직무 스트레스와 개인의 창의성: AI 기반 직장을 위한 화면 기반 편최소제곱 구조 방정식 모델링 프로토콜

요약

본 연구는 AI 내장 직장 연구에서 매개 및 조절 테스트, 공통 진단 수행, 단순 기울기 해석 및 예측 관련성 평가를 위한 화면 기반 설문조사-최소제곱 구조 방정식 모델링(PLS-SEM) 프로토콜을 제시합니다.

초록

조직 내 인공지능(AI)의 사용 증가는 직원들의 업무 요구, 리더십 인식, 창의성 기회를 재편하고 있습니다. 직무 요구-자원(JD–R) 모델과 사회 학습 이론을 바탕으로, 직원들의 윤리적 리더십 인식이 직무 스트레스와 개인 창의성 간의 관계를 매개하는지, 그리고 조직 내 AI 내재성이 이 관계를 증폭시키는지 조사합니다. 5,000개의 부트스트랩 재샘플을 활용한 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 사용한 결과, 직무 스트레스는 윤리적 리더십 인식에 부정적인 영향을 미치는 반면, 윤리적 리더십 인식은 창의성에 긍정적으로 영향을 미친다는 결과가 나타났습니다. 직장 스트레스는 창의성과 직접적인 관련이 없었다; 대신 윤리적 리더십 인식은 중요한 간접적 경로로 작용했습니다. 또한, 조직 내 AI 내재성은 윤리적 리더십에 대한 인식과 창의성 간의 관계를 강화했습니다. 이 결과들은 AI 기반 직장에서의 창의성이 기술 자체보다는 조직 심리적 메커니즘에 의해 형성된다는 것을 시사합니다. 디지털 전환 과정에서 창의성을 향상시키고자 하는 조직은 AI 도입에만 집중하기보다는 직무 스트레스를 관리하고 윤리적인 리더십 환경을 조성해야 합니다. 이 프로토콜은 경험적 모델을 PLS-SEM에서 PLS-SEM으로 재현 가능한 워크플로우를 입증하는 실례로 사용합니다.

서론

인공지능(AI)은 직원들이 업무를 수행하는 방식, 직무 요구사항의 본질을 이해하고 창의성을 발굴하는 방식을 변화시켰으며, 조직이 의사결정 지원, 자동화, 조정을 위해 AI를 도입하기 시작하면서 1,2,3,4. AI 기반 역량은 접근 가능한 정보의 범위를 넓히고 실험을 지원할 수 있지만, 그 자체로는 사람들이 창의적으로 행동하도록 격려하는 데는 실패합니다 ^5,6. 대신 직원들의 창의적 행동은 실험의 정당성, 실수에 대한 공정한 대우, 그리고 리더에 대한 지지에 의존한다 ^7,8. 이 프로토콜은 창의성을 기술 기반 제품이 아닌 조직 심리학에서 인식 기반 과정으로 정의하며, 채용부터 추론까지의 과정을 반복 가능^{하고 투명하게} 만듭니다. 이 절차는 실험실 참가자를 촬영하거나 관찰하지 않지만, 관심 있는 현상은 여전히 행동입니다. 직원들은 업무 스트레스에 반응하고, 사회적 정보를 이해하며, AI가 주입된 업무 상황에 대해 창의적인 반응을 발전시킵니다. 따라서 행동 범위는 신체 행동보다는 창의성, 리더십 인식, AI 관련 맥락 반응과 관련된 측정 가능한 직장 내 행동과 해석적 구성요소를 통해 다뤄집니다 ^6,10.

AI 내장 직장은 직원들이 AI를 가끔씩 선택적 도구가 아니라 업무 조정, 의사결정 지원, 평가, 문제 해결의 반복적인 일부로 인식하는 근무 환경을 의미합니다. 이 개념은 광범위한 디지털 전환보다 좁으며, 도입 단계로서의 AI 도입과는 다르며, 구현 단계에서의 AI 성숙도와는 다르며, 기술 역량으로서의 AI 역량과도 다릅니다. 직원들이 모든 기능에 걸친 AI 사용의 객관적 범위를 알지 못할 수 있기 때문에, 이 개념은 조직 내 AI 내재성으로 인식되며, 이는 윤리적 리더십 인식과 개인 창의성의 인식 기반 모델에 적합합니다 1,4,11,12.

