仕事ストレスと個人の創造性:AI対応職場向けのスクリーンベースの部分最小二乗構造方程式モデリングプロトコル

サマリー

本研究は、AI組み込みの職場研究における媒介とモデレーションの検証、共通手法診断の実施、単純な傾きの解釈、予測的関連性の評価を目的とした、部分最小二乗への調査に基づく構造方程式モデリング(PLS-SEM)プロトコルを提示します。

要約

組織における人工知能(AI)の利用増加は、従業員の仕事要求、リーダーシップの認識、創造性の機会を再構築しています。本研究は、職務要求–資源(JD–R)モデルとソーシャルラーニング理論を活用し、従業員の倫理的リーダーシップの認識が職務ストレスと個人の創造性の関係を媒介しているかどうか、また組織内のAI組み込みがこの関係を増幅しているかどうかを検証します。5,000件のブートストラップ再サンプルを用いた偏最小二乗構造方程式モデリング(PLS-SEM)を用いた結果は、職務ストレスが倫理的リーダーシップ認識に悪影響を与える一方で、倫理的リーダーシップの認識が創造性に正に影響を与えることが示されました。仕事のストレスは創造性と直接関係しているわけではなかった。むしろ、倫理的リーダーシップ認識が重要な間接的な道筋として機能しました。さらに、組織内のAIの組み込み性は倫理的リーダーシップの認識と創造性の関係を強化しました。これらの発見は、AI対応の職場における創造性は技術そのものよりも組織の心理的メカニズムによって形作られていることを示唆しています。デジタルトランスフォーメーションの際に創造性を高めたい組織は、AI導入にとどまらず、職務ストレスを管理し倫理的なリーダーシップ環境を育むべきです。このプロトコルは、実証モデルを実例として用いて、再現可能な調査からPLS-SEMへのワークフローを示します。

概要

人工知能(AI)は、従業員の仕事のやり方、職務要件の理解、創造性の機会の見出しを変革しました。組織が意思決定支援、自動化、調整のためにAIを採用し始める中です(1,2,3,4)。AI対応の能力はアクセス可能な情報の範囲を広げ、実験を支援できますが、それ自体は人々に^{創造的な行動}を促すことには至りません。むしろ、従業員の創造的行動は、実験の正当性、ミスに対する公正な扱い、リーダーへの支援性への認識に依存し^{ています。}このプロトコルは、創造性を技術ベースの製品ではなく、組織心理学における知覚に基づくプロセスとして定義しつつ、採用から推論までのプロセスを再現可能^{かつ透明性}にしています。この手法は実験室の参加者を撮影・観察するものではありませんが、注目すべき現象は依然として行動であり、従業員は仕事のストレスに反応し、社会情報を理解し、AIが関与した職場状況に対して創造的な反応を発揮します。したがって、行動範囲は身体的行動ではなく、創造性、リーダーシップ認識、AI関連の文脈反応に関連する測定可能な職場行動や解釈的構造を通じて扱われます(^6,10)。

AI搭載の職場とは、従業員がAIを単なるオプションツールではなく、業務の調整、意思決定支援、評価、問題解決の繰り返しの一部として認識する職場環境を指します。この概念は広範なデジタルトランスフォーメーションよりも狭く、導入段階としてのAI導入とは異なり、実装段階としてのAI成熟度とは異なり、技術的能力としてのAI能力とも異なります。従業員がすべての機能におけるAI使用の客観的な範囲を知らない可能性があるため、この概念は組織内のAI埋め込み性として認識されており、倫理的リーダーシップ認識と個人の創造性の認識に基づくモデルに適^{しています。}

このプロトコルは、三つの相互に強化し合うギャップを埋めます。まず、AIが組み込まれた職場環境における倫理的リーダーシップとは何か、そして倫理的リーダーシップの認識が創造性に関わる仕事のストレスとどのように関連しているのかについては、あまり知られていません。この関係は重要です。なぜなら、仕事のストレスが創造性に与える影響は、文脈化され解釈されるたびに異なるからです(^13,14)。第二に、AI搭載職場における創造性に関する研究ではAIをAI導入のツールや尺度として考えることが多いものの、組織全体のAI埋め込みがリーダーの合図やAI関連の不確実性解釈に対する行動反応にどのように影響を与えるかを示す証拠は少ないです(^4,11,12)。第三に、組織心理学における調査ベースのデータを用いる研究は、採用やスクリーニングから測定の構築、データ準備、そしてその後の部分最小二乗構造方程式モデリング(PLS-SEM)の媒介およびモデレーション解析に至るまで、測定の妥当性、判別妥当性、共線性、予測的関連性などを考慮する重要な点を簡潔にまとめることが多いです⁽15,16,17)。¹⁸. 著者らはこの手順で、342件の調査開始を310件の使用可能ケースに減らし、構成ブロックを分離し、VIFと3.3カットオフを用いた完全な共線性の検証、5,000件のブートストラップ再サンプルで直接・間接・相互作用効果の検証を行い、最後にPLSpredictを予測関連性スクリーニング^15,16,18,19として含めることで、ワークフローを可視化しています。

