Estresse no Trabalho e Criatividade Individual: Um Protocolo de Modelagem Estrutural de Equações Parciais de Mínimos Quadrados Parciais para Ambientes de Trabalho Habilitados por IA

Resumo

Esta pesquisa apresenta um protocolo de modelagem estrutural de equações de mínimos quadrados parciais baseada em tela (PLS-SEM) para testar mediação e moderação, realizar diagnósticos de métodos comuns, interpretar inclinações simples e avaliar a relevância preditiva em pesquisas de ambiente de trabalho incorporadas por IA.

Resumo

O uso crescente da inteligência artificial (IA) nas organizações está remodelando as demandas de trabalho, percepções de liderança e oportunidades de criatividade dos funcionários. Baseando-se no modelo Demandas–Recursos do Trabalho (JD–R) e na Teoria da Aprendizagem Social, este estudo examina se as percepções dos funcionários sobre liderança ética mediam a relação entre estresse no trabalho e criatividade individual, e se a incorporação da IA organizacional amplifica essa relação. Utilizando modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) com 5.000 reamostras bootstrap, os achados mostram que o estresse no trabalho influencia negativamente a percepção de liderança ética, enquanto a percepção de liderança ética afeta positivamente a criatividade. O estresse no trabalho não estava diretamente relacionado à criatividade; Em vez disso, a percepção ética da liderança serviu como um caminho indireto significativo. Além disso, a incorporação organizacional da IA fortaleceu a relação entre percepções de liderança ética e criatividade. Esses achados sugerem que a criatividade em ambientes de trabalho habilitados por IA é moldada menos pela própria tecnologia e mais por mecanismos psicológicos organizacionais. Organizações que buscam aumentar a criatividade durante a transformação digital devem, portanto, gerenciar o estresse no trabalho e promover ambientes de liderança ética, em vez de focar apenas na implementação da IA. Esse protocolo utiliza o modelo empírico como exemplo prático para demonstrar um fluxo de trabalho reproduzível de pesquisa para PLS-SEM.

Introdução

A inteligência artificial (IA) transformou a forma como os funcionários realizam seu trabalho, compreendem a natureza dos requisitos do cargo e identificam oportunidades de criatividade, à medida que as organizações começam a adotar IA para suporte à decisão, automação e ^{coordenação} 1,2,3,4. Capacidades habilitadas por IA podem ampliar o escopo das informações acessíveis e apoiar experimentos, mas, por si só, falham em incentivar as pessoas a se comportarem de forma^{criativa 5,6}. Em vez disso, o comportamento criativo dos funcionários depende de suas percepções sobre a legitimidade da experimentação, justiça no tratamento para erros e apoio aos seus^{líderes 7,8}. Este protocolo define criatividade como um processo baseado em percepção na psicologia organizacional, em vez de um produto baseado em tecnologia, permitindo que o processo desde o recrutamento até a inferência seja repetível e transparente⁹. O procedimento não filma ou observa participantes em um laboratório, mas o fenômeno de interesse ainda é o comportamento, já que os funcionários respondem ao estresse do trabalho, entendem informações sociais e desenvolvem respostas criativas para uma situação de trabalho influenciada por IA. O escopo comportamental é, portanto, abordado por meio de comportamentos mensuráveis no ambiente de trabalho e construtos interpretativos relacionados à criatividade, percepção de liderança e resposta contextual relacionada à IA, em vez de comportamento^{físico 6,10}.

Ambientes de trabalho incorporados à IA são definidos como ambientes de trabalho nos quais os funcionários percebem a IA como uma parte recorrente da coordenação do trabalho, suporte à decisão, avaliação e resolução de problemas, em vez de uma ferramenta opcional ocasional. Esse conceito é mais restrito do que a transformação digital ampla, diferente da adoção da IA como introdução, diferente da maturidade da IA como estágio de implementação e diferente da capacidade da IA como competência técnica. Como os funcionários podem não conhecer a extensão objetiva do uso da IA em todas as funções, o construto é tratado como incorporação organizacional da IA, o que é apropriado para um modelo baseado em percepção de liderança ética e criatividade^individual 1,4,11,12.

Este protocolo aborda três lacunas mutuamente reforçadas. Primeiro, sabe-se menos sobre o que constitui liderança ética em ambientes de trabalho incorporados à IA e como as percepções de liderança ética se relacionam com o estresse no trabalho no que diz respeito à criatividade. Essa relação é importante porque os efeitos do estresse no trabalho sobre a criatividade variam uma vez contextualizados e^{interpretados 13,14}. Segundo, embora pesquisas sobre criatividade em ambientes de trabalho embutidos por IA frequentemente tenham considerado a IA como uma ferramenta ou medida de adoção da IA, há menos evidências de como a incorporação da IA em toda a organização molda respostas comportamentais a sinais de líderes ou interpretações da incerteza relacionada à^{IA 4,11,12}. Terceiro, estudos que utilizam dados baseados em pesquisas em psicologia organizacional frequentemente condensam desde recrutamento e triagem até construir medição, preparação de dados e subsequentes análises de mediação e moderação da Modelagem Estrutural de Equações Parciais de Mínimos Quadrados (PLS-SEM) em descrições curtas, embora validade da medição, validade discriminante, colinearidade e relevância preditiva sejam todas importantes a serem^consideradas 15,16,17^,18. Os autores tornam esse fluxo de trabalho visível neste procedimento reduzindo 342 inícios de pesquisa para 310 casos utilizáveis, separando blocos de construto, testando a colinearidade total com VIF e um cutoff de 3,3, testando efeitos diretos, indiretos e de interação com 5.000 reamostras bootstrapadas, e finalmente incluindo o PLSpredict como tela de relevância^preditiva 15,16,18,19.