이 프로토콜은 세 가지 상호 강화되는 공백을 해결합니다. 첫째, AI가 탑재된 직장 환경에서 윤리적 리더십이 무엇인지, 그리고 윤리적 리더십 인식이 창의성과 관련된 직장 스트레스와 어떻게 연관되는지에 대해 알려진 바가 적습니다. 이 관계는 직업 스트레스가 창의성에 미치는 영향이 맥락화되고 해석될 때 달라지기 때문에 중요합니다^13,14. 둘째, AI 내재 직장에서의 창의성 연구는 AI를 AI 채택의 도구나 척도로 자주 고려했지만, 조직 전체의 AI 내재성이 리더의 신호나 AI 관련 불확실성 해석에 대한 행동 반응에 어떻게 영향을 미치는지에 대한 증거는 적습니다 4,11,12. 셋째, 조직 심리학에서 설문 기반 데이터를 사용하는 연구들은 채용과 선별부터 측정 구성, 데이터 준비, 그리고 이후 편소제곱구조방정식(PLS-SEM) 매개 및 조정 분석까지 모든 것을 짧은 설명으로 압축하는 경우가 많으며, 측정 타당도, 판별 타당도, 공선성, 예측 관련성 등이 모두 중요함을 고려해야 합니다^{15, 16, 17,18}. 저자들은 이 절차에서 342건의 설문조사 시작을 310개의 사용 가능한 사례로 줄이고, 구성 블록을 분리하며, VIF 및 3.3 컷오프와의 완전 공선성을 테스트하고, 5,000개의 부트스트랩 재샘플로 직접 간접, 상호작용 효과를 테스트하며, 마지막으로 PLSpredict를 예측 관련^{성 스크리닝으로} 포함시켰습니다.

따라서 주요 기여는 방법론에 있습니다. 직무 스트레스-윤리적 리더십-창의성 모델은 작업 예제로 유지되지만, 주요 기여는 일반적으로 숨겨져 있는 분석 결정을 가시화하는 것입니다: 자격 심사, 문항 코드 유지, 구성 분리, 측정 검증, 공형성 및 공통 방법 진단, 부트스트래핑, 효과 분해, 단순 기울기 해석, PLS 예측 평가^{15, 18, 19}. 직업 요구-자원 모델^20,21에 따르면, 직업 스트레스는 창의적으로 참여하는 데 필요한 인지적·정서적 자원을 소모하는 수요이며, 따라서 창의성에 영향을 미친다⁹. 직원들은 인지 유연성, 실험, 새로운 작업 방식을 통해 새롭고 독특한 해결책을 창출하는 데 재량적인 노력을 집중합니다. 이들은 불안정한 업무 환경에서 긴 마감일에 직면하면 아이디어를 낼 시간이 줄어들고, 오류 예방과 과제 완료에 집중하는 경향이 있습니다 ^13,14. 모든 스트레스가 창의성에 해로운 것은 아니며, 특정 수준의 도전은 과제에서 자율성을 부여받고 직장에서 사회적 지원을 받는 개인들 사이에서 아이디어 생성을 촉진할 수 있습니다^13,22. 반면, 지속적인 압박은 부정적인 관계로 이어질 수 있습니다.

