工作压力与个体创造力：面向人工智能赋能 workplace 的基于屏幕的偏最小二乘结构方程建模方案

Yeongjin Kim; Marko Majer; Cheong Kim

doi:10.3791/72294

研究文章

工作压力与个体创造力：面向人工智能赋能 workplace 的基于屏幕的偏最小二乘结构方程建模方案

DOI：

10.3791/72294

⸱

2026年7月21日

Yeongjin Kim¹ , Marko Majer² , Cheong Kim¹^,³

¹Seoul Business School, ASSIST University, ²Graduate Management Studies, Franklin University Switzerland, ³Department of Management Information Systems, Dong-A University

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究提出了一种基于问卷调查的偏最小二乘结构方程建模（PLS-SEM）方案，用于在嵌入人工智能的工作场所研究中检验中介与调节效应、进行共同方法偏差诊断、解释简单斜率以及评估预测相关性。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

人工智能（AI）在组织中的日益广泛应用正在重塑员工的工作要求、领导力认知以及创造力机会。基于工作需求-资源（JD-R）模型和社会学习理论，本研究探讨了员工对伦理型领导力的认知是否在工作压力与个体创造力之间起中介作用，以及组织中人工智能的嵌入程度是否会强化这一关系。通过采用偏最小二乘结构方程模型（PLS-SEM）并进行5000次自助抽样分析，研究结果表明，工作压力对伦理型领导力认知具有负向影响，而伦理型领导力认知则正向影响创造力。工作压力与创造力之间并无直接关联；相反，伦理型领导力认知起到了显著的间接路径作用。此外，组织中人工智能的嵌入程度增强了伦理型领导力认知与创造力之间的关系。这些发现表明，在人工智能赋能的工作场所中，创造力更多地受到组织心理机制的影响，而非技术本身。因此，组织若希望在数字化转型过程中提升创造力，应注重管理工作压力并营造伦理型领导环境，而不仅仅聚焦于人工智能的实施。本方案以该实证模型为示例，展示了一套可重复的从问卷调查到PLS-SEM分析的工作流程。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

人工智能（AI）正在改变员工的工作方式、对岗位职责本质的理解以及识别创造性机会的能力，因为组织开始采用人工智能进行决策支持、自动化和协调工作¹^,²^,³^,⁴。由人工智能驱动的能力可以扩大可获取信息的范围，并支持实验探索，但其本身并不能激励人们表现出创造性行为⁵^,⁶。相反，员工的创造性行为取决于他们对实验合法性的认知、对犯错后是否受到公平对待的感知，以及对领导支持程度的看法⁷^,⁸。本方案将创造力定义为组织心理学中一种基于感知的过程，而非基于技术产出的结果，同时确保从招募到推论的整个流程具有可重复性和透明性⁹。该程序并不在实验室中拍摄或观察参与者的行为，但所关注的现象仍然是行为层面的，因为员工确实会对工作压力做出反应，解读社会信息，并对融入人工智能的工作情境发展出创造性的应对方式。因此，行为范围是通过可测量的工作场所行为以及与创造力、领导力感知和人工智能相关情境反应有关的解释性构念来体现的，而非物理动作本身⁶^,¹⁰。

AI嵌入型工作场所被定义为一种工作环境，在这种环境中，员工将人工智能视为工作协调、决策支持、评估和问题解决中持续存在的组成部分，而非偶尔使用的可选工具。这一概念比广泛的数字化转型更为具体，不同于AI的引入（即AI采用），不同于AI实施的阶段（即AI成熟度），也不同于技术能力层面的AI能力。由于员工可能并不了解AI在所有职能中实际应用的客观程度，因此该构念被视为员工所感知的组织AI嵌入程度，这一界定适用于基于感知的伦理领导力感知与个体创造力模型¹^,⁴^,¹¹^,¹²。

