Arbeitsplatzstress und individuelle Kreativität: Ein bildschirmbasiertes Protokoll zur Modellierung von Strukturgleichungen mit teilweise kleinsten Quadraten für KI-gestützte Arbeitsplätze

Zusammenfassung

Diese Forschung präsentiert ein bildschirmbasiertes Survey-to-partial Small-Squares Structural Equation Modeling (PLS-SEM)-Protokoll zum Testen von Mediation und Moderation, zur Durchführung von Common-Method-Diagnostiken, zur Interpretation einfacher Steigungen und zur Bewertung der prädiktiven Relevanz in KI-integrierter Arbeitsplatzforschung.

Zusammenfassung

Der zunehmende Einsatz von Künstlicher Intelligenz (KI) in Organisationen verändert die Arbeitsanforderungen der Mitarbeiter, die Wahrnehmung von Führungskräften und die Möglichkeiten für Kreativität. Basierend auf dem Job Demands–Resources (JD–R)-Modell und der Social Learning Theory untersucht diese Studie, ob die Wahrnehmung ethischer Führung durch Mitarbeiter die Beziehung zwischen Arbeitsplatzstress und individueller Kreativität vermittelt und ob die KI-Einbettung der Organisation diese Beziehung verstärkt. Mit der Strukturmodellierung der partiellen Kleinste-Quadrate (PLS-SEM) und 5.000 Bootstrap-Resamples zeigen die Ergebnisse, dass Jobstress die Wahrnehmung ethischer Führung negativ beeinflusst, während die Wahrnehmung ethischer Führung die Kreativität positiv beeinflusst. Arbeitsstress stand nicht direkt im Zusammenhang mit Kreativität; Stattdessen diente die Wahrnehmung ethischer Führung als bedeutender indirekter Weg. Darüber hinaus stärkte die Einbettung von organisatorischer KI die Beziehung zwischen Wahrnehmungen von ethischer Führung und Kreativität. Diese Ergebnisse deuten darauf hin, dass Kreativität in KI-gestützten Arbeitsplätzen weniger von der Technologie selbst geprägt wird, sondern mehr von organisatorischen psychologischen Mechanismen. Organisationen, die während der digitalen Transformation Kreativität fördern wollen, sollten daher Arbeitsstress bewältigen und ethische Führungsumgebungen fördern, anstatt sich ausschließlich auf die KI-Implementierung zu konzentrieren. Dieses Protokoll verwendet das empirische Modell als ausgearbeitetes Beispiel, um einen reproduzierbaren Survey-to-PLS-SEM-Workflow zu demonstrieren.

Einleitung

Künstliche Intelligenz (KI) hat die Art und Weise verändert, wie Mitarbeiter ihre Arbeit verrichten, die Anforderungen ihrer Aufgaben verstehen und Kreativitätsmöglichkeiten identifizieren, da Organisationen beginnen, KI für Entscheidungsunterstützung, Automatisierung^{und Koordination} einzusetzen. KI-gestützte Fähigkeiten können den Umfang der verfügbaren Informationen erweitern und Experimente unterstützen, aber an sich versäumen sie es, Menschen zu kreativem Verhalten^zu ermutigen^. Stattdessen hängt das kreative Verhalten der Mitarbeitenden von ihrer Wahrnehmung der Legitimität von Experimenten, der Fairness bei Fehlern und der Unterstützung^{ihrer Führungskräfte} ab. ^7,8. Dieses Protokoll definiert Kreativität als einen wahrnehmungsbasierten Prozess in der Organisationspsychologie und nicht als technologiebasiertes Produkt, während der Prozess von der Rekrutierung bis zur Schlussfolgerung wiederholbar^{und transparent ist}. Das Verfahren filmt oder beobachtet die Teilnehmer in einem Labor nicht, aber das interessante Phänomen ist dennoch das Verhalten, da Mitarbeiter auf Arbeitsstress reagieren, soziale Informationen verstehen und kreative Reaktionen auf eine KI-durchdrungene Arbeitssituation entwickeln. Der Verhaltensumfang wird daher durch messbare Arbeitsplatzverhalten und interpretative Konstrukte im Zusammenhang mit Kreativität, Führungswahrnehmung und KI-bezogener kontextueller Reaktion adressiert, statt durch physisches Verhalten ^6,10.