したがって、主な貢献は方法論的にあります。ジョブストレス-倫理的リーダーシップ-創造性モデルは作業例として残されていますが、主な貢献は通常は隠れている分析的意思決定を可視化することです。すなわち、適格性スクリーニング、項目コード保持、構成要素分離、測定検証、共線性および共通法診断、ブートストラップ、効果分解、単純傾き解釈、PLS予測評価^15、18、19。仕事要求-資源モデル^20,21によれば、仕事ストレスは創造的に関与するために必要な認知的・感情的資源を消費する要求であり、それゆえ創造性に影響を与える^9。従業員は、認知的柔軟性、実験、新しい作業手法を通じて、新しく独自の解決策を生み出すことに裁量的な努力を集中させます。彼らは激しい職場環境で長い締め切りに直面したため、アイデアを生み出す時間が減り、エラー防止やタスク完了に注力しがちです^13,14。すべてのストレスが創造性に悪影響を及ぼすわけではなく、特定のレベルの挑戦は、作業において自律性を認められ、職場で社会的支援を受けている個人のアイデア生成を促進することもあります^13,22。一方で、持続的な圧力はネガティブな関係を生む可能性があります。

したがって、著者らは職務ストレスが個人の創造性と負の関連があると仮説を立てています(H1)。また、仕事のストレスは特定の従業員が自分の社会環境をどう捉えるかにも影響を与えることがあります。変動やストレスの時期には、公平さ、支援、応答性のシグナルに対してより敏感になることがあります^。この観点から見ると、管理側の対応遅延や一貫性のない意思決定は、ある文脈では調整不足と解釈され、別の文脈では怠慢と解釈される可能性があります。重要なのは、人々がストレスを感じているとき、リーダーが示すメッセージにより重点を置く傾向があり、そのため、目に見える公平さや支援がない状況では、否定的な解釈を形成しやすくなることです。^8,10。次に、著者らは職務ストレスが従業員の倫理的リーダーシップ(H2)に対する認識と負の関連があると仮説を立てています。倫理的リーダーシップの認識とは、従業員が自分のリーダーを公平で誠実、開かれた、そして良い道^徳的価値観を持つと見なす方法を指します。社会学習理論の観点から見ると、倫理的リーダーシップの認識は、従業員が自分の声を使うか、新しいことに挑戦してリスクを取るか、あるいは実験を行うか^{を示します。}リーダーを倫理的だと認識すると、従業員は新しい働き方について意見を述べ、新しいアイデアを試す可能性が高くなります。公平で信頼できるリーダーは、従業員が裁量的な創造的行動に従事する機会を増やします。^6,7,10。

したがって、著者らは従業員の倫理的リーダーシップの認識が個人の創造性と正の関連があると仮説を立てています(H3)。また、倫理的リーダーシップ認識が職務ストレスが個人の創造性に与える影響を間接的に媒介する経路も導入しています。創造性に対するストレス関連の影響は一貫性がなく、この関係が単純なものではないことを示唆しています^14,22。同じレベルのストレスにさらされる従業員がいても、一方はリーダーを倫理的だと感じ、職場を安全だと考えてアイデアを共有できるかもしれません。他の従業員は、リーダーを非倫理的だと感じたり、不公平に扱われるとアイデアの共有をやめることがあります^6,7。この経路は社会的解釈の影響を示しており、仕事のストレスが創造的成果に直接与える影響だけに焦点を当てるだけでは不十分かもしれないことを示唆しています。

著者らはまた、従業員の倫理的リーダーシップの認識が職務ストレスと個人の創造性の関係を媒介していると仮説を立てています(H4)。組織のAI組み込みは、AIが従業員^の仕事を仲介・評価・支援するために使われる職場環境に関連しています。AIを組み込んだ組織環境は、従業員の情報アクセスを拡大し、作業完了に必要な時間を短縮し、アイデアの再結合の余地を広げます。同時に、誰が、あるいは何が責任を問われるのか、どのような評価が行われるのか、どのような実験^{が許容される}のかという疑問を投げかけるかもしれません。このような状況では、従業員はAIによる実験、AIエラー許容、AI支援のアイデア生成が正当^{かつ安全かどうか}を判断する際に、倫理的なリーダーシップの手がかりにより注意を払う傾向^{があります。}したがって、著者らは組織のAIの組み込みが倫理的リーダーシップの認識と個人の創造性の関連性を高めると予測しています。

したがって、著者らは、組織のAI埋め込み性が従業員の倫理的リーダーシップ認識と個人の創造性との関係を調節し、組織のAI埋め込みが高いほど正の関係が強くなると仮説を立てています(H5)。このプロトコルは、直接観察が非現実的または倫理的に不当な場合に自己申告された職場行動とその社会的解釈を研究する行動研究者向けに設計されています。この写本は三つの点で貢献しています。第一に、AI対応職場における創造性の従来の理解から逸脱し、そのプロセスを知覚に支えられた組織心理学のプロセスとして提示しています(^6,9)。第二に、倫理的リーダーシップの認識が職務ストレスと個人の創造性の関係を媒介し、倫理的リーダーシップと創造性の認識の関係が組織AIの埋め^{込み性によって}調節されることを示すことで、この議論を拡張^{しています。}第三に、メディアおよび調整プロセスを評価するためのスクリーンベースの調査とPLS-SEM手法を導入します。15,18,19。その利点は、雇用スクリーニング、構成要素分離、妥当性および共線性チェック、ブートストラップ、効果分解、モデレーション解釈、PLS予測分析、そして断面関係の慎重な解釈など、隠れた意思決定を可視化することです。

