Bu protokol, Ajanik Yapay Zeka'nın teknolojik özelliklerinin bilişsel artı, psikolojik güvenlik ve yapay zeka-insan görev yeniden dağılımıyla nasıl ilişkili olduğunu inceleyen anket tabanlı bir iş akışını tanımlar. Çok gruplu analizle kısmi en küçük kare yapısal denklem modellemesi, liderler ile personel arasındaki rol tabanlı farklılıkları ortaya koyar.
Araştırma makalesi
Ajanik Yapay Zeka İşi Nasıl Yeniden Şekillendiriyor: Bilişsel Fazlalık, Psikolojik Güvenlik ve Yapay Zeka-İnsan Görev Yeniden Tahsisi Rolleri
Yeni sekmede açılır
Bu makalede
Özet
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Özet
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Bu çalışma, Ajanik Yapay Zeka'nın teknolojik özelliklerinin çalışanların psikolojik durumları ve organizasyonlardaki davranışsal tepkileriyle nasıl ilişkili olduğunu incelemektedir. İş Talepleri-Kaynakları (JD-R) teorisi ve Kaynakların Korunması (COR) teorisinden dayanarak, Ajanik Yapay Zeka teknolojik özelliklerini (AITC) otonom planlama, çoklu araç orkestrasyonu ve proaktif geri bildirimden oluşan üst düzey bir yapı olarak kavramsallaştırıyoruz ve bu özelliklerin, daha fazla bilişsel fazlalık ve psikolojik güvenlikle ilişkili iş kaynakları olarak işlev gördüğünü, bunun da yapay zeka-insan görev yeniden tahsisiyiyle ilişkili olduğunu öneriyoruz. Bu ilişkilerin liderler ile personel arasında farklı olup olmadığını daha fazla araştırıyoruz. Kesitsel, anonim bir çevrimiçi anket, amaçlı olasılık dışı örnekleme kullanılarak bir araştırma paneli aracılığıyla katılımcılara uygulandı; uygunluk, mevcut veya önceki yapay zeka ile ilgili iş tecrübesi olan yetişkinlerle sınırlıydı ve taranmış, dikkat denetli yanıtlar sonucunda nihai örneklem 331 çalışanla (171 lider, 160 personel) sonuçlandı. Tüm yapılar, 7 noktalı Likert ölçeklerinde Ajanik Yapay Zeka bağlamına uyarlanmış doğrulanmış ölçeklerle ölçüldü. Veriler, kısmi en küçük kareli yapısal denklem modellemesi (PLS-SEM) kullanılarak analiz edildi; ikinci dereceden yapı için iki aşamalı yaklaşım, doğrudan ve dolaylı etkiler için 5.000 yeniden örnekleme ile bootstraping ve lider-personel karşılaştırmaları için çok gruplu analiz (MGA) uygulandı. Ölçüm modeli kabul edilebilir güvenilirlik ve geçerlilik gösterdi ve yapısal sonuçlar teorileştirilen kaynak-kazanç modeliyle tutarlıydı: AITC, bilişsel artı, psikolojik güvenlik ve görev yeniden tahsisi ile olumlu ilişkilendirildi; liderler arasında önemli arabuluculuk yolları ve daha güçlü AITC-kaynak ilişkileri vardı. Teknik performans yerine psikolojik mekanizmalara odaklanarak, bu çalışma ortaya çıkan Ajanik YZ araştırmalarını genişletiyor ve rol farklılaştırılmış YZ benimseme stratejileri için pratik sonuçlar sunuyor.
Giriş
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Ajanik Yapay Zeka'nın yaygınlaşması, yapay zekanın sektörlerde ve organizasyon yaşamındaki rolünüyeniden tanımlıyor 1,2. Ajanik Yapay Zeka, değişen ortamları algılayan, akıl yürütme mekanizmalarıyla bağımsız hedefler belirleyen ve minimum insan gözetimiyle eylem dizilerini düzenleyen gelişmiş bir yapay zekatürü olarak tanımlanabilir 3,4. Geleneksel yapay zeka araçlarını da içeren geleneksel yapay zekadan üç açıdan ayrılır: özerklik, çünkü ajanik sistemler önceden programlanmış kuralları uygulamak yerine minimum insan müdahalesiyle hedefleri takipeder 5,6; temel işlev, çünkü amaçları tek bir görev yerine karmaşık iş akışlarınıotomatikleştirmek 7; ve mimari, çünkü birden fazla büyük dil modeli, uygulama programlama arayüzleri (API'ler) ve ajanları tek birmodele güvenmek yerine koordine ederler 7. Bu yetenekler, bu çalışmadaincelenen tanımlayıcı teknolojik özelliklere dayanmaktadır 8,9. Otonom planlama (AP), kullanıcının hedefi verildiğinde, sistemin onu bağımsız olarak alt görevlere ayırması ve kısıtlamalar değiştikçe planını revize etmesianlamına gelir 10; Örneğin, bir çalışan tek satırlık bir talimat verebilir ve uygulanabilir çok adımlı bir proje planı alabilir. Çok araç orkestrasyonu (MTO), sistemin harici araçları veAPI'leri seçmesi, sıralaması ve entegre edilmesi anlamına gelir 1,11,12; Örneğin, web araması, belge editörleri ve veri analiz araçlarını birleştirerek tek bir tutarlı rapor üretmek. Proaktif geri bildirim (PF), sistemin hataları, eksik bilgileri ve riskli varsayımları sormadan önceişaretlemesi anlamına gelir 10,13; Örneğin, görev yürütme sırasında bir çalışana doğrulama veya uyum kontrol noktalarını hatırlatmak. Bu üç özellikte, toplu olarak Ajanik Yapay Zeka (AITC) olarak adlandırılan bu özelliklere odaklanıyoruz; çünkü bunlar günlük işte ajanı ve geleneksel yapay zekayı ayıran fonksiyonelyeteneklerdir 7,10; şeffaflık, kontrol edilebilirlik ve açıklanabilirlik gibi nitelikler genel olarak yapay zeka güveni için önemlidir ancak ajanik paradigmaya özgü değildir; bu nedenle bunları odak boyutları değil, gelecekteki araştırmalar için sınır koşulları olarak ele alıyoruz.
Ajanik YZ'nin iş yerlerinde hızlı yayılmasına rağmen, mevcut literatür öncelikle teknik mimarisi, operasyonel verimliliği ve görev otomasyonu yeteneklerini ele almış, ancak bu özelliklerin çalışanların psikolojik durumlarını ve davranışsal tepkilerini nasıl şekillendirdiğine nispeten az dikkat etmiştir14,15. Bu eksiklik önemlidir çünkü görevlerin insanlar ile yapay zeka arasında yeniden dağıtılması tamamen teknik bir ayarlama değil, psikolojik ve organizasyonel olarak yerleşik bir süreçtir: çalışanlar mevcut iş akışlarını sorgulamalı, rol sınırlarını yeniden tanımlamalı ve akıllı sistemlerle yeni iş birliği biçimlerini kabuletmelidir 16,17. Bu tür değişiklikler, gelişmiş teknolojinin mevcut olması nedeniyle otomatik olarak gerçekleşmez. Buna göre, bu çalışmanın amacı üç yönlüdür: AITC'nin bilişsel artı, psikolojik güvenlik ve yapay zeka-insan görev yeniden dağıtımıyla ilişkili iş kaynakları olarak işlev görüp etmediğini incelemek; bilişsel fazlalık ve psikolojik güvenliğin aracı ve ardışık aracılık rollerini araştırmak; ve bu yapısal ilişkilerin liderler ile personel arasında fark edip etmediğini araştırmak için kullanılır. Bu çalışmanın yeniliği üç boyutludur. İlk olarak, Ajanik Yapay Zeka'nın teknolojik özelliklerini—otonom planlama, çoklu araç orkestrasyonu ve proaktif geri bildirim—JD-R çerçevesinde daha üst düzey bir iş kaynağı olarak kavramsallaştırır ve operasyonel hale getirir; yapay zeka benimsemesini ayırt edilmemiş bir bağlam olarak ele almak yerine. İkinci olarak, yapay zeka-insan görev yeniden tahsisini, hem genel iş üretiminden hem de yukarıdan aşağıya dijital dönüşüm sonuçlarından farklı, alana özgül, teknolojiye dayalı bir görev üretim biçimi olarak tanıtıyor. Üçüncüsü, bildiğimiz kadarıyla, Ajanik Yapay Zeka'nın kaynak üreten ilişkilerinin liderler ve personel arasında sistematik olarak farklılaştığına dair ilk çok gruplu kanıtı sunuyor.
Teorik gerekçe, İş Talepleri-Kaynakları (JD-R) teorisi ile Kaynakların Korunması (COR) teorisini bütünleştirir. JD-R teorisi, her işin iş taleplerini, sürekli çaba gerektiren fiziksel, duygusal ve bilişsel yönleri ve talepleri azaltan, hedef ulaşmayı destekleyen ve kişisel gelişimi teşvik eden unsurları içeren iş kaynaklarını içerdiğini savunur; Dengeleri katılımı, iyiliği ve performansışekillendirir 18,19. COR teorisi dinamik bir mekanizma ekler: bireyler değerli kaynakları elde etmeye, tutmaya ve korumaya çalışır ve biriken kaynaklar, mevcut kaynakların yeniden yatırım yapılarak daha fazla kaynak elde etmek için yeniden yatırım yapıldığı kazanç spirallerinibaşlatır 20,21,22. Bu ortak bakış açısından, AITC sadece teknik özellikler olarak değil, aynı zamanda yeni bir iş kaynağı biçimi olarak kavramsallaştırılabilir: planlama ve tanı analizi gibi tekrarlayan ve bilişsel olarak yorucu görevleri benimseyerek, ajanik sistemler talepleri azaltır ve çalışanların bilişsel enerjisini ve zamanını korur15,23. Bilişsel fazlalığı (CS), bu tür rutin görevler teknolojiye devredildiğinde ortaya çıkan bilişsel enerji ve isteğe bağlı zaman deposu olarak tanımlarız ve bu zaman kolektif katılım, iş birliği ve yeni değer yaratılmasına yeniden yatırılabilir. Bu nedenle CS, iş ilişkisinden (affektif-motivasyonel bir durum) kavramsal olarak farklıdır ve sadece zaman kullanılabilirliğinden farklıdır; çünkü COR anlamında dönüştürülebilir kişisel kaynakstokunu ifade eder 20,24. CS, aynı şekilde, işten uzaklaştırılan enerjinin geri kazanılmasıyla ilgili psikolojik kopukluk ve iyileşme ile yeterli zamanın öznel algısını ifade eden zaman zenginliğinden de farklıdır; CS ise ise iş sırasında yeniden yatırım için kullanılabilir olan serbest bırakılmış bilişsel kapasiteyi ifade eder. COR terimlerinde, birikmiş CS, yorgunluk ve tükenmişliği tampon ederek mesleki refahı desteklemesi gereken bir kaynak kazancını temsil ederken, ek rutin taleplerle emilmesi kaynak kaybını işareteder 20,23,24. Korunan zamanın gerçekten fazlaya dönüşüp dönüşmemesi, yapay zeka okuryazarlığı gibi bireysel özelliklere, kazanılan zamanı ek taleplerle karşılayabilen iş yükü normlarına ve organizasyon kültürüne bağlı olabilir; Bu nedenle kaynak-kazanç yolunu bir varsayım değil, test edilecek bir hipotez olarak ele alıyoruz.
