이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

에이전트 AI가 업무를 재구성하는 방법: 인지 과잉, 심리적 안전, 그리고 인공지능-인간 과제 재할당의 역할

115 조회수

⸱

DOI:

10.3791/71797

⸱

2026년 8월 4일

 , 
1Seoul AI School, aSSIST University, 2Department of Management Information Systems, Dong-A University

이 논문에서

요약

이 프로토콜은 331명의 직원 사이에서 에이전트 AI 기술 특성이 인지 과잉, 심리적 안전성, AI-인간 작업 재배치와 어떻게 연관되는지 조사하는 설문 기반 워크플로우를 설명합니다. 부분 최소제곱 구조 방정식 모델링과 다중 그룹 분석은 리더와 직원 간의 역할 기반 차이를 밝혀냅니다.

초록

본 연구는 에이전트 AI의 기술적 특성이 조직 내 직원들의 심리 상태 및 행동 반응과 어떻게 연관되는지 조사합니다. 직무 수요-자원(JD-R) 이론과 자원 보존(COR) 이론을 바탕으로, 우리는 에이전트 AI 기술 특성(AITC)을 자율적 계획, 다중 도구 조율, 능동적 피드백으로 구성된 고차원 구조로 개념화하며, 이러한 특성들이 더 큰 인지 잉여와 심리적 안전과 연관된 직무 자원으로 기능하며, 이는 다시 AI-인간 작업 재분배와 관련된다고 제안합니다. 또한 이러한 관계가 리더와 직원 간에 다른지 조사합니다. 목적적 비확률 표본추출을 사용하여 연구 패널을 통해 모집된 참가자들을 대상으로 단면적이고 익명의 온라인 설문조사가 실시되었습니다; 자격 요건은 현재 또는 이전에 AI 관련 업무 경험이 있는 성인으로 제한되었으며, 선별과 주의력 검사를 거친 응답 결과 최종 표본은 331명(리더 171명, 직원 160명)을 얻었습니다. 모든 구성어는 에이전트 AI 맥락에 적응된 검증된 척도로 7점 리커트 척도로 측정되었습니다. 데이터는 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 사용하여 분석되었으며, 2차 구성에 대해 2단계 접근법을 적용하고, 직접 및 간접 효과를 위해 5,000개의 재샘플을 사용한 부트스트래핑, 리더-스태프 비교를 위한 다그룹 분석(MGA)을 사용했습니다. 측정 모델은 수용 가능한 신뢰도와 타당성을 보였으며, 구조적 결과는 이론화된 자원 획득 모델과 일치하였다: AITC는 인지 과잉, 심리적 안전성, 과제 재할당과 양의 상관관계를 보였으며, 리더 간 유의미한 매개 경로와 더 강한 AITC-자원 연관성을 보였다. 기술적 성과보다는 심리적 메커니즘에 초점을 맞춘 이 연구는 신흥 에이전트 AI 연구를 확장하고 역할별 차별 AI 채택 전략에 실질적인 시사점을 제시합니다.

서론

에이전트 AI의 확산은 산업과 조직 생활에서 인공지능의 역할을 재정의하고 있습니다 1,2. 에이전트 AI는 변화하는 환경을 인지하고, 추론 메커니즘을 통해 독립적으로 목표를 설정하며, 최소한의 인간 감독 하에 일련의 행동을 조율하는 고급 인공지능으로 정의할 수 있습니다 3,4. 이 시스템은 전통적인 AI, 즉 기존 생성형 AI 도구와 세 가지 측면에서 구별됩니다: 자율성(자율성), 즉 에이전트 시스템은 사전 프로그래밍된 규칙을 실행하지 않고 최소한의 인간 개입으로 목표를 추구하기 때문입니다. 5,6; 핵심 기능, 즉단일 작업이 아닌 복잡한 워크플로우를 자동화하는 것이 목적이기 때문이다; 아키텍처는 단일 모델7에 의존하지 않고 여러 대형 언어 모델, 응용 프로그래밍 인터페이스(API), 에이전트를 조정하기 때문입니다. 이러한 능력들은 이 연구에서 검토된 정의적인 기술적 특성에 기반합니다 8,9. 자율 계획(AP)은 사용자의 목표가 주어졌을 때 시스템이 독립적으로 이를 하위 작업으로 분해하고 제약조건이 10번 변경될 때마다 계획을 수정하는 것을 의미합니다; 예를 들어, 직원이 한 줄짜리 지시를 제공하면 실행 가능한 다단계 프로젝트 계획을 받을 수 있습니다. 다중 도구 오케스트레이션(MTO)은 시스템이 외부 도구와 API1, 11, 12를 선택, 순서 지정, 통합하는 것을 의미합니다; 예를 들어, 웹 검색, 문서 편집기, 데이터 분석 도구를 결합해 하나의 일관된 보고서를 만드는 것이 좋습니다. 능동적 피드백(PF)은시스템이 질문을 받기 전에 오류가 발생하거나 누락된 정보, 위험한 가정을 표시하는 것을 의미합니다. 예를 들어, 작업 실행 중 직원에게 검증 또는 준수 체크포인트를 상기시키는 것. 우리는 이 세 가지 특성에 집중하는데, 이를 통칭하여 에이전트 AI 기술 특성(AITC)이라고 부르는데, 이는 일상 업무에서 에이전트 AI와 전통적인 AI를 구분하는 기능적 역량이기 때문입니다 7,10; 투명성, 통제 가능성, 설명 가능성과 같은 속성은 AI 신뢰에 일반적으로 중요하지만 에이전트 패러다임에만 국한되지 않으므로 우리는 이를 초점 차원이 아닌 미래 연구의 경계 조건으로 간주합니다.

