOIREManipulation future
G3Confiance régimes/allergènesDietary compliance trust+NOUVEAUÉCARTER DU MODÈLE PRINCIPALExploratoire qualitatif
G3Confiance institutionnelleInstitutional trust+TRANSPOSITION LOINTAINEÉCARTER DU MODÈLE PRINCIPALExploratoire

4.3 Un espace conceptuel encombré : treize familles de construits

Le modèle 2025-2026 a dû être nettoyé en raison de recouvrements entre construits. Ce n'est pas un accident local : c'est une caractéristique structurelle de cette littérature, et il est possible de le montrer sur les travaux publiés eux-mêmes.

Trois exemples suffisent. Chez Molinillo et al. (2022), l'intention de recommander prédit la volonté d'accepter avec un bêta de 0,781 et un R² de 0,736 : un coefficient de cette magnitude entre deux intentions est un signal de recouvrement, pas un résultat substantiel. Chez Marghany et al. (2025), l'attitude prédit l'intention à 0,565 pendant que l'effet direct de l'attente de performance devient non significatif et négatif (bêta = −0,036) : configuration typique d'un recouvrement entre attitude et intention autant que d'une médiation véritable. Et dans la méta-analyse de Begum et al. (2025), la présence sociale perçue est qualifiée de plus mauvais prédicteur alors que sa corrélation avec l'intention atteint 0,594, les auteurs suspectant une relation confondue par des variables externes — ce qui est exactement la signature d'un problème de validité discriminante non diagnostiqué.

L'inventaire regroupe les construits recensés en treize familles conceptuelles, c'est-à-dire treize ensembles de termes qui mesurent la même chose sous des noms différents. La famille de la performance en compte douze : utilité perçue, attente de performance, efficacité, fonctionnalité, consistance, assurance de service, qualité de résultat, intelligence perçue, bénéfices perçus, valeur fonctionnelle, compétence perçue et facette « performance » de la confiance. La famille de l'humanité du robot en compte neuf, dont l'anthropomorphisme et la présence sociale automatisée, qui partagent littéralement les mêmes items chez la plupart des auteurs.

Les treize familles conceptuelles et l'arbitrage retenu pour chacune (cliquer une ligne pour la déplier)
FamilleConstruits qui s'y confondentDiagnosticArbitrage retenu
F1 Performance
Utilité perçue - performance expectancy - efficacité - fonctionnalite - consistance - assurance de service - qualité de résultat - intelligence perçue - bénéfices perçus - valeur fonctionnelle - compétence perçue - facette performance de la confiance
Douze appellations pour une même croyance : la machine fera bien le travail. Dans un contexte ou il n'y a ni interaction ni effort d'usage (C1), elles s'effondrent presque certainement sur un facteur unique. HTMT attendu supérieur à 0,90 entre compétence, qualité de résultat et assurance de service. Park (2020) montre par ailleurs que la facette performance domine la confiance, ce qui la rend quasi colinéaire avec la compétence perçue.
UN SEUL construit : la compétence perçue (SC1). Traiter l'assurance de service et l'intelligence perçue comme des INDICATEURS de ce construit, non comme des construits distincts. Si l'on tient à en conserver deux, séparer capacité (le robot peut-il ?) et régularité (le fera-t-il à chaque fois ?) et rapporter le HTMT.
F2 Risque
Risque perçu global - risque de performance - risque psychologique - sécurité de l'information perçue - préoccupations de vie privée - SRPC - sécurité physique perçue - risque sanitaire perçu - hygiène perçue - sécurité alimentaire perçue
Risque maximal. La sécurité de l'information perçue est l'image miroir des préoccupations de vie privée : Pizam et al. (2024) les modélisent en deux construits distincts avec des effets de signe oppose sur la même variable dépendante, symptome classique de colinéarité entre construits jumeaux. Par ailleurs, le risque de PERFORMANCE est le miroir négatif de la compétence perçue (famille F1) : choisir l'un OU l'autre, jamais les deux.
Bannir le risque perçu GLOBAL, qui absorbe mecaniquement toutes les facettes. Retenir au maximum deux facettes CONCEPTUELLEMENT DISJOINTES par contexte, ancrees sur des objets différents : en C1, risque pour mes affaires et surveillance de mon espace ; en C2 et C4, sécurité physique (danger corporel) et risque sanitaire ; ne jamais empiler formulation positive et négative du même objet.
F3 Affect positif
Motivation hédonique - plaisir perçu - perceptions hédoniques - valeur émotionnelle - motivation intrinseque - affect positif - coolness - cuteness - nouveauté perçue
Purs synonymes issus de cadres différents (UTAUT2, TAM étendu, sRAM, théorie des valeurs de consommation). HTMT attendu supérieur à 0,85. La nouveauté perçue merite un examen à part : elle est situationnelle et décroissante dans le temps, alors que le plaisir est stable.
UN SEUL construit : le plaisir anticipé (SC5), opérationnalisé par les 2 items de Gursoy et al. (2019) repris par Molinillo et al. (2022). La nouveauté passe en modérateur ou en variable de segmentation, avec HTMT(plaisir, nouveauté) rapporte.
F4 Affect négatif
Émotions négatives - malaise - étrangeté (uncanniness) - eeriness - creepiness - dégoût - risque psychologique - objections à l'usage - anxiété technologique - gêne anticipée
Confusion ÉTAT / TRAIT. L'anxiété technologique est dispositionnelle et antérieure ; l'étrangeté est réactive et spécifique au stimulus. Le risque psychologique de Yoganathan et al. (2021) est un doublon de l'étrangeté sous un autre nom. Le dégoût, lui, doit être distingue par sa CAUSE ATTRIBUÉE : Pancer et al. (2025) établissent un dégoût de contagion négative lié au contact machine-aliment, distinct de l'opposition morale au remplacement de l'emploi, qui relève de McShane et al. (2026) [texte corrigé, voir section 5.2]. La gêne anticipée est tournee vers SOI (ce que l'agent pense de moi), le malaise vers le ROBOT.
UN SEUL médiateur affectif négatif : le malaise perçu (SC3), état. L'anxiété technologique, si elle est conservee, passe en MODÉRATEUR. Abandonner le risque psychologique. Décision : l'opposition morale au remplacement (McShane et al., 2026) n'est pas un construit distinct en G3 - elle devient la dimension affective de la menace sur l'emploi (H23) [texte corrigé, voir section 5.2] ; la gêne anticipée n'est mesurée qu'en G1, comme médiateur de H4b.
F5 Humanité du robot
Anthropomorphisme - humanité perçue - human-likeness - morphologie humanoïde - présence sociale automatisée - interactivité sociale perçue - animacy - likeability - esthetique
La famille la plus problématique. Song X. et al. (2024) font cohabiter humanité perçue, interactivité sociale perçue et présence sociale perçue dans un même modèle : trois operationnalisations de la même idée. Chez la plupart des auteurs, anthropomorphisme et présence sociale partagent littéralement les mêmes items. Begum et al. (2025) qualifient la présence sociale de pire prédicteur tout en lui trouvant r=0,594 et en suspectant une relation confondue par des variables externes : c'est la signature d'un problème de validité discriminante non diagnostique.
MANIPULER L'APPARENCE PLUTÔT QUE LA MESURER (MAN). Deux versions de la vidéo stimulus, mécanoïde et anthropomorphe (trois avec un niveau zoomorphe si les effectifs le permettent). Cela supprime la famille entière du modèle de mesure. Aucun construit de cette famille n'est mesure. C'est la différence la plus nette avec le modèle 2025-2026, ou l'anthropomorphisme etait l'antécédent exogene principal.
F6 Social
Influence sociale - norme subjective - besoin d'interaction humaine - rapport client-robot - rapport client-employe - densité sociale - préférence pour l'absence de contact
Le besoin d'interaction humaine et la préférence pour l'absence de contact sont le même construit à signe inverse : ne jamais les mettre ensemble. Le rapport client-robot est un construit fragile : Qiu et al. (2020) montrent que c'est le rapport client-EMPLOYE qui médie, pas le rapport client-robot, et Blut et al. (2021) confirment que les caractéristiques relationnelles reçoivent moins de soutien que les caractéristiques fonctionnelles. Sur usage réel (Chang et al., 2022 ; Gong et al., 2026), l'influence sociale disparait ou n'agit qu'indirectement.
UN construit dispositionnel : le besoin d'interaction humaine (SC4), mesure à l'identique dans les trois contextes, avec un signe attendu différent. L'influence sociale n'est conservee qu'en C2, ou la consommation est publique. Le rapport est abandonne.
F7 Attitude et intention
Attitude envers le robot - attitude générale envers les robots - willingness to use - intention d'usage - intention d'acceptation - comportement d'approche - intention de recommander - intention de revisite - objections à l'usage - intention d'évitement
Le problème le mieux documenté. Chez Molinillo et al. (2022), intention de recommander -> willingness to accept donne beta=0,781 avec R2=0,736 : un beta de cette magnitude entre deux intentions est un signal de recouvrement, pas un résultat substantiel. Chez Marghany et al. (2025), attitude -> intention donne beta=0,565 pendant que l'effet direct de la performance expectancy devient non significatif (beta=-0,036). En revanche, willingness et objection (Gursoy et al., 2019) ne correlent qu'a -0,613 et repondent à des antécédents différents : acceptation et évitement sont deux construits.
UNE intention d'acceptation et UNE intention d'évitement (VD), et rien d'autre. PAS de médiateur attitudinal : les antécédents pointent directement vers les intentions. L'attitude GÉNÉRALE envers les robots est conservee, mais uniquement comme variable de contrôle EXOGENE (CTRL1), jamais comme médiateur. HTMT(acceptation, évitement) rapporte par groupe.
F8 Dispositions
Attitude générale envers les robots - technology readiness - anxiété technologique - auto-efficacite - innovativité - recherche de nouveauté - conscience de la santé - aversion aux germes - néophobie alimentaire - néophobie technologique alimentaire
Famille de traits. Le risque principal n'est pas entre eux mais avec les ÉTATS situationnels : l'auto-efficacite recouvre l'attente d'effort, l'anxiété technologique recouvre le malaise, la conscience de la santé recouvre le risque sanitaire perçu. Les deux neophobies (alimentaire et technologique alimentaire) sont en revanche validées séparément et Kanwal et al. (2025) les modélisent conjointement comme deux modérateurs distincts : précédent solide.
UN SEUL trait en contrôle obligatoire, l'attitude générale envers les robots (CTRL1). Un ou deux traits en modérateurs selon le contexte : l'aversion aux germes en C1 (Duncan et al., 2009), la néophobie technologique alimentaire en C4 (Cox & Evans, 2008). Écarter technology readiness et auto-efficacite, redondants avec CTRL1.
F9 Propreté, hygiène et santé
Propreté perçue - hygiène perçue - manipulation hygienique perçue - risque sanitaire perçu - sécurité alimentaire perçue - fraîcheur perçue - santé perçue du plat - efficacité hygienique perçue du robot
En contexte post-COVID, les répondants ne distinguent pratiquement plus propreté perçue et risque sanitaire perçu. Shin & Kang (2020) les modélisent d'ailleurs en relation MODÉRATRICE plutôt que directe, ce qui est peut-être l'aveu d'un problème de discrimination.
Tenir la distinction ÉTAT PERÇU (propreté, hygiène, fraîcheur : propriété de l'objet) contre CONSÉQUENCE ANTICIPÉE POUR SOI (risque sanitaire : probabilité x gravite d'un dommage), et rapporter le HTMT. Si celui-ci depasse 0,85, garder la propreté perçue (échelle validée de Vos et al., 2019, 12 items) comme médiateur en C1, et le risque sanitaire comme facette de risque unique en C4.
F10 Adéquation
Adéquation robot-environnement - appropriation perçue de la tâche - congruence robot / positionnement - congruence robot-marque - luxury-technology fit - task-technology fit - dégoût de la tâche - perturbation de la tâche - objectivite de la tâche
Famille cohérente et désormais bien fondée (Huang & Rust, 2018 ; Castelo et al., 2019 ; Longoni & Cian, 2022 ; Yang et al., 2024 ; Liu et al., 2026 ; Horng et al., 2025). Le risque se situe avec la famille F1 : l'adéquation (est-ce à lui de le faire ?) peut être confondue avec la compétence (en est-il capable ?) si les items ne sont pas formules avec soin. Horng et al. (2025) montrent que luxury-technology fit et task-technology fit sont deux congruences distinctes.
UN construit mesure, l'adéquation perçue robot-tâche (SC2), avec des items strictement NORMATIFS. Le dégoût et la perturbation de la tâche passent en modérateurs MANIPULÉS (Hoang & Tran, 2022), la congruence au positionnement / à la marque en manipulation contextuelle en C2 (Hu & Min, 2025 ; Choi et al., 2022).
F11 Authenticité
Authenticité de service - authenticité de marque - authenticité morale - authenticité du plat - naturalite - artisanal - amour perçu dans l'aliment
Famille delicate mais séparable. Fuchs, Schreier & Van Osselaer (2015) ont explicitement contrôle authenticité, effort, qualité, unicite et fierte pour isoler l'amour symbolique : preuve que ces construits sont distincts, mais seulement avec un protocole rigoureux. Cheng et al. (2026) montrent en outre qu'authenticité MORALE et authenticité DU PLAT divergent en SIGNE : le robot dégrade la première et améliore la seconde. Les confondre revient à annuler les deux effets.
Retenir au plus deux construits en C4, de signes opposés et empiriquement valides comme distincts : l'amour / chaleur humaine perçue dans l'aliment (Pancer et al., 2025, 3 items) et l'authenticité MORALE (Cheng et al., 2026). Écarter la naturalite : chez Ross et al. (2022), l'importance du naturel n'atteint que beta=0,053, pour un fort risque de colinéarité.
F12 Contrainte
Coercition perçue - réactance psychologique - usage force - perte d'autonomie perçue - affect négatif de contrainte - pression temporelle - attractivité des alternatives
Recouvrement delicat entre coercition, réactance et affect négatif. Lee & Kim (2026) montrent la bonne voie : ils les modélisent en CHAÎNE CAUSALE (coercition -> perte d'autonomie ET affect négatif -> évitement), pas en prédicteurs paralleles. Piege supplémentaire en français : les items de coercition portent sur l'absence structurelle d'alternative, et non sur la difficulté ; or je suis oblige de peut glisser vers j'ai du mal à.
Décision (arbitrage G3) : la captivité est mesurée par 2-3 items d'ATTRACTIVITÉ DES ALTERNATIVES (Lee & Kim, 2022) et traitée en variable de contexte / modérateur (H22), non en construit latent supplémentaire. La coercition perçue de Lee & Kim (2026) reste la référence pour formuler ces items.
F13 Communication et cadrage
Information préalable - cadrage chaleur vs compétence - transparence opérationnelle - visibilité du processus - signal de confidentialite de l'hôtel
Peu de risque de recouvrement : ce sont des variables manipulées et non des perceptions mesurées.
Traiter intégralement en MANIPULATIONS. Information préalable présente ou absente (Lee & Kwak, 2025 ; Pancer et al., 2025), préparation visible ou en cuisine fermee (Buell, Kim & Tsay, 2017), signal de confidentialite de l'établissement (Moon et al., 2022). Aucun coût en validité discriminante.

5. Discussion

5.1 Ce que la littérature établit, et ce qu'elle ne permet pas d'affirmer

Trois enseignements se dégagent de l'inventaire. Le premier est la robustesse des deux moteurs déjà observés en 2025-2026 : la croyance que la machine fera bien le travail — compétence, utilité, attente de performance, autant de noms pour une même croyance — et, là où il y a interaction, le plaisir anticipé. Ils reviennent dans toutes les configurations, sur scénario comme sur usage réel, et, pour le premier, la méta-analyse de Begum et al. (2025) en fixe l'ordre de grandeur en hôtellerie (r = 0,71 pour l'attente de performance). Le deuxième est que la question « est-ce à lui de le faire ? » est distincte de la question « en est-il capable ? » : la littérature sur la nature de la tâche (section 2.2) fonde un construit d'adéquation robot-tâche qui n'existait pas dans le modèle 2025-2026 et qui est, avec la compétence, le seul chemin que l'audit juge strictement comparable entre les trois groupes (scénario A, section 6.2) ; le scénario B y ajoute le malaise perçu et le besoin d'interaction humaine, et le plaisir anticipé hors hébergement. Le troisième est que l'anthropomorphisme ne doit plus être modélisé comme un antécédent exogène, linéaire et positif : ses effets sont non linéaires, contradictoires selon les études et porteurs d'un coût moral propre à la forme humanoïde ; le manipuler plutôt que le mesurer est la réponse la plus sûre.

Configuration par configuration, la littérature est inégale. Pour le nettoyage des chambres, une seule étude fournit un squelette causal directement transposable — Hoang et Tran (2022) : compétence perçue, propreté anticipée, avantage du robot pour les tâches répugnantes — et la préoccupation de vie privée dispose d'une échelle validée en hospitalité (Jia, Chi & Lu, 2024) ; tout le reste — intrusion territoriale, surveillance, effets personnels — est nouveau et non validé. Pour le robot serveur, les antécédents directs les mieux établis sont récents et convergents : plaisir anticipé et manipulation hygiénique perçue (Figueiredo et al., 2026), motivation hédonique et attente de performance (Topsakal et al., 2026) ; la chaleur et la sécurité physique agissent par des chemins médiés — valeur relationnelle, attitude — que les sources ne présentent pas comme des effets directs, et l'authenticité ne compte que si le scénario est explicitement traditionnel ou local. Pour le robot cuisinier, trois littératures se croisent sans se recouvrir : les raisons contre l'acceptation propres à la cuisine robotisée — barrière d'authenticité, inflexibilité, barrière gustative (Huang et al., 2023) —, les deux effets de contagion de l'automatisation alimentaire (Pancer et al., 2025) et l'inférence morale de remplacement de l'emploi déclenchée par la forme humanoïde (McShane et al., 2026). Enfin, la restauration collective reste un terrain vierge : ce que l'on en dit se transpose de la littérature sur les technologies en libre-service en usage contraint, et doit être présenté comme tel.

Ce que l'inventaire ne permet pas d'affirmer mérite d'être dit aussi nettement. Aucune relation universelle entre apparence du robot et acceptation n'est établie. Aucune étude ne mesure la menace sur l'emploi comme antécédent direct et significatif de l'intention du côté du client (Etemad-Sajadi et al., 2022 : non significatif) ; le seul effet établi passe par la moralité perçue du restaurant, et il est déclenché par la forme humanoïde (McShane et al., 2026). Aucun résultat quantitatif à comité de lecture sur échantillon français n'existe. Et plusieurs des construits les plus séduisants du corpus — amour perçu dans l'aliment, transparence opérationnelle, coercition perçue — n'ont été testés qu'avec un comparateur humain ou dans un autre contexte : les inscrire dans un modèle sans ce comparateur revient à leur faire dire ce qu'ils n'ont pas démontré.

5.2 Points de vigilance issus de l'audit

L'audit critique (section 3.5) a passé au crible le modèle étendu. Ses conclusions sont reproduites ci-dessous, par ordre de priorité : deux points forts à conserver, et une série de corrections qui portent sur la lecture d'une source, sur la cohérence des construits et sur le plan d'analyse. Elles sont la matière première de l'arbitrage entre les deux scénarios de la section 6. La numérotation des hypothèses est celle du scénario étendu.

