Questo protocollo descrive un flusso di lavoro basato su sondaggi per esaminare come le caratteristiche tecnologiche dell'IA Agentica si relazionano al surplus cognitivo, alla sicurezza psicologica e alla riallocazione dei compiti IA-umani tra 331 dipendenti. La modellazione strutturale parziale delle equazioni ai minimi quadrati con analisi multigruppo rivela differenze basate sui ruoli tra leader e staff.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Come l'IA Agentica Rimodella il Lavoro: i ruoli del surplus cognitivo, della sicurezza psicologica e della riallocazione dei compiti tra IA e umani
In questo articolo
Sommario
Abstract
Questo studio esamina come le caratteristiche tecnologiche dell'IA Agentica si relazionano agli stati psicologici dei dipendenti e alle risposte comportamentali nelle organizzazioni. Attingendo alla teoria delle Richieste di Lavoro-Risorse (JD-R) e alla teoria della Conservazione delle Risorse (COR), concettualizziamo le caratteristiche tecnologiche dell'IA Agentica (AITC) come un costrutto di ordine superiore che comprende pianificazione autonoma, orchestrazione multi-strumento e feedback proattivo, e proponiamo che queste caratteristiche funzionino come risorse lavorative associate a un maggiore surplus cognitivo e sicurezza psicologica, che a loro volta si collegano alla riallocazione dei compiti IA-umano. Indagiamo ulteriormente se queste relazioni differiscano tra leader e staff. Un sondaggio online trasversale e anonimo è stato somministrato tramite una piattaforma di sondaggio online ai partecipanti reclutati tramite una commissione di ricerca utilizzando campionamenti non probabilistici propositi; l'idoneità era riservata agli adulti con esperienza lavorativa attuale o precedente legata all'IA, e le risposte selezionate e controllate dall'attenzione hanno prodotto un campione finale di 331 dipendenti (171 leader, 160 dipendenti). Tutti i costrutti sono stati misurati con scale validate adattate al contesto dell'IA Agentica su scale Likert a 7 punti. I dati sono stati analizzati utilizzando modellazione strutturale delle equazioni dei minimi quadrati parziali (PLS-SEM), applicando un approccio a due fasi per il costrutto di secondo ordine, bootstrapping con 5.000 ricampionamenti per effetti diretti e indiretti, e analisi multigruppo (MGA) per confronti leader-staff. Il modello di misurazione ha dimostrato affidabilità e validità accettabili, e i risultati strutturali erano coerenti con il modello teorizzato di guadagno di risorse: l'AITC era positivamente associata a surplus cognitivo, sicurezza psicologica e riallocazione dei compiti, con significative vie di mediazione e associazioni più forti tra i leader tra le risorse AITC. Concentrandosi sui meccanismi psicologici piuttosto che sulle prestazioni tecniche, questo studio amplia la ricerca emergente sull'IA Agentica e offre implicazioni pratiche per strategie di adozione dell'IA differenziata per ruolo.
Introduzione
La proliferazione dell'IA Agentica sta ridefinendo il ruolo dell'intelligenza artificiale nelle industrie e nella vitaorganizzativa 1,2. L'IA agentica può essere definita come una forma avanzata di intelligenza artificiale che percepisce ambienti in cambiamento, stabilisce obiettivi in modo indipendente attraverso meccanismi di ragionamento e orchestra sequenze di azioni con minima supervisioneumana 3,4. Si distingue dall'IA tradizionale, inclusi gli strumenti convenzionali di IA generativa, per tre aspetti: autonomia, poiché i sistemi agentici perseguono obiettivi con un intervento umano minimo invece di eseguire regolepre-programmate 5,6; funzione principale, poiché il loro scopo è automatizzare flussi di lavoro complessi piuttosto che compitisingoli 7; e architettura, perché coordinano molteplici grandi modelli linguistici, interfacce di programmazione applicativa (API) e agenti invece di affidarsi a un unico modello7. Queste capacità si basano sulle caratteristiche tecnologiche distintive esaminate in questostudio 8,9. La pianificazione autonoma (AP) significa che, dato l'obiettivo dell'utente, il sistema lo scompone indipendentemente in sotto-compiti e rivede il proprio piano man mano che i vincolicambiano 10; Ad esempio, un dipendente può fornire un'istruzione a una riga e ricevere un piano di progetto praticabile in più fasi. L'orchestrazione multi-strumento (MTO) significa che il sistema seleziona, sequenzia e integra strumenti esterni e API 1,11,12; ad esempio, combinare ricerca web, editor di documenti e strumenti di analisi dati per produrre un unico rapporto coerente. Il feedback proattivo (PF) significa che il sistema segnala errori, informazioni mancanti e assunzioni rischiose prima di essereinterrogato 10,13; ad esempio, ricordare a un dipendente i checkpoint di validazione o conformità durante l'esecuzione del compito. Ci concentriamo su queste tre caratteristiche, collettivamente denominate caratteristiche tecnologiche dell'IA Agentica (AITC), perché sono le capacità funzionali che differenziano l'IA agentica dall'IA tradizionale nel lavoroquotidiano 7,10; attributi come trasparenza, controllabilità e spiegabilità contano per la fiducia nell'IA in generale, ma non sono specifici del paradigma agentico, e quindi li trattiamo come condizioni al contorno per ricerche future piuttosto che come dimensioni focali.