H1: AITC KS ile pozitif ilişkilidir.
Psikolojik güvenlik (PS), kişinin çalışma ortamının kişiler arası risk alma için güvenli olduğuna inanmak olarak tanımlanır; örneğin hataları kabul etmek, yardım istemek ve mevcut durumu sorgulamak25,26. Psikolojik güvenlik genellikle ekip düzeyinde bir ortam olarak incelenmiş olsa da, bu çalışma bireysel düzeyde bir algı olarak kavramsallaştırır ve ölçür; bu da bireysel düzeyde ankettasarımımızla tutarlıdır 27,28. Ajanik sistemler öğrenme odaklı geri bildirim ve destekleyici araçlar sağladığında, deney yapmanın ve hataların ortaya çıkarılmasının kişilerarası maliyeti azalabilir; çünkü çalışanlar çalışmalarını başkalarına sunmadan önce test edipdüzeltebilmektedir 26,28. Ancak, tam tersi bir dinamiğin mümkün olduğunu kabul ediyoruz: ajanik sistemler gözetim veya hata bulma hesap verebilirliği için kullanıldığında, algılanan kişilerarası risk ve güvensizlik29,30 artabilir. Burada incelenen özellikler değerlendirici değil, yardımcı olduğu için, bu iki taraflı olasılığı önemli bir sınır koşuşu olarak ele alırken olumlu bir ilişki varsayıyoruz.
H2: AITC PS ile pozitif ilişkilidir.
Yapay zeka-insan görev yeniden tahsisini (AHTR), çalışanların kendi başlattıkları görevleri kendileri ile yapay zeka sistemleri arasında yeniden dağıtması, rutin işleri yapay zekaya devretmesi ve kendi stratejik ve yaratıcı sorumluluklarını genişletmesi olarak tanımlıyoruz. AHTR'yi alan adına özgü bir iş üretim biçimi olarak konumlandırıyoruz. Tims ve Bakker'ın JD-R tabanlı modelinde, iş üretimi artan iş kaynakları, artan zorluk talepleri ve azalan engel talepleri17,31; Wrzesniewski ve Dutton tipolojisinde ise görev, ilişkisel ve bilişsel üretim32'yi içerir. AHTR, teknolojiyle uygulanan görev üretimine en yakın şekilde karşılık gelir: rutin görevleri yapay zekaya aktarmak, aynı anda engel taleplerini azaltır ve yeni bir iş kaynağını hareketegeçirir 17,23,32. Genel bir dijital dönüşüm sonucundan daha dar çünkü yukarıdan aşağıya organizasyon yeniden tasarımı yerine görev sınırlarındaki takdiriyede, çalışan tarafından başlatılan değişiklikleri kapsar. Görevlerin yeniden dağıtımı, çalışanlar ile ajanik sistemler arasındaki en acil davranışsal arayüzdür ve erken benimsemede doğrudan gözlemlenebilirken, ilişkisel ve bilişsel üretim yerine görev yeniden tahsisini öne çıkarırız; ilişkisel ve bilişsel üretim genellikle sonraki adaptasyonlar olarak ortayaçıkar 31,32. Önceki çalışmaların aksine, yapay zeka benimsenmesini genel iş üretiminin bağlamsal bir öncüsüolarak ele alıyor 16,34, yeniden tahsisi kendisi odak üretim davranışı olarak modelleniyoruz. Böyle bir yeniden tahsis yerleşik iş akışlarını bozduğundan, çalışanlar işlerini yeniden tasarlayacak yeterli bilişsel kaynaklara sahip olduklarında ve ilgili kişilerarası riskleri psikolojik olarak güvende hissettiklerinde bunu uygulamaya daha yatkındırlar(16,34). COR teorisinin kazanç-spiral mantığı içinde, psikolojik güvenlik aynı zamanda bilişsel artı birikimini koruyan ve artıran bağlamsalbir kaynak olarak da işlev görür 22.
H3: CS, AHTR ile pozitif ilişkilidir.
H5: PS AHTR ile pozitif ilişkilidir.
H6: PS CS ile pozitif ilişkilidir.
H9: AITC, AHTR ile pozitif ilişkilidir.
Bu argümanları entegre ederek, AITC'nin AHTR ile sadece doğrudan değil, aynı zamanda dolaylı olarak, bilişsel fazla ve psikolojik güvenlik kaynak-kazanım yolları aracılığıyla ilişki kurması beklenmektedir.
H4: CS, AITC ile AHTR arasındaki ilişkiyi arabuluculuk eder.
H7: PS, AITC ile AHTR arasındaki ilişkiyi aracılık eder.
H8: PS ve CS, AITC ile AHTR arasındaki ilişkiyi ardışık olarak aracılık eder.
Son olarak, çalışanlar Ajanik Yapay Zekaya eşit şekilde yorum yapmaz ve yanıt vermez. Gibson, Cooper ve Conger, liderler ile ekipleri arasındaki algısal mesafeyi, bilgiye erişim, hesap verebilirlik, risk riski ve iş deneyimi asimetrilerinden kaynaklanan aynı organizasyonel hedeflere ilişkin bilişsel uyumsuzluk olaraktanımladılar 35. Bu görüşe dayanarak, liderler ve personel yapay zeka benimseme konusunda yapısal olarak farklı pozisyonlarda bulunuyor: liderler stratejik hesap verebilirlik taşır ve yapay zekayı verimlilik ve veri odaklı karar alma için artırma odaklı bir kaynak olarak çerçevelerken, personel otomasyonla ilgili iş güvensizliği ve öğrenme aşırı yüklenmesine nispeten daha fazla maruzkalıyor 20,30. Bu kalıpları, her iki grubun sabit eğilimleri yerine ampirik olarak test edilecek eğilimler olarak ele alıyoruz. Bu tür rol tabanlı tutarsızlıklar, AITC, CS, PS ve AHTR arasındaki ilişkilerde heterojen kalıplar oluşturabilirken, bu grup farklılıklarını açıkça yakalayan ampirik araştırmalar sınırlıdır.
H10a: AITC'nin CS ve PS ile bağlantıları liderler ve personel arasında farklılık gösterir.
H10b: PS ve CS ile AHTR arasındaki bağlantılar liderler ve personel arasında farklılık gösterir.
Aşağıdaki protokol, katılımcı katılımı ve taramasından anket yönetimine, veri temizliğine, ölçüm doğrulamasına, yapısal model tahminine, arabuluculuk analizine ve çok gruplu analize (MGA) kadar tüm iş akışını tanımlar (Şekil 1), böylece prosedür bağımsız olarak tekrarlanabilir. Araştırma modeli Şekil 2'de gösterilmiştir: AP, MTO ve PF'yi içeren ikinci dereceden bir yapı olarak modellenen AITC, doğrudan ve dolaylı olarak CS ve PS aracılığıyla AHTR ile ilişkilidir; PS ise CS ile de ilişkilidir; lider-personel rol farkı MGA aracılığıyla incelenmektedir.
Şekil 1. Genel çalışma tasarımı iş akışı. Tam araştırma protokolünün şeması. Katılımcılar, amaçlı olasılık dışı örnekleme kullanılarak çevrimiçi panel aracılığıyla seçildi ve yapay zeka ile ilgili iş deneyimi açısından tarandı; uygun katılımcılar, tüm yapıları 7 noktalı Likert ölçeklerinde ölçüyen anonim bir anket tamamladı. Veri temizlenmesinden sonra (tarama hataları, dikkat kontrolü hataları ve inanılmaz derecede kısa tamamlanma süreleri kaldırıldı; nihai N = 331), ölçüm modeli doğrulandı (güvenilirlik: Cronbach α, bileşik güvenilirlik; yakınsama geçerlilik: ortalama varyans çıkarıldı; ayırt edici geçerlilik: HTMT ve Fornell-Larcker), ikinci dereceden yapı iki aşamalı yaklaşımla doğrulandı ve yapısal model, arabuluculuk yolları ve lider-personel çoklu grup analizi 5.000 ile tahmin edildi Bootstrap yeniden örneklemeleri. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 2. Önerilen araştırma modeli. Varsayımsal ilişkilerin kavramsal modeli. Ajanik Yapay Zeka teknolojik özellikleri (AITC), otonom planlama (AP; sistemin hedefleri alt görevlere ayırma ve planları gözden geçirme kapasitesi), çoklu araç orkestrasyonu (MTO; birden fazla araç ve API seçme, sıralama ve entegre etme kapasitesi) ve proaktif geri bildirimi (PF; hata ve riskleri çağrısız olarak işaretleme kapasitesi) içeren ikinci dereceden bir yapı olarak öne sürülmektedir; bilişsel fazlalıkla olumlu ilişkilendirildiği varsayılmaktadır rutin görevler yapay zekaya devredildiğinde serbest bırakılır), psikolojik güvenlik (PS; iş ortamının kişilerarası risk alma için güvenli olduğu algısı) ve yapay zeka-insan görev yeniden tahsisi (AHTR; çalışanların kendileri ile yapay zeka arasında görevlerin kendi başlattığı yeniden dağıtımı) (H1, H2, H9). CS ve PS'nin AHTR (H3, H5), PS'nin CS (H6) ile pozitif ilişkilendirildiği ve CS ile PS'nin AITC-AHTR ilişkisini bireysel ve ardışık olarak aracı ettiği varsayılmaktadır (H4, H7, H8). Oklar, varsayılan yapısal yolları temsil eder; H10a/H10b, çok gruplu analizle test edilen varsayımlı lider-personel farklılıklarını ifade eder. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Protokol
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Tüm prosedürler, aSSIST Üniversitesi ve Dong-A Üniversitesi'nde insan katılımcıların yer aldığı araştırmalar için etik standartlara uygun şekilde gerçekleştirilmiştir. Tüm yanıtlar toplandığında anonimleştirildiğinden ve herhangi bir aşamada kişisel tanımlanabilir bilgi toplanmadığından, aSSIST Üniversitesi Kurumsal İnceleme Kurulu, çalışmanın Kore Cumhuriyeti Biyoetik ve Güvenlik Yasası'nın 15. maddesi ve Uygulama Kuralı 13. maddesi uyarınca tam incelemeden muaf olduğunu belirlemiştir. Anket, katılımın yalnızca şu anda çalışan ve bir yapay zeka projesinde yer alan bireylerle sınırlı olduğunu belirten, çalışma amacını açıklayan ve katılımın gönüllü doğasını, yanıtların anonimliğini ve verilerin amaçlanan kullanımını açıklayan bir bilgi ve onay sayfasıyla başladı; yalnızca açıkça kabul eden yanıtlayanlar ankete devam etti. Onay sayfası Ek Dosya 1'de sağlanmıştır.
