1. 引言
由人工智能(AI)驱动的第四次工业革命正在深刻改变当代工作场所的面貌[1] [2]。人工智能作为一种能够模拟和增强人类认知能力的技术集合，正广泛地应用于各行各业当中[3]。金融服务业使用人工智能进行风险评估和投资决策，教育行业借助智能教学系统提供个性化学习支持[4]。截至2023年，全球超过35%的组织已经在其核心业务流程中采用了某种形式的人工智能技术，预计到2025年这一比例将达到75% [5]。
人工智能及其相关技术的应用被视为提高工作效率、优化决策质量以及促进创新的重要途径[6]，学术界多从悲观和威胁导向的研究视角去分析人工智能在工作场所带来的影响，把人工智能看作是对员工的一种威胁，过度关注其可能带来的消极后果。例如，Brougham和Haar (2018年) [7]将人工智能定义为“对员工有害的不确定情形”；Kong等人(2021) [8]的研究主要以工作替代和失业风险为聚焦，认为人工智能可能导致员工技能淘汰、工作不安全感加剧。在管理研究中，这种威胁导向的观念被广泛采用，将“人工智能意识”主要定义为员工对人工智能可能取代其工作的担忧。已经有大量实证文章从消极角度探讨了人工智能对员工的影响[9] [10]。
然而，近年来一些研究表明，员工对人工智能的感知并非单一维度的负面反应，人工智能技术的影响具有双重性。新兴研究开始从积极视角审视人工智能，强调其对员工发展具有促进意义。智能机器可以代替员工完成简单、重复性的工作，将员工从繁琐任务中解放出来，使员工专注于更具创造性和价值的工作[11] [12]。在服务工作环境中，人工智能可以通过减少精神和身体疲劳，进而强化工人的心理资源[13]。Xu等人(2023) [14]界定了“人工智能(AI)机会感知”这一概念，将其定义为员工对人工智能技术能够为其工作和职业发展带来积极机会的主观认知。
先前的研究已经对人工智能机会感知的积极效应进行了初步且有意义的探索。然而，对于人工智能机会感知是否以及如何影响员工工作场所幸福感的深层机制的研究却非常有限。工作场所幸福感被定义为员工在工作环境中体验到的积极情感状态、满足感以及对工作生活质量的主观评价[15]。作为工作场所中积极心理体验的重要指标，工作场所幸福感对员工和雇主都有着积极作用[16]。此前的研究更多关注人工智能对员工工作的消极影响，而忽略了积极作用机制。对于工作场所幸福感等积极结果的关注明显不足。
为填补上述研究空白，本研究基于意义建构理论(sense-making theory)，通过构建一个链式中介模型，探讨了人工智能机会感知是否以及如何影响员工的工作场所幸福感。根据意义建构理论，个体会主动寻求和构建对其经历的意义，突出意义对个人的重要性，同时，外部环境线索可使个体在组织变革中的意义建构得到重塑，并影响个体的认知和行为模式[17]。因此，本研究提出，人工智能机会感知可能对工作场所幸福感产生积极影响。当员工感知到人工智能能带来机会时，他们更可能重新构建工作的意义和价值，从而产生一定的积极影响[18]。另外，作为员工积极心理感受的两个关键维度，工作意义感和工作投入可能会中介人工智能机会感知对工作场所幸福感的积极影响。工作意义感会增强员工对工作价值的认知，这可能会进一步激发他们的工作热情，使他们表现出更高的工作投入[19]。现有证据表明，工作投入正向影响工作场所幸福感[20]。因此，本研究还提出了在人工智能机会感知影响工作场所幸福感的过程中，工作意义感和工作投入可能起到链式中介效应。
本研究的贡献可概括为两个方面。首先，本研究将研究焦点从人工智能的消极威胁转向积极机会，通过考察人工智能机会感知与工作场所幸福感之间的关联，目的在于验证人工智能机会感知是否能作为提升员工工作场所幸福感的一个重要但尚未被充分探索的前因变量，有望填补人工智能积极影响研究的理论空白。其次，本研究试图为人工智能机会感知如何影响工作场所幸福感提供一些新的见解。通过构建和验证一个链式中介模型，本研究试图揭示工作意义感和工作投入是否能够分别中介人工智能机会感知对工作场所幸福感的影响，以及是否存在链式中介效应。本文试图在考察人工智能机会感知对员工积极心理体验的影响的中介机制(特别是链式中介机制)方面迈出重要的一步。
2. 理论基础与研究假设
2.1. 意义建构理论