本方案旨在解决三个相互关联的研究空白。首先，关于在嵌入人工智能的工作场所环境中何为道德领导，以及员工对道德领导的感知如何影响与创造力相关的工作压力，目前尚缺乏充分了解。这一关系尤为重要，因为工作压力对创造力的影响在不同情境下经过解读后会有所差异¹³^,¹⁴。其次，尽管关于嵌入人工智能工作场所中创造力的研究通常将人工智能视为一种工具或人工智能采纳程度的测量指标，但组织层面人工智能嵌入程度如何影响员工对领导行为线索的反应，或如何影响员工对人工智能相关不确定性的解读，相关证据仍较为有限⁴^,¹¹^,¹²。第三，组织心理学领域使用基于问卷调查数据的研究，往往将从被试招募与筛选、构念测量、数据准备，到后续的偏最小二乘结构方程模型（PLS-SEM）中介与调节效应分析等全部流程压缩为简短描述，尽管测量效度、区分效度、共线性以及预测相关性等因素均至关重要¹⁵^,¹⁶^,¹⁷^,¹⁸。本文作者通过具体操作使该研究流程透明化：将342份初始问卷数据筛选为310个可用样本，分离构念测量模块，使用方差膨胀因子（VIF）并以3.3为阈值检验完全共线性，采用5,000次自举重抽样检验直接效应、间接效应和交互效应，最后引入PLSpredict作为预测相关性的检验手段¹⁵^,¹⁶^,¹⁸^,¹⁹。

因此，本研究的主要贡献在于方法学层面。尽管仍以“工作压力-伦理型领导-创造力”模型作为示例进行阐述，但核心贡献在于使通常被隐藏的分析决策过程变得透明可见：包括合格性筛选、条目编码保留、构念分离、测量效度验证、共线性与共同方法偏差诊断、自举法（bootstrapping）、效应分解、简单斜率解释以及PLSpredict评估¹⁵^,¹⁸^,¹⁹。依据工作需求-资源模型²⁰^,²¹，工作压力是一种消耗个体认知与情绪资源的需求因素，而这些资源正是创造性投入所必需的，因而会影响创造力⁹。员工通过认知灵活性、尝试探索和采用新的工作方法，将其自主努力集中于提出新颖且独特的解决方案。当员工在动荡的工作环境中面临紧迫的截止期限时，可用于产生想法的时间减少，因而更倾向于关注错误预防和任务完成¹³^,¹⁴。并非所有压力均对创造力有害，某些程度的挑战性压力可能促进个体的创意生成，特别是当个体在任务中被赋予自主权，并在工作场所获得社会支持时¹³^,²²。相比之下，持续性的压力可能导致创造力与相关因素之间呈现负向关系。

因此，作者假设工作压力与个体创造力呈负相关关系（H1）。工作压力还可能影响某些员工对其社会环境的认知方式。在动荡和压力期间，员工可能对公平性、支持性和响应性的信号变得更加敏感⁸。从这一角度来看，管理层的延迟回应或决策不一致，在一种情境下可能被视为协调不力，在另一种情境下则可能被解读为漠视。关键在于，当人们处于压力之下时，往往更关注领导者向他们传递的信号；因此，在缺乏明显公平与支持的情境中，他们更有可能形成负面解读⁸^,¹⁰。接下来，作者假设工作压力与员工对伦理型领导力的感知呈负相关关系（H2）。伦理型领导力感知是指员工如何看待其领导者是否公平、诚实、开放并具备良好的道德价值观¹⁰^,²³^,²⁴。从社会学习理论的视角来看，对伦理型领导力的感知决定了员工是否愿意发声、是否敢于尝试新事物或进行实验⁷。当员工认为其领导者具有伦理特质时，他们更有可能提出新的工作方法并尝试新想法。公平且值得信赖的领导者将为员工提供更多参与自主性创造性行为的机会⁶^,⁷^,¹⁰。

因此，作者假设员工对道德型领导的感知与个体创造力呈正相关（假设3）。该模型还引入了一条间接路径，即对道德型领导的感知在工作压力对个体创造力的影响中起中介作用。与压力相关的创造力影响表现不一致，表明二者关系并非简单直接¹⁴^,²²。两名员工可能面临相同水平的压力，但其中一人仍可能认为领导者具有道德操守，并认为工作环境足够安全，可以自由分享想法；而另一名员工若认为领导者缺乏道德或感到受到不公平对待，则可能停止分享想法⁶^,⁷。这一路径体现了社会认知解释的影响，提示仅关注工作压力对创造力产出的直接影响可能是不充分的。

作者还假设，员工对道德型领导的感知在工作压力与个体创造力之间起中介作用（H4）。组织中人工智能的嵌入程度涉及那些利用人工智能来协调、评估和支持员工工作的职场环境¹^,²⁵^,²⁶。人工智能深度嵌入的组织环境能够拓展员工获取信息的渠道，缩短完成部分工作所需的时间，并为 ideas 的重组提供更广阔的空间。与此同时，这类环境也可能引发关于由谁或何物承担责任、将进行何种类型的评估，以及哪些形式的实验是可接受的等问题²⁷。在类似情境下，员工在判断由人工智能支持的实验、对人工智能错误的容忍度以及人工智能辅助的创意生成是否正当且安全时，更有可能关注道德型领导的信号¹¹^,³⁰^,³¹。因此，作者预测，组织中人工智能的嵌入程度将提升员工对道德型领导感知在个体创造力中的相关性。