P0 Erreurs à corriger en priorité4 points
  1. P0

    Lecture de Pancer et al. (2025)

    Erreur critique

    Diagnostic. Erreur substantielle : le dégoût n'est pas présenté comme « moral » ou lié au remplacement de l'emploi. L'article l'explique par une contagion négative liée au contact de la machine avec l'aliment ; l'absence d'« amour » relève d'une contagion positive perdue liée au contact humain.

    Pourquoi c'est important. Cette erreur change entièrement H23 (ex-H20) et le mécanisme proposé pour le robot cuisinier.

    Correction recommandée. Remplacer « dégoût moral » par « dégoût / contagion négative liée au contact machine-aliment ». Pour le mécanisme moral d'emploi, utiliser McShane et al. (2026).

    Effet sur le modèle : H23 (ex-H20) à réécrire ; C4-02/C4-19 à corriger · source

    État dans cette version. Corrigé dans cette version : le texte du cadre théorique et les ancrages du scénario étendu (H19, H23) distinguent désormais les deux effets de contagion (Pancer et al., 2025) du mécanisme moral (McShane et al., 2026).

  2. P0

    H4b besoin d'interaction humaine en G1

    Erreur conceptuelle

    Diagnostic. Le signe positif est incohérent avec la définition du construit : un fort besoin d'interaction humaine ne peut pas signifier une préférence pour l'absence de contact.

    Pourquoi c'est important. Risque de construit inversé et de HTMT/codage incohérent entre groupes.

    Correction recommandée. Ne pas inverser le sens. En G1, soit supprimer ce construit, soit créer un autre construit explicitement nommé « préférence pour l'absence de contact », mais seulement après développement d'échelle.

    Effet sur le modèle : H4b à supprimer · source

  3. P0

    Variable dépendante de G3

    Erreur de design

    Diagnostic. Le scénario étendu remplaçait l'acceptation par l'intention d'évitement en contexte captif.

    Pourquoi c'est important. Une VD différente empêche une vraie comparaison multi-groupes avec G1/G2 et ne répond plus exactement à la question « accepter de consommer un plat préparé par un robot ».

    Correction recommandée. Conserver l'intention d'accepter/consommer comme VD primaire commune. Mesurer l'évitement seulement comme VD secondaire si le scénario stipule explicitement l'absence d'alternative humaine.

    Effet sur le modèle : G3 et MGA à corriger · source

    État dans cette version. Le scénario étendu mesure désormais les deux intentions dans les trois groupes ; la recommandation porte sur le choix de la variable dépendante primaire pour la comparaison.

  4. P0

    H25 comparaison multi-groupes

    Erreur méthodologique

    Diagnostic. H25 agrège plusieurs jugements de « dominance » de routes différentes et mélange des construits absents de certains groupes.

    Pourquoi c'est important. Ce n'est pas une hypothèse unitaire ; les coefficients non communs ne sont pas comparables entre groupes.

    Correction recommandée. Limiter PLS-MGA aux chemins strictement communs, après test MICOM ; formuler une hypothèse par différence de coefficient si elle est théoriquement justifiée.

    Effet sur le modèle : H25 à supprimer/réécrire · source

P1 Corrections et re-spécifications recommandées12 points
  1. P1

    Plaisir comme « socle commun »

    À corriger

    Diagnostic. Le plaisir anticipé est déclaré commun puis absent de G1.

    Pourquoi c'est important. Un socle commun doit avoir des construits et items identiques pour permettre MICOM/MGA.

    Correction recommandée. Renommer « noyau transversal » et ne considérer comme communs que compétence, adéquation et intention (plus contrôles communs).

    Effet sur le modèle : Architecture du modèle · source

  2. P1

    SC3 « malaise » qualifié de médiateur

    À corriger

    Diagnostic. Le schéma ne spécifie pas clairement un antécédent du malaise dans le socle ; H3 ne teste que malaise → intention.

    Pourquoi c'est important. Un médiateur suppose un chemin X → M → Y.

    Correction recommandée. Soit requalifier le malaise en antécédent, soit spécifier l'antécédent (p. ex. anthropomorphisme/inattendu) et tester la médiation.

    Effet sur le modèle : H3 / schéma · source

  3. P1

    H13 chaleur → intention

    À re-spécifier

    Diagnostic. Les références centrales mobilisées étudient surtout chaleur → valeur relationnelle/émotionnelle, pas un effet direct simple vers l'intention.

    Pourquoi c'est important. Transformer un effet médié en effet direct fragilise l'hypothèse.

    Correction recommandée. Si chaleur est retenue, reproduire la chaîne médiée ; sinon l'écarter au profit d'un antécédent direct mieux documenté comme enjoyment.

    Effet sur le modèle : G2 · source

  4. P1

    H14 sécurité physique → intention

    À re-spécifier

    Diagnostic. Chez Molinillo et al., la sécurité prédit l'attitude, pas directement la willingness dans la spécification publiée.

    Pourquoi c'est important. Le sens peut être correct mais le chemin testé par la source n'est pas celui proposé.

    Correction recommandée. Ne pas citer Molinillo comme preuve d'un chemin direct. Retenir plutôt le handling hygiénique, directement relié à l'intention chez Figueiredo et al.

    Effet sur le modèle : G2 · source

  5. P1

    H6 apparence × contact alimentaire

    À supprimer du socle

    Diagnostic. La « réconciliation » proposée (anthropomorphisme positif sans contact, négatif avec contact) n'est pas soutenue de façon stable : Xiao & Zhao trouvent un bénéfice sur la qualité prédite du plat, tandis que Lee & Kwak trouvent une préférence pour des robots moins anthropomorphes en cuisine ET service ; McShane et al. trouvent un coût moral des humanoïdes en foodservice.

    Pourquoi c'est important. Une interaction universelle serait une nouvelle théorie, pas une synthèse établie.

    Correction recommandée. Ne pas faire de H6 une hypothèse transversale. Si l'apparence est manipulée, la traiter comme facteur expérimental propre au contexte et annoncer les mécanismes concurrents.

    Effet sur le modèle : H6 · source

  6. P1

    H11 aversion aux germes × compétence

    À déclasser

    Diagnostic. L'échelle d'aversion aux germes est validée, mais les sources citées ne démontrent pas ce rôle modérateur précis sur compétence → intention de robot nettoyeur.

    Pourquoi c'est important. Hypothèse trop spécifique par rapport aux preuves disponibles.

    Correction recommandée. Traiter l'aversion aux germes comme contrôle/modérateur exploratoire, pas comme hypothèse centrale.

    Effet sur le modèle : G1 · source

  7. P1

    H12 tâche dégoûtante

    À re-spécifier

    Diagnostic. Hoang & Tran comparent robot vs humain selon le caractère dégoûtant/perturbateur de la tâche ; cela ne démontre pas la modération proposée de « adéquation → intention » dans un échantillon ne voyant qu'un robot.

    Pourquoi c'est important. Le test exige un comparateur humain et une manipulation de tâche.

    Correction recommandée. Ne conserver H12 que dans un plan robot/humain × tâche ; sinon utiliser le résultat comme justification de contexte, pas comme hypothèse testée.

    Effet sur le modèle : G1 expérimental · source

  8. P1

    H18 transparence opérationnelle

    À re-spécifier

    Diagnostic. Buell et al. démontrent le mécanisme avec des employés humains. L'hypothèse « positif humain / nul ou négatif robot » exige un facteur agent humain vs robot.

    Pourquoi c'est important. Le plan du scénario étendu ne contient pas explicitement ce comparateur dans G3.

    Correction recommandée. Soit ajouter le facteur humain/robot, soit transformer la transparence en voie exploratoire et ne pas l'inclure dans le modèle principal.

    Effet sur le modèle : G3 expérimental · source

  9. P1

    H24 néophobie « modère l'ensemble des relations »

    À réécrire

    Diagnostic. Aucune des sources citées ne justifie une modération uniforme de tous les chemins.

    Pourquoi c'est important. C'est une hypothèse omnibus pratiquement irréfutable et très coûteuse en puissance.

    Correction recommandée. Limiter la modération à une relation théoriquement précise ; sinon utiliser la néophobie technologique alimentaire comme covariable/segmentation.

    Effet sur le modèle : G3 · source

  10. P1

    Nombre de construits/extensions

    À simplifier

    Diagnostic. La page du DRA annonce une réplication-extension avec une ou deux variables propres au robot ; le scénario étendu propose quatre à six extensions par contexte.

    Pourquoi c'est important. Le modèle devient trop lourd pour un DRA de L3 et accroît HTMT, VIF, alpha-error et besoin d'échantillon.

    Correction recommandée. Ramener chaque modèle à 2 construits communs + 2 extensions contextuelles + 1 VD (+ contrôles).

    Effet sur le modèle : Parcimonie · source

  11. P1

    Validité discriminante

    Point fort à renforcer

    Diagnostic. La règle « un construit par famille » est utile, mais Fornell-Larcker et les charges croisées ne doivent pas être présentés comme des équivalents du HTMT.

    Pourquoi c'est important. Henseler et al. montrent que Fornell-Larcker et les cross-loadings détectent mal certains défauts de validité discriminante.

    Correction recommandée. Faire du HTMT (avec bootstrap) le diagnostic principal ; utiliser un seuil conservateur .85 pour construits proches ; prétest cognitif avant collecte.

    Effet sur le modèle : Mesure · source

  12. P1

    MGA et recrutement séparé

    À corriger

    Diagnostic. Le DRA 2025-2026 reconnaît que les trois bases avaient été recrutées séparément ; les différences peuvent venir des répondants plutôt que du contexte.

    Pourquoi c'est important. Sans assignation ou équilibre des échantillons, l'effet « contexte » est confondu avec la composition des groupes.

    Correction recommandée. Si comparaison inter-contextes visée : recrutement commun puis assignation aléatoire des stimuli, ou au minimum quotas/contrôles + MICOM avant MGA.

    Effet sur le modèle : Validité externe · source

P2 Points forts à conserver2 points
  1. P2

    Manipuler plutôt que mesurer l'anthropomorphisme

    À conserver

    Diagnostic. Bonne décision pour réduire le recouvrement avec human-likeness, présence sociale, chaleur et animacy.

    Pourquoi c'est important. Réduit fortement le risque HTMT dans la famille « humanité du robot ».

    Correction recommandée. Conserver seulement si le plan expérimental et la puissance le permettent ; ajouter un manipulation check séparé.

    Effet sur le modèle : Point fort · source

  2. P2

    Séparer traits et états

    À conserver

    Diagnostic. Bonne règle : néophobie/aversion aux germes = traits ; propreté/malaise/risque = états.

    Pourquoi c'est important. Améliore la validité discriminante et la logique causale.

    Correction recommandée. Conserver ; éviter de mettre plusieurs traits proches dans le même modèle.

    Effet sur le modèle : Point fort · source

5.3 Limites et points restant à trancher

Plusieurs points appellent une décision ou une vérification complémentaire.

  • L'échelle SRPC de Jia, Chi et Lu (2024), qui est l'instrument le plus prometteur pour mesurer la préoccupation de surveillance en chambre, n'a pas pu être consultée en texte intégral : ses dimensions et ses items doivent être récupérés avant toute mobilisation.
  • Le modèle G3 du scénario étendu retient huit antécédents latents, la coercition en variable de contexte et l'opposition morale au remplacement (McShane et al., 2026) comme dimension affective de la menace sur l'emploi. Il reste à vérifier au pré-test l'unidimensionnalité du construit « menace sur l'emploi du personnel connu » avec ses items cognitifs et moraux ; si elle n'est pas obtenue, la dimension morale sera traitée comme médiateur en chaîne (menace → indignation → évitement) plutôt que comme construit parallèle.
  • Deux publications portent exactement sur le contexte du groupe G3 — Min, Martinez et Stringam (2025, IJHM ; 2026, Journal of Foodservice Business Research) sur les robots de livraison en restauration sous contrat — mais leurs résumés n'ont pas pu être consultés. Elles sont à lire en priorité via l'accès institutionnel.
  • La saillance de la menace sanitaire, qui inversait la préférence humain-robot au plus fort de la pandémie (Kim et al., 2021), a probablement décru depuis 2023. La traiter en variable de contrôle situationnelle plutôt qu'en antécédent est prudent — et vérifier empiriquement cette décroissance est en soi une contribution modeste mais propre.
  • Les indicateurs bibliométriques de la section 2.1 (citations Semantic Scholar, co-citations Crossref) sont des arguments d'aide à la décision et non des résultats reproductibles par les étudiants : ils sont présentés comme tels.
  • Les effets du genre sont contradictoires dans la littérature vérifiée : Parvez et al. (2024) et Ayyildiz et al. (2022) trouvent les femmes plus favorables, Binesh et Baloglu (2023) et Ivanov et al. (2018) trouvent l'inverse. Le genre doit donc rester une variable de contrôle et ne pas faire l'objet d'une hypothèse.

Une dernière remarque, qui déborde le cadre méthodologique. La littérature vérifiée est dominée par la Corée du Sud, la Chine, Taïwan, les États-Unis, la Thaïlande, l'Espagne et Singapour. La recherche systématique le confirme : aucune étude quantitative à comité de lecture sur un échantillon français, la seule trace empirique française étant une netnographie en cours au CERTOP. C'est une contribution disponible, et elle ne coûte rien de plus que la collecte déjà prévue.

6. Implications : les modèles proposés

6.1 Deux scénarios de modèle

Deux lectures de l'inventaire coexistent, et elles ne sont pas contradictoires : elles arbitrent différemment entre la richesse des pistes et la propreté du test. Le scénario A, issu de l'audit, est parcimonieux : deux antécédents communs mesurés à l'identique, deux extensions par contexte, une variable dépendante commune — la forme la plus proche de la réplication-extension « à une ou deux variables propres » annoncée en début d'année. Le scénario B, issu de la note de synthèse, est étendu : un socle de cinq construits, deux variables dépendantes, quatre à six extensions par contexte et plusieurs variables manipulées. Les deux partent de la même problématique, des mêmes règles de spécification et de la même bibliographie ; ils diffèrent par le nombre de construits et par le niveau de preuve exigé pour qu'un antécédent entre dans le modèle collectif. Le choix se fait en séance ; les extensions non retenues collectivement restent des candidates pour l'angle individuel du second semestre.

6.2 Scénario A — le modèle parcimonieux

Le noyau transversal ne comporte que la compétence perçue, l'adéquation robot-tâche et l'intention d'accepter, avec les mêmes items dans les trois contextes ; l'attitude générale envers les robots reste une covariable, jamais un médiateur. Chaque groupe ajoute deux extensions, choisies parmi les antécédents dont le niveau de preuve est direct ou proche : pour le nettoyage des chambres, la propreté anticipée en médiateur et une mesure unique des préoccupations de vie privée ; pour le robot serveur, le plaisir anticipé et la manipulation hygiénique perçue ; pour le robot cuisinier, la barrière d'authenticité et la qualité gustative anticipée du plat. La comparaison entre groupes ne porte que sur les deux chemins communs, après vérification de l'invariance de mesure.

Scénario A, modèle parcimonieux : dans chaque groupe, la compétence perçue et l'adéquation robot-tâche (socle commun, H1 et H2) expliquent l'intention ; deux extensions par contexte — G1 propreté anticipée (médiateur, H3-H4) et préoccupations de vie privée (H5) ; G2 plaisir anticipé (H6) et manipulation hygiénique perçue (H7) ; G3 barrière d'authenticité (H8) et qualité gustative anticipée (H9) ; néophobie technologique alimentaire en modérateur optionnel (H10) ; variables de contrôle communes.
Figure 1 — Scénario A, modèle parcimonieux : deux antécédents communs, deux extensions par groupe, une variable dépendante commune. Ouvrir en plein écran ↗
Hypothèses du scénario A, avec leur fondement et leur statut
CodeContexteHypothèseFondement principalPourquoi ce choixStatut
H1Tous+ La compétence perçue du robot influence positivement l'intention d'accepter le service robotisé.Hoang & Tran (2022); Begum et al. (2025); Topsakal et al. (2026); Parvez et al. (2025)Un seul représentant de la famille performance.COMMUN
H2Tous+ L'adéquation perçue entre le robot et la tâche influence positivement l'intention d'accepter le service robotisé.Hoang & Tran (2022); Hu & Min (2026)Capacité (H1) ≠ légitimité/adéquation (H2). Items à prétester cognitivement.COMMUN
H3G1+ La compétence perçue du robot de nettoyage influence positivement la propreté anticipée de la chambre.Hoang & Tran (2022)Reprend exactement le mécanisme le mieux documenté.RETENIR
H4G1+ La propreté anticipée de la chambre influence positivement l'intention d'accepter le nettoyage robotisé.Hoang & Tran (2022)Outcome concret du housekeeping.RETENIR
H5G1− Les préoccupations de vie privée liées au robot de chambre influencent négativement l'intention d'accepter le nettoyage robotisé.Jia et al. (2024); Song et al. (2024); Xie & Lei (2022)Une seule mesure SRPC, pas trois risques voisins.RETENIR
H6G2+ Le plaisir anticipé de l'interaction avec le robot serveur influence positivement l'intention d'être servi par ce robot.Topsakal et al. (2026); Figueiredo et al. (2026); Molinillo et al. (2023)Effet répliqué, spécifique à l'expérience en salle.RETENIR
H7G2+ La manipulation hygiénique perçue des aliments par le robot serveur influence positivement l'intention d'être servi par ce robot.Figueiredo et al. (2026)Construit récent, validé et distinct de la compétence.RETENIR
H8G3− La barrière d'authenticité perçue influence négativement l'intention de consommer un plat préparé et remis par le robot.Huang et al. (2023)Spécifique à la préparation alimentaire; éviter de cumuler avec « amour » et authenticité morale.RETENIR
H9G3+ La qualité gustative anticipée du plat préparé par le robot influence positivement l'intention de le consommer.Huang et al. (2023); Xiao & Zhao (2022)Le goût/qualité du plat est un résultat propre à la cuisine robotisée et évite d'inférer un chemin intentionnel non testé chez Pancer.RETENIR
H10G3 (option)La néophobie technologique alimentaire renforce l'effet défavorable des caractéristiques du robot qui signalent une forte anthropomorphisation sur son image globale.Choi (2026)À n'utiliser que si l'apparence est réellement manipulée et si la puissance est suffisante.OPTIONNEL
MGA1ComparaisonAprès établissement de l'invariance MICOM, comparer uniquement H1 et H2 entre les trois contextes, sans hypothèse de « route dominante » omnibus.Henseler, Ringle & Sarstedt (2016)Rend la comparaison statistiquement défendable.PROCÉDURE

Protocole de mesure et d'analyse du scénario A

  1. VD commune. Conserver une intention comportementale unique, formulée avec la même structure syntaxique dans les trois contextes (accepter/choisir/consommer). Ne pas empiler willingness, recommandation, revisite et attitude.
  2. Pré-test. Pré-test cognitif des items (≈10–15 personnes/contextes) avant la collecte; supprimer/reformuler les items ambigus avant, jamais « purifier » le construit uniquement après HTMT.
  3. Validité discriminante. HTMT comme diagnostic principal; seuil conservateur .85 pour construits proches, bootstrap de l'HTMT. Ne pas présenter Fornell–Larcker/cross-loadings comme preuve suffisante.
  4. PLS-MGA. Comparer seulement les construits communs, après MICOM. Sans invariance de composition, pas d'interprétation causale des différences de coefficients.
  5. Échantillonnage. Si la comparaison de contextes est centrale, utiliser un même vivier de répondants assignés aléatoirement aux stimuli; sinon documenter et contrôler les différences de composition des échantillons.
  6. Stimulus. Éviter un plan factoriel trop riche. Avec ≈240–280 répondants/contextes attendus, un seul facteur expérimental à 2 niveaux est déjà plus prudent qu'un 2×2 ou 2×2×2.
  7. Contrôles. Limiter aux contrôles conceptuellement nécessaires : expérience préalable avec robots, attitude générale envers robots, âge/genre si justifiés. Ne pas multiplier les traits technologiques voisins.