意义建构理论最初由Weick和Roberts (1993) [21]提出，作为指导组织制定危机应对策略的理论框架。Gioia和Thomas (1996) [22]将意义建构理论引入组织变革研究领域，探讨个体如何理解和诠释当前处境、过往经历及未来情境，并分析了意义建构过程对员工工作结果的影响机制。Dervin (1999) [23]通过研究不同群体的信息处理行为，进一步丰富了意义建构理论的内涵，强调了人的主体性、社会性和真实性特征，阐释了目标导向对个体行为的建构作用。该理论认为，意义并非客观存在的静态概念，而是个体通过主观认知和社会互动持续建构的动态过程。在技术快速发展的当代，这一理论视角具有重要的现实意义。
基于意义建构理论，员工面临AI技术引入所产生的认知不确定性时，通常表现出两种应对方式：消极回避与积极建构。消极回避是指员工将AI技术视为威胁，采取防御性认知策略以维护既有认知框架。这种应对方式往往引发技术抵制和工作焦虑[24]，并加剧工作不安全感[25]。积极建构是指员工主动投入认知资源，重新理解和阐释AI技术的价值与意义。这种应对方式不仅能有效缓解认知失调，还能增强员工适应技术变革的信心与动力。
人工智能作为一种促进性技术，能够增强员工的认知资源和工作能力，从而促进积极的态度和行为[26]。工作场所幸福感是员工积极工作结果的重要体现[27]。因此，本研究认为AI机会感知可能通过多种路径对工作场所幸福感产生积极影响。基于意义建构理论，本研究进一步提出假设：工作意义感和工作投入可能是AI机会感知影响工作场所幸福感的中介变量。
2.2. 人工智能机会感知与工作场所幸福感
工作场所幸福感(Workplace Well-being)是指员工在工作环境中体验到的综合性积极情感和认知评价。它超越了传统的工作满意度概念，涵盖了更广泛的心理健康和福祉要素[28]。
基于意义建构理论，员工的工作场所幸福感不仅受其心理状态和需求影响，还受到其对AI等新兴技术的认知解释和意义建构过程的影响。AI机会感知促使员工将AI技术变革解释为积极的发展机遇，而非对现有工作模式的威胁。意义建构理论强调个体是主动的意义创造者，通过积极的认知过程来理解和解释所处环境与经历[29]。当员工面临AI技术引入时，他们会将其与已有知识结构进行比较和联系，寻找合适的认知框架来理解这些技术变革。研究发现，AI机会感知与工作场所幸福感之间的正向关系部分通过工作场所非正式学习(ILW)发挥中介作用[30]。当员工感知到AI带来的学习机会和发展空间时，更愿意投入资源学习新技能。这种学习过程增强了他们的胜任感和成就感，进而提升工作场所幸福感。
基于上述分析，员工在面对AI技术变革时，通过对AI技术影响的认知解释和意义建构，将AI视为有利于个人成长的发展机遇，并减少对技术变革负面后果的担忧，从而更有可能体验到工作场所幸福感。
因此，本研究提出以下假设：
H1：人工智能机会感知正向影响工作场所幸福感。
2.3. 工作意义感的中介作用
工作意义感是指员工对其工作价值、目的和重要性的主观认知和体验，体现为员工认为自己的工作对个人发展、他人福祉和社会进步具有积极意义[31]。这是一种由个体认知评估和情感体验共同构成的心理状态。工作意义感能够激发员工对工作投入和组织承诺的积极反应，使工作活动中的价值认知延续到整体的职业认同和生活满意度中[32]。本研究将工作意义感定义为AI驱动工作场所中员工对其工作价值和目的的积极认知状态。
基于意义建构理论，员工面对AI带来的工作变革时，需要调动认知资源重新理解和解释工作的价值和意义[29]。为适应AI技术，员工必须在认知层面持续投入精力和注意力，不断重新评估工作内容的重要性并构建新的意义框架[33]。如前文假设H1所述，员工的AI机会感知促进其对技术变革的积极认知，因为他们认为AI会促进而非阻碍其职业发展。这使员工产生积极的认知偏向，并反复思考AI带来的具体机遇和价值。换言之，员工对AI的机会感知促使其对工作进行持续的积极意义建构[34]。当员工通过AI机会感知获得更强的工作意义感时，更容易在工作中体验到目的感、价值感和成就感，这些积极体验直接促进工作满意度、工作投入和整体幸福感的提升。Purba等人(2019) [35]的研究发现，心理意义感通过工作投入间接影响工作满意度。综上所述，本研究认为AI机会感知能够通过提高员工的工作意义感知，消除对技术变革价值的疑虑，增强其工作场所幸福感。因此，本文提出以下假设：
