Stres w pracy i indywidualna kreatywność: Protokół oparty na modelach równań strukturalnych częściowo najmniejszych kwadratów z wykorzystaniem ekranu dla miejsc pracy wspomaganych sztuczną inteligencją

Podsumowanie

To badanie przedstawia protokół oparty na ekranie z ankiety do częściowo zmniejszonych kwadratów modelowania równań strukturalnych (PLS-SEM) do testowania mediacji i moderacji, przeprowadzania wspólnej diagnostyki metod, interpretacji prostych nachyleń oraz oceny istotności predykcyjnej w badaniach dotyczących pracy wbudowanej w sztuczną inteligencję.

Streszczenie

Rosnące wykorzystanie sztucznej inteligencji (AI) w organizacjach zmienia wymagania związane z pracą pracowników, postrzeganie przywództwa i możliwości kreatywności. Korzystając z modelu Wymagań Pracy – Zasobów (JD-R) oraz Teorii Uczenia Społecznego, niniejsze badanie sprawdza, czy postrzeganie przez pracowników etycznego przywództwa pośredniczy w związku między stresem związanym z pracą a indywidualną kreatywnością oraz czy osadzona w organizacji sztuczne inteligencja wzmacnia ten związek. Korzystając z częściowej metody najmniejszych kwadratów strukturalnego modelu równań (PLS-SEM) z 5000 bootstrapowymi ponownymi próbkami, wyniki pokazują, że stres związany z pracą negatywnie wpływa na postrzeganie etycznego przywództwa, podczas gdy postrzeganie etycznego przywództwa pozytywnie wpływa na kreatywność. Stres związany z pracą nie był bezpośrednio związany z kreatywnością; zamiast tego, postrzeganie etycznego przywództwa służyło jako istotna pośrednia ścieżka. Ponadto, osadzona w organizacji sztuczne inteligencja wzmacniała związek między postrzeganiem etycznego przywództwa a kreatywnością. Te wyniki sugerują, że kreatywność w miejscach pracy wspierających sztuczną inteligencję jest kształtowana mniej przez samą technologię, a więcej przez organizacyjne mechanizmy psychologiczne. Organizacje dążące do zwiększenia kreatywności podczas transformacji cyfrowej powinny zatem zarządzać stresem związanym z pracą i dbać o środowiska sprzyjające etycznemu przywództwu, zamiast koncentrować się wyłącznie na wdrażaniu sztucznej inteligencji. Ten protokół wykorzystuje empiryczny model jako przykładowy przykład demonstrujący reprodykowalny przepływ pracy z ankiety do PLS-SEM.

Wprowadzenie

Sztuczna inteligencja (AI) zmieniła sposób, w jaki pracownicy wykonują swoją pracę, rozumieją charakter swoich wymagań zawodowych i identyfikują możliwości kreatywności, ponieważ organizacje zaczynają stosować AI do wsparcia decyzji, automatyzacji i koordynacji^1,2,3,4. Zdolności wspierane przez AI mogą zwiększyć zakres dostępnych informacji i wspierać eksperymentowanie, ale same w sobie nie zachęcają ludzi do kreatywnego zachowania^5,6. Zamiast tego kreatywne zachowanie pracowników zależy od ich postrzegania zasadności eksperymentowania, uczciwości traktowania za popełnianie błędów i wsparcia ze strony przełożonych^7,8. Niniejszy protokół definiuje kreatywność jako proces oparty na percepcji w psychologii organizacyjnej, a nie na produkcie opartym na technologii, umożliwiając jednocześnie powtarzalność i przejrzystość procesu od rekrutacji do wnioskowania⁹. Procedura nie filmuje ani obserwuje uczestników w laboratorium, ale przedmiotem zainteresowania jest zachowanie, ponieważ pracownicy reagują na stres związany z pracą, dają sens informacjom społecznym i rozwijają kreatywne reakcje na sytuację roboczą opartą na AI^6,10. Zakres zachowań jest zatem ujmowany poprzez mierzalne zachowania w miejscu pracy i konstrukty interpretacyjne związane z kreatywnością, postrzeganiem przywództwa i reakcją kontekstową związaną z AI, a nie zachowaniem fizycznym^6,10.

Przestrzenie robocze osadzone w AI są definiowane jako środowiska robocze, w których pracownicy postrzegają AI jako powtarzającą się część koordynacji pracy, wsparcia decyzji, ewaluacji i rozwiązywania problemów, a nie jako okazjonalne opcjonalne narzędzie. Konstrukt ten jest węższy niż szeroka transformacja cyfrowa, różni się od wdrożenia AI jako wprowadzenia, różni się od dojrzałości AI jako etapu implementacji i różni się od zdolności AI jako kompetencji technicznej. Ponieważ pracownicy mogą nie znać obiektywnego stopnia wykorzystania AI we wszystkich funkcjach, konstrukt jest traktowany jako postrzegana organizacyjna osadzona w AI, co jest odpowiednie dla modelu opartego na percepcji etycznego postrzegania przywództwa i indywidualnej kreatywności^1,4,11,12.