6.3 Scénario B — le modèle étendu

Le modèle repose sur un socle commun mesuré à l'identique dans les trois groupes, ce qui autorise une comparaison multi-groupes, et sur deux à six extensions propres à chaque configuration. Chaque construit du socle est l'unique représentant de sa famille conceptuelle.

Le socle commun

Le socle commun du scénario B
ConstruitRôlePourquoi celui-là
Compétence perçue du robotAntécédent — route instrumentaleUnique représentant de la famille de la performance ; en C1, il prend la forme validée de la compétence perçue du nettoyeur (Hoang & Tran, 2022).
Adéquation perçue robot-tâcheAntécédent — route normativeConstruit le plus discriminant et le plus original. Il demande « est-ce à lui de le faire ? » là où la compétence demande « en est-il capable ? ».
Malaise perçuMédiateur affectif uniqueRemplace les émotions génériques de l'AIDUA. État réactif au stimulus, distinct de l'anxiété technologique qui est un trait.
Besoin d'interaction humaineAntécédent — route socialeLe seul construit dont le signe attendu diffère selon le contexte : négatif en restauration, positif en hébergement où l'absence de contact est un bénéfice.
Plaisir anticipéAntécédent — route hédonique (G2 et G3)Conservé du modèle 2025-2026, mais délibérément absent du modèle G1 : un service invisible n'offre ni spectacle ni amusement.
Intention d'accepter et intention d'éviterDeux variables dépendantes distinctesAcceptation (Gursoy et al., 2019, 3 items) et évitement (Lee & Kim, 2026, 4 items) mesurés dans les trois groupes ; distinction vérifiée par AFC, HTMT < 0,85.
Apparence du robotVariable manipuléeMécanoïde contre anthropomorphe, dans la vidéo stimulus. Supprime du modèle de mesure la famille conceptuelle la plus problématique.
Attitude générale envers les robotsContrôle exogèneCovariable obligatoire : sans elle, les construits spécifiques capteraient une simple technophilie.

Les extensions par groupe

Le groupe hébergement ajoute la propreté anticipée de la chambre en médiateur, l'intrusion territoriale perçue, la préoccupation de surveillance et le risque pour les effets personnels, avec l'aversion aux germes en modérateur et le caractère répugnant de la tâche en manipulation. Le groupe restauration commerciale ajoute la chaleur perçue, la sécurité physique perçue, l'authenticité morale du service et l'influence sociale, avec la congruence au positionnement de l'établissement en manipulation. Le groupe restauration collective ajoute la transparence opérationnelle en manipulation, l'amour perçu dans l'aliment en médiateur, la menace sur l'emploi du personnel connu (dimensions cognitive et morale) orientée vers l'évitement, et la confiance dans le respect des régimes et des allergènes, avec la captivité (attractivité des alternatives) et la néophobie technologique alimentaire en modérateurs. Dans les trois groupes, l'intention d'accepter et l'intention d'éviter sont mesurées séparément.

Scénario B, modèle intégré : cinq construits du socle commun (compétence perçue, adéquation robot-tâche, malaise perçu, besoin d'interaction humaine, plaisir anticipé) orientés vers l'intention d'accepter et, séparément, l'intention d'éviter ; variables manipulées dans la vidéo stimulus ; extensions propres aux groupes G1, G2 et G3 ; variables de contrôle.
Figure 2 — Scénario B, modèle intégré : socle commun, variables manipulées et extensions contextuelles. Ouvrir en plein écran ↗
Scénario B, les trois modèles de groupe : G1 robot de nettoyage des chambres, G2 robot serveur, G3 robot cuisinier en restauration collective. Traits pleins : antécédents du socle commun ; traits pointillés : extensions propres à chaque contexte.
Figure 3 — Scénario B, les trois modèles de groupe. Ouvrir en plein écran ↗

Les hypothèses du scénario B

Vingt-cinq hypothèses sont proposées, plus une hypothèse de mesure : le socle commun, les extensions par groupe et une hypothèse transversale de comparaison. Le tableau ci-dessous les reprend sous forme abrégée ; l'énoncé complet et l'ancrage bibliographique de chacune figurent dans l'onglet « Modèle et hypothèses » du classeur.

Les hypothèses du scénario B, tableau abrégé
CodeÉnoncé abrégéAncrage principal
H1Compétence perçue → intention (+)Hoang & Tran (2022) ; Begum et al. (2025)
H2Adéquation robot-tâche → intention (+), au-delà de la compétence ; plus élevée pour les tâches objectives, plus faible pour les tâches émotionnelles ou symboliquesHuang & Rust (2018) ; Castelo et al. (2019) ; Longoni & Cian (2022) ; Liu et al. (2026) ; Peng et al. (2026)
H3Malaise perçu → intention (−)Mende et al. (2019) ; Baek et al. (2025)
H4aBesoin d'interaction humaine → intention (−) en G2 et G3Dabholkar (1996) ; Shin & Jeong (2020)
H4bBesoin d'interaction humaine → intention (+) en G1, médiation par la gêne anticipéePitardi et al. (2022, 2024) ; Holthöwer & van Doorn (2023) — hypothèse forte
H5Plaisir anticipé → intention (+) en G2 et G3 ; sans objet en G1Gursoy et al. (2019) ; Molinillo et al. (2022)
H6L'effet de l'apparence dépend du contact avec l'alimentXiao & Zhao (2022) contre Lee & Kwak (2025) — réconciliation
H7Compétence → propreté anticipée → intention (médiation)Hoang & Tran (2022) ; Vos et al. (2019)
H8Intrusion territoriale → intention (−), d'autant plus forte que la propriété psychologique de la chambre est élevéeConstruit nouveau ; Jiang, Balaji & Lyu (2026)
H9Surveillance perçue en chambre → intention (−)Jia et al. (2024) ; Song B. et al. (2024)
H10Risque pour les effets personnels → intention (−)Construit nouveau ; Park (2020)
H11L'aversion aux germes modère compétence → intentionDuncan et al. (2009) ; Shin & Kang (2020)
H12Le caractère répugnant de la tâche inverse le désavantage du robotHoang & Tran (2022) — réplication
H13Chaleur perçue → intention (+), distincte de la compétenceBelanche et al. (2021) ; Choi et al. (2021)
H14Sécurité physique perçue → intention (+)Jang & Lee (2020) ; Molinillo et al. (2022)
H15Authenticité morale → intention (+) ; le robot la dégradeSong X. et al. (2022) ; Cheng et al. (2026)
H16La congruence au positionnement modère l'adéquation perçueHu & Min (2025) ; Kao & Huang (2023)
H17Influence sociale → intention (+), propre à la consommation publiqueChi et al. (2022) ; Zemke et al. (2025)
H18La transparence opérationnelle n'opère pas pour un agent robotiqueBuell, Kim & Tsay (2017) — jamais testé, hypothèse centrale
H19L'amour perçu dans l'aliment médie l'effet de l'automatisationPancer et al. (2025) ; Fuchs et al. (2015)
H21Confiance régimes et allergènes → intention (+)Construit nouveau ; Huang et al. (2023)
H22La captivité (faible attractivité des alternatives) modère l'effet de la menace sur l'emploi et du malaise sur l'évitementLee & Kim (2022) ; Lee & Kim (2026) ; Kim, Ng & Kim (2009)
H23Menace sur l'emploi du personnel connu (cognitive + morale) → évitement (+), amplifiée par la proximité relationnelle ; n.s. en commercialEtemad-Sajadi et al. (2022) ; Granulo et al. (2019, 2025) ; McShane et al. (2026) — inédite
H24La néophobie technologique alimentaire modère l'ensembleCox & Evans (2008) ; Ross et al. (2022)
H25Sur l'acceptation, la structure des déterminants diffère entre configurations (PLS-MGA) ; sur l'évitement, antécédents asymétriques en G3Chi et al. (2022) ; Hu & Min (2025) ; Claudy et al. (2015)
VDAcceptation et évitement sont deux construits distincts (HTMT < 0,85), moins corrélés en contexte captifGursoy et al. (2019) ; Cenfetelli (2004) ; Liang & Xue (2009)

Énoncé complet · classeur, onglet « Modèle et hypothèses »

Chaque hypothèse du scénario étendu, avec l'ancrage bibliographique qui la justifie. Le tableau abrégé ci-dessus en donne la lecture rapide.

Socle commun — les trois groupes8 énoncés · H1 à H6 + VD
  • H1

    La compétence perçue du robot influence positivement l'intention d'accepter le service robotisé.

    Ancrage Hoang & Tran (2022) ; Belanche et al. (2021) ; Chen & Girish (2023) ; Begum et al. (2025, r=0,707 pour la performance expectancy) ; Gong, Guan & Huan (2025)

  • H2

    L'adéquation perçue robot-tâche influence positivement l'intention, au-delà de la compétence perçue ; elle est d'autant plus élevée que la tâche est objective, mécanique et standardisee, et d'autant plus faible qu'elle est subjective, émotionnelle ou symbolique.

    Ancrage Hoang & Tran (2022) ; Ivanov & Webster (2019) ; Huang & Rust (2018) ; Castelo, Bos & Lehmann (2019) ; Longoni & Cian (2022) ; Yang, Wang, Song & Ma (2024) ; Liu, Wang & Wu (2026) ; Peng et al. (2026)

  • H3

    Le malaise perçu influence négativement l'intention.

    Ancrage Mende et al. (2019) ; Kim S. Y. et al. (2019) ; Baek et al. (2025) ; El Halabi & Trendel (2024)

  • H4a

    En restauration (G2, G3), le besoin d'interaction humaine influence négativement l'intention.

    Ancrage Dabholkar (1996) ; Shin H. H. & Jeong (2020) ; Yoganathan et al. (2021) ; Sung & Jeon (2020)

  • H4b

    En hébergement (G1), le besoin d'interaction humaine influence POSITIVEMENT l'intention d'accepter le nettoyage robotisé, et cet effet est médiatise par la gêne anticipée : le client se sent moins expose au jugement d'un robot qu'a celui d'un agent humain.

    Ancrage Pitardi, Wirtz, Paluch & Kunz (2022, 2024) ; Holthower & van Doorn (2023) ; Shin H. & Kang J. (2020) ; Kim S. et al. (2021) - hypothèse forte, réfutable

  • H5

    En restauration (G2, G3), le plaisir anticipé influence positivement l'intention ; il est sans objet en hébergement (G1), puisque le service s'exécute hors de la présence du client.

    Ancrage Gursoy et al. (2019) ; Molinillo et al. (2022) ; Kim, Park & Jeon (2021) - et absence structurelle en C1

  • H6

    L'effet de l'apparence du robot (mécanoïde vs anthropomorphe) sur l'intention est modère par le contexte : positif la ou le robot n'entre pas en contact avec l'aliment, négatif la ou il le manipule, et négatif dans l'espace privé de la chambre.

    Ancrage Xiao & Zhao (2022) vs Lee & Kwak (2025) ; Blut et al. (2021) ; Yoganathan et al. (2021) ; Holthower & van Doorn (2023) ; Peng et al. (2026) - HYPOTHÈSE DE RÉCONCILIATION

  • VD

    L'intention d'accepter et l'intention d'eviter le service robotisé sont deux construits distincts (HTMT < 0,85), mesures dans les trois groupes ; leur corrélation est plus faible en contexte captif (G3), signe d'ambivalence.

    Ancrage Gursoy et al. (2019, r = -0,613) ; Cenfetelli (2004) ; Liang & Xue (2009) ; Koverola et al. (2022) ; Ud Din & Van Riel (2026)

G1 — Robot de nettoyage des chambres6 énoncés · H7 à H12
  • H7

    La compétence perçue du robot nettoyeur influence positivement la propreté anticipée de la chambre, qui influence positivement l'intention (médiation).

    Ancrage Hoang & Tran (2022) ; Vos et al. (2019) ; Shin H. & Kang J. (2020) ; Wang, Zou & So (2025)

  • H8

    L'intrusion territoriale perçue influence négativement l'intention ; elle est d'autant plus forte que la propriété psychologique de la chambre est élevée (chaîne causale).

    Ancrage Construit NOUVEAU ; Jiang, Balaji & Lyu (2026, propriété psychologique) ; Lutz, Schottler & Hoffmann (2019) ; en tension avec Hoang & Tran (2022)

  • H9

    La préoccupation de surveillance en chambre influence négativement l'intention.

    Ancrage Jia, Chi & Lu (2024, SRPC) ; Kim, Erdem & Kim (2024) ; Lin, Lee, Choi & Andereck (2026, ERoSeR) ; Lutz & Tamo-Larrieux (2021)

  • H10

    Le risque perçu pour les effets personnels influence négativement l'intention.

    Ancrage Construit NOUVEAU ; ancrage : facette process de la confiance (Park, 2020) ; absent de la typologie de Pizam et al. (2024)

  • H11

    L'aversion aux germes modère positivement la relation entre compétence perçue et intention : plus elle est forte, plus le robot est preferable à l'agent humain.

    Ancrage Duncan, Schaller & Park (2009) ; Shin H. & Kang J. (2020) ; Kim S. et al. (2021) ; Romero & Lado (2021)

  • H12

    Le caractère dégoûtant de la tâche (salle de bains vs refection des lits) modère l'effet de l'adéquation perçue sur l'intention : le desavantage du robot s'inverse quand la tâche est repugnante.

    Ancrage Hoang & Tran (2022, étude 2) - REPLICATION en contexte de chambre d'hôtel

G2 — Robot serveur5 énoncés · H13 à H17
  • H13

    La chaleur perçue du robot influence positivement l'intention, et cet effet est distinct de celui de la compétence perçue.

    Ancrage Fiske et al. (2002) ; Belanche et al. (2021) ; Zhu & Chang (2020) ; Choi S., Mattila & Bolton (2021) ; Song, Li, Leung & Mei (2024)

  • H14

    La sécurité physique perçue influence positivement l'intention.

    Ancrage Jang H.-W. & Lee S. (2020, 3 items) ; Molinillo et al. (2022, beta=0,178)

  • H15

    L'authenticité morale perçue du service influence positivement l'intention, et le recours au robot la dégrade.

    Ancrage Song X. et al. (2022) ; Cheng L. et al. (2026) ; Hu & Min (2025) ; Yang, Wang, Song & Ma (2024)

  • H16

    La congruence entre le robot et le positionnement de l'établissement (bistrot traditionnel vs fast-casual vs concept futuriste) modère l'effet de l'adéquation perçue sur l'intention.

    Ancrage Hu & Min (2025) ; Kao & Huang (2023) ; Chi, Gursoy & Chi (2022) ; Choi, Liu & Choi (2022) ; Ma, Ge, Jia & Wang (2025)

  • H17

    L'influence sociale influence positivement l'intention ; cet effet est spécifique à la restauration commerciale, consommation publique et collective, et devrait s'atténuer avec la familiarite.

    Ancrage Chi, Gursoy & Chi (2022) ; Zemke et al. (2025) ; Lin et al. (2020) ; contre-preuve sur usage réel : Chang et al. (2022) ; Topsakal et al. (2026, existence vérifiée, résumé non consulte)

G3 — Robot cuisinier en restauration collective6 énoncés · H18 à H24
  • H18

    La transparence opérationnelle (préparation visible vs cuisine fermee) influence POSITIVEMENT l'intention lorsque le cuisinier est humain, mais cet effet est NUL OU NÉGATIF lorsque le cuisinier est un robot, parce que le mécanisme de l'effort perçu suppose un agent capable d'effort meritoire.

    Ancrage Buell & Norton (2011) ; Buell, Kim & Tsay (2017, +22,2 % de qualité perçue avec des employés humains) - JAMAIS TESTÉ SUR UN AGENT ROBOTIQUE : hypothèse la plus originale du dispositif

  • H19

    L'amour perçu dans l'aliment médie négativement l'effet de l'automatisation sur l'intention.

    Ancrage Pancer et al. (2025) ; Fuchs, Schreier & Van Osselaer (2015) ; Rodriguez (2024, contamination, netnographie française)

  • H21

    La confiance dans le respect des régimes et des allergènes influence positivement l'intention.

    Ancrage Construit NOUVEAU ; ancrage : Huang D. et al. (2023, inflexibilite perçue) ; Kanwal et al. (2025) par analogie

  • H22

    La captivité du convive (faible attractivité des alternatives) MODÈRE l'effet de la menace sur l'emploi et du malaise perçu sur l'intention d'évitement : ces effets sont plus forts quand une alternative existe, et se reportent sur l'insatisfaction quand elle n'existe pas.

    Ancrage Lee G. & Kim Y. (2022) ; Lee J.-M. & Kim S. (2026) ; Reinders et al. (2008) ; Kim W. G., Ng & Kim (2009)

  • H23

    La menace perçue sur l'emploi du personnel de service CONNU du convive (dimension cognitive : perte d'emploi ; dimension affective : indignation morale) influence positivement l'intention d'ÉVITEMENT, sans effet nécessaire sur l'intention d'acceptation ; cet effet, non significatif en restauration commerciale, est amplifie par la proximité relationnelle avec le personnel.

    Ancrage Etemad-Sajadi et al. (2022, n.s. en commercial) ; Granulo, Fuchs & Puntoni (2019) ; Granulo et al. (2025) ; McShane et al. (2026) ; Chong & Zhang (2024) - HYPOTHÈSE INÉDITE

  • H24

    La néophobie technologique alimentaire modère négativement l'ensemble des relations du modèle.

    Ancrage Cox & Evans (2008) ; Ross et al. (2022, effet total beta=-0,369) ; Choi J. (2026) ; Kanwal et al. (2025)

Hypothèse transversale1 énoncé · H25
  • H25

    Sur l'intention d'ACCEPTATION, la structure des déterminants diffère entre les trois configurations (PLS-MGA) : la route instrumentale domine en G1, la route hédonique et relationnelle en G2, la route normative et morale en G3. Sur l'intention d'ÉVITEMENT, les antécédents sont asymetriques (menace sur l'emploi et captivité en G3 seulement).