A contribuição principal, portanto, é metodológica. O modelo Estresse no Trabalho-Liderança Ética-Criatividade é mantido como exemplo resolvido, mas a principal contribuição é tornar visíveis decisões analíticas normalmente ocultas: triagem de elegibilidade, retenção de códigos de item, separação de construtos, validação de medição, colinearidade e diagnóstico de métodos comuns, bootstrapping, decomposição de efeitos, interpretação de inclinação simples e avaliação PLSpredict 15,18,19. Seguindo o modelo de Demandas de Emprego-Recursos^20,21, o estresse no trabalho é uma demanda que consome os recursos cognitivos e emocionais necessários para se engajar criativamente, afetando assim a criatividade⁹. Os funcionários concentram seu esforço discricionário em gerar soluções inovadoras e únicas por meio de flexibilidade cognitiva, experimentação e novos métodos de trabalho. Eles têm menos tempo para gerar ideias quando enfrentam longos prazos em um ambiente de trabalho turbulento e tendem a focar na prevenção de erros e na conclusão^{de tarefas 13,14}. Nem todo estresse é prejudicial à criatividade, e certos níveis de desafio podem promover a geração de ideias entre indivíduos que recebem autonomia na tarefa e recebem apoio social no ambiente^{de trabalho 13,22}. Em contraste, pressão sustentada pode levar a um relacionamento negativo.

Assim, os autores hipotetizam que o estresse no trabalho está negativamente associado à criatividade individual (H1). O estresse no trabalho também pode influenciar a forma como certos funcionários veem seu entorno social. Durante períodos de mudança e estresse, os funcionários podem desenvolver sensibilidade aumentada a sinais de justiça, apoio e resposta⁸. Uma resposta tardia da gestão ou decisões inconsistentes, sob esse ângulo, pode ser interpretada como má coordenação em um contexto e como negligência em outro. O ponto chave é que, quando as pessoas estão sob estresse, tendem a dar mais ênfase ao que os líderes lhes sinalizam e, assim, em situações sem justiça e apoio visíveis, tendem a formar interpretações^{negativas 8,10}. Em seguida, os autores hipotetizam que o estresse no trabalho está negativamente associado à percepção dos funcionários sobre liderança ética (H2). A percepção de liderança ética é como os funcionários veem seu líder como justo, honesto, aberto e com bons valores^morais 10,23,24. Do ponto de vista da teoria da aprendizagem social, a percepção ética de liderança indica se os funcionários usarão sua voz, assumirão riscos tentando coisas novas ou^{experimentarão 7}. Os funcionários estarão mais propensos a dar opiniões sobre novas formas de trabalhar e testar novas ideias quando perceberem seu líder como ético. Líderes justos e confiáveis criarão mais oportunidades para que os funcionários se envolvam em comportamentos criativos discricionários ^6,7,10.

Assim, os autores hipotetizam que as percepções dos funcionários sobre liderança ética estão positivamente associadas à criatividade individual (H3). O modelo também introduz um caminho indireto no qual a percepção ética de liderança media o efeito do estresse no trabalho sobre a criatividade individual. Influências relacionadas ao estresse sobre a criatividade parecem inconsistentes e indicam que o relacionamento não é simples ^14,22. Dois funcionários podem estar expostos ao mesmo nível de estresse, mas um pode continuar a perceber o líder como ético e o local de trabalho como seguro o suficiente para compartilhar ideias. O outro funcionário pode parar de compartilhar ideias quando percebe o líder como antiético ou se sente tratado^{injustamente 6,7}. Esse caminho indica a influência da interpretação social e sugere que focar apenas no efeito direto do estresse do trabalho sobre a produção criativa pode ser insuficiente.

Os autores também hipotetizam que as percepções dos funcionários sobre liderança ética mediam a relação entre o estresse no trabalho e a criatividade individual (H4). A incorporação organizacional de IA está associada a ambientes de trabalho nos quais a IA é usada para mediar, avaliar e apoiar o trabalho dos^{funcionários 1, 25, 26}. Ambientes organizacionais embutidos por IA ampliam o acesso dos funcionários à informação, reduzem o tempo necessário para realizar algumas tarefas e oferecem maior espaço para recombinar ideias. Ao mesmo tempo, podem levantar questões sobre quem ou o que será responsabilizado, que tipos de avaliações ocorrerão e quais formas de experimentação são^{aceitáveis 27}. Em situações como essa, os funcionários tendem a prestar mais atenção às pistas éticas de liderança ao avaliar se experimentação habilitada por IA, tolerância a erros por IA e geração de ideias assistida por IA são legítimas e^seguras 11,30,31. Assim, os autores preveem que a incorporação organizacional da IA aumentará a relevância das percepções de liderança ética para a criatividade individual.

Assim, os autores hipotetizam que a incorporação da IA organizacional modera a relação entre as percepções dos colaboradores sobre liderança ética e criatividade individual, de modo que a relação positiva é mais forte quando a incorporação organizacional da IA é alta (H5). Este protocolo é desenvolvido para pesquisadores comportamentais que estudam comportamentos autorrelatados no ambiente de trabalho e sua interpretação social quando a observação direta é impraticável ou eticamente injustificada. O manuscrito contribui de três maneiras. Primeiro, ele se afasta das compreensões tradicionais de criatividade em ambientes de trabalho habilitados por IA como manifestação de resultados tecnológicos e conhecimento técnico-científico, apresentando esse processo como fundamentado pela percepção como um processo de psicologia^{organizacional 6,9}. Segundo, estende esse argumento demonstrando que as percepções de liderança ética mediam a relação entre estresse no trabalho e criatividade individual, e que a relação entre percepções de liderança ética e criatividade é moderada pela incorporação organizacional da IA ^4,10,14. Terceiro, uma pesquisa baseada em tela e o procedimento PLS-SEM são introduzidos para avaliar os processos de mediação e^{moderação 15, 18, 19}. Sua vantagem é tornar visíveis decisões ocultas, incluindo triagem de emprego, separação de construtos, verificações de validade e colinearidade, bootstrapping, decomposição de efeitos, interpretação por moderação, análise PLSpredict e interpretação cautelosa de relações transversais.