プロトコル

研究プロセスは、人間参加者を対象とした研究におけるすべての倫理的プロトコルに従って行われました。すべての参加者情報は、オンライン調査技術およびデジタルのインフォームドコンセント手続きを通じて匿名で収集されました。参加者を特定する情報は収集されず、参加者の映像も記録されませんでした。すべての参加者は、アンケートに到達する前にデジタルのインフォームドコンセントスクリーンが提示されました。画面には、研究の学術目的、参加は任意であること、回答は機密扱い、データは研究目的のみに使用されることが説明されていました。インフォームドコンセントを積極的に認めなかった参加者は、いかなる研究項目も提示される前に調査から除外されました。倫理承認または免除情報は、提出機関の要件に従い倫理声明に記載されるべきです。このプロトコルの視覚的要素は、これらのステップを追加のワークフロー図ではなく、リクルート、同意、スクリーニング、非特定データ処理、SmartPLSモデル作成、ブートストラップ、効果分解、PLS予測評価のスクリーンベースのビデオデモンストレーションとして提示することを意図しています。表の並びは、ビデオデモンストレーションのステップの順序を模倣しています。表1は、募集、同意、スクリーニング、品質検査を経て保持されたサンプルを示しています。構成ブロックの測定基準は表2に示されています。表3–5は測定の品質、判別妥当性、共線性診断を報告しています。表6は仮説検定の結果を報告しています。表7は直接効果と間接効果の分解を示しています。表8はPLSpredictのチェックポイントです。したがって、表1–8は、スクリーニングベースのワークフローにおける調査入力から統計的推論までの出力の軌跡^{を示しています。}本研究で使用されるすべてのプラットフォーム/ツールは、材料表に一覧化されています。

研究モデル

作業例では、倫理的リーダーシップ認識が職務ストレスが個人の創造性に与える影響を媒介し、組織AIの埋め込み性は倫理的リーダーシップ認識が個人の創造性に与える影響を緩和します。 図1 は概念モデルを示しており、H4は倫理的リーダーシップ認識の影響を間接的な経路として、H5は組織内のAI埋め込みによる倫理的リーダーシップ認識の調整を指しています。このモデルの目的は因果モデルを示すことではなく、画面を使った調停と調整のワークフローを描くことです。

図1:概念モデル。 図は、ジョブストレス(JS)を予測因子として、倫理的リーダーシップ認識(EL)を仲介者として、個人の創造性(IC)を結果として、組織AIの組み込み性(OA)をEL–IC関係のモデレーターとして提示しています。実線の矢印は仮説的な直接経路を示し、媒介経路はJS>EL>IC、相互作用項はEL×OA>ICを表します。 この図の拡大版はこちらをクリックしてご覧ください。

研究データ

インターネットベースの参加型採用システムとインターネットベースのアンケートシステムを用いて、対象職場のフルタイム従業員から匿名のアンケート回答を収集しています。フィルターはリリース前に設定し、構成ブロック表示前にアンケートベースのスクリーニング項目で適格性を確認する必要があります。同意していない参加者、不適格な回答者、品質管理チェックに失敗した回答は分析前に除外されます。作業例では、雇用状況のスクリーニングと品質管理チェックを経て、最初の342件の開始から310件の有効な調査が完成しました。 表1は 最終有効なサンプルの人口統計情報を示しています。

表1:サンプルの記述的特徴(n = 310)。表は、同意、適格性審査、品質管理除外後の人口統計学的および雇用特性別に保持回答者をまとめたものです。nはサンプルサイズを示します。 この表をダウンロードするには、こちらをクリックしてください。

対策

すべての項目に対して7点リッカート尺度が用いられます(1=強く反対;7=強く同意)。この調査には、職務ストレス、倫理的リーダーシップ認識、個人の創造性、組織内のAIへの組み込みに関する測定ブロックが含まれています。調査の設計およびエクスポート時に項目コードを保持し、各測定指標がモデル仕様時に対応する潜在変数にマッピングできるようにしましょう。測定項目および情報源の全セットは 表2に示されています。

表2:測定項目および情報源。 この表は、アンケート項目、構成要素の割り当て、スケールの情報源を示しています。略語:JS = 職務ストレス;EL = 倫理的リーダーシップ認識;IC = 個人の創造性;OA=組織AIの組み込み性。 この表をダウンロードするには、こちらをクリックしてください。

PLS-SEMソフトウェアにデータをインポートする前に、研究者は完成したデータセットを.csv形式でエクスポートする必要があります。参加者情報の意図しない漏洩を防ぐために、名前、メールアドレス、IPアドレス、その他の直接識別子はエクスポートから削除すべきです。エクスポートされたファイルは、欠損値、スクリーニング応答失敗、直線化、注意チェック失敗、変数名エラーなどを検査する必要があります。モデルが要求するクリーン化された指標変数と制御変数のみを保持すべきです。初期調査開始、最終有効なサンプル、信頼性範囲、AVE範囲、構造VIF範囲、ブートストラップ再サンプリング設定は後で報告するために記録すべきです。