H2：工作意义感在人工智能机会感知与工作场所幸福感之间起中介作用。
2.4. 工作投入的中介作用
工作投入是指员工在工作过程中积极专注、全心投入并充满活力的心理状态[36]。AI技术能够通过自动化重复性任务、辅助决策和优化工作流程来提高工作效率，从而减轻员工的工作负担，可能直接促进工作投入。研究表明，当员工感知到AI技术能够帮助他们更高效地完成工作任务时，更可能表现出积极的工作态度和更高水平的工作投入[37]。Bhargava (2020) [38]等人的研究发现，员工需要将机器人技术、人工智能和自动化(RAIA)视为机遇而非威胁，才能保持良好的工作满意度，这也间接支持了AI感知与工作投入之间的关联。
基于意义建构理论，具有高工作投入水平的员工拥有充足的心理资源支持其追求积极的工作成果[39]。在此情况下，员工更愿意为组织贡献并从工作中获得满足感。研究表明，工作投入与工作场所幸福感呈正相关。工作投入能够直接产生积极情绪体验，从而提高主观幸福感[40]。
AI机会感知通过帮助员工重新理解和赋予工作以积极意义，影响其工作投入。当员工感知到AI技术能够增强其工作能力、提升工作效率并创造更多职业发展机会时，更容易在工作中找到个人意义和价值，从而表现出更高水平的工作投入。高度投入的员工更能够从工作中获得积极情绪体验、成就感和满足感，进而转化为工作场所幸福感。综上，本研究认为AI机会感知会通过工作投入对工作场所幸福感产生积极影响。因此，本文提出以下假设：
H3：工作投入在人工智能机会感知与工作场所幸福感之间起中介作用。
2.5. 工作意义感与工作投入的链式中介效应
基于意义建构理论及上述推理，本研究进一步提出，人工智能机会感知与工作场所幸福感之间可能存在链式中介效应。正如之前所提到的，当员工积极感知到AI技术在工作中的机会和价值时，更容易将AI视为增强工具而非威胁，从而在工作中建构积极的意义感[4]。根据意义建构理论，员工会主动寻求和构建对其工作经历的意义。特别是面临技术变革时，积极的AI感知有助于员工理解技术如何增强其工作价值和社会贡献，进而提升工作意义感。工作意义感的提升进一步激发了员工的内在动机和工作热情。当员工认为其工作具有重要价值和意义时，更可能自主地投入到工作中，展现出更高水平的活力、奉献和专注[41]。研究表明，工作意义感是工作投入的重要前因变量，能够通过提供目的感和价值感来激发员工的工作投入[42]。在当前人工智能环境下，当员工感知到技术能够帮助他们更好地实现工作目标、提升专业能力和创造更大价值时，这种工作意义感会转化为积极的工作投入行为，进而提高个人竞争力[43] [44]。
工作投入通过多种路径影响工作场所幸福感：首先，工作投入能够直接产生积极情绪体验，增加员工的积极情感，从而提高主观幸福感[45]；其次，工作投入通过提高工作满意度和职业满意度间接影响整体幸福感[46]；此外，工作投入还能增强员工的心理资源，如韧性和自我效能感，帮助员工更好地应对工作挑战，从而提高幸福感[47]。
综合来看，AI机会感知通过促进员工建构积极的工作意义感，进而激发更高水平的工作投入，最终提升工作场所幸福感。因此，本文提出以下假设：
H4：工作意义感与工作投入在人工智能机会感知与工作场所幸福感之间起着链式中介作用。
在整合上述假设的基础上，本文构建了一个整合模型来解释人工智能机会感知对工作场所幸福感的间接作用，如图1所示。
Figure 1. Research model
图1. 研究模型
3. 研究样本及方法
3.1. 样本收集
本研究调查对象主要来自江苏、浙江、广东等大型城市，调研数据企业主要集中在互联网、金融、服务行业。因为互联网、金融业和服务行业受AI技术变革的影响较大[48]-[50]，需要持续不断的创新，需要员工在技术变革背景下重新审视其工作的意义。问卷统一采用线上发放的形式，通过问卷星向金融、互联网和服务行业的企业发放问卷。
最终共回收问卷420份，通过对收集到的数据进行质量和逻辑检查，剔除33份无效问卷，最终获得有效问卷387份，有效回收率为92.14%。