Protocolo

O processo de pesquisa seguiu todos os protocolos éticos para pesquisas com participantes humanos. Todas as informações dos participantes foram coletadas anonimamente por meio de tecnologia de pesquisa online e procedimentos digitais de consentimento informado. Nenhuma informação identificando qualquer participante foi coletada, e nenhum vídeo de nenhum participante foi gravado. Todos os participantes receberam uma tela digital de consentimento informado antes de chegarem à pesquisa. A tela explicava o propósito acadêmico do estudo, que a participação era voluntária, que as respostas seriam mantidas confidenciais e que os dados seriam usados apenas para fins de pesquisa. Participantes que não reconheceram ativamente o consentimento informado foram removidos da pesquisa antes que qualquer item do estudo fosse apresentado. Informações sobre aprovação ética ou isenção devem ser reportadas na declaração de ética de acordo com os requisitos da instituição que enviou o submetente. O elemento visual deste protocolo tem como objetivo apresentar essas etapas como uma demonstração em vídeo baseada em tela de recrutamento, consentimento, triagem, processamento de dados desidentificados, criação de modelos SmartPLS, bootstrapping, decomposição de efeitos e avaliação PLSpredict, em vez de uma figura adicional de fluxo de trabalho. A sequência de tabelas imita a sequência de passos na demonstração em vídeo. A Tabela 1 identifica a amostra retida após recrutamento, consentimento, triagem e verificações de qualidade. A base para medir os blocos de construção é apresentada na Tabela 2. As tabelas 3–5 relatam qualidade da medição, validade discriminante e diagnósticos de colinearidade. A Tabela 6 apresenta os resultados do teste de hipótese. A Tabela 7 mostra a decomposição de efeitos diretos e indiretos. A Tabela 8 é o ponto de verificação PLSpredict. Portanto, as Tabelas 1–8 representam o rastro da saída desde a entrada da pesquisa até a inferência estatística para o fluxo de trabalho baseado em^{tela 15,18}. Todas as plataformas/ferramentas usadas neste estudo estão listadas na Tabela de Materiais.

Modelo de pesquisa

No exemplo resolvido, a percepção ética de liderança media os efeitos do estresse no trabalho na criatividade individual, e a incorporação organizacional da IA modera o efeito da percepção ética da liderança sobre a criatividade individual. A Figura 1 apresenta o modelo conceitual, no qual H4 se refere ao impacto da percepção de liderança ética como um caminho indireto, e H5 à moderação da percepção de liderança ética pela incorporação organizacional de IA. O objetivo do modelo não é representar um modelo causal, mas sim um fluxo de trabalho de mediação e moderação baseado em tela.

Figura 1: Modelo conceitual. O diagrama apresenta o estresse no trabalho (JS) como preditor, a percepção de liderança ética (EL) como mediadora, a criatividade individual (CI) como o resultado e a incorporação organizacional da IA (OA) como moderadora da relação EL–CI. Setas sólidas denotam os caminhos diretos hipotetizados, a via mediada é JS > EL > IC, e o termo de interação representa EL × OA > IC. Por favor, clique aqui para ver uma versão ampliada desta figura.

Dados de pesquisa

Um sistema de recrutamento de participantes baseado na internet e um sistema de pesquisa baseado na internet são usados para coletar respostas anônimas de pesquisas de funcionários em tempo integral da população-alvo do local de trabalho. Filtros devem ser definidos antes do lançamento, e um item de triagem baseado em pesquisa deve ser usado para confirmar a elegibilidade antes da exibição dos blocos de construção. Respostas de participantes não consentidores, respondentes inelegíveis e respostas que não passam pelas verificações de controle de qualidade são excluídas antes da análise. No exemplo trabalhado, os autores ficaram com 310 pesquisas válidas preenchidas de um total inicial de 342 inicios, após triagem de status de emprego e verificações de controle de qualidade. A Tabela 1 apresenta as informações demográficas da amostra final válida.

Tabela 1: Características descritivas da amostra (n = 310). A tabela resume os respondentes retidos por características demográficas e de emprego após consentimento, triagem de elegibilidade e exclusões de controle de qualidade; n denota tamanho da amostra. Por favor, clique aqui para baixar esta Tabela.

Medidas

Uma escala de Likert de sete pontos é usada para todos os itens (1 = discordar fortemente; 7 = concordar fortemente). A pesquisa inclui blocos de medição para estresse no trabalho, percepção ética de liderança, criatividade individual e incorporação organizacional da IA. Mantenha os códigos de item ao projetar e exportar a pesquisa para garantir que cada indicador medido possa ser mapeado para sua variável latente correspondente durante a especificação do modelo. O conjunto completo de itens e fontes de medição é fornecido na Tabela 2.

Tabela 2: Itens e fontes de medição. Esta tabela apresenta os itens do questionário, tarefas de construção e fontes de escala. Abreviações: JS = estresse no trabalho; EL = percepção ética de liderança; IC = criatividade individual; OA = incorporação organizacional de IA. Por favor, clique aqui para baixar esta Tabela.

Antes de importar dados para o software PLS-SEM, os pesquisadores devem exportar o conjunto de dados completo em .csv formato. Nomes, endereços de e-mail, endereços IP e outros identificadores diretos devem ser removidos da exportação para evitar a divulgação não intencional das informações dos participantes. O arquivo exportado deve ser inspecionado quanto a valores ausentes, falhas em respostas de triagem, linha reta, falhas em verificações de atenção e erros de nome de variáveis. Apenas as variáveis indicadoras limpas e as variáveis de controle exigidas pelo modelo devem ser mantidas. Os inicios iniciais da pesquisa, a amostra final válida, os intervalos de confiabilidade, o intervalo AVE, o intervalo VIF estrutural e a configuração de reamostragem bootstrap devem ser registrados para relatórios posteriores.