因此，作者提出假设：组织人工智能嵌入程度调节了员工对道德型领导的感知与个体创造力之间的关系，即当组织人工智能嵌入程度较高时，这种正向关系更强（H5）。本研究方案适用于行为科学研究者在无法直接观察或出于伦理考虑不宜直接观察的情况下，研究自我报告的职场行为及其社会认知。本文在三个方面作出了贡献。第一，研究突破了传统上将人工智能赋能工作场所中的创造力视为技术产出和技术科学知识体现的理解，提出创造力本质上是一种组织心理学过程，其基础是员工的感知⁶^,⁹。第二，研究进一步论证了对道德型领导的感知在工作压力与个体创造力之间起中介作用，且该中介关系受到组织人工智能嵌入程度的调节⁴^,¹⁰^,¹⁴。第三，本研究引入基于屏幕的问卷调查与偏最小二乘结构方程模型（PLS-SEM）分析流程，用于检验中介与调节效应¹⁵^,¹⁸^,¹⁹。该方法的优势在于能够使隐含的分析决策过程变得透明，包括样本筛选、构念分离、效度与共线性检验、自举法（bootstrapping）、效应分解、调节效应解释、PLSpredict 分析，以及对横截面数据关系的谨慎解读。

访问受限。请登录或开始试用以查看此内容。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究过程遵循了涉及人类参与者的全部伦理规范。所有参与者信息均通过在线调查技术和数字化知情同意程序匿名收集。未收集任何可识别参与者身份的信息，也未录制任何参与者的视频。所有参与者在进入调查前均会看到一个数字化的知情同意页面。该页面说明了研究的学术目的、参与的自愿性、回答内容的保密性，以及数据仅用于研究目的。在未主动确认知情同意的参与者，在呈现任何研究内容之前即被排除出调查。伦理批准或豁免信息应根据提交机构的要求在伦理声明中予以报告。本方案的视觉元素旨在以基于屏幕的视频演示形式展示招募、知情同意、筛选、去标识化数据处理、SmartPLS模型构建、自举法分析、效应分解及PLSpredict评估等步骤，而非作为额外的工作流程图。表格的顺序模拟了视频演示中的步骤顺序。表1列出了经过招募、知情同意、筛选和质量检查后保留的样本。表2展示了构念模块的测量依据。表3–5报告了测量质量、区分效度和共线性诊断结果。表6报告了假设检验的输出结果。表7展示了直接效应与间接效应的分解结果。表8为PLSpredict检查点。表1–8因此代表了从调查录入到基于屏幕工作流程的统计推断全过程的输出轨迹¹⁵^,¹⁸。本研究中使用的所有平台/工具均列于材料表中。

研究模型

在该示例中，伦理型领导力感知在工作压力对个体创造力的影响中起中介作用，而组织人工智能嵌入程度则调节伦理型领导力感知对个体创造力的影响。图1展示了概念模型，其中H4表示伦理型领导力感知作为间接路径的影响，H5表示组织人工智能嵌入程度对伦理型领导力感知作用的调节。该模型的目的并非描述一个因果模型，而是展示基于屏幕的中介与调节分析流程。

道德型领导中介效应示意图；工作压力、创造力及人工智能嵌入性影响假设。
图1：概念模型。该图示中，工作压力（JS）为预测变量，道德型领导感知（EL）为中介变量，个体创造力（IC）为结果变量，组织人工智能嵌入性（OA）为EL与IC关系的调节变量。实线箭头表示假设的直接路径，中介路径为 JS > EL > IC，交互项表示 EL × OA > IC。请点击此处查看此图的放大版本。

研究数据

采用基于互联网的参与者招募系统和基于互联网的问卷调查系统，从目标工作人群的全职员工中收集匿名调查反馈。在启动前应设置筛选条件，并通过基于问卷的筛查条目确认受访者是否符合纳入标准，然后才显示构念测量模块。在数据分析前，将排除未签署知情同意书的参与者、不符合资格的受访者以及未通过质量控制检查的问卷。在本示例研究中，经过就业状态筛查和质量控制检查后，作者从最初342份开始填写的问卷中获得了310份有效且完整填写的问卷。表1展示了最终有效样本的人口统计学信息。