직장 내 에이전트 AI가 빠르게 확산되었음에도 불구하고, 기존 문헌은 주로 기술적 아키텍처, 운영 효율성, 작업 자동화 능력에 초점을 맞추고 있으며, 이러한 특성들이 직원들의 심리 상태와 행동 반응을 어떻게 재구성하는지에는 비교적 적게 주목하고 있습니다14,15. 이 누락은 중요한데, 인간과 AI 간의 업무 재배치는 순수한 기술적 조정이 아니라 심리적·조직적으로 내재된 과정이기 때문입니다. 직원들은 기존 워크플로우에 도전하고, 역할 경계를 재정의하며,지능형 시스템과의 새로운 협업 형태를 받아들여야 합니다. 이러한 변화는 단순히 첨단 기술이 있다고 해서 자동으로 일어나는 것이 아닙니다. 따라서 본 연구의 목적은 세 가지입니다: AITC가 인지 과잉, 심리적 안전, 인공지능-인간 과제 재분배와 관련된 직업 자원으로 기능하는지 검토하는 것; 인지 과잉과 심리적 안전의 매개자 및 순차적 매개 역할을 조사하는 것; 그리고 이러한 구조적 관계가 리더와 직원 간에 다른지 탐구하는 것입니다. 이 연구의 새로움은 세 가지입니다. 첫째, 에이전트 AI 기술 특성—자율적 계획, 다중 도구 오케스트레이션, 선제적 피드백—을 JD-R 프레임워크 내에서 고차원 작업 자원으로 개념화하고 운영하며, AI 도입을 차별화되지 않은 맥락으로 다루지 않습니다. 둘째, AI-인간 작업 재할당을 일반적인 직무 작성이나 상향식 디지털 전환과는 구별되는 도메인 특화, 기술적 실행 형태의 과제 제작으로 도입합니다. 셋째, 우리가 아는 한, 에이전트 AI의 자원 생성 연관성이 리더와 직원 간에 체계적으로 다르다는 최초의 다중 집단 증거를 제공합니다.

이론적 근거는 직업 수요-자원(JD-R) 이론과 자원 보존(COR) 이론을 통합합니다. JD-R 이론은 모든 직업이 지속적인 노력이 필요한 신체적, 정서적, 인지적 측면과 직업 자원(요구 감소, 목표 달성 지원, 개인 발전 촉진)으로 구성된다고 본다; 이들의 균형은 몰입, 웰빙, 성과를 형성합니다18,19. COR 이론은 역동적인 메커니즘을 추가합니다: 개인은 가치 있는 자원을 획득, 유지, 보호하려고 노력하고, 축적된 자원은 기존 자원이 추가 자원을 획득하기 위해 재투자하는 이득 나선을 시작합니다 20,21,22. 이러한 공동 관점에서 AITC는 단순한 기술적 특징이 아니라 새로운 형태의 직무 자원으로 개념화될 수 있습니다. 계획 및 진단 분석과 같은 반복적이고 인지적으로 부담이 많은 작업을 흡수함으로써 에이전트 시스템은 요구를 줄이고 직원들의 인지 에너지와 시간을 절약합니다15,23. 우리는 인지 잉여(CS)를 이러한 일상적인 작업이 기술에 위임될 때 이용 가능해지는 인지 에너지와 재량 시간의 저장소로 정의하며, 이를 집단 참여, 협업, 새로운 가치 창출에 재투자할 수 있는 것으로 정의합니다24. 따라서 CS는 정서-동기 상태인 업무 참여와, 단순한 시간 가용성과는 개념적으로 구별되는데, 이는 COR의 의미에서 전환 가능한 개인 자원 재고를 의미하기 때문이다20,24. CS는 또한 일에서 고갈된 에너지를 회복하는 심리적 분리와 회복과, 충분한 시간이 있다고 주관적으로 인식하는 시간적 풍요와도 구별된다. CS는 오히려 작업 중에 재투자할 수 있는 해방된 인지 능력을 의미합니다. COR 관점에서 누적된 CS는 피로와 번아웃을 완충하여 직업적 웰빙을 지원하는 자원 획득을 의미하며, 추가적인 일상적 요구에 흡수되면 자원 손실을 알리는 신호가됩니다. 절약된 시간이 실제로 잉여로 전환될지는 AI 문해력, 추가 요구로 절약된 시간을 흡수할 수 있는 업무량 기준, 조직 문화와 같은 개인적 특성에 따라 달라질 수 있습니다; 따라서 우리는 자원-획득 경로를 가정이 아닌 검증할 가설로 취급합니다.

H1: AITC는 CS와 긍정적인 연관이 있습니다.

심리적 안전(PS)은 실수를 인정하거나 도움을 요청하며 현상 유지에 도전하는 등 대인 관계에서 위험 감수하기에 안전한 직장 환경이라고 믿는 것으로 정의됩니다25,26. 심리적 안전은 종종 팀 차원의 분위기로 연구되어 왔지만, 본 연구는 개인 수준의 인식으로 개념화하고 측정하며, 이는 개인 수준 설문 설계와 일치합니다27,28. 에이전트 시스템이 학습 지향적 피드백과 지원 도구를 제공할 때, 직원들이 자신의 작업을 다른 사람에게 제시하기 전에 테스트하고 수정할 수 있기 때문에 실험하고 오류를 폭로하는 대인 비용 감소가 가능하다26,28. 그러나 우리는 반대 역학이 가능하다고 인정합니다: 감시나 책임 추궁에 에이전트 시스템이 배치될 경우, 인지된 대인 관계 위험과 불신이 증가할 수 있습니다. 여기서 검토한 특성들이 평가적이기보다는 보조 성격이기 때문에, 우리는 양측적 연관성을 가설로 삼으면서 이 양측 가능성을 중요한 경계 조건으로 다룬다.