Fluxo de trabalho analítico PLS-SEM

Para analisar as hipóteses, os pesquisadores devem empregar o PLS-SEM. No SmartPLS 4.1, um novo projeto deve ser criado importando o arquivo .csv limpo. As construções latentes devem ser colocadas na tela do modelo, e os indicadores retidos devem ser atribuídos a JS, EL, IC e OA. Esses caminhos diretos podem ser desenhados na tela do modelo; o caminho indireto pode ser especificado como JS > EL > IC, e o termo de interação produto-indicador pode ser criado como OA × EL > IC também. Os pesquisadores devem executar o algoritmo PLS antes de avaliar os caminhos estruturais. No SmartPLS, acesse Calcular > Algoritmo PLS e observe as configurações de estimação, incluindo o esquema de ponderação do caminho, o número máximo de iterações e o critério de parada, se fornecida. Uma vez executado o algoritmo PLS, os estudiosos devem avaliar os valores alfa, confiabilidade composta, AVE, cargas externas, Fornell-Larcker, razão HTMT e^{valores VIF 17, 18 e 19} de Cronbach. Os resultados para avaliar confiabilidade, validade e colinearidade são relatados nas Tabelas 3–5. Recomenda-se que os autores realizem um teste completo de colinearidade para verificar possíveis viés do método comum. Os valores estruturais de VIF devem ser vistos como um indicador diagnóstico de possível viés de mesma fonte, e não como um indicador de que o viés de mesma fonte foi removido.

O protocolo distingue os VIFs do modelo externo dos VIFs estruturais/totalmente colineares. Se um VIF externo exceder 3,3, mas permanecer abaixo de 5,0, o valor deve ser reconhecido como uma possível preocupação de colinearidade em nível de indicador, em vez de ser tratado como um diagnóstico de viés de método comum. VIFs de colinearidade total são interpretados separadamente como uma triagem diagnóstica da mesma fonte, não como prova de que o viés comum do método foi^{eliminado 15, 18, 19}. Diagnósticos de qualidade e colinearidade da medição devem ser realizados antes de interpretar coeficientes de caminho, efeitos indiretos e termos de interação. Para calcular caminhos diretos, efeitos indiretos específicos e o efeito de moderação, os pesquisadores devem realizar o procedimento de bootstrapping com 5.000 reamostras. Com 5.000 subamostras, realize um teste bicaudal em α = 0,05, e deixe as opções de troca de sinal e intervalo de confiança como no projeto. A Tabela 6 apresenta o coeficiente de caminho, o efeito indireto específico e os resultados da interação. Após testar as hipóteses, as seções para os efeitos indiretos específicos e os efeitos totais na saída devem ser revisadas para avaliar a relação direta JS > IC em relação ao caminho indireto através da EL e para capturar a decomposição de efeitos na Tabela 7. Esse procedimento evita interpretar o caminho direto-criatividade não significativo isoladamente do caminho indireto baseado em percepção significativo. Recomenda-se que os pesquisadores executem o PLSpredict para os construtos endógenos e relatem estatísticas de previsão, RMSE e MAE do^Q2como uma avaliação limitada de relevância preditiva. Os resultados atuais para^Q2preveem, RMSE e MAE para os construtos endógenos EL e IC, juntamente com os do benchmark do modelo linear, se fornecidos, na Tabela 8. Esses resultados devem ser interpretados como evidências limitadas de relevância preditiva, e não como evidências completas de previsão¹⁸.

O protocolo é intencionalmente focado, e não estatisticamente ornamentado. Pesquisadores que posteriormente comparam países, ocupações ou níveis gerenciais podem adicionar testes de invariância de medição, análise multigrupo, segmentação ou mapeamento de importância-desempenho após o estabelecimento do fluxo de trabalho de mediação e moderação de base. Caminhos indiretos ou de interação estatisticamente significativos não devem ser interpretados como efeitos causais quando os dados são transversais. Elas devem ser apresentadas como associações consistentes com a teoria, a menos que haja evidências longitudinais, experimentais ou multi-fontes. Essa advertência é repetida nos Resultados e Discussão, de modo que os caminhos de mediação e moderação são apresentados como associações consistentes com a teoria, e não como efeitos^{causais 15,18}. Se os rótulos exatos dos menus variarem entre as versões SmartPLS, os pesquisadores devem usar o caminho equivalente do menu e registrar a versão do software, as configurações do algoritmo e as configurações de reamostragem na Tabela de Materiais ou em uma nota de reprodutibilidade.

Resultados

Avaliação do modelo de medição

O modelo de medição foi posteriormente utilizado para avaliar a confiabilidade e validade do construto. Confiabilidade, validade convergente, cargas de itens e diagnósticos de colinearidade são apresentados na Tabela 3. Os valores alfa de Cronbach variando de 0,877 a 0,932 excedem o corte de 0,70. As estimativas de confiabilidade composta foram aceitáveis, com CR (ρ_a) variando de 0,880 a 0,959 e CR (ρ_c) variando de 0,911 a 0,945. O AVE estava substancialmente acima do limite exigido de 0,50 (0,672–0,779). A avaliação de colinearidade com base em colinearidade completa não revelou evidências de viés do método comum, já que todos os VIFs estruturais foram <3,3. No geral, as medidas atenderam aos critérios de confiabilidade, validade convergente e colinearidade aceitável. Os itens estão contidos na Tabela 2. Esses intervalos confirmam que o modelo de medição atende aos parâmetros de confiabilidade, validade e colinearidade completa amplamente usados especificados neste protocolo.