Niniejszy protokół dotyczy trzech wzajemnie wzmacniających się luk. Po pierwsze, mniej wiadomo o tym, co stanowi etyczne przywództwo w osadzonych w AI środowiskach roboczych i jak postrzegane etyczne przywództwo wiąże się ze stresem związanym z pracą w odniesieniu do kreatywności. Ta relacja jest ważna, ponieważ wpływ stresu związanego z pracą na kreatywność zmienia się po skontekstualizowniu i interpretacji^13,14. Po drugie, choć badania nad kreatywnością w osadzonych w AI środowiskach roboczych często traktują AI jako narzędzie lub miarę wdrożenia AI, brakuje dowodów na to, jak organizacyjna osadzona w AI kształtuje odpowiedzi behawioralne na sygnały od przywódców lub interpretacje niepewności związanej z AI^4,11,12. Po trzecie, badania wykorzystujące dane z ankiet w psychologii organizacyjnej często skracają wszystko, od rekrutacji i selekcji do mierzenia konstruktu, przygotowania danych i następującej analizy mediacji i moderacji Partial Least Squares Structural Equation Modeling (PLS-SEM) do krótkich opisów, mimo że ważne jest uwzględnienie ważności pomiaru, ważności dyskryminacyjnej, kolinearności i istotności predykcyjnej^15,16,17,18. Autorzy czynią ten przepływ widoczną w tej procedurze, redukując 342 starty ankiet do 310 przydatnych przypadków, rozdzielając bloki konstrukcyjne, testując pełną kolinearność za pomocą VIF i progu 3,3, testując efekty bezpośrednie, pośrednie i interakcyjne z 5000 bootstrapowanymi resamplemi, i w końcu uwzględniając PLSpredict jako ekran istotności predykcyjnej^15,16,18,19.

Głównym wkładem jest zatem metodologiczny. Model Stres związany z pracą - Etyczne przywództwo - Kreatywność jest zachowany jako przykładowe wykonanie, ale głównym wkładem jest czynienie widoczną normalnie ukrytych decyzji analitycznych: selekcji kwalifikującej, zachowania kodów pozycji, separacji konstrukcji, walidacji pomiaru, diagnostyki kolinearności i wspólnej metody, bootstrapowania, dekompozycji efektów, interpretacji prostych stoków i oceny PLSpredict^15,18,19. Zgodnie z modelem Wymagań i Zasobów Pracy^20,21, stres związany z pracą jest zapotrzebowaniem, które zużywa zasoby poznaw

Protokół

Proces badawczy przebiegał zgodnie ze wszystkimi protokołami etycznymi dotyczącymi badań z udziałem ludzi. Wszystkie informacje o uczestnikach zostały zebrane anonimowo za pomocą technologii ankiet online oraz cyfrowych procedur świadomej zgody. Nie gromadzono żadnych danych identyfikujących uczestników ani nie rejestrowano obrazu wideo żadnego z nich. Przed przejściem do ankiety wszystkim uczestnikom wyświetlono cyfrowy ekran świadomej zgody. Na ekranie wyjaśniono akademicki cel badania, poinformowano, że udział jest dobrowolny, odpowiedzi pozostaną poufne, a dane zostaną wykorzystane wyłącznie do celów badawczych. Uczestnicy, którzy nie potwierdzili aktywnie świadomej zgody, zostali usunięci z ankiety przed przedstawieniem jakiegokolwiek elementu badania. Informacje o zatwierdzeniu etycznym lub zwolnieniu z tego wymogu powinny zostać zawarte w oświadczeniu etycznym zgodnie z wymogami instytucji przedkładającej pracę. Element wizualny niniejszego protokołu ma na celu przedstawienie tych kroków w formie wideodemonstracji ekranowej procesu rekrutacji, uzyskiwania zgód, przesiewania, przetwarzania zanonimizowanych danych, tworzenia modelu SmartPLS, bootstrappingu, dekompozycji efektów oraz ewaluacji PLSpredict, a nie jako dodatkowy schemat przepływu pracy. Sekwencja tabel odzwierciedla sekwencję kroków w wideodemonstracji. Tabela 1 przedstawia próbę zachowaną po rekrutacji, uzyskaniu zgód, przesiewaniu i kontroli jakości. Podstawa pomiaru bloków konstruktów została przedstawiona w Tabeli 2. Tabele 3–5 zawierają informacje o jakości pomiaru, trafności dyskryminacyjnej i diagnostyce kolinearności. Tabela 6 przedstawia wyniki testowania hipotez. Tabela 7 obrazuje dekompozycję efektów bezpośrednich i pośrednich. Tabela 8 stanowi punkt kontrolny PLSpredict. Zatem Tabele 1–8 reprezentują ścieżkę wyników od momentu wypełnienia ankiety do wnioskowania statystycznego dla przepływu pracy opartego na ekranie^15,18. Wszystkie platformy/narzędzia wykorzystane w tym badaniu są wymienione w Tabeli materiałów.

Model badawczy

W opracowanym przykładzie postrzeganie etycznego przywództwa pośredniczy w wpływie stresu zawodowego na indywidualną kreatywność, a organizacyjne osadzenie AI moderuje wpływ postrzegania etycznego przywództwa na indywidualną kreatywność. Rysunek 1 przedstawia model koncepcyjny, w którym H4 odnosi się do wpływu postrzegania etycznego przywództwa jako ścieżki pośredniej, a H5 do moderacji postrzegania etycznego przywództwa przez organizacyjne osadzenie AI. Celem modelu nie jest przedstawienie modelu przyczynowo-skutkowego, lecz zobrazowanie opartego na ekranie przepływu pracy dla mediacji i moderacji.