KI-eingebettete Arbeitsplätze werden als Arbeitsumgebungen definiert, in denen Mitarbeiter KI als wiederkehrenden Bestandteil der Arbeitskoordination, Entscheidungsunterstützung, Bewertung und Problemlösung wahrnehmen, anstatt nur gelegentlich optionales Werkzeug zu sein. Dieses Konstrukt ist enger als die breite digitale Transformation, unterscheidet sich von der Einführung von KI als Einführung, von der KI-Reife als Implementierungsphase und von der KI-Fähigkeit als technische Kompetenz. Da Mitarbeiter möglicherweise nicht das objektive Ausmaß des KI-Einsatzes in allen Funktionen kennen, wird das Konstrukt als wahrgenommene organisatorische KI-Einbettung behandelt, was für ein wahrnehmungsbasiertes Modell ethischer Führungswahrnehmung und individueller Kreativität angemessen ist.

Dieses Protokoll adressiert drei sich gegenseitig verstärkende Lücken. Erstens ist weniger darüber bekannt, was ethische Führung in KI-integrierten Arbeitsumgebungen ausmacht und wie ethische Führungswahrnehmungen im Zusammenhang mit Arbeitsstress im Zusammenhang mit Kreativität sind. Diese Beziehung ist wichtig, weil die Auswirkungen von Arbeitsstress auf Kreativität variieren, sobald sie kontextualisiert und interpretiert^{werden. 13,14}. Zweitens hat die Forschung zur Kreativität in KI-integrierten Arbeitsplätzen KI zwar oft als Werkzeug oder Maß für KI-Akzeptanz betrachtet, aber es gibt weniger Belege dafür, wie organisationsweite KI-Einbettung Verhaltensreaktionen auf Führungshinweise oder Interpretationen von KI-bezogener Unsicherheit beeinflusst ^4,11,12. Drittens fassen Studien, die Umfragedaten in der Organisationspsychologie verwenden, oft alles von der Rekrutierung und dem Screening bis hin zu Messungen, Datenvorbereitung und anschließenden Analysen der Partial Least Squares Structural Equation Modeling (PLS-SEM) in kurze Beschreibungen zusammen, obwohl Messvalidität, diskriminantenvalidität, Kollinearität und prädiktive Relevanz alle wichtig sind 15,16,17,¹⁸. Die Autoren machen diesen Arbeitsablauf in diesem Verfahren sichtbar, indem sie 342 Umfragestarts auf 310 nutzbare Fälle reduzieren, Konstruktblöcke trennen, die vollständige Kollinearität mit VIF und einem 3,3-Cutoff testen, direkte, indirekte und Interaktionseffekte mit 5.000 bootstrapped Resamples testen und schließlich PLSpredict als prädiktiven Relevanzbildschirm 15,16,18,19 einbeziehen.

Der Hauptbeitrag ist daher methodischer Natur. Das Modell Job Stress-Ethical Leadership-Creativity wird als ausgearbeitetes Beispiel beibehalten, aber der Hauptbeitrag besteht darin, normalerweise verborgene analytische Entscheidungen sichtbar zu machen: Eignungsprüfung, Item-Code-Behalten, Konstrukttrennung, Messvalidierung, Kollinearität und Common-Method-Diagnostik, Bootstrapping, Effektzerlegung, einfache Slope-Interpretation und PLSpredict-Bewertung 15,18,19. Nach dem Modell "Job Demands-Resources"^20,21 ist Jobstress eine Anforderung, die die kognitiven und emotionalen Ressourcen verbraucht, die für kreative Interaktion benötigt werden, und damit die Kreativität^{beeinträchtigt 9}. Mitarbeiter konzentrieren ihre freien Kräfte darauf, neuartige und einzigartige Lösungen durch kognitive Flexibilität, Experimentieren und neue Arbeitsmethoden zu entwickeln. Sie haben weniger Zeit, Ideen zu entwickeln, wenn sie lange Fristen in einem turbulenten Arbeitsumfeld haben, und konzentrieren sich meist auf Fehlervermeidung und Aufgabenerledigung^13,14. Nicht jeder Stress ist schädlich für die Kreativität, und bestimmte Herausforderungsgrade können die Ideenfindung bei Personen fördern, die Autonomie in der Aufgabe erhalten und soziale Unterstützung am Arbeitsplatz ^erhalten. Im Gegensatz dazu kann anhaltender Druck zu einer negativen Beziehung führen.