PLS-SEM解析ワークフロー

仮説を解析するために、研究者はPLS-SEMを用いるべきです。SmartPLS 4.1では、クリーン.csvファイルをインポートして新しいプロジェクトを作成します。潜在構造はモデルキャンバス上に配置され、保持された指標はJS、EL、IC、OAに割り当てるべきです。これらの直接的な経路はモデルキャンバス上に描くことができます。間接経路はJS>EL>ICとして指定でき、積-指示器の相互作用項はOA×EL>ICとしても作成可能です。研究者は構造経路を評価する前にPLSアルゴリズムを実行するべきです。SmartPLSでは「PLSアルゴリズム>計算」に行き、経路重み付け方式、最大反復回数、もし提供されている場合の停止基準などの推定設定に注意してください。PLSアルゴリズムが実行された後、研究者はクロンバックのアルファ、複合信頼性、AVE、外部負荷、Fornell-Larcker、HTMT比、VIF値^17、18、19を評価します。信頼性、妥当性、共線性の評価に関する出力は表 3–5に報告されています。著者には、共通手法バイアスの可能性があるかどうかを確認するために、完全な共線性検定を行うことが推奨されます。構造VIF値は、同一源バイアスが除去されたことを示す指標ではなく、潜在的な同一源バイアスの診断指標として捉えるべきです。

このプロトコルは、外部モデルVIFと構造的/全共線性VIFを区別します。外側VIFが3.3を超えても5.0未満のままであれば、その値は一般的な手法バイアス診断としてではなく、指標レベルの共線性の問題として認識されるべきです。完全な共線性VIFは、共通の方法バイアスが除去された証明としてではなく、同じソースの診断スクリーニングとして別に解釈^{されます。}経路係数、間接効果、相互作用項を解釈する前に、測定品質と共線性診断を行うべきです。直接経路、特定の間接効果、減速効果を計算するために、研究者は5,000件の再サンプルを用いてブートストラップ手順を行う必要があります。5,000のサブサンプルを用いて、α = 0.05で両側検定を行い、符号変換と信頼区間のオプションはプロジェクトの通りに残します。表6は経路係数、特定の間接効果、相互作用の結果を示しています。仮説を検証した後、出力中の特定の間接効果および総効果のセクションをレビューし、ELを通る間接経路に対する直接JS>ICの関係を評価し、表7の効果分解を捉えるべきです。この手法は、有意でない直接的なストレス–創造性経路を、知覚に基づく有意な間接経路から切り離して解釈することを避けます。研究者は内因性構成要素に対してPLSpredictを実行し、^Q2予測、RMSE、MAE統計を有界予測関連性評価として報告することが推奨されます。内因性構成要素ELおよびICの^Q2予測、RMSE、MAEの結果、そして線形モデルベンチマークの結果(もし提供されている場合)を表8に示します。これらの結果は、完全な予測証拠ではなく、有界予測関連性の証拠として解釈されるべき^です。

このプロトコルは統計的に装飾的ではなく、意図的に焦点を絞っています。後に国、職業、管理レベルを比較する研究者は、ベースラインの調停およびモデレーションワークフローが確立された後に、測定不変性検定、多グループ分析、セグメンテーション、重要度-パフォーマンスマッピングを追加できます。統計的に有意な間接経路や相互作用経路は、データが断面的である場合に因果効果として解釈すべきではありません。縦断的、実験的、または複数の情報源による証拠がない限り、理論的に一貫した関連として提示すべきです。この注意は結果と議論でも繰り返されており、媒介と調節の経路が因果効果ではなく理論的に整合した関連として提示されているようにしています(^15,18)。SmartPLSのバージョン間で正確なメニューラベルが異なる場合は、研究者は同等のメニューパスを使用し、ソフトウェアバージョン、アルゴリズム設定、リサンプリング設定を材料表または再現性ノートに記録すべきです。

結果

測定モデルの評価

その後、測定モデルを用いて構成要素の信頼性と妥当性を評価しました。信頼性、収束妥当性、項目負荷、共線性診断は表3に示されています。クロンバックのアルファ値は0.877から0.932の範囲で0.70のカットオフを超えています。複合信頼性の推定値は受け入れられており、CR(ρ_a)は0.880から0.959、CR(ρ_c)は0.911から0.945の範囲でした。AVEは必要な0.50(0.672–0.779)を大幅に上回っていました。完全な共線性評価では、すべての構造的VIFが<3.3であったため、共通手法バイアスの証拠は認められませんでした。全体として、これらの指標は信頼性、収束妥当性、許容可能な共線性の基準を満たしていました。項目は 表2に記載されています。これらの範囲は、測定モデルがこのプロトコルで規定されている信頼性、妥当性、完全な共線性ベンチマークを満たしていることを裏付けます。

表3:測定モデル評価および共線性診断。 表はクロンバックのアルファ(α)、複合信頼性(ρaおよびρc)、抽出された平均分散(AVE)、外負荷、分散インフレ係数(VIF)統計を報告しています。VIF値が1に近い場合は無視できる多重共線性を示し、1から3の値は低く許容可能な共線性を示し、3を超える値は共線性の懸念が増していることを示します。略語:JS = 職務ストレス;EL = 倫理的リーダーシップ認識;IC = 個人の創造性;OA=組織AIの組み込み性。 この表をダウンロードするには、こちらをクリックしてください。