따라서 저자들은 직무 스트레스가 개인의 창의성(H1)과 음의 상관관계가 있다고 가설을 세웠습니다. 직장 스트레스는 또한 특정 직원들이 사회적 환경을 바라보는 방식에도 영향을 미칠 수 있습니다. 변동과 스트레스가 심한 시기에는 직원들이 공정성, 지지, 반응성의 신호에 더 민감해질 수 있습니다⁸. 경영진의 지연된 대응이나 일관성 없는 의사결정은 한 맥락에서는 조정 부족으로 해석되고, 다른 맥락에서는 방치로 해석될 수 있습니다. 핵심은 사람들이 스트레스를 받을 때 리더가 신호를 보내는 것에 더 큰 비중을 두는 경향이 있으며, 따라서 눈에 띄는 공정성과 지지가 없는 상황에서는 부정적인 해석을 형성할 가능성이 더 높다는 것입니다 ^8,10. 다음으로, 저자들은 직무 스트레스가 직원들의 윤리적 리더십(H2) 인식과 부정적 상관관계를 가설을 세운다. 윤리적 리더십 인식은 직원들이 자신의 리더를 공정하고 정직하며 개방적이고 좋은 도덕적 가치를 가진 사람으로 인식하는 방식을 의미합니다.^{10, 23, 24}. 사회학습 이론 관점에서 윤리적 리더십 인식은 직원들이 목소리를 낼지, 새로운 시도로 위험을 감수할지, 또는 실험⁷. 직원들은 리더를 윤리적이라고 인식할 때 새로운 업무 방식에 대한 의견을 제시하고 새로운 아이디어를 시도할 가능성이 높아집니다. 공정하고 신뢰할 수 있는 리더는 직원들이 자발적으로 창의적인 행동을 할 수 있는 기회를 더 많이 만듭니다 ^6,7,10.

따라서 저자들은 직원들의 윤리적 리더십에 대한 인식이 개인의 창의성과 긍정적 연관이 있다고 가정합니다(H3). 이 모델은 또한 윤리적 리더십 인식이 직무 스트레스가 개인 창의성에 미치는 영향을 매개하는 간접적 경로를 제시합니다. 창의성에 대한 스트레스 관련 영향은 일관성이 없어 보이며, 이 관계가 단순하지 않음을 시사합니다^14,22. 두 명의 직원이 같은 수준의 스트레스에 노출될 수 있지만, 한 명은 리더를 윤리적이고 직장이 아이디어를 공유할 만큼 안전하다고 인식할 수 있습니다. 다른 직원은 리더가 비윤리적이라고 느끼거나 부당하게 대우받는다고 느끼면 아이디어 공유를 중단할 수 ^{있습니다.} 이 경로는 사회적 해석의 영향을 나타내며, 직장 스트레스가 창의적 산출에 미치는 직접적인 영향에만 집중하는 것은 충분하지 않을 수 있음을 시사합니다.

저자들은 또한 직원들의 윤리적 리더십에 대한 인식이 직무 스트레스와 개인의 창의성 간의 관계를 매개한다고 가설을 세웠다(H4). 조직 내 AI 내재성은 AI가 직원^{들의 업무를} 중재, 평가, 지원하는 직장 환경과 관련이 있습니다. AI 내장 조직 환경은 직원들의 정보 접근성을 넓히고, 일부 업무를 완료하는 데 걸리는 시간을 줄이며, 아이디어를 재결합할 수 있는 여지를 넓힙니다. 동시에, 누가 또는 무엇이 책임을 지는지, 어떤 종류의 평가가 이루어질지, 어떤 실험이 허용되는지 의문을 제기할 수 있습니다²⁷. 이런 상황에서 직원들은 AI 기반 실험, AI 오류 허용, AI 보조 아이디어 생성이 정당^{하고 안전한지} 판단할 때 윤리적 리더십 신호에 더 신경 쓰는 경향이 있습니다. 따라서 저자들은 조직 내 AI 내재성이 윤리적 리더십에 대한 인식이 개인의 창의성에 미치는 관련성을 높일 것이라고 예측합니다.