Rycina 1: Model koncepcyjny. Schemat przedstawia stres zawodowy (JS) jako predyktor, postrzeganie etycznego przywództwa (EL) jako mediator, indywidualną kreatywność (IC) jako wynik oraz organizacyjne zakorzenienie AI (OA) jako moderator relacji między EL a IC. Pełne strzałki oznaczają hipotetyczne ścieżki bezpośrednie, ścieżka mediowana to JS > EL > IC, a człon interakcji reprezentuje EL × OA > IC. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dane badawcze

Do gromadzenia anonimowych odpowiedzi z ankiet od pracowników pełnoetatowych w docelowej populacji miejsca pracy wykorzystuje się system rekrutacji uczestników oparty na internecie oraz system ankiet internetowych. Przed uruchomieniem należy ustawić filtry, a w celu potwierdzenia kwalifikowalności przed wyświetleniem bloków konstruktów należy zastosować element przesiewowy w ankiecie. Odpowiedzi uczestników, którzy nie wyrazili zgody, respondentów niekwalifikujących się oraz odpowiedzi, które nie przeszły kontroli jakości, są wykluczane przed analizą. W przedstawionym przykładzie autorzy otrzymali 310 poprawnie wypełnionych ankiet z początkowych 342 rozpoczętych, po przeprowadzeniu przesiewu statusu zatrudnienia i kontroli jakości. Tabela 1 przedstawia informacje demograficzne dla końcowej, prawidłowej próby.

Tabela 1: Charakterystyka opisowa próby (n = 310). Tabela podsumowuje zakwalifikowanych respondentów według cech demograficznych i zatrudnienia po uzyskaniu zgody, weryfikacji kryteriów kwalifikowalności oraz wykluczeniach wynikających z kontroli jakości; n oznacza wielkość próby. Kliknij tutaj, aby pobrać tę tabelę.

Pomiary

Do wszystkich pozycji wykorzystano siedmiostopniową skalę Likerta (1 = zdecydowanie się nie zgadzam; 7 = zdecydowanie się zgadzam). Ankieta obejmuje bloki pomiarowe dotyczące stresu zawodowego, postrzegania etycznego przywództwa, indywidualnej kreatywności oraz stopnia zakorzenienia AI w organizacji. Należy zachować kody pozycji podczas projektowania i eksportowania ankiety, aby upewnić się, że każdy mierzony wskaźnik może zostać przypisany do odpowiadającej mu zmiennej latentnej podczas specyfikacji modelu. Pełny zestaw pozycji pomiarowych oraz źródła przedstawiono w Tabeli 2.

Tabela 2: Pozycje pomiarowe i źródła. Tabela ta przedstawia pozycje kwestionariusza, przypisania do konstruktów oraz źródła skal. Skróty: JS = stres zawodowy; EL = postrzeganie przywództwa etycznego; IC = kreatywność indywidualna; OA = organizacyjne zakorzenienie AI. Kliknij tutaj, aby pobrać tę tabelę.

Przed zaimportowaniem danych do oprogramowania PLS-SEM badacze powinni wyeksportować kompletny zestaw danych w formacie .csv. Z eksportowanych plików należy usunąć nazwiska, adresy e-mail, adresy IP oraz inne bezpośrednie identyfikatory, aby zapobiec niezamierzonemu ujawnieniu informacji o uczestnikach. Wyeksportowany plik należy sprawdzić pod kątem brakujących wartości, błędnych odpowiedzi screeningowych, zjawiska straight-liningu, niezaliczonych kontroli uwagi oraz błędów w nazwach zmiennych. Należy zachować jedynie oczyszczone zmienne wskaźnikowe i zmienne kontrolne wymagane przez model. Liczbę osób rozpoczynających ankietę, ostateczną ważną próbę, zakresy niezawodności, zakres AVE, zakres strukturalnego VIF oraz ustawienia resamplingu bootstrap powinny zostać zapisane do późniejszego raportowania.

Przebieg analizy PLS-SEM

Aby przeanalizować hipotezy, badacze powinni zastosować metodę PLS-SEM. W programie SmartPLS 4.1 należy utworzyć nowy projekt poprzez zaimportowanie oczyszczonego pliku .csv. Konstrukty latentne powinny zostać umieszczone na obszarze roboczym modelu, a zachowane wskaźniki przypisane do JS, EL, IC i OA. Bezpośrednie ścieżki można narysować na obszarze roboczym modelu; ścieżkę pośrednią można zdefiniować jako JS > EL > IC, a człon interakcji wskaźnika produktu można utworzyć jako OA × EL > IC. Badacze powinni uruchomić algorytm PLS przed oceną ścieżek strukturalnych. W SmartPLS należy przejść do Calculate > PLS Algorithm i odnotować ustawienia szacowania, w tym schemat ważenia ścieżek, maksymalną liczbę iteracji oraz kryterium zatrzymania, jeśli zostało podane. Po wykonaniu algorytmu PLS naukowcy powinni ocenić alfę Cronbacha, niezawodność złożoną, AVE, ładunki zewnętrzne, kryterium Fornella-Larckera, współczynnik HTMT oraz wartości VIF^17,18,19. Wyniki oceny niezawodności, trafności i kolinearności przedstawiono w Tabelach 3–5. Autorom zaleca się przeprowadzenie pełnego testu kolinearności w celu sprawdzenia potencjalnego błędu wspólnej metody (common-method bias). Wartości strukturalne VIF należy traktować jako wskaźnik diagnostyczny potencjalnego błędu wspólnego źródła (same-source bias), a nie jako dowód na jego usunięcie.