Table 1. Sample characteristics
表1. 样本特征
名称 |
选项 |
频数 |
百分比(%) |
累积百分比(%) |
性别 |
男 |
218 |
56.331 |
56.331 |
女 |
169 |
43.669 |
100.000 |
年龄 |
25岁及以下 |
48 |
12.403 |
12.403 |
26~35岁 |
96 |
24.806 |
37.209 |
36~45岁 |
124 |
32.041 |
69.251 |
46~55岁 |
76 |
19.638 |
88.889 |
55岁及以上 |
43 |
11.111 |
100.000 |
教育程度 |
高中或中专及以下 |
115 |
29.716 |
29.716 |
大专 |
112 |
28.941 |
58.656 |
本科 |
133 |
34.367 |
93.023 |
硕士研究生及以上 |
27 |
6.977 |
100.000 |
公司的工作年限 |
1年以内 |
52 |
13.437 |
13.437 |
1~3年 |
106 |
27.390 |
40.827 |
4~6年 |
76 |
19.638 |
60.465 |
7~9年 |
112 |
28.941 |
89.406 |
10年以上 |
41 |
10.594 |
100.000 |
目前的职位等级 |
普通员工 |
267 |
68.992 |
68.992 |
基层管理者 |
54 |
13.953 |
82.946 |
中层管理者 |
45 |
11.628 |
94.574 |
高层管理者 |
21 |
5.426 |
100.000 |
行业类型 |
金融业 |
160 |
41.344 |
41.344 |
服务业 |
77 |
19.897 |
61.240 |
互联网 |
150 |
38.760 |
100.000 |
合计 |
387 |
100.0 |
100.0 |
从人口统计学特征看(见表1)，性别方面，男性占56.33%，女性占43.67%；年龄分布上，36~45岁年龄段人数最多，占比32.04%，其次为26~35岁年龄段，占24.81%；教育程度方面，本科学历占比最高，达34.37%，高中或中专及以下学历占29.72%，大专学历占28.94%；公司工作年限上，7~9年工作经验者占28.94%，1~3年工作经验者占27.39%；职位等级分布上，普通员工占主体，比例达68.99%；行业类型分布中，金融业占41.34%，互联网行业占38.76%，服务业占19.90%。
3.2. 测量工具
本研究采用国内外成熟量表，严格按照翻译–回译流程设计和调整，采用李克特5点计分法，其中，1表示“完全不同意”，5表示“完全同意”。
人工智能机会感知：采用Xu等[14]编制的量表，包含“当企业应用人工智能时，我可能获得的收益大于损失”等5个题项。Cronbach’s α系数为0.702。
工作意义感：采用Steger等[51]编制的量表，包含“对我来说，自己所从事的这份工作十分有意义”等10个题项。Cronbach’s α系数为0.91。
工作投入：采用Srivastava等[52]编制的量表，包含“当我专心工作时，我感到快乐”等9个题项。Cronbach’s α系数为0.94。
工作场所幸福感：采用Zheng等[53]编制的量表，包含“我对自己承担的工作职责感到满意”等6个题项。Cronbach’s α系数为0.93。
同时，为了尽可能避免人口统计学特征的影响，参考以往的研究，选取员工的性别、年龄、教育程度、工作年限、职位等级以及行业类型作为控制变量。
4. 数据分析与结果
4.1. 描述性分析
本研究共发放问卷420份，通过对收集到的数据进行质量和逻辑检查，剔除33份无效问卷，最终获得有效问卷387份，有效回收率为92.14%。
