Estrés laboral y creatividad individual: un protocolo de modelado estructural de ecuaciones parciales de mínimos cuadrados basado en pantallas para lugares de trabajo habilitados con IA

Resumen

Esta investigación presenta un protocolo de modelado estructural de ecuaciones de encuesta a mínimos cuadrados parciales (PLS-SEM) basado en pantalla para probar mediación y moderación, realizar diagnósticos de métodos comunes, interpretar pendientes simples y evaluar la relevancia predictiva en la investigación laboral integrada con IA.

Resumen

El uso creciente de la inteligencia artificial (IA) en las organizaciones está transformando las demandas laborales de los empleados, las percepciones de liderazgo y las oportunidades de creatividad. Basándose en el modelo Demandas–Recursos del Trabajo (JD–R) y en la Teoría del Aprendizaje Social, este estudio examina si las percepciones de liderazgo ético de los empleados median la relación entre el estrés laboral y la creatividad individual, y si la integración de la IA organizacional amplifica esta relación. Utilizando modelado estructural de mínimos cuadrados parciales (PLS-SEM) con 5.000 remuestreos bootstrap, los hallazgos muestran que el estrés laboral influye negativamente en la percepción del liderazgo ético, mientras que la percepción del liderazgo ético afecta positivamente a la creatividad. El estrés laboral no estaba directamente relacionado con la creatividad; en cambio, la percepción del liderazgo ético sirvió como una vía indirecta significativa. Además, la integración de la IA organizacional fortaleció la relación entre las percepciones de liderazgo ético y la creatividad. Estos hallazgos sugieren que la creatividad en los lugares de trabajo habilitados por IA está moldeada menos por la tecnología en sí y más por mecanismos psicológicos organizativos. Por tanto, las organizaciones que buscan potenciar la creatividad durante la transformación digital deberían gestionar el estrés laboral y fomentar entornos de liderazgo éticos, en lugar de centrarse únicamente en la implementación de la IA. Este protocolo utiliza el modelo empírico como ejemplo práctico para demostrar un flujo de trabajo reproducible de encuesta a PLS-SEM.

Introducción

La inteligencia artificial (IA) ha transformado la forma en que los empleados realizan su trabajo, comprenden la naturaleza de sus requisitos laborales e identifican oportunidades de creatividad, a medida que las organizaciones comienzan a adoptar la IA para el apoyo a la decisión, la automatización y^{la coordinación 1,2,3,4}. Las capacidades habilitadas por IA pueden aumentar el alcance de la información accesible y apoyar la experimentación, pero por sí solas no logran animar a las personas a comportarse de forma^{creativa 5,6}. En cambio, el comportamiento creativo de los empleados depende de su percepción sobre la legitimidad de la experimentación, la justicia en el trato por cometer errores y el apoyo a sus líderes ^7,8. Este protocolo define la creatividad como un proceso basado en la percepción en psicología organizacional en lugar de un producto basado en tecnología, permitiendo que el proceso desde el reclutamiento hasta la inferencia sea repetible y transparente⁹. El procedimiento no filma ni observa a los participantes en un laboratorio, pero el fenómeno de interés sigue siendo el comportamiento, ya que los empleados responden al estrés laboral, entienden la información social y desarrollan respuestas creativas ante una situación laboral impregnada de la IA. Por tanto, el alcance conductual se aborda mediante conductas medibles en el lugar de trabajo y constructos interpretativos relacionados con la creatividad, la percepción del liderazgo y la respuesta contextual relacionada con la IA, en lugar del comportamiento^{físico 6,10}.

Los lugares de trabajo integrados en IA se definen como entornos laborales en los que los empleados perciben la IA como una parte recurrente de la coordinación laboral, el apoyo a la decisión, la evaluación y la resolución de problemas, en lugar de ser una herramienta opcional ocasional. Este concepto es más limitado que la transformación digital amplia, diferente de la adopción de la IA como introducción, diferente de la madurez de la IA como etapa de implementación y diferente de la capacidad de IA como competencia técnica. Dado que los empleados pueden no conocer el alcance objetivo del uso de la IA en todas las funciones, el constructo se trata como una percibida de la IA organizacional, lo cual es apropiado para un modelo basado en percepciones de liderazgo ético y creatividad^individual 1,4,11,12.