Protokół odróżnia współczynniki VIF modelu zewnętrznego od współczynników VIF współliniowości strukturalnej/pełnej. Jeśli zewnętrzny współczynnik VIF przekracza 3,3, ale pozostaje poniżej 5,0, wartość tę należy uznać za potencjalny problem ze współliniowością na poziomie wskaźników, a nie traktować jej jako diagnostyki błędu wspólnej metody. Współczynniki VIF pełnej współliniowości są interpretowane oddzielnie jako screening diagnostyczny dla tego samego źródła, a nie jako dowód na wyeliminowanie błędu wspólnej metody^15,18,19. Diagnostykę jakości pomiaru i współliniowości należy przeprowadzić przed interpretacją współczynników ścieżek, efektów pośrednich i członów interakcji. Aby obliczyć ścieżki bezpośrednie, specyficzne efekty pośrednie oraz efekt moderacji, badacze muszą przeprowadzić procedurę bootstrappingu z 5 000 reprobacji. Przy 5 000 podpróbach należy przeprowadzić test dwustronny przy α = 0,05, pozostawiając opcje zmiany znaku i przedziału ufności zgodnie z ustawieniami projektu. Tabela 6 przedstawia współczynnik ścieżki, specyficzny efekt pośredni oraz wyniki interakcji. Po przetestowaniu hipotez należy przejrzeć sekcje dotyczące specyficznych efektów pośrednich i efektów całkowitych w wynikach, aby ocenić bezpośrednią relację JS > IC w stosunku do ścieżki pośredniej przez EL oraz aby przedstawić dekompozycję efektu w Tabeli 7. Procedura ta pozwala uniknąć interpretowania nieistotnej statystycznie bezpośredniej ścieżki stres–kreatywność w izolacji od istotnej ścieżki pośredniej opartej na percepcji. Zaleca się, aby badacze uruchomili PLSpredict dla konstruktów endogenicznych i zaraportowali statystyki Q²predict, RMSE oraz MAE jako ograniczoną ocenę istotności predykcyjnej. W Tabeli 8 należy przedstawić wyniki dla Q²predict, RMSE i MAE dla konstruktów endogenicznych EL i IC, wraz z wynikami dla punktu odniesienia modelu liniowego, jeśli został on dostarczony. Wyniki te należy interpretować jako dowód ograniczonej istotności predykcyjnej, a nie jako pełny dowód prognozowania¹⁸.

Protokół ten jest celowo uproszczony, a nie rozbudowany pod względem statystycznym. Badacze, którzy w późniejszym etapie będą porównywać kraje, zawody lub szczeble kierownicze, mogą dodać testowanie niezmienniczości pomiaru, analizę wielogrupową, segmentację lub mapowanie ważności i wyników (importance-performance mapping) po ustanowieniu podstawowego przepływu pracy dla mediacji i moderacji. Statystycznie istotne ścieżki pośrednie lub interakcyjne nie powinny być interpretowane jako efekty przyczynowe w przypadku danych przekrojowych. Należy je przedstawiać jako powiązania zgodne z teorią, chyba że dostępne są dowody podłużne, eksperymentalne lub wieloźródłowe. Ta uwaga jest powtarzana w sekcjach Wyniki i Dyskusja, aby ścieżki mediacji i moderacji były prezentowane jako powiązania zgodne z teorią, a nie efekty przyczynowe^15,18. Jeśli dokładne nazwy etykiet w menu różnią się w zależności od wersji programu SmartPLS, badacze powinni skorzystać z równoważnej ścieżki menu oraz odnotować wersję oprogramowania, ustawienia algorytmu i ustawienia ponownego próbkowania w Tabeli Materiałów lub w notatce dotyczącej powtarzalności.

Wyniki

Ocena modelu pomiarowego

Model pomiarowy został następnie wykorzystany do oceny rzetelności i trafności konstruktu. Rzetelność, trafność zbieżna, ładunki czynnikowe pozycji oraz diagnostyka kolinearności przedstawiono w Tabeli 3. Wartości alfa Cronbacha w zakresie od 0,877 do 0,932 przekraczają wartość graniczną 0,70. Szacunki rzetelności złożonej były akceptowalne, przy czym CR (ρ_a) mieściło się w zakresie od 0,880 do 0,959, a CR (ρ_c) w zakresie od 0,911 do 0,945. Wartość AVE była znacznie powyżej wymaganej wartości granicznej 0,50 (0,672–0,779). Ocena kolinearności w pełnym zakresie nie wykazała dowodów na występowanie błędu wspólnej metody, ponieważ wszystkie strukturalne wartości VIF były <3,3. Ogólnie miary spełniły kryteria rzetelności, trafności zbieżnej i akceptowalnej kolinearności. Pozycje znajdują się w Tabeli 2. Zakresy te potwierdzają, że model pomiarowy spełnia powszechnie stosowane kryteria rzetelności, trafności i pełnej kolinearności określone w niniejszym protokole.

