Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Ajanik Yapay Zeka İşi Nasıl Yeniden Şekillendiriyor: Bilişsel Fazlalık, Psikolojik Güvenlik ve Yapay Zeka-İnsan Görev Yeniden Tahsisi Rolleri

115 görüntülenme

⸱

DOI:

10.3791/71797

⸱

4 Ağustos 2026

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

Bu makalede

Özet

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.

Özet

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

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.

figure-introduction-1
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.

figure-introduction-2
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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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.

YapıMaddeSoruAcımasızSTDEVVIFKaynak
AITCAPAP1Bir hedef sunduğumda, yapay zeka ona ulaşmak için çok adımlı bir plan oluşturmaya yardımcı oluyor.5.810.91.44Abou Ali, M. ve ark. (2025); Sapkota, R. ve ark. (2025)
AP2Yapay zeka, kısıtlamalar veya gereksinimler değiştiğinde planını revize edebilir.5.750.991.37
AP3Yapay zeka, karmaşık işleri adım adım talimatlara ihtiyaç duymadan yönetilebilir alt görevlere ayırıyor.5.331.371.33
MTOMTO1Yapay zeka, bir görevi tamamlamak için birden fazla araç veya uygulamayı (örneğin arama, belgeler, veri araçları) birleştirebilir.5.691.111.5
MTO2Yapay zeka doğru araç(lar)ı önerir ve bunları doğru sırada kullanarak bir teslimat üretir.5.361.041.64
MTO3Yapay zeka, farklı araçlardan alınan çıktıları tek bir tutarlı sonuca entegre etmeye yardımcı olur.5.611.011.63
PFPF1Yapay zeka, çalışmalarımda hataları, eksik bilgileri veya riskli varsayımları proaktif olarak işaret ediyor.4.91.441.68
PF2Yapay zeka, açıkça geri bildirim istemeden önce iyileştirmeler öneriyor.5.071.381.85
PF3Yapay zeka bana yeniden çalışmayı önlemek için kontrol noktalarını (örneğin doğrulama, uyumluluk, kalite) hatırlatıyor.5.021.41.6
CSCS1Yapay zeka kullanmak, zihinsel enerjimi daha karmaşık ve anlamlı işlere odaklanmak için serbest bıraktı.5.591.282.07Liu, Y., Sheng, F., & Liu, R. (2025)
CS2Yapay zeka kullandıktan sonra stratejik düşünme ve problem çözme için daha fazla zamanım var.5.611.232.38
CS3Rutin görevlerden kaynaklanan iş yükü önemli ölçüde azaldı, bu da bana yeni girişimler için fırsat verdi.5.421.282.23
CS4İş günü sonunda zihinsel olarak daha az yorgun hissediyorum çünkü yapay zeka tekrarlayan görevleri hallediyor.5.151.51.91
PSPS1İş yerimde, yapay zekayı yeni şekillerde kullanmayla ilgili bir risk almak güvenli.4.741.371.52Plomp ve ark. (2019)
PS2Yöneticim yapay zeka ile denemeleri teşvik ediyor ve hatalara karşı hoşgörülü.4.521.611.68
PS3Takımımda yapay zekanın nasıl kullanıldığıyla ilgili endişelerim varsa rahatça konuşuyorum.5.481.241.32
PS4Meslektaşlarım yapay zeka ile çalışmanın yeni yollarını denediğimde destek oluyor.5.261.321.48
PS5 (hariç)Çalışmamda yapay zekanın yenilikçi kullanımlarını önerirsem olumsuz sonuçlardan korkmuyorum.4.471.591.23
AHTRAHTR1Daha değerli işlere odaklanabilmek için rutin görevleri (örneğin veri girişi, rapor formatlandırma) kasıtlı olarak yapay zekaya aktarıyorum.5.121.351.68Tims, M., & Bakker, A. B. (2010); Li, W. ve ark. (2024)
AHTR2Daha önce manuel yaptığım görevleri yapmak için yapay zeka kullanma fırsatlarını aktif olarak arıyorum.5.581.281.84
AHTR3Yapay zeka kullandıktan sonra, daha stratejik veya yaratıcı yeni veya genişletilmiş sorumluluklar üstlendim.5.181.31.58
AHTR4 (hariç)Yöneticimle hangi yapay zekanın hangi görevleri üstlenmesi gerektiği ve hangilerini yapmam gerektiği konusunda müzakere ediyorum.4.091.651.23
AHTR5İşimi yeniden tasarladım, rutin işleri yapay zekaya yeniden dağıttım, böylece daha anlamlı görevler için kendimi serbest bıraktım.4.921.351.67