Dementsprechend vermuten die Autoren, dass Arbeitsstress negativ mit individueller Kreativität (H1) assoziiert ist. Arbeitsstress kann auch beeinflussen, wie bestimmte Mitarbeiter ihr soziales Umfeld wahrnehmen. In Phasen von Wandel und Stress können Mitarbeitende eine erhöhte Sensibilität für Signale wie Fairness, Unterstützung und Reaktionsfähigkeit entwickeln⁸. Eine verzögerte Reaktion des Managements oder inkonsistente Entscheidungsfindung aus dieser Perspektive könnte in einem Kontext als schlechte Koordination und in einem anderen als Vernachlässigung gelesen werden. Der Schlüssel ist, dass Menschen unter Stress tendenziell mehr Wert darauf legen, was Führungskräfte ihnen signalisieren, und daher in Situationen ohne sichtbare Fairness und Unterstützung eher negative Interpretationen bilden ^8,10. Als Nächstes stellen die Autoren die Hypothese auf, dass Arbeitsstress negativ mit der Wahrnehmung ethischer Führung (H2) der Mitarbeiter zusammenhängt. Die Wahrnehmung ethischer Führung ist, wie Mitarbeiter ihren Führungskraft als fair, ehrlich, offen und mit guten moralischen Werten wahrnehmen 10,23,24. Aus sozialer Lerntheorie zeigt die ethische Führungswahrnehmung, ob Mitarbeiter ihre Stimme nutzen, Risiken eingehen, indem sie Neues ausprobieren, oder experimentieren⁷. Mitarbeiter werden eher zu neuen Arbeitsweisen beitragen und neue Ideen ausprobieren, wenn sie ihren Führungskraft als ethisch wahrnehmen. Faire und vertrauenswürdige Führungskräfte schaffen mehr Möglichkeiten für Mitarbeitende, sich kreativem Verhalten zu widmen ^6,7,10.

Dementsprechend vermuten die Autoren, dass die Wahrnehmung ethischer Führung durch Mitarbeiter positiv mit individueller Kreativität (H3) assoziiert ist. Das Modell führt außerdem einen indirekten Weg ein, bei dem ethische Führungswahrnehmung die Wirkung von Arbeitsplatzstress auf die individuelle Kreativität vermittelt. Stressbedingte Einflüsse auf Kreativität erscheinen inkonsistent und deuten darauf hin, dass die Beziehung nicht einfach ist.^14,22. Zwei Mitarbeiter können dem gleichen Stresslevel ausgesetzt sein, aber einer kann weiterhin den Führungskraft als ethisch wahrnehmen und den Arbeitsplatz als sicher genug, um Ideen auszutauschen. Der andere Mitarbeiter kann aufhören, Ideen zu teilen, wenn er die Führungskraft als unethisch empfindet oder sich ungerecht behandelt fühlt ^6,7. Dieser Weg weist auf den Einfluss sozialer Interpretation hin und legt nahe, dass es unzureichend sein könnte, sich ausschließlich auf den direkten Einfluss von Arbeitsstress auf die kreative Leistung zu konzentrieren.

Die Autoren vermuten außerdem, dass die Wahrnehmung ethischer Führung durch Mitarbeiter die Beziehung zwischen Arbeitsplatzstress und individueller Kreativität (H4) vermittelt. Die Einbettung von organisatorischer KI steht im Zusammenhang mit Arbeitsplatzumgebungen, in denen KI zur Vermittlung, Bewertung und Unterstützung der Arbeit der Mitarbeitenden^{eingesetzt wird.} KI-integrierte Organisationsumgebungen erweitern den Zugang der Mitarbeitenden zu Informationen, reduzieren die benötigte Zeit für bestimmte Aufgaben und bieten größere Möglichkeiten, Ideen neu zu kombinieren. Gleichzeitig können sie Fragen darüber aufwerfen, wer oder was zur Rechenschaft gezogen wird, welche Arten von Bewertungen stattfinden und welche Experimente akzeptabel sind²⁷. In solchen Situationen neigen Mitarbeiter dazu, ethische Führungshinweise zu beachten, wenn sie beurteilen, ob KI-gestützte Experimente, KI-Fehlertoleranz und KI-unterstützte Ideengenerierung legitim^{und sicher sind.} Daher sagen die Autoren voraus, dass die Einbettung von organisatorischer KI die Relevanz von Wahrnehmungen ethischer Führung für individuelle Kreativität erhöhen wird.