따라서 저자들은 조직 AI 내재성이 직원들의 윤리적 리더십 인식과 개인의 창의성 간 관계를 조절하며, 조직 내 AI 내재성이 높을 때 양의 관계가 더 강해진다고 가정합니다(H5). 이 프로토콜은 직접 관찰이 비현실적이거나 윤리적으로 부당할 때 자기보고된 직장 내 행동과 그 사회적 해석을 연구하는 행동 연구자를 위해 설계되었습니다. 이 원고는 세 가지 방식으로 기여한다. 첫째, 이 연구는 AI 기반 직장에서의 창의성에 대한 전통적인 이해에서 벗어나 기술적 산출물과 기술·과학적 지식의 표현으로 보이며, 그 과정을 조직 심리학 과정으로서 인식에 기반한 것으로 제시한다 ^6,9. 둘째, 윤리적 리더십에 대한 인식이 직무 스트레스와 개인의 창의성 간 관계를 매개하며, 윤리적 리더십과 창의성에 대한 인식이 조직 AI 내재성에 의해 조절된다는 점을 보여줌으로써 이 주장을 확장한다 ^4,10,14. 셋째, 중재 및 조정 과정을 평가하기 위한 스크린 기반 설문조사와 PLS-SEM 절차가 도입되었습니다^{15, 18, 19}. 이 기술의 장점은 고용 선별, 구성 요소 분리, 타당성 및 공선도 검사, 부트스트래핑, 효과 분해, 조정 해석, PLS 예측 분석, 그리고 단면 관계의 신중한 해석 등 숨겨진 의사결정을 가시화한다는 점입니다.

프로토콜

연구 과정은 인간 참여자를 대상으로 한 모든 윤리 프로토콜을 준수했습니다. 모든 참가자 정보는 온라인 설문 기술과 디지털 사전 동의 절차를 통해 익명으로 수집되었습니다. 참가자를 식별하는 정보는 수집되지 않았으며, 참가자의 영상도 녹화되지 않았습니다. 모든 참가자는 설문조사에 도달하기 전에 디지털 사전 동의 화면을 제시받았습니다. 스크리닝은 연구의 학술적 목적을 설명했으며, 참여는 자발적이며, 응답은 비밀로 유지되며, 데이터는 연구 목적으로만 사용된다고 밝혔습니다. 사전 동의를 적극적으로 인정하지 않은 참가자는 연구 문항이 제시되기 전에 설문조사에서 제외되었습니다. 윤리적 승인 또는 면제 정보는 제출 기관의 요구사항에 따라 윤리 진술서에 보고되어야 합니다. 이 프로토콜의 시각적 요소는 이러한 단계를 모집, 동의, 선별, 비식별화 데이터 처리, SmartPLS 모델 생성, 부트스트래핑, 효과 분해, PLS예측 평가를 화면 기반 영상으로 보여주기 위한 것으로, 추가 워크플로우 수치로서가 아닙니다. 표 순서는 영상 시연의 단계와 유사합니다. 표 1은 모집, 동의, 선별 및 품질 검사 후 보유된 표본을 나타냅니다. 구성 블록 측정의 기초는 표 2에 제시되어 있습니다. 표 3–5는 측정 품질, 판별적 타당도, 그리고 공선성 진단을 보고합니다. 표 6은 가설 검정의 결과를 보고합니다. 표 7은 직접적·간접적 효과의 분해를 보여줍니다. 표 8은 PLSpredict 체크포인트입니다. 따라서 표 1–8은 화면 기반 워크플로우^15,18의 조사 입력에서 통계적 추론까지의 출력 흐름 경로를 나타냅니다. 이 연구에서 사용된 모든 플랫폼/도구는 재료표에 나열되어 있습니다.

연구 모델

작업 예제에서 윤리적 리더십 인식은 직무 스트레스가 개인 창의성에 미치는 영향을 매개하며, 조직 내 AI 내재성은 윤리적 리더십 인식이 개인 창의성에 미치는 영향을 완화합니다. 그림 1 은 개념 모델을 제시하는데, H4는 윤리적 리더십 인식의 영향을 간접적 경로로, H5는 조직 내 AI 내재성에 의한 윤리적 리더십 인식의 조절을 의미합니다. 이 모델의 목적은 인과 모델을 묘사하는 것이 아니라, 화면 기반의 중재 및 조정 워크플로우를 묘사하는 것입니다.