Tabela 3: Avaliação do modelo de medição e diagnóstico de colinearidade. A tabela apresenta as estatísticas alfa (α) de Cronbach, confiabilidade composta (ρa e ρc), média extraída da variância (AVE), cargas externas e fatores de inflação da variância (VIF). Valores de VIF próximos a 1 indicam multicolinearidade negligenciável, valores entre 1 e 3 indicam colinearidade baixa e aceitável, e valores acima de 3 indicam preocupações crescentes com colinearidade. Abreviações: JS = estresse no trabalho; EL = percepção ética de liderança; IC = criatividade individual; OA = incorporação organizacional de IA. Por favor, clique aqui para baixar esta Tabela.

Avaliação da validade discriminante

A validade discriminante é avaliada pelo critério de Fornell-Larcker ou pela razão^{HTMT 17,19}. Os resultados de Fornell-Larcker são apresentados na Tabela 4. A raiz quadrada de cada estimativa AVE é maior do que suas correlações com outros construtos, o que demonstra validade discriminante. Além disso, conforme mostrado na Tabela 5, todas as HTMTs são < 0,85, o que também indica que as construções são empiricamente distintas. Os achados de Fornell-Larcker e HTMT indicam coletivamente que o modelo de medição representa adequadamente as distinções entre os construtos empregados neste estudo.

Tabela 4: Validade discriminante avaliada usando o critério de Fornell–Larcker. Valores diagonais são as raízes quadradas da variância média extraída (AVE), e valores fora da diagonal são correlações de interconstrução. Abreviações: JS = estresse no trabalho; EL = percepção ética de liderança; IC = criatividade individual; OA = incorporação organizacional de IA. Por favor, clique aqui para baixar esta Tabela.

Tabela 5: Validade discriminante avaliada usando a razão heterotraço–monotraço (HTMT). Valores abaixo de 0,85 indicam distintividade empírica entre os construtos. Abreviações: JS = estresse no trabalho; EL = percepção ética de liderança; IC = criatividade individual; OA = incorporação organizacional de IA. Por favor, clique aqui para baixar esta Tabela.

Modelo estrutural e teste de hipóteses

Para testar as hipóteses, o modelo estrutural foi testado. A percepção ética de liderança é uma avaliação subjetiva de como os funcionários veem o comportamento dos líderes. Assim, quaisquer caminhos estruturais entre EL e as outras variáveis devem ser interpretados como relações baseadas em percepções. A Tabela 6 mostra os resultados para estresse no trabalho, percepção ética de liderança, criatividade individual e incorporação organizacional da IA. R² = 0,104 da percepção de liderança ética e R² = 0,186 da criatividade individual foram explicados pelo modelo. Esses resultados representam um poder explicativo modesto, adequado para inferência cautelosa no contexto de pesquisas transversais sobre comportamento organizacional. Por esse motivo, o protocolo foca na demonstração de fluxos de trabalho, decomposição de efeitos e avaliação da relevância preditiva, em oposição à validade preditiva total. Além disso, a criatividade pode ser influenciada por outros fatores, como clima de equipe, intercâmbio entre líderes e membros, autonomia de tarefa, contexto ocupacional e normas de inovação organizacional, que não foram consideradas no modelo atual. O pequeno^{R 2}, portanto, indica o limite do poder explicativo do modelo, e não uma falha do fluxo de trabalho indireto e de interação. H1 não foi suportado, pois a associação entre estresse no trabalho e criatividade individual não foi significativa (β = –0,054, t = 0,935, f²= 0,003, tamanho do efeito desprezível). O estresse no trabalho esteve negativamente associado à percepção de liderança ética (β = –0,322, t = 6,785, f²= 0,116, tamanho de efeito pequeno), apoiando H2. H3 foi apoiado, com a percepção de liderança ética sendo positivamente associada à criatividade individual (β = 0,371, t = 5,453, f²= 0,136). O efeito indireto do estresse no trabalho sobre a criatividade individual por meio da percepção ética da liderança foi significativo (β = –0,120, t = 4,364), apoiando o H4. A interação entre a percepção de liderança ética e a incorporação da IA organizacional esteve positivamente relacionada à criatividade individual (β = 0,141, t = 2,211, f² = 0,024, tamanho de efeito pequeno), apoiando H5. Os resultados de variáveis de controle e tamanho de efeito são relatados na Tabela 6.

Tabela 6: Resultados dos testes de hipóteses, tamanhos de efeito e efeitos das variáveis controle. O efeito indireto correspondente a H4 é relatado aqui e decomposto posteriormente na Tabela 7. *p < 0,05, **p < 0,01 e ***p < 0,001. Abreviações: β = coeficiente de caminho padronizado; estatística t = t; f² = tamanho do efeito; p = valor de probabilidade; n.s. = não significativo; JS = estresse no trabalho; EL = percepção ética de liderança; IC = criatividade individual; OA = incorporação organizacional de IA. Por favor, clique aqui para baixar esta Tabela.

A incorporação organizacional da IA fortaleceu a relação entre percepções de liderança ética e criatividade individual (β = 0,141, t = 2,211, p = 0,027). Para tornar a interação interpretável para um artigo de protocolo visualizado, a Figura 2 e a Tabela 9 apresentam a interação visual e como efeitos condicionais em níveis baixos (−1 de DS), médios e altos (+1 SD) de incorporação organizacional^{de IA 18}.

Figura 2: Inclinações simples para o efeito moderador da incorporação da IA organizacional. A figura grafica a relação condicional entre percepção de liderança ética (EL) e criatividade individual (CI) em níveis baixos (−1 de desvio padrão [DS]), médio e alto (+1 SD) de incorporação organizacional da IA (OA). No arquivo da Figura 2 submetido separadamente, os espaços são usados antes e depois de todos os operadores matemáticos (por exemplo, OA × EL, β = 0,141 e +1 SD). Por favor, clique aqui para ver uma versão ampliada desta figura.