判別妥当性の評価

判別妥当性はフォーネル・ラーカー基準またはHTMT比^17,19によって評価されます。フォーネル・ラーカーの結果は表4に示されています。各AVE推定値の平方根は他の構成要素との相関よりも高く、判別妥当性を示しています。さらに、表5に示されているように、すべてのHTMTは0.85<であり、これは構成要素が経験的に異なることを示しています。Fornell-LarkkerおよびHTMTの調査結果は、この測定モデルが本研究で用いられた構成要素の区別を十分に示していることを示しています。

表4:Fornell–Larkker基準を用いた判別妥当性の評価。 対角線値は抽出された平均分散の平方根(AVE)であり、対角線外の値は構成間の相関です。略語:JS = 職務ストレス;EL = 倫理的リーダーシップ認識;IC = 個人の創造性;OA=組織AIの組み込み性。 この表をダウンロードするには、こちらをクリックしてください。

表5:異形質・単一形質(HTMT)比率を用いた判別妥当性。 値が0.85未満は、構成概念間の経験的識別性を示します。略語:JS = 職務ストレス;EL = 倫理的リーダーシップ認識;IC = 個人の創造性;OA=組織AIの組み込み性。 この表をダウンロードするには、こちらをクリックしてください。

構造モデルと仮説検定

仮説を検証するために構造モデルが検証されました。倫理的リーダーシップの認識は、従業員がリーダーの行動をどのように見ているかを主観的に評価したものです。したがって、ELと他の変数との間の構造的な経路は、知覚に基づく関係として解釈されるべきです。表6は、仕事のストレス、倫理的リーダーシップ認識、個人の創造性、組織AIの組み込み性に関する結果を示しています。R²=0.104の倫理的リーダーシップ認識とR²=0.186の個人創造性をモデルで説明しました。これらの結果は説明力が控えめであり、横断的組織行動研究の文脈で慎重な推論に適しています。このため、プロトコルは完全な予測妥当性ではなく、ワークフローの実証、効果分解、予測関連性の評価に焦点を当てています。また、創造性はチームクライミート、リーダーとメンバーの交流、タスクの自律性、職業的文脈、組織のイノベーション規範など、本モデルでは考慮されていなかった他の要因にも影響される可能性があります。したがって、小さな^R2はモデルの説明力の限界を示しており、間接的および相互作用のワークフローの失敗を示しているわけではありません。H1は支持されませんでした。なぜなら、職務ストレスと個人の創造性の関連が有意でなかったため( β = –0.054, t = 0.935, f² = 0.003、効果量は無視できるほどの効果量であったためです)。職務ストレスは倫理的リーダーシップ認識と負の相関を示し(β = –0.322、t = 6.785、f²= 0.116、小効果量)、H2を支持しました。H3は支持され、倫理的リーダーシップの認識は個人の創造性と正の関連を示しました(β = 0.371, t = 5.453, f²= 0.136)。倫理的リーダーシップ認識を通じて個人の創造性に与える職務ストレスの間接的な影響は有意であり( β = –0.120, t = 4.364)、H4を支持しています。倫理的リーダーシップ認識と組織AIの組み込み性との相互作用は、個人の創造性と正の相関を示しました(β = 0.141、t = 2.211、f²= 0.024、小効果量)。これはH5を支持しています。対照変数および効果量の結果は 表6に報告されています。

表6:仮説検定結果、効果量、対照変数効果。 H4に対応する間接効果はここに報告され、表7でさらに分解されています。*p < 0.05、**p < 0.01、***p < 0.001。略語:β = 標準化された経路係数;t = t 統計量;f² = 効果量;p = 確率値;n.s. = 有意でない;JS = 仕事のストレス;EL = 倫理的リーダーシップ認識;IC = 個人の創造性;OA=組織AIの組み込み性。 この表をダウンロードするには、こちらをクリックしてください。

組織AIの埋め込み性は倫理的リーダーシップの認識と個人の創造性との関係を強化しました(β = 0.141, t = 2.211, p = .027)。相互作用を可視化されたプロトコル記事で解釈可能にするために、 図2 と 表9は 、組織AI埋め^込み度の低レベル(−1 SD)、平均レベル、高レベル(+1 SD)での相互作用を視覚的かつ条件付き効果として提示しています。

図2:組織AIの埋め込み効果の緩和効果の単純な傾き。 図は、組織AI組み込み度(OA)の低レベル(−1標準偏差[SD])、平均、高レベル(+1SD)における倫理的リーダーシップ認識(EL)と個人の創造性(IC)との条件付き関係をプロットしています。別途提出された図2ファイルでは、すべての数学演算子の前後にスペースが使われています(例:OA×EL、β=0.141、+1 SD)。 この図の拡大版はこちらをクリックしてご覧ください。