Tabela 3: Ocena modelu pomiarowego i diagnostyka kolinearności. Tabela przedstawia statystyki dla alfa Cronbacha (α), niezawodności złożonej (ρa i ρc), średniej wariancji wyekstrahowanej (AVE), ładunków zewnętrznych oraz czynnika inflacji wariancji (VIF). Wartości VIF bliskie 1 wskazują na pomijalną multikolinearność, wartości między 1 a 3 wskazują na niską i akceptowalną kolinearność, a wartości powyżej 3 wskazują na rosnące obawy dotyczące kolinearności. Skróty: JS = stres zawodowy; EL = postrzeganie etycznego przywództwa; IC = indywidualna kreatywność; OA = organizacyjne zakorzenienie AI. Kliknij tutaj, aby pobrać tę tabelę.

Ocena trafności dyskryminacyjnej

Trafność różnicującą oceniono za pomocą kryterium Fornella-Larckera lub współczynnika HTMT^17,19. Wyniki kryterium Fornella-Larckera przedstawiono w Tabeli 4. Pierwiastek kwadratowy z każdej szacowanej wartości AVE jest wyższy niż korelacje z innymi konstruktami, co potwierdza trafność różnicującą. Ponadto, jak pokazano w Tabeli 5, wszystkie wartości HTMT są < 0.85, co również wskazuje na to, że konstrukty są empirycznie rozróżnialne. Wyniki analizy Fornella-Larckera oraz HTMT wspólnie wskazują, że model pomiarowy w sposób adekwatny oddaje różnice między konstruktami wykorzystanymi w niniejszym badaniu.

Tabela 4: Ważność dyskryminacyjna oceniona za pomocą kryterium Fornella–Larckera. Wartości na przekątnej stanowią pierwiastki kwadratowe średniej wariancji wyodrębnionej (AVE), a wartości poza przekątną to korelacje między konstruktami. Skróty: JS = stres zawodowy; EL = postrzeganie etycznego przywództwa; IC = kreatywność indywidualna; OA = organizacyjne zakorzenienie AI. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 5: Trafność dyskryminacyjna oceniona za pomocą wskaźnika heterotrait–monotrait (HTMT). Wartości poniżej 0,85 wskazują na empiryczną odrębność konstruktów. Skróty: JS = stres zawodowy; EL = postrzeganie etycznego przywództwa; IC = kreatywność indywidualna; OA = organizacyjne zakorzenienie AI. Kliknij tutaj, aby pobrać tę tabelę.

Model strukturalny i testowanie hipotez

W celu zweryfikowania hipotez przetestowano model strukturalny. Postrzeganie etycznego przywództwa jest subiektywną oceną tego, jak pracownicy widzą zachowanie lidera. W związku z tym wszelkie ścieżki strukturalne między EL a innymi zmiennymi należy interpretować jako relacje oparte na postrzeganiu. Tabela 6 przedstawia wyniki dla stresu zawodowego, postrzegania etycznego przywództwa, kreatywności indywidualnej oraz organizacyjnego zakorzenienia AI. Model wyjaśnił R²= 0.104 dla postrzegania etycznego przywództwa oraz R²= 0.186 dla kreatywności indywidualnej. Wyniki te reprezentują umiarkowaną moc wyjaśniającą, co jest odpowiednie dla ostrożnego wnioskowania w kontekście przekrojowych badań nad zachowaniami organizacyjnymi. Z tego powodu protokół koncentruje się na demonstracji przepływu pracy, dekompozycji efektów i ocenie istotności predykcyjnej, a nie na pełnej trafności predykcyjnej. Ponadto na kreatywność mogą wpływać inne czynniki, takie jak klimat w zespole, wymiana lider-członek, autonomia zadań, kontekst zawodowy i organizacyjne normy innowacyjności, które nie zostały uwzględnione w niniejszym modelu. Mała wartość R² wskazuje zatem na ograniczenie mocy wyjaśniającej modelu, a nie na niepowodzenie przepływu pracy dotyczącego efektów pośrednich i interakcji. Hipoteza H1 nie została potwierdzona, ponieważ związek między stresem zawodowym a kreatywnością indywidualną nie był istotny (β = –0.054, t = 0.935, f²= 0.003, pomijalna wielkość efektu). Stres zawodowy był ujemnie skorelowany z postrzeganiem etycznego przywództwa (β = –0.322, t = 6.785, f²= 0.116, mała wielkość efektu), co potwierdza H2. Hipoteza H3 została potwierdzona, wykazując pozytywny związek między postrzeganiem etycznego przywództwa a kreatywnością indywidualną (β = 0.371, t = 5.453, f²= 0.136). Pośredni efekt stresu zawodowego na kreatywność indywidualną za pośrednictwem postrzegania etycznego przywództwa był istotny (β = –0.120, t = 4.364), co potwierdza H4. Interakcja między postrzeganiem etycznego przywództwa a organizacyjnym zakorzenieniem AI była dodatnio powiązana z kreatywnością indywidualną (β = 0.141, t = 2.211, f²= 0.024, mała wielkość efektu), co potwierdza H5. Wyniki dotyczące zmiennych kontrolnych i wielkości efektu przedstawiono w Tabeli 6.