Örneklem büyüklüğü belirleme
Veri toplamadan önce, doğrusal çoklu regresyon ailesi için G*Power 3.1.9.7 (RRID: SCR_013726) kullanılarak önceden bir güç analizi yapıldı ve modeldeki tek bir endojen yapıya yönelik en fazla tahmin cihazını belirtti; bu çalışmada AHTR üç yapı (AITC, CS ve PS) tarafından tahmin edilmektedir. Orta etki boyutu (f2 = 0.15), α = 0.05 ve istatistiksel güç 0.80 ile gerekli minimum örneklem 77 vaka idi; G*Power protokolü çıkışı Ek Dosya 2'de sağlanmıştır. Minimum örneklem büyüklüğü, PLS-SEM36 için ters kare kök yöntemiyle çapraz kontrol edildi; bu yönteme göre, %5 anlamlılık seviyesinde %80 güçle yaklaşık %0,20 minimum standart yol katsayısı tespit etmek için yaklaşık 155 vaka gereklidir. Son olarak, dolaylı etkilerin bootstrapping ve bölünmüş örneklem çok gruplu analizi desteklemek için işe alım hedefi her iki minimumu da önemli ölçüde aşacak şekilde belirlendi; nihai örneklem (N = 331; liderler n = 171, personel N = 160) her alt grup içindeki minimum örneklem gereksinimini karşıladı.
Katılımcı kazanımı ve taraması
Katılımcılar, amaçlı olasılık dışı örnekleme kullanılarak çevrimiçi araştırma paneli aracılığıyla seçildi; yani, örneklem, genel nüfustan rastgele seçilmek yerine, önceden belirlenmiş bir temel kriterini — yani yapay zeka ile ilgili mevcut veya önceki iş deneyimini karşılayan katılımcılarla kasıtlı olarak sınırlandırılmıştır. Uygunluk sadece 18 yaş ve üzeri katılımcılarla sınırlıydı. YZ ile ilgili iş deneyimi, ana anketten önce sunulan "Aşağıdakilerden hangisi mevcut durumunuzu en iyi tanımlıyor?" adlı tarama maddesi aracılığıyla uygulandı; yalnızca şu anda çalıştığını ve yapay zeka ile ilgili çalışmalarda yer aldığını belirten katılımcılar devam etti, kalan seçenekler ise (yapay zeka çalışmasında kullanılmayan ama daha önce kullanılmayan; kullanılmayan ama daha önce dahil edilen; kullanılmayan ve dahil edilmeyen) hemen eleme tetiklendi. Veri toplama işlemi 8 Şubat 2026'da (10:28–13:30) tek bir oturumda gerçekleştirildi ve katılımcılar, platformun adil ücret politikasına uygun olarak saatlik 6,98 GBP olarak ücretlendirildi. Platformun benzersiz katılımcı tanımlayıcıları ve anket platformunun tekrarlanan yanıt önleme ayarları sayesinde tekrarlanan katılım önlendi. Her aşamadaki katılımcı sayısı dahil etme/dışlama iş akışını belgelemek için kaydedildi: 537 yanıt kaydedildi; 151 kişi tarama sorularıyla eleme sorularından seçildi (386 kişi kaldı); dikkat kontrollerinden geçemedikleri için 40 kişi (346 kaldı) de dahil olmak üzere dikkat kontrollerinden alındı; ve 15 tane inanılmaz derecede kısa tamamlanma süreleri için (yaklaşık 180 saniyeden altında) çıkarıldı ve nihai örnek N = 331 oldu.
Standart tanım ve ölçüm talimatları
Katılımcılara, anketin Ajanik Yapay Zeka'nın kuruluşları ve üyelerini nasıl etkileyebileceğini incelediği bildirildi. Anketin başında, tüm katılımcılara, Giriş'te verilen tanımla tutarlı olan Ajanik Yapay Zeka'nın kısa ve standartlaştırılmış bir tanımı gösterildi—özerk planlama, çoklu araç orkestrasyonu ve sınırlı insan gözetimiyle hedefe yönelik eylemler gerçekleştiren proaktif geri bildirimle karakterize edilen gelişmiş bir yapay zeka sistemi (Şekil 1, adım 2). Uygunluk, şu anda çalışan ve bir yapay zeka projesinde yer alan katılımcılarla sınırlıydı; bu da ankete yanıt vermek için ilgili iş temelini sağladı. Ayrı bir anlama kontrolü maddesi dahil edilmedi; Bu nedenle standartlaştırılmış tanım, doğrulanmış bir anlama kontrolü yerine bağlamsal bir yönüm olarak hizmet etti. Katılımcılar, organizasyonel bağlamlarda bu tür Ajanik Yapay Zeka sistemlerini kullanma veya onlarla çalışma deneyimlerine dayanarak her soruya cevap vermeleri talimatı verildi.
Ölçüm cihazlarının geliştirilmesi ve yönetimi
Anket, Ajanik Yapay Zeka organizasyonel bağlamına uyarlanmış doğrulanmış ölçüm ölçeklerinden geliştirilmiştir. Tablo 1, her öğeyi, kaynak ölçeğini ve tanımlayıcı istatistikleri listeler: AP, MTO ve PF öğeleri son Ajanik Yapay Zekakavramsallaştırmalarından uyarlanmıştır 7,8; Üretken Yapay Zeka-Bilişsel Kaynak Araştırmalarından Bilgisayar Bilimlerimaddeleri 37; Plomp ve ark.38'den PS öğeleri; ve JD-R tabanlı iş üretimölçeklerinden AHTR öğeleri 17,39 olarak görev yeniden tahsisine uyarlandı. Tüm yapılar, 1'den ("kesinlikle katılmıyorum") ile 7'ye ("kesinlikle katılıyorum") kadar değişen 7 noktalı Likert ölçeklerinde ölçüldü. Anket, onay sayfası, tarama, AITC maddeleri (AP, MTO, PF), CS, PS, AHTR ve demografik/kontrol özelliklerini kapsayan bloklar halinde düzenlendi; araç ayrıca mevcut modelin kapsamının dışında olan ve burada toplanıp analiz edilmemiş, şeffaflık için rapor edilen ek ölçekler (yapay zeka okuryazarlığı ve rol genişliği öz-etkinliği) içeriyordu. Anket, çevrimiçi anket platformunda düzenlendi; geri tuş, yanıtçıların önceki yanıtlarını gözden geçirememesi için devre dışı bırakıldı ve öğeler bloklar içinde sabit bir sırayla sunuldu. Ortalama tamamlanma süresi 7 dakika 44 saniyeydi. İki talimatlı yanıt dikkat kontrolü öğesi anket akışı dalları olarak gömülüp, anket yanlış yanıtlandığında anketi kapattı: (i) gerçek kontrol, "AI Enginar Bilgisi için kısaltma mı?" (doğru cevap: Hayır) ve (ii) yanıtların "kesinlikle katılmıyorum"dan "kesinlikle katılıyorum"a kadar değişen 7 puanlık Likert ölçeğinde kaydedildiğini doğrulayan bir ölçek anlama kontrolü. Ana uygulamadan önce, anket maddelerinin netliği, genel anket akışı, tamamlanma süresi ve anketin uygulanabilirliği değerlendirilmek için 124 katılımcıyla pilot test gerçekleştirildi; Tamamlama süresi, alışılmadık derecede kısa yanıtlar belirlemek ve anket süresinin hedef katılımcılar için uygun olup olmadığı doğrulanmak için gözden geçirildi. Pilot test, madde revizyonu gerektiren herhangi bir kelime sorunu göstermedi ve ana incelemeden önce herhangi bir kelime değişikliği yapılmadı. Ayrıca, pilot veriler gösterge performansı, yapı güvenilirliği, yakınsak geçerlilik, ayırt edişi, kollineerlik ve önerilen yapısal ilişkilerin makullüğünü değerlendirmek için ön doğrulama prosedürü olarak PLS-SEM kullanılarak analiz edildi; Sonuçlar, cihazın ana araştırma için uygunluğunu destekledi.