H2: AITC는 PS와 양의 연관이 있습니다.

우리는 AI-인간 작업 재할당(AHTR)을 직원들이 스스로 작업을 자신과 AI 시스템 간에 재분배하는 것으로 정의하며, 일상적인 업무를 AI에게 위임하고 자신의 전략적·창의적 책임을 확장하는 것입니다. 우리는 AHTR을 도메인 특화 형태의 직무 제작 방식으로 포지셔닝합니다. Tims와 Bakker의 JD-R 기반 모델에서 직무 제작은 직업 자원 증가, 도전 요구 증가, 장애물 요구 감소로 구성됩니다17,31; Wrzesniewski와 Dutton의 유형론에서는 과제, 관계, 인지적 제작으로 구성된다. AHTR은 기술을 통해 수행되는 작업 작성과 가장 밀접하게 연관되어 있습니다: 일상적인 작업을 AI에 넘겨 동시에 장애물을 줄이고 새로운 작업 자원을 동원합니다 17,23,32. 이는 일반적인 디지털 전환 결과보다 좁은데, 이는 직원들이 주도하는 업무 경계 변경을 포착하기 때문이며, 상향식조직 재설계가 아니기 때문입니다. 우리는 작업 재분배를 관계적 및 인지적 제작보다 우선시하는데, 이는 업무의 재분배가 직원과 에이전트 시스템 간의 가장 즉각적인 행동 인터페이스이며 초기 도입에서 직접 관찰되기 때문이다. 반면 관계적 및 인지적 제작은 일반적으로 하위 적응으로 나타난다31,32. 이전 연구들이 AI 도입을 일반 직무 제작의 맥락적 선행 요인으로 다루는 것과 달리, 우리는 재할당 자체를 중심 제작 행동으로 모델링합니다. 이러한 재할당은 기존 작업 흐름을 방해하기 때문에, 직원들은 충분한 인지 자원을 갖추어 업무를 재설계하고 관련된 대인 위험을 감수할 심리적 안전함을 느낄 때 이를 실행할 가능성이 더 높다(16,34). COR 이론의 이득-나선형 논리 내에서 심리적 안전은 인지 잉여의 축적을 보호하고 증폭시키는 맥락적 자원으로도 기능한다22.

H3: CS는 AHTR과 양의 연관이 있습니다.

H5: PS는 AHTR과 양의 연관이 있습니다.

H6: PS는 CS와 긍정적으로 연관되어 있습니다.

H9: AITC는 AHTR과 양의 연관관계가 있습니다.

이러한 논거를 통합하여 AITC는 직접적일 뿐만 아니라 인지적 잉여와 심리적 안전이라는 자원 획득 경로를 통해 AHTR과 직접적으로 연관될 것으로 기대됩니다.

H4: CS는 AITC와 AHTR 간의 관계를 매개합니다.

H7: PS는 AITC와 AHTR 간의 관계를 매개합니다.

H8: PS와 CS는 AITC와 AHTR의 관계를 순차적으로 매개합니다.

마지막으로, 직원들은 에이전트 AI를 일관되게 해석하고 반응하지 않습니다. 깁슨, 쿠퍼, 콩거는 리더와 팀 간의 지각 거리를 동일한 조직 목표에 대한 인지 불일치로 설명했으며, 이는 정보 접근성, 책임성, 위험 노출,업무 경험의 비대칭성에 뿌리를 두고 있습니다. 이 관점을 바탕으로 리더와 직원은 AI 도입에 있어 구조적으로 다른 위치에 있습니다: 리더는 전략적 책임성을 가지고 AI를 생산성과 데이터 기반 의사결정을 위한 보완 지향적 자원으로 보는 경향이 있지만, 직원은 자동화 관련 직무 불안정과 학습 과부하에 상대적으로 더 많이 노출되어 있습니다20,30. 우리는 이러한 패턴을 어느 집단의 고정된 성향보다는 경험적으로 검증해야 할 경향으로 다룹니다. 이러한 역할 기반 불일치는 AITC, CS, PS, AHTR 간의 관계에서 이질적인 패턴을 만들어낼 수 있으나, 이러한 집단 차이를 명확히 포착한 실증 연구는 제한적입니다.

H10a: AITC와 CS 및 PS의 연관성은 리더와 직원 간에 다릅니다.

H10b: 사회 및 CS와 AHTR의 연관성은 리더와 직원 간에 다릅니다.