Nonostante la rapida diffusione dell'IA Agentica nei luoghi di lavoro, la letteratura esistente si è concentrata principalmente sulla sua architettura tecnica, l'efficienza operativa e le capacità di automazione dei compiti, prestando però relativamente poca attenzione a come queste caratteristiche rimodellano gli stati psicologici e le risposte comportamentalidei dipendenti 14,15. Questa omissione è importante perché riassegnare compiti tra umani e IA non è un aggiustamento puramente tecnico, ma un processo psicologicamente e organizzativo radicato: i dipendenti devono mettere in discussione i flussi di lavoro esistenti, ridefinire i confini dei ruoli e accettare nuove forme di collaborazione con sistemiintelligenti 16,17. Tali cambiamenti non avvengono automaticamente semplicemente perché è disponibile tecnologia avanzata. Di conseguenza, lo scopo di questo studio è triplice: esaminare se gli AITC funzionano come risorse lavorative associate a surplus cognitivo, sicurezza psicologica e riallocazione dei compiti IA-umani; indagare i ruoli mediatori e sequenziali della surplus cognitiva e della sicurezza psicologica; e di esplorare se queste relazioni strutturali differiscano tra leader e staff. La novità di questo studio è triplice. Innanzitutto, concettualizza e mette in pratica le caratteristiche tecnologiche dell'IA Agentica—pianificazione autonoma, orchestrazione multi-strumento e feedback proattivo—come una risorsa lavorativa di livello superiore all'interno del framework JD-R, invece di trattare l'adozione dell'IA come un contesto indifferenziato. In secondo luogo, introduce la riallocazione dei compiti tra IA e umani come una forma specifica di dominio e attuata dalla tecnologia, distinta sia dalla creazione generica del lavoro sia dai risultati della trasformazione digitale dall'alto verso il basso. In terzo luogo, fornisce, per quanto ne sappiamo, la prima prova multigruppo che le associazioni generative di risorse dell'IA Agentica differiscono sistematicamente tra leader e personale.
La logica teorica integra la teoria delle Richieste di Lavoro-Risorse (JD-R) e la teoria della Conservazione delle Risorse (COR). La teoria JD-R sostiene che ogni lavoro comprenda le richieste del lavoro, gli aspetti fisici, emotivi e cognitivi del lavoro che richiedono uno sforzo sostenuto, e le risorse lavorative, gli aspetti che riducono le domande, supportano il raggiungimento degli obiettivi e stimolano lo sviluppo personale; Il loro equilibrio determina l'impegno, il benessere e la prestazione18,19. La teoria COR aggiunge un meccanismo dinamico: gli individui cercano di ottenere, trattenere e proteggere risorse di valore, e le risorse accumulate avviano spirali di guadagno in cui le risorse esistenti vengono reinvestite per acquisire ulterioririsorse 20,21,22. Da questa prospettiva congiunta, l'AITC può essere concettualizzato non solo come caratteristiche tecniche ma come una nuova forma di risorsa lavorativa: assorbendo compiti ripetitivi e cognitivamente impegnativi come la pianificazione e l'analisi diagnostica, i sistemi agentici riducono le richieste e conservano l'energia e il tempo cognitividei dipendenti 15,23. Definiamo il surplus cognitivo (CS) come il serbatoio di energia cognitiva e tempo discrezionale che diventa disponibile quando tali compiti di routine vengono delegati alla tecnologia, e che può essere reinvestito nella partecipazione collettiva, nella collaborazione e nella creazione di nuovovalore 24. L'informatica è quindi concettualmente distinta dall'impegno lavorativo, che è uno stato affettivo-motivazionale, e dalla semplice disponibilità temporale, perché indica una scorta convertibile di risorse personali nel sensoCOR 20,24. L'informatica è inoltre distinta dal distacco e recupero psicologico, che riguardano il recupero dell'energia esaurita lontano dal lavoro, e dall'abbondanza temporale, che indica la percezione soggettiva di avere abbastanza tempo; CS invece si riferisce alla capacità cognitiva liberata che rimane disponibile per il reinvestimento durante il lavoro stesso. In termini COR, il CS accumulato rappresenta un guadagno di risorse che dovrebbe sostenere il benessere occupazionale mitigando l'esaurimento e il burnout, mentre il suo assorbimento da parte di ulteriori richieste di routine indicherebbe una perditadi risorse 20,23,24. Se il tempo risparmiato si converta effettivamente in surplus può dipendere da caratteristiche individuali come l'alfabetizzazione nell'IA, dalle norme di carico di lavoro che possono assorbire il tempo risparmiato con richieste aggiuntive e dalla cultura organizzativa; Consideriamo quindi il percorso di guadagno di risorse come un'ipotesi da testare piuttosto che come un'ipotesi.
H1: L'AITC è positivamente associato all'informatica.
La sicurezza psicologica (PS) è definita come la convinzione che l'ambiente di lavoro sia sicuro per l'assunzione di rischi interpersonali, come ammettere errori, chiedere aiuto e sfidare lo statusquo 25,26. Sebbene la sicurezza psicologica sia stata spesso studiata come un clima a livello di squadra, questo studio la concettualizza e misura come una percezione a livello individuale, coerente con il nostro disegno di sondaggioa livello individuale 27,28. Quando i sistemi agentici forniscono feedback orientati all'apprendimento e strumenti di supporto, il costo interpersonale di sperimentare ed esporre errori può diminuire, perché i dipendenti possono testare e correggere il proprio lavoro prima di presentarlo aglialtri 26,28. Riconosciamo, tuttavia, che la dinamica opposta è plausibile: quando i sistemi agentici vengono impiegati per la sorveglianza o la responsabilità di identificazione dei difetti, il rischio e la sfiducia percepiti interpersonali possono aumentaredel 29,30%. Poiché le caratteristiche esaminate qui sono di natura assistiva piuttosto che valutativa, ipotizziamo un'associazione positiva trattando questa possibilità bilaterale come una condizione al contorno importante.
H2: L'AITC è positivamente associato alla PS.