Decomposição dos efeitos estruturais

Para ilustrar o mecanismo de mediação, efeitos estruturais diretos e indiretos foram desembaraçados. Na Tabela 7, os autores mostram a decomposição dos efeitos estruturais envolvendo a percepção ética da liderança. A relação direta entre estresse no trabalho e criatividade individual não foi significativa (β = –0,054), enquanto a relação indireta baseada na percepção ética da liderança foi significativa (β = –0,120, p < 0,001). Assim, a relação entre estresse no trabalho e criatividade individual na amostra foi evidente principalmente pelas percepções dos funcionários sobre liderança ética. Esse padrão indica mediação total em vez de mediação parcial, pois o caminho direto JS > IC não foi significativo, enquanto o caminho indireto JS > EL > IC foi significativo. A interpretação é que o estresse no trabalho está relacionado à criatividade principalmente pela percepção dos funcionários sobre liderança ética, e não por um caminho direto residual neste exemplo trabalhado.

Tabela 7: Decomposição dos efeitos estruturais. A tabela separa os efeitos diretos, específicos, indiretos, totais e totais para a relação JS > IC. Abreviações: JS = estresse no trabalho; EL = percepção ética de liderança; IC = criatividade individual; n.s. = não significativo. p < 0,001. Os valores podem não somar exatamente por causa do arredondamento. Por favor, clique aqui para baixar esta Tabela.

Avaliação preditiva de relevância

A relevância preditiva foi avaliada usando PLSpredict. Esse método é utilizado para avaliar a relevância preditiva, analisando a previsão^Q2, RMSE e MAE para os construtos endógenos identificados na Tabela 8. O PLSpredict também oferece um meio metodológico útil para que pesquisadores possam fornecer uma verificação preditiva concisa de relevância sobre os caminhos significativos identificados. No exemplo apresentado neste relatório, a Tabela 8 resume o ponto final de auditoria que apoia os caminhos de mediação e moderação previamente identificados, incluindo algumas evidências de relevância preditiva para a percepção ética da liderança e criatividade individual. Como todos os valores preditos do^Q2eram positivos, mas de tamanho modesto, a relevância preditiva deve ser interpretada como fornecendo utilidade preditiva limitada, em vez de fornecer previsões completas de todos os resultados. O valor muito baixo de Q2 predict para criatividade individual é discutido diretamente como uma previsão prática fraca. Isso não invalida os achados de mediação e moderação, mas limita as reivindicações de previsão e motiva pesquisas futuras com preditores mais fortes em nível individual, em equipe, em tarefas e organizacional^{da criatividade 18}.

Tabela 8: PLSPprevea resultados para os construtos endógenos. A tabela relata a previsão Q², erro quadrático médio (RMSE) e erro absoluto médio (MAE) para percepção de liderança ética (EL) e criatividade individual (CI), juntamente com o benchmark do modelo linear (LM) quando disponível. Essas estatísticas são interpretadas como evidências preditivas limitadas de relevância. Por favor, clique aqui para baixar esta Tabela.

A Tabela 9 deve ser lida junto com a Figura 2. Ele traduz a interação significativa entre AO × EL em efeitos condicionais da percepção de liderança ética sobre a criatividade individual em níveis baixos (−1 de DE), médios e altos (+1 DS) de incorporação organizacional da IA. A inclinação condicional é mais fraca quando a incorporação da IA é baixa, corresponde à associação base de EL > IC na média, e é mais forte quando a incorporação da IA é alta. Assim, a Tabela 9 esclarece a direção prática do H5 ao mostrar que os sinais de liderança ética tornam-se mais importantes para a criatividade quando a IA está mais profundamente incorporada nas rotinas^{de trabalho 18}.

Tabela 9: Efeitos condicionais da percepção de liderança ética (EL) na criatividade individual (CI). A tabela relata inclinações condicionais de EL > IC em níveis baixos (−1 de desvio padrão [SD]), médio e alto (+1 SD) de incorporação organizacional da IA (OA), tornando o efeito de moderação H5 interpretável. Por favor, clique aqui para baixar esta Tabela.

DISPONIBILIDADE DE DADOS:

Os materiais analíticos brutos são fornecidos como arquivos de dados suplementares claramente nomeados: Tabela Suplementar 1, Conjunto de Dados de Pesquisa Desidentificada e Limpa; Tabela Suplementar 2, Saída do Algoritmo SmartPLS PLS; Tabela Suplementar 3, Saída de Bootstrap SmartPLS 5.000 Resamples; e Tabela Suplementar 4, SmartPLS PLS PLSpredict e Saída CVPAT. Uma explicação detalhada desses arquivos é fornecida no Arquivo Suplementar 1.

Tabela Suplementar 1: Dados brutos. Conjunto de dados de pesquisa limpa desidentificado. Por favor, clique aqui para baixar este arquivo.

Tabela suplementar 2: Dados brutos. Saída do algoritmo SmartPLS PLS. Por favor, clique aqui para baixar este arquivo.

Tabela suplementar 3: Dados brutos. SmartPLS 5.000 Reamostras de Bootstrap Saída. Por favor, clique aqui para baixar este arquivo.

Tabela suplementar 4: Dados brutos. SmartPLS PLSpredict e saída CVPAT. Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 1: Arquivo README. Para instruções relacionadas a tabelas de dados brutos. Por favor, clique aqui para baixar este arquivo.

Discussão

O protocolo apresenta um método transferível baseado em pesquisa para entender como demandas psicológicas, percepções de liderança e condições contextuais conectadas à IA afetam os resultados dos funcionários em contextos de trabalho digitalmente ^{transformados 1,2,4}. Sua principal contribuição não é uma manipulação filmada, mas um fluxo de trabalho analítico rastreável para recrutamento online, consentimento e triagem, medindo construtos de interesse, preparando dados, especificando um modelo SmartPLS, bootstrappando e interpretando resultados representativos de mediação e^{moderação 15,18}. Os passos seguidos podem ser rastreados por meio de tabelas apresentadas no manuscrito e dos arquivos de saída SmartPLS no material suplementar online. No entanto, isso é facilmente demonstrável porque todas as etapas, desde o recrutamento online até a análise usando SmartPLS, são implementadas com cliques baseados em tela que podem ser demonstrados no vídeo e verificados pelos arquivos de saída SmartPLS enviados e tabelas que refletem os mesmos resultados.