| Yapı | Madde | Soru | Acımasız | STDEV | VIF | Kaynak | |||
| AITC | AP | AP1 | Bir hedef sunduğumda, yapay zeka ona ulaşmak için çok adımlı bir plan oluşturmaya yardımcı oluyor. | 5.81 | 0.9 | 1.44 | Abou Ali, M. ve ark. (2025); Sapkota, R. ve ark. (2025) | ||
| AP2 | Yapay zeka, kısıtlamalar veya gereksinimler değiştiğinde planını revize edebilir. | 5.75 | 0.99 | 1.37 | |||||
| AP3 | Yapay zeka, karmaşık işleri adım adım talimatlara ihtiyaç duymadan yönetilebilir alt görevlere ayırıyor. | 5.33 | 1.37 | 1.33 | |||||
| MTO | MTO1 | Yapay zeka, bir görevi tamamlamak için birden fazla araç veya uygulamayı (örneğin arama, belgeler, veri araçları) birleştirebilir. | 5.69 | 1.11 | 1.5 | ||||
| MTO2 | Yapay zeka doğru araç(lar)ı önerir ve bunları doğru sırada kullanarak bir teslimat üretir. | 5.36 | 1.04 | 1.64 | |||||
| MTO3 | Yapay zeka, farklı araçlardan alınan çıktıları tek bir tutarlı sonuca entegre etmeye yardımcı olur. | 5.61 | 1.01 | 1.63 | |||||
| PF | PF1 | Yapay zeka, çalışmalarımda hataları, eksik bilgileri veya riskli varsayımları proaktif olarak işaret ediyor. | 4.9 | 1.44 | 1.68 | ||||
| PF2 | Yapay zeka, açıkça geri bildirim istemeden önce iyileştirmeler öneriyor. | 5.07 | 1.38 | 1.85 | |||||
| PF3 | Yapay zeka bana yeniden çalışmayı önlemek için kontrol noktalarını (örneğin doğrulama, uyumluluk, kalite) hatırlatıyor. | 5.02 | 1.4 | 1.6 | |||||
| CS | CS1 | Yapay zeka kullanmak, zihinsel enerjimi daha karmaşık ve anlamlı işlere odaklanmak için serbest bıraktı. | 5.59 | 1.28 | 2.07 | Liu, Y., Sheng, F., & Liu, R. (2025) | |||
| CS2 | Yapay zeka kullandıktan sonra stratejik düşünme ve problem çözme için daha fazla zamanım var. | 5.61 | 1.23 | 2.38 | |||||
| CS3 | Rutin görevlerden kaynaklanan iş yükü önemli ölçüde azaldı, bu da bana yeni girişimler için fırsat verdi. | 5.42 | 1.28 | 2.23 | |||||
| CS4 | İş günü sonunda zihinsel olarak daha az yorgun hissediyorum çünkü yapay zeka tekrarlayan görevleri hallediyor. | 5.15 | 1.5 | 1.91 | |||||
| PS | PS1 | İş yerimde, yapay zekayı yeni şekillerde kullanmayla ilgili bir risk almak güvenli. | 4.74 | 1.37 | 1.52 | Plomp ve ark. (2019) | |||
| PS2 | Yöneticim yapay zeka ile denemeleri teşvik ediyor ve hatalara karşı hoşgörülü. | 4.52 | 1.61 | 1.68 | |||||
| PS3 | Takımımda yapay zekanın nasıl kullanıldığıyla ilgili endişelerim varsa rahatça konuşuyorum. | 5.48 | 1.24 | 1.32 | |||||
| PS4 | Meslektaşlarım yapay zeka ile çalışmanın yeni yollarını denediğimde destek oluyor. | 5.26 | 1.32 | 1.48 | |||||
| PS5 (hariç) | Çalışmamda yapay zekanın yenilikçi kullanımlarını önerirsem olumsuz sonuçlardan korkmuyorum. | 4.47 | 1.59 | 1.23 | |||||
| AHTR | AHTR1 | Daha değerli işlere odaklanabilmek için rutin görevleri (örneğin veri girişi, rapor formatlandırma) kasıtlı olarak yapay zekaya aktarıyorum. | 5.12 | 1.35 | 1.68 | Tims, M., & Bakker, A. B. (2010); Li, W. ve ark. (2024) | |||
| AHTR2 | Daha önce manuel yaptığım görevleri yapmak için yapay zeka kullanma fırsatlarını aktif olarak arıyorum. | 5.58 | 1.28 | 1.84 | |||||
| AHTR3 | Yapay zeka kullandıktan sonra, daha stratejik veya yaratıcı yeni veya genişletilmiş sorumluluklar üstlendim. | 5.18 | 1.3 | 1.58 | |||||
| AHTR4 (hariç) | Yöneticimle hangi yapay zekanın hangi görevleri üstlenmesi gerektiği ve hangilerini yapmam gerektiği konusunda müzakere ediyorum. | 4.09 | 1.65 | 1.23 | |||||
| AHTR5 | İşimi yeniden tasarladım, rutin işleri yapay zekaya yeniden dağıttım, böylece daha anlamlı görevler için kendimi serbest bıraktım. | 4.92 | 1.35 | 1.67 | |||||
Tablo 1: Ölçüm öğeleri, kaynaklar, tanımlayıcı istatistikler ve tam kollineerlik değerlendirmesi. Anket aracını tamamla. Her öğe yapısıyla birlikte listelenmiştir (AITC boyutları AP, MTO, PF; CS; PS; AHTR), ürün kodu, ifade, ortalama, standart sapma (STDEV), tam kollineerlik varyans enflasyon faktörü (VIF; değerler <3.3, yaygın yöntem varyans kirlenmesinin olmadığını gösterir) ve uyarlandığı kaynak ölçeği. Tüm maddeler 7 puanlık Likert ölçeklerinde ölçüldü (1 = kesinlikle katılmıyor, 7 = kesinlikle katılıyor). PS5 ve AHTR4, düşük dış yüklemeler nedeniyle ölçüm modeli değerlendirmesi sırasında kaldırıldı. AITC = Ajanik yapay zeka teknolojik özellikleri; AP = otonom planlama; MTO = çoklu araç orkestrasyonu; PF = proaktif geri bildirim; CS = bilişsel artı; PS = psikolojik güvenlik; AHTR = Yapay zeka-insan görevinin yeniden tahsisi. Bu tabloyu indirmek için lütfen buraya tıklayın.
Veri hazırlama ve temizlik
Ham yanıtlar CSV formatında dışa aktarıldı. Tarama kriterini veya herhangi bir dikkat kontrolü maddesini kabul etmeyen vakalar ve önemli eksik veri içeren yanıtlar (anket içi eksiklik en aza indirilmiş zorunlu yanıt ayarları); Her aşamadaki hariç tutma sayıları Protokol Bölüm 2'de belgelenmiştir (537 kaydedildi → 331 tutuldu). Saklanan veriler tutarlılık açısından incelendi ve dikkatsiz yanıt kalıpları açısından tarandı: dikkat kontrolleri yoluyla düz çizgili yanıtlar kaldırıldı ve inanılmaz derecede kısa tamamlanma sürelerine sahip yanıtlar (yaklaşık 180 saniyenin altında) hariç tutuldu. Değişkenler analiz için kodlandı (örneğin, Role: Lider = 1, Personel = 0; Cinsiyet: Erkek = 1, Kadın = 0) Tablo 2'de belgelendiği gibi, endüstri gibi kategorik kontroller k-1 göstergeleriyle dummy kodlanmış, nihai veri seti PLS-SEM yazılımına aktarılmıştır. Her değişkeni öğe metni, kodlama ve yapı ile eşleyen bir kod kitabı, Ek Dosya 2 olarak sağlanır.
Ölçüm modeli değerlendirmesi
PLS-SEM yazılımı kullanılarak, her gözlemlenen öğe gizli yapısına atanmış ve tüm birinci dereceden yapılar (AP, MTO, PF, CS, PS, AHTR) yansıtıcı olarak belirtilmiştir. AITC, AP, MTO ve PF'yi içeren ikinci dereceden bir yapı olarak tanımlandı ve iki aşamalıyaklaşım 40,41,42 ile tahmin edildi: Gizli değişken puanları önce birinci dereceden yapılar için alındı ve ardından (AP_LVS, MTO_LVS, PF_LVS) AITC'nin biçimlendirici göstergeleri olarak kullanıldı. PLS algoritması, yol ağırlıklandırma şeması, maksimum 3.000 iterasyon ve 10−7 durdurma kriteriyle çalıştırıldı. İç tutarlılık güvenilirliği, Cronbach'ın α ve bileşik güvenilirlik (CR) eşikleri 0.7043'e göre değerlendirildi ve 0.5–0.6 değerleri α gelişen araştırma ortamlarında kısa ölçekler için marjinal olarak kabul edilebilir olarakdeğerlendirildi 43; Yakınsak geçerlilik, ortalama çıkarılan varyans (AVE) eşiği 0,5044 karşısında değerlendirildi; ve ayrımcı geçerlilik, heterotrait-monotrait oranı (HTMT <0.85, konservatif eşik)45 ve Fornell-Larckerkriteri 44 kullanılarak değerlendirildi. Güvenilirlik veya yakınsak geçerlilik kriterleri karşılanmadığında, dış yüklemeler incelendi ve kötü performans göstergeleri çıkarılırken içerik geçerliliği korundu; her çıkarma ve gerekçesi belgelendi; bu çalışmada, düşük dış yüklemeler nedeniyle PS5 ve AHTR4 çıkarıldı ve bu da PS ile AHTR'nin yakınsamak geçerliliğini artırdı.
Yapısal model ve arabuluculuk analizi
Yapısal yollar araştırma modeline (Şekil 2) uygun olarak tanımlandı ve öngörücü yapılar arasındaki kollineerlik, model içi varyans enflasyon faktörleri (VIF < 5.0)36 ve tam kollineer VIF'ler (<3.3)46,47 kullanılarak incelendi. Yol anlamlılığı, yüzde güven aralıkları ve iki kuyruklu testler kullanılarak 5.000 yeniden örnekleme ile önyükleme ile tahmin edildi ve standartlaştırılmış yol katsayıları (β), örnek ortalamaları (M), standart sapmalar (STDEV), t-değerleri, p-değerleri, %95 güven aralıkları, R2 ve etki boyutları (f2) rapor edildi. Örneklem dışı öngörü gücü PLSpredict kullanılarak 10 kat ve 10 tekrar ile değerlendirildi; her endojen gösterge için Q2tahmini (>0, öngörücü önemi gösterir) incelendi ve PLS-SEM tahmin hataları (RMSE ve MAE) linear-model (LM) kıyaslama48 ile karşılaştırıldı. Arabuluculuk analizi için, AITC'nin AHTR üzerinden CS, PS ve ardışık PS → CS yolu üzerinden dolaylı etkileri belirtildi ve her belirli dolaylı etki bootstrap dağılımı (5.000 yeniden örnekleme) kullanılarak değerlendirildi; dolaylı etki %95 güven aralığı sıfır hariç tutulduğunda anlamlı olarak değerlendirildi.
Çok grup analizi
Katılımcılar, kendi bildirdikleri organizasyonel rollere göre lider ve personel gruplarına ayrıldı (Rol: Lider = 1, Personel = 0; Tablo 2); Lider grubu, ekip liderleri/süpervizörler, yöneticiler/departman başkanları ve yöneticiler/üst düzey liderlikten oluşuyordu; personel grubu ise personel düzeyinde çalışanlardan oluşuyordu. Yol katsayıları karşılaştırılmadan önce, gruplar arasında ölçüm değişmezliği bileşik modellerin ölçüm invaryansı (MICOM)prosedürü 45 kullanılarak belirlendi. Adım 1 (konfigürasyonel değişmezlik) gruplar arasında aynı model spesifikasyonuyla sağlandı ve step 2 (bileşimsel değişmezlik) tüm yapılar için desteklendi; orijinal korelasyonlar %5 kuantillerinde veya üzerinde ve anlamsız permütasyon p-değerleri (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), kısmi ölçüm invaryansını ortaya koymuş ve çoklu grup karşılaştırmasını gerekçeli kılan (tam MICOM sonuçları Ek Dosya 3'te). Model daha sonra her grup için ayrı ayrı tahmin edildi ve yol farkları bootstrap tabanlı PLS-MGA kullanılarak test edildi; her yolun lider-personel farkı (Δ) için bir kuyruklu ve iki kuyruklu p-değerleri raporlandı; Tüm doğrudan ve dolaylı yollar için gruba özgü yol katsayıları, t-değerleri ve p-değerleri, ayrıca her grup arası farkın büyüklüğü rapor edildi.