Tabela 6: Wyniki testowania hipotez, wielkości efektów i efekty zmiennych kontrolnych. Tutaj przedstawiono efekt pośredni odpowiadający H4, który został dalej rozbity w Tabeli 7. *p < 0,05, **p < 0,01 oraz ***p < 0,001. Skróty: β = standaryzowany współczynnik ścieżki; t = statystyka t; f² = wielkość efektu; p = wartość prawdopodobieństwa; n.s. = nieistotne statystycznie; JS = stres zawodowy; EL = postrzeganie etycznego przywództwa; IC = indywidualna kreatywność; OA = organizacyjna implementacja AI. Kliknij tutaj, aby pobrać tę tabelę.

Zakorzenienie AI w organizacji wzmocniło związek między postrzeganiem etycznego przywództwa a indywidualną kreatywnością (β = 0.141, t = 2.211, p = .027). Aby uczynić tę interakcję zrozumiałą w ramach artykułu z wizualizowanym protokołem, Rysunek 2 oraz Tabela 9 prezentują tę interakcję wizualnie oraz jako efekty warunkowe przy niskim (−1 SD), średnim i wysokim (+1 SD) poziomie zakorzenienia AI w organizacji¹⁸.

Rycina 2: Proste nachylenia dla efektu moderującego organizacyjnego zakorzenienia AI. Rycina przedstawia warunkową zależność między postrzeganiem etycznego przywództwa (EL) a indywidualną kreatywnością (IC) przy niskim (−1 odchylenie standardowe [SD]), średnim i wysokim (+1 SD) poziomie organizacyjnego zakorzenienia AI (OA). W oddzielnie przesłanym pliku Ryciny 2 przed wszystkimi operatorami matematycznymi i po nich zastosowano spacje (np. OA × EL, β = 0.141 oraz +1 SD). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rozkład efektów strukturalnych

Aby zilustrować mechanizm mediacji, rozdzielono bezpośrednie i pośrednie efekty strukturalne. W Tabeli 7 autorzy przedstawiają dekompozycję efektów strukturalnych obejmujących postrzeganie etycznego przywództwa. Bezpośrednia relacja między stresem zawodowym a indywidualną kreatywnością nie była istotna (β = –0.054), podczas gdy relacja pośrednia zachodząca poprzez postrzeganie etycznego przywództwa była istotna (β = –0.120, p < 0.001). Zatem relacja między stresem zawodowym a indywidualną kreatywnością w badanej próbie była widoczna przede wszystkim poprzez postrzeganie etycznego przywództwa przez pracowników. Wzorzec ten wskazuje na pełną mediację, a nie na mediację częściową, ponieważ bezpośrednia ścieżka JS > IC była nieistotna, podczas gdy pośrednia ścieżka JS > EL > IC była istotna. Interpretacja wskazuje, że w tym przykładzie stres zawodowy wiąże się z kreatywnością przede wszystkim poprzez postrzeganie etycznego przywództwa przez pracowników, a nie poprzez pozostałą ścieżkę bezpośrednią.

Tabela 7: Dekompozycja efektów strukturalnych. Tabela przedstawia efekty bezpośrednie, specyficzne, pośrednie, całkowite pośrednie oraz całkowite dla relacji JS > IC. Skróty: JS = stres zawodowy; EL = postrzeganie przywództwa etycznego; IC = indywidualna kreatywność; n.s. = nieistotne statystycznie. ***p < 0,001. Sumy wartości mogą nie być dokładne ze względu na zaokrąglenia. Kliknij tutaj, aby pobrać tę tabelę.

Ocena istotności prognostycznej

Istotność predykcyjną oceniono za pomocą procedury PLSpredict. Metoda ta służy do oceny istotności predykcyjnej poprzez analizę wskaźników Q²predict, RMSE oraz MAE dla konstruktów endogenicznych zidentyfikowanych w Tabeli 8. PLSpredict stanowi również użyteczne narzędzie metodologiczne pozwalające badaczom na przeprowadzenie zwięzłej weryfikacji istotności predykcyjnej dla zidentyfikowanych istotnych ścieżek. W przykładzie przedstawionym w niniejszym raporcie Tabela 8 podsumowuje końcowy punkt audytu potwierdzający ścieżki mediacji i moderacji zidentyfikowane wcześniej, uwzględniając dowody istotności predykcyjnej dla postrzegania etycznego przywództwa oraz indywidualnej kreatywności. Ponieważ wszystkie wartości Q²predict były dodatnie, lecz niewielkie, istotność predykcyjną należy interpretować jako zapewniającą ograniczoną użyteczność predykcyjną, a nie pełne prognozy wszystkich wyników. Bardzo niska wartość Q2predict dla indywidualnej kreatywności jest omawiana bezpośrednio jako słaba predykcja praktyczna. Nie unieważnia to wyników mediacji i moderacji, lecz ogranicza roszczenia do prognozowania i motywuje do prowadzenia przyszłych badań z wykorzystaniem silniejszych predyktorów kreatywności na poziomie indywidualnym, zespołowym, zadaniowym i organizacyjnym¹⁸.