从人口统计学特征看(见表1)，性别方面，男性占56.33%，女性占43.67%；年龄分布上，36~45岁年龄段人数最多，占比32.04%，其次为26~35岁年龄段，占24.81%；教育程度方面，本科学历占比最高，达34.37%，高中或中专及以下学历占29.72%，大专学历占28.94%；公司工作年限上，7~9年工作经验者占28.94%，1~3年工作经验者占27.39%；职位等级分布上，普通员工占主体，比例达68.99%；行业类型分布中，金融业占41.34%，互联网行业占38.76%，服务业占19.90%。
4.2. 信效度检验
如表2所示，各题项的标准化因子载荷均在0.6以上。同时，人工智能机会感知、工作意义感、工作投入和工作场所幸福感这几个变量的组合信度(CR)均在0.7以上，内部一致性系数(Cronbach’s α)也均在0.7以上，且各变量的平均方差提取量(AVE)均大于0.5。以上结果表明，这4个变量具有较高的信度和收敛效度。
4.3. 验证性因子分析
为进一步验证测量模型的适配度，本研究采用AMOS26软件进行验证性因子分析，结果如表3所示。模型适配度指标显示：χ2 = 438.970，df = 399，p = 0.082，χ2/df = 1.100，均符合适配标准；GFI = 0.933，AGFI = 0.921，CFI = 0.995，TLI = 0.995，IFI = 0.995，NFI = 0.953，均大于0.9，表明模型拟合良好；RMSEA = 0.016，RMR = 0.024，SRMR = 0.023，均小于理想标准；PGFI = 0.800，PNFI = 0.875，PCFI = 0.913，均大于0.5，进一步证实了模型的简约性与稳定性。各项拟合指标均达到甚至超过了理想标准，表明测量模型与实际数据高度适配。
Table 2. Reliability and validity analysis
表2. 信效度分析
变量 |
题项 |
因子载荷 |
Cronbach’s α |
AVE |
CR |
人工智能
机会感知 |
AIOP1 |
0.805 |
0.896 |
0.634 |
0.896 |
AIOP2 |
0.777 |
AIOP3 |
0.813 |
AIOP4 |
0.8 |
AIOP5 |
0.785 |
工作意义感 |
WM1 |
0.796 |
0.949 |
0.651 |
0.949 |
WM2 |
0.804 |
WM3 |
0.804 |
WM4 |
0.814 |
WM5 |
0.798 |
WM6 |
0.812 |
WM7 |
0.799 |
WM8 |
0.837 |
WM9 |
0.814 |
WM10 |
0.792 |
工作投入 |
WE1 |
0.812 |
0.947 |
0.664 |
0.947 |
WE2 |
0.805 |
WE3 |
0.802 |
WE4 |
0.8 |
WE5 |
0.839 |
WE6 |
0.837 |
WE7 |
0.804 |
WE8 |
0.828 |
WE9 |
0.808 |
工作场所幸福感 |
WWB1 |
0.776 |
0.904 |
0.611 |
0.904 |
WWB2 |
0.776 |
WWB3 |
0.758 |
WWB4 |
0.805 |
WWB5 |
0.779 |
WWB6 |
0.797 |
注：N = 387；AIOP代表人工智能机会感知，WM工作意义感，WE代表工作投入，WWB代表工作场所幸福感。
Table 3. Confirmatory factor analysis
表3. 验证性因子分析
验证性因子分析 |
指标 |
χ2 |
df |
p |
χ2/df |
GFI |
RMSEA |
RMR |
CFI |
判断标准 |
- |
- |
>0.05 |
<3 |
>0.9 |
<0.10 |
<0.05 |
>0.9 |
值 |
438.970 |
399 |
0.082 |
1.100 |
0.933 |
0.016 |
0.024 |
0.996 |
指标 |
TLI |
AGFI |
IFI |
PGFI |
PNFI |
PCFI |
SRMR |
NFI |
判断标准 |
>0.9 |
>0.9 |
>0.9 |
>0.5 |
>0.5 |
>0.5 |
<0.1 |
>0.9 |
值 |
0.995 |
0.921 |
0.995 |
0.800 |
0.875 |
0.913 |
0.023 |