Este protocolo aborda tres brechas mutuamente reforzantes. En primer lugar, se sabe menos sobre qué constituye el liderazgo ético en entornos laborales integrados en IA y cómo las percepciones del liderazgo ético se relacionan con el estrés laboral en lo que respecta a la creatividad. Esta relación es importante porque los efectos del estrés laboral sobre la creatividad varían una vez contextualizados e^{interpretados 13,14}. En segundo lugar, aunque la investigación sobre creatividad en los lugares de trabajo integrados por IA ha considerado a menudo la IA como una herramienta o medida de adopción de la IA, hay menos evidencia de cómo la integración de la IA a nivel organizacional moldea las respuestas conductuales a las señales de los líderes o a las interpretaciones de la incertidumbre relacionada con^{la IA 4,11,12}. En tercer lugar, los estudios que utilizan datos basados en encuestas en psicología organizacional suelen condensar desde el reclutamiento y cribado hasta la medición constructiva, la preparación de datos y los posteriores análisis de mediación y moderación de la Ecuación Estructural de Mínimos Cuadrados Parciales (PLS-SEM) en descripciones breves, aunque la validez de la medición, la validez discriminante, la colinealidad y la relevancia predictiva son importantes a considerar 15,16,17,¹⁸. Los autores hacen visible ese flujo de trabajo en este procedimiento reduciendo 342 inicios de encuesta a 310 casos utilizables, separando bloques constructos, probando la colinealidad total con VIF y un corte de 3,3, probando efectos directos, indirectos e interacciones con 5.000 remuestras bootstrapadas, y finalmente incluyendo PLSpredict como pantalla predictiva-relevante 15,16,18,19.

La contribución principal es, por tanto, metodológica. El modelo Estrés Laboral-Liderazgo-Creatividad se mantiene como ejemplo trabajado, pero la principal contribución es hacer visibles las decisiones analíticas normalmente ocultas: cribado de elegibilidad, retención de códigos de ítem, separación de constructos, validación de mediciones, diagnóstico de colinealidad y método común, autoarranque, descomposición de efectos, interpretación de pendiente simple y evaluación PLSpredict 15,18,19. Siguiendo el modelo de Demandas Laborales-Recursos^20,21, el estrés laboral es una demanda que consume los recursos cognitivos y emocionales necesarios para involucrarse creativamente, afectando así a la creatividad⁹. Los empleados centran su esfuerzo discrecional en generar soluciones novedosas y únicas mediante la flexibilidad cognitiva, la experimentación y nuevos métodos de trabajo. Tienen menos tiempo para generar ideas cuando se enfrentan a largos plazos en un entorno laboral turbulento, y tienden a centrarse en la prevención de errores y la finalización^{de tareas 13,14}. No todo el estrés es perjudicial para la creatividad, y ciertos niveles de desafío pueden favorecer la generación de ideas entre individuos que tienen autonomía en la tarea y reciben apoyo social en^{el lugar de trabajo 13,22}. En cambio, la presión sostenida podría llevar a una relación negativa.

Por ello, los autores plantean la hipótesis de que el estrés laboral está negativamente asociado con la creatividad individual (H1). El estrés laboral también puede influir en la forma en que ciertos empleados perciben su entorno social. Durante periodos de cambio y estrés, los empleados pueden desarrollar una mayor sensibilidad a señales de equidad, apoyo y capacidad^{de respuesta 8}. Una respuesta tardía por parte de la dirección o una toma de decisiones inconsistente, desde este ángulo, podría interpretarse como una mala coordinación en un contexto y como negligencia en otro. La clave es que, cuando las personas están bajo estrés, tienden a poner más énfasis en lo que los líderes les señalan y, por tanto, en situaciones sin equidad y apoyo visibles, es más probable que formen interpretaciones^{negativas 8,10}. A continuación, los autores plantean la hipótesis de que el estrés laboral está negativamente asociado con la percepción que tienen los empleados sobre el liderazgo ético (H2). La percepción del liderazgo ético es cómo los empleados ven a su líder como justo, honesto, abierto y con buenos valores^morales 10,23,24. Desde la perspectiva de la teoría del aprendizaje social, la percepción del liderazgo ético indica si los empleados usarán su voz, asumirán riesgos probando cosas nuevas o^{experimentarán 7}. Los empleados serán más propensos a aportar ideas sobre nuevas formas de trabajar y probar nuevas ideas cuando perciban a su líder como ético. Líderes justos y de confianza crearán más oportunidades para que los empleados adopten conductas creativas^{discrecionales 6,7,10}.