    Ancrage Chi, Gursoy & Chi (2022) ; Hu & Min (2025) ; Claudy, Garcia & O'Driscoll (2015) ; Liu, Wang & Wu (2026)

6.4 Comparer les deux scénarios

Comparaison des deux scénarios
CritèreScénario A — parcimonieuxScénario B — étendu
Socle communCompétence perçue, adéquation robot-tâche → intention (H1, H2)Compétence perçue, adéquation robot-tâche, malaise perçu, besoin d'interaction humaine, plaisir anticipé (absent en G1) → intention (H1 à H5)
Extensions G1 (nettoyage)Propreté anticipée (médiateur), préoccupations de vie privée (SRPC)Propreté anticipée, gêne anticipée, intrusion territoriale, surveillance en chambre, risque pour les effets personnels ; aversion aux germes en modérateur
Extensions G2 (serveur)Plaisir anticipé, manipulation hygiénique perçueChaleur perçue, sécurité physique perçue, authenticité morale, influence sociale ; congruence au positionnement en modérateur
Extensions G3 (cuisinier collectif)Barrière d'authenticité, qualité gustative anticipée ; néophobie technologique alimentaire en modérateur optionnelTransparence opérationnelle (manipulée), amour perçu dans l'aliment (médiateur), menace sur l'emploi du personnel connu, confiance régimes et allergènes ; captivité et néophobie en modérateurs
Variable dépendanteUne intention comportementale par groupe, de même structure (accepter, être servi, consommer)Intention d'accepter et, séparément, intention d'éviter, mesurées dans les trois groupes
Variables manipuléesAu plus un facteur à deux niveaux (apparence), avec contrôle de manipulationApparence du robot ; caractéristiques de la tâche ; cadrage et information préalable ; transparence (G3)
Construits latents par groupe4 à 5, plus contrôles8 à 11 antécédents latents selon le groupe, deux intentions, plus contrôles
Comparaison multi-groupesH1 et H2 seulement, après invariance MICOM (MGA1)Structure des déterminants et antécédents asymétriques de l'évitement (H25)
Niveau de preuve des extensionsDirect ou proche pour chacuneMêlé : direct, transposition et construits nouveaux
Ce qu'il permetUn test propre et comparable ; une matrice HTMT lisible ; un dossier défendable en soutenanceUne exploration plus large et des angles individuels plus nombreux ; une contribution originale sur les construits nouveaux
Ce qu'il coûteRenonce à plusieurs pistes originales (contagion, moralité, transparence, contrainte)Questionnaire long, risque de recouvrement, puissance dispersée, hypothèses moins directement soutenues
À trancher en séanceLe socle commun retenu ; le nombre d'extensions par groupe ; la ou les variables dépendantes ; l'apparence du robot, manipulée ou fixée ; le plan de comparaison entre groupes. Les extensions du scénario B non retenues collectivement restent des candidates pour l'angle individuel du second semestre.

6.5 Protocole de collecte commun aux deux scénarios

La collecte reste séparée par groupe de contexte, conformément au choix retenu : chaque groupe interroge sa propre population sur son propre scénario, sans affectation aléatoire des répondants aux trois configurations. À raison d'une vingtaine de répondants par étudiant et de données mises en commun, chaque groupe devrait réunir entre 250 et 300 observations, ce qui est confortable pour un modèle de sept construits latents estimé en moindres carrés partiels.

Deux vidéos stimulus par groupe sont nécessaires, l'une présentant un robot d'aspect délibérément mécanique, l'autre un robot d'aspect anthropomorphe, le reste du scénario étant strictement identique. Ce plan à deux conditions suffit à tester H6 et à retirer du modèle de mesure la famille conceptuelle la plus encombrante.

Trois précautions de conception méritent d'être signalées aux étudiants dès la première séance de rédaction du questionnaire. La première concerne la traduction : les items de coercition perçue portent sur l'absence structurelle d'alternative et non sur la difficulté d'usage, or en français « je suis obligé de » glisse facilement vers « j'ai du mal à ». La deuxième concerne l'ancrage : chaque batterie d'items doit nommer explicitement son objet — ce robot, cet établissement, mon employeur, mes affaires, mon régime alimentaire — faute de quoi deux construits distincts fusionneront dans l'esprit du répondant. La troisième concerne la distinction entre la préoccupation égocentrée et la préoccupation altruiste : « je perds quelque chose » et « la personne qui me sert perd son poste » sont deux construits différents que les répondants confondront si les items ne les séparent pas explicitement.

Enfin, un pré-test cognitif sur une dizaine de répondants, mené avant la collecte, suffit généralement à détecter les items qui fusionnent. C'est un investissement d'une demi-journée qui évite le nettoyage a posteriori — lequel, rappelons-le, revient à redéfinir le construit sans le dire.

Documents

Téléchargements

Les documents de travail dans leur version du 24-25 septembre 2026. Les formats modifiables sont fournis pour que vous puissiez reprendre les tableaux et les figures dans votre propre dossier — en citant la source.

  • XLSX

    Inventaire des antécédents (classeur complet)

    Quatorze onglets : lisez-moi, socle commun, quatre blocs d'inventaire C1 à C4 (129 antécédents), familles conceptuelles et risques HTMT, dix règles de spécification, terrains asiatiques, littérature francophone, réponse aux évaluateurs, modèle et hypothèses du scénario étendu, œuvres fondatrices, bibliographie.

  • XLSX

    Inventaire audité et scénario parcimonieux (classeur)

    Quatre onglets d'audit : synthèse critique, inventaire audité (38 antécédents avec niveau de preuve et chemin réellement soutenu), modèle recommandé (scénario A), références clés vérifiées. Ses autres onglets reprennent l'inventaire dans son état initial : le classeur complet fait foi.

  • PDF

    Note de synthèse (PDF)

    La note d'origine, 14 pages, prête à imprimer. Son texte est repris sur cette page dans la trame d'un article, avec les corrections signalées en discussion.

  • DOCX

    Note de synthèse (Word)

    La même note au format modifiable, pour annoter ou reprendre des passages dans votre dossier.

  • DOCX

    Bibliographie vérifiée APA 7 (Word)

    Les 309 références avec DOI et les 12 références de littérature grise, prêtes à coller dans Zotero ou en fin de dossier.

  • SVG

    Figure 1 — Scénario A, modèle parcimonieux

    Le schéma vectoriel du scénario A, à insérer tel quel en annexe.

  • SVG

    Figure 2 — Scénario B, modèle intégré

    Le schéma vectoriel du modèle intégré du scénario étendu.

  • SVG

    Figure 3 — Scénario B, les trois modèles de groupe

    Le schéma vectoriel des trois modèles de groupe du scénario étendu.

Lectures

Articles en visionneuse

Quatre articles à lire en texte intégral, dans l'ordre où le cadre théorique les mobilise : les deux cadres fondateurs de l'acceptation des technologies, une application empirique qui sert de gabarit méthodologique, et l'article fondateur de la littérature sur les robots de service. Chaque visionneuse se charge à la demande ; les mentions du texte qui renvoient à ces articles sont soulignées en pointillé.

Accès réservé aux étudiants du cours. Identifiant etudiant, mot de passe communiqué en séance. À la première demande, le navigateur ouvre une fenêtre d'identification ; s'il ne le fait pas, identifiez-vous une fois puis revenez ici. Ces textes intégraux sont fournis pour le travail du cours : ne les rediffusez pas.

  1. Cadre fondateur · UTAUT

    User acceptance of information technology: Toward a unified view

    Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540

    Pourquoi le lire. L'article compare huit modèles concurrents de l'acceptation des technologies, dont le TAM et la théorie du comportement planifié, sur quatre terrains suivis dans le temps, puis les unifie en quatre déterminants de l'intention et de l'usage : attente de performance, attente d'effort, influence sociale et conditions facilitatrices, modérés par l'âge, le genre, l'expérience et le caractère volontaire de l'usage. C'est de là que viennent les attentes de performance et d'effort du socle commun, et la manière de les mesurer. À lire pour le tableau comparatif des huit modèles et pour les échelles reproduites en annexe.

    Cité dans cette page en §2.1.

    Numérisation de l'article original : fichier volumineux, à afficher de préférence en Wi-Fi.

    Ouvrir dans un nouvel ongletPDF · 55 pages · 16,0 Mo
  2. Cadre fondateur · UTAUT2

    Consumer acceptance and use of information technology: Extending the Unified Theory of Acceptance and Use of Technology

    Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1), 157-178. https://doi.org/10.2307/41410412

    Pourquoi le lire. UTAUT2 transpose le modèle de 2003 au consommateur, qui choisit et paie lui-même la technologie, en ajoutant trois construits : la motivation hédonique, le rapport valeur-prix et l'habitude. Testé auprès de 1 512 utilisateurs d'internet mobile en deux vagues, il porte la variance expliquée de l'intention de 56 à 74 %. C'est le cadre le plus proche de la situation d'un client d'hôtel ou de restaurant, et la source des items UTAUT repris dans la plupart des études inventoriées.

    Cité dans cette page en §2.6.

    Ouvrir dans un nouvel ongletPDF · 23 pages · 375 Ko
  3. Application empirique · UTAUT2 étendu

    Acceptance and use of lecture capture system (LCS) in executive business studies: Extending UTAUT2

    Farooq, M. S., Salam, M., Jaafar, N., Fayolle, A., Ayupp, K., Radovic-Markovic, M., & Sajid, A. (2017). Acceptance and use of lecture capture system (LCS) in executive business studies: Extending UTAUT2. Interactive Technology and Smart Education, 14(4), 329-348. https://doi.org/10.1108/itse-06-2016-0015

    Pourquoi le lire. Un exemple complet, et court, d'application d'UTAUT2 à un autre terrain : 481 étudiants en formation continue, questionnaire auto-administré, analyse PLS-SEM sous SmartPLS, ajout d'une variable (l'innovativité personnelle) au modèle d'origine. À lire comme un gabarit de la démarche attendue dans le dossier : justification de l'extension, tableau des items et de leurs sources, fiabilité et validité discriminante, test des hypothèses, puis discussion des limites.

    Non cité dans le corps de l'article : proposé comme lecture méthodologique.

    Ouvrir dans un nouvel ongletPDF · 22 pages · 253 Ko
  4. Article fondateur · robots de service

    Brave new world: Service robots in the frontline

    Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: service robots in the frontline. Journal of Service Management, 29(5), 907-931. https://doi.org/10.1108/josm-04-2018-0119

    Pourquoi le lire. Le point de départ de la littérature spécifique aux robots de service : une définition, une typologie des tâches (cognitives-analytiques et émotionnelles-sociales), le modèle d'acceptation des robots de service (sRAM) qui articule des éléments fonctionnels, socio-émotionnels et relationnels, et un agenda de recherche. C'est l'article qui fonde l'adéquation robot-tâche comme construit du socle, et dont la branche relationnelle devient inopérante quand le client ne rencontre pas le robot (G1).

    Cité dans cette page en §2.1, §2.2, §2.4.

    Article publié en libre accès (licence CC BY 4.0).

    Ouvrir dans un nouvel ongletPDF · 25 pages · 460 Ko

Références

Bibliographie vérifiée

Les 309 références avec DOI ont été contrôlées une par une auprès de l'API Crossref (identifiant DOI, titre exact, liste d'auteurs, année, revue, volume et pagination) ; les entrées au format APA 7 sont produites directement à partir des métadonnées Crossref, sans ressaisie manuelle, et aucune référence dont l'existence n'a pas pu être confirmée n'a été conservée. Crossref renvoyant souvent l'année de mise en ligne plutôt que celle du numéro, un écart d'un à deux ans peut apparaître pour certains articles. Les 12 références de littérature grise ont été vérifiées sur HAL, theses.fr ou d'après l'original ; deux références mobilisées par l'audit critique et deux articles proposés en visionneuse, absents de la liste d'origine, sont ajoutés en fin de bibliographie.