0.953 |
4.4. 描述性统计与相关分析
由表4可知，变量的均值、标准差、相关系数等均未出现异常值。具体来看，人工智能机会感知与工作意义感(r = 0.712, p < 0.01)、人工智能机会感知与工作投入(r = 0.755, p < 0.01)、人工智能机会感知与工作场所幸福感(r = 0.730, p < 0.01)之间均呈显著正相关关系；工作意义感与工作投入(r = 0.714, p < 0.01)、工作意义感与工作场所幸福感(r = 0.726, p < 0.01)；工作投入与工作场所幸福感(r = 0.719, p < 0.01)，以上结果为下文的假设检验提供了数据支撑。
Table 4. Descriptive statistics and correlations
表4. 描述性统计与相关分析
|
变量 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
1 |
性别 |
1.00 |
|
|
|
|
|
|
|
|
|
2 |
年龄 |
0.04 |
1.00 |
|
|
|
|
|
|
|
|
3 |
教育程度 |
0.03 |
0.04 |
1.00 |
|
|
|
|
|
|
|
4 |
公司的工作年限 |
0.03 |
0.01 |
−0.03 |
1.00 |
|
|
|
|
|
|
5 |
目前的职位等级 |
0.10 |
0.03 |
−0.102* |
0.02 |
1.00 |
|
|
|
|
|
6 |
行业类型 |
0.01 |
−0.03 |
0.00 |
−0.01 |
0.07 |
1.00 |
|
|
|
|
7 |
人工智能机会感知 |
0.03 |
0.04 |
0.05 |
−0.07 |
−0.01 |
−0.01 |
1.00 |
|
|
|
8 |
工作意义感 |
0.05 |
0.02 |
0.02 |
−0.06 |
0.06 |
−0.02 |
0.712** |
1.00 |
|
|
9 |
工作投入 |
0.05 |
−0.01 |
0.05 |
−0.03 |
0.01 |
−0.06 |
0.755** |
0.714** |
1.00 |
|
10 |
工作场所幸福感 |
0.05 |
−0.02 |
0.00 |
−0.08 |
−0.01 |
−0.05 |
0.730** |
0.726** |
0.719** |
1.00 |
11 |
均值 |
1.44 |
2.92 |
2.19 |
2.96 |
1.53 |
1.97 |
3.87 |
3.81 |
3.82 |
3.86 |
12 |
标准差 |
0.50 |
1.18 |
0.94 |
1.24 |
0.90 |
0.90 |
0.84 |
0.86 |
0.86 |
0.82 |
注：*p < 0.05; **p < 0.01。
4.5. 假设检验
4.5.1. 主效应检验
本文运用软件Amos26，结合拔靴(Bootstrap)法来验证模型。设定Bootstrap的抽样数为5000次，置信区间为95%。结构方程模型(SEM)分析得到的模型各变量之间的路径系数(标准化回归系数)及相应的标准误差和CR值如表5所示。
结果表明，人工智能机会感知→工作场所幸福感的路径系数为β = 0. 370 (p < 0.001)，表明人工智能机会感知能显著提高员工的工作场所幸福感，假设H1得到验证。
Table 5. Path analysis results
表5. 路径分析结果
作用路径 |
标准化系数 |
S.E. |
C.R. |
BootLLCI |
BootULCI |
人工智能机会感知→工作意义感 |
0.772*** |
0.056 |
13.473 |
0.717 |
0.818 |
人工智能机会感知→工作投入 |
0.589*** |
0.071 |
8.817 |
0.485 |
0.694 |
工作意义感→工作投入 |
0.299*** |
0.064 |
5.02 |
0.192 |
0.402 |
工作意义感→工作场所幸福感 |
0.326*** |
0.063 |
5.262 |
0.213 |