En consecuencia, los autores plantean la hipótesis de que la percepción de liderazgo ético de los empleados está positivamente asociada con la creatividad individual (H3). El modelo también introduce una vía indirecta en la que la percepción del liderazgo ético media el efecto del estrés laboral sobre la creatividad individual. Las influencias relacionadas con el estrés sobre la creatividad parecen inconsistentes e implican que la relación no es sencilla ^14,22. Dos empleados pueden estar expuestos al mismo nivel de estrés, pero uno puede seguir percibiendo al líder como ético y el lugar de trabajo como lo suficientemente seguro como para compartir ideas. El otro empleado puede dejar de compartir ideas cuando percibe al líder como poco ético o se siente tratado^{injustamente 6,7}. Esta vía indica la influencia de la interpretación social y sugiere que centrarse únicamente en el efecto directo del estrés laboral sobre la producción creativa puede ser insuficiente.

Los autores también plantean la hipótesis de que la percepción de liderazgo ético de los empleados media la relación entre el estrés laboral y la creatividad individual (H4). La integración de la IA organizacional está asociada a entornos laborales en los que la IA se utiliza para mediar, evaluar y apoyar el trabajo de los^{empleados 1,25,26}. Los entornos organizativos integrados con IA amplían el acceso de los empleados a la información, reducen el tiempo necesario para realizar parte del trabajo y ofrecen un mayor margen para recombinar ideas. Al mismo tiempo, pueden plantear preguntas sobre quién o qué será responsable, qué tipos de evaluaciones se realizarán y qué formas de experimentación son^{aceptables 27}. En situaciones como esta, es probable que los empleados presten más atención a las señales éticas de liderazgo al juzgar si la experimentación habilitada por IA, la tolerancia al error y la generación de ideas asistida por IA son legítimas y^seguras 11,30,31. Por tanto, los autores predicen que la integración de la IA organizacional aumentará la relevancia de las percepciones del liderazgo ético para la creatividad individual.

En consecuencia, los autores plantean la hipótesis de que la integración de la IA organizacional modera la relación entre las percepciones de liderazgo ético de los empleados y la creatividad individual, de modo que la relación positiva es más fuerte cuando la incorporación de la IA organizacional es alta (H5). Este protocolo está diseñado para investigadores del comportamiento que estudian el comportamiento laboral autoinformado y su interpretación social cuando la observación directa es poco práctica o éticamente injustificada. El manuscrito contribuye de tres maneras. En primer lugar, se aparta de las concepciones tradicionales de la creatividad en los entornos laborales habilitados por IA como manifestación de los resultados tecnológicos y el conocimiento técnico-científico, y presenta ese proceso como sustentado por la percepción como un proceso de psicología^{organizacional 6,9}. En segundo lugar, amplía este argumento demostrando que las percepciones del liderazgo ético median la relación entre el estrés laboral y la creatividad individual, y que la relación entre las percepciones de liderazgo ético y creatividad está moderada por la incrustación organizacional^{de IA 4,10,14}. En tercer lugar, se introduce una encuesta basada en pantalla y un procedimiento PLS-SEM para evaluar los procesos de mediación y^moderación 15,18,19. Su ventaja es hacer visibles las decisiones ocultas, incluyendo el cribado de empleo, la separación de constructos, comprobaciones de validez y colinealidad, el bootstrapping, la descomposición de efectos, la interpretación por moderación, el análisis PLSpredict y la interpretación cautelosa de relaciones transversales.