Raporlama, doğrulama ve sorun giderme
Tüm güvenilirlik, geçerlilik, yapısal, aracılık ve MGA çıktıları derlendi; Sonuç tabloları dışa aktarıldı; ve raporlanan her istatistik, tablolar, şekiller ve metinler arasında tutarlılık sağlamak için yazılım tarafından üretilen çıktıya göre doğrulandı. Sorun giderme için aşağıdaki yönergeler geçerlidir: Birçok yanıt tarama veya dikkat kontrolünden geçemezse, uygunluk şartlarını netleştirin ve anket talimatlarını netleştirin; güvenilirlik (CR < 0.70) veya yakınsayan geçerlilik (AVE < 0.50) kriterleri karşılanmazsa, dış yüklemeleri gözden geçirip zayıf göstergeleri kaldırarak teorik kapsamayı koruyor; eğer kollinearlık tespit edilirse (VIF, eşik sınırlarının üzerinde), yapı spesifikasyonlarını yeniden değerlendirin ve gereksiz göstergeleri ortadan kaldırın; arabuluculuk veya grup etkileri anlamsızsa, örneklem yeterliliğini yeniden inceleyin ve yorumdan önce operasyonelleştirmeyi inşa edin; ve tahminleri stabilize etmek için yeterli sayıda bootstrap yeniden örnekleme (örneğin 5.000) kullanmak.
Sonuçlar
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Katılımcı özellikleri
Tablo 2 , nihai örneklemin demografik özelliklerini (N = 331) sunar. Örneklemde %65,0 erkek ve %35,0 kadın katılımcı bulunuyordu; liderler (%51,7, n = 171) ile personel (%48,3, n = 160) arasında nispeten dengeli bir dağılım vardı. En büyük yaş grubu 30 yaşın altındaydı (%46,5), ardından 31–40 yaş arası (%32,0); %76,4'ü lisans veya lisansüstü dereceye sahipti. Katılımcılar, teknoloji ve telekomünikasyon (%46,2) başlıca olmak üzere çeşitli sektörlerden ve farklı büyüklükteki kuruluşlardan seçildi. Bu profil, çalışmanın AI'le ilgili işlerde aktif olarak yer alan çalışanlara yönelik amaçlı odaklarıyla tutarlıdır.
| Özellikler | Kategoriler | Frekans (n) | % | Kümülatif %'de |
| Cinsiyet | Erkek (1) | 215 | 65 | 65 |
| Kadın (0) | 116 | 35 | 100 | |
| Yaş | -30 | 154 | 46.5 | 46.5 |
| 31-40 | 106 | 32 | 78.5 | |
| 41-50 | 44 | 13.3 | 91.8 | |
| 51- | 27 | 8.2 | 100 | |
| Rol | Lider (1) | 171 | 51.7 | 51.7 |
| Personel (0) | 160 | 48.3 | 100 | |
| Eğitim | Lise | 34 | 10.3 | 10.3 |
| Kolej | 44 | 13.3 | 23.6 | |
| Lisans | 142 | 42.9 | 66.5 | |
| Lisansüstü | 111 | 33.5 | 100 | |
| Sanayi | Teknoloji Telekomünikasyon BT | 153 | 46.2 | 46.2 |
| Profesyonel Hizmetler (Danışmanlık, Hukuk, Muhasebe) | 38 | 11.5 | 57.7 | |
| Sanayi Üretimi | 37 | 11.2 | 68.9 | |
| Finansal Hizmetler | 30 | 9.1 | 77.9 | |
| Sağlık Hizmetleri | 30 | 9.1 | 87 | |
| Kamu Sektörü | 24 | 7.3 | 94.3 | |
| Perakende | 19 | 5.7 | 100 | |
| Firma Büyüklüğü | 50'den az | 72 | 21.8 | 21.8 |
| 50-99 | 36 | 10.9 | 32.6 | |
| 100-499 | 85 | 25.7 | 58.3 | |
| 500-999 | 46 | 13.9 | 72.2 | |
| 1000-4999 | 50 | 15.1 | 87.3 | |
| 5000 veya daha fazla | 42 | 12.7 | 100 | |
| Toplam | 331 | 100 | 100 |
Tablo 2: Son örneklemin demografik özellikleri. 331 katılımcının cinsiyet, yaş, organizasyon rolü, eğitim, sektör ve firma büyüklüğüne göre dağılışı. n = frekans; % = toplam örneklemin yüzdesi; Kümülatif % = her karakteristik içindeki kümülatif yüzde. Kategoriler sütunundaki parantez içindeki değerler, analizde kullanılan ikili kodlamayı gösterir (örneğin, Lider = 1, Asa = 0).
Ölçüm modeli değerlendirmesi
AITC ikinci dereceden bir yapı olarak modellendiği için iki adımlı bir yaklaşımuygulanmıştır 40. İlk olarak, birinci dereceden yapıların güvenilirliği ve geçerliliği, Cronbach'ın α, bileşik güvenilirlik (CR) ve çıkarılan ortalama varyans (AVE) kullanılarak değerlendirildi; bu da Tablo 3'te gösterilmiştir. PS5 ve AHTR4, düşük dış yüklemeler nedeniyle dışlandı; bu da PS (AVE = 0.563) ve AHTR (AVE = 0.619)36'nın yakınsadık geçerliliğini iyileştirdi. Tüm CR değerleri 0.70 eşiğini aştı ve tüm AVE değerleri 0.50'yi aştı. Cronbach'ın AP α 0.585 olmasına rağmen, CR (0.781) ve AVE (0.547) kabul edilebilir sınırlar içinde kaldı ve 0.5–0.6 α değerleri kısaölçekler için kabul edilebilir sayılabilir 43. Ayrımcı geçerlilik desteklendi: tüm HTMT oranları (0.25–0.77) muhafazakar 0.85 eşiğinin altındaydı (Tablo 4)45 ve her yapının AVE'sinin karekökü Fornell-Larcker kriterine göre en yüksek yapilar arası korelasyonunu aştı (Tablo 5)44.
| Yapı | α | Bileşik güvenilirlik | AVE | |
| AITC | AP | 0.585 | 0.781 | 0.547 |
| MTO | 0.731 | 0.848 | 0.65 | |
| PF | 0.758 | 0.858 | 0.669 | |
| CS | 0.858 | 0.904 | 0.701 | |
| PS | 0.741 | 0.837 | 0.563 | |
| AHTR | 0.795 | 0.867 | 0.619 |
Tablo 3: Birinci dereceden yapıların güvenilirliği ve yakınsak geçerliliği. α = Cronbach alfa (iç tutarlılık; eşik 0.70, kısa ölçekler için 0.5–0.6 marjinal olarak kabul edilebilir); Bileşik güvenilirlik (CR; eşik 0.70); AVE = çıkarılan ortalama varyans (yakınsak geçerlilik; eşik 0.50). PS5 ve AHTR4'ün kaldırılmasından sonra bildirilen değerler. AP = otonom planlama; MTO = çoklu araç orkestrasyonu; PF = proaktif geri bildirim; CS = bilişsel artı; PS = psikolojik güvenlik; AHTR = Yapay zeka-insan görevinin yeniden tahsisi.
| Yapılar | Heterotrait-monotrait rasyonu (HTMT) | ||||||
| AP | MTO | PF | CS | PS | AHTR | ||
| AITC | AP | ||||||
| MTO | 0.75 | ||||||
| PF | 0.64 | 0.59 | |||||
| CS | 0.63 | 0.59 | 0.48 | ||||
| PS | 0.45 | 0.36 | 0.25 | 0.48 | |||
| AHTR | 0.62 | 0.59 | 0.45 | 0.77 | 0.54 | ||
Tablo 4: Birinci dereceden yapıların ayırt edici geçerliliği (HTMT). Yapı çiftleri arasındaki korelasyonların heterotrait-monotrait oranı. 0.85 muhafazakar eşiğinin altındaki değerler ayrımcı geçerliliği destekler. AP = otonom planlama; MTO = çoklu araç orkestrasyonu; PF = proaktif geri bildirim; CS = bilişsel artı; PS = psikolojik güvenlik; AHTR = Yapay zeka-insan görevinin yeniden tahsisi.
| Yapılar | Fornell-Larcker kriteri | ||||||
| AP | MTO | PF | CS | PS | AHTR | ||
| AITC | AP | 0.74 | |||||
| MTO | 0.49 | 0.81 | |||||
| PF | 0.42 | 0.44 | 0.82 | ||||
| CS | 0.46 | 0.47 | 0.4 | 0.84 | |||
| PS | 0.31 | 0.27 | 0.19 | 0.39 | 0.75 | ||
| AHTR | 0.43 | 0.45 | 0.37 | 0.64 | 0.43 | 0.79 | |
Tablo 5: Birinci dereceden yapıların ayrımcı geçerliliği (Fornell-Larcker kriteri). Çapraz elemanlar (kalın harf), her yapının AVE'sinin karekökleridir; diyagonal olmayan elemanlar bir-biri yapan korelasyonlardır. Ayrımcı geçerlilik, her çapraz eleman kendi satırında ve sütunundaki tüm korelasyonları aştığında desteklenir.
Tüm değişkenler aynı katılımcılar tarafından kendi bildirildiği için, hem prosedürel hem de istatistiksel çözümleruygulandı 49,50. Prosedürel olarak, katılımcılara anonimlik garantisi verildi, onay beyanı gönüllü katılımı ve doğru ya da yanlış cevapların eksikliğini vurguladı, tahmin edici ve kriter maddeleri ayrı anket bölümlerine yerleştirildi, yorgunluğu azaltmak için doğrulanmış kısa ölçekler kullanıldı ve dikkat kontrolleri dikkatsiz yanıtlamaları ayıkladı. İstatistiksel olarak, Harman'ın tek faktörlü testi51, tek bir dönmemiş faktörün %30,99 varyansı açıkladığını, %50 kriteri 49,52'nin altında olduğunu gösterdi. Daha katı bir kontrol olarak, tam kollinearlıkdeğerlendirmesi 46 tüm VIF'lerin 3.3'ün altında olduğunu gösterdi (Tablo 1), bu da ciddi ortak yöntem yanlılığına dair hiçbir kanıt göstermemektedir, ancak bu tür tanılar yöntem varyantınıkesin olarak ekarte edemez 46,47.