Tabela 8: Wyniki PLSpredict dla konstruktów endogenicznych. Tabela przedstawia wartości Q²predict, pierwiastka błędu średniokwadratowego (RMSE) oraz średniego błędu bezwzględnego (MAE) dla postrzegania etycznego przywództwa (EL) i indywidualnej kreatywności (IC), wraz z punktem odniesienia dla modelu liniowego (LM), jeśli jest dostępny. Statystyki te są interpretowane jako ograniczone dowody na istotność predykcyjną. Kliknij tutaj, aby pobrać tę tabelę.

Tabelę 9 należy analizować łącznie z Rysunkiem 2. Przedstawia ona istotną interakcję OA × EL w formie efektów warunkowych postrzegania przywództwa etycznego na kreatywność indywidualną przy niskim (−1 SD), średnim i wysokim (+1 SD) poziomie zakorzenienia AI w organizacji. Nachylenie warunkowe jest najsłabsze, gdy zakorzenienie AI jest niskie, odpowiada bazowej relacji EL > IC przy wartości średniej i jest najsilniejsze, gdy zakorzenienie AI jest wysokie. Tym samym Tabela 9 wyjaśnia praktyczny kierunek hipotezy H5, wykazując, że sygnały przywództwa etycznego stają się bardziej znaczące dla kreatywności w sytuacji, gdy AI jest głębiej zakorzeniona w rutynach pracy¹⁸.

Tabela 9: Efekty warunkowe postrzegania etycznego przywództwa (EL) na indywidualną kreatywność (IC).W tabeli przedstawiono warunkowe nachylenia regresji EL > IC dla niskiego (−1 odchylenie standardowe [SD]), średniego oraz wysokiego (+1 SD) poziomu zakorzenienia AI w organizacji (OA), co pozwala na interpretację efektu moderacji H5. Kliknij tutaj, aby pobrać tę tabelę.

DOSTĘPNOŚĆ DANYCH:

Surowe materiały analityczne zostały udostępnione jako jasno nazwane pliki danych uzupełniających: Supplementary Table 1, Zanonimizowany oczyszczony zbiór danych z ankiety; Supplementary Table 2, Wynik algorytmu PLS z programu SmartPLS; Supplementary Table 3, Wynik bootstrappingu z 5 000 prób z programu SmartPLS; oraz Supplementary Table 4, Wyniki SmartPLS PLSpredict i CVPAT. Szczegółowe wyjaśnienie tych plików znajduje się w Supplementary File 1.

Tabela uzupełniająca 1: Surowe dane. Zanonimizowany, oczyszczony zbiór danych ankietowych.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2: Surowe dane. Wyniki algorytmu PLS programu SmartPLS.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 3: Surowe dane. Wyniki bootstrapperowania z 5 000 prób dla SmartPLS.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 4: Surowe dane. Wyniki analiz SmartPLS PLSpredict oraz CVPAT.Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1: plik README. Zawiera instrukcje dotyczące tabel z surowymi danymi.Aby pobrać ten plik, kliknij tutaj.

Dyskusja

Protokół przedstawia przenośną metodę opartą na ankiecie, która pozwala zrozumieć, jak wymagania psychologiczne, postrzeganie przywództwa i warunki kontekstowe związane z AI wpływają na wyniki pracowników w kontekście cyfrowo przekształconej pracy^1,2,4. Jego głównym wkładem nie jest nakręcona manipulacja, ale wykonywalny przepływ analityczny dotyczący rekrutacja online, zgoda i przesiewanie, pomiar konstrukcji interesujących, przygotowanie danych, określenie modelu SmartPLS, bootstrapowanie i interpretacja reprezentatywnych wyników mediacji i moderacji^15,18. Przedstawione kroki można prześledzić za pomocą tabel prezentowanych w manuskrypcie oraz plików wyjściowych SmartPLS w materiałach uzupełniających online. Niemniej jednak, jest on łatwo demonstrowany, ponieważ wszystkie kroki od rekrutacja online przez analizę za pomocą SmartPLS są implementowane za pomocą kliknięć na ekranie, które można pokazać w filmie i zweryfikować poprzez przesłane pliki wyjściowe SmartPLS oraz tabele odzwierciedlające te same wyniki.

Ten przepływ można łatwo dostosować do badania innych mechanizmów opartych na percepcji zamiast konstrukcji eksplorowanych przez autorów i może wykorzystywać tę samą procedurę rekrutacja online, przesiewanie, zweryfikowane miary i sekwencja PLS-SEM. Ta procedura jest odpowiednia dla wizualnego formatu metod z trzech powodów. Po pierwsze, dużo z tego, co jest robione w anonimowych badaniach ankietowych, jest cyfrowe i proceduralne, a nie fizyczne. Po drugie, te operacje wpływają na interpretację; w tym przykładzie autorzy mogliby po prostu potwierdzić ścieżkę JS > IC jako znalezisko zerowe, chyba że sprawdzenie pomiaru i rozkład efektów wskazują, że JS > EL > IC jest pośrednią ścieżką. Po trzecie, ponieważ te procedury odbywają się za pomocą Prolific, Qualtrics, obsługi zbiorów danych, SmartPLS, plików wyjściowych, plików tabelarycznych i filmów z ekranu tam, gdzie to właściwe, mogą być nauczone, przeprowadzane audyty i odtworzone bez nagrywania poszczególnych uczestników. Autorzy mogą przejść ekran po ekranie w SmartPLS i połączyć pliki wyjściowe oprogramowania, pliki tabelaryczne, uzupełniające pliki wyjściowe SmartPLS i filmy z ekranu z kluczowymi decyzjami metodologicznymi dotyczącymi włączenia próby, separacji konstrukcji, oceny jakości modelu i interpretacji bezpośrednich, pośrednich, interakcji oraz znalezisk predykcyjnych. Chociaż PLS-SEM oparty na ankiecie nie posiada graficznej precyzji laboratoryjnej manipulacji, audytowalna ścieżka od rekrutacja do wniosku stanowi metodologię. W ten sposób zapewnia ona replikabilne środki do badania ludzkiego zachowania w miejscu pracy - twórczego działania, interpretacji społecznej i reakcji kontekstowej na AI - bez konieczności nagrywania uczestników^6,8,10.