아래 프로토콜은 참가자 모집 및 선별부터 설문 조사 시행, 데이터 정제, 측정 검증, 구조 모델 추정, 매개 분석, 다그룹 분석(MGA)에 이르는 전체 워크플로우를 설명하여 절차를 독립적으로 재현할 수 있도록 합니다(그림 1). 연구 모델은 그림 2에 나타난다: AITC는 AP, MTO, PF로 구성된 2차 개념으로 모델링되며, CS와 PS(PS)를 통해 AHTR과 직접적·간접적으로 연관되며, PS도 CS와 관련된다; 리더와 스태프 역할의 차이는 MGA를 통해 검토됩니다.

figure-introduction-1
그림 1. 전반적인 연구 설계 워크플로우. 전체 연구 프로토콜 도면. 참가자들은 목적적 비확률 표본추출을 통해 온라인 패널을 통해 모집되었고, AI 관련 실무 경험이 있는지 선별되었습니다; 자격이 있는 응답자들은 7점 리커트 척도로 모든 구성요소를 측정하는 익명 설문조사를 완료했습니다. 데이터 정리(스크리닝 실패, 주의력 검사 실패, 그리고 비현실적으로 짧은 완료 시간 제거; 최종 N = 331) 후, 측정 모델이 검증되었습니다(신뢰도: Cronbach's α, 복합 신뢰도; 수렴 타당도: 평균 분산 추출; 판별 타당도: HTMT 및 Fornell-Larcker), 2차 구조는 2단계 접근법으로 검증되었고, 구조 모델, 매개 경로, 리더-스태프 다그룹 분석은 약 5,000명으로 추정되었습니다 부트스트랩 재샘플링. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-introduction-2
그림 2. 제안된 연구 모델. 가설 관계의 개념적 모델. 에이전트틱 AI 기술 특성(AITC)은 자율 계획(AP; 목표를 하위 과제로 분해하고 계획을 수정하는 시스템), 다중 도구 오케스트레이션(MTO; 여러 도구 및 API를 선택, 순서 지정, 통합하는 능력), 그리고 선제적 피드백(PF; 아무 요청 없이 오류와 위험을 표시하는 능력)으로 구성된 2차 구조로, 인지 잉여(CS; 인지 에너지와 재량 시간의 저장소)와 긍정적 연관이 있다고 가정됩니다 일상적인 업무가 AI에 위임될 때 해방), 심리적 안전(PS; 대인 관계 위험 감수에 안전한 작업 환경이라는 인식), 그리고 AI-인간 업무 재할당(AHTR; 직원들이 자신과 AI 간에 스스로 작업을 재분배하는 것)(H1, H2, H9). CS와 PS는 AHTR(H3, H5), PS와 CS(H6), 그리고 CS와 PS가 AITC-AHTR 관계를 개별적이고 순차적으로 매개하는 양의 상관관계(H4, H7, H8)와 양의 상관관계가 있다고 가설됩니다. 화살표는 가설상 구조적 경로를 나타내며; H10a/H10b는 다중 그룹 분석을 통해 검증된 가설 속 리더-스태프 차이를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

모든 절차는 aSSIST 대학과 동아대학교에서 인간 참여 연구 윤리 기준에 따라 수행되었습니다. 모든 응답이 수집 시 익명화되었고 개인 식별 정보가 어떠한 경우에도 수집되지 않았기 때문에, aSSIST 대학의 기관심사위원회는 대한민국 생명윤리안전법 제15조와 집행규칙 제13조에 따라 이 연구가 전면 심사에서 면제된다고 판단했습니다. 설문조사는 정보 및 동의 페이지로 시작했으며, 참여는 현재 AI 프로젝트에 종사하고 있는 개인으로 제한된다는 내용과 연구 목적, 자발적 참여 성격, 응답의 익명성, 데이터 사용 의도를 설명했습니다; 명시적으로 동의한 응답자만이 설문지에 참여했습니다. 동의 페이지는 보조 파일 1에 제공되어 있습니다.

표본 크기 결정

선형 다중 회귀 계열에 대해 데이터 수집 전에 G*Power 3.1.9.7 (RRID: SCR_013726)를 사용하여 선형 다중 회귀 계열에 대해 사전 검정력 분석이 수행되었으며, 모델 내 단일 내인성 구조에 가장 많은 예측 변수를 지정하였습니다; 본 연구에서 AHTR은 세 가지 개념(AITC, CS, PS)에 의해 예측됩니다. 중간 효과량(f2 = 0.15), α = 0.05, 통계적 검정권 0.80인 경우, 최소 표본은 77건이었습니다; G*Power 프로토콜 출력은 보조 파일 2에 제공됩니다. PLS-SEM36의 최소 표본 크기는 역제곱근법을 사용해 교차 검증되었으며, 이 경우 약 155건의 사례가 필요하며, 5% 유의수준에서 최소 표준화된 경로 계수가 약 0.20이고 80% 검정력을 부여합니다. 마지막으로, 모집 목표는 간접 효과의 부트스트래핑과 분리 표본 다그룹 분석을 지원하기 위해 최소 기준을 상당히 초과하도록 설정되었습니다; 최종 표본(N = 331; 리더 n = 171, 직원 n = 160)은 각 하위 그룹 내에서 최소 표본 요건을 충족했습니다.