構造効果の分解

媒介メカニズムを示すために、直接的および間接的な構造的影響を解き分けました。 表7では、倫理的リーダーシップ認識に関わる構造的効果の分解を示しています。職務ストレスと個人の創造性との直接的な関係は有意ではありませんでした(β = –0.054)が、倫理的リーダーシップ認識を通じた間接的な関係は有意でした(β = –0.120、 p < 0.001)。したがって、サンプルにおける職務ストレスと個人の創造性の関係は、主に従業員の倫理的リーダーシップの認識を通じて明らかになりました。このパターンは、直接的なJS>IC経路は有意でなかったのに対し、間接的なJS>EL>IC経路は有意でなかったため、部分的な媒介ではなく完全な媒介を示している。この解釈では、仕事のストレスは主に従業員の倫理的リーダーシップの認識を通じて創造性と関連しており、この実例では残留的な直接的な経路を通るものではありません。

表7:構造効果の分解。 この表は、JS>IC関係について直接効果、特定効果、間接効果、総間接効果、全効果を区別しています。略語:JS = 職務ストレス;EL = 倫理的リーダーシップ認識;IC = 個人の創造性;n.s. = 有意でない。p < 0.001.値の合計は丸めのため正確に合わないことがあります。 この表をダウンロードするには、こちらをクリックしてください。

予測的関連性評価

予測関連性はPLSpredictを用いて評価されています。この方法は、表8で特定された内因性構成要素の^Q2予測、RMSE、MAEを比較して予測関連性を評価するために用いられます。PLSpredictはまた、研究者が特定された有意な経路に対して簡潔な予測関連性チェックを提供する有用な方法論的手段を提供します。本報告書で示された作業例では、表8が、倫理的リーダーシップの認識や個人の創造性に対する予測的関連性の証拠を含め、先に特定された調停およびモデレーションの経路を支持する最終監査ポイントを要約しています。Q2の予測値はすべて正のものの控えめなサイズであるため、予測関連性はすべての結果の完全な予測を提供するのではなく、有界の予測効用を提供するものと解釈すべきです。個人の創造性に対する非常に低いQ2予測値は、弱い実用的予測として直接議論されています。これは調停や調整の発見を無効にするものではありませんが、予測主張を制限し、より強力な個人、チーム、タスク、組織レベルの創造性予測因子を用いて将来の研究を動機づけます¹⁸。

表8:PLSは内因性構成概念の結果を予測します。 表は倫理的リーダーシップ認識(EL)および個人の創造性(IC)に関する^Q2の予測、二乗平均平方根誤差(RMSE)、平均絶対誤差(MAE)を報告し、利用可能な場合は線形モデル(LM)ベンチマークも含まれています。これらの統計は、有界予測関連性の証拠として解釈されます。 この表をダウンロードするには、こちらをクリックしてください。

表9は図2と共に読むべきです。この研究は、×倫理的リーダーシップ認識が組織AIの埋め込み度の低レベル(−1 SD)、平均レベル、高レベル(+1 SD)において個人の創造性に与える条件付き効果に変換しています。条件付き傾きはAI埋め込み度が低いときに最も弱く、平均で基準EL>ICの関連性に一致し、AI埋め込みが高い場合に最も強いです。したがって、表9はH5の実践的な方向性を明確にし、AIが業務ルーチンにより深く組み込まれるほど倫理的リーダーシップの手がかりが創造性にとってより重要になることを示しています¹⁸。

表9:倫理的リーダーシップ認識(EL)が個人の創造性(IC)に与える条件付き効果。 表は、組織AI埋め込み度(OA)の低レベル(−1標準偏差[SD])、平均、高レベル(+1 SD)での条件付きEL>のIC傾きを報告し、H5のモデレーション効果を解釈可能にしています。 この表をダウンロードするには、こちらをクリックしてください。

データの利用可能性:

生分析資料は明確な名前の補足データファイルとして提供されています: 補足表1、非識別化されたクリーン調査データセット; 補足表2、SmartPLS PLSアルゴリズム出力; 補足表3、SmartPLS 5,000リサンプルブートストラップ出力;補 足表4、SmartPLSのPLS予測およびCVPAT出力。これらのファイルの詳細な説明は 補足ファイル1に記載されています。

補足表1:生データ。 非特定化されたクリーン化された調査データセット。このファイルをダウンロードするには、こちらをクリックしてください。

補足表2:生データ。 SmartPLS PLSアルゴリズム出力。このファイルをダウンロードするには、こちらをクリックしてください。

補足表3:生データ。SmartPLS 5,000-リサンプリングブートストラップ出力。このファイルをダウンロードするには、こちらをクリックしてください。

補足表4:生データ。 SmartPLSのPLS予測とCVPAT出力。このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル1:READMEファイル。 生データテーブルに関する指示について。このファイルをダウンロードするには、こちらをクリックしてください。

ディスカッション

このプロトコルは、心理的要求、リーダーシップ認識、AIに関連する文脈条件がデジタルトランスフォーメーションされた職場環境における従業員の成果にどのように影響するかを理解するための、移転可能な調査ベースの手法を提示します(^1,2,4)。その主な貢献は映像化された操作ではなく、オンラインのリクルート、同意、スクリーニング、関心のある構成要素の測定、データ準備、SmartPLSモデルの指定、ブートストラップ、代表的な調停およびモデレーション結果の解釈のための追跡可能な分析ワークフローです(^15,18)。手順は、原稿内の表やオンライン補足資料のSmartPLS出力ファイルを通じて追跡できます。それでも、オンライン採用からSmartPLSを用いた分析までのすべてのステップが、ビデオで示され、提出されたSmartPLS出力ファイルや同じ結果を反映した表で検証される画面ベースのクリックで実装されているため、容易に実証できます。