Definiamo la riallocazione dei compiti IA-umano (AHTR) come la redistribuzione auto-iniziata dei compiti da parte dei dipendenti tra sé e i sistemi IA, delegando il lavoro di routine all'IA e ampliando le proprie responsabilità strategiche e creative. Presentiamo AHTR come una forma specifica di lavoro per il dominio. Nel modello basato su JD-R di Tims e Bakker, la creazione di lavori comprende l'aumento delle risorse lavorative, l'aumento delle richieste di sfide e la diminuzione delle richieste diostacoli: 17,31; nella tipologia di Wrzesniewski e Dutton, comprende la creazione compitativa, relazionale ecognitiva 32. AHTR corrisponde più strettamente alla creazione dei compiti attuata tramite la tecnologia: scaricare simultaneamente compiti di routine all'IA riduce le richieste di ostacoli e mobilita una nuova risorsa di lavoro 17,23,32. È più ristretto rispetto a un risultato generale di trasformazione digitale perché cattura cambiamenti discrezionali e iniziati dai dipendenti nei confini dei compiti piuttosto che una riprogettazione organizzativa dall'altoverso il basso 33. Privilegiamo la riallocazione dei compiti rispetto alla creazione relazionale e cognitiva perché la redistribuzione dei compiti è l'interfaccia comportamentale più immediata tra dipendenti e sistemi agentici ed è direttamente osservabile nell'adozione precoce, mentre la creazione relazionale e cognitiva emerge tipicamente come adattamenti a valle31,32. A differenza di studi precedenti che trattano l'adozione dell'IA come un antecedente contestuale della creazione generaledel lavoro 16,34, noi modelliamo la riallocazione stessa come il comportamento di creazione focale. Poiché tale riallocazione interrompe i flussi di lavoro consolidati, i dipendenti sono più propensi a metterla in atto quando dispongono di risorse cognitive sufficienti per riprogettare il proprio lavoro e si sentono psicologicamente sicuri di assumersi i rischi interpersonaliassociati 16,34. All'interno della logica a spirale di guadagno della teoria COR, la sicurezza psicologica funziona anche come risorsa contestuale che protegge e amplifica l'accumulo di surpluscognitivo 22.
H3: La CS è positivamente associata all'AHTR.
H5: La PS è positivamente associata all'AHTR.
H6: La PS è positivamente associata all'informatica.
H9: L'AITC è positivamente associato all'AHTR.
Integrando questi argomenti, ci si aspetta che l'AITC si relazioni all'AHTR non solo direttamente ma anche indirettamente, attraverso le vie di guadagno di risorse del surplus cognitivo e della sicurezza psicologica.
H4: CS media la relazione tra AITC e AHTR.
H7: PS media il rapporto tra AITC e AHTR.
H8: PS e CS mediano sequencialmente la relazione tra AITC e AHTR.
Infine, i dipendenti non interpretano e rispondono in modo uniforme all'IA Agentica. Gibson, Cooper e Conger hanno descritto la distanza percettiva tra leader e i loro team come discrepanza cognitiva rispetto agli stessi obiettivi organizzativi, radicata in asimmetrie di accesso alle informazioni, responsabilità, esposizione al rischio ed esperienzalavorativa 35. Partendo da questa visione, leader e personale occupano posizioni strutturalmente diverse rispetto all'adozione dell'IA: i leader hanno responsabilità strategica e tendono a presentare l'IA come una risorsa orientata all'aumento per la produttività e il processo decisionale basato sui dati, mentre il personale è relativamente più esposto all'insicurezza lavorativa legata all'automazione e al sovraccarico diapprendimento 20,30. Trattiamo questi schemi come tendenze da testare empiricamente piuttosto che come disposizioni fisse di uno o l'altro gruppo. Tali discrepanze basate sui ruoli possono generare schemi eterogenei nelle relazioni tra AITC, CS, PS e AHTR, tuttavia la ricerca empirica che cattura esplicitamente queste differenze di gruppo rimane limitata.
H10a: Le associazioni di AITC con CS e PS differiscono tra leader e staff.
H10b: Le associazioni tra PS e CS con AHTR differiscono tra leader e staff.
Il protocollo di seguito descrive l'intero flusso di lavoro, dal reclutamento e selezione dei partecipanti all'amministrazione dei sondaggi, pulizia dei dati, validazione delle misurazioni, stima del modello strutturale, analisi della mediazione e analisi multigruppo (MGA) (Figura 1), in modo che la procedura possa essere replicata in modo indipendente. Il modello di ricerca è rappresentato nella Figura 2: AITC, modellato come un costrutto di secondo ordine che comprende AP, MTO e PF, si collega direttamente e indirettamente a AHTR attraverso CS e PS, con PS anche collegato a CS; la differenza tra ruoli leader e staff viene esaminata tramite la MGA.
Figura 1. Flusso di lavoro complessivo per la progettazione dello studio. Schema del protocollo completo di ricerca. I partecipanti sono stati reclutati tramite il panel online utilizzando campionamenti non probabilistici propositi e selezionati per l'esperienza lavorativa legata all'IA; i rispondenti idonei hanno completato un sondaggio anonimo misurando tutti i costrutti su scale di Likert a 7 punti. Dopo la pulizia dei dati (fallimenti di screening, fallimenti di controllo di attenzione e tempi di completamento incredibilmente brevi rimossi; finale N = 331), il modello di misura è stato validato (affidabilità: α di Cronbach, affidabilità composita; validità convergente: varianza media estratta; validità discriminante: HTMT e Fornell-Larcker), il costrutto di secondo ordine è stato validato tramite l'approccio a due fasi, e il modello strutturale, i percorsi di mediazione e l'analisi multigruppo leader-staff sono stati stimati con 5.000 Bootstrap recampioni. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 2. Modello di ricerca proposto. Modello concettuale delle relazioni ipotetizzate. Le caratteristiche tecnologiche dell'IA agentica (AITC), un costrutto di secondo ordine che comprende la pianificazione autonoma (AP; la capacità del sistema di scomporre gli obiettivi in sotto-compiti e rivedere piani), l'orchestrazione multi-strumento (MTO; la capacità di selezionare, sequenziare e integrare più strumenti e API) e il feedback proattivo (PF; la capacità di segnalare errori e rischi spontaneamente), è ipotizzato essere positivamente associato al surplus cognitivo (CS; il serbatoio di energia cognitiva e tempo discrezionale liberati quando i compiti di routine vengono delegati all'IA), la sicurezza psicologica (PS; la percezione che l'ambiente di lavoro sia sicuro per la presa di rischi interpersonali) e la riallocazione dei compiti IA-umano (AHTR; la redistribuzione auto-iniziata dei compiti da parte dei dipendenti tra loro e l'IA) (H1, H2, H9). Si ipotizza che CS e PS siano positivamente associate a AHTR (H3, H5), PS a CS (H6) e CS e PS per mediare, individualmente e sequencialmente, la relazione AITC-AHTR (H4, H7, H8). Le frecce rappresentano percorsi strutturali ipotesi; H10a/H10b indicano differenze ipotetise leader-staff testate tramite analisi multigruppo. Clicca qui per visualizzare una versione più grande di questa figura.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Tutte le procedure sono state eseguite in conformità con gli standard etici per la ricerca che coinvolge partecipanti umani presso l'Università aSSIST e l'Università Dong-A. Poiché tutte le risposte sono state anonimizzate al momento della raccolta e non sono state raccolte informazioni personali identificabili in nessuna fase, il Consiglio di Revisione Istituzionale dell'Università aSSIST ha stabilito che lo studio è esente dalla revisione completa ai sensi dell'Articolo 15 della Legge sulla Bioetica e Sicurezza della Repubblica di Corea e dell'Articolo 13 della sua Regola di Applicazione. Il sondaggio si è aperto con una pagina informativa e di consenso in cui si affermava che la partecipazione era limitata a individui attualmente impiegati e coinvolti in un progetto di IA, descrivendo lo scopo dello studio e spiegando la natura volontaria della partecipazione, l'anonimato delle risposte e l'uso previsto dei dati; solo i rispondenti che avevano esplicitamente accettato hanno proceduto al questionario. La pagina del consenso è fornita nel File Supplementare 1.