309 références avec DOI · 12 de littérature grise · 4 ajoutées

Références avec DOI 309

  1. Alma Çallı, B., Çallı, L., Sarı Çallı, D., & Çallı, F. (2023). The impact of different types of service robots usage in hotels on guests’ intention to stay. Journal of Hospitality and Tourism Technology, 14(1), 53-68. https://doi.org/10.1108/jhtt-09-2021-0266
  2. Audibert, A. J. (2021). Quel avenir pour la commensalité à l’heure du numérique ? Vieillir dans une société connectée ?, 147-161. Érès. https://doi.org/10.3917/eres.pitau.2021.02.0147
  3. Ayalew, Z. A., Kim, S., Kim, J., & Nunkoo, R. (2026). Effects of emotional responses of robot-served restaurant customers on satisfaction, personal involvement and other consequences. Journal of Hospitality and Tourism Insights, 9(3), 953-970. https://doi.org/10.1108/jhti-04-2025-0478
  4. Ayyildiz, A. Y., Baykal, M., & Koc, E. (2022). Attitudes of hotel customers towards the use of service robots in hospitality service encounters. Technology in Society, 70, 101995. https://doi.org/10.1016/j.techsoc.2022.101995
  5. Ba, A., & Vignon, C. (2013). Mieux gérer les incidences de l'automatisation des services : le cas des caisses libre-service. Gestion, Vol. 38(2), 62-70. https://doi.org/10.3917/riges.382.0062
  6. Baek, T. H., Kim, M., & Bang, H. (2025). Why AI robot chefs backfire: Consumer responses to robot-themed appeals. Journal of Hospitality and Tourism Management, 65, 101358. https://doi.org/10.1016/j.jhtm.2025.101358
  7. Bartneck, C., Kulić, D., Croft, E., & Zoghbi, S. (2009). Measurement Instruments for the Anthropomorphism, Animacy, Likeability, Perceived Intelligence, and Perceived Safety of Robots. International Journal of Social Robotics, 1(1), 71-81. https://doi.org/10.1007/s12369-008-0001-3
  8. Begum, N., Nishat Faisal, M., Sobh, R., Nunkoo, R., & Rana, N. P. (2025). Consumers acceptance of service robots in hotels: A meta-analytic review. International Journal of Hospitality Management, 126, 104052. https://doi.org/10.1016/j.ijhm.2024.104052
  9. Belanche, D., Casaló, L. V., Flavián, C., & Schepers, J. (2020). Robots or frontline employees? Exploring customers’ attributions of responsibility and stability after service failure or success. Journal of Service Management, 31(2), 267-289. https://doi.org/10.1108/josm-05-2019-0156
  10. Belanche, D., Casaló, L. V., & Flavián, C. (2021). Frontline robots in tourism and hospitality: service enhancement or cost reduction? Electronic Markets, 31(3), 477-492. https://doi.org/10.1007/s12525-020-00432-5
  11. Belanche, D., Casaló, L. V., Schepers, J., & Flavián, C. (2021). Examining the effects of robots' physical appearance, warmth, and competence in frontline services: The Humanness‐Value‐Loyalty model. Psychology & Marketing, 38(12), 2357-2376. https://doi.org/10.1002/mar.21532
  12. Belk, R. (2016). Comprendre le robot : commentaires sur Goudey et Bonnin (2016). Recherche et Applications en Marketing (French Edition), 31(4), 89-97. https://doi.org/10.1177/0767370116651388
  13. Bhattacherjee, A., & Hikmet, N. (2007). Physicians' resistance toward healthcare information technology: a theoretical model and empirical test. European Journal of Information Systems, 16(6), 725-737. https://doi.org/10.1057/palgrave.ejis.3000717
  14. Bhoumik, K., Fang, L., & Igarashi, R. (2026). Robots with hearts: How in-store AI’s task types impact brand attitude and ethicality. Journal of Business Research, 206, 115923. https://doi.org/10.1016/j.jbusres.2025.115923
  15. Binesh, F., & Baloglu, S. (2023). Motivational, Situational, and Psychological Model of Service Robot Adoption in Hotels: The Moderating Role of Involvement. International Journal of Social Robotics, 15(9-10), 1603-1618. https://doi.org/10.1007/s12369-023-01062-5
  16. Binesh, F., & Baloglu, S. (2023). Are we ready for hotel robots after the pandemic? A profile analysis. Computers in Human Behavior, 147, 107854. https://doi.org/10.1016/j.chb.2023.107854
  17. Blut, M., Wang, C., Wünderlich, N. V., & Brock, C. (2021). Understanding anthropomorphism in service provision: a meta-analysis of physical robots, chatbots, and other AI. Journal of the Academy of Marketing Science, 49(4), 632-658. https://doi.org/10.1007/s11747-020-00762-y
  18. Brandão, M., Sharko, A., Evans, Z., Wu, W., Ghoshal, A., & Tshuma, B. (2026). An Ethnography of Restaurant Robots in Japan: Promises, Perceptions, and Impacts. Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction, 943-952. https://doi.org/10.1145/3757279.3785603
  19. Brehm, S. S., & Brehm, J. W. (1981). Introduction: Freedom, Control, and Reactance Theory. Psychological Reactance, 1-7. Elsevier. https://doi.org/10.1016/b978-0-12-129840-1.50005-3
  20. Buell, R. W., & Norton, M. I. (2011). The Labor Illusion: How Operational Transparency Increases Perceived Value. Management Science, 57(9), 1564-1579. https://doi.org/10.1287/mnsc.1110.1376
  21. Buell, R. W., Kim, T., & Tsay, C.-J. (2017). Creating Reciprocal Value Through Operational Transparency. Management Science, 63(6), 1673-1695. https://doi.org/10.1287/mnsc.2015.2411
  22. Byrd, K., Wang, L., Fan, A., Her, E., Leitch, S., & Liu, Y. (2024). Masks, gloves, or robots? Factors influencing consumers’ health risk perceptions and behavioral intentions of in-restaurant dining. International Journal of Hospitality Management, 123, 103927. https://doi.org/10.1016/j.ijhm.2024.103927
  23. Cacioppo, J. T., & Berntson, G. G. (1994). Relationship between attitudes and evaluative space: A critical review, with emphasis on the separability of positive and negative substrates.. Psychological Bulletin, 115(3), 401-423. https://doi.org/10.1037/0033-2909.115.3.401
  24. Cacioppo, J. T., Gardner, W. L., & Berntson, G. G. (1997). Beyond Bipolar Conceptualizations and Measures: The Case of Attitudes and Evaluative Space. Personality and Social Psychology Review, 1(1), 3-25. https://doi.org/10.1207/s15327957pspr0101_2
  25. Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-Dependent Algorithm Aversion. Journal of Marketing Research, 56(5), 809-825. https://doi.org/10.1177/0022243719851788
  26. Cenfetelli, R. T., & Schwarz, A. (2011). Identifying and Testing the Inhibitors of Technology Usage Intentions. Information Systems Research, 22(4), 808-823. https://doi.org/10.1287/isre.1100.0295
  27. Chan, A. P. H., & Tung, V. W. S. (2019). Examining the effects of robotic service on brand experience: the moderating role of hotel segment. Journal of Travel & Tourism Marketing, 36(4), 458-468. https://doi.org/10.1080/10548408.2019.1568953
  28. Chang, C., Shao, B., Li, Y., & Zhang, Y. (2022). Factors influencing consumers’ willingness to accept service robots: Based on online reviews of Chinese hotels. Frontiers in Psychology, 13, 1016579. https://doi.org/10.3389/fpsyg.2022.1016579
  29. Chatterjee, S., Chaudhuri, R., & Vrontis, D. (2023). Acceptance of social robot and its challenges: From privacy calculus perspectives. Technological Forecasting and Social Change, 196, 122862. https://doi.org/10.1016/j.techfore.2023.122862
  30. Chen, C.-F., & Girish, V. (2023). Investigating the use experience of restaurant service robots: the cognitive–affective–behavioral framework. International Journal of Hospitality Management, 111, 103482. https://doi.org/10.1016/j.ijhm.2023.103482
  31. Cheng, W., & Hwang, J. (2025). Robots' anthropomorphic designs: Psychological mechanism of consumer acceptance in restaurant contexts of service success, failure, and recovery. International Journal of Hospitality Management, 131, 104322. https://doi.org/10.1016/j.ijhm.2025.104322
  32. Cheng, K. M., Koo, A. C., & Teo, S. C. (2026). Empathy Mapping for Inclusive Design: A Qualitative Exploration of Older Adults’ Experiences With Self-Order Kiosks in Restaurant Settings. Sage Open, 16(2), 21582440261445622. https://doi.org/10.1177/21582440261445622
  33. Cheng, L., Li, X., Liu, B., & Cheng, L. (2026). When traditional restaurants meet service robots: Consumption rituals, authenticity and brand trust. International Journal of Hospitality Management, 134, 104579. https://doi.org/10.1016/j.ijhm.2026.104579
  34. Cheong, F., & Law, R. (2023). Human employees versus robotic employees: Customers and hotel managers’ perceived experience at unmanned smart hotels. Cogent Social Sciences, 9(1), 2202937. https://doi.org/10.1080/23311886.2023.2202937
  35. Cherif, E., & Lemoine, J.-F. (2019). Les conseillers virtuels anthropomorphes et les réactions des internautes : une expérimentation portant sur la voix du conseiller. Recherche et Applications en Marketing (French Edition), 34(1), 29-49. https://doi.org/10.1177/0767370118775963
  36. Chi, O. H., Jia, S., Li, Y., & Gursoy, D. (2021). Developing a formative scale to measure consumers’ trust toward interaction with artificially intelligent (AI) social robots in service delivery. Computers in Human Behavior, 118, 106700. https://doi.org/10.1016/j.chb.2021.106700
  37. Chi, O. H., Gursoy, D., & Chi, C. G. (2022). Tourists’ Attitudes toward the Use of Artificially Intelligent (AI) Devices in Tourism Service Delivery: Moderating Role of Service Value Seeking. Journal of Travel Research, 61(1), 170-185. https://doi.org/10.1177/0047287520971054
  38. Chi, O. H., Chi, C. G., Gursoy, D., & Nunkoo, R. (2023). Customers’ acceptance of artificially intelligent service robots: The influence of trust and culture. International Journal of Information Management, 70, 102623. https://doi.org/10.1016/j.ijinfomgt.2023.102623
  39. Chiang, A.-H., & Trimi, S. (2020). Impacts of service robots on service quality. Service Business, 14(3), 439-459. https://doi.org/10.1007/s11628-020-00423-8
  40. Cho, M. J., & Chen, P.-J. (2025). Friend or a Foe: Robot-Based Applications in Luxury Hotel Services. Journal of Hospitality & Tourism Cases, 21649987251333075. https://doi.org/10.1177/21649987251333075
  41. Choe, J. Y., Kim, J. J., & Hwang, J. (2022). Innovative robotic restaurants in Korea: merging a technology acceptance model and theory of planned behaviour. Asian Journal of Technology Innovation, 30(2), 466-489. https://doi.org/10.1080/19761597.2021.2005466
  42. Choi, Y., Choi, M., Oh, M., & Kim, S. (2020). Service robots in hotels: understanding the service quality perceptions of human-robot interaction. Journal of Hospitality Marketing & Management, 29(6), 613-635. https://doi.org/10.1080/19368623.2020.1703871
  43. Choi, S., Mattila, A. S., & Bolton, L. E. (2021). To Err Is Human(-oid): How Do Consumers React to Robot Service Failure and Recovery? Journal of Service Research, 24(3), 354-371. https://doi.org/10.1177/1094670520978798
  44. Choi, S., Liu, S. X., & Choi, C. (2022). ROBOT–BRAND FIT THE INFLUENCE OF BRAND PERSONALITY ON CONSUMER REACTIONS TO SERVICE ROBOT ADOPTION. Marketing Letters, 33(1), 129-142. https://doi.org/10.1007/s11002-022-09616-9
  45. Choi, J. (2026). Can robot chefs overcome consumer food technology Neophobia? The role of message framing and robot anthropomorphism. Journal of Hospitality and Tourism Insights, 1-17. https://doi.org/10.1108/jhti-07-2025-0828
  46. Chong, K. L., & Zhang, G. (2025). Perceptions and motivational factors of Chinese coffee consumers towards robot baristas: a Technology Acceptance Model 2 perspective. Journal of Hospitality and Tourism Insights, 8(1), 350-369. https://doi.org/10.1108/jhti-01-2024-0126
  47. Christou, P., Simillidou, A., & Stylianou, M. C. (2020). Tourists’ perceptions regarding the use of anthropomorphic robots in tourism and hospitality. International Journal of Contemporary Hospitality Management, 32(11), 3665-3683. https://doi.org/10.1108/ijchm-05-2020-0423
  48. Chuah, S. H.-W., Aw, E. C.-X., & Cheng, C.-F. (2022). A silver lining in the COVID-19 cloud: examining customers’ value perceptions, willingness to use and pay more for robotic restaurants. Journal of Hospitality Marketing & Management, 31(1), 49-76. https://doi.org/10.1080/19368623.2021.1926038
  49. Chuah, S. H.-W., Jitanugoon, S., Puntha, P., & Aw, E. C.-X. (2022). You don’t have to tip the human waiters anymore, but … Unveiling factors that influence consumers’ willingness to pay a price premium for robotic restaurants. International Journal of Contemporary Hospitality Management, 34(10), 3553-3587. https://doi.org/10.1108/ijchm-08-2021-1023
  50. Chuah, S. H.-W., & Soeiro, J. D. (2025). When robot appearance and service style interact to influence customers’ willingness to pay: The mediating role of perceived restaurant quality. International Journal of Hospitality Management, 127, 104117. https://doi.org/10.1016/j.ijhm.2025.104117
  51. Claudy, M. C., Garcia, R., & O’Driscoll, A. (2015). Consumer resistance to innovation—a behavioral reasoning perspective. Journal of the Academy of Marketing Science, 43(4), 528-544. https://doi.org/10.1007/s11747-014-0399-0
  52. Coggins, T. N. (2022). More work for Roomba? Domestic robots, housework and the production of privacy. Prometheus, 38(1). https://doi.org/10.13169/prometheus.38.1.0098
  53. Comoretto, G. (2017). Manger entre pairs à la cantine : les effets de la commensalité institutionnelle sur le placement à table des élèves. Quand manger fait société, 105-116. Presses universitaires du Septentrion. https://doi.org/10.4000/books.septentrion.27641
  54. Comoretto, G., Lhuissier, A., & Maurice, A. (2020). Quand les cantines se mettent à table.... Quand les cantines se mettent à table..., 7-17. Éducagri éditions. https://doi.org/10.3917/edagri.comor.2020.01.0007
  55. Conti, S., Baudier, P., & Billot, R. (2023). Impact de l’intelligence Artificielle dans les services clients. Management & Avenir, N° 137(5), 69-88. https://doi.org/10.3917/mav.137.0069
  56. Cox, D., & Evans, G. (2008). Construction and validation of a psychometric scale to measure consumers’ fears of novel food technologies: The food technology neophobia scale. Food Quality and Preference, 19(8), 704-710. https://doi.org/10.1016/j.foodqual.2008.04.005
  57. Dabholkar, P. A. (1996). Consumer evaluations of new technology-based self-service options: An investigation of alternative models of service quality. International Journal of Research in Marketing, 13(1), 29-51. https://doi.org/10.1016/0167-8116(95)00027-5
  58. Dabholkar, P. A., & Bagozzi, R. P. (2002). An Attitudinal Model of Technology-Based Self-Service: Moderating Effects of Consumer Traits and Situational Factors. Journal of the Academy of Marketing Science, 30(3), 184-201. https://doi.org/10.1177/0092070302303001
  59. Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
  60. de Kervenoael, R., Hasan, R., Schwob, A., & Goh, E. (2020). Leveraging human-robot interaction in hospitality services: Incorporating the role of perceived value, empathy, and information sharing into visitors’ intentions to use social robots. Tourism Management, 78, 104042. https://doi.org/10.1016/j.tourman.2019.104042
  61. de Kervenoael, R., Schwob, A., Hasan, R., & Psylla, E. (2024). SIoT robots and consumer experiences in retail: Unpacking repeat purchase intention drivers leveraging computers are social actors (CASA) paradigm. Journal of Retailing and Consumer Services, 76, 103589. https://doi.org/10.1016/j.jretconser.2023.103589
  62. De Keyser, A., Köcher, S., Alkire (née Nasr), L., Verbeeck, C., & Kandampully, J. (2019). Frontline Service Technology infusion: conceptual archetypes and future research directions. Journal of Service Management, 30(1), 156-183. https://doi.org/10.1108/josm-03-2018-0082
  63. Dekker, F., Salomons, A., & Waal, J. V. D. (2017). Fear of robots at work: the role of economic self-interest. Socio-Economic Review, 15(3), 539-562. https://doi.org/10.1093/ser/mwx005
  64. Dondeyne, C. (2002). Professionnaliser le client : le travail du marché dans une entreprise de restauration collective. Sociologie du travail, 44(1), 21-36. https://doi.org/10.4000/sdt.32713
  65. Donovan, R. (1994). Store atmosphere and purchasing behavior. Journal of Retailing, 70(3), 283-294. https://doi.org/10.1016/0022-4359(94)90037-x
  66. Dunbar, R. I. M. (2017). Breaking Bread: the Functions of Social Eating. Adaptive Human Behavior and Physiology, 3(3), 198-211. https://doi.org/10.1007/s40750-017-0061-4
  67. Duncan, L. A., Schaller, M., & Park, J. H. (2009). Perceived vulnerability to disease: Development and validation of a 15-item self-report instrument. Personality and Individual Differences, 47(6), 541-546. https://doi.org/10.1016/j.paid.2009.05.001
  68. El Halabi, M., & Trendel, O. (2025). Just Name it: The Act of Naming Humanoid Service Robots Decreases Perceived Eeriness and Increases Repurchase Intent. Journal of Service Research, 28(1), 131-149. https://doi.org/10.1177/10946705241248242
  69. El-Said, O., & Al Hajri, S. (2022). Are customers happy with robot service? Investigating satisfaction with robot service restaurants during the COVID-19 pandemic. Heliyon, 8(3), e08986. https://doi.org/10.1016/j.heliyon.2022.e08986
  70. Elliot, A. J., & Covington, M. V. (2001). Approach and Avoidance Motivation. Educational Psychology Review, 13(2), 73-92. https://doi.org/10.1023/a:1009009018235
  71. Etemad-Sajadi, R., Soussan, A., & Schöpfer, T. (2022). How Ethical Issues Raised by Human–Robot Interaction can Impact the Intention to use the Robot? International Journal of Social Robotics, 14(4), 1103-1115. https://doi.org/10.1007/s12369-021-00857-8
  72. Fan, H., Gao, W., & Han, B. (2022). How does (im)balanced acceptance of robots between customers and frontline employees affect hotels’ service quality? Computers in Human Behavior, 133, 107287. https://doi.org/10.1016/j.chb.2022.107287
  73. Fang, S., Han, X., & Chen, S. (2024). Hotel guest-robot interaction experience: A scale development and validation. Journal of Hospitality and Tourism Management, 58, 1-10. https://doi.org/10.1016/j.jhtm.2023.10.015
  74. Fang, S., Li, Y., & Feng, J. (2026). Time flows, choices follow: exploring how the timing of services shapes customer preference for service robots versus human employees. Journal of Hospitality Marketing & Management, 35(3), 420-442. https://doi.org/10.1080/19368623.2026.2613792
  75. Feenstra, F., & Glérant-Glikson, A. (2017). Identifier et comprendre les sources de valeur dans l’interaction avec les SSIT ( Self-Service Information Technologies ) en magasin. Décisions Marketing, N° 86(2), 47-66. https://doi.org/10.7193/dm.086.47.66
  76. Feng, W., Tu, R., Lu, T., & Zhou, Z. (2019). Understanding forced adoption of self-service technology: the impacts of users’ psychological reactance. Behaviour & Information Technology, 38(8), 820-832. https://doi.org/10.1080/0144929x.2018.1557745
  77. Figueiredo, I. G., Moutinho, P. F., Duarte, P. O., & Macedo, A. C. (2026). Customers’ Intentions to Use Restaurants with Robot Waiters: An Extension of the Technology Acceptance Model. Journal of the Knowledge Economy, 17(2), 3687-3713. https://doi.org/10.1007/s13132-025-02827-1
  78. Fink, J., Bauwens, V., Kaplan, F., & Dillenbourg, P. (2013). Living with a Vacuum Cleaning Robot. International Journal of Social Robotics, 5(3), 389-408. https://doi.org/10.1007/s12369-013-0190-2
  79. Fischler, C. (2011). Commensality, society and culture. Social Science Information, 50(3-4), 528-548. https://doi.org/10.1177/0539018411413963
  80. Fiske, S. T., Cuddy, A. J. C., Glick, P., & Xu, J. (2002). A model of (often mixed) stereotype content: Competence and warmth respectively follow from perceived status and competition.. Journal of Personality and Social Psychology, 82(6), 878-902. https://doi.org/10.1037/0022-3514.82.6.878
  81. Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.1177/002224378101800104
  82. Fu, S., Zheng, X., & Wong, I. A. (2022). The perils of hotel technology: The robot usage resistance model. International Journal of Hospitality Management, 102, 103174. https://doi.org/10.1016/j.ijhm.2022.103174
  83. Fuchs, C., Schreier, M., & Van Osselaer, S. M. (2015). The Handmade Effect: What's Love Got to Do with It? Journal of Marketing, 79(2), 98-110. https://doi.org/10.1509/jm.14.0018
  84. Fuentes-Moraleda, L., Díaz-Pérez, P., Orea-Giner, A., Muñoz- Mazón, A., & Villacé-Molinero, T. (2020). Interaction between hotel service robots and humans: A hotel-specific Service Robot Acceptance Model (sRAM). Tourism Management Perspectives, 36, 100751. https://doi.org/10.1016/j.tmp.2020.100751
  85. Gao, Y., Chang, Y., Yang, T., & Yu, Z. (2025). Consumer acceptance of social robots in domestic settings: A human-robot interaction perspective. Journal of Retailing and Consumer Services, 82, 104075. https://doi.org/10.1016/j.jretconser.2024.104075
  86. Garcia, P. J., Prom Tep, S., Arcand, M., Rajaobelina, L., & Ricard, L. (2021). Développement d’un assistant virtuel en tourisme : rôles clés de l’utilité et du plaisir perçus sur l’intention d’adoption. Management & Avenir, N° 126(6), 115-132. https://doi.org/10.3917/mav.126.0115
  87. Ghazali, E. M., Mutum, D. S., & Cheah, J. J. (2025). Dining with robots: An integrated perspective on functional, emotional and relational dimensions of customer experience. Electronic Markets, 35(1), 57. https://doi.org/10.1007/s12525-025-00797-5
  88. Gnambs, T., & Appel, M. (2019). Are robots becoming unpopular? Changes in attitudes towards autonomous robotic systems in Europe. Computers in Human Behavior, 93, 53-61. https://doi.org/10.1016/j.chb.2018.11.045
  89. Gong, J., Guan, X., & Huan, T.-C. (2025). Exploring the critical attributes of robot chef restaurants and their impact on customer perceived value: a mixed-methods study. International Journal of Contemporary Hospitality Management, 37(2), 522-540. https://doi.org/10.1108/ijchm-02-2024-0242
  90. Gong, Y., Guo, Y.-P., Zhang, T., Zhu, X., & Wang, L. (2026). The influence of hotel service robots on customers' consumption intention: Combination theory of planned behaviour and technology acceptance model. Acta Psychologica, 262, 106121. https://doi.org/10.1016/j.actpsy.2025.106121
  91. Goudarzi, K., & Eiglier, P. (2006). La socialisation organisationnelle du client dans les entreprises de service: concept et dimensions. Recherche et Applications en Marketing (French Edition), 21(3), 65-90. https://doi.org/10.1177/076737010602100304
  92. Goudey, A., & Bonnin, G. (2016). Un objet intelligent doit-il avoir l’air humain ? Etude de l’impact de l’anthropomorphisme d’un robot compagnon sur son acceptation. Recherche et Applications en Marketing (French Edition), 31(2), 3-22. https://doi.org/10.1177/0767370115617914
  93. Granulo, A., Fuchs, C., & Puntoni, S. (2019). Psychological reactions to human versus robotic job replacement. Nature Human Behaviour, 3(10), 1062-1069. https://doi.org/10.1038/s41562-019-0670-y
  94. Granulo, A., Fuchs, C., & Puntoni, S. (2021). Preference for Human (vs. Robotic) Labor is Stronger in Symbolic Consumption Contexts. Journal of Consumer Psychology, 31(1), 72-80. https://doi.org/10.1002/jcpy.1181
  95. Granulo, A., Kranzbühler, A.-M., Fuchs, C., & Puntoni, S. (2025). Collective Layoffs and Offshoring: A Social Contract Account. Journal of Consumer Research, 52(3), 526-546. https://doi.org/10.1093/jcr/ucaf001
  96. Guan, X., Ye, J., Xie, L., Liu, X., & Kuang, K. (2025). The more consistent, the more in love? Research on the impact of service robot and hotel brand personality congruence on brand love. Tourism Management Perspectives, 58, 101399. https://doi.org/10.1016/j.tmp.2025.101399
  97. Gupta, K. P., & Pande, S. (2023). Understanding generation Z consumers’ revisit intentions to robotic service restaurants. Young Consumers, 24(3), 331-351. https://doi.org/10.1108/yc-09-2022-1598
  98. Gursoy, D., Chi, O. H., Lu, L., & Nunkoo, R. (2019). Consumers acceptance of artificially intelligent (AI) device use in service delivery. International Journal of Information Management, 49, 157-169. https://doi.org/10.1016/j.ijinfomgt.2019.03.008
  99. Hasan, R., Koles, B., Zaman, M., & Paul, J. (2021). The potential of chatbots in travel and tourism services in the context of social distancing. International Journal of Technology Intelligence and Planning, 13(1), 63. https://doi.org/10.1504/ijtip.2021.117998
  100. He, Y., Yang, L., & Tang, Y. (2025). Preference for assistance from service robots or human staff?The impact of social exclusion experience. International Journal of Hospitality Management, 125, 104018. https://doi.org/10.1016/j.ijhm.2024.104018
  101. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8
  102. Himanshu, H., Goel, A., Dhingra, S., & Taneja, U. (2025). Dining with robots: exploring the customer willingness to adopt service robots in restaurants. Industrial Management & Data Systems. https://doi.org/10.1108/imds-08-2024-0762
  103. Hoang, C., & Tran, H.-A. (2022). Robot cleaners in tourism venues: The importance of robot-environment fit on consumer evaluation of venue cleanliness. Tourism Management, 93, 104611. https://doi.org/10.1016/j.tourman.2022.104611
  104. Holthöwer, J., & van Doorn, J. (2023). Robots do not judge: service robots can alleviate embarrassment in service encounters. Journal of the Academy of Marketing Science, 51(4), 767-784. https://doi.org/10.1007/s11747-022-00862-x
  105. Horng, J.-S., Wang, Y.-C., Liu, C.-H., Chou, S.-F., Yu, T.-Y., Huang, Y.-C., & Hu, D.-C. (2025). Robot anthropomorphism at luxury hotels: a dual-congruity mechanism with luxury and task under anxiety. Journal of Hospitality Marketing & Management, 34(2), 204-233. https://doi.org/10.1080/19368623.2024.2425673