그림 1: 개념 모델. 도표는 직무 스트레스(JS)를 예측 변수로, 윤리적 리더십 인식(EL)을 매개체로, 개인 창의성(IC)을 결과로, 조직 AI 내재성(OA)을 EL–IC 관계의 중재자로 제시합니다. 실선 화살표는 가설된 직접 경로를 나타내며, 매개 경로는 JS > EL > IC, 상호작용 항은 EL × OA > IC를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

연구 자료

인터넷 기반 참여자 채용 시스템과 인터넷 기반 설문조사 시스템을 통해 대상 직장 내 정규직 직원들의 익명 설문 응답을 수집합니다. 필터는 출시 전에 설정해야 하며, 구성 블록 표시 전에 설문조사 기반 심사 항목을 사용해 자격을 확인해야 합니다. 비동의 참가자, 자격 미달 응답자, 품질 관리 검사에 실패한 응답은 분석 전에 제외됩니다. 작업 사례에서 저자들은 고용 상태 심사와 품질 관리 검사를 거친 초기 342건의 시작 중 310건의 유효한 완료 설문조사를 남겼습니다. 표 1은 최종 유효 표본의 인구통계학적 정보를 제시합니다.

표 1: 샘플의 기술적 특성 (n = 310). 표는 동의, 자격 심사, 품질 관리 제외 후의 인구통계학적 특성별 유지 응답자를 요약한 것입니다; n은 표본 크기를 나타냅니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

조치

모든 문항에 대해 7점 리커트 척도가 사용됩니다(1 = 강하게 반대; 7 = 강하게 동의). 설문조사에는 직무 스트레스, 윤리적 리더십 인식, 개인의 창의성, 조직 내 AI 내재성에 대한 측정 블록이 포함되어 있습니다. 설문조사를 설계하고 내보낼 때 항목 코드를 유지하여 각 측정 지표가 모델 명세 시 해당 잠재 변수와 매핑될 수 있도록 하세요. 측정 항목과 출처의 전체 집합은 표 2에 제공되어 있습니다.

표 2: 측정 항목 및 출처. 이 표는 설문지 문항, 구성 과제, 척도 자료를 제공합니다. 약어: JS = 직무 스트레스; EL = 윤리적 리더십 인식; IC = 개인적 창의성; OA = 조직 내 AI 내재성. 이 표를 다운로드하려면 여기를 클릭해 주세요.

PLS-SEM 소프트웨어에 데이터를 가져오기 전에 완성된 데이터셋을 .csv 형식으로 내보내야 합니다. 참가자 정보가 의도치 않은 노출을 방지하기 위해 이름, 이메일 주소, IP 주소 및 기타 직접적인 식별 정보는 내보내기에서 제거해야 합니다. 내보낸 파일은 누락된 값, 실패한 스크리닝 응답, 직선 처리, 실패한 주의 점검, 변수 이름 오류 등을 검사해야 합니다. 모델에 요구되는 정제된 지시 변수와 제어 변수만 유지해야 합니다. 초기 조사 시작 시점, 최종 유효 샘플, 신뢰성 범위, AVE 범위, 구조적 VIF 범위, 부트스트랩 재샘플링 설정은 나중에 보고할 수 있도록 기록되어야 합니다.