表1：样本的描述性特征（n = 310）。该表格总结了在获得知情同意、资格筛选和质量控制剔除后保留的受访者的人口学和就业特征；n 表示样本量。请点击此处下载该表格。

测量方法

所有项目均采用七点李克特量表（1 = 非常不同意；7 = 非常同意）。问卷包含工作压力、伦理领导力感知、个体创造力以及组织人工智能嵌入度的测量模块。在设计和导出问卷时需保留项目代码，以确保在模型设定过程中每个测量指标均可对应到其相应的潜在变量。完整的测量项目及其来源见表2。

表2：测量项目及来源。 本表列出了问卷项目、构念归属及量表来源。缩写：JS = 工作压力；EL = 伦理型领导感知；IC = 个体创造力；OA = 组织人工智能嵌入程度。请点击此处下载该表格。

在将数据导入PLS-SEM软件之前，研究人员应以.csv格式导出已完成的数据集。为防止意外泄露参与者信息，导出时应删除姓名、电子邮件地址、IP地址及其他直接识别信息。应对导出的文件检查是否存在缺失值、未通过筛选的问题回答、直线型作答、未通过注意力检测题以及变量名称错误等情况。仅保留模型所需的经过清理的指标变量和控制变量。应记录初始调查启动次数、最终有效样本量、信度范围、平均方差提取量（AVE）范围、结构方差膨胀因子（VIF）范围以及自举重抽样设置，以便后续报告使用。

PLS-SEM 分析工作流程

为分析假设，研究人员应采用偏最小二乘结构方程模型（PLS-SEM）。在 SmartPLS 4.1 中，通过导入清洗后的 .csv 文件创建一个新项目。将潜变量构念放置在模型画布上，并将保留的指标分别分配给 JS、EL、IC 和 OA。可在模型画布上绘制直接路径；间接路径可设定为 JS > EL > IC，同时可构建乘积指标交互项 OA × EL > IC。研究人员应在评估结构路径前先执行 PLS 算法。在 SmartPLS 中，进入 Calculate > PLS Algorithm，并记录估计设置，包括路径加权方案、最大迭代次数以及给定的收敛判据。执行 PLS 算法后，学者应评估克朗巴赫 α 系数、组合信度、平均方差提取量（AVE）、外载荷、Fornell-Larcker 准则、HTMT 比值以及 VIF 值¹⁷^,¹⁸^,¹⁹。用于评估信度、效度和共线性的结果见表 3–5。建议作者进行完整的共线性检验，以排查潜在的同源方法偏差。结构 VIF 值应被视为潜在同源偏差的诊断指标，而非表明同源偏差已被消除的依据。

该方案将外模型方差膨胀因子（VIF）与结构性/完全共线性VIF区分开来。若外模型VIF超过3.3但仍低于5.0，则应将其视为潜在的指标层面共线性问题提示，而非共同方法偏差的诊断依据。完全共线性VIF应单独解释为同源性诊断筛查指标，而非共同方法偏差已被消除的证据¹⁵^,¹⁸^,¹⁹。在解释路径系数、间接效应和交互项之前，应先完成测量质量评估和共线性诊断。为计算直接路径、特定间接效应以及调节效应，研究人员必须执行包含5,000次重抽样的自举法（bootstrapping）程序。使用5,000个子样本时，以α = 0.05进行双尾检验，并保持项目中设定的符号变化和置信区间选项不变。表6展示了路径系数、特定间接效应以及交互作用结果。在完成假设检验后，应审查输出结果中关于特定间接效应和总效应的部分，以评估JS > IC的直接关系相对于通过EL的间接路径的情况，并在表7中呈现效应分解结果。该步骤可避免孤立地解释应力—创造力之间不显著的直接路径，而忽略基于感知的显著间接路径。建议研究人员对内生构念运行PLSpredict分析，并报告Q²predict、均方根误差（RMSE）和平均绝对误差（MAE）统计量，作为有界预测相关性评估。在表8中列出内生构念EL和IC的Q²predict、RMSE和MAE结果，如有提供，还应包括线性模型基准的结果。这些结果应被解释为有界预测相关性的证据，而非完整的预测证据¹⁸。