  106. Horng, J.-S., Wang, Y.-C., Liu, C.-H., Chou, S.-F., Yu, T.-Y., Huang, Y.-C., & Hu, D.-C. (2026). Ethics meets service robots: A cross-cultural perspective on how dual luxury–task fit reshapes hotel service differentiation. International Journal of Hospitality Management, 134, 104532. https://doi.org/10.1016/j.ijhm.2025.104532
  107. Hou, Y., Zhang, K., & Li, G. (2021). Service robots or human staff: How social crowding shapes tourist preferences. Tourism Management, 83, 104242. https://doi.org/10.1016/j.tourman.2020.104242
  108. Hu, Y., & Min, H. (2026). Crossing the innovation chasm: when and how to deploy service robots and facilitate customer adoption at restaurants. Journal of Hospitality and Tourism Technology, 17(3), 720-742. https://doi.org/10.1108/jhtt-11-2024-0777
  109. Hu, Z., Zhou, P., Law, R., & Luo, J. M. (2026). Exploring Difference of Customer Emotion Towards Robot and Human Employees in Different Hotel Service Scenarios. Journal of Quality Assurance in Hospitality & Tourism, 1-16. https://doi.org/10.1080/1528008x.2026.2619433
  110. Huang, M.-H., & Rust, R. T. (2018). Artificial Intelligence in Service. Journal of Service Research, 21(2), 155-172. https://doi.org/10.1177/1094670517752459
  111. Huang, T. (2022). What Affects the Acceptance and Use of Hotel Service Robots by Elderly Customers? Sustainability, 14(23), 16102. https://doi.org/10.3390/su142316102
  112. Huang, D., Jin, X., Huang, J., & Kong, S. (2023). Tourist acceptance of robot chefs in gastronomy experiences: A behavioural reasoning perspective. Tourism Management Perspectives, 48, 101172. https://doi.org/10.1016/j.tmp.2023.101172
  113. Huang, D., Chen, Q., Huang, S., & Liu, X. (2024). Consumer intention to use service robots: a cognitive–affective–conative framework. International Journal of Contemporary Hospitality Management, 36(6), 1893-1913. https://doi.org/10.1108/ijchm-12-2022-1528
  114. Huang, B., Laporte, S., Sénécal, S., & Sobol, K. (2025). Falling out with AI-buddies: The hidden costs of treating AI as a partner versus servant during service failure. Technological Forecasting and Social Change, 219, 124279. https://doi.org/10.1016/j.techfore.2025.124279
  115. Huang, Z., & Tsai, H. (2026). Customer Acceptance of Guest Room Technologies: The Moderating Role of Demographic Factors and Technostress. International Journal of Hospitality & Tourism Administration, 27(2), 385-412. https://doi.org/10.1080/15256480.2025.2481633
  116. Hwang, J., Park, S., & Kim, I. (2020). Understanding motivated consumer innovativeness in the context of a robotic restaurant: The moderating role of product knowledge. Journal of Hospitality and Tourism Management, 44, 272-282. https://doi.org/10.1016/j.jhtm.2020.06.003
  117. Hwang, J., Lee, K.-W., Kim, D., & Kim, I. (2020). Robotic Restaurant Marketing Strategies in the Era of the Fourth Industrial Revolution: Focusing on Perceived Innovativeness. Sustainability, 12(21), 9165. https://doi.org/10.3390/su12219165
  118. Hwang, J., Choe, J. Y., Kim, H. M., & Kim, J. J. (2021). The antecedents and consequences of memorable brand experience: Human baristas versus robot baristas. Journal of Hospitality and Tourism Management, 48, 561-571. https://doi.org/10.1016/j.jhtm.2021.08.013
  119. Hwang, J., Choe, J. Y., Kim, H. M., & Kim, J. J. (2021). Human baristas and robot baristas: How does brand experience affect brand satisfaction, brand attitude, brand attachment, and brand loyalty? International Journal of Hospitality Management, 99, 103050. https://doi.org/10.1016/j.ijhm.2021.103050
  120. Hwang, J., Kim, H., Kim, J. J., & Kim, I. (2021). Investigation of perceived risks and their outcome variables in the context of robotic restaurants. Journal of Travel & Tourism Marketing, 38(3), 263-281. https://doi.org/10.1080/10548408.2021.1906826
  121. Hwang, J., Kim, H. M., & Kim, I. (2022). The antecedent and consequences of brand competence: Focusing on the moderating role of the type of server in the restaurant industry. Journal of Hospitality and Tourism Management, 50, 337-344. https://doi.org/10.1016/j.jhtm.2022.02.005
  122. Hwang, J., Kim, H. M., Joo, K.-H., & Kim, J. J. (2022). The antecedents and consequences of brand authenticity in the restaurant industry: robot service employees versus human service employees. Journal of Travel & Tourism Marketing, 39(2), 256-270. https://doi.org/10.1080/10548408.2022.2061678
  123. Hwang, J., Abbas, J., Joo, K., Choo, S.-W., & Hyun, S. S. (2022). The Effects of Types of Service Providers on Experience Economy, Brand Attitude, and Brand Loyalty in the Restaurant Industry. International Journal of Environmental Research and Public Health, 19(6), 3430. https://doi.org/10.3390/ijerph19063430
  124. Hwang, J., Kim, H., & Kim, H. M. (2023). Relationships among memorable brand experience, brand preference, and behavioral intentions: focusing on the difference between robot servers and human servers. Journal of Hospitality and Tourism Technology, 14(3), 430-443. https://doi.org/10.1108/jhtt-09-2021-0254
  125. Hwang, J., Jenny Kim, J., Young (Jacey) Choe, J., & Markham Kim, H. (2024). Is a Robot Barista Better Than a Human Barista? A Moderating Role of Type of Service Providers. Journal of Hospitality & Tourism Research, 48(6), 1035-1050. https://doi.org/10.1177/10963480231171324
  126. Hwang, J., Choe, J. Y., Joo, K.-H., & Kim, J. J. (2025). Which has a greater impact on brand satisfaction, human service or robot service as a waiter/waitress in the restaurant industry? Technology Analysis & Strategic Management, 37(12), 3451-3465. https://doi.org/10.1080/09537325.2024.2408734
  127. Islam, M. M., Hani, F. F., Roy, A. P., & Saha, P. K. (2022). Consumers' intention to visit a robotic restaurant. International Journal of Tourism Policy, 12(2), 203. https://doi.org/10.1504/ijtp.2022.122236
  128. Ivanov, S., Webster, C., & Garenko, A. (2018). Young Russian adults' attitudes towards the potential use of robots in hotels. Technology in Society, 55, 24-32. https://doi.org/10.1016/j.techsoc.2018.06.004
  129. Ivanov, S., & Webster, C. (2019). Perceived Appropriateness and Intention to Use Service Robots in Tourism. Information and Communication Technologies in Tourism 2019, 237-248. Springer International Publishing. https://doi.org/10.1007/978-3-030-05940-8_19
  130. Ivanov, S., & Webster, C. (2019). What Should Robots Do? A Comparative Analysis of Industry Professionals, Educators and Tourists. Information and Communication Technologies in Tourism 2019, 249-262. Springer International Publishing. https://doi.org/10.1007/978-3-030-05940-8_20
  131. Ivanov, S., Kuyumdzhiev, M., & Webster, C. (2020). Automation fears: Drivers and solutions. Technology in Society, 63, 101431. https://doi.org/10.1016/j.techsoc.2020.101431
  132. Ivanov, S., & Webster, C. (2021). Willingness-to-pay for robot-delivered tourism and hospitality services – an exploratory study. International Journal of Contemporary Hospitality Management, 33(11), 3926-3955. https://doi.org/10.1108/ijchm-09-2020-1078
  133. Ivanov, S., Webster, C., & Seyitoğlu, F. (2023). Humans and/or robots? Tourists’ preferences towards the humans–robots mix in the service delivery system. Service Business, 17(1), 195-231. https://doi.org/10.1007/s11628-022-00517-5
  134. Ivanov, S., & Webster, C. (2023). Restaurants and robots: public preferences for robot food and beverage services. Journal of Tourism Futures, 9(2), 229-239. https://doi.org/10.1108/jtf-12-2021-0264
  135. Jang, H.-W., & Lee, S.-B. (2020). Serving Robots: Management and Applications for Restaurant Business Sustainability. Sustainability, 12(10), 3998. https://doi.org/10.3390/su12103998
  136. Jang, H.-W., Moon, C., Jung, H. S., Cho, M., & Bonn, M. A. (2024). Normative and informational social influence affecting digital technology acceptance of senior restaurant diners: A technology learning perspective. International Journal of Hospitality Management, 116, 103626. https://doi.org/10.1016/j.ijhm.2023.103626
  137. Jang, C., & Kim, S. (2026). How employees of Korean franchise restaurants perceive older adult kiosk accessibility. Frontiers in Public Health, 13, 1660819. https://doi.org/10.3389/fpubh.2025.1660819
  138. Jia, J. W., Chung, N., & Hwang, J. (2021). Assessing the hotel service robot interaction on tourists' behaviour: the role of anthropomorphism. Industrial Management & Data Systems, 121(6), 1457-1478. https://doi.org/10.1108/imds-11-2020-0664
  139. Jia, S., Chi, O. H., & Lu, L. (2024). Social Robot Privacy Concern (SRPC): Rethinking privacy concerns within the hospitality domain. International Journal of Hospitality Management, 122, 103853. https://doi.org/10.1016/j.ijhm.2024.103853
  140. Jiang, Y., Balaji, M., & Lyu, C. (2026). Hospitality service agents’ roles in shaping psychological ownership. International Journal of Hospitality Management, 133, 104417. https://doi.org/10.1016/j.ijhm.2025.104417
  141. Jingcheng, S., & Hudin, N. S. (2025). Multidimensional Perspective on the Construction of Smart Canteens in Colleges and Universities: Integrated Framework, Practical Challenges, and Optimization Paths. Journal of Management World, 2025(5), 74-79. https://doi.org/10.53935/jomw.v2024i4.1218
  142. Jo, S.-J. (2023). The Effect of Food Tech based Robot Barista Cafe Experiential Value on Customer Satisfaction and Revisit Intention - Focused on Moderating Role of the Recommendation Intentions-. JOURNAL OF THE KOREA CONTENTS ASSOCIATION, 23(5), 193-204. https://doi.org/10.5392/jkca.2023.23.05.193
  143. Joo, K., Kim, H. M., & Hwang, J. (2023). A Study on the Experience Economy Examining a Robot Service in the Restaurant Industry Based on Demographic Characteristics. Sustainability, 15(14), 10827. https://doi.org/10.3390/su151410827
  144. Kang, Q., Zhou, L., Liu, J., & Ran, Y. (2022). Do contagion cues shape customers’ willingness to adopt hospitality service robots? International Journal of Hospitality Management, 104, 103244. https://doi.org/10.1016/j.ijhm.2022.103244
  145. Kang, M. S., & Kim, D. K. (2024). The Impact of Consumer Values on Behavioral Intention in Robot Barista Cafe: Exploring Moderating Effects of Frequency of Use and Consumer Innovativeness. Journal of Korea Service Management Society, 25(1), 295-323. https://doi.org/10.15706/jksms.2024.25.1.012
  146. Kanwal, S., Al Marhoobi, S. S. H., Bhatti, S. M., Abdul-Hamid, A.-Q., Suleiman, N., & Ali, M. H. (2025). Modeling the intention to accept 3D-printed foods: the role of religious beliefs, food neophobia and food technology neophobia. Humanities and Social Sciences Communications, 12(1), 1653. https://doi.org/10.1057/s41599-025-05916-3
  147. Kao, W.-K., & Huang, Y.-S. (2023). Service robots in full- and limited-service restaurants: Extending technology acceptance model. Journal of Hospitality and Tourism Management, 54, 10-21. https://doi.org/10.1016/j.jhtm.2022.11.006
  148. Kenebayeva, A., Cavusoglu, M., Hasan, R., Tazhina, G., & Abdunurova, A. (2025). A comparative study on perceived experiential value and behavioral intentions in robot-enhanced restaurants: examining cultural and gender differences. Journal of Hospitality and Tourism Technology, 16(3), 526-548. https://doi.org/10.1108/jhtt-03-2024-0154
  149. Kim, W. G., Ng, C. Y. N., & Kim, Y.-S. (2009). Influence of institutional DINESERV on customer satisfaction, return intention, and word-of-mouth. International Journal of Hospitality Management, 28(1), 10-17. https://doi.org/10.1016/j.ijhm.2008.03.005
  150. Kim, S. Y., Schmitt, B. H., & Thalmann, N. M. (2019). Eliza in the uncanny valley: anthropomorphizing consumer robots increases their perceived warmth but decreases liking. Marketing Letters, 30(1), 1-12. https://doi.org/10.1007/s11002-019-09485-9
  151. Kim, S., Kim, J., Badu-Baiden, F., Giroux, M., & Choi, Y. (2021). Preference for robot service or human service in hotels? Impacts of the COVID-19 pandemic. International Journal of Hospitality Management, 93, 102795. https://doi.org/10.1016/j.ijhm.2020.102795
  152. Kim, J. J., Choe, J. Y., & Hwang, J. (2021). Application of consumer innovativeness to the context of robotic restaurants. International Journal of Contemporary Hospitality Management, 33(1), 224-242. https://doi.org/10.1108/ijchm-06-2020-0602
  153. Kim, Y. J., Park, J. S., & Jeon, H. M. (2021). Experiential Value, Satisfaction, Brand Love, and Brand Loyalty toward Robot Barista Coffee Shop: The Moderating Effect of Generation. Sustainability, 13(21), 12029. https://doi.org/10.3390/su132112029
  154. Kim, R. Y., Heitz-Spahn, S., Belei, N., & Vaidyanathan, R. (2023). From Eerie to Aww: Embracing the Imperfect Side of Humans Can Improve the Consumer-Robot Interaction: An Abstract. Developments in Marketing Science: Proceedings of the Academy of Marketing Science, 5-6. Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-24687-6_3
  155. Kim, H. M., Abbas, J., Haq, M. Z. U., Lee, J., & Hwang, J. (2023). Differences between robot servers and human servers in brand modernity, brand love and behavioral intentions in the restaurant industry. Asia Pacific Journal of Marketing and Logistics, 35(7), 1774-1788. https://doi.org/10.1108/apjml-03-2022-0214
  156. Kim, J., Erdem, M., & Kim, B. (2024). Hi Alexa, do hotel guests have privacy concerns with you?: A cross-cultural study. Journal of Hospitality Marketing & Management, 33(3), 360-383. https://doi.org/10.1080/19368623.2023.2251157
  157. Kim, C.-W., & Park, K.-T. (2024). A Study on the Subjective Perception Types of Restaurant Customers Who Introduced Food Service Industry Robot Chefs. JOURNAL OF THE KOREA CONTENTS ASSOCIATION, 24(11), 338-348. https://doi.org/10.5392/jkca.2024.24.11.338
  158. Kim, S., Ayalew, Z. A., Quan, W., Nguyen, H. N., & Han, H. (2026). Do robot-service restaurant customers’ emotions affect satisfaction, brand loyalty and future intentions? International Journal of Contemporary Hospitality Management, 38(2), 447-470. https://doi.org/10.1108/ijchm-05-2025-0662
  159. Kim, H., Shin, H. H., Yoon, H., & Shin, H. (2027). Why travelers prefer humans over artificial intelligence (AI): Developing and testing an AI aversion model in tourism. Tourism Management, 118, 105494. https://doi.org/10.1016/j.tourman.2026.105494
  160. Kleijnen, M., Lee, N., & Wetzels, M. (2009). An exploration of consumer resistance to innovation and its antecedents. Journal of Economic Psychology, 30(3), 344-357. https://doi.org/10.1016/j.joep.2009.02.004
  161. Kniffin, K. M., Wansink, B., Devine, C. M., & Sobal, J. (2015). Eating Together at the Firehouse: How Workplace Commensality Relates to the Performance of Firefighters. Human Performance, 28(4), 281-306. https://doi.org/10.1080/08959285.2015.1021049
  162. Koerten, K. (2025). Can robots substitute human receptionists? Results from a field experiment. ROBONOMICS: The Journal of the Automated Economy, 6, 79. https://doi.org/10.67723/rj.v6i.79
  163. Koverola, M., Kunnari, A., Sundvall, J., & Laakasuo, M. (2022). General Attitudes Towards Robots Scale (GAToRS): A New Instrument for Social Surveys. International Journal of Social Robotics, 14(7), 1559-1581. https://doi.org/10.1007/s12369-022-00880-3
  164. Kwak, M.-K., Lee, J., & Cha, S.-S. (2021). Senior Consumer Motivations and Perceived Value of Robot Service Restaurants in Korea. Sustainability, 13(5), 2755. https://doi.org/10.3390/su13052755
  165. Kwon, J., Hsun, C. C., & Ahn, J. (2026). Examining the relative impacts of multidimensional barriers on usage intentions toward service robots. International Journal of Hospitality Management, 136, 104651. https://doi.org/10.1016/j.ijhm.2026.104651
  166. Lao, A., & Vlad, M. (2018). Évolution numérique des points de vente par la borne interactive : quels impacts sur l’imagerie mentale, l’expérience de magasinage et la valeur de magasinage ? Décisions Marketing, N° 91(3), 61-78. https://doi.org/10.7193/dm.091.61.78
  167. Laporte, C., & Poulain, J.-P. (2014). Restauration d'entreprise en France et au Royaume‑Uni. Synchronisation sociale alimentaire et obésité. Ethnologie française, Vol. 44(1), 93-103. https://doi.org/10.3917/ethn.141.0093
  168. Laporte, C. (2015). 1.8. Manger dans la restauration collective. L'alimentation à découvert, 40-40. CNRS Éditions. https://doi.org/10.4000/books.editionscnrs.10259
  169. Laukkanen, T. (2016). Consumer adoption versus rejection decisions in seemingly similar service innovations: The case of the Internet and mobile banking. Journal of Business Research, 69(7), 2432-2439. https://doi.org/10.1016/j.jbusres.2016.01.013
  170. Lee, M. K. (2018). Understanding perception of algorithmic decisions: Fairness, trust, and emotion in response to algorithmic management. Big Data & Society, 5(1), 2053951718756684. https://doi.org/10.1177/2053951718756684
  171. Lee, G., & Kim, Y. (2022). Effects of Resistance Barriers to Service Robots on Alternative Attractiveness and Intention to Use. Sage Open, 12(2), 21582440221099293. https://doi.org/10.1177/21582440221099293
  172. Lee, H., Ma, H., & Xiao, G. (2023). Ready for Robot Assistance? Exploring Gender Influences on Service Robot Adoption in Luxury vs. Economy Hotels. Journal of Marketing Development and Competitiveness, 17(4). https://doi.org/10.33423/jmdc.v17i4.6663
  173. Lee, O. J. (2024). Effects of Service Quality Characteristics and Unmanned Robot Cafes on Perceived value, and Intention to Reuse. Journal of Hotel & Resort, 251-268. https://doi.org/10.62532/khrc.2024.12.23.6.251
  174. Lee, C.-L., & Kwak, H. S. (2025). Effect of cooking and food serving robot design images and information on consumer liking, willingness to try food, and emotional responses. Food Research International, 214, 116626. https://doi.org/10.1016/j.foodres.2025.116626
  175. Lee, O. J. (2025). Impact of Service Quality in Unmanned Robot Cafes on Customers’ Experience Value, Trust, and Behavioral Intention. Journal of Hotel & Resort, 24(5), 419-437. https://doi.org/10.62532/khrc.2025.10.24.5.419
  176. Lee, J.-M., & Kim, S. (2026). When Choice Disappears: Perceived Coercion and Avoidance of Self-Service Technologies Among Older Consumers. Journal of Theoretical and Applied Electronic Commerce Research, 21(4), 126. https://doi.org/10.3390/jtaer21040126
  177. Lemoine, J.-F., & Cherif, E. (2012). Comment générer de la confiance envers un agent virtuel à l'aide de ses caractéristiques ? Une étude exploratoire. Management & Avenir, N° 58(8), 169-188. https://doi.org/10.3917/mav.058.0169
  178. Leung, E., Paolacci, G., & Puntoni, S. (2018). Man Versus Machine: Resisting Automation in Identity-Based Consumer Behavior. Journal of Marketing Research, 55(6), 818-831. https://doi.org/10.1177/0022243718818423
  179. Li, W., Ding, H., Gui, J., & Tang, Q. (2024). Patient acceptance of medical service robots in the medical intelligence era: an empirical study based on an extended AI device use acceptance model. Humanities and Social Sciences Communications, 11(1), 1495. https://doi.org/10.1057/s41599-024-04028-8
  180. Li, Z., Yuan, F., & Zhao, Z. (2025). Robot restaurant experience and recommendation behaviour: based on text-mining and sentiment analysis from online reviews. Current Issues in Tourism, 28(3), 461-475. https://doi.org/10.1080/13683500.2024.2309140
  181. Liang, H., & Xue, Y. (2009). Avoidance of Information Technology Threats: A Theoretical Perspective1. MIS Quarterly, 33(1), 71-90. https://doi.org/10.2307/20650279
  182. Lin, H., Chi, O. H., & Gursoy, D. (2020). Antecedents of customers’ acceptance of artificially intelligent robotic device use in hospitality services. Journal of Hospitality Marketing & Management, 29(5), 530-549. https://doi.org/10.1080/19368623.2020.1685053
  183. Lin, B., Lee, W., Choi, H. C., & Andereck, K. (2026). Developing and validating an ethical risk scale for service robots in hospitality. International Journal of Hospitality Management, 132, 104383. https://doi.org/10.1016/j.ijhm.2025.104383
  184. Lin, J.-J., & Lai, J. Y. (2026). Service Quality Assessment of Smart Campus Dining Services: Combining SERVQUAL and IPA Models. Sustainability, 18(4), 1822. https://doi.org/10.3390/su18041822
  185. Liu, S. (2012). The impact of forced use on customer adoption of self-service technologies. Computers in Human Behavior, 28(4), 1194-1201. https://doi.org/10.1016/j.chb.2012.02.002
  186. Liu, K.-X., Wang, X.-Y., & Wu, H.-Y. (2026). When are Service Robots effective? The Influence of the Matching Relationship Between Hotel Service Type and Service Provider on Customer Satisfaction. International Journal of Social Robotics, 18(2), 36. https://doi.org/10.1007/s12369-026-01379-x
  187. Longoni, C., Bonezzi, A., & Morewedge, C. K. (2019). Resistance to Medical Artificial Intelligence. Journal of Consumer Research, 46(4), 629-650. https://doi.org/10.1093/jcr/ucz013
  188. Longoni, C., & Cian, L. (2022). Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine” Effect. Journal of Marketing, 86(1), 91-108. https://doi.org/10.1177/0022242920957347
  189. Lu, L., Cai, R., & Gursoy, D. (2019). Developing and validating a service robot integration willingness scale. International Journal of Hospitality Management, 80, 36-51. https://doi.org/10.1016/j.ijhm.2019.01.005
  190. Luo, J. M., Vu, H. Q., Li, G., & Law, R. (2021). Understanding service attributes of robot hotels: A sentiment analysis of customer online reviews. International Journal of Hospitality Management, 98, 103032. https://doi.org/10.1016/j.ijhm.2021.103032
  191. Lutz, C., Schöttler, M., & Hoffmann, C. P. (2019). The privacy implications of social robots: Scoping review and expert interviews. Mobile Media & Communication, 7(3), 412-434. https://doi.org/10.1177/2050157919843961
  192. Lutz, C., & Tamó-Larrieux, A. (2020). The Robot Privacy Paradox: Understanding How Privacy Concerns Shape Intentions to Use Social Robots. Human-Machine Communication, 1, 87-111. https://doi.org/10.30658/hmc.1.6
  193. Lutz, C., & Tamò-Larrieux, A. (2021). Do Privacy Concerns About Social Robots Affect Use Intentions? Evidence From an Experimental Vignette Study. Frontiers in Robotics and AI, 8, 627958. https://doi.org/10.3389/frobt.2021.627958
  194. Ma, E., Yang, H., Wang, Y.-C., & Song, H. (2022). Building restaurant customers’ technology readiness through robot-assisted experiences at multiple product levels. Tourism Management, 93, 104610. https://doi.org/10.1016/j.tourman.2022.104610
  195. Ma, E., Bao, Y., Huang, L., Wang, D., & Kim, M. (2023). When a Robot Makes Your Dinner: A Comparative Analysis of Product Level and Customer Experience Between the U.S. and Chinese Robotic Restaurants. Cornell Hospitality Quarterly, 64(2), 184-211. https://doi.org/10.1177/19389655211052286
  196. Ma, S., Ge, L., Jia, H., & Wang, Y. (2025). Understanding and Mitigating the Robot Disadvantage in Luxury Services: The Role of Desire for Superiority. Information Systems Research, 36(4), 2134-2150. https://doi.org/10.1287/isre.2023.0229
  197. Macalupu, V., Miller, E., Martin, L., & Caldwell, G. (2025). Human–robot interactions and experiences of staff and service robots in aged care. Scientific Reports, 15(1), 2495. https://doi.org/10.1038/s41598-025-86255-w
  198. MacKenzie‐Shalders, K., Maunder, K., So, D., Norris, R., & McCray, S. (2020). Impact of electronic bedside meal ordering systems on dietary intake, patient satisfaction, plate waste and costs: A systematic literature review. Nutrition & Dietetics, 77(1), 103-111. https://doi.org/10.1111/1747-0080.12600
  199. Magnini, V. P., & Zehrer, A. (2021). Subconscious influences on perceived cleanliness in hospitality settings. International Journal of Hospitality Management, 94, 102761. https://doi.org/10.1016/j.ijhm.2020.102761
  200. Marghany, M. N., Elmohandes, N. M., Mohamad, I., Elshawarbi, N. N., Saleh, M. I., Ghazy, K., & Helal, M. Y. (2025). Robots at your service: Understanding hotel guest acceptance with meta-UTAUT investigation. International Journal of Hospitality Management, 130, 104227. https://doi.org/10.1016/j.ijhm.2025.104227
  201. Mata, J. (2026). The psychology of eating requires social context. Nature Reviews Psychology, 5(7), 476-492. https://doi.org/10.1038/s44159-026-00581-y
  202. McColl, D., & Nejat, G. (2013). Meal-Time with a Socially Assistive Robot and Older Adults at a Long-term Care Facility. Journal of Human-Robot Interaction, 2(1), 152-171. https://doi.org/10.5898/jhri.2.1.mccoll
  203. McKnight, D. H., Choudhury, V., & Kacmar, C. (2002). Developing and Validating Trust Measures for e-Commerce: An Integrative Typology. Information Systems Research, 13(3), 334-359. https://doi.org/10.1287/isre.13.3.334.81
  204. Meidute-Kavaliauskiene, I., Çiğdem, Ş., Yıldız, B., & Davidavicius, S. (2021). The Effect of Perceptions on Service Robot Usage Intention: A Survey Study in the Service Sector. Sustainability, 13(17), 9655. https://doi.org/10.3390/su13179655
  205. Mende, M., Scott, M. L., van Doorn, J., Grewal, D., & Shanks, I. (2019). Service Robots Rising: How Humanoid Robots Influence Service Experiences and Elicit Compensatory Consumer Responses. Journal of Marketing Research, 56(4), 535-556. https://doi.org/10.1177/0022243718822827