참가자 모집 및 선별

참가자들은 목적 있는 비확률 표본추출을 통해 온라인 연구 패널을 통해 모집되었으며; 즉, 표본은 일반 인구에서 무작위로 뽑히지 않고 선험적으로 실질적인 기준인 현재 또는 이전 AI 관련 경력을 충족하는 응답자로 의도적으로 제한되었습니다. 자격은 18세 이상으로 제한되었습니다. AI 관련 업무 경험은 "다음 중 현재 상황을 가장 잘 설명하는 것은 무엇인가요?"라는 선별 문항을 통해 실질화되었으며, 이는 주요 설문지 전에 제시되었습니다; 현재 AI 관련 업무에 종사하고 있다고 밝힌 응답자만 진행했으며, 나머지 옵션(고용되었지만 AI 업무에 참여하지 않음; 고용되지 않았지만 이전에 참여한 사람; 고용되지 않음 및 관련 없음)은 즉시 선별이 촉발되었습니다. 데이터 수집은 2026년 2월 8일 10:28–13:30에 단일 세션으로 진행되었으며, 참가자들은 플랫폼의 공정 보수 정책에 따라 시간당 GBP 6.98의 보상을 받았습니다. 중복 참여는 플랫폼의 고유 참가자 식별자와 설문조사 플랫폼의 중복 응답 방지 설정을 통해 방지되었습니다. 각 단계별 응답자 수가 포함/제외 워크플로우를 문서화하기 위해 기록되었습니다: 537건의 응답이 기록되었습니다; 151문은 선별 질문에서 제외되었고(386문이 남음), 40명은 주의력 검사(직선 행진)에 실패해 퇴장되었고, 346명 남았습니다; 그리고 15개는 약 180초 미만의 비현실적인 짧은 완성 시간으로 제거되어 최종 샘플 N = 331이 나왔습니다.

표준화된 정의 및 설문 지침

참가자들은 설문조사가 에이전트 AI가 조직과 그 구성원에게 어떤 영향을 미칠 수 있는지 조사했다는 점을 알렸습니다. 설문 시작 시 모든 참가자에게 소개문에서 제시된 정의와 일치하는 에이전트 AI의 간략한 표준화 정의가 제시되었습니다. 이는 자율적 계획, 다중 도구 조정, 그리고 제한된 인간 감독 없이 목표 지향적 행동을 수행하는 능동적 피드백을 특징으로 하는 고급 AI 시스템입니다(그림 1, 2단계). 자격 요건은 현재 AI 프로젝트에 종사하고 있고 관련된 근거가 되는 AI 프로젝트에 참여하고 있는 응답자로 제한되었습니다. 별도의 이해 점검 문항은 포함되지 않았으며; 따라서 표준화된 정의는 검증된 이해 검사라기보다는 맥락적 지향성 역할을 했습니다. 참가자들은 조직 내에서 이러한 에이전트 AI 시스템을 실제로 사용하거나 작업한 경험에 기반해 모든 문항에 답하도록 지시받았습니다.

측량 도구 개발 및 관리

이 설문지는 에이전트 AI 조직 맥락에 맞게 검증된 측정 척도를 바탕으로 개발되었습니다. 표 1은 모든 항목, 그 출처 척도, 그리고 설명 통계를 나열합니다: AP, MTO, PF 항목은 최근 에이전트 AI 개념화 7,8에서 변형되었습니다; 생성형 AI 인지자원 연구의 컴퓨터 과학 항목37; Plomp 등에서 발췌한 PS 항목 38; 그리고 JD-R 기반 직무 제작 척도의 AHTR 항목은17.39 과제 재배치에 적응되어 있습니다. 모든 구성은 1("매우 동의하지 않음")에서 7("매우 동의하지 않음")까지 7점 리커트 척도로 측정되었습니다. 설문조사는 동의 페이지, 선별 검사, AITC 항목(AP, MTO, PF), CS, PS, AHTR, 인구통계학/대조 특성 등 블록으로 구성되었습니다; 이 도구에는 또한 본 모델의 범위를 벗어난 추가 척도(AI 문해력과 역할 폭도 자기효능감)가 포함되어 있었으며, 이는 수집되었으나 분석되지 않고 투명성을 위해 보고되었습니다. 설문조사는 온라인 설문 플랫폼에서 진행되었으며; 응답자가 이전 답변을 수정할 수 없도록 뒤로 가기 버튼은 비활성화되었고, 문항은 블록 단위로 고정된 순서로 제시되었습니다. 중간 완료 시간은 7분 44초였다. 두 개의 지시 응답 주의력 점검 문항이 설문 흐름 분기로 삽입되어 틀리게 답하면 설문이 종료되었습니다: (i) 사실 확인, "AI는 Artichoke Information의 약자인가요?" (정답: 아니오), (ii) 응답이 7점 리커트 척도('강하게 동의하지 않음'에서 '강력히 동의함'까지 기록됨을 확인)를 확인하는 척도 이해 검사. 본선 행정 이전에는 124명의 응답자를 대상으로 파일럿 테스트가 실시되어 설문 문항의 명확성, 전체 설문조사 흐름, 완료 기간, 설문지의 실현 가능성을 평가했습니다; 응답 기간을 검토하여 이례적으로 짧은 응답을 식별하고 설문 길이가 대상 응답자에게 적합한지 확인하였습니다. 파일럿 테스트에서는 문항 수정이 필요한 문구 문제도 발견되지 않았으며, 본선 설문 이전에 문구 변경도 이루어지지 않았습니다. 또한, 파일럿 데이터는 PLS-SEM을 예비 검증 절차로 사용하여 지표 성능, 신뢰도, 수렴 타당도, 판별적 타당도, 공선성, 제안된 구조적 관계의 타당성 평가를 위한 예비 검증 절차로 분석되었습니다; 결과는 이 기기가 주 조사에 적합하다는 것을 뒷받침했습니다.