Dementsprechend vermuten die Autoren, dass die Einbettung von organisatorischer KI die Beziehung zwischen der Wahrnehmung ethischer Führung durch Mitarbeiter und individueller Kreativität moderiert, sodass die positive Beziehung stärker ist, wenn die KI-Einbettung der Organisation hoch ist (H5). Dieses Protokoll ist für Verhaltensforscher konzipiert, die selbstberichtetes Arbeitsplatzverhalten und dessen soziale Interpretation untersuchen, wenn direkte Beobachtung unpraktisch oder ethisch unbegründet ist. Das Manuskript trägt auf drei Arten bei. Erstens weicht es von traditionellen Vorstellungen von Kreativität in KI-gestützten Arbeitsplätzen als Manifestation technologischer Ergebnisse und technisch-wissenschaftlichen Wissens ab und stellt diesen Prozess als von der Wahrnehmung als organisatorischen psychologischen^{Prozess 6,9} gestützt dar. Zweitens erweitert sie dieses Argument, indem gezeigt wird, dass Wahrnehmungen von ethischer Führung die Beziehung zwischen Arbeitsstress und individueller Kreativität vermitteln und dass die Beziehung zwischen Wahrnehmungen von ethischer Führung und Kreativität durch organisatorische KI-Einbettung^moderiert wird ^4,10,14. Drittens werden eine bildschirmbasierte Umfrage und ein PLS-SEM-Verfahren eingeführt, um Mediations- und Moderationsprozesse zu bewerten 15,18,19. Ihr Vorteil besteht darin, verborgene Entscheidungen sichtbar zu machen, darunter Beschäftigungsscreening, Konstrukttrennung, Validitäts- und Kollinearitätsprüfungen, Bootstrapping, Effektzerlegung, Moderationsinterpretation, PLS-Präsitionsanalyse und vorsichtige Interpretation von Querschnittsbeziehungen.

Protokoll

Der Forschungsprozess folgte allen ethischen Protokollen für die Forschung mit menschlichen Teilnehmern. Alle Teilnehmerinformationen wurden anonym über Online-Umfragetechnologie und digitale Informationseinwilligungsverfahren gesammelt. Es wurden keine Informationen zur Identifizierung eines Teilnehmers erhoben, und es wurden keine Videos von einem Teilnehmer aufgenommen. Alle Teilnehmer erhielten vor der Teilnahme an der Umfrage ein digitales Informationseinwilligungsscreen. Der Bildschirm erklärte den akademischen Zweck der Studie, dass die Teilnahme freiwillig sei, dass Antworten vertraulich behandelt würden und die Daten ausschließlich für Forschungszwecke verwendet würden. Teilnehmer, die die informierte Einwilligung nicht aktiv anerkannten, wurden aus der Umfrage entfernt, bevor ein Studienobjekt präsentiert wurde. Informationen zur ethischen Genehmigung oder Ausnahme sollten gemäß den Anforderungen der einreichenden Institution in der Ethikerklärung angegeben werden. Das visuelle Element dieses Protokolls soll diese Schritte als bildschirmbasierte Videodemonstration von Rekrutierung, Einwilligung, Screening, de-identifizierter Datenverarbeitung, SmartPLS-Modellerstellung, Bootstrapping, Effektzerlegung und PLSpredict-Bewertung darstellen, anstatt als zusätzliche Workflow-Figur. Die Abfolge der Tabellen ahmt die Abfolge der Schritte in der Videodemonstration nach. Tabelle 1 identifiziert die Stichprobe, die nach Rekrutierung, Einwilligung, Screening und Qualitätsprüfungen zurückbehalten wurde. Die Grundlage für die Messung der Konstruktblöcke ist in Tabelle 2 dargestellt. Die Tabellen 3–5 berichten über Messqualität, Diskriminantenvalidität und Kollinearitätsdiagnostik. Tabelle 6 zeigt die Ergebnisse der Hypothesentestung. Tabelle 7 zeigt die Zerlegung direkter und indirekter Effekte. Tabelle 8 ist der PLSpredict-Checkpoint. Die Tabellen 1–8 stellen somit die Strecke der Ergebnisse vom Umfrageeintrag bis zur statistischen Schlussfolgerung für den bildschirmbasierten Workflow^15,18 dar. Alle in dieser Studie verwendeten Plattformen/Werkzeuge sind in der Materialtabelle aufgeführt.