このワークフローは、著者が探求する構成要素の代わりに、他の知覚に基づくメカニズムの研究に容易に適応でき、同じオンラインリクルート、スクリーニング、検証済み測定、PLS-SEMシーケンスを利用することも可能です。この手順は、可視化手法形式に3つの理由で適しています。まず、匿名調査の多くは物理的なものではなく、デジタルかつ手続き的なものです。第二に、これらの操作は解釈に影響を与えます。この例では、測定チェックや効果分解がJS>EL>ICが間接経路であることを示しない限り、JS>IC経路をヌル発見として単純に認めることができます。第三に、これらの手順はProlific、Qualtrics、データセット処理、SmartPLS、出力ファイル、表ファイル、必要に応じてスクリーンキャプチャ動画などを通じて行われるため、個々の参加者を録画せずに教えたり監査したり再現したりすることができます。著者らはSmartPLSで画面ごとに解析し、ソフトウェア出力ファイル、表ファイル、補助的なSmartPLS出力ファイル、スクリーンキャプチャ動画を、サンプル包含、構成分離、モデル品質評価、直接・間接・相互作用・予測結果の解釈に関する重要な方法論的意思決定に結びつけることができます。調査ベースのPLS-SEMは実験室での操作のようなグラフィック精度には欠けますが、リクルートから推論までの監査可能な経路が方法論を構成しています。このようにして^{、参加者の}ビデオ録画を必要とせずに、人間の職場行動—創造的行動、社会的解釈、AIの文脈的応答—を再現可能な方法で研究する手段^{を提供します。}

このプロトコルは、手順がデジタルかつ画面ベースであるため、可視化されたメソッド形式に適しています。ビデオは同意画面、適格性フィルター、非特定データセット、項目コード構造、モデルキャンバス、アルゴリズム設定、ブートストラップ出力、間接効果、相互作用出力、単純傾き解釈、PLSの結果予測を参加者を撮影したりプライベートデータを開示したりせずに表示できます^15,18。代表的な応用例は、統計手法が稀でなくても手続き的可視性がいかに重要かを示しています。342件の調査から310件の有効症例への減少、信頼性係数は0.877〜0.932、AVEは0.672〜0.779、構造VIFはすべて3.3未満、非有意な直接JS>およびIC経路(β = –0.054)、EL>IC間接経路>有意JS(β = –0.120)、およびEL×有意OA(β=0.141)はスクリーニングに関する事前決定に依存します。 構成要素分離、測定妥当性、共線性診断、ブートストラップ^15、18、19。PLS-SEMは、構成要素の品質評価、直接・間接・相互作用効果の分離、並列¹⁸のブートストラップ経路の推定を通じてこのプロトコルをサポートしています。PLSpredictは、測定の質や構造経路が判断された後も、内生的構成要素が依然として予測的関連性を持つかどうかを問います。倫理的リーダーシップ認識と個人の創造性に関する肯定的でありながら控えめなQ2予測値は、表8の包含を支持しつつ、完全な予測ではなく限定的な予測有用性を示唆しています。非有意なJS>ICダイレクトパスは単独で解釈すべきではありません。分解は、職務ストレスが倫理的リーダーシップ認識を通じて創造性と関連していることを示しており、改訂版原稿では完全な媒介、効果分解、そして断面的連想の抑制された解釈を強調し^{ています。}

これらの発見は、AI埋め込み作業における創造性の知覚的説明と一致しています ^8,9。本研究では、職務ストレスが倫理的リーダーシップの認識を否定的に予測し、それが個人の創造性を正の方向に予測しました。仕事のストレスは個人の創造性を直接予測するわけではありませんが、従業員のリーダーシップ環境に対する認識を通じて間接的に創造性と関連していました。倫理的リーダーシップの認識と創造性の正の関連は、組織AIの埋め込み性によっても強化されました 26,28,29,31。本研究は、職場での創造性の生成が技術そのものというよりも、従業員がAIに組み込まれた仕事やリーダーからの支援を認識していることを示すことで、組織心理学を前進させ^{ています。}倫理的リーダーシップの認識が創造性に与える影響は、社会的、文脈的、動機付けによって条件付けられた解釈のボトルネックであり、仕事のストレスが創造性に影響を与える。特に、仕事のストレスは倫理的で支援的なリーダーシップのシグナルへのアクセスを低下させる一方で、倫理的リーダーシップの認識は声、実験、建設的なリスクテイクを促す社会的情報を提供します(^6,7,10)。また、この研究は組織内のAIの組み込みが創造的行動の直接的な推進力ではなく、文脈的な支援要因であることを明らかにしています。AI統合環境では、労働者は実験や説明責任、マネージャーや同僚が創造的な取り組みをどのように評価するかについて確信が持てなくなるかもしれません。この読み方は、ストレスと創造性の関係に関する研究結果が過去に混在してきた理由を説明するのに役立ちます。ストレスは、従業員がリーダーを公正で信頼できる、支え合う存在として認識しているかどうかによって創造性に異なる影響を与える可能性があるからです。したがって、倫理的リーダーシップはAIが組み込まれた職場において重要な社会的合図であり解釈のボトルネックとして解釈されています。説明責任、実験、評価が部分的にAIを介して行われる場合、従業員はリーダーの公平性、透明性、信頼性により強く頼り、創造的なリスクテイクが安全かどうかを判断するようになります。