구성항목질문심술궂은STDEVVIF출처
AITCAPAP1제가 목표를 제시하면 AI가 그 목표를 달성하기 위한 다단계 계획을 세우는 데 도움을 줍니다.5.810.91.44아부 알리 M. 외 (2025); 삽코타, R. 외 (2025)
AP2AI는 제약 조건이나 요구사항이 변할 때 계획을 수정할 수 있습니다.5.750.991.37
AP3AI는 복잡한 작업을 단계별 지시 없이도 관리 가능한 하위 작업으로 나눕니다.5.331.371.33
MTOMTO1AI는 여러 도구나 앱(예: 검색, 문서, 데이터 도구)을 결합하여 작업을 완료할 수 있습니다.5.691.111.5
MTO2AI는 적절한 도구를 제안하고 올바른 순서로 사용하여 산출물을 생성합니다.5.361.041.64
MTO3AI는 다양한 도구의 출력을 하나의 일관된 결과로 통합하는 데 도움을 줍니다.5.611.011.63
PFPF1AI는 제 작업에서 오류, 누락된 정보, 위험한 가정을 적극적으로 지적합니다.4.91.441.68
PF2AI는 제가 명확히 피드백을 요청하기 전에 개선점을 제안합니다.5.071.381.85
PF3AI는 재작업을 방지하기 위해 검증, 준수, 품질 등 체크포인트를 상기시켜 줍니다.5.021.41.6
CSCS1AI를 사용하면서 정신적 에너지가 더 복잡하고 의미 있는 일에 집중할 수 있게 되었습니다.5.591.282.07류, Y., 셩, F., 그리고 류, R. (2025)
CS2AI를 사용하면서 전략적 사고와 문제 해결에 더 많은 시간이 생겼습니다.5.611.232.38
CS3일상적인 업무에서 오는 업무량이 크게 줄어들어 새로운 시도에 쓸 여유가 생겼습니다.5.421.282.23
CS4AI가 반복적인 업무를 처리해주기 때문에 하루 종일 끝날 때 정신적으로 덜 피곤함을 느낍니다.5.151.51.91
추신추신 1제 직장에서는 AI를 새로운 방식으로 활용하는 데 있어 위험을 감수하는 것이 안전합니다.4.741.371.52Plomp 외 (2019)
PS2제 매니저는 AI를 활용한 실험을 장려하고 실수에 관대합니다.4.521.611.68
PS3제 팀에서 AI가 어떻게 사용되고 있는지에 대해 걱정이 된다면 자유롭게 말할 수 있습니다.5.481.241.32
PS4동료들은 제가 AI와 새로운 방식으로 일하는 것을 지지해줍니다.5.261.321.48
PS5 (제외)제 작업에서 AI의 혁신적인 활용을 제안할 때 부정적인 결과를 두려워하지 않습니다.4.471.591.23
AHTRAHTR1저는 의도적으로 일상적인 업무(예: 데이터 입력, 보고서 형식 작성)를 AI에 넘겨서 더 가치 있는 작업에 집중합니다.5.121.351.68팀스, M., 그리고 바커, A. B. (2010); Li, W. 외 (2024)
AHTR2저는 이전에 수동으로 했던 작업을 AI로 처리할 기회를 적극적으로 찾습니다.5.581.281.84
AHTR3AI를 사용한 이후로, 저는 더 전략적이고 창의적인 새로운 또는 확장된 책임을 맡게 되었습니다.5.181.31.58
AHTR4 (제외)어떤 업무를 AI가 처리하고 어떤 작업을 해야 할지 매니저와 협상합니다.4.091.651.23
AHTR5저는 일상적인 업무를 AI에 재할당하여 더 의미 있는 업무에 집중할 수 있게 하여 제 업무를 재설계했습니다.4.921.351.67

표 1: 측정 항목, 출처, 기술 통계, 완전한 공선성 평가. 완전한 측량 장비. 각 항목은 구성 요소(AITC 치수 AP, MTO, PF; 컴퓨터공학; 추신; AHTR), 문항 코드, 문구, 평균, 표준편차(STDEV), 전체 공선성 분산 인플레이션 계수(VIF; 값 <3.3은 공통 방법별 분산 오염이 없음을 나타냄), 그리고 이를 적용한 출처 척도. 모든 문항은 7점 리커트 척도로 측정되었습니다(1 = 매우 반대, 7 = 매우 일치). PS5와 AHTR4는 외부 하중이 낮아 측정 모델 평가 과정에서 제외되었습니다. AITC = 에이전트 AI 기술 특성; AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백; CS = 인지 과잉; PS = 심리적 안전; AHTR = 인공지능-인간 작업 재할당. 이 표를 다운로드하려면 여기를 클릭해 주세요.

데이터 준비 및 정제

원시 답변은 CSV 형식으로 내보내졌습니다. 선별 기준이나 주의력 검사 문항에 실패한 사례는 제외되었으며, 상당한 누락 데이터가 있는 응답(설문 내 누락 최소화 강제 응답 설정)도 제외되었다; 각 단계에서 발생한 배제 개수는 프로토콜 섹션 2(537 기록 → 331 보존)에 문서화되어 있습니다. 보존된 데이터는 일관성을 점검하고 부주의 반응 패턴을 선별하였으며, 주의력 검사를 통해 직선 반응은 제거했고, 완료 시간이 비현실적으로 짧은(약 180초 미만) 반응은 제외했습니다. 그 후 변수들을 분석을 위해 코딩했습니다(예: 역할: 리더 = 1, 스태프 = 0; 성별: 남성 = 1, 여성 = 0)은 표 2에 문서화되어 있으며, 산업 분야와 같은 범주 통제는 k-1 지표로 더미 코딩되었고, 최종 데이터셋은 PLS-SEM 소프트웨어로 가져왔습니다. 모든 변수를 항목 텍스트, 코딩, 구성에 매핑하는 코드북이 보조 파일 2로 제공됩니다.