Forschungsmodell

Im ausgearbeiteten Beispiel vermittelt die Wahrnehmung ethischer Führung die Auswirkungen von Arbeitsplatzstress auf individuelle Kreativität, und die Einbettung von organisatorischer KI moderiert die Wirkung der Wahrnehmung ethischer Führung auf die individuelle Kreativität. Abbildung 1 zeigt das konzeptionelle Modell, in dem H4 die Auswirkungen der ethischen Führungswahrnehmung als indirekten Weg und H5 auf die Moderation der ethischen Führungswahrnehmung durch organisatorische KI-Einbettung hinweist. Ziel des Modells ist es nicht, ein kausales Modell darzustellen, sondern einen bildschirmbasierten Mediations- und Moderations-Workflow darzustellen.

Abbildung 1: Konzeptuelles Modell. Das Diagramm präsentiert Arbeitsstress (JS) als Prädiktor, ethische Führungswahrnehmung (EL) als Vermittler, individuelle Kreativität (IC) als Ergebnis und organisatorische KI-Einbettung (OA) als Moderator der EL–IC-Beziehung. Solide Pfeile bezeichnen die hypothetischen direkten Pfade, der vermittelte Weg ist JS > EL > IC, und der Wechselwirkungsterm repräsentiert EL × OA > IC. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Forschungsdaten

Ein internetbasiertes Teilnehmer-Rekrutierungssystem und ein internetbasiertes Umfragesystem werden verwendet, um anonyme Umfrageantworten von Vollzeitbeschäftigten der Zielpopulation zu sammeln. Vor dem Start sollten Filter festgelegt werden, und ein Umfrage-basiertes Screening-Element sollte verwendet werden, um die Berechtigung vor der Anzeige der Konstruktblöcke zu bestätigen. Antworten von nicht einwilligenden Teilnehmern, nicht berechtigten Befragten und Antworten, die die Qualitätskontrollprüfungen nicht bestehen, werden vor der Analyse ausgeschlossen. Im ausgearbeiteten Beispiel blieben den Autoren 310 gültige ausgefüllte Umfragen aus den ersten 342 Starts nach Beschäftigungsstatus-Screening und Qualitätskontrollen. Tabelle 1 präsentiert die demografischen Informationen für die endgültige gültige Stichprobe.

Tabelle 1: Beschreibende Eigenschaften der Stichprobe (n = 310). Die Tabelle fasst die behaltenen Befragten nach demografischen und beschäftigungsbedingten Merkmalen nach Einwilligung, Eignungsprüfung und Qualitätskontrollausschlüssen zusammen; n bezeichnet die Stichprobengröße. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Maßnahmen

Für alle Items wird eine Sieben-Punkte-Skala verwendet (1 = stark uneinig; 7 = stark übereinstimmend). Die Umfrage umfasst Messblöcke für Jobstress, ethische Führungswahrnehmung, individuelle Kreativität und organisatorische KI-Einbettung. Behalten Sie Item-Codes beim Entwerfen und Exportieren der Umfrage bei, um sicherzustellen, dass jeder gemessene Indikator während der Modellspezifikation auf die entsprechende latente Variable abgebildet werden kann. Der vollständige Satz der Messpunkte und Quellen ist in Tabelle 2 dargestellt.

Tabelle 2: Messelemente und Quellen. Diese Tabelle zeigt die Fragebogen, Konstruktzuweisungen und Skalierungsquellen. Abkürzungen: JS = Arbeitsstress; EL = ethische Führungswahrnehmung; IC = individuelle Kreativität; OA = organisatorische KI-Einbettung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Bevor die Daten in die PLS-SEM-Software importiert werden, sollten Forscher den fertigen Datensatz in .csv Format exportieren. Namen, E-Mail-Adressen, IP-Adressen und andere direkte Identifikatoren sollten aus dem Export entfernt werden, um eine unbeabsichtigte Weitergabe von Teilnehmerinformationen zu verhindern. Die exportierte Datei sollte auf fehlende Werte, fehlgeschlagene Screening-Antworten, Straight-Lining, fehlgeschlagene Aufmerksamkeitskontrollen und Fehler bei Variablennamen überprüft werden. Nur die vom Modell benötigten Indikatorvariablen und Kontrollvariablen sollten beibehalten werden. Die anfängliche Erhebung, die endgültige Stichprobe, Zuverlässigkeitsbereiche, AVE-Bereiche, strukturelle VÍF-Bereiche und die Bootstrap-Resampling-Einstellung sollten für spätere Berichterstattung erfasst werden.