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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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 (%...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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 ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Bu çalışma, aSSIST Üniversitesi'nden alınan araştırma fonlarıyla desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
ProlificProlifichttps://www.prolific.com/Çevrimiçi anket paneli sağlayıcısı
QualtricsQualtrics, LLChttps://www.qualtrics.com/Anket kodlaması
SmartPLS SmartPLS GmbHsürüm 4.0.1, https://www.smartpls.com/PLS-SEM analizi

Kaynaklar

  1. Chawla C, Chatterjee S, Gadadinni SS, Verma P, Banerjee S. Agentic AI: The building blocks of sophisticated AI business applications. Journal of AI, Robotics & Workplace Automation. 2024;3(3):196–210.
  2. Lu C, et al. The AI scientist: Towards fully automated open-ended scientific discovery. arXiv [Preprint]. 2024. arXiv:2408.06292. Available from: https://arxiv.org/abs/2408.06292.
  3. Xie J, Chen Z, Zhang R, Wan X, Li G. Large multimodal agents: A survey. arXiv [Preprint]. 2024. arXiv:2402.15116. Available from: https://arxiv.org/abs/2402.15116.
  4. Du H, Thudumu S, Vasa R, Mouzakis K. A survey on context-aware multi-agent systems: Techniques, challenges and future directions. arXiv [Preprint]. 2024. arXiv:2402.01968. Available from: https://arxiv.org/abs/2402.01968.
  5. Acharya DB, Kuppan K, Divya B. Agentic AI: Autonomous intelligence for complex goals - a comprehensive survey. IEEE Access. 2025;13:18912–18936.
  6. Calegari R, Ciatto G, Mascardi V, Omicini A. Logic-based technologies for multi-agent systems: A systematic literature review. Auton Agent Multi Agent Syst. 2021;35(1):1.
  7. Sapkota R, Roumeliotis KI, Karkee M. AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. Inf Fusion. 2026;126:103599.
  8. Abou Ali M, Dornaika F, Charafeddine J. Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artif Intell Rev. 2025;59(1):11.
  9. Buyya R. Agentic artificial intelligence (AI): Architectures, taxonomies, and evaluation of large language model agents. arXiv [Preprint]. 2026. arXiv:2601.12560. Available from: https://arxiv.org/abs/2601.12560.
  10. Nisa U, Shirazi M, Saip MA, Pozi MSM. Agentic AI: The age of reasoning - a review. J Autom Intell. 2025. doi:10.1016/j.jai.2025.08.003.
  11. Singh A, Ehtesham A, Kumar S, Khoei TT. Enhancing AI systems with agentic workflows patterns in large language model. In: 2024 IEEE World AI IoT Congress (AIIoT); Seattle, WA; 2024:527–532.
  12. Zeng A, et al. AgentTuning: Enabling generalized agent abilities for LLMs. In: Findings of the Association for Computational Linguistics: ACL 2024; Bangkok, Thailand; 2024:3053–3077.
  13. Liu X, Zhang L, Wei X. Generative artificial intelligence literacy: Scale development and its effect on job performance. Behav Sci (Basel). 2025;15(6):811.
  14. Wooldridge M, Jennings NR. Intelligent agents: Theory and practice. Knowl Eng Rev. 1995;10(2):115–152.
  15. Masterman T, Besen S, Sawtell M, Chao A. The landscape of emerging AI agent architectures for reasoning, planning, and tool calling: A survey. arXiv [Preprint]. 2024. arXiv:2404.11584. Available from: https://arxiv.org/abs/2404.11584.
  16. Sha C, Chai T. When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Front Psychol. 2025;16:1612245.
  17. Tims M, Bakker AB. Job crafting: Towards a new model of individual job redesign. SA J Ind Psychol. 2010;36(2):1–9.
  18. Bakker AB, Hakanen JJ, Demerouti E, Xanthopoulou D. Job resources boost work engagement, particularly when job demands are high. J Educ Psychol. 2007;99(2):274–284.
  19. Bakker AB, Demerouti E, Sanz-Vergel A. Job demands-resources theory: Ten years later. Annu Rev Organ Psychol Organ Behav. 2023;10(1):25–53.
  20. Hobfoll SE, Shirom A. Conservation of resources theory: Applications to stress and management in the workplace. In: Golembiewski RT, ed. Handbook of Organizational Behavior. 2nd ed. Marcel Dekker; New York; 2000:57–80.
  21. Hobfoll SE. Conservation of resources: A new attempt at conceptualizing stress. Am Psychol. 1989;44(3):513–524.
  22. Hobfoll SE, Halbesleben J, Neveu JP, Westman M. Conservation of resources in the organizational context: The reality of resources and their consequences. Annu Rev Organ Psychol Organ Behav. 2018;5(1):103–128.