0.447 |
工作投入→工作场所幸福感 |
0.231*** |
0.066 |
3.306 |
0.095 |
0.361 |
人工智能机会感知→工作场所幸福感 |
0.370*** |
0.079 |
4.73 |
0.224 |
0.526 |
注：*p < 0.05, **p < 0.01, ***p < 0.001(双尾检验)。
4.5.2. 中介效应的估计、检验与比较
本文研究的是多重中介模型，相比层级回归法，路径系数乘积指标法更为合适。为此，本文运用AMOS26软件，结合拔靴法进行中介效应估计和检验。设定Bootstrap的抽样数为5000次，置信区间(CI)的置信度为95% (运行结果见表6)。
Table 6. Bootstrap analysis results for mediation effects
表6. 中介效应Bootstrap分析结果
中介效应路径 |
效应值 |
SE |
BootLLCI |
BootULCI |
人工智能机会感知→工作意义感→工作场所幸福感间接效应 |
0.252 |
0.046 |
0.166 |
0.348 |
人工智能机会感知→工作投入→工作场所幸福感间接效应 |
0.136 |
0.041 |
0.06 |
0.22 |
人工智能机会感知→工作意义感→工作投入→工作场所幸福感链式间接效应 |
0.053 |
0.018 |
0.02 |
0.093 |
人工智能机会感知→工作场所幸福感间接总
中介效应 |
0.441 |
0.063 |
0.311 |
0.559 |
人工智能机会感知→工作场所幸福感直接效应 |
0.37 |
0.076 |
0.224 |
0.526 |
人工智能机会感知→工作场所幸福感总效应 |
0.811 |
0.026 |
0.754 |
0.856 |
间接效应比例 |
0.544 |
0.086 |
0.372 |
0.711 |
人工智能机会感知→工作意义感→工作场所幸福感的间接效应显著(效应值 = 0.252，95%CI = [0.166, 0.348])，置信区间不包含0，支持了假设H2 (工作意义感在人工智能机会感知与工作场所幸福感之间起中介作用)。
人工智能机会感知→工作投入→工作场所幸福感的间接效应显著(效应值 = 0.136，95%CI = [0.06, 0.22])，置信区间不包含0，支持了假设H3 (工作投入在人工智能机会感知与工作场所幸福感之间起中介作用)。
人工智能机会感知→工作意义感→工作投入→工作场所幸福感的链式间接效应显著(效应值 = 0.053，95%CI = [0.02, 0.093])，置信区间不包含0，支持了假设H4 (工作意义感与工作投入在人工智能机会感知与工作场所幸福感的关系中存在链式中介效应)。
进一步分析显示，人工智能机会感知对工作场所幸福感的间接总效应为0.441 (95%CI = [0.311, 0.559])，直接效应为0.370 (95%CI = [0.559, 0.526])，总效应为0.811 (95%CI = [0.754, 0.856])。间接效应占总效应的比例达54.4% (95%CI = [0.372, 0.711])，置信区间均不包含0，表明人工智能机会感知能显著预测工作场所幸福感，同时中介效应在人工智能机会感知影响工作场所幸福感的过程中占据重要地位，支持了本研究提出的部分中介效应假设。
5. 结论与讨论
5.1. 研究结论
本研究基于意义建构理论，探讨AI机会感知对工作场所幸福感的影响机制。研究结果表明：第一，AI机会感知对工作场所幸福感具有显著的积极影响。第二，工作意义感和工作投入分别在AI机会感知与工作场所幸福感之间发挥中介作用。第三，工作意义感和工作投入在AI机会感知对工作场所幸福感的影响中起链式中介作用。
5.2. 理论贡献
首先，本研究为AI对员工影响的管理学文献做出了贡献。尽管AI技术正在各行业广泛应用并重塑工作环境[54] [55]，但管理领域关于AI积极影响的学术研究仍相对匮乏。过去的研究主要探讨AI威胁感知对工作结果的负面影响，而忽略了工作场所幸福感这一对员工和组织都极为有利的积极结果[56]。本研究基于意义建构理论探讨AI机会感知对工作场所幸福感的影响，验证了员工AI感知的“光明面”，推动了该领域从威胁导向向机会导向的理论转换。