PLS-SEM-Analyse-Workflow

Um die Hypothesen zu analysieren, sollten die Forscher PLS-SEM verwenden. In SmartPLS 4.1 wird ein neues Projekt erstellt, indem die bereinigte .csv-Datei importiert wird. Die latenten Konstrukte sollten auf der Modellleinwand platziert werden, und die behaltenen Indikatoren sollten JS, EL, IC und OA zugewiesen werden. Diese direkten Pfade können auf der Modellleinwand gezeichnet werden; der indirekte Pfad kann als JS > EL > IC angegeben werden, und der Produkt-Indikator-Interaktionsterm kann auch als OA × EL > IC erstellt werden. Forscher sollten den PLS-Algorithmus ausführen, bevor sie die strukturellen Wege bewerten. In SmartPLS gehen Sie zum Algorithmus Berechnen > PLS und beachten Sie die Schätzeeinstellungen, einschließlich des Weggewichtungsschemas, der maximalen Anzahl der Iterationen und des Stoppkriteriums, falls vorhanden. Sobald der PLS-Algorithmus ausgeführt wurde, sollten Wissenschaftler Cronbachs Alpha, zusammengesetzte Zuverlässigkeit, AVE, äußere Lasten, Fornell-Larcker-, HTMT-Verhältnis und VIF-Werte^{17, 18, 19} bewerten. Die Ergebnisse zur Bewertung von Zuverlässigkeit, Validität und Kollinearität sind in den Tabellen 3–5 angegeben. Autoren wird geraten, einen vollständigen Kollinearitätstest durchzuführen, um mögliche gemeinsame Methodenverzerrungen zu überprüfen. Strukturelle VIF-Werte sollten als diagnostischer Indikator für eine potenzielle Gleichquellen-Verzerrung betrachtet werden, nicht als Hinweis darauf, dass die Verzerrung der gleichen Quelle entfernt wurde.

Das Protokoll unterscheidet äußere Modell-VIFs von strukturellen/vollständigen Kollinearitäts-VIFs. Wenn ein äußerer VIF 3,3 übersteigt, aber unter 5,0 bleibt, sollte der Wert als potenzielle Indikator-Risiko-Kollinearität erkannt werden und nicht als Diagnose der gemeinsamen Methode als Verzerrung behandelt werden. Vollkollinearitäts-VIFs werden separat als gleichquellenbasiertes diagnostisches Screening interpretiert, nicht als Beweis dafür, dass der gemeinsame Methodenbias eliminiert wurde 15,18,19. Messungsqualitäts- und Kollinearitätsdiagnostiken sollten vor der Interpretation von Pfadkoeffizienten, indirekten Effekten und Wechselwirkungstermen durchgeführt werden. Um direkte Pfade, spezifische indirekte Effekte und den Moderationseffekt zu berechnen, müssen Forscher das Bootstrapping-Verfahren mit 5.000 Neuproben durchführen. Bei 5.000 Teilproben führen Sie einen zweiseitigen Test bei α = 0,05 durch und lassen Sie die Optionen für Vorzeichenänderung und Konfidenzintervall wie im Projekt erhalten. Tabelle 6 stellt den Wegkoeffizienten, den spezifischen indirekten Effekt und die Wechselwirkungsergebnisse dar. Nach dem Testen der Hypothesen sollten die Abschnitte für die spezifischen indirekten Effekte und Gesamteffekte im Output überprüft werden, um die direkte JS- > IC-Beziehung relativ zum indirekten Weg durch EL zu bewerten und die Effektzerlegung in Tabelle 7 zu erfassen. Dieses Verfahren vermeidet es, den nicht-signifikanten direkten Stress–Kreativitätspfad isoliert vom signifikanten wahrnehmungsbasierten indirekten Pfad zu interpretieren. Es wird empfohlen, dass Forscher PLSpredict für die endogenen Konstrukte durchführen und Q²Predict, RMSE und MAE-Statistiken als begrenzte prädiktive Relevanzbewertung präsentieren. Präsentieren Sie die Ergebnisse für Q²Predict, RMSE und MAE für die endogenen Konstrukte EL und IC sowie für den linearen Modell-Benchmark, falls angegeben, in Tabelle 8. Diese Ergebnisse sind als begrenzte prädiktive Relevanzbeweise und nicht als vollständige Prognosebeweis¹⁸ zu interpretieren.