Esse fluxo de trabalho pode ser facilmente adaptado ao estudo de outros mecanismos baseados em percepção em substituição aos construtos explorados pelos autores, e pode utilizar o mesmo recrutamento online, triagem, medidas validadas e sequência PLS-SEM. Esse procedimento é adequado para um formato de métodos visualizados por três razões. Primeiro, grande parte do que é feito em pesquisas anônimas por pesquisa é digital e procedural, e não físico. Segundo, essas operações influenciam a interpretação; neste exemplo, os autores poderiam simplesmente reconhecer o caminho do JS > IC como um achado nulo, a menos que verificações de medição e decomposição de efeitos indiquem que JS > EL > IC é o caminho indireto. Terceiro, como esses procedimentos ocorrem por meio de Prolific, Qualtrics, manuseio de conjuntos de dados, SmartPLS, arquivos de saída, arquivos de tabela e vídeos de captura de tela quando apropriado, eles podem ser ensinados, auditados e reproduzidos sem registrar participantes individuais. Os autores podem ir tela a tela no SmartPLS e conectar arquivos de saída de software, arquivos de tabelas, arquivos suplementares SmartPLS e vídeos de captura de tela a decisões metodológicas chave sobre inclusão de amostras, separação de construtos, avaliação da qualidade do modelo e interpretação de achados diretos, indiretos, de interação e preditivos. Embora o PLS-SEM baseado em pesquisa careça da precisão gráfica de uma manipulação laboratorial, o caminho auditável do recrutamento à inferência constitui a metodologia. Dessa forma, oferece meios replicáveis para estudar o comportamento humano no ambiente de trabalho — ação criativa, interpretação social e resposta contextual de IA — sem exigir gravação em vídeo dos^{participantes 6,8,10}.

O protocolo é apropriado para um formato de métodos visualizados porque o procedimento é digital e baseado em tela. O vídeo pode mostrar a tela de consentimento, filtro de elegibilidade, conjunto de dados desidentificado, estrutura do item code, canvas do modelo, configurações de algoritmo, saída bootstrap, efeitos indiretos, saída de interação, interpretação de inclinação simples e PLSpredict resultados sem filmar participantes ou revelar dados^{privados 15,18}. A aplicação representativa demonstra por que a visibilidade procedural é importante mesmo que a técnica estatística não seja rara. A redução de 342 inícios de pesquisa para 310 casos válidos, os coeficientes de confiabilidade entre 0,877 e 0,932, AVE entre 0,672 e 0,779, VIFs estruturais todos abaixo de 3,3, o caminho direto não significativo JS > IC (β = –0,054), o caminho indireto significativo JS > EL > IC (β = –0,120) e a interação significativa OA × EL (β = 0,141) dependem de decisões prévias sobre triagem, construa separação, validade de medição, diagnóstico de colinearidade e bootstrap^{15, 18 e 19}. O PLS-SEM suporta esse protocolo avaliando a qualidade dos construtos, separando efeitos diretos, indiretos e de interação, e estimando caminhos iniciados em^{paralelo 18}. O PLSpredict então pergunta se os construtos endógenos ainda têm relevância preditiva após julgamentos da qualidade da medição e dos caminhos estruturais. Os valores positivos, porém modestos, do Q2Predict para liderança ética, percepção e criatividade individual apoiam a inclusão da Tabela 8, sugerindo utilidade preditiva limitada, em vez de previsão completa. O caminho direto JS > IC não significativo não deve ser interpretado isoladamente. A decomposição mostra que o estresse no trabalho está relacionado à criatividade por meio da percepção ética de liderança, razão pela qual o manuscrito revisado enfatiza a mediação completa, a decomposição de efeitos e a interpretação contida de associações^transversais 15,18,19.

Esses achados são consistentes com uma explicação perceptual da criatividade em trabalhos embutidos por IA ^8,9. Neste estudo, o estresse no trabalho previu negativamente a percepção ética da liderança, o que, por sua vez, previu positivamente a criatividade individual. Embora o estresse no trabalho não previsse diretamente a criatividade individual, ele estava indiretamente relacionado à criatividade por meio das percepções dos funcionários sobre o ambiente de liderança. A associação positiva entre percepção ética de liderança e criatividade também foi fortalecida pela incorporação organizacional da IA 26,28,29,31. A pesquisa atual avança a psicologia organizacional ao demonstrar que a geração de criatividade no ambiente de trabalho é menos uma função da tecnologia em si e mais da percepção dos funcionários sobre o trabalho incorporado por IA e o apoio dos^{líderes 1,4,13}. O efeito da percepção da liderança ética sobre a criatividade é um gargalo interpretativo condicionado social, contextual e motivacionalmente através do qual o estresse do trabalho afeta a criatividade. Em particular, o estresse no trabalho pode diminuir o acesso a sinais de liderança ética e de apoio percebidos, enquanto a percepção de liderança ética fornece informações sociais que incentivam a voz, a experimentação e a tomada de riscos^{construtiva 6,7,10}. O estudo também esclarece que a incorporação da IA organizacional é um facilitador contextual, em vez de um motor direto do comportamento criativo. Em ambientes integrados à IA, os trabalhadores podem ter menos certeza sobre experimentação, responsabilidade e como seus gestores e colegas avaliarão os esforços criativos. Essa leitura pode ajudar a explicar por que os achados sobre as relações estresse-criatividade foram mistos no passado: o estresse pode afetar a criatividade de forma diferente dependendo se os funcionários ainda percebem os líderes como justos, confiáveis e solidários. A liderança ética, portanto, é interpretada como um importante sinal social e gargalo interpretativo em ambientes de trabalho incorporados à IA. Quando a responsabilização, experimentação e avaliação são parcialmente mediadas pela IA, os funcionários podem depender mais fortemente da justiça, transparência e confiabilidade dos líderes para decidir se a assunção criativa de riscos é segura.