İkinci dereceden biçimlendirici yapının (AITC) yukarı boyut etkilerinin önemi, 5.000 yeniden örneklemeile bootstrapping kullanılarak değerlendirildi (36,41). Tablo 6'da gösterildiği gibi, AP_LVS (0.493, p < 0.001), MTO_LVS (0.492, p < 0.001) ve PF_LVS (0.249, p < 0.001) gibi biçimlendirici ağırlıklar anlamlıydı ve tüm VIF'ler 3.3'ün altındaydı; bu da her alt dereceden boyutun AITC'ye önemli ölçüde katkıda bulunduğunu gösterir ve kollineerlik endişesi olmadan. Son yapısal model, iki aşamalıprosedür 41,42 kullanılarak tahmin edildi (Şekil 3).
| Biçimlendirici gösterge | VIF | Orijinal β | Kötü β | STDEV | t-değeri | p-değeri |
| AP_LVS → AITC | 1.418 | 0.493 | 0.489 | 0.094 | 5.232 | 0 |
| MTO_LVS → AITC | 1.457 | 0.492 | 0.489 | 0.092 | 5.333 | 0 |
| PF_LVS → AITC | 1.335 | 0.249 | 0.248 | 0.09 | 2.754 | 0.006 |
Tablo 6: İkinci dereceden biçimlendirici yapı için yukarı boyutlu etkiler. Bootstrap, iki aşamalı yaklaşımda AP, MTO ve PF'nin (AP_LVS, MTO_LVS, PF_LVS) gizli değişken puanlarını AITC ile bağlayan biçimlendirici ağırlıkların (5.000 yeniden örnekleme) tahminlerini (5.000 yeniden örnekleme) değerlendiriyor. β = standart ağırlık (Orijinal) ve bootstrap ortalaması; STDEV = bootstrap standart sapma; VIF = varyans enflasyon faktörü (<3.3, kollineerlik endişesi olmadığını gösterir); t-değeri = \|β/STDEV\|; p-değeri. AITC = Ajanik yapay zeka teknolojik özellikleri; AP = otonom planlama; MTO = çoklu araç orkestrasyonu; PF = proaktif geri bildirim.
Şekil 3. Tahmini yapısal model. Tam örnek için standart yol katsayıları (β) ile nihai model (N = 331). Şekil 2'deki gibi tüm kısaltmalar; AP_LVS, MTO_LVS ve PF_LVS, iki aşamalı yaklaşımda AITC'nin biçimlendirici göstergeleri olarak kullanılan AP, MTO ve PF'nin gizli değişken puanlarını gösterir. Katı oklar önemli yolları gösterir; parantez içindeki değerler R2'dir (her endojen yapıda açıklanan varyans oranı: AHTR = 0.471, CS = 0.363, PS = 0.114). Anlamlılık, 5.000 yeniden örnekleme ile bootstrapping ile değerlendirildi; p < 0.001. AP = otonom planlama; MTO = çoklu araç orkestrasyonu; PF = proaktif geri bildirim; AITC = Ajanik yapay zeka teknolojik özellikleri; CS = bilişsel artı; PS = psikolojik güvenlik; AHTR = Yapay zeka-insan görevinin yeniden tahsisi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Yapısal model ve arabuluculuk analizi
Tablo 7 , yol katsayılarını p-değerleri, örnek ortalamaları (M), standart sapmalar (STDEV), t-değerleri ve %95 güven aralıklarıyla gösterir. AITC, H1'i destekleyen CS (β = 0.485, p < 0.001) ile pozitif ilişkilendirildi ve H2'yi destekleyen PS (β = 0.338, p < 0.001) ile ilişkilendirildi. CS, H3'ü destekleyen AHTR (β = 0.444, p < 0.001) ile pozitif ilişkilendirilmişti; PS (β = 0.179, p < 0.001) H5'i destekliyordu. PS, H6'yı destekleyen CS (β = 0.230, p < 0.001) ile pozitif ilişkilendirilmiş, AITC ise H9'u destekleyen AHTR (β = 0.215, p < 0.001) ile ilişkilendirilmiştir. Model, AHTR'deki varyansın %47,1'ini (R2 = 0,471), CS'de %36,3 ve PS'de %11,4'ünü açıkladı.
| Yapılar | β | Örnek ortalaması (M) | Standart sapma (STDEV) | T istatistikleri (|O/STDEV|) | p-değerleri | 0.025 | 0.975 | R² |
| AITC → AHTR | 0.215 | 0.212 | 0.059 | 3.64 | 0 | 0.099 | 0.332 | 0.471 |
| CS → AHTR | 0.444 | 0.445 | 0.054 | 8.155 | 0 | 0.335 | 0.549 | |
| Not: → AHTR | 0.179 | 0.181 | 0.05 | 3.596 | 0 | 0.085 | 0.279 | |
| AITC → CS | 0.485 | 0.485 | 0.051 | 9.587 | 0 | 0.384 | 0.579 | 0.363 |
| PS → CS | 0.23 | 0.231 | 0.053 | 4.299 | 0 | 0.129 | 0.336 | |
| AITC → PS | 0.338 | 0.347 | 0.055 | 6.094 | 0 | 0.236 | 0.451 | 0.114 |
| PS → CS → AHTR | 0.102 | 0.103 | 0.027 | 3.786 | 0 | 0.054 | 0.159 | |
| AITC → PS → AHTR | 0.06 | 0.062 | 0.019 | 3.225 | 0.001 | 0.027 | 0.102 | |
| AITC → CS → AHTR | 0.215 | 0.216 | 0.036 | 6.007 | 0 | 0.149 | 0.29 | |
| AITC → PS → CS → AHTR | 0.034 | 0.036 | 0.011 | 3.122 | 0.002 | 0.017 | 0.06 | |
| AITC → PS → CS | 0.078 | 0.08 | 0.022 | 3.485 | 0 | 0.041 | 0.127 |
Tablo 7: Yapısal model sonuçları ve spesifik dolaylı etkiler (tam örnek). β = standartlaştırılmış yol katsayısı; M = bootstrap örnek ortalaması; STDEV = bootstrap standart sapma; t = \|β/STDEV\|; p = iki kuyruklu p-değeri; 0.025/0.975 = %95 bootstrap güven aralığının alt/üst sınırları (sıfır hariç bir aralık anlamlılığı gösterir); R2 = endogen yapıda açıklanan varyans. Birden fazla yapıdan geçen oklar (örneğin, AITC → PS → CS → AHTR) belirli dolaylı (arabuluculuk) etkileri bildirir. Bootstrapping 5.000 resample kullanıyordu.
Belirli dolaylı etkiler için bootstrap sonuçları (Tablo 7), CS'nin AITC-AHTR ilişkisini anlamlı şekilde aracılık ettiğini (β = 0.215, %95 CI [0.149, 0.290], p < 0.001), H4'ü desteklediğini ve PS'yi de desteklediğini (β = 0.060, %95 GA [0.027, 0.102], p = 0.001) ve H7'yi desteklediğini göstermektedir. Ardışık yol AITC → PS → CS → AHTR de anlamlıydı (β = 0.034, %95 GA [0.017, 0.060], p = 0.002), H8'i destekledi. Tablo 8 , hipotez testi sonuçlarını özetlemektedir.
| Hipotez | Sonuçlar | |||
| H1 | Ajanik yapay zekanın teknolojik özellikleri, bilişsel fazlalıkla olumlu ilişkilendirilir. | Kabul edildi | ||
| H2 | Ajanik yapay zeka teknolojik özellikleri, psikolojik güvenlik ile olumlu ilişkilendirilir. | Kabul edildi | ||
| H3 | Bilişsel fazlalık, yapay zeka-insan görev yeniden dağılımıyla olumlu ilişkilendirilir. | Kabul edildi | ||
| H4 | Bilişsel fazlalık, Ajanik Yapay Zeka'nın teknolojik özellikleri ile yapay zeka-insan görev yeniden dağıtımı arasındaki ilişkiyi aracılık eder. | Kabul edildi | ||
| H5 | Psikolojik güvenlik, yapay zeka-insan görev yeniden dağılımıyla olumlu ilişkilendirilir. | Kabul edildi | ||
| H6 | Psikolojik güvenlik, bilişsel fazlalıkla olumlu ilişkilendirilir. | Kabul edildi | ||
| H7 | Psikolojik güvenlik, Ajanik Yapay Zeka teknolojik özellikleri ile yapay zeka-insan görev yeniden tahsili arasındaki ilişkiyi aracılık eder. | Kabul edildi | ||
| H8 | Psikolojik güvenlik ve bilişsel artı, Ajanik Yapay Zeka teknolojik özellikleri ile yapay zeka-insan görev yeniden dağıtımı arasındaki ilişkiyi sıralı olarak aracılık eder. | Kabul edildi | ||
| H9 | Ajanik yapay zeka teknolojik özellikleri, yapay zeka-insan görev yeniden tahsisiyiyle olumlu ilişkilendirilir. | Kabul edildi | ||
| H10a | Ajanik Yapay Zeka'nın teknolojik özelliklerinin bilişsel fazlalık ve psikolojik güvenlik ile ilişkilendirilmesi liderler ve personel arasında farklılık gösterir. | Kabul edildi | ||
| H10b | Psikolojik güvenlik ve bilişsel fazlalığın yapay zeka-insan görev yeniden dağılımıyla ilişkilendirilmesi liderler ve personel arasında farklılık gösterir. | Kısmen kabul edildi | ||
Tablo 8: Hipotez testlerinin özeti. Her hipotez, kendi yapısal yolu ve önyükleme yöntemine dayalı kararı (kabul edilen/reddedilen) ile Tablo 7'yi (anlamlılık eşiği p < 0.05) elde eder. AITC = Ajanik yapay zeka teknolojik özellikleri; CS = bilişsel artı; PS = psikolojik güvenlik; AHTR = Yapay zeka-insan görevinin yeniden tahsisi.
Örneklem dışı öngörü gücü PLSpredict ile değerlendirildi (10 katlama, 10 tekrar; Tablo 9). Tüm endojen göstergeler pozitif Q2tahmin değerleri vererek öngörücü önemliliği gösteriyordu ve PLS-SEM modeli, neredeyse tüm göstergeler için lineer model (LM) kıyaslamasından daha düşük RMSE ve MAE üretti; tek istisna PS_4'tir. Bu sonuçlar, psikolojik güvenlik, bilişsel fazla ve yapay zeka-insan görev yeniden tahsisi48 için orta ve yüksek örnekler dışı öngörücü performansı göstermektedir.