Das Protokoll ist bewusst fokussiert und nicht statistisch kunstvoll gestaltet. Forscher, die später Länder, Berufe oder Managementebenen vergleichen, können nach der Etablierung des Baseline-Mediations- und Moderationsprozesses Messinvarianztests, Multigruppen-Analysen, Segmentierung oder Wichtigkeits-Leistungs-Kartierung hinzufügen. Statistisch signifikante indirekte oder Wechselwirkungspfade sollten nicht als kausale Effekte interpretiert werden, wenn die Daten Querschnittsdaten sind. Sie sollten als theoriekonsistente Assoziationen präsentiert werden, sofern nicht longitudinale, experimentelle oder mehrfachquellenbasierte Belege vorliegen. Diese Vorsicht wird in den Results and Discussion wiederholt, sodass die Vermittlungs- und Moderationspfade als theoriekonsistente Assoziationen und nicht als kausale Effekte^15,18 präsentiert werden. Wenn sich die genauen Menübeschriftungen zwischen SmartPLS-Versionen unterscheiden, sollten Forscher den entsprechenden Menüpfad verwenden und die Softwareversion, Algorithmeneinstellungen und Resampling-Einstellungen in der Materialtabelle oder in einer Reproduzierbarkeitsnotiz festhalten.

Ergebnisse

Bewertung des Messmodells

Das Messmodell wurde anschließend verwendet, um die Konstruktzuverlässigkeit und -validität zu bewerten. Zuverlässigkeit, konvergente Validität, Artikellastungen und Kollinearitätsdiagnostik werden in Tabelle 3 dargestellt. Cronbachs Alphawerte von 0,877 bis 0,932 überschreiten die Grenze von 0,70. Die Schätzungen der zusammengesetzten Zuverlässigkeit waren akzeptabel, mit CR (ρ_a) von 0,880 bis 0,959 und CR (ρ_c) von...

Diskussion

Das Protokoll stellt eine übertragbare, auf Umfragen basierende Methode vor, um zu verstehen, wie psychologische Anforderungen, Führungswahrnehmungen und KI-verbundene kontextuelle Bedingungen die Mitarbeiterergebnisse in digital transformierten Arbeitskontexten beeinflussen ^1,2,4. Ihr Hauptbeitrag ist keine gefilmte Manipulation, sondern ein nachverfolgbarer analytischer Workflow für Online-Rek...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
ChatGPT (KI-Sprachmodell)	OpenAI	N/A	Wird ausschließlich für Sprachbearbeitung, Grammatikprüfung und strukturelle Verbesserung während der Manuskriptvorbereitung verwendet. Das Tool wurde nicht für Datenerfassung, statistische Analyse oder Interpretation der empirischen Ergebnisse verwendet. Die Autoren haben das endgültige Manuskript überprüft, bearbeitet und genehmigt und übernehmen die volle Verantwortung für seinen Inhalt. URL: https://chatgpt.com/
Prolific (Online-Plattform für Teilnehmerrekrutierung)	Prolific Academic Ltd.	N/A	Online-Plattform zur Rekrutierung von Umfrageteilnehmern für das Beispiel. Die Teilnehmer wurden anhand vordefinierter Teilnahmekriterien gescreent, einschließlich Vollzeitbeschäftigung und Relevanz für die Zielbevölkerung am Arbeitsplatz. URL: https://www.prolific.com/
Qualtrics (Online-Umfrage-Plattform)	Qualtrics, LLC	N/A	Webbasierte Umfrageplattform für Fragebogendesign, digitale informierte Einwilligung, Screening, Präsentation von Konstruktblöcken, Erfassung von Antwortdaten und Export des anonymisierten Datensatzes. Die Messpunkte wurden mit einer 7-Punkte-Likert-Skala erfasst, die von 1 = stimme völlig nicht zu bis 7 = stimme völlig zu reicht. URL: https://www.qualtrics.com/
SmartPLS 4.1 (PLS-SEM Software)	SmartPLS GmbH	Version 4.1	Verwendet für partielle kleinste Quadrate strukturelle Gleichungsmodellierung (PLS-SEM), einschließlich Modellspezifikation, PLS-Algorithmus-Schätzung, Bewertung des Messmodells, Kollinäritätsdiagnostik, Bootstrapping mit 5.000 Resamples, spezifischer Test indirekter Effekte, Schätzung von Interaktionsterm, Effektzerlegung und PLSpredict-Bewertung. URL: https://smartpls.com/