측정 모델 평가

PLS-SEM 소프트웨어를 사용하여 각 관측 항목은 잠재 구성체에 할당되었고, 모든 1차 구성체(AP, MTO, PF, CS, PS, AHTR)는 반사형으로 지정되었습니다. AITC는 AP, MTO, PF로 구성된 2차 구성으로 지정되었으며, 2단계 접근법40, 41, 42로 추정되었습니다: 잠재변수 점수는 먼저 1차 구성에 대해 얻은 후 (AP_LVS, MTO_LVS, PF_LVS)을 AITC의 형성 지표로 사용했습니다. PLS 알고리즘은 경로 가중치 방식, 최대 3,000회 반복, 10⁻⁴ 정지 기준으로 실행되었습니다. 내부 일관성 신뢰도는 Cronbach의 α 및 복합 신뢰도(CR) 임계값 0.70에 대해 평가되었으며, 신흥 연구 맥락에서 단기 척도에서 0.5–0.6의 α 값이 간략히 허용 가능한 것으로 취급되었습니다. 수렴 타당도는 평균 추출 분산(AVE) 임계값 0.50과 비교하여평가되었습니다; 판별적 타당성은 이성형질-단일 형질 비율(HTMT <0.85, 보수적 임계값)45와 포넬-라커 기준44를 사용하여 평가되었습니다. 신뢰도나 수렴 타당성 기준이 충족되지 않은 경우, 외부 부하를 점검하고, 성능이 좋지 않은 지표는 제거하면서 내용의 타당성을 유지했으며, 모든 제거와 그 이유를 문서화했습니다; 본 연구에서는 PS5와 AHTR4가 낮은 외부 부하로 인해 제거되어 PS와 AHTR의 수렴 타당성이 향상되었습니다.

구조 모델 및 매개 분석

구조적 경로는 연구 모델(그림 2)에 따라 명시되었고, 예측 구성 요소 간의 공선성은 내부 모델 분산 인플레이션 인플레이션(VIF < 5.0)36과 완전한 공선성 VIF(<3.3)46,47)를 사용해 조사되었습니다. 경로 유의는 백분위 신뢰구간과 양측 검정을 사용하여 5,000개의 재샘플을 부트스트랩하여 추정했으며, 표준화된 경로 계수(β), 표본 평균(M), 표준편차(STDEV), t-값, p-값, 95% 신뢰구간, R2, 효과 크기(f2)가 보고되었습니다. 표본 외 예측력은 PLSpredict를 사용해 10회 중개 및 10회 반복 검사를 수행했으며; 각 내인성 지표에 대해 Q2예측(>0은 예측 관련성을 나타냄)을 검토하고, PLS-SEM 예측 오차(RMSE 및 MAE)를 선형 모델(LM) 벤치마크48과 비교하였습니다. 매개 분석을 위해 AITC가 CS, PS, 그리고 순차적인 PS → CS 경로를 통한 AHTR에 대한 간접 효과를 명시하고, 각 구체적인 간접 효과를 부트스트랩 분포(5,000 재샘플)로 평가했으며, 95% 신뢰구간이 0일 때 간접 효과가 유의미하다고 판단되었습니다.

다중 그룹 분석

응답자들은 자기보고한 조직 역할(역할: 리더 = 1, 직원 = 0; 표 2); 리더 그룹은 팀 리더/감독자, 관리자/부서장, 경영진/고위 리더십으로 구성되었고, 직원 그룹은 직원급 직원들로 구성되었습니다. 경로 계수 비교 전에, 복합 모델 측정 불변성 절차(MICOM)절차 45를 사용하여 그룹 간 측정 불변성을 확립하였다. 1단계(구성적 불변성)는 그룹 간 동일한 모델 명세로 충족되었고, 2단계(구성 불변성)는 모든 구성에 대해 지원되었으며, 원래 상관관계가 5% 분위수 이상이고 비유의한 치열(p-값)을 가졌다(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), 부분 측정 불변성을 확립하고 다중 그룹 비교를 정당화합니다(전체 MICOM 결과는 보충 파일 3에 있음). 이후 각 그룹별로 별도로 모델을 추정하고, 각 경로의 리더-스태프 차이(Δ)에 대해 한쪽 꼬리 및 양쪽 꼬리 p-값을 보고하여 부트스트랩 기반 PLS-MGA를 사용해 경로 차이를 테스트했습니다; 모든 직접 및 간접 경로에 대해 그룹별 경로 계수, t-값, p-값과 각 그룹 간 차이의 크기가 보고되었습니다.

보고, 검증 및 문제 해결

모든 신뢰성, 타당도, 구조, 매개 및 MGA 출력이 집계되었으며; 결과 표는 내보내졌으며; 보고된 모든 통계는 표, 수표, 텍스트 간 일관성을 보장하기 위해 소프트웨어 생성 결과와 대조되었습니다. 문제 해결을 위해 다음 지침이 적용됩니다: 많은 응답이 선별 또는 주의 점검에 실패할 경우, 자격 요건을 정교화하고 설문 지침을 명확히 하십시오; 신뢰성(CR < 0.70) 또는 수렴 타당도(AVE < 0.50) 기준이 충족되지 않을 경우, 외부 부하를 검토하고 약한 지표를 제거하면서 이론적 범위를 유지합니다; 만약 공선성이 확인되면(역시 임계값을 초과), 구성 사양을 재평가하고 중복 지표를 제거하라; 매개 또는 집단 효과가 유의하지 않을 경우, 해석 전에 샘플 적절성을 재검토하고 운영화를 구성하세요; 그리고 추정치를 안정화하기 위해 적절한 수의 부트스트랩 재샘플(예: 5,000개)을 사용하세요.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

참가자 특성

표 2는 최종 표본의 인구통계학적 특성(N = 331)을 제시합니다. 표본은 남성 65.0%, 여성 35.0%로 구성되었으며, 리더(51.7%, n = 171)와 직원(48.3%, n = 160) 간의 비교적 균형 있는 분포를 보였습니다. 가장 큰 연령대는 30세 미만(46.5%)이었고, 그 다음이 31세에서 40세(32.0%)였으며; 76.4%는 학부 또는 대학원 학위를 보유하고 있었습니다. 응답자들은 기술과 통신(46.2%)을 중심으로 한 다양한 산업 분야와 다양한 규모의 조직에서 구성되었습니다. 이 프로필은 AI 관련 업무에 적극적으로 참여하는 직원에 대한 연구의 목적 중심과 일치합니다.