该方案有意侧重于核心内容，而非追求统计上的复杂性。在建立基线的中介与调节分析流程后，后续比较不同国家、职业或管理层级的研究人员可进一步增加测量不变性检验、多组分析、分段分析或重要性-绩效映射。当数据为横截面数据时，具有统计学显著性的间接效应或交互作用路径不应被解释为因果效应。除非具备纵向数据、实验设计或多源证据，否则应将其表述为与理论一致的关联关系。这一警示在结果与讨论部分再次强调，以确保中介与调节路径被呈现为与理论一致的关联关系，而非因果效应¹⁵^,¹⁸。若不同版本的 SmartPLS 菜单标签存在差异，研究人员应使用对应的菜单路径，并在材料表或可重复性说明中记录软件版本、算法设置及重采样设置。

访问受限。请登录或开始试用以查看此内容。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

评估测量模型

随后使用测量模型评估了构念的信度和效度。信度、收敛效度、题项载荷及共线性诊断结果见表3。Cronbach's alpha值介于0.877至0.932之间，均超过0.70的临界值。组合信度估计值处于可接受范围，其中CR（ρ_a）介于0.880至0.959之间，CR（ρ_c）介于0.911至0.945之间。平均方差提取量（AVE）显著高于0.50的最低要求，范围为0.672–0.779。基于完全共线性的共线性评估未发现共同方法偏差的证据，所有结构方差膨胀因子（VIF）均<3.3。总体而言，测量指标满足信度、收敛效度及可接受共线性的标准。各题项列于表2中。上述取值范围证实，该测量模型符合本方案中规定的常用信度、效度及完全共线性标准。

表3：测量模型评估与共线性诊断。 该表报告了Cronbach's α系数（α）、组合信度（ρa 和 ρc）、平均方差提取量（AVE）、外载荷以及方差膨胀因子（VIF）统计值。VIF值...

访问受限。请登录或开始试用以查看此内容。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本方案介绍了一种可迁移的基于问卷的系统方法，用于理解在数字化转型的工作环境中，心理需求、领导力认知以及与人工智能相关的背景条件如何影响员工的工作结果¹^,²^,⁴。其主要贡献并非基于视频演示的实验操控，而是一套可追溯的分析流程，涵盖在线招募、知情同意与筛选、目标构念的测量、数据准备、SmartPLS模型设定、自举法（bootstrapping）分析，以及代表性中介与调节效应结果的解释¹⁵^,¹⁸。所采用的步骤可通过论文中提供的表格以及在线补充材料中的SmartPLS输出文件进行追溯。此外，由于从在线招募到使用SmartPLS进行数据分析的全部步骤均通过基于屏幕的点击操作完成，因此该流程易于在视频中演示，并可通过提交的SmartPLS输出文件及呈现相同结果的表格加以验证。

该工作流程可轻松...

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者声明无竞争利益。在稿件撰写和修改过程中，使用了人工智能语言模型进行语言编辑和结构优化。作者对最终稿件进行了审阅、修改并予以批准，且对稿件内容承担全部责任。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究得到了ASSIST大学研究基金的资助。作者感谢参与调查的人员为本研究付出的时间和作出的贡献。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名	公司	目录编号	评论
ChatGPT（人工智能语言模型）	OpenAI	N/A	仅用于稿件撰写过程中的语言编辑、语法检查和结构优化。该工具未用于数据收集、统计分析或实证结果的解释。作者已审阅、编辑并批准最终稿件，并对内容承担全部责任。URL: https://chatgpt.com/
Prolific（在线参与者招募平台）	Prolific Academic Ltd.	N/A	用于招募示例研究中调查参与者的在线平台。参与者依据预设的纳入标准进行筛选，包括全职就业状态及与目标职场人群的相关性。URL: https://www.prolific.com/
Qualtrics（在线调查平台）	Qualtrics, LLC	N/A	基于网络的调查平台，用于问卷设计、电子知情同意、筛选、构念分组呈现、应答数据收集以及去标识化数据集导出。测量条目采用7点李克特量表，范围从1 = 非常不同意到7 = 非常同意。URL: https://www.qualtrics.com/
SmartPLS 4.1（PLS-SEM 软件）	SmartPLS GmbH	版本 4.1	用于偏最小二乘结构方程建模（PLS-SEM），包括模型设定、PLS算法估计、测量模型评估、共线性诊断、基于5,000次重抽样的自举法、特定间接效应检验、交互项估计、效应分解以及PLSpredict评估。URL: https://smartpls.com/

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

工作压力与个体创造力：面向人工智能赋能 workplace 的基于屏幕的偏最小二乘结构方程建模方案

本文内容

摘要

摘要

引言

方案

结果

讨论

披露

致谢

材料

重印与许可

标签

相关文章