PLS-SEM 분석 워크플로우

가설을 분석하기 위해 연구자들은 PLS-SEM을 사용해야 합니다. SmartPLS 4.1에서는 정리된 .csv 파일을 가져오면서 새 프로젝트를 생성해야 합니다. 잠재 구성물은 모델 캔버스에 배치해야 하며, 보존된 지표는 JS, EL, IC, OA에 할당되어야 합니다. 이 직접적인 경로들은 모델 캔버스에 그릴 수 있습니다; 간접 경로는 JS> EL > IC로 지정할 수 있으며, 곱-지시기 상호작용 항은 EL > IC× OA로 생성할 수 있습니다. 연구자들은 구조 경로를 평가하기 전에 PLS 알고리즘을 실행해야 합니다. SmartPLS에서 >PLS 알고리즘 계산으로 이동하여 경로 가중치 방식, 최대 반복 횟수, 그리고 제공된 경우 정지 기준 등 추정 설정을 기록하세요. PLS 알고리즘이 실행된 후에는 Cronbach의 알파, 복합 신뢰도, AVE, 외부 부하, Fornell-Larcker, HTMT 비율, VIF 값^{17, 18, 19}를 평가해야 합니다. 신뢰도, 타당도, 공선성 평가를 위한 출력은 표 3–5에 보고되어 있습니다. 저자들은 일반적인 방법 편향 가능성을 확인하기 위해 전체 공선성 검정을 수행할 것을 권장합니다. 구조적 VIF 값은 동일 출처 편향이 제거되었음을 나타내는 지표가 아니라 잠재적 동일 출처 편향의 진단 지표로 봐야 합니다.

프로토콜은 외부 모델 VIF와 구조적/완전 공선성 VIF를 구분합니다. 외부 VIF가 3.3을 초과하지만 5.0 미만을 유지한다면, 이 값은 공통 방법 편향 진단으로 간주되기보다는 잠재적 지표 수준의 공형성 문제로 인식되어야 합니다. 완전 공선성 VIF는 동일 출처의 진단 스크리닝으로 별도로 해석되며, 공통 방법 편향이 제거되었다는 증거로 해석되지 않습니다 15,18,19. 측정 품질 및 공선성 진단은 경로 계수, 간접 효과, 상호작용 항 해석 전에 수행되어야 합니다. 직접 경로, 특정 간접 효과, 그리고 조절 효과를 계산하기 위해 연구자들은 5,000개의 재샘플로 부트스트래핑 절차를 수행해야 합니다. 5,000개의 하위 표본을 가지고 α = 0.05에서 양측 검정을 수행하고, 부호 변화와 신뢰구간 옵션은 프로젝트와 동일하게 유지합니다. 표 6은 경로 계수, 특정 간접 효과, 그리고 상호작용 결과를 제시합니다. 가설을 검증한 후, 특정 간접 효과와 출력 내 총 효과 섹션을 검토하여 EL을 통한 간접 경로에 대한 직> IC 관계를 평가하고 표 7의 효과 분해를 포착해야 합니다. 이 절차는 유의미하지 않은 직접적 스트레스-창의성 경로를 중요한 지각 기반 간접 경로와 분리하여 해석하는 것을 피합니다. 연구자들은 내생 구성어에 대해 PLSpredict를 실행하고,^Q2예측, RMSE, MAE 통계를 유한한 예측 관련성 평가로 보고할 것을 권장합니다. 내인성 구성 요소인 EL과 IC에 대해 Q²예측, RMSE, MAE에 대한 결과와 선형 모델 벤치마크에 대한 결과가 표 8에 제시되어 있습니다. 이 결과들은 완전한 예측 증거가 아닌 유한한 예측 관련성 증거로 해석되어야 한다¹⁸.

프로토콜은 통계적으로 화려하기보다는 의도적으로 집중되어 있습니다. 이후 국가, 직업, 관리 수준을 비교하는 연구자들은 기준선 중재 및 조정 워크플로우가 확립된 후 측정-불변성 검사, 다중 그룹 분석, 세분화 또는 중요도-성과 매핑을 추가할 수 있습니다. 통계적으로 유의미한 간접 또는 상호작용 경로는 데이터가 단면적일 때 인과적 효과로 해석되어서는 안 됩니다. 종단적, 실험적, 다재적 증거가 없는 한 이론적으로 일관된 연관성으로 제시해야 합니다. 이 주의는 결과 및 논의에서도 반복되어 중재 및 조절 경로가 인과 효과가 아닌 이론적으로 일관된 연관성으로 제시되도록 한다^15,18. SmartPLS 버전마다 정확한 메뉴 라벨이 다를 경우, 연구자는 동등한 메뉴 경로를 사용해 소프트웨어 버전, 알고리즘 설정, 재샘플링 설정을 재료표나 재현성 노트에 기록해야 합니다.