  206. Meuter, M. L., Ostrom, A. L., Roundtree, R. I., & Bitner, M. J. (2000). Self-Service Technologies: Understanding Customer Satisfaction with Technology-Based Service Encounters. Journal of Marketing, 64(3), 50-64. https://doi.org/10.1509/jmkg.64.3.50.18024
  207. Meuter, M. L., Bitner, M. J., Ostrom, A. L., & Brown, S. W. (2005). Choosing among Alternative Service Delivery Modes: An Investigation of Customer Trial of Self-Service Technologies. Journal of Marketing, 69(2), 61-83. https://doi.org/10.1509/jmkg.69.2.61.60759
  208. Meyer-Waarden, L., Pavone, G., Poocharoentou, T., Prayatsup, P., Ratinaud, M., Tison, A., & Torné, S. (2020). How Service Quality Influences Customer Acceptance and Usage of Chatbots? Journal of Service Management Research, 4(1), 35-51. https://doi.org/10.15358/2511-8676-2020-1-35
  209. Meyer‐Waarden, L., & Cloarec, J. (2026). The Contextual Autonomy Principle: When and Why Social Service Robots Are Perceived as Ethical. Psychology & Marketing, mar.70222. https://doi.org/10.1002/mar.70222
  210. Michaud, M. (2025). Manger ensemble, un enjeu social et sociétal ? Réflexion critique autour de la commensalité. Rhizome, n° 93(2), 17-18. https://doi.org/10.3917/rhiz.093.0017
  211. Min, S., Martinez, J. E., & Stringam, B. B. (2025). Adoption of semiautonomous food delivery robots: Employee experiences and workplace adaptation. International Journal of Hospitality Management, 130, 104274. https://doi.org/10.1016/j.ijhm.2025.104274
  212. Min, S., Martinez, J. E., & Stringam, B. B. (2026). Semiautonomous food delivery robot integration in contract foodservice. Journal of Foodservice Business Research, 1-29. https://doi.org/10.1080/15378020.2026.2639452
  213. Molinillo, S., Rejón-Guardia, F., & Anaya-Sánchez, R. (2023). Exploring the antecedents of customers’ willingness to use service robots in restaurants. Service Business, 17(1), 167-193. https://doi.org/10.1007/s11628-022-00509-5
  214. Moon, H., Yu, J., Chua, B.-L., & Han, H. (2022). Hotel privacy management and guest trust building: A relational signaling perspective. International Journal of Hospitality Management, 102, 103171. https://doi.org/10.1016/j.ijhm.2022.103171
  215. Nam, J., Kim, S., & Jung, Y. (2023). Elderly Users’ Emotional and Behavioral Responses to Self-Service Technology in Fast-Food Restaurants. Behavioral Sciences, 13(4), 284. https://doi.org/10.3390/bs13040284
  216. Ng, K. M., & Bayakhmetova, A. (2026). Human-robot interaction in sustainable hospitality: how robot type shapes customer emotions, green perceptions, and service loyalty. Frontiers in Robotics and AI, 13, 1845884. https://doi.org/10.3389/frobt.2026.1845884
  217. Nomura, T., Kanda, T., Suzuki, T., & Kato, K. (2008). Prediction of Human Behavior in Human--Robot Interaction Using Psychological Scales for Anxiety and Negative Attitudes Toward Robots. IEEE Transactions on Robotics, 24(2), 442-451. https://doi.org/10.1109/tro.2007.914004
  218. Orea-Giner, A., Fuentes-Moraleda, L., Villacé-Molinero, T., Muñoz-Mazón, A., & Calero-Sanz, J. (2022). Does the Implementation of Robots in Hotels Influence the Overall TripAdvisor Rating? A Text Mining Analysis from the Industry 5.0 Approach. Tourism Management, 93, 104586. https://doi.org/10.1016/j.tourman.2022.104586
  219. Pancer, E., Noseworthy, T. J., McShane, L., Taylor, N., & Philp, M. (2025). Robots in the kitchen: The automation of food preparation in restaurants and the compounding effects of perceived love and disgust on consumer evaluations. Appetite, 204, 107723. https://doi.org/10.1016/j.appet.2024.107723
  220. Pande, S., & Gupta, K. P. (2023). Indian customers’ acceptance of service robots in restaurant services. Behaviour & Information Technology, 42(12), 1946-1967. https://doi.org/10.1080/0144929x.2022.2103734
  221. Park, S. (2020). Multifaceted trust in tourism service robots. Annals of Tourism Research, 81, 102888. https://doi.org/10.1016/j.annals.2020.102888
  222. Parvez, M. O., Eluwole, K. K., & Lasisi, T. T. (2024). Robotic safety and hygiene attributes: visitors’ intention to receive robot-delivered hospitality services. Journal of Hospitality and Tourism Technology, 15(5), 808-824. https://doi.org/10.1108/jhtt-10-2023-0307
  223. Parvez, M. O., Hossain, M. S., Islam, M. S., & Eluwole, K. K. (2025). Customers’ acceptance of AI-powered robot chefs in casual dining restaurants. Journal of Hospitality and Tourism Insights, 8(4), 1564-1581. https://doi.org/10.1108/jhti-04-2024-0347
  224. Passebois-Ducros, J., & Flacandji, M. (2022). The Role of Innovative Interactive Mediation Technologies in Museums: An Analysis of How the Presence of a Robot Affects Visitor Behavior. Décisions Marketing, No 105(1), 231-248. https://doi.org/10.3917/dm.105.0093
  225. Peng, C., Sun, J., Feng, C., Chen, Z., & Li, X. (2026). Rethinking AI aversion in tourism: A meta-analysis of causal effects and contextual boundaries. Tourism Management, 117, 105475. https://doi.org/10.1016/j.tourman.2026.105475
  226. Phang, I. G., Jiang, S., & Lim, X. J. (2023). Wow It’s a Robot! Customer-Motivated Innovativeness, Hotel Image, and Intention to Stay at Chinese Hotels. Journal of China Tourism Research, 19(4), 812-828. https://doi.org/10.1080/19388160.2022.2155749
  227. Pitardi, V., Wirtz, J., Paluch, S., & Kunz, W. H. (2022). Service robots, agency and embarrassing service encounters. Journal of Service Management, 33(2), 389-414. https://doi.org/10.1108/josm-12-2020-0435
  228. Pitardi, V., Bartikowski, B., Osburg, V.-S., & Yoganathan, V. (2023). Effects of gender congruity in human-robot service interactions: The moderating role of masculinity. International Journal of Information Management, 70, 102489. https://doi.org/10.1016/j.ijinfomgt.2022.102489
  229. Pitardi, V., Wirtz, J., Paluch, S., & Kunz, W. H. (2024). Metaperception benefits of service robots in uncomfortable service encounters. Tourism Management, 105, 104939. https://doi.org/10.1016/j.tourman.2024.104939
  230. Pizam, A., Ozturk, A. B., Hacikara, A., Zhang, T., Balderas-Cejudo, A., Buhalis, D., Fuchs, G., Hara, T., Meira, J., Revilla, R. G. M., Sethi, D., Shen, Y., & State, O. (2024). The role of perceived risk and information security on customers' acceptance of service robots in the hotel industry. International Journal of Hospitality Management, 117, 103641. https://doi.org/10.1016/j.ijhm.2023.103641
  231. Pliner, P., & Hobden, K. (1992). Development of a scale to measure the trait of food neophobia in humans. Appetite, 19(2), 105-120. https://doi.org/10.1016/0195-6663(92)90014-w
  232. POTDEVIN, D., SABOURET, N., & CLAVEL, C. (2022). Utilisation d'un agent virtuel pour l'accueil des visiteurs en office du tourisme. Industrie du futur. https://doi.org/10.51257/a-v1-in250
  233. Poulain, J.-P. (2013). Sociologies de l'alimentation. Presses Universitaires de France. https://doi.org/10.3917/puf.poul.2013.01
  234. Qiu, H., Li, M., Shu, B., & Bai, B. (2020). Enhancing hospitality experience with service robots: the mediating role of rapport building. Journal of Hospitality Marketing & Management, 29(3), 247-268. https://doi.org/10.1080/19368623.2019.1645073
  235. Ram, S., & Sheth, J. N. (1989). Consumer Resistance to Innovations: The Marketing Problem and its solutions. Journal of Consumer Marketing, 6(2), 5-14. https://doi.org/10.1108/eum0000000002542
  236. Reinders, M. J., Dabholkar, P. A., & Frambach, R. T. (2008). Consequences of Forcing Consumers to Use Technology-Based Self-Service. Journal of Service Research, 11(2), 107-123. https://doi.org/10.1177/1094670508324297
  237. Reinders, M. J., Frambach, R., & Kleijnen, M. (2015). Mandatory use of technology-based self-service: does expertise help or hurt? European Journal of Marketing, 49(1/2), 190-211. https://doi.org/10.1108/ejm-12-2012-0735
  238. Reis, J., Melão, N., Salvadorinho, J., Soares, B., & Rosete, A. (2020). Service robots in the hospitality industry: The case of Henn-na hotel, Japan. Technology in Society, 63, 101423. https://doi.org/10.1016/j.techsoc.2020.101423
  239. Reis, J. (2024). Customer service through AI-Powered human-robot relationships: Where are we now? The case of Henn na cafe, Japan. Technology in Society, 77, 102570. https://doi.org/10.1016/j.techsoc.2024.102570
  240. Romero, J., & Lado, N. (2021). Service robots and COVID-19: exploring perceptions of prevention efficacy at hotels in generation Z. International Journal of Contemporary Hospitality Management, 33(11), 4057-4078. https://doi.org/10.1108/ijchm-10-2020-1214
  241. Ross, M. M., Collins, A. M., McCarthy, M. B., & Kelly, A. L. (2022). Overcoming barriers to consumer acceptance of 3D-printed foods in the food service sector. Food Quality and Preference, 100, 104615. https://doi.org/10.1016/j.foodqual.2022.104615
  242. Rozin, P., Markwith, M., & Nemeroff, C. (1992). Magical Contagion Beliefs and Fear of AIDS1. Journal of Applied Social Psychology, 22(14), 1081-1092. https://doi.org/10.1111/j.1559-1816.1992.tb00943.x
  243. Santiago, J., Borges-Tiago, M. T., & Tiago, F. (2024). Embracing RAISA in restaurants: Exploring customer attitudes toward robot adoption. Technological Forecasting and Social Change, 199, 123047. https://doi.org/10.1016/j.techfore.2023.123047
  244. Schmidt, A. L., Koerten, K., Tuomi, A., El‐Manstrly, D., & Wiegerink, K. (2025). Human Versus Robot: Comparing Service Agents in Hospitality Settings—Insights From a Field Study. Strategic Change, 34(4), 559-575. https://doi.org/10.1002/jsc.2637
  245. Sebbane, M., Costa, S., & Sirieix, L. (2017). Gaspillage alimentaire en restauration collective : une analyse qualitative des normes personnelles et sociales. Décisions Marketing, N° 88(4), 35-50. https://doi.org/10.7193/dm.088.35.50
  246. Seo, K. H., & Lee, J. H. (2021). The Emergence of Service Robots at Restaurants: Integrating Trust, Perceived Risk, and Satisfaction. Sustainability, 13(8), 4431. https://doi.org/10.3390/su13084431
  247. Seo, K. H., & Lee, J. H. (2025). The Impact of Service Quality on Perceived Value, Image, Satisfaction, and Revisit Intention in Robotic Restaurants for Sustainability. Sustainability, 17(16), 7422. https://doi.org/10.3390/su17167422
  248. Seyitoğlu, F., Ivanov, S., Atsız, O., & Çifçi, İ. (2021). Robots as restaurant employees - A double-barrelled detective story. Technology in Society, 67, 101779. https://doi.org/10.1016/j.techsoc.2021.101779
  249. Seyitoğlu, F. (2026). From robotic cooking to robotic chef trend: A systematic review of the evolution and impact of robot chefs. International Journal of Gastronomy and Food Science, 43, 101448. https://doi.org/10.1016/j.ijgfs.2026.101448
  250. Shah, T. R., Kautish, P., & Mehmood, K. (2023). Influence of robots service quality on customers' acceptance in restaurants. Asia Pacific Journal of Marketing and Logistics, 35(12), 3117-3137. https://doi.org/10.1108/apjml-09-2022-0780
  251. Shampanier, K., Mazar, N., & Ariely, D. (2007). Zero as a Special Price: The True Value of Free Products. Marketing Science, 26(6), 742-757. https://doi.org/10.1287/mksc.1060.0254
  252. Sharma, V., Kapse, M., Poulose, J., & Mahajan, Y. (2023). Robotic dining delight: Unravelling the key factors driving customer satisfaction in service robot restaurants using PLS-SEM and ML. Cogent Business & Management, 10(3), 2281053. https://doi.org/10.1080/23311975.2023.2281053
  253. Shi, Y., Zhan, W., & Lin, C. (2025). The impact of hotel robots’ service quality on continuance intention: the moderating effect of personal innovation. Frontiers in Robotics and AI, 12, 1667123. https://doi.org/10.3389/frobt.2025.1667123
  254. Shin, H., & Kang, J. (2020). Reducing perceived health risk to attract hotel customers in the COVID-19 pandemic era: Focused on technology innovation for social distancing and cleanliness. International Journal of Hospitality Management, 91, 102664. https://doi.org/10.1016/j.ijhm.2020.102664
  255. Shin, H. H., & Jeong, M. (2020). Guests’ perceptions of robot concierge and their adoption intentions. International Journal of Contemporary Hospitality Management, 32(8), 2613-2633. https://doi.org/10.1108/ijchm-09-2019-0798
  256. Smith, R. A., White-McNeil, A., & Ali, F. (2020). Students’ perceptions and behavior toward on-campus foodservice operations. International Hospitality Review, 34(1), 13-28. https://doi.org/10.1108/ihr-06-2019-0010
  257. Soliman, M., Gulvady, S., Elbaz, A. M., Mosbah, M., & Wahba, M. S. (2024). Robot-delivered tourism and hospitality services: How to evaluate the impact of health and safety considerations on visitors’ satisfaction and loyalty? Tourism and Hospitality Research, 24(3), 393-409. https://doi.org/10.1177/14673584231153367
  258. Soliman, M., Ivanov, S., Elgammal, I., Webster, C., & Al-Alawi, A. (2024). Pursuing the drivers of consumer behaviour toward service robots in the hotel industry. International Journal of Hospitality Management, 120, 103752. https://doi.org/10.1016/j.ijhm.2024.103752
  259. Song, H., Wang, Y.-C., Yang, H., & Ma, E. (2022). Robotic employees vs. human employees: Customers’ perceived authenticity at casual dining restaurants. International Journal of Hospitality Management, 106, 103301. https://doi.org/10.1016/j.ijhm.2022.103301
  260. Song, B., Xu, H., Hu, W., Li, Y., & Guo, Y. (2024). How to calculate privacy: privacy concerns and service robots’ use intention in hospitality. Current Issues in Tourism, 27(21), 3401-3417. https://doi.org/10.1080/13683500.2023.2265029
  261. Song, X., Gu, H., Ling, X., Ye, W., Li, X., & Zhu, Z. (2024). Understanding trust and rapport in hotel service encounters: extending the service robot acceptance model. Journal of Hospitality and Tourism Technology, 15(5), 842-861. https://doi.org/10.1108/jhtt-12-2023-0428
  262. Song, X., Gu, H., Li, Y., Leung, X. Y., & Ling, X. (2024). The influence of robot anthropomorphism and perceived intelligence on hotel guests’ continuance usage intention. Information Technology & Tourism, 26(1), 89-117. https://doi.org/10.1007/s40558-023-00275-8
  263. Song, X., Li, Y., Leung, X. Y., & Mei, D. (2024). Service robots and hotel guests’ perceptions: anthropomorphism and stereotypes. Tourism Review, 79(2), 505-522. https://doi.org/10.1108/tr-04-2023-0265
  264. Spence, C. (2023). Robots in gastronomy: Psychological and financial considerations. International Journal of Gastronomy and Food Science, 32, 100707. https://doi.org/10.1016/j.ijgfs.2023.100707
  265. Sthapit, E., Ji, C., Ping, Y., Prentice, C., Garrod, B., & Yang, H. (2024). Experience-driven well-being: the case of unmanned smart hotels. International Journal of Contemporary Hospitality Management, 36(13), 1-18. https://doi.org/10.1108/ijchm-07-2023-1063
  266. Sun, S., Ye, H., & Law, R. (2025). Investigation of the influences of emotional–cognitive–social responses of service robot on consumers’ hotel stay intention in Japan. Journal of Hospitality and Tourism Technology, 16(5), 1275-1291. https://doi.org/10.1108/jhtt-08-2024-0491
  267. Sun, S., Ye, H., & Law, R. (2026). Does past experience influence the preferences of consumers toward service robots? Journal of Hospitality and Tourism Technology, 1-19. https://doi.org/10.1108/jhtt-02-2025-0106
  268. Sung, H. J., & Jeon, H. M. (2020). Untact: Customer’s Acceptance Intention toward Robot Barista in Coffee Shop. Sustainability, 12(20), 8598. https://doi.org/10.3390/su12208598
  269. Szmigin, I., & Foxall, G. (1998). Three forms of innovation resistance: the case of retail payment methods. Technovation, 18(6-7), 459-468. https://doi.org/10.1016/s0166-4972(98)00030-3
  270. The Foodservice Management Society Of Korea, & Hong, S. W. (2023). The Effect of Robot Cafe Experience Economy Factors on Perceived Value and Customer Satisfaction. Foodservice Management Society of Korea, 26(5), 112-136. https://doi.org/10.47584/jfm.2023.26.5.112
  271. The Tourism Sciences Society Of Korea, Kim, B.-J., & Hwang, J.-H. (2023). The effect of anthropomorphism level of hotel service robot on robot service quality expectation: Moderating effect of gadget-loving tendency. The Tourism Sciences Society of Korea, 47(2), 131-148. https://doi.org/10.17086/jts.2023.47.2.131.148
  272. Tian, Z., & Liu, X. (2024). Customer Participation in the Value Co-creation of Hotel Service Robot Interaction. Sage Open, 14(4), 21582440241296652. https://doi.org/10.1177/21582440241296652
  273. Topsakal, Y., Yüzbaşıoğlu, N., & Uysal, M. (2026). Trusting the Robot Waiter: What Drives Consumers' Acceptance of Restaurant Service Robots? International Journal of Consumer Studies, 50(4), e70232. https://doi.org/10.1111/ijcs.70232
  274. Tung, V. W. S., & Au, N. (2018). Exploring customer experiences with robotics in hospitality. International Journal of Contemporary Hospitality Management, 30(7), 2680-2697. https://doi.org/10.1108/ijchm-06-2017-0322
  275. Tuomi, A., & Tussyadiah, I. P. (2020). Building the sociomateriality of food service. International Journal of Hospitality Management, 89, 102553. https://doi.org/10.1016/j.ijhm.2020.102553
  276. Tussyadiah, I. P., & Park, S. (2018). Consumer Evaluation of Hotel Service Robots. Information and Communication Technologies in Tourism 2018, 308-320. Springer International Publishing. https://doi.org/10.1007/978-3-319-72923-7_24
  277. Tussyadiah, I. P., Zach, F. J., & Wang, J. (2020). Do travelers trust intelligent service robots? Annals of Tourism Research, 81, 102886. https://doi.org/10.1016/j.annals.2020.102886
  278. Ud Din, I., & Van Riel, A. C. R. (2026). Will I try or will I resist artificial intelligence-based frontline service technologies? A review and research agenda. Service Business, 20(1), 9. https://doi.org/10.1007/s11628-026-00609-6
  279. University of British Columbia, Canada, & Cenfetelli, R. (2004). Inhibitors and Enablers as Dual Factor Concepts in Technology Usage. Journal of the Association for Information Systems, 5(11), 472-492. https://doi.org/10.17705/1jais.00059
  280. Vachaudez, A., & Koubi, C. (2024). OK Google: “Why do users of voice assistants maintain their use of technology over time?”. Décisions Marketing, N° 112(4), 177-197. https://doi.org/10.3917/dm.112.0027
  281. Veera Raghavan, D. R. (2025). Does robotic service quality determine robotic restaurant diners’ engagement behaviors? Role of customer engagement and attachment to the restaurant. The TQM Journal, 37(8), 2181-2205. https://doi.org/10.1108/tqm-04-2024-0157
  282. Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1), 157-178. https://doi.org/10.2307/41410412
  283. Viot, C., & Bressolles, G. (2012). Les agents virtuels intelligents. Décisions Marketing, N° 65(1), 45-56. https://doi.org/10.3917/dm.065.0045
  284. von Dreden, C., & Binnewies, C. (2017). Choose your lunch companion wisely: the relationships between lunch break companionship, psychological detachment, and daily vigour. European Journal of Work and Organizational Psychology, 26(3), 356-372. https://doi.org/10.1080/1359432x.2017.1301428
  285. Vos, M. C., Galetzka, M., Mobach, M. P., van Hagen, M., & Pruyn, A. T. (2019). Measuring perceived cleanliness in service environments: Scale development and validation. International Journal of Hospitality Management, 83, 11-18. https://doi.org/10.1016/j.ijhm.2019.04.005
  286. Wang, L.-H., Ho, J.-L., Yeh, S.-S., & Huan, T.-C. (2022). Is robot hotel a future trend? Exploring the incentives, barriers and customers' purchase intention for robot hotel stays. Tourism Management Perspectives, 43, 100984. https://doi.org/10.1016/j.tmp.2022.100984
  287. Wang, X., Zhang, Z., Huang, D., & Li, Z. (2023). Consumer resistance to service robots at the hotel front desk: A mixed-methods research. Tourism Management Perspectives, 46, 101074. https://doi.org/10.1016/j.tmp.2023.101074
  288. Wang, B., & Gan, L. (2023). Exploring Factors Influencing the Acceptance of Digitalized Smart Campus Cafeteria Models: A UTAUT Model-Based Analysis. 2023 16th International Symposium on Computational Intelligence and Design (ISCID), 38-42. https://doi.org/10.1109/iscid59865.2023.00017
  289. Wang, J., & Fu, X. (2024). Unveiling the human–robot encounter: guests’ perspectives on smart hotel experience. Journal of Hospitality and Tourism Technology, 15(5), 701-716. https://doi.org/10.1108/jhtt-01-2024-0006
  290. Wang, Y., Zou, Z., & So, K. K. F. (2025). Uncovering heterogeneity in customers’ cleanliness perceptions and its impact on visit intentions: Findings from a multi-method analysis. Journal of Travel & Tourism Marketing, 42(2), 208-221. https://doi.org/10.1080/10548408.2025.2453912
  291. Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: service robots in the frontline. Journal of Service Management, 29(5), 907-931. https://doi.org/10.1108/josm-04-2018-0119
  292. Wu, S.-H. (2025). Deep affection: service robots increase brand love of restaurants. British Food Journal, 127(1), 129-147. https://doi.org/10.1108/bfj-06-2024-0631
  293. Xiao, C., & Zhao, L. (2022). Robotic Chef Versus Human Chef: The Effects of Anthropomorphism, Novel Cues, and Cooking Difficulty Level on Food Quality Prediction. International Journal of Social Robotics, 14(7), 1697-1710. https://doi.org/10.1007/s12369-022-00896-9
  294. Xie, L., & Lei, S. (2022). The nonlinear effect of service robot anthropomorphism on customers’ usage intention: A privacy calculus perspective. International Journal of Hospitality Management, 107, 103312. https://doi.org/10.1016/j.ijhm.2022.103312
  295. Yang, H., Wang, Y.-C., Song, H., & Ma, E. (2024). Utilitarian vs hedonic roles of service robots and customer stereotypes: a person–environment fit theory perspective. International Journal of Contemporary Hospitality Management, 36(9), 3211-3231. https://doi.org/10.1108/ijchm-05-2023-0668
  296. Yang, Y., Lin, M. S., & Magnini, V. P. (2024). Do guests care more about hotel cleanliness during COVID-19? Understanding factors associated with cleanliness importance of hotel guests. International Journal of Contemporary Hospitality Management, 36(1), 239-258. https://doi.org/10.1108/ijchm-08-2022-0956
  297. Yang, Y., Lu, P., Niu, Y., & Yuan, G. (2024). Research on Unmanned Smart Hotels Resistance from the Perspective of Innovation Resistance Theory. Sage Open, 14(3), 21582440241281570. https://doi.org/10.1177/21582440241281570
  298. Yang, X., Garnier, M., & Djelassi, S. (2025). « Robot, ne m’approche pas ! » Quand un robot imite l’approche par un vendeur en magasin : impact sur l’intrusivité perçue et les attentes comportementales. Recherche et Applications en Marketing (French Edition), 40(4), 28-67. https://doi.org/10.1177/07673701251379974
  299. Yoganathan, V., Osburg, V.-S., H. Kunz, W., & Toporowski, W. (2021). Check-in at the Robo-desk: Effects of automated social presence on social cognition and service implications. Tourism Management, 85, 104309. https://doi.org/10.1016/j.tourman.2021.104309
  300. Yu, C.-E. (2020). Humanlike robots as employees in the hotel industry: Thematic content analysis of online reviews. Journal of Hospitality Marketing & Management, 29(1), 22-38. https://doi.org/10.1080/19368623.2019.1592733
  301. Zemke, D. M. V., Han, W., & Raab, C. (2025). Robot acceptability in quick service restaurants: a customer’s point of view. International Hospitality Review. https://doi.org/10.1108/ihr-04-2024-0020
  302. Zhang, X., Balaji, M., & Jiang, Y. (2022). Robots at your service: value facilitation and value co-creation in restaurants. International Journal of Contemporary Hospitality Management, 34(5), 2004-2025. https://doi.org/10.1108/ijchm-10-2021-1262
  303. Zhang, Y., Quoquab, F., Mohammad, J., & Tao, Y. M. (2026). When customers meet robots: How authenticity and delight shape revisit intention through customer–robot interaction. Technological Forecasting and Social Change, 226, 124607. https://doi.org/10.1016/j.techfore.2026.124607
  304. Zheng, C., Zhang, L., & Bian, X. (2024). A showdown in the kitchen: Exploring consumers’ preferences for robot-made versus human-made foods at different stages of dietary restraint. Journal of Retailing and Consumer Services, 81, 103934. https://doi.org/10.1016/j.jretconser.2024.103934
  305. Zhong, L., Sun, S., Law, R., & Zhang, X. (2020). Impact of robot hotel service on consumers’ purchase intention: a control experiment. Asia Pacific Journal of Tourism Research, 25(7), 780-798. https://doi.org/10.1080/10941665.2020.1726421
  306. Zhong, L., Coca-Stefaniak, J. A., Morrison, A. M., Yang, L., & Deng, B. (2022). Technology acceptance before and after COVID-19: no-touch service from hotel robots. Tourism Review, 77(4), 1062-1080. https://doi.org/10.1108/tr-06-2021-0276
  307. Zhu, D. H., & Chang, Y. P. (2020). Robot with humanoid hands cooks food better? International Journal of Contemporary Hospitality Management, 32(3), 1367-1383. https://doi.org/10.1108/ijchm-10-2019-0904
  308. Zhu, D. H. (2022). Effects of robot restaurants’ food quality, service quality and high-tech atmosphere perception on customers’ behavioral intentions. Journal of Hospitality and Tourism Technology, 13(4), 699-714. https://doi.org/10.1108/jhtt-01-2021-0022
  309. [Auteur non renseigne] (2025). Assessing the Implementation and Student Satisfaction of Intelligent Canteen Systems in Chinese Universities: A Nationwide Survey. International Journal of Science and Engineering Applications. https://doi.org/10.7753/ijsea1407.1010