Determinazione della dimensione del campione
Un'analisi di potenza a priori è stata condotta prima della raccolta dei dati utilizzando G*Power 3.1.9.7 (RRID: SCR_013726) per la famiglia di regressioni multiple lineari, specificando il maggior numero di predittori diretti a un singolo costrutto endogeno nel modello; in questo studio, AHTR è previsto da tre costrutti (AITC, CS e PS). Con un effetto medio (f2 = 0,15), α = 0,05 e una potenza statistica di 0,80, il campione minimo richiesto era di 77 casi; l'uscita del protocollo G*Power è fornita nel File Supplementare 2. La dimensione minima del campione è stata incrociata utilizzando il metodo della radice quadrata inversa perPLS-SEM 36, secondo la quale sono necessari circa 155 casi per rilevare un coefficiente minimo standardizzato di circa 0,20 al livello di significatività del 5% con potenza dell'80%. Infine, l'obiettivo di reclutamento fu fissato per superare sostanzialmente entrambi i minimi, al fine di supportare l'avvio degli effetti indiretti e l'analisi multigruppo a campione spartito; il campione finale (N = 331; leader n = 171, personale n = 160) soddisfaceva il requisito minimo del campione all'interno di ciascun sottogruppo.
Reclutamento e selezione dei partecipanti
I partecipanti sono stati reclutati tramite il panel di ricerca online utilizzando campionamenti non probabilistici intenzionali; cioè, il campione è stato volutamente limitato a rispondenti che soddisfano un criterio sostanziale a priori — esperienza lavorativa attuale o precedente con IA — invece di essere stato selezionato casualmente dalla popolazione generale. L'idoneità era limitata ai rispondenti di età pari o superiore a 18 anni. L'esperienza lavorativa legata all'IA è stata operativa tramite l'item di screening "Qual dei seguenti descrive meglio la tua situazione attuale?", presentato prima del questionario principale; solo i rispondenti che indicavano di essere attualmente impiegati e attualmente coinvolti in lavori legati all'IA hanno proseguito, mentre le opzioni rimanenti (impiegate ma non coinvolte nel lavoro sull'IA; non impiegate ma già coinvolte; non impiegate e non coinvolte) hanno attivato uno screen-out immediato. La raccolta dati è stata effettuata in un'unica sessione l'8 febbraio 2026 (10:28–13:30), e i partecipanti sono stati compensati a 6,98 sterline all'ora in conformità con la politica di retribuzione equa della piattaforma. La partecipazione duplicata è stata prevenuta grazie agli identificatori unici dei partecipanti della piattaforma e alle impostazioni di prevenzione delle risposte duplicate della piattaforma di sondaggi. Il numero di rispondenti in ogni fase è stato registrato per documentare il flusso di lavoro di inclusione/esclusione: sono state registrate 537 risposte; 151 sono stati esclusi dalle domande di screening (386 rimasti); 40 furono rimosse per aver fallito i controlli di attenzione, inclusi il lineamento retto (346 rimasti); e 15 sono stati rimossi per tempi di completamento incredibilmente brevi (sotto circa 180 s), ottenendo il campione finale di N = 331.
Definizione standardizzata e istruzioni di rilevamento
Ai partecipanti è stato comunicato che il sondaggio ha esaminato come l'IA Agentica possa influenzare le organizzazioni e i loro membri. All'inizio del sondaggio, a tutti i partecipanti è stata mostrata una breve definizione standardizzata di IA Agente, coerente con quella fornita nell'Introduzione: un sistema di IA avanzato caratterizzato da pianificazione autonoma, orchestrazione multi-strumento e feedback proattivo che svolge azioni orientate a obiettivi con supervisione umana limitata (Figura 1, passo 2). L'idoneità era limitata ai rispondenti attualmente impiegati e coinvolti in un progetto di IA, che forniva una base lavorativa rilevante per rispondere al questionario. Non è stato incluso alcun elemento separato per il controllo della comprensione; La definizione standardizzata quindi serviva come orientamento contestuale piuttosto che come verifica della comprensione di comprensione. Ai partecipanti è stato chiesto di rispondere a ogni domanda basandosi sulla loro esperienza reale nell'utilizzo o nel lavorare con tali sistemi di IA Agentica in contesti organizzativi.