| Gösterge | Q²predict | PLS-SEM RMSE | PLS-SEM MAE | LM RMSE | LM MAE | IA RMSE | IA MAE |
| PS_1 | 0.067 | 1.321 | 1.042 | 1.325 | 1.042 | 1.368 | 1.098 |
| PS_2 | 0.018 | 1.596 | 1.314 | 1.602 | 1.333 | 1.610 | 1.363 |
| PS_3 | 0.048 | 1.209 | 0.937 | 1.218 | 0.941 | 1.239 | 0.983 |
| PS_4 | 0.084 | 1.262 | 0.977 | 1.258 | 0.965 | 1.318 | 1.046 |
| CS_1 | 0.218 | 1.138 | 0.876 | 1.144 | 0.881 | 1.287 | 1.030 |
| CS_2 | 0.276 | 1.045 | 0.792 | 1.048 | 0.793 | 1.229 | 0.971 |
| CS_3 | 0.181 | 1.157 | 0.884 | 1.161 | 0.889 | 1.278 | 1.011 |
| CS_4 | 0.170 | 1.371 | 1.088 | 1.377 | 1.093 | 1.506 | 1.209 |
| AHTR_1 | 0.149 | 1.251 | 0.970 | 1.259 | 0.977 | 1.357 | 1.028 |
| AHTR_2 | 0.188 | 1.151 | 0.895 | 1.158 | 0.900 | 1.277 | 1.003 |
| AHTR_3 | 0.176 | 1.185 | 0.901 | 1.191 | 0.908 | 1.305 | 0.990 |
| AHTR_5 | 0.130 | 1.261 | 0.982 | 1.269 | 0.991 | 1.352 | 1.039 |
Tablo 9: Örneklem dışı öngörücü değerlendirme (PLSpredict). PLSpredict'den her endojen gösterge (PS, CS, AHTR) için öngörücü metrikler (10 katlama, 10 tekrar). Q2tahmin = öngörücü önem (>0, PLS-SEM modelinin en saf kıyaslamadan daha iyi performans gösterdiğini gösterir); PLS-SEM RMSE/MAE = PLS-SEM modelinin kök ortalama-kare hatası ve ortalama mutlak hatası; LM RMSE/MAE = doğrusal model kıyaslası için karşılık gelen hatalar; IA RMSE/MAE = gösterge-ortalama gösterge. LM kıvertaşının altındaki PLS-SEM hataları, tatmin edici öngörü performansını gösterir. PS = psikolojik güvenlik; CS = bilişsel artı; AHTR = Yapay zeka-insan görevinin yeniden tahsisi. Not: TümS2katılımcıları > 0 tahmin ediyor. PLS-SEM RMSE/MAE < PS_4 hariç tüm göstergeler için LM kıyaslaması yaparak orta-yüksek tahmin performansını göstermektedir.
Çok grup analizi
MGA, hesap verebilirlik, iş güvenliği ve görev bileşimi gibi farklı pozisyonlarda bulunan liderler ve personel arasındaki yapısal ilişkilerin fark edip etmediğini inceledi. Tablo 10'da gösterildiği gibi, AITC'nin iki kaynak değişkeniyle ilişkisi liderler arasında anlamlı şekilde daha güçlüydü: AITC → CS (lider β = 0.599 vs. personel β = 0.363; Δ = 0.236, iki kuyruklu p = 0.014) ve AITC → PS (lider β = 0.435 vs. personel β = 0.199; Δ = 0.236, iki kuyruklu p = 0.043). Bu farklılıklar pratikte anlamlıdır: liderler arasındaki AITC-CS ilişkisi personel arasındaki ilişkinin yaklaşık 1,6 katıydı ve AITC-PS derneği iki katından fazla güçlüydü. Kalan doğrudan yollar (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) gruplar arasında anlamlı bir fark göstermemiştir (hepsi iki kuyruklu p > 0.19), bu da kaynaklar oluşturulduğunda, görevlerin yeniden tahsisi ile ilişkilerinin roller arasında benzer şekilde işlediğini gösterir. Gruba özgü bootstrap tahminleri (Tablo 11), dört yolda asimetrik anlamlılık kalıplarını daha da ortaya koymaktadır: PS → AHTR liderler için anlamlıdır (β = 0.234, p = 0.001) ancak personel için anlamlıdır (β = 0.133, p = 0.064); dolaylı yol AITC → PS → AHTR liderler için anlamlıydı (β = 0.102, p = 0.005) ancak personel için anlamlıydı (β = 0.026, p = 0.178); Buna karşılık, PS → CS → AHTR personel için anlamlıydı (β = 0.140, p = 0.001) ancak liderler için sadece marjinaldı (β = 0.059, p = 0.054); AITC → PS → CS personel için anlamlıydı (β = 0.057, p = 0.043) ancak liderler için marjinaldı (β = 0.067, p = 0.065). Bir arada, görev yeniden tahsisine psikolojik-güvenlik yolu liderler için daha doğrudan görünürken, personel için psikolojik güvenlik, öncelikle bilişsel artıyı mümkün kılarak yeniden tahsis ile ilişkilidir; bu desen hesap verebilirlik ve iş güvenliği maruziyetindeki rol farklılıklarıyla tutarlıdır (H10a desteklenir; H10b kısmen destekleniyor).
| Yapılar | Δ (Lider - Personel) | 1-kuyruklu (Lider vs Personel) p değeri | 2-kuyruklu (Lider vs Asa vs.) p değeri |
| AITC → AHTR | 0.007 | 0.482 | 0.963 |
| AITC → CS | 0.236 | 0.007 | 0.014 |
| AITC → PS | 0.236 | 0.022 | 0.043 |
| CS → AHTR | -0.1 | 0.814 | 0.371 |
| Not: → AHTR | 0.101 | 0.161 | 0.322 |
| PS → CS | -0.135 | 0.901 | 0.199 |
Tablo 10: Lider-personel yolu farklarının çoklu grup analizi (PLS-MGA). Δ = lider ve personel standartlaştırılmış yol katsayıları arasındaki fark (lider eksik personel); bootstrap tabanlı PLS-MGA'dan p-değerleri (1-kuyruklu ve 2-kuyruklu). Önemli farklılıklar (2 kuyruklu p < 0.05), yolun liderler (n = 171) ile personel (n = 160) arasında farklı olduğunu gösterir. AP = otonom planlama; MTO = çoklu araç orkestrasyonu; PF = proaktif geri bildirim; CS = bilişsel artı; PS = psikolojik güvenlik; AHTR = yapay zeka-insan görev yeniden tahsisi; AITC = Ajanik yapay zeka teknolojik özellikleri.
| Orijinal (Lider) | Orijinal (Personel) | Mean (Lider) | Mean (Personel) | STDEV (Lider) | STDEV (Personel) | t değeri (Lider) | t değeri (Personel) | p değeri (Lider) | p değeri (Asa | |
| AITC → AHTR | 0.233 | 0.227 | 0.237 | 0.224 | 0.098 | 0.077 | 2.381 | 2.945 | 0.017 | 0.003 |
| AITC → CS | 0.599 | 0.363 | 0.599 | 0.368 | 0.057 | 0.077 | 10.426 | 4.734 | 0 | 0 |
| AITC → PS | 0.435 | 0.199 | 0.448 | 0.226 | 0.075 | 0.089 | 5.82 | 2.24 | 0 | 0.025 |
| CS → AHTR | 0.383 | 0.484 | 0.381 | 0.486 | 0.091 | 0.065 | 4.19 | 7.406 | 0 | 0 |
| Not: → AHTR | 0.234 | 0.133 | 0.234 | 0.134 | 0.073 | 0.072 | 3.185 | 1.856 | 0.001 | 0.064 |
| PS → CS | 0.154 | 0.289 | 0.157 | 0.289 | 0.07 | 0.077 | 2.212 | 3.741 | 0.027 | 0 |
| PS → CS → AHTR | 0.059 | 0.14 | 0.06 | 0.141 | 0.031 | 0.043 | 1.93 | 3.269 | 0.054 | 0.001 |
| AITC → PS → AHTR | 0.102 | 0.026 | 0.104 | 0.029 | 0.036 | 0.02 | 2.808 | 1.347 | 0.005 | 0.178 |
| AITC → CS → AHTR | 0.229 | 0.176 | 0.228 | 0.18 | 0.06 | 0.047 | 3.834 | 3.757 | 0 | 0 |
| AITC → PS → CS → AHTR | 0.026 | 0.028 | 0.027 | 0.031 | 0.016 | 0.015 | 1.65 | 1.852 | 0.099 | 0.064 |
| AITC → PS → CS | 0.067 | 0.057 | 0.071 | 0.064 | 0.036 | 0.028 | 1.844 | 2.02 | 0.065 | 0.043 |
Tablo 11: Liderler ve personel için grup özel, bootstrap tahminleri. Standartlaştırılmış yol katsayıları (Orijinal), bootstrap ortalamaları, standart sapmalar (STDEV), t-değerleri ve iki kuyruklu p-değerleri, lider (n = 171) ve personel (n = 160) grupları içinde, tüm doğrudan ve özel dolaylı yollar için ayrı olarak tahmin edilmiştir. Bootstrapping, her grup içinde 5.000 resample kullanıldı. AP = otonom planlama; MTO = çoklu araç orkestrasyonu; PF = proaktif geri bildirim; CS = bilişsel artı; PS = psikolojik güvenlik; AHTR = yapay zeka-insan görev yeniden tahsisi; AITC = Ajanik yapay zeka teknolojik özellikleri.
Özetle, ölçüm modeli güvenilirlik ve geçerlilik kriterlerini karşıladı; AITC, CS, PS ve AHTR ile pozitif ilişkilendirildi; CS ve PS, AITC-AHTR ilişkisini bireysel ve ardışık olarak aracılık etti; Model, örneklem dışı tatmin edici öngörü performansı gösterdi; AITC'nin CS ve PS ile ilişkileri liderler arasında anlamlı şekilde daha güçlüydü, oysa kaynaklardan görev yeniden dağıtımına giden yollar roller arasında anlamlı şekilde farklılık göstermedi. Toplandığında, sonuçlar varsayımlı kaynak-kazanç modelini destekler ve Tartışmada geliştirilen rol farklılaştırılmış yorumu motive eder.
VERİ ERIŞILEBILIRLIĞI:
Veri ve analiz dosyaları, Ek Dosya 1, Ek Dosya 2, Ek Dosya 3, Ek Dosya 4, Ek Dosya 5, Ek Dosya 6 ve Ek Dosya 7 olarak yüklenir.
Ek Dosya 1: Anket.Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 2. G*Power protokol çıkışı.Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 3. MICOM Adım 2 — Bileşimsel değişmezlik (permütasyon, 1.000). Tüm yapılar için kompozisyonel değişmezlik (orijinal c ≥ %5 kuantil; permütasyon p > 0.05). Kısmi ölçüm invaryansı, PLS-MGA'yı haklı çıkarmak için yeterlidir. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 4. Veri seti.Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 5. MGA bootstrap SmartPLS raporu.Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 6. MGA permütasyonu SmartPLS raporu. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 7. Kod kitabı — değişken, öğe, yapı, ölçeklendirme, kodlama ve kaynak.Bu dosyayı indirmek için lütfen buraya tıklayın.