  23. Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273–285.
  24. Shirky C. Cognitive Surplus: How Technology Makes Consumers into Collaborators. Penguin Press; New York; 2010.
  25. Edmondson A. Psychological safety and learning behavior in work teams. Adm Sci Q. 1999;44(2):350–383.
  26. Zhao G, Kumar N, Wang C, Liu Z. Bridging the AI gap: How AI-oriented leadership empowers non-technical employees in AI-based innovation engagement. Leadersh Organ Dev J. 2026;47(3):498–514.
  27. Edmondson AC, Lei Z. Psychological safety: The history, renaissance, and future of an interpersonal construct. Annu Rev Organ Psychol Organ Behav. 2014;1(1):23–43.
  28. Kim BJ, Kim MJ, Lee J. The dark side of artificial intelligence adoption: Linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanit Soc Sci Commun. 2025;12(1):1–14.
  29. Cardon PW, Ma H, Fleischmann C. Recorded business meetings and AI algorithmic tools: Negotiating privacy concerns, psychological safety, and control. Int J Bus Commun. 2023;60(4):1095–1122.
  30. Raisch S, Krakowski S. Artificial intelligence and management: The automation-augmentation paradox. Acad Manage Rev. 2021;46(1):192–210.
  31. Tims M, Bakker AB, Derks D. Development and validation of the job crafting scale. J Vocat Behav. 2012;80(1):173–186.
  32. Wrzesniewski A, Dutton JE. Crafting a job: Revisioning employees as active crafters of their work. Acad Manage Rev. 2001;26(2):179–201.
  33. Grant AM, Parker SK. Redesigning work design theories: The rise of relational and proactive perspectives. Acad Manag Ann. 2009;3(1):317–375.
  34. Liu Q, Tian Q, Li X, Tan H. How does organizational AI adoption affect employees’ job crafting behaviors? An approach-avoidance perspective. Front Psychol. 2025;16:1690238.
  35. Gibson CB, Cooper CD, Conger JA. Do you see what we see? The complex effects of perceptual distance between leaders and teams. J Appl Psychol. 2009;94(1):62–76.
  36. Hair JF, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer; Cham; 2021:1–56.
  37. Liu Y, Sheng F, Liu R. Generative AI adoption and employee outcomes: A conservation of resources perspective on job crafting, career commitment, and the moderating role of liking of AI. Humanit Soc Sci Commun. 2025;12:1376.
  38. Plomp J, Tims M, Khapova SN, Jansen PG, Bakker AB. Psychological safety, job crafting, and employability: A comparison between permanent and temporary workers. Front Psychol. 2019;10:974.
  39. Li W, et al. Embracing artificial intelligence (AI) with job crafting: Exploring trickle-down effect and employees’ outcomes. Tour Manag. 2024;104:104935.
  40. Gaskin J, Godfrey S, Vance A. Successful system use: It’s not just who you are, but what you do. AIS Trans Hum Comput Interact. 2018;10(2):57–81.
  41. Marakas G, Johnson R, Clay PF. The evolving nature of the computer self-efficacy construct: An empirical investigation of measurement construction, validity, reliability and stability over time. J Assoc Inf Syst. 2007;8(1):2.
  42. Loch KD, Straub DW, Kamel S. Diffusing the Internet in the Arab world: The role of social norms and technological culturation. Global Information Systems. 2008;143–175.
  43. Nunnally JC. Psychometric Theory. 2nd ed. McGraw-Hill; New York; 1978.
  44. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39–50.
  45. Henseler J, Ringle CM, Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 2015;43(1):115–135.
  46. Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach. Int J e-Collab. 2015;11(4):1–10.
  47. Kock N, Lynn GS. Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations. J Assoc Inf Syst. 2012;13(7):2.
  48. Shmueli G, et al. Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. Eur J Mark. 2019;53(11):2322–2347.
  49. Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: A critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879–903.
  50. Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63(1):539–569.
  51. Harman HH. Modern Factor Analysis. 3rd ed. University of Chicago Press; Chicago; 1976.
  52. Podsakoff PM, Organ DW. Self-reports in organizational research: Problems and prospects. J Manage. 1986;12(4):531–544.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

DavranSay 234Say 234Bo De erSayJD R teorisikaynaklar n korunmas
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.