Sviluppo e amministrazione degli strumenti di rilevamento
Il questionario è stato sviluppato a partire da scale di misura validate adattate al contesto organizzativo dell'IA agentica. La Tabella 1 elenca ogni elemento, la sua scala sorgente e le statistiche descrittive: gli item AP, MTO e PF sono stati adattati dalle recenti concettualizzazioni di AgenticAI 7,8; Item di informatica dalla ricerca sulle risorse cognitive di IAgenerativa 37; PS Elementi da Plomp et al.38; e gli oggetti AHTR dalle scale di creazione dei lavori basate su JD-R17,39 adattati alla riallocazione dei compiti. Tutti i costrutti sono stati misurati su scale di Likert a 7 punti che vanno da 1 ("fortemente in disaccordo") a 7 ("fortemente d'accordo"). Il sondaggio è stato organizzato in blocchi che coprono la pagina del consenso, lo screening, le voci AITC (AP, MTO, PF), CS, PS, AHTR e le caratteristiche demografiche/di controllo; lo strumento conteneva anche scale aggiuntive (alfabetizzazione AI e autoefficacia tra ruoli e ampiezza dei ruoli) che sono al di fuori dell'ambito del modello attuale e sono state raccolte ma non analizzate qui, riportate per trasparenza. Il sondaggio è stato ospitato sulla piattaforma online; Il tasto Indietro era disabilitato in modo che i rispondenti non potessero rivedere le risposte precedenti, e gli elementi venivano presentati in ordine fisso all'interno dei blocchi. Il tempo mediano di completamento è stato di 7 min 44s. Due elementi di controllo di attenzione a risposta istruita erano incorporati come rami del flusso di sondaggio che chiudevano il sondaggio se risposti in modo errato: (i) un controllo fattuale, "L'IA è un'abbreviazione di Informazioni sui Carciofi?" (risposta corretta: No), e (ii) un controllo di comprensione della scala che conferma che le risposte sono state registrate su una scala di Likert a 7 punti che varia da "fortemente in disaccordo" a "fortemente d'accordo". Prima dell'amministrazione principale, è stato condotto un test pilota con 124 intervistati per valutare la chiarezza degli elementi del sondaggio, il flusso complessivo del sondaggio, la durata del completamento e la fattibilità del questionario; La durata del completamento è stata rivista per identificare risposte insolitamente brevi e confermare che la durata del sondaggio fosse adeguata per i rispondenti target. Il test pilota non ha indicato problemi di formulazione che richiedessero la revisione degli elementi, e non sono state apportate modifiche di formulazione prima del sondaggio principale. Inoltre, i dati pilota sono stati analizzati utilizzando PLS-SEM come procedura preliminare di validazione per valutare le prestazioni degli indicatori, costruire affidabilità, validità convergente, validità discriminante, collinearità e plausibilità delle relazioni strutturali proposte; I risultati hanno confermato l'idoneità dello strumento per il rilevamento principale.
| Costrutto | Voce | Domanda | Mediocre | STDEV | VIF | Fonte | |||
| AITC | AP | AP1 | Quando fornisco un obiettivo, l'IA aiuta a creare un piano a più fasi per raggiungerlo. | 5.81 | 0.9 | 1.44 | Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025) | ||
| AP2 | L'IA può rivedere il proprio piano quando cambiano vincoli o requisiti. | 5.75 | 0.99 | 1.37 | |||||
| AP3 | L'IA suddivide il lavoro complesso in sotto-compiti gestibili senza bisogno di istruzioni passo dopo passo. | 5.33 | 1.37 | 1.33 | |||||
| MTO | MTO1 | L'IA può combinare più strumenti o app (ad esempio, ricerca, documenti, strumenti dati) per completare un compito. | 5.69 | 1.11 | 1.5 | ||||
| MTO2 | L'IA suggerisce lo strumento o strumenti giusti e li utilizza nella sequenza corretta per produrre un deliverable. | 5.36 | 1.04 | 1.64 | |||||
| MTO3 | L'IA aiuta a integrare i risultati provenienti da diversi strumenti in un unico risultato coerente. | 5.61 | 1.01 | 1.63 | |||||
| PF | PF1 | L'IA segnala proattivamente errori, informazioni mancanti o supposizioni rischiose nel mio lavoro. | 4.9 | 1.44 | 1.68 | ||||
| PF2 | L'IA suggerisce miglioramenti prima che io chieda esplicitamente un feedback. | 5.07 | 1.38 | 1.85 | |||||
| PF3 | L'IA mi ricorda i checkpoint (ad esempio, validazione, conformità, qualità) per evitare rilavori. | 5.02 | 1.4 | 1.6 | |||||
| CS | CS1 | L'uso dell'IA ha liberato la mia energia mentale per concentrarmi su lavori più complessi e significativi. | 5.59 | 1.28 | 2.07 | Liu, Y., Sheng, F., & Liu, R. (2025) | |||
| CS2 | Ho più tempo a disposizione per il pensiero strategico e la risoluzione dei problemi da quando uso l'IA. | 5.61 | 1.23 | 2.38 | |||||
| CS3 | Il carico di lavoro delle attività di routine è diminuito significativamente, dandomi spazio mentale per nuove iniziative. | 5.42 | 1.28 | 2.23 | |||||
| CS4 | Mi sento meno mentalmente esausto alla fine della giornata lavorativa perché l'IA gestisce compiti ripetitivi. | 5.15 | 1.5 | 1.91 | |||||
| PS | PS1 | Nel mio posto di lavoro, è sicuro correre un rischio legato all'uso dell'IA in modi nuovi. | 4.74 | 1.37 | 1.52 | Plomp et al. (2019) | |||
| PS2 | Il mio responsabile incoraggia la sperimentazione con l'IA ed è tollerante agli errori. | 4.52 | 1.61 | 1.68 | |||||
| PS3 | Mi sento a mio agio a parlare se ho dubbi su come l'IA viene usata nel mio team. | 5.48 | 1.24 | 1.32 | |||||
| PS4 | I miei colleghi mi supportano se provo nuovi modi di lavorare con l'IA. | 5.26 | 1.32 | 1.48 | |||||
| PS5 (escluso) | Non temo conseguenze negative se propongo usi innovativi dell'IA nel mio lavoro. | 4.47 | 1.59 | 1.23 | |||||
| AHTR | AHTR1 | Trasferisco deliberatamente compiti di routine (ad esempio, inserimento dati, formattazione dei report) all'IA per potermi concentrare su lavori di maggior valore. | 5.12 | 1.35 | 1.68 | Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024) | |||
| AHTR2 | Cerco attivamente opportunità per usare l'IA per gestire compiti che prima svolgevo manualmente. | 5.58 | 1.28 | 1.84 | |||||
| AHTR3 | Da quando ho usato l'IA, ho assunto nuove responsabilità o ampliate che sono più strategiche o creative. | 5.18 | 1.3 | 1.58 | |||||
| AHTR4 (escluso) | Negozio con il mio manager quali compiti l'IA dovrebbe gestire e quali dovrei fare io. | 4.09 | 1.65 | 1.23 | |||||
| AHTR5 | Ho riprogettato il mio lavoro riallocando il lavoro di routine all'IA, liberandomi per compiti più significativi. | 4.92 | 1.35 | 1.67 | |||||
Tabella 1: Elementi di misurazione, fonti, statistiche descrittive e valutazione completa della collinearità. Strumento completo del rilevamento. Ogni elemento è elencato con il suo construct (dimensioni AITC AP, MTO, PF; CS; PS; AHTR), codice dell'elemento, formulazione, media, deviazione standard (STDEV), fattore di inflazione della varianza collineare completo (VIF; i valori <3,3 indicano l'assenza di contaminazione comune da variazione del metodo) e la scala sorgente da cui è stato adattato. Tutti gli item sono stati misurati su scale di Likert a 7 punti (1 = fortemente in disaccordo, 7 = fortemente d'accordo). PS5 e AHTR4 sono stati rimossi durante la valutazione del modello di misura a causa dei bassi carichi esterni. AITC = Caratteristiche tecnologiche dell'IA agente; AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano. Clicca qui per scaricare questa tabella.