Tartışma
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Bu çalışma, Ajanik Yapay Zeka'nın teknolojik özelliklerinin çalışanların psikolojik kaynakları ve görev yeniden dağıtımı davranışlarıyla nasıl ilişkili olduğunu ve bu ilişkilerin organizasyon rolleri arasında farklılık yapıp olmadığını inceledi. 331 yapay zeka deneyimli çalışan ve PLS-SEM arabuluculuk ve çoklu grup analiziyle kesitsel bir anket kullanılarak yapılan sonuçlar, teorileştirilmiş kaynak-kazanç modeliyle tutarlıydı: AITC, bilişsel artı, psikolojik güvenlik ve yapay zeka-insan görev yeniden tahsisi ile pozitif ilişkilendirildi; bilişsel artı ve psikolojik güvenlik, AITC-AHTR ilişkisini bireysel ve ardışık olarak aracılık etti; ve AITC'nin her iki kaynak değişkeniyle ilişkilendirilmesi, liderler arasında personelden çok önemli ölçüde daha güçlüydü.
Bu bulgular üç teorik sonuç taşımaktadır. İlk olarak, JD-R teorisini Ajanik Yapay Zeka bağlamına genişleterek, teknolojik özellikleri araç olarak değil, iş kaynakları olarak ele alıyorlar: güçlü AITC-CS ilişkisi (β = 0.485), otonom planlama, çoklu araç orkestrasyonu ve proaktif geri bildirimin bilişsel enerjiyi ve çalışanların yeniden yatırım yapabileceği takdirli zamanı koruması görüşüyletutarlıdır 15,23,24 . İkincisi, COR teorisinin kazanç-spiral mantığını yapay zeka destekli çalışma yeniden tasarımına bağlarlar: önemli ardışık yol (AITC → PS → CS → AHTR) psikolojik güvenliğin bilişsel artı birikimini destekleyen bağlamsal bir kaynak olarak çalıştığını ve bunun da yeniden dağıtım davranışıylailişkili olduğunu öne sürer 20,22. Üçüncü olarak, AHTR'yi iş yaratmaliteratürü 17,31,32 içinde teknolojiye özgü bir görev üretim biçimi olarak konumlandırarak, çalışma teknik performans ve otomasyon sonuçlarına baskın odaklanmanın ötesine geçerek ajanik sistemlerin iş yeniden tasarımına nasıl entegre hale geldiğine dair psikolojik bir açıklama sunar. Tasarım kesitsel olduğundan, bu yollar nedensellik gösterilerinden ziyade, teorileştirilmiş nedensel sıralamayla tutarlı ilişkiler olarak okunmalıdır.
Arabuluculuk sonuçları, gelişmiş yapay zeka erişilebilirliğinin tek başına iş uygulamalarının değişmesine neden yansıyabileceğini açıklıyor. Doğrudan AITC-AHTR ilişkisi (β = 0.215), bilişsel fazla (β = 0.215) ve psikolojik güvenlik (β = 0.060) yoluyla karşılaştırılabilir birleşik büyüklükte dolaylı yollarla tamamlandı: çalışanlar, teknolojinin bilişsel kaynakları açıkça serbest bıraktığında ve kişilerarası ortam deneyleri güvenli hissettirdiğinde görevleri yapay zekaya yeniden tahsis ediyor gibi görünüyor 16,25,38 . Bu çift mekanizma, görev yeniden tahsisinin bir teknoloji olgusu kadar kaynak ve iklim olgusu olduğunu ima eder ve benzer dağıtımlarda heterojen benimseme sonuçlarını açıklayabilir.
Çok gruplu sonuçlar rol tabanlı bir sınır koşulu ekler. AITC-CS ve AITC-PS ilişkileri, liderler için personele göre sırasıyla yaklaşık 1,6 ve 2,2 kat daha güçlüydü; oysa kaynaklardan yeniden tahsiyeye giden yöndeki yollar gruplar arasında anlamlı bir şekilde farklılık göstermedi. Algı mesafesi argümanlarıylatutarlı olan bir yorum ise, daha fazla karar yetkisi ve stratejik hesap verebilirliğe sahip liderlerin ajansal yetenekleri algılanan kaynaklara daha kolay dönüştürdüğü, personel ise otomasyonla ilgili iş güvensizliği ve öğrenme taleplerine daha fazla maruz kalan personelin psikolojik güvenlik faydalarını daha az doğrudan fark ettiğindir: personel için, psikolojik güvenlik öncelikli olarak bilişsel fazlalık yoluyla yeniden tahsis ile ilişkilidir (PS → CS → AHTR: β = 0.140, p = 0.001), liderler için ise doğrudan PS → AHTR yolu anlamlıydı (β = 0.234, p = 0.001). Bunlar, sabit eğilimlerden ziyade bu örneklemde gözlemlenen eğilimler olup, grup farklılıkları etrafındaki güven aralıkları dikkatli yorumlamayı gerektirir.
Pratikte, bulgular rol farklılaştırılmış dağıtım stratejilerini önermektedir. Tüm çalışanlar için, organizasyonlar iş yükü normlarını ve temel performans göstergelerini ayarlayarak tasarruf edilen zamanın bilişsel fazlaya dönüşmesini koruyabilir; böylece yapay zeka ile kullanılmayan saatler ek rutin taleplere kapılmaz, stratejik, yaratıcı ve işbirlikçi görevlere yeniden yatırılır; Somut kollar arasında, yapay zeka hata yaptığında hesap verebilirliği netleştiren yapay zeka kullanımı yönetişimi, delegasyona dayalı yapay zeka becerilerinde yapılandırılmış eğitim ve belgelenmiş görev yeniden tasarımını ödüllendiren tanıma sistemleri bulunur. Özellikle personel için, sonuçlar psikolojik güvenlik müdahalelerinin, örneğin yapay zeka deneylerinin suçsuz gözden geçirilmesi, yöneticilerin erken hatalara hoşgörüsü ve açık iş güvenliği iletişimi, bilişsel fazlanın oluşması için ön koşullar olduğunu gösteriyor; AITC'yi kaynaklara daha kolay dönüştüren liderler için öncelik, bu artıyı lider-personel algısı farkını genişletmek yerine daraltan yönetişim ve acil durum planlamasına yönlendirmektir. Bu sonuçlar, dolandırıcılık tespiti ve finansal güvenlik operasyonları gibi yüksek riskli ortamlara da uzanır; burada ajan sistemleri uyarıları giderek daha fazla triage eder, soruşturma iş akışlarını düzenlerler ve anormal işlemleri işaretler: böyle ortamlarda psikolojik güvenlik, çalışanların yapay zeka tarafından oluşturulan yargıları suçlama korkusu olmadan sorgulaması, geçersiz kılması ve rapor etmesi için ön koşuldur ve rutin izlemeyi yapay zekaya yeniden dağıtmak, analistlerin bilişsel kaynaklarını karmaşık yargı yoğun davalarda, yönetişim ise otomasyonun yüksek sonuçlu kararlar için hesap verebilirliği zayıflatmamasını sağlamalıdır. Daha geniş anlamda, gözlemlenen lider-personel farklılıkları farklılaştırılmış müdahaleleri savunur: liderler için delegasyon ve denetim becerilerini vurgulayan eğitim müfredatları, personel için deney ve yeniden beceri desteği, her grubun risk riskini yansıtan yönetişim rolleri ve liderlerin sağladığı kaynak kazanımlarını personel için görünür ve erişilebilir kılan iletişim stratejileri.
Bu sonuçları tanımlayan ve gelecekteki yönleri tanımlayan çeşitli sınırlamalar vardır. Tüm değişkenler aynı katılımcılar tarafından bir zaman noktasında kendi raporları verilmiştir; Prosedürel çözümler ve istatistiksel kontroller ortak yöntem yanlılığının ciddi olmadığını gösterse de, kesitsel tasarım nedensel çıkarımı engeller ve zaman gecikmeli kaynak spirallerini yakalayamaz. Ayrıca, AITC, çalışanların ajanik sistem yeteneklerine dair kendi bildirimleriyle ölçüldü; bu algılar sistemlerin gerçek teknik yetenekleriyle örtüşmeyebilir; Gelecekteki tasarımlar, algı ölçütlerini sistem logları veya yetenek denetimleriyle eşleştirmelidir. Katılımcılara anketin başında kısa bir standartlaştırılmış Ajanik Yapay Zeka tanımı gösterilse de, hiçbir anlama kontrolü maddesi odak teknolojisini anladıklarını doğrulamadı ve gelecekteki çalışmalarda böyle bir kontrol bulunmalıdır. Teknoloji sektörleri ve genç katılımcılara ağırlık veren, yapay zeka deneyimli çalışanların amaçlı, platform tarafından işe alınan örneklemi erken bir model testi için uygundur ancak genellenebilirliği düşük yapay zeka olgunluğuna sahip kuruluşlara, daha küçük firmalara ve dijital olmayan sektörlere sınırlar; tek panelli bir koleksiyon döneminde yapılan işe alım da kültürel ve bağlamsal özgüllüğü ima eder; bu nedenle gözlemlenen ilişkiler iş gücü piyasaları, yapay zeka yönetim rejimleri veya mesleki kültürler arasında genelleştirilmez. Psikolojik güvenlik ayrıca ortak bir ekip ortamı yerine bireysel bir algı olarak ölçüldü. Gelecek araştırmalar, kazanç spirallerini izlemek için boylamasına veya deneyim örnekleme tasarımları, bireysel ve ekip düzeyinde psikolojik güvenlik, olasılık veya organizasyon tabanlı örnekleri yapay zeka olgunluk seviyeleri arasında ayıran çok katmanlı tasarımlar ve AITC yapısının şeffaflık, kontrol edilebilirlik ve açıklanabilirlik gibi niteliklere genişletilmesini gerektirir. Bu sınırlamalara rağmen, çalışma tekrarlanabilir bir protokol ve Ajanik Yapay Zeka'nın iş sonuçları ile bağlantılarının, çalışanların psikolojik kaynakları aracılığıyla işlediğine ve bunlarla sınırlandırıldığına dair ilk kanıtlar sunar; bu bilgiler, araştırmacıların, uygulayıcıların ve politika yapıcıların, insani işin tarafını aşındırmak yerine güçlendiren şekilde ajanik sistemleri uygulamalarına yardımcı olmalıdır.
Açıklamalar
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Yazarlar çıkar çatışması belirtmemektedir.
Dil düzenleme için üretken bir yapay zeka aracı (ChatGPT, OpenAI) kullanıldı; tüm içerik yazarlar tarafından incelenip doğrulandı; ayrıca yapay zeka destekli düzenlemenin bölümler arasında terim veya tonda değişiklikler getirmediğini kontrol ettiler.
Teşekkürler
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Bu çalışma, aSSIST Üniversitesi'nden alınan araştırma fonlarıyla desteklenmiştir.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Prolific | Prolific | https://www.prolific.com/ | Çevrimiçi anket paneli sağlayıcısı |
| Qualtrics | Qualtrics, LLC | https://www.qualtrics.com/ | Anket kodlaması |
| SmartPLS | SmartPLS GmbH | sürüm 4.0.1, https://www.smartpls.com/ | PLS-SEM analizi |
Yeniden basım ve izinler
Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste
İzin iste