Os achados também sugerem que a criatividade em ambientes de trabalho embarcados em IA não pode ser mantida apenas com^{tecnologia 1,2,4}. Comunicação contínua, procedimentos de avaliação mais justos e apoio visível à experimentação permitem que funcionários que veem seus líderes como éticos se sintam mais livres para discutir e testar novas^{ideias 6,7,10}. As organizações devem conceber o estresse no trabalho como uma condição relevante para a criatividade, e não apenas sob uma ótica de bem-estar, reconhecendo que o estresse excessivo pode minar as condições relacionais que sustentariam o comportamento^{criativo 13,14}. A implementação da IA seria mais produtiva quando o ambiente de trabalho fornecer aos funcionários expectativas comportamentais claras, feedback justo e suporte centrado no ser humano. Como as características centradas no ser humano da IA para ideação, previsão, automação e controle entrarão no mundo dos indivíduos de maneiras diferentes, as organizações deveriam conectar a implementação da IA ao gerenciamento do estresse e à liderança ética, em vez de tratar as duas como iniciativas^{separadas 2,32,33}.

Várias limitações devem orientar o uso futuro do protocolo. Os dados são de ocasião única, transversais, autorrelatados, e, portanto, viés comum de método e relatórios dependentes do estado, assim como inferência causal, não podem ser totalmente descartados; portanto, os caminhos estruturais devem ser interpretados como associações consistentes com a^{teoria 15,18}. Essa limitação é visível, e não oculta: o protocolo indica onde evidências de pesquisa de onda única apoiam testes de associação consistentes em teoria e onde são necessários desenhos longitudinais, multi-fonte ou observacionais para alegações causais ou comportamentais mais fortes. O modelo explicou uma pequena a média variância na percepção de liderança ética (R² = 0,104) e na criatividade individual (R² = 0,186). Esses não são valores críticos porque o objetivo do protocolo é fornecer uma compreensão clara do fluxo do processo de mediação e moderação, mas sugerem outros potenciais preditores, como intercâmbio líder-membro, clima de equipe, cultura organizacional e normas de inovação. A amostra era composta por funcionários dos Estados Unidos e do Reino Unido, e a medida de incorporação organizacional da IA foi ampla, em vez de específica para sistemas de IA generativa, preditiva, de pareamento ou orientada a controle. Estudos subsequentes podem desenvolver esse protocolo de linha de base empregando projetos longitudinais ou multi-ondas, amostras transculturais, análise multigrupo, segmentação ou medidas mais sofisticadas de sistemas de IA, conforme necessário na pergunta^{de pesquisa 16}. O protocolo oferece um caminho claro para o desenvolvimento: os pesquisadores podem começar com o fluxo de trabalho de mediação e moderação de linha de base e adicionar módulos especializados quando a teoria determina, por exemplo, testes de invariância de medição em comparações internacionais, análise multigrupo em estudos de diferenças ocupacionais ou gerenciais, segmentação de classes latentes em esforços para descobrir perfis ocultos dos respondentes, ou mapeamento de importância e desempenho quando usado para priorização gerencial. No geral, o protocolo trata a criatividade no ambiente de trabalho habilitada por IA como uma prática interpretativa e a liderança ética como um canal pelo qual o estresse no trabalho é indiretamente relacionado à criatividade, e esse caminho é fortalecido pela incorporação organizacional da IA. Ao explicar a trajetória desde a definição e triagem de uma população até a validação de medidas, testes de mediação e moderação, realização de PLSpredict e interpretação com cautela, o fluxo de trabalho tem o potencial de promover transparência, comparabilidade e reutilização de pesquisas de pesquisa em ambiente de trabalho habilitadas por IA^18,19.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
ChatGPT (Modelo de Linguagem AI)	OpenAI	N/A	Usado apenas para edição de linguagem, verificação de gramática e refinamento estrutural durante a preparação do manuscrito. A ferramenta não foi usada para coleta de dados, análise estatística ou interpretação dos resultados empíricos. Os autores revisaram, editaram e aprovaram o manuscrito final e assumem total responsabilidade por seu conteúdo. URL: https://chatgpt.com/
Prolific (Plataforma de Recrutamento de Participantes Online)	Prolific Academic Ltd.	N/A	Plataforma online usada para recrutar participantes do questionário para o exemplo trabalhado. Os participantes foram selecionados usando critérios de elegibilidade predefinidos, incluindo emprego em tempo integral e relevância para a população alvo do local de trabalho. URL: https://www.prolific.com/
Qualtrics (Plataforma de Pesquisa Online)	Qualtrics, LLC	N/A	Plataforma de pesquisa baseada na web usada para design de questionário, consentimento informado digital, triagem, apresentação em blocos de construto, coleta de dados de respostas e exportação de conjunto de dados desidentificado. Os itens de medição foram administrados usando uma escala Likert de 7 pontos, variando de 1 = discordo fortemente a 7 = concordo fortemente. URL: https://www.qualtrics.com/
SmartPLS 4.1 (Software PLS-SEM)	SmartPLS GmbH	Versão 4.1	Usado para modelagem de equações estruturais por mínimos quadrados parciais (PLS-SEM), incluindo especificação de modelo, estimativa do algoritmo PLS, avaliação do modelo de medição, diagnósticos de colinearidade, bootstrapping com 5.000 ressalvas, teste específico de efeito indireto, estimativa de termo de interação, decomposição de efeito e avaliação PLSpredict. URL: https://smartpls.com/