Preparazione e pulizia dei dati
Le risposte grezze sono state esportate in formato CSV. I casi che non rispettavano il criterio di screening o uno dei due elementi del controllo dell'attenzione sono stati esclusi, così come le risposte con dati mancanti sostanziali (impostazioni di risposta forzata minimizzate all'interno del sondaggio); I conteggi di esclusione risultanti in ogni fase sono documentati nella Sezione 2 del Protocollo (537 registrati → 331 mantenuti). I dati trattenuti sono stati ispezionati per la coerenza e selezionati per pattern di risposta disattenta: le risposte a linea retta sono state rimosse tramite i controlli di attenzione e sono state escluse risposte con tempi di completamento incredibilmente brevi (sotto circa 180 s). Le variabili sono state quindi codificate per l'analisi (ad esempio, Ruolo: Leader = 1, Staff = 0; Genere: Maschio = 1, Femmina = 0) come documentato nella Tabella 2, i controlli categorici come quelli dell'industria erano codificati con indicatori k-1, e il dataset finale veniva importato nel software PLS-SEM. Un codebook che mappa ogni variabile al suo testo dell'elemento, al codice e alla costruzione è fornito come Supplementary File 2.
Valutazione del modello di misura
Utilizzando il software PLS-SEM, ogni elemento osservato veniva assegnato al suo costrutto latente, e tutti i costrutti del primo ordine (AP, MTO, PF, CS, PS, AHTR) venivano specificati come riflettenti. AITC è stato specificato come un costrutto di secondo ordine comprendente AP, MTO e PF ed è stato stimato con l'approccio a due fasi 40,41,42: i punteggi a variabili latenti sono stati ottenuti per i costrutti di primo ordine e poi utilizzati (AP_LVS, MTO_LVS, PF_LVS) come indicatori formativi di AITC. L'algoritmo PLS veniva eseguito con lo schema di pesatura dei percorsi, un massimo di 3.000 iterazioni e un criterio di stop di 10−7. L'affidabilità interna della consistenza è stata valutata rispetto alle soglie di affidabilità α e composita (CR) di Cronbach di 0,7043, considerando i valori di α 0,5–0,6 come marginalmente accettabili per scale brevi in contesti di ricercaemergenti 43; la validità convergente è stata valutata rispetto alla soglia media estratta della varianza estratta (AVE) di 0,5044; e la validità discriminante è stata valutata utilizzando il rapporto eterotratto-monotratto (HTMT <0,85, soglia conservativa)45 e il criteriodi Fornell-Larcker 44. Quando i criteri di affidabilità o validità convergente non venivano soddisfatti, i carichi esterni venivano ispezionati e gli indicatori con scarso rendimento venivano rimossi preservando la validità del contenuto, con ogni rimozione e la sua motivazione documentata; in questo studio, PS5 e AHTR4 sono stati rimossi a causa dei bassi carichi esterni, che hanno migliorato la validità convergente di PS e AHTR.
Modello strutturale e analisi della mediazione
I percorsi strutturali sono stati specificati in conformità con il modello di ricerca (Figura 2), e la collinearità tra i costrutti predittivi è stata esaminata utilizzando fattori di inflazione della varianza interni del modello (VIF < 5,0)36 e VIF di piena collinearità (<3,3)46,47. La significanza del percorso è stata stimata tramite bootstrapping con 5.000 ricampionamenti utilizzando intervalli percentuali di confidenza e test a due code, e sono stati riportati coefficienti di percorso standardizzati (β), medie del campione (M), deviazioni standard (STDEV), valori t, valori p, intervalli di confidenza al 95%, R2 e dimensioni degli effetti (f2). Il potere predittivo fuori campione è stato valutato usando PLSpredict con 10 pieghe e 10 ripetizioni; per ciascun indicatore endogeno, è stato ispezionato il predetto Q2(>0 indica rilevanza predittiva) e gli errori di previsione PLS-SEM (RMSE e MAE) sono stati confrontati con il benchmark48 del modello lineare (LM). Per l'analisi di mediazione, sono stati specificati gli effetti indiretti di AITC su AHTR tramite CS, PS e attraverso la via sequenziale PS → CS, e ogni effetto indiretto specifico è stato valutato utilizzando la distribuzione bootstrap (5.000 ricampioni), con un effetto indiretto giudicato significativo quando il suo intervallo di confidenza al 95% escludeva zero.