결과

측정 모델 평가

이후 측정 모델은 구성의 신뢰도와 타당성을 평가하는 데 사용되었습니다. 신뢰성, 수렴 타당도, 항목 부하 및 공선성 진단은 표 3에 제시되어 있습니다. 크론백의 알파 값은 0.877에서 0.932까지 0.70의 컷오프를 초과합니다. 복합 신뢰도의 추정치는 수용 가능했으며, CR(ρ_a)은 0.880에서 0.959, CR(ρ_c)은 0.911에서 0.945 범위였다. AVE는 요구 컷오프 0.50(0.672–0.779)을 상당히 초과했습니다. 전체 공선성 평가에서는 모든 구조적 VIF가 <3.3으로 인해 공통 방법 편향의 증거가 발견되지 않았습니다. 전반적으로 이 측정들은 신뢰성, 수렴 타당성, 허용 가능한 공선성 기준을 충족했습니다. 항목들은 표 2에 포함되어 있습니다. 이 범위들은 측정 모델이 이 프로토콜에서 지정한 일반적으로 사용되는 신뢰성...

토론

프로토콜은 심리적 요구, 리더십 인식, AI 연결 맥락 조건이 디지털 전환된 업무 환경에서 직원 결과에 어떤 영향을 미치는지 이해하기 위한 전이 가능한 설문 기반 방법을 제시^{합니다 1, 2, 4}. 이 기술의 주요 기여는 영상 조작이 아니라, 온라인 모집, 동의, 선별, 관심 있는 구성 요소 측정, 데이터 준비, SmartPLS 모델 명시, 부트스트래핑, 대표성 중^{재 및 조정} 결과 해석을 위한 추적 가능한 분석 워크플로우입니다. 이러한 단계는 원고에 제시된 표와 온라인 보조 자료의 SmartPLS 출력 파일을 통해 추적할 수 있습니다. 그럼에도 불구하고, 온라인 모집부터 SmartPLS를 이용한 분석까...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
ChatGPT (AI 언어 모델)	OpenAI	N/A	원고 준비 중 언어 편집, 문법 검사 및 구조 개선에만 사용되었습니다. 이 도구는 데이터 수집, 통계 분석 또는 경험적 결과의 해석에는 사용되지 않았습니다. 저자는 최종 원고를 검토하고 편집하고 승인했으며 내용에 대한 모든 책임을 집니다. URL: https://chatgpt.com/
Prolific (온라인 참가자 모집 플랫폼)	Prolific Academic Ltd.	N/A	작업 예제의 설문조사 참가자를 모집하는 데 사용되는 온라인 플랫폼입니다. 참가자는 정규 근로자 및 대상 직장 인구와의 관련성을 포함한 미리 정의된 적격 기준을 사용하여 선별되었습니다. URL: https://www.prolific.com/
Qualtrics (온라인 설문조사 플랫폼)	Qualtrics, LLC	N/A	질문지 설계, 디지털 정보 제공 동의, 선별, 구성 블록 프레젠테이션, 응답 데이터 수집 및 식별 정보 제거된 데이터 세트 내보내기에 사용되는 웹 기반 설문조사 플랫폼입니다. 측정 항목은 1 = 매우 동의하지 않음에서 7 = 매우 동의함까지의 7점 리커트 형 척도를 사용하여 관리되었습니다. URL: https://www.qualtrics.com/
SmartPLS 4.1 (PLS-SEM 소프트웨어)	SmartPLS GmbH	버전 4.1	부분 최소 제곱 구조 방정식 모델링(PLS-SEM)에 사용되었습니다. 이에는 모델 사양, PLS 알고리즘 추정, 측정 모델 평가, 공선성 진단, 5,000회의 재샘플링을 포함한 부트스트래핑, 특정 간접 효과 테스트, 상호작용 항 추정, 효과 분해 및 PLSpredict 평가가 포함됩니다. URL: https://smartpls.com/