Littérature grise et références sans DOI (vérifiées sur HAL, theses.fr ou d'après l'original) 12

  1. André, S. (2024). Anthropomorphisme et perception de l'esprit dans les interactions entre l'homme et l'IA dans des contextes services [Thèse de doctorat en sciences de gestion, Université Jean Moulin Lyon 3]. https://theses.fr/2024LYO30006
  2. Aubergé, V. (2024, 5 juillet). Rôles et personnalités attribués à la machine robot dans les services de l'hôtellerie et de la restauration [Communication]. Colloque Nouvelles solutions robotiques et cobotiques dans l'hôtellerie et la restauration, Lyon. https://hal.science/hal-04875284v1
  3. Dang, N. B. (2022). Social robots as a response to consumers' social-psychological self-deficits: The prism of well-being improvement [Thèse, Université Toulouse 1 Capitole / TBS]. https://theses.fr/2022TOU10032
  4. Donovan, R. J., & Rossiter, J. R. (1982). Store atmosphere: An environmental psychology approach. Journal of Retailing, 58(1), 34-57.
  5. Flandrin, P. (2023). Digitalisation dans le tourisme 4.0. L'approche du changement technologique et des transformations de la relation de service [Thèse]. https://hal.science/tel-04557868v1
  6. Lallement, J., Machat, S., Euzéby, F., & Passebois-Ducros, J. (2016, 18 mai). Tu le trouves joli mon robot ? Comprendre les facteurs déterminants de l'acceptabilité du robot [Communication]. 32e Congrès international de l'Association Française du Marketing, Lyon. https://univ-rochelle.hal.science/hal-01675322v1
  7. Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. MIT Press.
  8. Rodriguez, D. (2023, 22 novembre). Exploring the adoption of robotic systems in the hospitality industry: A study on service robots in the context of France and Occitanie [Communication]. 8th Asia Euro Tourism, Hospitality & Gastronomy Conference, Toulouse. https://hal.science/hal-05126403v1
  9. Rodriguez, D. (2024, 8 juillet). De Chuck E. Cheese à Pazzi robotics : entre contestation et fascination des systèmes robotiques en restauration [Communication]. XXIIe Congrès international des sociologues de langue française, Ottawa. https://hal.science/hal-04650735v1
  10. Rodriguez, D. (en cours). Acceptabilité et représentations sociales des systèmes robotiques centrés sur l'humain par les travailleurs de l'industrie agroalimentaire et du secteur de l'hôtellerie-restauration [Thèse de sociologie, Université de Toulouse, CERTOP]. https://theses.fr/s359766
  11. Schweitzer, V. (2022). L'acceptation des dispositifs technologiques d'auto-production par le consommateur : une approche par l'empowerment psychologique [Thèse, Université de Haute-Alsace]. https://theses.fr/2022MULH4666
  12. Yang, X. (2024). Understanding customer's journey of interaction with ISTs and service robots in-store [Thèse, Université de Lille]. https://theses.fr/2024ULILD021

Références ajoutées : audit critique et articles en visionneuse 4

  1. McShane, L., Taylor, N., Noseworthy, T. J., Pancer, E., & Philp, M. (2026). How humanoid robots influence consumer preferences in the foodservice industry. Appetite, 220, 108429. https://doi.org/10.1016/j.appet.2025.108429
  2. Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405-431. https://doi.org/10.1108/imr-09-2014-0304
  3. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540
  4. Farooq, M. S., Salam, M., Jaafar, N., Fayolle, A., Ayupp, K., Radovic-Markovic, M., & Sajid, A. (2017). Acceptance and use of lecture capture system (LCS) in executive business studies: Extending UTAUT2. Interactive Technology and Smart Education, 14(4), 329-348. https://doi.org/10.1108/itse-06-2016-0015