Analisi multigruppo
I rispondenti sono stati classificati in gruppi di leader e staff in base al ruolo organizzativo auto-dichiarato (Ruolo: Leader = 1, Staff = 0; Tabella 2); Il gruppo di leader era composto da team leader/supervisori, manager/capi dipartimento e dirigenti/senior leadership, mentre il gruppo staff era composto da dipendenti a livello di staff. Prima che i coefficienti di percorso fossero confrontati, l'invarianza di misurazione tra gruppi è stata stabilita utilizzando la procedura 45 di invarianza di misurazione dei modelli compositi (MICOM). Lo Step 1 (invarianza configurale) è stato soddisfatto con la specifica identica del modello tra i gruppi, e il step 2 (invarianza composizionale) è stato supportato per tutti i costrutti, con correlazioni originali pari o superiori ai loro quantili del 5% e valori p di permutazione non significativi (AHTR c = 0,999, p = 0,524; AITC c = 0,954, p = 0,205; CS c = 1.000, p = 0.800; PS c = 0,976, p = 0,073), stabilendo l'invarianza parziale della misurazione e giustificando il confronto multigruppo (risultati completi MICOM nel Supplementary File 3). Il modello è stato poi stimato separatamente per ciascun gruppo e le differenze di percorso sono state testate utilizzando PLS-MGA basato su bootstrap, con valori p a una coda e a due code riportati per la differenza leader-staff (Δ) di ciascun percorso; Coefficienti di percorso specifici per gruppo, valori t e valori p sono stati riportati per tutti i cammini diretti e indiretti, insieme alla grandezza di ogni differenza tra gruppi.
Reportistica, verifica e risoluzione dei problemi
Furono compilati tutti i risultati di affidabilità, validità, struttura, mediazione e MGA; le tabelle dei risultati furono esportate; e ogni statistica riportata veniva verificata rispetto all'output generato dal software per garantire la coerenza tra tabelle, figure e testo. Per la risoluzione dei problemi, si applicano le seguenti linee guida: se molte risposte non superano controlli di screening o attenzione, affinare i requisiti di idoneità e chiarire le istruzioni del sondaggio; se i criteri di affidabilità (CR < 0,70) o validità convergente (AVE < 0,50) non sono soddisfatti, si riesaminano i carichi esterni e si rimuovono indicatori deboli mantenendo la copertura teorica; se viene identificata la collinearità (VIF sopra le soglie), rivalutare le specifiche costruttive ed eliminare indicatori ridondanti; Se la mediazione o gli effetti di gruppo non sono significativi, riesaminare l'adeguatezza del campione e costruire l'operativizzazione prima dell'interpretazione; e utilizzare un numero adeguato di ricampionamenti bootstrap (ad esempio, 5.000) per stabilizzare le stime.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Caratteristiche dei partecipanti
La Tabella 2 presenta le caratteristiche demografiche del campione finale (N = 331). Il campione era composto dal 65,0% da uomini e 35,0% da donne, con una distribuzione relativamente equilibrata tra leader (51,7%, n = 171) e staff (48,3%, n = 160). Il gruppo d'età più numeroso era sotto i 30 anni (46,5%), seguito dai 31–40 anni (32,0%); Il 76,4% possedeva una laurea triennale o post-laurea. I ...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
Questo studio ha esaminato come le caratteristiche tecnologiche dell'IA Agentica si relazionano alle risorse psicologiche dei dipendenti e al comportamento di riallocazione dei compiti, e se queste relazioni differiscano tra i ruoli organizzativi. Utilizzando un sondaggio trasversale su 331 dipendenti con esperienza nell'IA e PLS-SEM con mediazione e analisi multigruppo, i risultati erano coerenti con il modello teorizzato di guadagno di risorse: l'AITC era positivamente associato a surp...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori dichiarano di non esserci conflitti di interesse.
Uno strumento di IA generativa (ChatGPT, OpenAI) è stato utilizzato per la modifica del linguaggio; tutti i contenuti venivano revisionati e verificati dagli autori, che verificavano anche che il montaggio assistito dall'IA non introducesse cambiamenti di terminologia o tono tra le sezioni.
Ringraziamenti
Questo lavoro è stato finanziato dalla ricerca dell'Università aSSIST.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Prolific | Prolific | https://www.prolific.com/ | Fornitore di pannelli di sondaggi online |
| Qualtrics | Qualtrics, LLC | https://www.qualtrics.com/ | Codifica sondaggi |
| SmartPLS | SmartPLS GmbH | versione 4.0.1, https://www.smartpls.com/ | Analisi PLS-SEM |
Riferimenti
- Chawla C, Chatterjee S, Gadadinni SS, Verma P, Banerjee S. Agentic AI: The building blocks of sophisticated AI business applications. Journal of AI, Robotics & Workplace Automation. 2024;3(3):196–210.
- Lu C, et al. The AI scientist: Towards fully automated open-ended scientific discovery. arXiv [Preprint]. 2024. arXiv:2408.06292. Available from: https://arxiv.org/abs/2408.06292.
- Xie J, Chen Z, Zhang R, Wan X, Li G. Large multimodal agents: A survey. arXiv [Preprint]. 2024. arXiv:2402.15116. Available from: https://arxiv.org/abs/2402.15116.
- Du H, Thudumu S, Vasa R, Mouzakis K. A survey on context-aware multi-agent systems: Techniques, challenges and future directions. arXiv [Preprint]. 2024. arXiv:2402.01968. Available from: https://arxiv.org/abs/2402.01968.
- Acharya DB, Kuppan K, Divya B. Agentic AI: Autonomous intelligence for complex goals - a comprehensive survey. IEEE Access. 2025;13:18912–18936.
- Calegari R, Ciatto G, Mascardi V, Omicini A. Logic-based technologies for multi-agent systems: A systematic literature review. Auton Agent Multi Agent Syst. 2021;35(1):1.
- Sapkota R, Roumeliotis KI, Karkee M. AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. Inf Fusion. 2026;126:103599.
- Abou Ali M, Dornaika F, Charafeddine J. Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artif Intell Rev. 2025;59(1):11.
- Buyya R. Agentic artificial intelligence (AI): Architectures, taxonomies, and evaluation of large language model agents. arXiv [Preprint]. 2026. arXiv:2601.12560. Available from: https://arxiv.org/abs/2601.12560.
- Nisa U, Shirazi M, Saip MA, Pozi MSM. Agentic AI: The age of reasoning - a review. J Autom Intell. 2025. doi:10.1016/j.jai.2025.08.003.