また、AI搭載の職場における創造性は技術だけで維持できないことも示唆しています(^1,2,4)。継続的なコミュニケーション、公正な評価手続き、そして実験への目に見える支援により、リーダーを倫理的と見なす従業員は新しいアイデアを自由に議論し試^{すことができます。}組織は、仕事のストレスを純粋に幸福感の視点からではなく、創造性に関連する状態として捉えるべきであり、過度のストレスが創造的行動を支える関係的条件を損なう可能性があることを認識すべきです(^13,14)。AIの導入は、職場が従業員に明確な行動期待、公正なフィードバック、人間中心のサポートを提供するときに最も効果的です。AIの人間中心のアイデア発想、予測、自動化、制御の要素は、個人の世界に異なる形で入り込むため、組織はAI導入をストレス管理や倫理的リーダーシップと結びつけ、両者を別々の取り組みとして扱うのではなく、関連付けるべきです(^2,32,33)。

今後のプロトコル使用にはいくつかの制限が考慮されるべきです。データは単一機会、横断的、自己申告であるため、一般的な手法バイアスや状態依存報告、因果推論を完全に排除することはできません。したがって、構造的経路は理論的に整合した関連として解釈されるべきです(^15,18)。この制限は隠されているのではなく目に見えるものであり、プロトコルは単一波調査の証拠が理論的に一貫した関連検定を支持する場所と、より強い因果関係や行動的主張のために縦断的、多源的、または観察的デザインが必要な場合を示しています。このモデルは、倫理的リーダーシップの認識(R²= 0.104)と個人の創造性(R²= 0.186)に小規模から中程度のばらつきを考慮しました。これらは重要な価値観ではありません。なぜならプロトコルの目的は調停とモデレーションのプロセスの流れを明確に理解することだからです。しかし、リーダーとメンバーの交流、チームの雰囲気、組織文化、イノベーション規範など、他の予測因子を示唆しています。サンプルはアメリカ合衆国とイギリスの従業員で構成され、組織内のAI埋め込み度の測定は生成型、予測型、マッチング型、または制御指向型AIシステムに特化したものではなく広範囲に及んでいました。今後の研究では、このベースラインプロトコルを拡張し、縦断的または多波設計、異文化サンプル、多グループ分析、セグメンテーション、または研究質問¹⁶の必要に応じてAIシステムのより高度な測定を用いる可能性があります。このプロトコルは開発の明確な道筋を提供します。研究者はベースラインの調停・モデレーションワークフローから始め、理論が要求する場合には専門的なモジュールを追加できます。例えば、国際比較における測定不変性検定、職業・管理職の違い研究における多群分析、隠れた回答者プロファイルを明らかにするための潜在クラスセグメンテーション、または管理優先順位付けに用いる重要度・パフォーマンスマッピングなどです。全体として、このプロトコルはAIを活用した職場での創造性を解釈的実践として扱い、倫理的リーダーシップを仕事のストレスが創造性と間接的に結びつく導管として扱っています。この経路は組織内のAIの組み込みによって強化されています。集団の定義とスクリーニングから指標の検証、調停とモデレーションのテスト、PLSpredictの実施、慎重な解釈を通じて、ワークフローはAIを用いた職場^{調査研究の}透明性、比較可能性、再利用性を促進する^{可能性があります。}

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
ChatGPT (AI言語モデル)	OpenAI	N/A	原稿作成中の言語編集、文法チェック、構造の改善にのみ使用されました。このツールはデータ収集、統計分析、または経験的結果の解釈には使用されていません。著者らは最終原稿を確認、編集し、承認し、その内容に完全な責任を負っています。URL: https://chatgpt.com/
Prolific (オンライン参加者募集プラットフォーム)	Prolific Academic Ltd.	N/A	調査参加者を募集するためのオンラインプラットフォームです。参加者は、フルタイム雇用と対象職場人口への関連性を含む事前定義された適格性基準によってスクリーニングされました。URL: https://www.prolific.com/
Qualtrics (オンライン調査プラットフォーム)	Qualtrics, LLC	N/A	質問票設計、デジタルインフォームドコンセント、スクリーニング、構造ブロックの提示、回答データ収集、および非識別化データセットのエクスポートに使用されるウェブベースの調査プラットフォームです。測定項目は、7点のライカー型尺度（1 = 強く同意しないから7 = 強く同意する）を使用して実施されました。URL: https://www.qualtrics.com/
SmartPLS 4.1 (PLS-SEMソフトウェア)	SmartPLS GmbH	バージョン4.1	部分最小二乗法構造方程式モデリング（PLS-SEM）に使用され、これにはモデル指定、PLSアルゴリズムの推定、測定モデル評価、共線性診断、5,000回のサンプルによるブートストラッピング、特定の間接効果検定、相互作用項の推定、効果分解、およびPLSpredict評価が含まれます。URL: https://smartpls.com/