Protocolo

El proceso de investigación siguió todos los protocolos éticos para la investigación con participantes humanos. Toda la información de los participantes se recopiló de forma anónima mediante tecnología de encuestas en línea y procedimientos digitales de consentimiento informado. No se recopiló información que identificara a ningún participante, ni se grabó ningún vídeo de ningún participante. A todos los participantes se les presentó una pantalla digital de consentimiento informado antes de llegar a la encuesta. La pantalla explicaba el propósito académico del estudio, que la participación era voluntaria, que las respuestas se mantendrían confidenciales y que los datos se utilizarían únicamente con fines de investigación. Los participantes que no reconocieron activamente el consentimiento informado fueron eliminados de la encuesta antes de que se presentara cualquier ítem del estudio. La información sobre la aprobación ética o la exención deben informarse en la declaración ética de acuerdo con los requisitos de la institución que la somete. El elemento visual de este protocolo pretende presentar estos pasos como una demostración en vídeo basada en pantalla de reclutamiento, consentimiento, cribado, procesamiento de datos desidentificados, creación de modelos SmartPLS, bootstrapping, descomposición de efectos y evaluación PLSpredict, en lugar de una figura adicional del flujo de trabajo. La secuencia de tablas imita la secuencia de pasos en la demostración en vídeo. La Tabla 1 identifica la muestra retenida tras la contratación, el consentimiento, el cribado y las comprobaciones de calidad. La base para medir los bloques constructos se presenta en la Tabla 2. Las tablas 3–5 informan de la calidad de la medición, la validez discriminante y los diagnósticos de colinealidad. La Tabla 6 informa de los resultados de la prueba de hipótesis. La Tabla 7 muestra la descomposición de efectos directos e indirectos. La tabla 8 es el punto de control PLSpredict. Por tanto, las tablas 1–8 representan el recorrido de la salida desde la entrada de la encuesta hasta la inferencia estadística para el flujo de trabajo basado en pantalla^15,18. Todas las plataformas/herramientas utilizadas en este estudio están listadas en la Tabla de Materiales.

Modelo de investigación

En el ejemplo resuelto, la percepción del liderazgo ético media los efectos del estrés laboral sobre la creatividad individual, y la integración de la IA organizacional modera el efecto de la percepción del liderazgo ético sobre la creatividad individual. La Figura 1 presenta el modelo conceptual, en el que H4 se refiere al impacto de la percepción del liderazgo ético como vía indirecta, y H5 a la moderación de la percepción del liderazgo ético por parte de la integración de la IA organizacional. El objetivo del modelo no es representar un modelo causal, sino un flujo de trabajo de mediación y moderación basado en pantallas.

Figura 1: Modelo conceptual. El diagrama presenta el estrés laboral (JS) como predictor, la percepción del liderazgo ético (EL) como mediador, la creatividad individual (IC) como resultado y la integración de la IA organizacional (OA) como moderador de la relación EL–IC. Las flechas sólidas denotan los caminos directos hipotéticos, la vía mediada es JS > EL > IC, y el término de interacción representa EL × OA > IC. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Datos de investigación

Se utilizan un sistema de reclutamiento de participantes basado en internet y un sistema de encuestas basado en internet para recopilar respuestas anónimas de encuestas de empleados a tiempo completo en la población objetivo del lugar de trabajo. Los filtros deben establecerse antes del lanzamiento y se debe usar un elemento de selección basado en encuestas para confirmar la elegibilidad antes de la visualización de los bloques constructos. Las respuestas de participantes no consentidores, encuestados no elegibles y respuestas que no superan las comprobaciones de control de calidad se excluyen antes del análisis. En el ejemplo resuelto, los autores quedaron con 310 encuestas válidas completadas de un total inicial de 342 inicios tras el cribado de estatus laboral y controles de calidad. La Tabla 1 presenta la información demográfica de la muestra final válida.

Tabla 1: Características descriptivas de la muestra (n = 310). La tabla resume a los encuestados retenidos por características demográficas y laborales tras consentimiento, selección de elegibilidad y exclusiones de control de calidad; n denota tamaño de muestra. Por favor, haz clic aquí para descargar esta tabla.

Medidas

Se utiliza una escala de Likert de siete puntos para todos los ítems (1 = fuertemente en desacuerdo; 7 = totalmente de acuerdo). La encuesta incluye bloques de medición del estrés laboral, la percepción ética del liderazgo, la creatividad individual y la integración de la IA organizacional. Conservar los códigos de ítems al diseñar y exportar la encuesta para asegurar que cada indicador medido pueda mapearse a su variable latente correspondiente durante la especificación del modelo. El conjunto completo de ítems y fuentes de medición se proporciona en la Tabla 2.