- Singh A, Ehtesham A, Kumar S, Khoei TT. Enhancing AI systems with agentic workflows patterns in large language model. In: 2024 IEEE World AI IoT Congress (AIIoT); Seattle, WA; 2024:527–532.
- Zeng A, et al. AgentTuning: Enabling generalized agent abilities for LLMs. In: Findings of the Association for Computational Linguistics: ACL 2024; Bangkok, Thailand; 2024:3053–3077.
- Liu X, Zhang L, Wei X. Generative artificial intelligence literacy: Scale development and its effect on job performance. Behav Sci (Basel). 2025;15(6):811.
- Wooldridge M, Jennings NR. Intelligent agents: Theory and practice. Knowl Eng Rev. 1995;10(2):115–152.
- Masterman T, Besen S, Sawtell M, Chao A. The landscape of emerging AI agent architectures for reasoning, planning, and tool calling: A survey. arXiv [Preprint]. 2024. arXiv:2404.11584. Available from: https://arxiv.org/abs/2404.11584.
- Sha C, Chai T. When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Front Psychol. 2025;16:1612245.
- Tims M, Bakker AB. Job crafting: Towards a new model of individual job redesign. SA J Ind Psychol. 2010;36(2):1–9.
- Bakker AB, Hakanen JJ, Demerouti E, Xanthopoulou D. Job resources boost work engagement, particularly when job demands are high. J Educ Psychol. 2007;99(2):274–284.
- Bakker AB, Demerouti E, Sanz-Vergel A. Job demands-resources theory: Ten years later. Annu Rev Organ Psychol Organ Behav. 2023;10(1):25–53.
- Hobfoll SE, Shirom A. Conservation of resources theory: Applications to stress and management in the workplace. In: Golembiewski RT, ed. Handbook of Organizational Behavior. 2nd ed. Marcel Dekker; New York; 2000:57–80.
- Hobfoll SE. Conservation of resources: A new attempt at conceptualizing stress. Am Psychol. 1989;44(3):513–524.
- Hobfoll SE, Halbesleben J, Neveu JP, Westman M. Conservation of resources in the organizational context: The reality of resources and their consequences. Annu Rev Organ Psychol Organ Behav. 2018;5(1):103–128.
- Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273–285.
- Shirky C. Cognitive Surplus: How Technology Makes Consumers into Collaborators. Penguin Press; New York; 2010.
- Edmondson A. Psychological safety and learning behavior in work teams. Adm Sci Q. 1999;44(2):350–383.
- Zhao G, Kumar N, Wang C, Liu Z. Bridging the AI gap: How AI-oriented leadership empowers non-technical employees in AI-based innovation engagement. Leadersh Organ Dev J. 2026;47(3):498–514.
- Edmondson AC, Lei Z. Psychological safety: The history, renaissance, and future of an interpersonal construct. Annu Rev Organ Psychol Organ Behav. 2014;1(1):23–43.
- Kim BJ, Kim MJ, Lee J. The dark side of artificial intelligence adoption: Linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanit Soc Sci Commun. 2025;12(1):1–14.
- Cardon PW, Ma H, Fleischmann C. Recorded business meetings and AI algorithmic tools: Negotiating privacy concerns, psychological safety, and control. Int J Bus Commun. 2023;60(4):1095–1122.
- Raisch S, Krakowski S. Artificial intelligence and management: The automation-augmentation paradox. Acad Manage Rev. 2021;46(1):192–210.
- Tims M, Bakker AB, Derks D. Development and validation of the job crafting scale. J Vocat Behav. 2012;80(1):173–186.
- Wrzesniewski A, Dutton JE. Crafting a job: Revisioning employees as active crafters of their work. Acad Manage Rev. 2001;26(2):179–201.
- Grant AM, Parker SK. Redesigning work design theories: The rise of relational and proactive perspectives. Acad Manag Ann. 2009;3(1):317–375.
- Liu Q, Tian Q, Li X, Tan H. How does organizational AI adoption affect employees’ job crafting behaviors? An approach-avoidance perspective. Front Psychol. 2025;16:1690238.
- Gibson CB, Cooper CD, Conger JA. Do you see what we see? The complex effects of perceptual distance between leaders and teams. J Appl Psychol. 2009;94(1):62–76.
- Hair JF, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer; Cham; 2021:1–56.
- Liu Y, Sheng F, Liu R. Generative AI adoption and employee outcomes: A conservation of resources perspective on job crafting, career commitment, and the moderating role of liking of AI. Humanit Soc Sci Commun. 2025;12:1376.
- Plomp J, Tims M, Khapova SN, Jansen PG, Bakker AB. Psychological safety, job crafting, and employability: A comparison between permanent and temporary workers. Front Psychol. 2019;10:974.
- Li W, et al. Embracing artificial intelligence (AI) with job crafting: Exploring trickle-down effect and employees’ outcomes. Tour Manag. 2024;104:104935.
- Gaskin J, Godfrey S, Vance A. Successful system use: It’s not just who you are, but what you do. AIS Trans Hum Comput Interact. 2018;10(2):57–81.
- Marakas G, Johnson R, Clay PF. The evolving nature of the computer self-efficacy construct: An empirical investigation of measurement construction, validity, reliability and stability over time. J Assoc Inf Syst. 2007;8(1):2.
- Loch KD, Straub DW, Kamel S. Diffusing the Internet in the Arab world: The role of social norms and technological culturation. Global Information Systems. 2008;143–175.
- Nunnally JC. Psychometric Theory. 2nd ed. McGraw-Hill; New York; 1978.
- Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39–50.
- Henseler J, Ringle CM, Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 2015;43(1):115–135.
- Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach. Int J e-Collab. 2015;11(4):1–10.
- Kock N, Lynn GS. Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations. J Assoc Inf Syst. 2012;13(7):2.
- Shmueli G, et al. Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. Eur J Mark. 2019;53(11):2322–2347.
- Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: A critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879–903.
- Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63(1):539–569.
- Harman HH. Modern Factor Analysis. 3rd ed. University of Chicago Press; Chicago; 1976.
- Podsakoff PM, Organ DW. Self-reports in organizational research: Problems and prospects. J Manage. 1986;12(4):531–544.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.