其次，本研究为AI机会感知影响工作场所幸福感提供了意义建构的理论视角。通过验证工作意义感和工作投入的中介作用，本研究揭示了员工如何通过积极的认知建构过程将AI技术的机会感知转化为工作价值的重新理解和更高的工作投入水平，进而影响整体幸福感，揭示了认知意义建构在这一过程中的重要作用。
第三，本研究构建并验证了“AI机会感知–工作意义感–工作投入–工作场所幸福感”的链式中介模型。不同于以往研究仅关注单一中介或平行中介机制，本研究深入探索了AI对结果影响的序列中介关系。研究发现工作意义感和工作投入不仅可以单独充当中介，还能形成链式中介效应，为这一新兴领域的中介机制研究提供了新的理论框架和探索方向。
5.3. 实际意义
本研究提供了一些实际而有用的管理意义。首先，随着人工智能的广泛应用，各类组织应考虑员工如何看待人工智能，而不是仅仅关注技术本身的功能或效率提升。本研究建议，即将使用或正在使用人工智能的组织应意识到人工智能机会感知对员工积极结果的重要影响。直观地说，这种以员工为中心的做法可以使组织引入人工智能的效益最大化，并促进员工与技术的和谐共处。
其次，各行业的管理者应致力于提升员工对人工智能的机会感知。本研究发现，员工的人工智能机会感知能够显著提升工作场所幸福感和其他积极的工作结果。这种积极效应会随着人工智能应用的深入而进一步放大。因此，建议管理者对员工的人工智能感知进行调查，并尽力提高员工的人工智能机会感知。例如，管理者可以定期了解员工对AI技术的认知状况，组织相关培训帮助员工理解AI如何增强而非替代他们的工作能力。同时，还鼓励开展有针对性的沟通交流，帮助员工从AI技术中发现职业发展机遇。此外，员工也应该意识到，他们对人工智能的态度(即人工智能机会感知)会影响他们在AI驱动工作场所的工作成果。他们还应引导自己积极看待人工智能，并努力提高自己与AI协作的能力，以更好地适应智能化时代的到来。
第三，管理者应更多地关注那些工作意义感较低和工作投入不足的员工，以避免由此导致的幸福感缺失。本研究表明，人工智能机会感知可以通过工作意义感和工作投入的链式中介作用影响工作场所幸福感。因此，管理者应采取措施帮助员工增强工作意义感和提高工作投入水平。组织支持将使员工更快地适应AI化的工作场所，并使他们更积极地对待人工智能带来的变革。此外，根据本文的实证结果，可以得出一个一般性结论：在人工智能背景下，具有较高教育水平和技术素养的员工更容易形成积极的AI机会感知，进而体验到更高的工作场所幸福感。考虑到这一点，AI驱动的企业在其人才培养实践或人工智能引入的具体策略中，可能会更倾向于投资员工的技能提升和认知转变，因为他们更容易因人工智能机会感知而获得积极的工作体验。
5.4. 研究不足与展望
本文仍存在一些不足有待未来研究进一步探讨。
首先，本研究采用横截面调查设计，依赖单一时间点、单一来源(员工自我报告)的数据收集方式，不可避免地存在共同方法偏差，尽管采用了验证性因子分析等统计方法来检测共同方法偏差，但这些事后补救措施的有效性仍存在争议。另外，横截面设计无法捕捉AI机会感知、工作意义感、工作投入和工作场所幸福感随时间的动态变化过程。考虑到AI技术的快速发展和员工适应过程的复杂性，静态的横截面研究可能无法充分反映这些心理过程的真实演变轨迹。未来研究可采用多时点纵向设计来克服横截面研究的固有局限。
第二，本研究的样本相对集中，这可能会限制研究结果的普遍性。虽然本文的研究涵盖了多个行业的员工，但样本主要来自特定地区和有限的组织类型。因此，今后的研究应调查更多不同性质的行业(如制造业等)，以得出更具普遍性的结论。
第三，本研究仅证实了人工智能机会感知影响工作场所幸福感的中介机制。但是，本文并没有划定这种影响的边界条件，因此无法对提升人工智能积极影响的干预措施提出更全面的见解。未来的研究有望纳入调节变量(如个体差异变量、组织支持、技术接受度等)来探索其边界条件。此外，虽然本文识别了工作意义感和工作投入这两个重要的中介变量，但可能还存在其他未被发现的中介机制，如心理安全感、自我效能感等。未来研究可以进一步探索人工智能机会感知影响员工积极结果的其他心理机制。