Tabla 2: Ítems de medición y fuentes. Esta tabla proporciona los ítems del cuestionario, las tareas de construcción y las fuentes de escala. Abreviaturas: JS = estrés laboral; EL = percepción del liderazgo ético; IC = creatividad individual; OA = incrustación de IA organizacional. Por favor, haz clic aquí para descargar esta tabla.

Antes de importar datos al software PLS-SEM, los investigadores deben exportar el conjunto de datos completo en .csv formato. Los nombres, direcciones de correo electrónico, direcciones IP y otros identificadores directos deben eliminarse de la exportación para evitar la divulgación no intencionada de la información de los participantes. El archivo exportado debe ser inspeccionado en busca de valores faltantes, respuestas fallidas en filtrado, líneas rectas, comprobaciones de atención fallidas y errores en nombres variables. Solo deben conservarse las variables indicadoras limpias y las variables de control requeridas por el modelo. Se deben registrar los inicios iniciales de la encuesta, la muestra final válida, los rangos de fiabilidad, el rango AVE, el rango VIF estructural y el ajuste de remuestreo bootstrap para informes posteriores.

Flujo de trabajo analítico PLS-SEM

Para analizar las hipótesis, los investigadores deben emplear PLS-SEM. En SmartPLS 4.1, se debe crear un nuevo proyecto importando el archivo de .csv limpio. Los constructos latentes deben colocarse en el lienzo del modelo, y los indicadores retenidos deben asignarse a JS, EL, IC y OA. Estos caminos directos pueden dibujarse en el lienzo del modelo; el camino indirecto puede especificarse como JS > EL > IC, y el término de interacción producto-indicador puede crearse como OA × EL > IC también. Los investigadores deberían ejecutar el algoritmo PLS antes de evaluar los caminos estructurales. En SmartPLS, ve a Calcular > algoritmo PLS y toma nota de los ajustes de estimación, incluyendo el esquema de ponderación de caminos, el número máximo de iteraciones y el criterio de parada si se proporciona. Una vez ejecutado el algoritmo PLS, los expertos deberían evaluar los valores alfa, fiabilidad compuesta, AVE, cargas externas, relación Fornell-Larcker, relación HTMT y valores VIF^{17, 18 y 19} de Cronbach. Los resultados para evaluar la fiabilidad, validez y colinealidad se informan en las Tablas 3–5. Se recomienda a los autores realizar una prueba completa de colinealidad para comprobar posibles sesgos de método común. Los valores estructurales de VIF deben considerarse como un indicador diagnóstico de posible sesgo hacia la misma fuente, no como un indicador de que se ha eliminado el sesgo hacia la misma fuente.

El protocolo distingue los modelos externos de los VIFs estructurales/total colinealidad. Si un VIF externo supera 3,3 pero permanece por debajo de 5,0, el valor debe reconocerse como una posible preocupación de colinealidad a nivel de indicador en lugar de tratarse como un diagnóstico de sesgo de método común. Los VIFs de colinealidad total se interpretan por separado como un cribado diagnóstico de la misma fuente, no como prueba de que el sesgo común del método ha sido^eliminado 15,18,19. Se deben realizar diagnósticos de calidad de medición y colinealidad antes de interpretar coeficientes de camino, efectos indirectos y términos de interacción. Para calcular los caminos directos, los efectos indirectos específicos y el efecto de moderación, los investigadores deben realizar el procedimiento de arranque con 5.000 remuestramientos. Con 5.000 submuestras, realiza una prueba de dos colas a α = 0,05, y deja las opciones de cambio de signo e intervalo de confianza tal como en el proyecto. La Tabla 6 presenta el coeficiente de camino, el efecto indirecto específico y los resultados de interacción. Tras probar las hipótesis, deben revisarse las secciones para los efectos indirectos específicos y los efectos totales en la salida para evaluar la relación directa JS > IC en relación con el camino indirecto a través de EL y para capturar la descomposición de efectos en la Tabla 7. Este procedimiento evita interpretar el camino directo no significativo de estrés–creatividad aislado del camino indirecto significativo basado en percepciones. Se recomienda que los investigadores realicen PLSpredict para los constructos endógenos y reporten las estadísticas de predicción^Q2, RMSE y MAE como una evaluación predictiva acotada de relevancia. Resultados actuales^{para Q 2}predict, RMSE y MAE para los constructos endógenos EL e IC, junto con los del benchmark de modelos lineales, si se presentan, en la Tabla 8. Estos resultados deben interpretarse como evidencia predictiva acotada de relevancia en lugar de evidencia de previsión^{completa 18}.