Protokół jest odpowiedni dla wizualnego formatu metod, ponieważ procedura jest cyfrowa i oparta na ekranie. Film może pokazać ekran zgody, filtr uprawnień, zestaw danych bez identyfikatora, strukturę kodów pozycji, płótno modelu, ustawienia algorytmu, wyjście bootstrapowania, pośrednie efekty, wyjście interakcji, interpretację pochyłości prostych i wyniki PLSpredict bez filmowania uczestników lub ujawniania prywatnych danych^15,18. Reprezentatywne zastosowanie pokazuje, dlaczego widoczność proceduralna jest ważna, nawet jeśli technika statystyczna nie jest rzadka. Redukcja z 342 startów ankiety do 310 ważnych przypadków, współczynniki niezawodności między 0,877 i 0,932, AVE między 0,672 i 0,779, strukturalne VIFs wszystkie poniżej 3,3, nieistotna bezpośrednia ścieżka JS > IC (δ = -0,054), istotna pośrednia ścieżka JS > EL > IC (δ = -0,120) oraz istotna interakcja OA × EL (δ = 0,141) wszystkie zależą od wcześniejszych decyzji dotyczących przesiewania, separacji konstrukcji, ważności pomiaru, diagnostyka kolinierności i bootstrapowanie^15,18,19. PLS-SEM wspiera ten protokół poprzez ocenę jakości konstrukcji, separację efektów bezpośrednich, pośrednich i interakcji oraz estymację ścieżek bootstrapowanych równolegle¹⁸. PLSpredict następnie pyta, czy konstrukcje endogenne nadal mają istotność predykcyjną po ocenie jakości pomiaru i ścieżek strukturalnych. Pozytywne, ale skromne wartości Q2predict dla percepcji etycznego przywództwa i indywidualnej kreatywności wspierają zawarcie Tabeli 8, sugerując jednocześnie ograniczoną przydatność predykcyjną, zamiast pełnego prognozowania. Nieistotna bezpośrednia ścieżka JS > IC nie powinna być interpretowana samodzielnie. Rozkład pokazuje, że stres w pracy jest związany z kreatywnością poprzez percepcję etycznego przywództwa, dlatego zmieniona wersja rękopisu podkreśla pełną mediację, rozkład efektów i powściągliwą interpretację asocjacji przekrojowych^15,18,19.

Te wyniki są zgodne z per

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
ChatGPT (AI Language Model)	OpenAI	N/A	Używany wyłącznie do edycji językowej, sprawdzania gramatyki i udoskonalania struktury podczas przygotowywania rękopisu. Narzędzie nie zostało użyte do zbierania danych, analizy statystycznej ani interpretacji wyników empirycznych. Autorzy przejrzeli, edytowali i zatwierdzili ostateczny rękopis, przyjmując pełną odpowiedzialność za jego treść. URL: https://chatgpt.com/
Prolific (Online Participant Recruitment Platform)	Prolific Academic Ltd.	N/A	Internetowa platforma używana do rekrutacji uczestników ankiety dla przykładu pracy. Uczestnicy byli przesiewani według wcześniej określonych kryteriów kwalifikacji, w tym pełnoetatowego zatrudnienia i odnoszenia się do docelowej populacji zatrudnionych. URL: https://www.prolific.com/
Qualtrics (Online Survey Platform)	Qualtrics, LLC	N/A	Internetowa platforma ankietowa używana do projektowania kwestionariuszy, cyfrowej zgody poinformowanej, przesiewania, prezentacji bloków konstruktów, zbierania danych odpowiedzi i eksportu zestawu danych bez identyfikatorów. Elementy pomiarowe były administrowane za pomocą 7-punktowej skali Likerta od 1 = zdecydowanie się nie zgadzam do 7 = zdecydowanie się zgadzam. URL: https://www.qualtrics.com/
SmartPLS 4.1 (PLS-SEM Software)	SmartPLS GmbH	Wersja 4.1	Używany do modelowania równań strukturalnych najmniejszych kwadratów (PLS-SEM), w tym specyfikacji modelu, estymacji algorytmu PLS, oceny modelu pomiarowego, diagnostyki kolinierności, bootstrappingu z 5000 ponownymi próbami, testowania efektów pośrednich, estymacji terminów interakcyjnych, dekompozycji efektu i oceny PLSpredict. URL: https://smartpls.com/