특징카테고리

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 연구는 에이전트 AI의 기술적 특성이 직원들의 심리적 자원 및 업무 재배분 행동과 어떻게 연관되는지, 그리고 이러한 관계가 조직 역할 간에 다른지 여부를 조사했습니다. 331명의 AI 경험 직원과 PLS-SEM을 매개, 다그룹 분석을 포함한 횡단면 설문조사를 수행한 결과, 이론화된 자원 획득 모델과 일치했습니다: AITC는 인지 과잉, 심리적 안전성, AI-인간 과제 재분배와 양의 상관관계를 보였고; 인지 과잉과 심리적 안전성이 AITC-AHTR 관계를 개별적이고 순차적으로 매개했으며; 그리고 AITC가 두 자원 변수와 연관된 것은 리더들 사이에서 직원보다 유의하게 강하게 나타났다.

이 발견은 세 가지 이론적 함의를 담고 있습니다. 첫째, 그들은 기술적 특성을 도구가 아닌 직무 자원으로 다루면서 JD-R 이론을 에이전트 AI 맥락으로 확장합니다: 강한 AITC-CS 연관성(β = 0.485)은 자율적 계획, 다중 도...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해 상충이 없음을 선언합니다.

생성형 AI 도구(ChatGPT, OpenAI)가 언어 편집에 사용되었으며; 모든 콘텐츠는 저자들에 의해 검토 및 검증되었으며, AI 보조 편집이 섹션 간 용어나 분위기 변화를 일으키지 않는지도 확인했습니다.

감사의 글

이 연구는 aSSIST 대학교의 연구 자금 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
ProlificProlifichttps://www.prolific.com/온라인 설문조사 패널 제공업체
QualtricsQualtrics, LLChttps://www.qualtrics.com/설문 코딩
SmartPLS SmartPLS GmbH버전 4.0.1, https://www.smartpls.com/PLS-SEM 분석

참고문헌

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. Acharya DB, Kuppan K, Divya B. Agentic AI: Autonomous intelligence for complex goals - a comprehensive survey. IEEE Access. 2025;13:18912–18936.
  6. 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.
  7. Sapkota R, Roumeliotis KI, Karkee M. AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. Inf Fusion. 2026;126:103599.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. Wooldridge M, Jennings NR. Intelligent agents: Theory and practice. Knowl Eng Rev. 1995;10(2):115–152.
  15. 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.
  16. Sha C, Chai T. When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Front Psychol. 2025;16:1612245.
  17. Tims M, Bakker AB. Job crafting: Towards a new model of individual job redesign. SA J Ind Psychol. 2010;36(2):1–9.
  18. 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.
  19. 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.
  20. 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.
  21. Hobfoll SE. Conservation of resources: A new attempt at conceptualizing stress. Am Psychol. 1989;44(3):513–524.
  22. 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.
  23. Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273–285.
  24. Shirky C. Cognitive Surplus: How Technology Makes Consumers into Collaborators. Penguin Press; New York; 2010.
  25. Edmondson A. Psychological safety and learning behavior in work teams. Adm Sci Q. 1999;44(2):350–383.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. Raisch S, Krakowski S. Artificial intelligence and management: The automation-augmentation paradox. Acad Manage Rev. 2021;46(1):192–210.
  31. Tims M, Bakker AB, Derks D. Development and validation of the job crafting scale. J Vocat Behav. 2012;80(1):173–186.
  32. Wrzesniewski A, Dutton JE. Crafting a job: Revisioning employees as active crafters of their work. Acad Manage Rev. 2001;26(2):179–201.
  33. Grant AM, Parker SK. Redesigning work design theories: The rise of relational and proactive perspectives. Acad Manag Ann. 2009;3(1):317–375.
  34. 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.
  35. 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.
  36. Hair JF, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer; Cham; 2021:1–56.
  37. 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.
  38. 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.
  39. Li W, et al. Embracing artificial intelligence (AI) with job crafting: Exploring trickle-down effect and employees’ outcomes. Tour Manag. 2024;104:104935.
  40. 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.
  41. 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.
  42. 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.
  43. Nunnally JC. Psychometric Theory. 2nd ed. McGraw-Hill; New York; 1978.
  44. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39–50.
  45. 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.
  46. Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach. Int J e-Collab. 2015;11(4):1–10.
  47. 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.
  48. Shmueli G, et al. Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. Eur J Mark. 2019;53(11):2322–2347.
  49. 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.
  50. 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.
  51. Harman HH. Modern Factor Analysis. 3rd ed. University of Chicago Press; Chicago; 1976.
  52. Podsakoff PM, Organ DW. Self-reports in organizational research: Problems and prospects. J Manage. 1986;12(4):531–544.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

234234JD R
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.