El protocolo está intencionadamente enfocado en lugar de ser estadísticamente ornamentado. Los investigadores que posteriormente comparan países, ocupaciones o niveles gerenciales pueden añadir pruebas de invariancia de medición, análisis multigrupo, segmentación o mapeo de importancia-rendimiento una vez establecido el flujo de trabajo de mediación y moderación de base. Los caminos indirectos o de interacción estadísticamente significativos no deben interpretarse como efectos causales cuando los datos son transversales. Deben presentarse como asociaciones coherentes con la teoría, salvo que existan pruebas longitudinales, experimentales o de múltiples fuentes. Esta advertencia se repite en los Resultados y Discusión para que las vías de mediación y moderación se presenten como asociaciones coherentes con la teoría en lugar de efectos^{causales 15,18}. Si las etiquetas exactas de los menús difieren entre las versiones de SmartPLS, los investigadores deberían usar la ruta equivalente del menú y registrar la versión del software, los ajustes del algoritmo y los ajustes de remuestreo en la Tabla de Materiales o en una nota de reproducibilidad.

Resultados

Evaluación del modelo de medición

Posteriormente, el modelo de medición se utilizó para evaluar la fiabilidad y validez de los constructos. La fiabilidad, la validez convergente, las cargas de elementos y el diagnóstico de colinealidad se presentan en la Tabla 3. Los valores alfa de Cronbach, que van de 0,877 a 0,932, superan el corte de 0,70. Las estimaciones de fiabilidad compuesta eran aceptables, con CR (ρ_a) oscilando entre 0,880 y 0,959 ...

Discusión

El protocolo presenta un método transferible basado en encuestas para entender cómo las demandas psicológicas, las percepciones del liderazgo y las condiciones contextuales relacionadas con la IA afectan a los resultados de los empleados en contextos de trabajo digitalmente ^{transformados 1,2,4}. Su principal contribución no es una manipulación filmada, sino un flujo de trabajo analítico rastreabl...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
ChatGPT (Modelo de Lenguaje AI)	OpenAI	N/A	Utilizado solo para la edición de lenguaje, corrección gramatical y refinamiento estructural durante la preparación del manuscrito. La herramienta no se utilizó para la recolección de datos, análisis estadístico o interpretación de los resultados empíricos. Los autores revisaron, editaron y aprobaron el manuscrito final y asumen toda la responsabilidad de su contenido. URL:
Prolific (Plataforma de Reclutamiento de Participantes en Línea)	Prolific Academic Ltd.	N/A	Plataforma en línea utilizada para reclutar participantes de la encuesta para el ejemplo trabajado. Los participantes fueron seleccionados utilizando criterios de elegibilidad predefinidos, incluyendo empleo a tiempo completo y relevancia para la población laboral objetivo. URL:
Qualtrics (Plataforma de Encuestas en Línea)	Qualtrics, LLC	N/A	Plataforma de encuestas basada en web utilizada para el diseño de cuestionarios, consentimiento informado digital, selección, presentación de bloques de constructos, recolección de datos de respuestas y exportación de conjuntos de datos desidentificados. Los elementos de medición se administraron utilizando una escala Likert de 7 puntos que va desde 1 = totalmente en desacuerdo hasta 7 = totalmente de acuerdo. URL:
SmartPLS 4.1 (Software PLS-SEM)	SmartPLS GmbH	Versión 4.1	Utilizado para modelado de ecuaciones estructurales por mínimos cuadrados parciales (PLS-SEM), incluyendo especificación de modelo, estimación del algoritmo PLS, evaluación del modelo de medición, diagnósticos de colinealidad, bootstrapping con 5,000 remuestreos, pruebas específicas de efectos indirectos, estimación de términos de interacción, descomposición de efectos y evaluación PLSpredict. URL: